Resumo

Este trabalho buscou identificar cobertura vegetal na região Centro-Sul do Ceará, através da análise cromáticas das imagens orbitais usando Google Colab. O objetivo foi correlacionar o crescimento da vegetação com a presença de chuva na área estudada. As imagens de satélite foram obtidas junto ao INPE e os dados de chuvas pela FUNCEME. A classificação cromática das imagens foi analisada no Google Colab: plataforma para desenvolvimento de inteligência artificial. Determinando agrupamentos dos píxeis, segmentando-as para extrair 5 paletas de cores dominantes dessas imagens. Revelando o total precipitado na região, ficando abaixo do normal climática. A classificação da superfície por matriz de cor corroborada com os dados de precipitação indicou que a vegetação ganha expressividade a partir do final da quadra chuvosa, ocupando mais de 30% da superfície. O Google Colab torna-se importante ferramenta técnica-cientifica-pedagógica para o ensino de Geografia, pois facilita ao estudante compreender relações dinâmicas geofísicas no contexto semiárido.

Palavras-chaves: Imagens orbitais; Google Colab; Cobertura vegetal; Ensino de Geografia.

Abstract

This work sought to identify the vegetation cover of Center-South region of Ceará, through chromatic analysis of orbital images using Google Colab. The objective was to correlate the vegetation growth with the presence of rain in studied area. Satellite images were obtained from INPE and rainfall data from FUNCEME. The chromatic classification of the images was analyzed in Google Colab: platform for the development of artificial intelligence. Determine pixel clusters by segmenting them to extract 5 dominant color palettes from these images. It reveals the total rainfall in region, which is below normal weather conditions. The classification of the surface by the color matrix corroborated with the precipitation data indicated that the vegetation gains expressiveness from the end of the rainy season, occupying more than 30% of the surface. Google Colab becomes an important technical-scientific-pedagogical tool for teaching Geography, as it makes it easier for students to understand dynamic geophysical relationships in the semiarid context.

Keywords: Orbital images; Google Colab; Vegetal cover; Teaching Geography.

A justificativa para a escolha do recorte de estudo se dá pelo fato da área apresentar risco muito grave à desertificação, segundo classificação do PAE Ceará[1], além de apresentar 5 municípios inseridos em 2 núcleos de desertificação já configurados: ASD Inhamuns e ASD Jaguaribe (CEARÁ, 2010). Assim, é possível verificar mais nitidamente a resposta da vegetação ao comportamento hidroclimático da região.

________________________________________________________________________

[1] O Programa de Ação Estadual de Combate à Desertificação e Mitigação dos Efeitos da Seca - PAE Ceará tem como objetivo mapear Áreas Susceptíveis à Desertificação (ASD’s), bem como estabelecer políticas públicas para a convivência com o semiárido, por meio da sustentabilidade ambiental do bioma Caatinga.

2. Fundamentação teórica

2.1  O semiárido cearense e a vegetação caatinga

O Estado do Ceará apresenta 92% do seu território sob influência do clima semiárido (CEARÁ, 2017). As precipitações concentram-se sobretudo no primeiro semestre do ano e nos meses seguintes prevalece o período de estio. Segundo Zanella (2005), a Zona de Convergência Intertropical (ZCIT) é o sistema atmosférico responsável pela maior parte do acumulado na quadra chuvosa (fevereiro a maio). Entre os meses de agosto e novembro, os índices térmicos aumentam decorrentes da elevada radiação solar, ao passo que se observa ausência de chuvas significativas e consequentemente uma baixa na umidade do ar atmosférico.

Outra característica do semiárido cearense é a incerteza climática, fato justificado pela irregularidade das chuvas ao longo dos anos. O território é castigado por períodos prolongados de seca, ao passo que apresenta anos com chuvas intensas e acima da média para o Estado (800 mm) (CEARÁ 2020a).

Esta sazonalidade climática é controlada ainda pela ocorrência do El Niño Oscilação Sul (ENOS), fenômeno de macro escala caracterizado pelo aquecimento das águas do Oceano Pacífico e que tem como consequência a diminuição de chuvas no Nordeste brasileiro. Em contrapartida, na sua fase fria, chamada La Niña, este fenômeno favorece precipitações acima da média na região (FERREIRA & MELLO, 2005).

Como resposta à presença de chuvas, a vegetação cresce e se desenvolve acompanhando o comportamento das precipitações. Segundo dados da Secretaria de Meