AMAZONINO LEMOS DE CASTRO ANÁLISE DA EVAPOTRANSPIRAÇÃO, ÍNDICES BIOFÍSICOS E O USO DA TERRA EM UMA BACIA HIDROGRÁFICA Sorocaba 2023 AMAZONINO LEMOS DE CASTRO ANÁLISE DA EVAPOTRANSPIRAÇÃO, ÍNDICES BIOFÍSICOS E O USO DA TERRA EM UMA BACIA HIDROGRÁFICA Tese apresentada como requisito ao Programa de Pós-Graduação em Ciências Ambientais para a obtenção do título de Doutor em Ciências Ambientais da Universidade Estadual Paulista “Júlio de Mesquita Filho” na Área de Concentração em Geoprocessamento e Modelagem Matemática Ambiental Orientador: Prof. Dr. Roberto Wagner Lourenço Sorocaba 2023 UNIVERSIDADE ESTADUAL PAULISTA Câmpus de Sorocaba CERTIFICADO DE APROVAÇÃO TÍTULO DA TESE: ANÁLISE DA EVAPOTRANSPIRAÇÃO, ÍNDICES BIOFÍSICOS E O USO DA TERRA EM UMA BACIA HIDROGRÁFICA AUTOR: AMAZONINO LEMOS DE CASTRO ORIENTADOR: ROBERTO WAGNER LOURENÇO Aprovado como parte das exigências para obtenção do Título de Doutor em CIÊNCIAS AMBIENTAIS, área: Diagnóstico, Tratamento e Recuperação Ambiental pela Comissão Examinadora: Sorocaba, 04 de julho de 2023 Instituto de Ciência e Tecnologia - Câmpus de Sorocaba - Av. Três de Março, 511, 18087180, Sorocaba - São Paulo http://www.sorocaba.unesp.br/#!/pos-graduacao/pos-ca/pagina-inicial/CNPJ: 48031918003573. DEDICATÓRIA Aos meus pais Alcides Texeira de Castro (in memoriam) e Olendina Lemos Ferreira. A minha querida esposa, Keith Soares Valente. Aos meus filhos, Arthur Soares de Castro e Sophia Soares de Castro. Às minhas queridas irmãs, Cídia (in memoriam), Verônica, Sebastiana e Francinete. Ao meu orientador Prof. Dr. Roberto Wagner Lourenço. A todos que de alguma forma me incentivaram e suportaram a minha ausência, durante todo esse período, dando-me forças para vencer mais esse desafio em minha vida. HONESTAMENTE DEDICO. AGRADECIMENTOS A Deus, Nossa Senhora Aparecida, Nossa Senhora da Conceição e Santa Filomena que me fortaleceram na fé católica para enfrentar as provações, desafios e me deram coragem para sonhar e realizar o sonho de vencer mais esta grandiosa batalha. A minha querida e amada esposa, Keith Soares Valente, pelo apoio, compreensão e companheirismo durante toda nossa caminhada. Ao meu filho Arthur por ser tão compreensivo, especial e amável. À minha queria e amada filha Sophia, que mesmo ainda estando no ventre de sua mãe, me proporcionou uma força gigantesca que me incentivou a lutar pela conclusão dessa pesquisa. Aos meus pais Alcides Texeira de Castro (in memoriam) e Olendina Lemos Ferreira, pela incessante doação e incentivos nunca enfraquecidos; às minhas queridas irmãs: Francinete Castro, Sebastiana Castro, Verônica Castro e Cídia Castro (in memoriam); aos meus irmão Bruno e Tiago; aos meus tios e tias e ainda aos meus sobrinhos: Ranielly, Jonathan, Huana, Paulo Daniel, Riann, Juninho, José, João e Helena. Aos meus amigos e amigas de Novo Aripuanã e aos membros do Instituto Xiu por compartilharem dos mesmos objetivos e valores necessários para uma sociedade mais humana e fraterna. Ao meu orientador Prof. Dr. Roberto Wagner Lourenço (China) por ter compartilhado comigo seus conhecimentos, ter me incentivado a sempre buscar o melhor para a pesquisa, pelos momentos de conversa e descontração no caminho de Ibiúna, que contribuíra par o meu crescimento pessoal e profissional. Obrigada por tudo! Ao LABGEMM do qual tive a honra de fazer parte, principalmente a todas as pessoas que tive o prazer de conviver como a Bruna, Hetiany, Letícia, Camille, Miqueias, Jocy, Fábio, Jomil e Darllan, especialmente a Giovana, que sempre esteve a disposição para ajudar a todos. À UNESP, professores do Programa de Pós-graduação em Ciências Ambientais e servidores pelo suporte, especialmente ao Carlos e todos que atuam na secretaria da pós- graduação por serem sempre muito atenciosos e dispostos a ajudar. Aos membros da banca examinadora pela dedicação, parceria e pelas valiosas contribuições nessa pesquisa. Sei do esforço de cada um para participar de bancas. Fico muito agradecido por compartilharem comigo um pouco de vossas expertises, objetivando a construção de uma pesquisa de qualidade. À UFAM/IEAA por incentivar os seus servidores no processo de qualificação contínua e crescimento pessoal e profissional, a fim de retornar a sociedade um serviço de excelência. A todos os colegas professores, TAEs e estudantes. Aos amigos Jorge, Luciana, Raolin, Kelly, Carlos, Meire, Martins, Anderson, Paulo, Pietro, Lucivaldo, Raniere, Joyce, Janderson, Eber, Mário, Luiz Octávio, Benone e a todos que de maneira direta ou indiretamente contribuíram para a realização deste trabalho e que não foram citados no texto. “O que destrói o ser humano é a política sem princípios, prazer sem compromissos, riqueza sem trabalho, sabedoria sem caráter, negócios sem moral, ciência sem humanidade e oração sem caridade” -Mahatma Gandhi- RESUMO A gestão de bacias hidrográficas pode ser realizada de diversas formas, especialmente considerando os avanços tecnológicos e científicos atuais. A análise das variáveis ambientais que impactam diretamente o funcionamento e equilíbrio dos ecossistemas proporciona o entendimento da dinâmica ambiental, em particular as relacionadas à variabilidade climática do ambiente regional e local. Entre essas variáveis, destaca-se a evapotranspiração real (ETa), que representa uma das formas de recarga hídrica da atmosfera. Além disso, os índices biofísicos (NDVI, NDWI, SAVI e IAF), que estão relacionados aos processos fenológicos da vegetação e ao uso da terra, cumprem um papel fundamental no equilíbrio dos ecossistemas. Nesse contexto, o objetivo desta pesquisa foi analisar a relação entre os índices biofísicos, o uso e a ocupação da terra com a ETa na Bacia Hidrográfica do rio Sorocabuçu. Para o mapeamento do uso da terra e a obtenção dos índices biofísicos, foram utilizadas imagens de satélite do Sentinel- 2B, Sentinel-1A e dados meteorológicos do ERA5-Land. Os dados provenientes dos sensores Radar de Abertura Sintética (Synthetic Aperture Radar - SAR) não são afetados pela presença de fatores atmosféricos como nuvens, por exemplo, o que permite a aquisição de informações de forma contínua. Dessa forma, utilizou-se os dados do Sentinel-1 (SAR) para estimar o NDVI e NDWI entre os anos de 2019 e 2020 em uma área experimental. Foram construídos quatro modelos de regressão (RL, SVM, RF e ANN) para estimar os índices de vegetação com base nos dados de retroespalhamento do SAR como variáveis independentes e os índices NDVI e NDWI obtidos por meio do Sentinel-2 como variáveis dependentes. Esses modelos foram implementados por meio da Validação Cruzada (Cross-Validation), e suas métricas de desempenho e testes estatísticos foram avaliados para determinar o modelo mais adequado. De maneira similar, os índices biofísicos foram admitidos a uma outra análise de regressão linear com múltiplas variáveis, utilizando NDVI, NDWI, SAVI e IAF como variáveis independentes, e ETa como variável dependente. Os resultados indicaram uma dinâmica média superior a 0,7 entre os dados SAR e os índices de vegetação convencional. A análise da relação entre a ETa e os índices biofísicos revelou correlações moderadas, fortes e muito fortes ao longo dos meses, demonstrando que a estimativa precisa da ETa é fundamental para compreender a função vital da vegetação na disponibilidade e gestão dos recursos hídricos. Isso reforça a importância das práticas de manejo ambiental na gestão das bacias hidrográficas. Palavras-chave: Manejo sustentável em bacia hidrográfica; NDVI e NDWI por meio de dados SAR; Regressão multivariada; Transporte hídrico para atmosfera; Evapotranspiração real. ABSTRACT Watershed management can be accomplished in several ways, especially considering current technological and scientific advances. The analysis of environmental variables that directly impact the functioning and balance of ecosystems provides an understanding of environmental dynamics, in particular those related to the climatic variability of the regional and local environment. Among these variables, real evapotranspiration (ETa) stands out, which represents one of the forms of water recharge in the atmosphere. In addition, biophysical indices (NDVI, NDWI, SAVI and IAF), which are related to the phenological processes of vegetation and land use, play a fundamental role in the balance of ecosystems. In this context, the objective of this research was to analyze the relationship between biophysical indices, land use and occupation with ETa in the Sorocabuçu River Basin. To map land use and obtain biophysical indices, satellite images from Sentinel-2B, Sentinel-1A and meteorological data from ERA5- Land were used. The data coming from the Synthetic Aperture Radar (SAR) sensors are not affected by the presence of atmospheric factors such as clouds, for example, which allows the acquisition of information continuously. Thus, Sentinel-1 (SAR) data were used to estimate NDVI and NDWI between the years 2019 and 2020 in an experimental area. Four regression models (RL, SVM, RF and ANN) were constructed to estimate vegetation indices based on SAR backscattering data as independent variables and NDVI and NDWI indices obtained through Sentinel-2 as dependent variables. These models were implemented through Cross- Validation, and their performance metrics and statistical tests were evaluated to determine the most appropriate model. Similarly, the biophysical indices were admitted to another linear regression analysis with multiple variables, using NDVI, NDWI, SAVI and IAF as independent variables, and ETa as the dependent variable. The results indicated an average dynamic higher than 0.7 between the SAR data and the conventional vegetation indices. The analysis of the relationship between ETa and biophysical indices revealed moderate, strong and very strong correlations over the months, demonstrating that the accurate estimation of ETa is fundamental to understand the vital function of vegetation in the availability and management of water resources. This reinforces the importance of environmental management practices in watershed management. Keywords: Sustainable management in a watershed; NDVI and NDWI through SAR data; Multivariate regression; Water transport to atmosphere; Real evapotranspiration. LISTAS DE FIGURAS Figura 1 - Localização da área de estudo. ........................................................... 32 Figura 2 - Bandas espectrais do instrumento MSI e Resolução Espacial do Sentinel-2A. ......................................................................................................... 34 Figura 3 - Fluxograma de descrição da metodologia aplicada. ........................... 45 Figura 4 - Localização da sub-bacia hidrográfica no município de Paranapanema/SP. ............................................................................................... 47 Figura 5 - Desempenho dos modelos de regressão na previsão do NDVI (a, b, c, d) e NDWI (e, f, g, h). ....................................................................................... 56 Figura 6 - Diferença média nos níveis dos modelos com base no teste de Bonferroni a 95% de confiança para o NDVI (a, b, c, d) e NDWI (e, f, g, h). ...... 57 Figura 7 - Comparação entre NDVI observado e previsto (a-b) e NDWI observado e previsto (c-d) para o mês de fevereiro de 2019, bem como o observado e previsto para os meses de outubro de 2019 (e-f, g-h), e maio de 2020 (i-j, k-l). ....................................................................................................... 58 Figura 8 - Gráficos de dispersão de NDVI observado e previsto para o mês de fevereiro de 2019 (a), outubro de 2019 (b) e maio de 2020 (c), e NDWI observado e previsto para o mês de fevereiro de 2019 (d), outubro de 2019 (e) e maio de 2020 (f). ............................................................................................... 58 Figura 9 - Estatística descritiva do NDVI para o ano de 2020. ........................... 60 Figura 10 - Espacialização do NDVI para o ano de 2020. .............................................................................................................................. 61 Figura 11 - Estatística descritiva do NDWI para o ano de 2020. .............................................................................................................................. 63 Figura 12 - Espacialização do NDWI para o ano de 2020. .............................................................................................................................. 64 Figura 13 - Estatística descritiva do SAVI para o ano de 2020. .............................................................................................................................. 65 Figura 14 - Espacialização do SAVI para o ano de 2020. .............................................................................................................................. 66 Figura 15 - Estatística descritiva do IAF para o ano de 2020. .............................................................................................................................. 67 Figura 16 - Espacialização do IAF/LAI para o ano de 2020. .............................................................................................................................. 69 Figura 17 - Uso e ocupação da terra para o ano de 2020 na BH do rio Sorocabuçu. ......................................................................................................... 70 Figura 18 - Estatística descritiva da ETa para o ano de 2020. .............................................................................................................................. 73 Figura 19 - Espacialização da ETa no ano de 2020 na BH do rio Sorocabuçu. .............................................................................................................................. 74 Figura 20 - Transporte hídrico para atmosfera por meio da ETA no ano de 2020 na BH do rio Sorocabuçu. .................................................................................... 76 Figura 21 - Análise da correlação dos índices biofísicos com evapotranspiração real........................................................................................................................ 77 LISTAS DE TABELAS Tabela 1 - Informações das cenas utilizadas para processamento. ...................... 34 Tabela 2 - Classes de uso da terra na área, suas características e o padrão de cor RGB. .................................................................................................................... 36 Tabela 3 - Valores adotados para o fator “L”. ..................................................... 38 Tabela 4 - Valores de referência para classificação o NDVI................................ 39 Tabela 5 - Padronização das classes e paleta de cores.......................................... 40 Tabela 6 - Valores de referência para classificação do NDWI............................. 41 Tabela 7 - Padronização das classes e paleta de cores. ........................................ 41 Tabela 8 - Padronização das classes e paleta de cores utilizadas nos mapas de ETa. .................................................................................................................... 44 Tabela 9 - Polarizações VV, VH e variáveis secundárias utilizadas para implementação nos modelos de regressão. ........................................................... 49 Tabela 10 - Estatística descritiva do conjunto de dados de treinamento e teste. 53 Tabela 11 - Métricas de desempenho dos modelos de regressão. ........................ 55 LISTAS DE SIGLAS E ABREVIATURAS ANOVA Análise da variância APA Área de Proteção Ambiental BH Bacia hidrográfica BOA Bottom-Of-Atmosphere CDS Copernicus Climate Data Store CX Cambissolos Háplicos DAEE Departamento de Águas e Energia Elétrica DN Digital Numbers ESA Agência Espacial Européia - European Space Agency ET Evapotranspiração ET0 Evapotranspiração de referência ETa Evapotranspiração real ETC Evapotranspiração de cultura ETP Evapotranspiração potencial EVI Índice de Vegetação Aprimorado EW Faixa extralarga - Extra-Wide Swath fPAR Radiação fotossinteticamente ativa GM Gleissolos Melânico GNDVI Índice de Vegetação por Diferença Normalizada Verde GRD Detecção ao nível do solo - Ground Range Detected IAF Índice de área Foliar IW Faixa ampla interferométrica - Interferometric Wide Swath LVA Latossolos Vermelho-Amarelo MAE Erro Médio Absoluto MSE Erro Médio Quadrático MSI Índice de Estresse por Umidade* MSI Instrumento Multiespectral** NDVI Índice de Vegetação por Diferença Normalizada NDWI Índice de Água por Diferença Normalizada OLCI Ocean and Land Color Instrument PLS Regressão por Mínimos Quadrados Parciais (Partial Least Squares) R² Coeficiente de determinação REM Radiação eletromagnética RMSE Raiz Quadrática do Erro Médio Absoluto RS Razão Simples SAFER Algoritmo Simples para Recuperação da Evapotranspiração - Simple Algorithm for Evapotranspiration Retrieving SAR Radar de Abertura Sintética - Synthetic Aperture Radar SAVI Índice de Vegetação Ajustado do Solo SCUT Sistema Básico de Classificação da Cobertura e do Uso da Terra SEBAL Algoritmo de Balanço de Energia de Superfície para Terra - Surface Energy Balance Algorithm for Land SIG Sistemas de Informações Geográficas SIRGAS Sistema de Referência Geocêntrico para as Américas SLC Complexo de visual único - Single Look Complex SLSTR Sea and Land Surface Temperature Radiometer SM Mapa de tiras - Stripmap SNAP Sentinel Application Platform SR Sensoriamento Remoto SWIR Short Wave Infra-Red TOA Top-Of-Atmosphere Ts Temperatura de superfície TST Temperatura da Superfície Terrestre USGS United States Geological Survey UTM Universal Transversa de Mercator VNIR Visible and Near-Infra-Red SUMÁRIO 1 INTRODUÇÃO .......................................................................................................... 18 2 OBJETIVOS ............................................................................................................... 19 2.1 Objetivo Geral............................................................................................................. 19 2.2 Objetivos Específicos .................................................................................................. 19 3 REVISÃO DE LITERATURA .................................................................................. 20 3.1 Bacia hidrográfica como unidade de planejamento ................................................ 20 3.2 A importância do manejo ambiental na bacia hidrográfica ................................... 20 3.3 Evaporação, transpiração e evapotranspiração ...................................................... 22 3.3.1 Tipos de evapotranspiração .......................................................................................... 22 3.4 Sistema de informações geográficas (SIG) e manejo ambiental............................. 23 3.5 Índices e variáveis biofísicas no manejo de bacias hidrográficas ........................... 24 3.5.1 Índice de vegetação por diferença normalizada (NDVI) .............................................. 25 3.5.2 Índice de água por diferença normalizada (NDWI) ..................................................... 25 3.5.3 Índice de vegetação ajustado ao solo (SAVI) ............................................................... 26 3.5.4 Índice de área foliar (IAF/LAI) .................................................................................... 26 3.5.5 Albedo de superfície ..................................................................................................... 27 3.5.6 Temperatura da superfície terrestre (TST) ................................................................... 27 3.5.7 Evapotranspiração real (ETa) ....................................................................................... 28 3.6 Programa Copernicus e principais missões Sentinel ............................................... 28 3.7 Estimativa de índices de vegetação por meio de dados SAR .................................. 30 4 MATERIAL E MÉTODOS ....................................................................................... 32 4.1 Área de estudo ............................................................................................................. 32 4.2 Aquisição e processamento de dados ........................................................................ 33 4.3 Mapeamento da cobertura e uso da terra ................................................................ 35 4.4 Estimativa dos índices biofísicos ............................................................................... 37 4.4.1 Índice de Vegetação Ajustado ao Solo - SAVI ............................................................ 37 4.4.2 Índice de Área Foliar - IAF .......................................................................................... 38 4.4.3 NDVI e NDWI.............................................................................................................. 39 4.4.4 Estimativa da ETa ......................................................................................................... 42 4.4.4.1 Estimativa da contribuição hídrica por classe de uso e ocupação da terra ................ 45 4.5 Análise estatística dos dados ...................................................................................... 45 4.6 Metodologia para a estimativa do NDVI e ndwi por meio de dados SAR ............ 46 4.6.1 Aquisição e processamento de dados ........................................................................... 48 4.6.2 Índices de vegetação por modelo preditivos ................................................................. 50 4.6.3 Análise de desempenho dos modelos ........................................................................... 52 5 RESULTADOS E DISCUSSÃO................................................................................ 53 5.1 Estimativa do NDVI e NDWI por meio de dados SAR ........................................... 53 5.2 NDVI na bacia hidrográfica do rio Sorocabuçu ...................................................... 60 5.3 NDWI na bacia hidrográfica do rio Sorocabuçu ..................................................... 62 5.4 SAVI na bacia hidrográfica do rio Sorocabuçu ....................................................... 65 5.5 IAF na bacia hidrográfica do rio Sorocabuçu ......................................................... 67 5.6 Uso e ocupação da terra e cobertura vegetal na bacia hidrográfica do rio Sorocabuçu .............................................................................................................................. 70 5.7 ETa na bacia hidrográfica do rio Sorocabuçu ......................................................... 72 5.7.1 Contribuição da eta no transporte de água para a atmosfera na bacia hidrográfica do rio Sorocabuçu .......................................................................................................................... 75 5.8 Análise estatística (regressão linear múltipla) ......................................................... 77 6 CONCLUSÕES ........................................................................................................... 80 REFERÊNCIAS...................................................................................................................... 83 APÊNDICE A - Script para a estimativa do NDVI e NDWI por meio de dados SAR no software R. ................................................................................................................................ 98 APÊNDICE B - Script para a estimativa da ETa por meio do pacote Agriwater no software R..............................................................................................................................................104 APÊNDICE C - Script dos parâmetros estatísticos da análise de regressão multivariada entre os índices biofísicos, uso da terra e a ETa. ............................................................................. 108 APÊNDICE D - Resíduos, coeficientes, erro padrão e níveis de significância dos índices biofísicos para cada mês do ano de 2020 em relação a ETa. .................................................. 110 18 1 INTRODUÇÃO No atual momento da humanidade o planeta já emitiu diversos sinais de que é preciso agir de maneira sustentável, diminuir os efeitos do consumo indiscriminado dos recursos naturais e realizar a gestão integrada e consciente dos biomas existentes. A catástrofes de alcance global frequentemente se associam ao modo como o ser humano administra o ambiente que o cerca. Mesmo no contexto de uma era caracterizada por avanços tecnológicos nos mais variados segmentos científicos, o consumismo exacerbado e a forma de interação com o meio ambiente determinam a duração de diversas matérias-primas. A gestão dos recursos naturais pode ser realizada de diversas formas dentro da unidade básica de gestão e planejamento que são as bacias hidrográficas, porém, todas as metodologias passam pela necessidade de se ter informações precisas e atualizadas sobre a área a ser gerenciada. Dessa maneira, entender as diversas variáveis, o tipo de relação entre elas, a qualidade da informação fornecida e sua aplicabilidade, figura-se como um método real e eficiente no processo de tomada de decisão e subsídio técnico para o manejo dos recursos existentes dentro do limite da área a ser gerida (SALLES et al., 2008). Dentre muitas variáveis ambientais, algumas possuem maior influência no funcionamento e equilíbrio dos ecossistemas, sendo uma das principais a evapotranspiração, que é a maneira pelo qual se abastece a atmosfera com água, e consequentemente possui influência direta no ciclo hidrológico e climático, responsável pela circulação da água em toda a biosfera (GHARBIA et al., 2018). A evapotranspiração sofre influência direta da temperatura de superfície (Ts), parâmetro importante nos modelos ambientais que se refere a troca de energia e água entre a superfície e a atmosfera (SOUZA e SILVA 2005) e, contribui com a evaporação do solo, além da cobertura vegetal e o uso e ocupação da terra, que está relacionado com a transpiração vegetal nos ecossistemas. A água em quantidade e qualidade adequada no ambiente, assim com os nutrientes necessários para a nutrição das plantas, revela as condições fisiológica das plantas e do ambiente onde ela está inserida. Em situações de normalidade em áreas de floresta e agricultáveis, parte da água advinda da precipitação infiltra no solo, sendo que a maior parte é absorvida pelas raízes dos vegetais e relançada na atmosfera pela transpiração, isso influência diretamente nos índices de qualidade e quantidade da vegetação (FEARNSIDE, 2004). Atualmente, uma das tecnologias mais utilizadas para estudar parâmetros biofísicos dos ecossistemas são as ferramentas de geoprocessamento e sensoriamento remoto, em especial os índices biofísicos, que usam transformações de bandas espectrais do espectro eletromagnético, 19 através de medidas da reflectância dos alvos na superfície terrestre para determinar, entre outras informações, a qualidade e a quantidade da vegetação dos ecossistemas, além disso, a escala em que as informações são coletadas permitem inferências e previsões em escala regional, figurando como uma poderosa metodologia para subsidiar a gestão ambiental e diversas áreas. Nesse contexto, esta pesquisa foi realizada utilizando-se diversos indicadores biofísicos como o NDVI, NDWI, SAVI e IAF para expressam o vigor fenológico da biomassa no local, bem como o uso e cobertura da terra em uma bacia hidrográfica para estudar suas relações com a Evapotranspiração Real - ETa na Bacia Hidrográfica do Rio Sorocabuçu em Ibiúna-SP. 2 OBJETIVOS 2.1 Objetivo Geral Contribuir com o aprimoramento da utilização de índices biofísicos, uso da terra e cobertura vegetal na gestão e tomada de decisão em bacias hidrográficas por meio de dados orbitais e a utilização de geoprocessamento, e assim fornecer subsídios para práticas de desenvolvimento sustentável na Bacia Hidrográfica do Rio Sorocabuçu. 2.2 Objetivos Específicos i. Elaborar o mapeamento de classificação de uso da terra do ano de 2020 para a análise da dinâmica territorial na BH e sua influência na Evapotranspiração Real (ETa); ii. Estimar a contribuição da ETa em relação aos diversos usos e ocupação da terra na BH do Rio Sorocabuçu no transporte de água para a atmosfera; iii. Propor uma metodologia para a estimativa do NDVI e NDWI com base em imagens de Radar de Abertura Sintética (Synthetic Aperture Radar – SAR) para a estimativa desses índices em períodos com alto percentual de cobertura de nuvens; iv. Produzir mapas de índices biofísicos (NDVI, NDWI, SAVI e IAF) e de ETa para o ano de 2020 e realizar análise da correlação entre variáveis na BH estudada. 20 3 REVISÃO DE LITERATURA 3.1 Bacia hidrográfica como unidade de planejamento Levando em consideração a definição presente na Política Nacional de Recursos Hídricos, Lei n° 9.433 de 1997, também conhecida como Lei das Águas, uma bacia hidrográfica (BH) pode ser definida como uma unidade básica de estudo e gestão. Este conceito foi ganhando maior lastro a medida que mais pesquisas sobre o assunto foram sendo realizadas, de modo a expressar de forma técnica área que possui importância ambiental singular. Uma BH pode ser também definida como uma unidade fisiográfica tendo como delimitação de perímetro os seus divisores de água que delimitam topograficamente a sua área de drenagem, que converge para um curso d’água principal (QUEIROZ et al., 2009), e tendo em vista que são nas BHs que estão inseridos os conglomerados urbanos, elas são consideradas como unidades básicas para se realizar o planejamento visando o desenvolvimento de forma sustentável de uma região (BERTONI e LOMBARDI NETO 2014). A configuração espacial das BHs permite a interação entre os componentes geológicos, geomorfológicos, hidroclimáticos, pedológicos e bioecológicos, propiciando uma relação entre o fluxo de matéria e energia (NASCIMENTO et al., 2008). Nesse sentido, as intervenções antrópicas causam diversos tipos de impactos nos componentes desse sistema, provocando a degradação da qualidade ambiental e o desequilíbrio dos meios físicos e biótico, alterando a dinâmica natural desse ecossistema (CHRISTOFOLLETI, 1999; FILGUEIRA DE SÁ et al., 2010), causados e agravados por mudanças no uso e ocupação do solo (SILVA e CORRÊA 2015). Para a efetividade da BH com unidade de planejamento, deve-se levar em consideração que este ambiente contempla diferentes interesses, gerando inúmeros pontos de conflitos, levando em consideração as prerrogativas legais, considerando a atuação do estado como fiscalizador, bem como o entendimento das questões socioculturais e a ambientais de cada BH (CARVALHO 2020). 3.2 A importância do manejo ambiental na bacia hidrográfica A situação ambiental das BHs reflete uma visão conjunta das ações antrópicas e suas condições naturais, que podem ser severamente agravadas pela falta de manejo integrado dos 21 meios físicos, bióticos e socioeconômicos. Segundo GUERRA (2006), os planos de manejo e gerenciamento de BH levam em consideração, em sua grande maioria, apenas aspectos relacionados a utilização dos recursos hídricos como a irrigação ou saneamento ou geração de energia. De certa forma um sistema incompleto, pois despreza-se a interrelação de componentes essenciais para o desenvolvimento sustentável, afetando a capacidade e os limites ambientais do bioma como um todo (GERRA 2006). De acordo com Poleto (2019), no Brasil, 70% dos recursos hídricos são utilizados para irrigação, 11% para abastecimento urbano, 10% na dessedentação animal, 7% no uso industrial, e 2% no abastecimento rural. Sabemos que esses consumos, principalmente os relacionados a agricultura, poderiam ser otimizados, a utilização do manejo de forma adequado e integrada pode contribuir para a utilização de tal recurso de maneira sustentável, pois perde-se água de diversas formas nesses usos, como por exemplo a inserção de água na mesma quantidade em toda a área plantada, quando as necessidades hídricas podem ser diferentes dentro de uma mesma lavoura. Nesse contexto, cita-se como exemplo os trabalhos de Silva (2011), que avaliou o estresse hídrico da vegetação no médio trecho da bacia hidrográfica do rio Ipojuca, utilizando o NDWI. Assim como Silva et al., (2017), também utilizou o mesmo índice biofísico para verificar a disponibilidade de água para a vegetação presente na Bacia Hidrográfica do Rio Una no município de Ibiúna-SP. Oliveira et al., (2010), avaliaram as mudanças no espaço e tempo na bacia hidrográfica do rio Moxotó-PE utilizando o NDWI e albedo de superfície. Diversos índices biofísicos podem ser utilizados para otimizar o monitoramento de grandes áreas de plantio, principalmente pela praticidade de obtenção dos dados orbitais em detrimento da dificuldade de se obter dados em campo, dessa forma, pode-se ter acesso a diversas informações importantes de uma lavoura por meios dos índices. Alvino et al., (2021) investigaram diversos índices de vegetação para monitoramento de milho irrigado (NDVI - Índice de Vegetação por Diferença Normalizada; EVI - Índice de Vegetação Aprimorado; SAVI - Índice de Vegetação Ajustado do Solo; GNDVI - Índice de Vegetação por Diferença Normalizada Verde; SR - Razão Simples; NDWI – Índice de Água por Diferença Normalizada e MSI - Índice de Estresse por Umidade), obtendo-se resultados satisfatórios acerca da fenologia da cultura do milho, constando que tais índices podem ser usados para o manejo da lavoura. A utilização de técnicas e metodologias que abarcam uma maior quantidade de ferramentas tecnológicas contribuem de forma efetiva e necessária ao manejo ambiental nas BHs, o monitoramento adequado, capacidade tecnologicamente avançada para identificar e 22 apontar possíveis locais sujeitos ou não a danos ambientais, figuram como importante ferramenta para a gestão e conservação da área (HAYASHI, SARDINHA e PAMPLIN, 2020). 3.3 Evaporação, transpiração e evapotranspiração O ciclo hidrológico, aborda o movimento contínuo da água no planeta Terra descrevendo o movimento e mudanças de estado, de líquido para vapor, para estado sólido e retorno ao seu estado inicial (USGS, 2021). A evaporação e a transpiração propiciam a evapotranspiração, todos esses processos são componentes importantes do ciclo hidrológico, pois diversas outras variáveis dos ecossistemas possuem dependência direta a esses processos (ALLEN et al., 1998). A evaporação, do ponto de vista ambiental, consiste na passagem da água do seu estado líquido para o estado de vapor utilizando como fonte de energia a radiação solar por meio de processos de difusão turbulenta e molecular (Tucci e Silveira 2020). Por outro lado, a transpiração, figura-se principalmente como uma atividade de transferência de massa e calor que ocorre de forma natural nas plantas, dissipando o calor proveniente da radiação fotossinteticamente ativa (fPAR) e da temperatura do ambiente (Zhu et al., 2022). A combinação de perda hídrica por evaporação e transpiração, dão origem ao fenômeno de evapotranspiração (ET) (Stoy et al., 2019), processo de grande relevância ambiental, haja vista a capacidade de influenciar na movimentação da água contida na vegetação e no solo para a atmosfera (Wang et al., 2019; Chintala et al.; 2022). 3.3.1 Tipos de evapotranspiração São quatro os principais tipos de evapotranspiração: evapotranspiração potencial (ETP); evapotranspiração de referência (𝐸𝑇𝑜); evapotranspiração de cultura (𝐸𝑇C) e; evapotranspiração real (𝐸𝑇a). Em 1948 foi o sugerido o conceito de evapotranspiração potencial (ETP) por Thornthwaite, que se refere ao valor máximo da água transferida da superfície do solo e da transpiração da água e das plantas de volta à atmosfera, em condições ideais, sendo que esse conceito está atualmente em desuso, pela dificuldade em sua obtenção, realizada por meio métodos empíricos (Thornthwaite, 1948). 23 De acordo com Allen et al., 1998 a evapotranspiração de referência (𝐸𝑇𝑜) é aquela obtida em uma extensa área totalmente coberta com vegetação rasteira e uniforme, como um gramado, com altura variando entre 8 e 15 cm, suprimento de água adequado e sem interferência no calor sensível causado pelo ecótono de vizinhança. Assim a 𝐸𝑇𝑜 representa as condições meteorológicas vigente, uma vez que ela depende basicamente de dados meteorológicos para a sua estimativa (Silva et al., 2021). Semelhante a 𝐸𝑇𝑜, a evapotranspiração de cultura (𝐸𝑇C) é obtida na fase de intenso desenvolvimento da vegetação em condições ideais de crescimento, suprimento hídrico e sem interferência no calor sensível pelo ecótono, dependendo de cada tipo de cultura por conta da área foliar e das condições meteorológicas vigentes (Venâncio et. al., 2019). Caracterizada principalmente pela transferência hídrica da evaporação e transpiração, a evapotranspiração real (ETa) deve ser mensurada em condições de campo, uma vez que envolve todas as condições da superfície do solo, e por levar em consideração as reais características do ecossistema, normalmente apresenta valores menores que as evapotranspirações da cultura e potencial. A ETa, dentre todos os tipos de evapotranspirações aqui citadas, é a que mais está relacionada com o tipo de uso da terra, nesse sentido, a grande maioria das estimativas realizadas por meio de imagens orbitais possuem como objetivo os valores de ETa (Silva et al., 2021). Nesse sentido, esta pesquisa utiliza as estimativas de ETa para o estudo e análise relacionados aos índices biofísicos e o uso da terra em bacia hidrográfica. 3.4 Sistema de Informações Geográficas (SIG) e manejo ambiental Os Sistemas de Informações Geográficas (SIG) são definidos como um ambiente que faz a associação e interação de diversas fontes de dados, com o intuito de realizar edições, gerenciamento, análises e espacialização dos produtos (Fitz 2008). Outro conceito difundido define o SIG como um software computacional, onde sua principal função é realizar operações algébricas com os dados geográficos e alfanuméricos, tendo como base algoritmos desenvolvidos para as mais variadas finalidades (Bossle 2016). Com a evolução da capacidade computacional e avanço das técnicas de geoprocessamento, foi possível realizar análises robustas de dados georreferenciado, facilitado também pelo aperfeiçoamento e surgimento de novos softwares de SIG, tanto os pagos como gratuitos (Moreira 2011). 24 Nesse contexto, os SIG propiciam subsídios para a gestão integrada dos ecossistemas e biomas. Sua utilização permite a integração e análise de dados geográficos em grandes proporções, figurando como ferramenta importante para se fazer gestão, manejo e planejamento ambiental para a execução de ações em locais específicos (Campos, Piroli e Benini 2015). Abaixo traz-se algumas aplicações dessa vasta e crescente tecnologia relacionadas ao manejo ambiental com a utilização de SIG no Brasil e no mundo. Alves et al., (2021), Analisaram as mudanças nas categorias de uso e cobertura do solo entre 1986 e 2016 com o intuito de obter dados para subsidiar estudos de planejamento e gestão de bacias hidrográficas e recursos hídricos, o estudo concluiu que ocorreu um decréscimo na área de vegetação natural e um aumento das áreas degradas na bacia hidrográfica estudada. Elbeih (2021), avaliaram áreas de expansão agrícola nos desertos egípcios por meio de uma revisão usando sensoriamento remoto e SIG, como principais resultados os estudos resultaram em várias informações que ajudarão os gestores da região em processos de tomada de decisão e planejamento visando o desenvolvimento sustentável. 3.5 Índices e variáveis biofísicas no manejo de bacias hidrográficas As alterações nas características naturais dos ecossistemas causadas por ações antrópicas que substituem ambientes naturais em cidades, áreas de cultivos ou por lâminas d’água para fins de preservação, impactam de forma efetiva o fluxo de energia, com efeitos diretos entre a superfície que recebe a radiação solar e a atmosfera, provocando alterações na quantidade de absorção e reflectância da energia no meio (Alves e Biudes 2012). Estudar o balanço de energia de um ecossistema é fundamental para se determinar o saldo de radiação solar, que compreende a radiação de ondas curtas que chega do sol com as de ondas longas na atmosfera, para se realizar o monitoramento do clima e consequentemente a gestão ambiental em bacias hidrográficas (Lira Filho, Sousa e Iwata 2021). O acesso a informações climáticas em éreas de pequeno porte pode ser realizado por meio das estações meteorológicas in loco, porém, para grandes áreas, como os limites de uma bacia hidrográfica, a estimativa de dados regionalizados é dificultada em razão dos altos custos de instalação e manutenção. Por meio do sensoriamento remoto, processamento digital de imagens e os SIGs, tornou-se possível estimar os parâmetros biofísicos como os índices de vegetação, albedo de superfície, evapotranspiração dentre outros, de áreas em escala regional (Freitas, Boggione e Kampel 2015). 25 Nesse sentido, os estudos dos índices biofísicos permitem análises de todo o ecossistema, produzindo dados de quantidade e qualidade da cobertura vegetal, facilitando a gestão e o entendimento dos processos hidrometeorológicos na bacia hidrográfica, figurando como uma excelente ferramenta para a gestão e tomada de decisão (Alves e Biudes 2012). 3.5.1 Índice de Vegetação por Diferença Normalizada (NDVI) Proposto por Rouse et al. (1973), o Índice de Vegetação por Diferença Normalizada (NDVI - Normalized Difference Vegetation Index), nasceu da interação algébrica das bandas espectrais do vermelho e do infravermelho próximo por meio da equação de normalização de valores. Com o NDVI, é possível identificar situação da cobertura vegetal levando em consideração a atividade fotossintética ou vigorosidade das folhas, uma vez que a clorofila absorve a radiação eletromagnética na região do vermelho e o infravermelho próximo é dissipado nas estruturas celulares das folhas, torna-se possível tal inferência (Martinuzzi, 2008). O NDVI consiste em uma ferramenta que permite o monitoramento da vegetação podendo ser utilizado para detectar diferentes fases fenologicas, crescimento, mudanças fisiológicas das folhas e períodos de senescência em escala regional, continental e global (PONZONI e SHIMABUKURO 2007). Para a interpretação dos dados oriundos do NDVI, tem-se que seus valores variam em uma escala de -1 a 1, onde os valores de -1,00 a 0,00 correspondem a vegetação morta e/ou alvos não vegetais tais com corpos d’água e nuvens, valores > 0,00 a 0,33 corresponde a vegetação com estresse hídrico, valores de > 0,33 a 0,66 refere-se a vegetação moderadamente sadia, e de 0,66 a 1,00 vegetação sadia e com alta produtividade fotossintética (Mkhabela et al., 2011; Rafique et al., 2016; Lopes et al., 2020). 3.5.2 Índice de Água por Diferença Normalizada (NDWI) Idealizado por Gao (1996), o Índice de Água por Diferença Normalizada (NDWI - Normalized Difference Water Index), utiliza as bandas do infravermelho próximo e infravermelho médio (0,86 μm e 1,24 μm) para mensurar a quantidade de água presente da estrutura fisiológica vegetal, facilitando inferências sobre a situação hídrica nos vegetais. Assim com o índice biofísico falado no tópico anterior, o NDWI também é adimensional e varia de -1 a 1, sendo que os valores de -1,00 a -0,56 correspondem a ausência de vegetação, os 26 valores > -0,56 a 0,00 refere-se à vegetação seca, e valores > 0,00 a 1,00 correspondem a vegetação verde (Gao, 1996; Oliveira et al., 2010; Lopes et al., 2020; Sun et al., 2013). 3.5.3 Índice de Vegetação Ajustado ao Solo (SAVI) Desenvolvido por Huete (1988), o Índice de Vegetação Ajustado ao Solo (SAVI - Soil Adjusted Vegetation Index), surgiu da necessidade de se diminuir a sensibilidade das propriedades ópticas do solo no NDVI, quando a área estudada não apresentava cobertura vegetal completa. Nesse sentido, para eliminar o efeito de fundo do solo, foi usado um fator “L” de ajuste do solo com base em um ponto convergente, para considerar as variações de cobertura do fundo solo (Gilabert et al., 2002; Ren et al., 2018). Dentre as principais características do fator “L” propostos por Huete (1988), observa-se que seus valores variam em relação a densidade da vegetação e a possibilidade de reflectância do solo, sendo utilizado 0,25 quando a vegetação apresentar alta densidade, 0,5 média densidade e 1,0 para baixas densidades. Os valores do SAVI variam de maneira semelhante com ao NDVI, ou seja, os valores próximos de zero indicam o solo sem cobertura vegetal, os valores negativos representam áreas úmidas ou corpos hídricos e, os valores positivos indicam a vegetação (ANDRADE et al., 2013). 3.5.4 Índice de Área Foliar (IAF/LAI) Proposto inicialmente por Watson (1947), o Índice de Área Foliar (IAF/LAI - Leaf Area Index) pode ser definido como a razão entre a projeção da área foliar que realiza fotossíntese e a área do solo que apresenta cobertura vegetal. Esse índice é um parâmetro adimensional de grande relevância para se estudar as tendências biológicas e fisiológicas da vegetação, permitindo ainda observar o regime de crescimento e vigorosidade da vegetação (Arslan et. al., 2021). O IAF é a fração de radiação fotossinteticamente ativa (0,4 a 0,7 μm) absorvida pela vegetação (fPAR) que caracteriza o funcionamento do dossel da vegetação e a capacidade de absorção de energia de um ecossistema (MYNENI et al., 2002; GAMEIRO et al., 2016). No sentido de análise dos resultados, altos valores de IAF indicam alto desenvolvimento da vegetação, alta quantidade de biomassa e consequentemente alta taxa de fotossíntese e 27 produtividade, em razão da boa absorção da fPAR (BOUMAN, 1992; Verma et al. 1993; Liu, 2006). 3.5.5 Albedo de Superfície Define-se como albedo de superfície a diferença da radiação eletromagnética (REM) incidente e a refletida pela superfície terrestre, possuindo influência direta nas características climáticas dos ecossistemas (Saher et al., 2021; Gueymard et al., 2019; Nicodemos et al., 1977). As atividades antrópicas, principalmente as voltadas para o uso e ocupação da terra, seja em meio rural ou urbano, influenciam diretamente no albedo de superfície. Solo exposto ou mesmo áreas urbanizadas possuem uma grande capacidade de absorção de radiação incidente, dessa forma apresentam um baixo albedo e influenciam de forma efetiva para o aumento da temperatura e a taxa de evaporação da água (Schwarz et al., 2012; Upreti et al., 2017). O manejo da vegetação e de áreas de agropecuária em uma BH, são de grande importância na regulação do albedo de superfície, pois apresentam uma capacidade natural regulatória no balanço de energia, sendo que mudanças no uso e ocupação do solo podem causar estresse hídrico e prolongar períodos de estiagem. (Evans et al., 2017; Pang et al., 2022). Um outro fator que influencia negativamente no albedo de superfície é o teor de água do solo, pois altos índices de umidade causam o escurecimento do solo, aumentando a sua capacidade de absorção da REM, elevando também a taxa de evapotranspiração (Gascoin et al., 2009). 3.5.6 Temperatura da Superfície Terrestre (TST) Sendo um dos parâmetros mais importantes nos processos físicos da superfície terrestre, a Temperatura da Superfície Terrestre (TST/LST – Land Surface Temperature), é um fenômeno que possui influência direta na interface superfície-atmosfera, e consequentemente, influenciando em diversas variáveis climáticas e ambientais dos ecossistemas (Sobrino et al., 2016; Zhang et al., 2019). Os efeitos do uso e ocupação do solo são preponderantes nas mudanças do balanço de energia (Dutta et al., 2022), a TST pode ser alterada severamente em função do tipo de cobertura que recebe a REM, com efeitos no fluxo de calor sensível e latente, alterando o percentual de evapotranspiração, assim como os índices de precipitação (Moon et al., 2020). 28 Nesse sentido, o acesso a informações de TST por meio de Sensoriamento Remoto (SR), possibilitou realizar análises ambientais efetivas nos ecossistemas, sobretudo, em razão da ampla cobertura de revisitas regulares dos sensores orbitais (Yang et al., 2020). Sendo, portanto, o SR por satélite amplamente empregado para estimar a TST (Zhang et al., 2019). 3.5.7 Evapotranspiração Real (ETa) Do ponto de vista biofísico, a Evapotranspiração (ET) pode ser definida como a soma das perdas hídricas por transpiração dos vegetais e a evaporação do solo (Stoy et al., 2019; Allen et al., 1998). De acordo com Tucci e Silveira (2020), os principais métodos para a determinação da evapotranspiração são: os diretos por meio de levantamento de campo através de estações meteorológicas; baseados na temperatura e radiação; métodos combinados e; os que utilizam o balanço hídrico. Sendo que alguns desses métodos apresentam relativa dificuldade para a obtenção de resultados, haja vista que o levantamento de dados em campo é uma atividade onerosa, porém estes, figuram como os dados mais confiáveis. Com os constantes avanços das geociências, métodos de determinação indireta utilizam combinações de dados orbitais oriundos de sensores ativos e passivos para a estimativa de dados de evapotranspiração, tarefa possível em razão de pesquisas na área e por conta dos constantes avanços em software, hardware, da melhoria nas resoluções espacial e temporal das imagens orbitais (Chen e Liu 2020). Há diversos métodos existentes para a determinação de evapotranspiração por meio de dados orbitais, porém, uma vez que os dados coletados diretamente possuem alto custos e correspondem a áreas relativamente pequenas, vislumbra-se a necessidade de metodologias que possam estimar os dados de ET com precisão e confiabilidade, proporcionando informações de grande áreas para o manejo dos ecossistemas, e assim servir de subsidio para a gestão de forma sustentável do meio ambiente (Allam, et al. 2021). 3.6 Programa Copernicus e principais Missões Sentinel Fundada em 1975, a Agência Espacial Européia (ESA – European Space Agency), já está a mais de 40 anos produzindo informações espaciais para a Europa e o mundo, por meio da cooperação de mais de 20 países, ela tem como objetivo principal a investigação científica do espaço sideral, com fins exclusivamente pacíficos (ESA, 2022). 29 A ESA possui diversos programas espaciais em operação, dentre eles o programa Copernicus que, para suprir as necessidades operacionais desse programa, foram desenvolvidas as missões Sentinel. Para o melhoramento das resoluções temporal, radiométrica e espacial, cada missão Sentinel foi baseada em uma constelação de dois satélites, todas carregando em suas plataformas uma gama de equipamentos tecnológicos como os instrumentos de imagens multiespectrais para monitoramento terrestre, oceânico e atmosférico e também instrumentos de radar, que realiza o sensoriamento durante o dia, noite e me condições atmosféricas adversas (Rodríguez-Benito, Navarro e Caballero, 2020; Fernández et al., 2022). As seis diferentes missões Sentinel: Sentinel 1, Sentinel 2. Sentinel 3, Sentinel 4, Sentinel 5 e Sentinel 6, carregam o que há de mais tecnológico quando o assunto é exploração espacial, eles marcaram uma nova era na observação da Terra, pois fornecem dados em quantidade e qualidade adequadas que poderão ser utilizados por várias décadas (ESA, 2022). Neste pesquisa, utilizou-se basicamente os dados orbitais das missões Sentinel 1, 2 e 3, nesse sentido, detalha-se a seguir algumas características técnicas dessas missões, principalmente no que tange informações como tipo de energia utilizada no processo de imageamento, tempo de revisita (resolução temporal), tamanho do pixel das imagens (resolução espacial), resolução radiométrica (quantidade de bits), resolução espectral (faixa do espectro que o sensor consegue imagear) e alguns equipamentos embarcados nas plataformas. Dentre as seis missões Sentinel, algumas com lançamento previsto e a maioria já em órbita, quatro missões são compostas por sensores passivos que imageiam utilizando a radiação eletromagnética proveniente do Sol e duas missões são compostas por instrumentos de radar, que utilizam uma fonte de energia própria para imagear os alvos. Os primeiros satélites das missões Sentinel, o Sentinel-1A, foi colocada em órbita no dia 03 de abril de 2014, cerca de dois anos depois, no dia 25 de abril de 2016, o Sentinel-2B foi lançado (Fernández et al., 2022). Os dois satélites foram lançados da base europeia na Guiana Francesa por meio de foguetes Soyuz (ESA, 2022). Com o objetivo de reduzir o tempo de revisita dos sensores, os dois satélites da missão Sentinel-1, (A e B) foram projetados de forma idêntica, nesse sentido, ambos são radar de abertura sintética (SAR - Synthetic Aperture Radar) de banda C, o imageamento gera produtos em 2 níveis, sendo que no nível 1 apresentam dois topos - complexo de visual único (SLC- Single Look Complex) e detectado ao nível do solo (GRD - Ground Range Detected), já o nível 2 se referem a ferramentas específicas para estudos oceânicos (ESA, 2020). A missão Sentinel-1 realiza a aquisição de dados de quatro maneiras – em mapa de tiras (SM- Stripmap), faixa ampla interferométrica (IW- Interferometric Wide Swath), faixa extra- 30 larga (EW- Extra-Wide Swath) e em Ondas (WV- Wave), sendo que SM, IW e EW estão disponíveis em polarização simples (HH ou VV) ou dupla (HH+HV ou VV+VH), já a WV propicia apenas polarização única (HH ou VV) é usado principalmente para monitoramento costeiro de área ampla, incluindo tráfego de navios, derramamento de óleo e monitoramento de gelo marinho (Fletcher, 2012). Com a combinação dos dois satélites (Sentinel-1A e B), possuem resolução temporal de 6 dias, e resolução espacial com 10 metros pixels quadrados de 10 × 10 m (Putri, Widyatmanti e Umarhadi, 2022). Na missão Sentinel-2, também composta pelos satélites Sentinel-2A, lançado em 23 de junho de 2015 e Sentinel 2B em 7 de março de 2017, é uma missão de imagem multiespectral de alta resolução e ampla faixa, levando em sua plataforma o Instrumento Multiespectral (MSI) com 13 bandas espectrais, com resolução espacial de 10 m, 20 m e 60 m com tempo de revisita de cinco dias, considerando os dois satélites dessa família (Allam, 2021). A missão Sentinel-3, como as demais, composta pelos satélites Sentinel-3A, lançado em 16 de fevereiro de 2016 e Sentinel-3B em 25 de abril de 2018, é uma missão voltada para a medição da topografia do fundo do mar, e a temperatura da superfície do mar e da terra com alta tecnologia, para isso, leva um suas plataformas diversos instrumentos como o OLCI - Ocean and Land Color Instrument que é um espectrômetro de imagem com resolução espacial de 300 m e resolução radiométrica de 14 bits (ESA, 2022). Além do SLSTR - Sea and Land Surface Temperature Radiometer, que possui resolução espacial de 1 km, com resolução temporal inferior a 1 dia (Aguirre-García et al., 2021). 3.7 Estimativa de índices de vegetação por meio de dados SAR O mapeamento contínuo de índices de vegetação é de suma importância, pois servem de apoio a estudos sobre a mudanças climáticas, ciclo hidrológicos e biogeoquímicos, além de possibilitar o monitoramento da cobertura vegetal, detecção de mudanças na cobertura da terra, aprimoramento de técnicas de agricultura de precisão e consequentemente, aumento de produtividade agrícola, auxiliando na gestão dos recursos naturais e desenvolvimento sustentável (Huete et al., 2010; Orsini et al., 2020; Lopes et al., 2020). Os dados obtidos com uso de sensores ópticos são amplamente utilizados para o monitoramento de índices de vegetação, entretanto, os sensores passivos possuem limitações quanto a presença de nuvens, inviabilizando o monitoramento da vegetação ao longo do ano (Mandal et al., 2020). Por outro lado, as imagens obtidas por radar constituem uma excelente fonte de dados, pois esses sensores não sofrem interferência de nuvens, o que possibilita o 31 monitoramento continuado da vegetação na superfície da terra em condições atmosféricas adversas (Mandal et al., 2020; Meyer, 2019). A intensidade do sinal que é capturado pelos radares é utilizada para calcular o coeficiente de retroespalhamento (σ0), que descreve as propriedades de espalhamento do terreno na direção da fonte de iluminação (Meyer, 2019). O retroespalhamento é governado pela superfície geométrica (rugosidade, cobertura vegetal), dielétrica (umidade do solo, conteúdo de água da vegetação), e demais propriedades relativas ao comprimento de onda, polarização e ângulo de incidência do pulso de radar (Vreugdenhil et al., 2018; Meyer, 2019; Nasirzadehdizaji et al., 2019). Dessa forma, os dados obtidos por radares são sensíveis aos estágios de crescimento e altura das plantas, constituindo uma fonte de dados com potencial para ser utilizados no monitoramento da biomassa acima do solo (Periasamy, 2018; Bai et al, 2020). Recentemente, diversos estudos investigaram a relação entre as métricas de vegetação e umidade do solo com dados de retroespalhamento e demais variáveis secundárias obtidas a partir de dados de sensores ópticos na região espectral de micro-ondas. Os resultados indicam que a polarização cruzada Horizontal-Horizontal (HH) e Vertical-Vertical (VV) pode contribuir de forma significativa para a determinação desses atributos (Shen et al., 2015). Além do mais, resultados promissores foram observados recentemente por Chang et al. (2018); Filgueiras et al. (2019); Mandal et al. (2019) utilizando dados SAR do Sentinel-1 para a determinação de índices de vegetação. 32 4 MATERIAL E MÉTODOS 4.1 Área de estudo O estudo foi realizado na Bacia Hidrográfica do Rio Sorocabuçu, localizada no município de Ibiúna-SP, situada na região centro oeste do Estado de São Paulo (Figura 1). Abacia hidrográfica possui aproximadamente 202 km², ocupando cerda de 22% da APA Itupararanga que abriga um importante remanescente da Mata Atlântica (São Paulo, 2010; Souza, 2021). A área de estudo está inserida no município de Ibiúna-SP, no qual sua economia está fundamentada na produção agrícola, onde também estão localizados importantes cursos d`água responsáveis pelo abastecimento de importantes mananciais fundamentais na regularização do regime hidráulico de represas de energia e no abastecimento público de água na região para cerca de 1 milhão de habitantes (SALLES et al., 2008). De acordo com o DAEE (2020), a área possui pluviosidade mensal média de 124 mm, sendo janeiro o mês mais chuvoso, com precipitação de 235 mm, e agosto, o mês mais seco, com precipitação de 47 mm. A classificação climática é do tipo Cwa, predominantemente subtropical, e temperatura média anual de 19,3 C°, com máximas variando entre 26°C a 27°C e mínimas de 13,5°C a 14,5 °C (Dubreuil et al., 2018; EMBRAPA, 2019; e CIIAGRO, 2019). Figura 1 - Localização da Área de Estudo. Fonte: Elaborado pelo autor. 33 A região de Ibiúna tem sua economia fundamentada na produção agrícola, além de estar localizado os afluentes que dão origem ao rio Sorocaba, os rios Una, Sorocabuçu e Sorocamirim, formando o Reservatório de Itupararanga (SALLES et al., 2008). Segundo Rossi (2017), os tipos de solos predominantes na área de estudo são: os Latossolos Vermelho-Amarelo (LVA), presentes em 89% da área, com ocorrência comum em relevo ondulado e fortemente ondulado, são solos geralmente bem formados e profundos, em sua grande maioria; Gleissolos Melânico (GM), presente em 10% da área, solos comuns em relevos planos e são pouco profundos; e os Cambissolos Háplicos (CX), ocupam cerca de 1% da área, são encontrados em áreas com relevo ondulado e fortemente ondula e possuem textura argilosa. 4.2 Aquisição e processamento de dados Os dados da constelação Sentinel-2 foram obtidos na Agência Espacial Européia (European Space Agency - ESA), por meio do portal Scientific Data Hub – (HUB/ESA), que disponibiliza os dados das missões Sentinel de forma gratuita. Estes satélites possuem resolução radiométrica de 12 bits e o instrumento MSI que fornece produtos em 13 bandas do espectro eletromagnético do visível, infravermelho próximo e infravermelho de ondas curtas, com resolução espacial em 10 metros (B2, B3, B4, B8), seis bandas com 20 metros (B5, B6, B7, B8A, B11, B12) e três bandas com 60 metros (B1, B9, B10), conforme Figura 2 (FILGUEIRAS et al., 2019). Os dados radiométricos dos pixels das cenas são fornecidas em Top-Of-Atmosphere (TOA) e o Imageamento realizado no nível 1C gera produtos em ortoimagem, que é uma imagem obtida por meio de um sistema digital de elevação projetado, com o objetivo de corrigir distorções atmosféricas, foi realizado a transformação para Digital Numbers (DN) por meio do plugin Sen2Cor 2.8 do Sentinel Application Platform - SNAP 9.0.0, software livre da própria ESA, obtendo-se dessa forma a reflectância na superfície em Bottom-Of-Atmosphere (BOA), procedimento necessário para corrigir as interferências oriundas de efeitos atmosféricos (TAS e ESA, 2021). Em seguida, foi realizado o recorte das cenas para o limite da bacia hidrográfica utilizando a ferramenta nativa do QGIS 3.22.9 por meio do menu Raster>Extrair>Recortar Raster pela camada de máscara, logo depois fez-se a reprojeção para UTM utilizando-se o Datum SIRGAS 2000, fuso 23 S. 34 Figura 2 - Bandas espectrais do instrumento MSI e Resolução Espacial do Sentinel-2A. Fonte: Adaptado de TAS e ESA (2021). Foram utilizadas 10 cenas da constelação Sentinel-2 para a obtenção do NDVI, NDWI, SAVI, IAF e do uso e ocupação da terra para o ano de 2020, bem como 2 cenas do Sentine-1 para estimativa do NDVI e NDWI para os meses de junho e dezembro. As informações técnicas dessas cenas estão expressas na Tabela 1. Todo o processamento dos dados Sentinel foi realizado na Sentinel Application Platform - SNAP 9.0.0 (ESA, 2022). Tabela 1 - Informações das cenas utilizadas para processamento. Sensor Data Grade Sentinel Instrumento Nível Sentinel-2A 17/01/2020 23KKP MSI 1C Sentinel-2A 16/02/2020 23KKP MSI 1C Sentinel-2A 17/03/2020 22KHU MSI 1C Sentinel-2A 19/04/2020 23KKP MSI 1C Sentinel-2A 11/05/2020 22KHU MSI 1C Sentinel-1A 15/06/2020 22KHU MSI 1C Sentinel-2A 13/07/2020 22KGU MSI 1C Sentinel-2A 19/08/2020 22KGU MSI 1C Sentinel-2A 16/09/2020 22KGU MSI 1C Sentinel-2A 18/10/2020 22KGU MSI 1C Sentinel-2A 17/11/2020 22KGU MSI 1C Sentinel-1A 15/12/2020 22KGU MSI 1C Fonte: Elaborado pelo autor. Após o processamento das cenas e obtenção dos índices biofísicos, foi criado uma malha com pontos regulares espacializado de 30 em 30 metros por meio do QGIS em sua ferramenta 35 nativa: Vetor>Investigar>Pontos regulares, delimitados pelo perímetro da bacia hidrográfica do Rio Sorocabuçu, totalizando 225.182 (duzentos e vinte e cinco mil cento e oitenta e dois) pontos na área da BH. Por meio dessa malha foram extraídos pontos para cada mês do ano de 2020 para cada índice: NDVI, NDWI, SAVI, IAF, uso e cobertura da terra e ETa, utilizando-se o Plugin Point sampling tool disponibilizado por Jurgiel (2020), no banco de complementos do QGIS. Nesse sentido o total de amostras da pesquisa foi de 16.213.104 (dezesseis milhões duzentos e treze mil cento e quatro). A confecção e montagem das cartas e mapas utilizados na pesquisa foram produzidos no QGIS versão 3.22.9 - Białowieża (QGIS, 2022). 4.3 Mapeamento da cobertura e uso da terra Para o mapeamento da cobertura e uso da terra referente ao ano de 2020, foi utilizado uma cena da constelação Sentinel-2, de resolução espacial de 10m, com localização na grade Sentinel pelo código T22KGU, obtida no dia 26 de setembro de 2020, sendo avaliada em composição colorida e em falsa cor, com as bandas mescladas em: 4R-3G-2B e 8R-4G-3B, respectivamente. Todo o mapeamento foi baseado na classificação de cobertura e uso da terra disponibilizado pelo IGC para o ano de 2010, produzido a partir de cenas do sensor Vexcel com resolução espacial de 45 centímetros (IGC, 2010). Foi utilizado para a classificação do mapeamento da cobertura e uso da terra o Sistema Básico de Classificação da Cobertura e do Uso da Terra – SCUT, presente no Manual Técnicos de Uso da Terra do Instituto Brasileiro de Geografia e Estatística– IBGE em sua 3° Edição (IBGE, 2013). Após a classificação realizada através da cena do Sentinel-2, foram identificadas as seguintes classes de uso: áreas urbanizadas; área de mineração; culturas temporárias; culturas permanentes; pastagens; silvicultura; área florestal; corpos d’água; área vegetacional perturbada e; área de várzea. Tendo em vista o nível de detalhamento das classes, considerou- se uma adaptação do nível 2 e suas subclasses do SCUT (IBGE, 2013), em seguida, foi realizada uma retificação das classes por meio do Google Earth Pro. Para a produção do mapa de cobertura e uso da terra utilizou-se o padrão de cores de classe de mapeamento em RGB proposto no SCUT conforme Tabela 2 (IBGE, 2013). Todo o processamento e elaboração do para foi realizada no QGIS versão 3.22.9. 36 Tabela 2 - Classes de uso da terra na área, suas características e o padrão de cor RGB. (continua) Classes Característica Padrão RGB Áreas urbanizadas Vilas, cidade, complexos industriais, Áreas urbano-industrial, arruamentos, rodovias dentre outras; R = 255 G = 168 B = 192 Área de mineração Extração a céu aberto de material metálico e não metálico de forma artesanal ou industrial; R = 173 G = 137 B = 205 Culturas temporárias Graníferas e cerealíferas, bulbos, raízes e tubérculos, hortícolas e floríferas, espécies temporárias produtoras de fibras, oleaginosas temporárias, frutíferas temporárias, cana-de- açúcar, fumo, cultivos temporários diversificados, outros cultivos temporários (abóbora, trevo, forrageiro etc.); R = 255 G =255 B =0 Culturas permanentes Frutíferas permanentes, frutos secos permanentes, Espécies permanentes produtoras de fibras, oleaginosas permanentes, cultivos permanentes diversificados, outros cultivos permanentes; R = 255 G = 214 B =0 Pastagens Pecuária de animais de grande porte, pecuária de animais de médio porte, pecuária de animais de pequeno porte; R = 205 G = 137 B =0 Silvicultura Área de Reflorestamento ou cultivos agroflorestais; R = 205 G = 173 B = 0 Área florestal Unidades de conservação de proteção integral em área florestal; Unidades de conservação de uso sustentável em área florestal; Terra indígena em área florestal; Outras áreas protegidas em área florestal; Área militar em área florestal; Extrativismo vegetal em área florestal; Extrativismo animal em área florestal; Uso não identificado em área florestal; R = 115 G = 168 B = 0 37 Tabela 2 - Classes de uso da terra na área, suas características e o padrão de cor RGB. (continuação) Corpos d’água Unidades de conservação de proteção integral em corpo d'água continental; Unidades de conservação de uso sustentável em corpo d’água continental; Terra indígena em corpo d’água continental; Áreas militares em corpo d’água continental; Outras áreas protegidas em corpo d’água continental; Captação para abastecimento em corpo d’água continental; Receptor de efluentes em corpo d’água continental; Geração de energia em corpo d’água continental; Transporte em corpo d’água continental; Lazer e desporto em corpo d’água continental; Pesca extrativa artesanal em corpo d’água continental; Aquicultura em corpo d’água continental; Uso não Identificado em corpo d’água continental; Uso diversificado em corpo d’água continental; R = 153 G = 194 B = 230 Área vegetacional perturbada Ambiente com a presença de vegetação herbácea arbustiva de tamanho variados, podendo ter a presença de cobertura arbustiva em variado estágio de sucessional, geralmente proveniente dos impactos causados por atividades humanas. R = 214 G = 255 B = 168 Área de várzea Área que apresenta lençol freático a florando na superfície do solo ou com presença de vegetação arbustiva que permanece inundados boa parte do ano. R = 178 G = 178 B = 178 Fonte: Adaptadas do SCUT/IBGE (2013). 4.4 Estimativa dos índices biofísicos 4.4.1 Índice de Vegetação Ajustado ao Solo - SAVI Para determinação do SAVI foi utilizado a Equação 1 proposto por Huete (1988). O referido índice atua no atentamento das propriedades ópticas do solo como ocorrem comumente no NDVI em áreas com ausência de vegetação, par isso utiliza-se valores constante no fator “L” para diminuir a sensibilidade causada pela superfície do solo. 38 𝑆𝐴𝑉𝐼 = (1 + 𝐿) ∗ (𝜌𝑁𝐼𝑅 − 𝜌𝑅𝐸𝐷) (𝜌𝑁𝐼𝑅 + 𝜌𝑅𝐸𝐷 + 𝐿) (1) Sendo SAVI o Índice de Vegetação Ajustado ao Solo; 𝜌𝑁𝐼𝑅 é a banda do infravermelho próximo; 𝜌𝑅𝐸𝐷 é banda do vermelhor e; L é o fator de ajuste para a cobertura da superfície do solo. Os valores comumente adotados para o fator “L”, encontram-se na Tabela 3, bem como a indicação do tipo de cobertura. Ressalta-se que no âmbito desse estudo, haja vista a dinâmica das classes de uso obtidas através do mapeamento de cobertura e uso da terra, adotou-se o valor de L como 0,5. Tabela 3 - Valores adotados para o fator “L”. Cobertura da superfície do solo Valor do fator “L” Vegetação densa 0,25 Vegetação com densidade intermediária 0,5 Vegetação com baixa densidade 1,0 Fonte: Adaptado de Huete (1988). 4.4.2 Índice de Área Foliar - IAF O índice de área foliar (IAF) é a fração de radiação fotossinteticamente ativa (0,4 a 0,7 μm) absorvida pela vegetação (fPAR) que caracterizam o funcionamento do dossel da vegetação e a capacidade de absorção de energia (MYNENI et al., 2002). O IAF foi estimado conforme Allen et al. (2002) citado por GAMEIRO et al., 2016, conforme Equação 2. 𝐼𝐴𝐹 = − ln⁡( 0,69 − 𝑆𝐴𝑉𝐼) 0,59 ) 0,91 (2) Sendo: IAF é o Índice de Área Foliar e, SAVI é o Índice de Vegetação Ajustado ao Solo. 39 4.4.3 NDVI E NDWI Para obtenção do NDVI e NDWI foram utilizados os dados do sensor Sentinel-2A, obtidos no portal Scientific Data Hub da Agência Espacial Européia (ESA). Essa constelação possui dois sensores e foi lançada em março de 2017, possuem ciclos de 10 dias e resolução espacial de 10 metros para as bandas B2, B3, B4 e B8, e sua resolução radiométrica é de 12 bits (FILGUEIRAS et al., 2019). Foram utilizadas 12 cenas do satélite Sentinel-2A localizadas na grade do sensor para o Brasil na referência 22KHU, sendo uma para cada mês do ano de 2020 perfazendo-se um ciclo hidrológico completo, com variação entre os dias em razão da cobertura de nuvens, de acordo com as seguintes datas: 27/01/2020, 16/02/2020, 17/03/2020, 29/04/2020, 31/05/2020, 08/06/2020, 13/07/2020, 19/08/2020, 26/09/2020, 28/10/2020, 07/11/2020 e 20/12/2020. As cenas foram processadas no software SNAP (versão 8.0.0) seguindo a metodologia descrita por Braun (2020), onde realizou-se correção das imagens do topo da atmosfera (Top Of Atmosphere – TOA), para a base da atmosfera (Bottom Of Atmosphere – BOA). Para a obtenção do Índice de Vegetação por Diferença Normalizada – NDVI (Equação 3) de acordo com o método proposto por Rouse et al. (1973). 𝑁𝐷𝑉𝐼 = 𝜌𝑁𝐼𝑅 − ⁡𝜌𝑅𝑒𝑑 𝜌𝑁𝐼𝑅 + ⁡𝜌𝑅𝑒𝑑 ⁡⁡⁡⁡ (3) Sendo 𝜌𝑁𝐼𝑅⁡ a reflectância da banda do infravermelho próximo e 𝜌𝑅𝑒𝑑 refletância da banda do vermelho do espectro visível, correspondendo as bandas 8 e 4 do Senstinel-2, respectivamente. O NDVI é um índice biofísico que apresenta grande sensibilidade para expressar os níveis de atividade fotossintética da vegetação, seus valores variam entre -1 e +1, par fins de análise deste estudo utilizou-se a classificação proposta por Melo et al. (2019) para esse índice, conforme mostra a Tabela 4. Tabela 4 - Valores de referência para classificação o NDVI. (continua) INTERVALOS CLASSES CARACTERÍSTICAS -1,00 -| -0,00 1 Correspondem a vegetação morta e/ou alvos não vegetais tais com corpos d’água e nuvens. 40 Fonte: Adaptado de Melo et al. (2019), Mkhabela et al. (2011), Rafique et al. (2016), e Lopes et al. (2020). Após a obtenção do NDVI foram determinadas 4 (quatro) classes com base na literatura e nos valores máximos e mínimos obtidos na pesquisa, tendo uma melhor visualização do índice biofísico no período estudado, assim com a padronização das cores (RGB) das referidas classes, a fim de facilitar a comparação dos resultados entre os meses (Tabela 5). O processo de classificação e elaboração cartográfica foi realizada com uso do software QGIS versão 3.22.9 - Białowieża (QGIS, 2022). Tabela 5 - Padronização das classes e paleta de cores. Fonte: Elaborado pelo autor. Para a obtenção do Índice de Água por Diferença Normalizada – NDWI, foi utilizado a Equação 4, conforme proposto por Gao (1996). 𝑁𝐷𝑊𝐼 = ρGreen − 𝜌𝑁𝐼𝑅 𝜌𝐺𝑟𝑒𝑒𝑛 + 𝜌𝑁𝐼𝑅 (4) Onde ρNIR corresponde à refletância da banda do infravermelho próximo (banda 8 do Sentinel-2 e ρGreen a refletância da banda verde (banda 3 do Sentinel-2). O NDWI é amplamente utilizado para mensurar a quantidade de água presente da estrutura fisiológica Tabela 4 - Valores de referência para classificação o NDVI. (continuação) 0,00 -| 0,33 2 Áreas com vegetação rala, a exemplo da vegetação rasteira e de pastagens, formadas por vegetação com estresse hídrico. 0,33 -| 0,66 3 Áreas com vegetação esparsa, sendo exemplos as áreas de regeneração ou sucessão secundárias, moderadamente sadia. 0,66 -| 1,00 4 Áreas de vegetação mais dens, sadia e com alta produtividade fotossintética. CLASSES INTERVALOS PADRÃO DE COR (RGB) 1 -0,40 -| 0,30 (255, 67, 61) 2 0,30 -| 0,33 (252, 255, 157) 3 0,33 -| 0,66 (61, 167, 90) 4 0,66 -| 0,90 (0, 98, 38) 41 vegetal, figurando como uma excelente ferramenta para determinar as necessidades hídricas nos vegetais, é também um índice adimensional e varia de -1 a 1 par fins de análise deste estudo utilizou-se classificações adaptadas de Gao (1996); Oliveira et al., (2010); Lopes et al., (2020); Sun et al., (2013); e Melo et al., (2019), conforme mostra a Tabela 6. Tabela 6 - Valores de referência para classificação do NDWI. Fonte: Adaptado de Gao (1996), Oliveira et al. (2010), Lopes et al. (2020), Sun et al. (2013), e Melo et al. (2019). Por fim, após a obtenção do NDWI foram determinas 8 (oito) classes com base na literatura e nos valores máximos e mínimos obtidos na pesquisa, bem com a padronização das cores (RGB) das referidas classes, facilitando a comparação dos resultados entre os meses (Tabela 7). O processo de classificação e elaboração cartográfica foi realizada com uso do software QGIS versão 3.22.9 - Białowieża (QGIS, 2022). Tabela 7 - Padronização das classes e paleta de cores. Fonte: Elaborado pelo autor. INTERVALOS CLASSES CARACTERÍSTICAS -1,00 -| -0,56 1 Correspondem a ausência de vegetação ou vegetação morta. -0,56 -| 0,00 2 Áreas com vegetação seca. 0,00 -| 0,50 3 Correspondem a vegetação verde com boa quantitate de água em sua estrutura vegetal. 0,50 -| 1,00 4 Correspondem a vegetação verde com excelente quantitate de água em sua estrutura vegetal. CLASSES INTERVALOS PADRÃO DE COR (RGB) 1 -0,40 -| -0,22 (122, 4, 3) 2 -0,22 -| -0,05 (217, 56, 7) 3 -0,05 -| 0,13 (254, 153, 44) 4 0,13 -| 0,30 (211, 232, 53) 5 0,30 -| 0,48 (100, 253, 106) 6 0,48 -| 0,65 (27, 208, 213) 7 0,65 -| 0,83 (71, 119, 240) 8 0,83 -| 1,00 (54, 66, 226) 42 4.4.4 Estimativa da ETa Para a estimativa da Evapotranspiração Real (ETa) foi utilizado o modelo SAFER - Simple Algorithm for Evapotranspiration Retrieving (Algoritmo Simples para Recuperação da Evapotranspiração), proposto por Texeira (2010). O modelo SAFER é uma adaptação da equação de Penman-Monteith para determinar a ETa de forma rápida e em larga escala, utilizando dados de albedo de superfície, NDVI e temperatura de superfície, obtidos sequencialmente a partir das equações que relacionaram dados dos sensores Sentinel-2 e dados meteorológicos. O algoritmo SAFER não utiliza dados de pixels âncoras (quentes e frio) como nos modelos SEBAL (BASTIAANSSEN et al., 1998) e METRIC, que utiliza dados orbitais de sensores que possuem bandas termais, determina a temperatura de superfície por meio dos dados radiométricos (imagens multiespectrais) e dados agrometeorológicos (Texeira et al., 2017). Para a aplicação do algoritmo SAFER foi utilizado o pacote “Agriwater” através do Software “R”, desenvolvido por Ferreira Silva et al., (2019), utilizando-se como dados de entrada uma máscara no formato shapefile recobrindo a área de interesse, conjuntos de dados de evapotranspiração de referência (ET0), radiação global (RG), temperatura média do ar (TA), e a refletâncias do satélite Sentinel-2. As equações utilizadas na execução do algoritmo SAFER no R, para estimar a ETa, são baseadas na modelagem da razão 𝐸𝑇𝑎 𝐸𝑇0 , sendo que tal proporção foi calculada de acordo com as equações descritas abaixo (Equação 5) (Ferreira Silva et al., 2019; Texeira, 2010). (5) Onde 𝐸𝑇𝑎 é a evapotranspiração real, 𝐸𝑇0 é a evapotranspiração de referência, 𝛼0 é o albedo da superfície, 𝑇0 é a temperatura da superfície e 𝑁𝐷𝑉𝐼 é o índice de vegetação por diferença normalizado, calculado pela razão da diferença entre as refletividades planetárias do infravermelho próximo (ρnir) e vermelho (ρred) e sua soma. A temperatura de superfície 𝑇0 foi obtida através da Equação de Stefan-Boltzmann, por meio da Equação 6: (6) 43 Onde, ϵ𝐴 e ϵ𝑆 são as emissividades atmosféricas e de superfície, σ é a constante de Stefan-Boltzmann, TA é a temperatura média do ar, τ𝑊 é a transmissividade atmosférica de ondas curtas e 𝑎𝐿 é o coeficiente de regressão. A evapotranspiração real ETa (mm dia−1) foi obtida de acordo com a Equação 7: (7) Para o cálculo do balanço de radiação, utilizou-se a Equação 8: (8) Onde 𝑅𝑁 é a radiação líquida, 𝐺 é o fluxo de calor no solo, 𝐿𝐸 é o fluxo de calor latente e 𝐻 o fluxo de calor sensível. A radiação líquida 𝑅𝑁 (W m−2 sr−1 μ m−1) foi obtida pela equação de Slob de acordo com a Equação 9: (9) O fluxo de calor latente 𝐿𝐸 (MJ dia−1) foi obtido por meio da Equação 10: (10) O fluxo de calor no solo 𝐺(MJ dia−1) foi estimado através de sua relação com a radiação líquida por meio da Equação 11: (11) O fluxo de calor sensível 𝐻(MJ dia−1) foi obtido como resíduo do balanço de energia utilizando-se da Equação 12: (12) Para a aplicação do pacote Agriwater no “R” foi criado uma máscara no formato shapefile que recobriu toda a área a bacia hidrográfica do Rio Sorocabuçu, o polígono retangular utilizado com as seguintes coordenadas UTM nos vértices: Zona 23, N 7.399.714 m, E 260.921 m; N 7.400.435 m, E 294.388 m; N 7.344.753 m, E 262.075 m; N 7.345.186 m, E 295.398. Os dados meteorológicos de evapotranspiração de referência (ET0), radiação global (RG) e temperatura média do ar (TA) foram obtidas por meio site Copernicus Climate Data Store – CDS, oriundo do sistema ERA5-Land, que fornece gratuitamente dados climáticos desde 1950 até o presente momento. O ERA5-Land possui uma cobertura global, com resolução temporal de 1 a 1 hora, resolução espacial nativa de 0,1° x 0,1° (9 km), e com 4 níveis de coleta em superfície, na camada 1: 0 - 7 cm, camada 2: 7 -28 cm, camada 3: 28-100 cm, camada 4: 100-289 com demais parâmetros definidos a 2 m sobre a superfície (CDS, 2019). 44 Para a aquisição dos dados meteorológicos sobre a área de estudo foi criado uma grade de pontos regulares no formato shape file abrangida pelos limites do polígono regular acima citado, em que foram igualmente espacializado a cada 1,5 km, perfazendo-se um total de 911 pontos amostrais sobre a região da bacia hidrográfica do Rio Sorocabuçu. Os dados de refletâncias do satélite Sentinel-2, foram obtidos por meio dos dados descritos na Tabela da sessão 5.2. O pacote Agriwater foi executado por meio de Software “R” por meio da interface RStudio, após o processamento e estimativa da ETa os resultados foram reclassificados em 8 classes para melhor análise e visualização dos mapas, bem como padronizados em cores RGB conforme mostra a Tabela 8. O processo de reclassificação e elaboração temática dos mapas foram realizadas por meio do software livre QGIS versão 3.22.9 - Białowieża (QGIS, 2022). Tabela 8. Padronização das classes e paleta de cores utilizadas nos mapas de ETa. Fonte: Elaborado pelo autor. A Figura 3 resume a aplicação do algoritmo SAFER e o método de Monteith por meio do pacote Agriwater, que utiliza dados de reflectâncias das cenas dos sensores Sentinel-2 juntamente com dados meteorológicos (RG, ET0 e TA), nesse estudo adquirido por meio de ERA5-Land, mostrando de forma resumida os passos e entrada de dados necessários para subsidiar ao algoritmo os dados necessários para a aplicação da metodologia. Obtendo-se como produto a modelagem em macro escala do balanço de radiação (RN), fração evapotranspirativa e estimativa da ETa (FERREIRA SILVA et al., 2019). CLASSES INTERVALOS PADRÃO DE COR (RGB) 1 0,00 -| 1,25 (208, 47, 5) 2 1,25 -| 2,50 (255, 125, 113) 3 2,50 -| 3,75 (212, 223, 59) 4 3,75 -| 5,00 (83, 245, 125) 5 5,00 -| 6,25 (41, 184, 235) 6 6,25 -| 7,50 (64, 97, 224) 7 7,50 -| 8,75 (37, 53, 213) 8 8,75 -| 10,0 (10, 10, 202) 45 Figura 3 - Fluxograma de descrição da metodologia aplicada. Fonte: Adaptado de Ferreira Silva et al. (2019) e Magnoni (2021). 4.4.4.1 Estimativa da contribuição hídrica por classe de uso e ocupação da terra Após a estimativa da ETa, foi realizado o cálculo para a estimativa de contribuição hídrica para a atmosfera por cada classe de uso e ocupação da terra na BH do Rio Sorocabuçu. Foram utilizados os 12 (doze) produtos das imagens Raster de ETa geradas por meio do pacote Agriwater e, posteriormente, por meio da ferramenta Estatísticas Zonais do GRASS no QGIS, realizou-se o somatório dos valores de todos os pixels de cada imagem e para cada classe de uso e ocupação da terra, gerando uma estimativa total de água transferido para a atmosfera no ano de 2020, por meio da evapotranspiração na BH do rio Sorocabuçu. 4.5 Análise estatística dos dados O método de análise multivariada propicia a redução de dados ou simplificação estrutural, ordenação e agrupamento, dependência entre variáveis, predição e teste de hipóteses (JOHNSON e WICHERN 2007). Para estudar a relação entre as variáveis NDVI, NDWI, SAVI, IAF e uso da terra com a ETa foi utilizado uma análise multivariada (JEREZ, ALVES e TACHIBANA 2019). A 46 Equação 13 traz o modelo usado para a análise da regressão múltipla entre os parâmetros estudados. 𝐸𝑇𝑎 = {(𝑎1 + 𝑏1 ∗ 𝑁𝐷𝑉𝐼) + (𝑎2 + 𝑏2 ∗ 𝑁𝐷𝑊𝐼) + (𝑎3 + 𝑏3 ∗ 𝑆𝐴𝑉𝐼) + (𝑎4 + 𝑏4 ∗ 𝐼𝐴𝐹) + (𝑎5 + 𝑏5 ∗ 𝑈𝑠𝑜)} (13) Em que, ETa é a evapotranspiração real (mm.d-1);⁡𝑎 e 𝑏 são os coeficientes a serem estimados pelo método dos mínimos quadrados (coeficiente linear e angular, respectivamente), NDVI, NDWI SAVI e IAF são os índices de vegetação e o Uso são as classes de manejos de uso da terra presentes na bacia hidrográfica do rio Sorocabuçu. Na análise de regressão linear com múltiplas variáveis, verifica-se a relação entre as variáveis, sendo uma delas considerada dependente e as outras independentes, onde o objetivo é expressar uma variável dependente em termos das variáveis independentes, por meio de um modelo matemático. Essa análise é utilizada para estudar conjuntos de variáveis que se supõem ter uma relação de causa e efeito, permitindo a identificação do grau de influência das variáveis independente sobre a variável dependente (Yamamoto, 2020). A análise estatística foi realizada por meio do software livre R versão 4.1.1 (R Core Team, 2021) e o software RStudio (RStudio Team, 2022) para as análises estatística dos dados e produção dos gráficos, onde analisou-se o nível de influência dos índices biofísicos e os usos da terra (variáveis independentes) na ETa (variável dependente) por meio do coeficiente de determinação (R²). Além da utilização dos pacotes: “readxl” (Wickham e Bryan, 2019), para a leitura dos dados planilhados no formato .xlsx; e “ggplot2” (Wickham,2016), utilizado para a produção dos gráficos de interação da matriz de correlação. Para a extração dos dados contidos nos pixels foram utilizados os softwares SIG’s ArcGis 10.6 e QGIS versão 3.22.9 - Białowieża (QGIS, 2022). 4.6 Metodologia para a estimativa do NDVI e NDWI por meio de dados SAR Para fins de proposição e teste de uma metodologia visando a estimativa do NDWI e NDVI por meio de dados SAR, foi utilizado uma área de estudo corresponde a uma bacia hidrográfica localizado na região sudoeste do Estado de São Paulo (Figura 4). 47 Figura 4 - Localização da sub-bacia hidrográfica no município de Paranapanema-SP. Fonte: Elaborado pelo autor. A área está localizada entre as coordenadas UTM 7388800 a 7395200 m E, e 734000 a 742000 m S. Abrangendo uma área aproximada de 19,4 km², com clima regional do tipo Cfa - Clima subtropical - quente de inverno seco, com temperaturas médias anuais de 21,0 °C, e precipitação média anual de 1.407 mm (CEPAGRI, 2020). Os solos predominantes são os Latossolos Distroférricos, sobre o qual desenvolvem, predominantemente atividades agrícolas intensiva providos de pivôs centrais para irrigação (Ranzini et al., 2014). Quanto a vegetação original da região, predominaram as Florestas estacional semidecidual, bem como vegetação de Cerrado e vegetação de várzea herbácea ao longo dos canais de drenagem (Cielo-Filho et al., 2009). 48 4.6.1 Aquisição e processamento de dados Foram utilizados dados dos sensores Sentinel-1 e Sentinel-2 disponibilizados de forma gratuita pela Agência Espacial Européia (ESA), obtidos no portal Scientific Data Hub. As missões são compostas por uma constelação de dois sensores cada, sendo que o Sentinel-1A foi lançado pela ESA em abril de 2014, e o Sentinel-1B lançado em abril de 2016, cada sensor possui um ciclo de 12 dias, que quando combinada, possibilita uma revisada de 6 dias. Já o sensor Sentinel-2A foi lançado em junho 2015, e o Sentinel-2B foi lançado em março de 2017, possuem ciclos de 10 dias, quando combinado, possibilita uma revisada de 5 dias (ESA, 2020). Ambos os satélites Sentinel-1 são equipados com um sensor do tipo Radar de Abertura Sintética (Synthetic Aperture Radar – SAR) que operam na banda C da faixa espectral de micro- ondas (frequência de 5,405 GHz), com suporte para obtenção de dados em polarização única (Vertical transmitida e Vertical recebida - VV, Horizontal transmitida e Horizontal recebida- HH) e polarização dupla (VV + VH ou HH + HV). Nesse estudo, foram obtidos dados no modo IW (Interferometric Wide Swath Mode) com polarização dupla (VV e VH), derivados do produto Nível 1 na forma GRD (Ground Range Detected), com resolução espacial de 5x20 metros (NAVARRO et al., 2016; ESA; 2020). Os sensores da constelação Sentinel-2 são equipados por um Instrumento Multiespectral (MultiSpectral Instrument - MSI) que realiza a captura de dados em 13 bandas espectrais no intervalo do visível, infravermelho próximo (Visible and Near-Infra-Red - VNIR) e infravermelho de ondas curtas (Short Wave Infra-Red -SWIR), sendo que quatro bandas apresentam resolução espacial em 10 metros (B2, B3, B4 e B8), seis bandas com 20 metros (B5, B6, B7, B8A, B11 e B12) e três bandas com 60 metros (B1, B9 e B10), com resolução radiométrica de 12 bits (Filgueiras et al., 2019). Para desenvolvimento deste estudo, buscou-se cenas imageadas em datas mais próximas possíveis e levando em consideração a ausência de nuvens na área de estudo para dados da constelação Sentinel-2. Nesse caso, obtiveram-se as combinações para os dias 14/02/2019, 12/10/2019 e 27/05/2020 para o Sentinel-1, e 09/02/2019, 12/10/2019 e 29/05/2020 e para o Sentinel-2. O processamento de dados foi realizado no software SNAP (versão 8.0.0) seguindo a metodologia descrita por Braun (2020). Os dados do Sentinel-1 foram submetidos a uma calibração radiométrica, onde os valores das imagens são diretamente relacionados ao retroespalhamento da superfície (KAPLAN & AVDAN, 2018). Em seguida, foi aplicado o Speckle Filtering levando em conta o método de Lee et al. (2009) para remoção de ruído 49 pontilhado, procedimento necessário para não causar interferência na compreensão das respostas de retroespalhamento das feições da superfície (FILGUEIRAS et al., 2019). Posteriormente, os dados foram convertidos em escala de decibéis (dB), e, por fim, foi realizada a correção de efeitos geométricos dos dados de SAR do Sentinel-1 por meio do Range Doppler Terrain Correction, levando em consideração o modelo digital de elevação de 30 m. Em seguida, foram obtidas diversas variáveis secundárias encontradas na literatura (VAR1, VAR2, VAR3, VAR6, VAR7, VAR8, VAR9 e VAR10) bem como propostas neste estudo (VAR4 e VAR5), conforme apresentado na Tabela 9. Tabela 9 - Polarizações VV, VH e variáveis secundárias utilizadas para implementação nos modelos de regressão. Variáveis Descrição Autor VV Polarização Vertical-Vertical - VH Polarização Vertical-Horizontal - VAR1 VH + VV Han et al. (2019) VAR2 VH - VV Han et al. (2019) VAR3 VH / VV Vavlas et al. (2020) VAR4 VH*VV Proposta VAR5 VH*VV / VH + VV Proposta VAR6 (VH² - VV²) / (VH² + VV²) Han et al. (2019) VAR7 Radar Vegetation Index Adapted (RVI) Holtgrave et al. (2020) VAR8 Razão Normalizada entre as polarizações (NRPB) Filgueiras et al. (2019) VAR9 Dual Polarization SAR Vegetation Index (DPSVI) Periasamy (2018) VAR10 Radar Vegetation Index for Sentinel-1 SAR (RVI4S1) Mandal et al. (2020) Fonte: Elaborado pelo autor. Para os dados do Sentinel-2, foi realizada correção atmosférica e, em seguida, obteve- se o Índice de Vegetação com diferença Normalizada – NDVI, apresentado na Equação 14, e o Índice de Água com Diferença Normalizada-NDWI, ilustrado na Equação 15, conforme metodologia descrita por Rouse et al. (1973) e Gao (1996), respectivamente. 𝑁𝐷𝑉𝐼 = 𝜌𝑁𝐼𝑅 − ⁡𝜌𝑅𝑒𝑑 𝜌𝑁𝐼𝑅 + ⁡𝜌𝑅𝑒𝑑 (14) 𝑁𝐷𝑊𝐼 = ρGreen − 𝜌𝑁𝐼𝑅 𝜌𝐺𝑟𝑒𝑒𝑛 + 𝜌𝑁𝐼𝑅 (15) 50 Onde 𝜌𝑁𝐼𝑅 corresponde à refletância da banda do infravermelho próximo (banda 8 do Sentinel-2); 𝜌𝑅𝑒𝑑 corresponde a refletância da banda do vermelho (banda 4 do Sentinel-2) e 𝜌𝐺𝑟𝑒𝑒𝑛 a refletância da banda verde (banda 3 do Sentinel-2). O NDVI e NDWI são índices adimensionais que variam de -1,00 a 1,00. Para o primeiro índice, os valores entre -1,00 a 0,00 correspondem a vegetação morta e/ou alvos não vegetais tais com corpos d’água e nuvens, valores > 0,00 a 0,33 corresponde a vegetação com baixa atividade fotossintética ou com estresse hídrico, valores de > 0,33 a 1,00 refere-se a vegetação com moderada a alta produtividade fotossintética (Mkhabela et al., 2011). Para o segundo índice, valores entre -1,00 a -0,056 refere-se áreas com ausência de vegetação, enquanto valores > -0,056 a 0,00 refere-se à vegetação seca, e valores > 0,00 a 1,00 correspondem a vegetação verde (Gao, 1996; Oliveira et al., 2010; Lopes et al., 2020). Os dados obtidos foram reamostrado para a resolução espacial de 10 metros pelo método bilinear, onde o cálculo do novo valor do pixel é realizado pelo peso dos quatro pixels circundantes (ESA, 2021). Posteriormente, convertidos do formato matricial para vetor tipo ponto afim de extrair as informações dos pixels para a implementação dos algoritmos de regressão. 4.6.2 Índices de vegetação por modelo preditivos Nesse estudo, foram aplicados quatro modelos preditivos de regressão para a determinação dos índices de vegetação a partir de dados de retroespalhamento do Sentinel-1 como variáveis independentes, e os índices NDVI e NDWI obtidos por meio do Sentinel-2 como variáveis dependentes. A modelagem de índices de vegetação a partir de dados de SAR do Sentinel-1 e dados ópticos do Sentinel-2, foi realizada pelos métodos de Regressão Linear (RL) por Mínimos Quadrados Parciais (Partial Least Squares - PLS), Máquina de Vetores de Suporte (Support Vector Machine - SVM), Floresta Aleatória (Random Forest - RF), e Redes Neurais Artificiais (Artificial Neural Networks - ANN). A RL é o método estatístico mais comum utilizado em ciências da terra. Para fins práticos, a função de regressão linear PLS pode ser aproximada utilizando uma função polinomial representada por um modelo composto por 𝑁 variáveis 𝑥 correlacionáveis com⁡𝑦 que pode ser expressa pela Equação 16. 𝑦 = ⁡𝑏0 +⁡𝑏1𝑥1 +⁡𝑏2𝑥2 +⁡𝑏𝑁𝑥𝑁 + 𝑒𝑦 (16) 51 Onde 𝑦 representa a variável dependente ou resposta, 𝑏𝑖⁡(0,1,2. . , 𝑁)⁡os coeficientes de regressão que descrevem o efeito de cada termo calculado, 𝑥 a variável independente ou explicativa, 𝑁 o número de observações e 𝑒𝑦 o ruído associado. O algoritmo SVM é baseado na teoria de aprendizagem estatística (Cortes e Vapnink, 1995). O método é implementado tanto para classificação quanto para regressão. Para solução de problemas que envolvam regressão, o método SVM constrói um hiperplano que se encontra para tantos pontos de dados quanto possível, de forma a obter um hiperplano ideal, ou seja um hiperplano de margem máxima. Com a construção do hiperplano ideal é possível prever novos dados (Karatzoglou et al., 2006). O algoritmo RF é um método de aprendizagem de máquina baseado em árvore de decisão que utiliza um treinamento supervisionado não paramétrico para a classificação e regressão (Breiman, 2001). As árvores de decisão são constituídas por ramos, nós e folhas, onde o nó raiz corresponde o input, os ramos representam parte da árvore responsável por decisões e cenários, enquanto as folhas correspondem o nó final ou output. Em regressão, o RF particiona recursivamente o espaço de observação com base nos atributos de dados levando em consideração um critério de divisão em cada nó com base no critério de erro de mínimo quadrado, e executa um preditor em nós de folhas (Santos et al., 2017). As ANN correspondem a sistemas não lineares constituídos por processadores simples denominados de neurônios artificiais interconectados de forma ponderada. Em suma, uma ANN é composta por uma camada de entrada, uma ou mais camadas ocultas, e uma camada de saída (Haykin, 1994). O conhecimento é adquirido pela rede por meio do processo de aprendizagem que ocorre com as interações entre os neurônios por meio de pesos sinápticos. A capacidade de aprendizagem adaptativa faz da ANN um método muito empregado em problemas de classificação e regressão (Lee et al., 2020). A implementação e avaliação da qualidade dos modelos foi realizada em linguagem de programação R. Os pacotes utilizados foram: readxl para leitura de dados (Wickham e Bryan, 2019), e1071 para a implementação do SVM (Meyer et al., 2020), randomForest para a implementação do RF (Liaw e Wiener, 2002) e neuralnet para implementação do ANN (Fritsch et al., 2019). Ressalta-se que na etapa de construção dos modelos as variáveis primárias (VH e VV) e variáveis secundárias (VAR01 a VAR10) que não apresentaram correlação com nível de significância com p < 0,05 foram incluídas dos modelos e consequente mente descartadas. 52 4.6.3 Análise de desempenho dos modelos Para avaliar a qualidade do ajuste e a generalização dos modelos, foram utilizados: o coeficiente de determinação (R²), Erro Médio Absoluto (MAE), Erro Médio Quadrático (MSE) e Raiz Quadrática do Erro Médio Absoluto (RMSE), por meio do método de Cross-validation com dez dobras. Para isso, os dados foram divididos de forma aleatória em 80% para treinamento e o restante para validação do modelo. Nessa etapa, o método de Cross-validation utiliza quatro grupos de dados para treinamento e um para teste, de forma que esse processo é repetido até que cada um dos dez grupos seja utilizado como conjunto de teste (James et al., 2013). As Equações 17, 18, 19 e 20 refere-se ao R², MAE, MSE e RMSE. 𝑅2 = ∑ (𝑦𝑖 − �̂�𝑖) 2𝑛 𝑖=1 ∑ (𝑦𝑖 − �̅�𝑖)2 𝑛 𝑖=1 ⁡⁡⁡ (17)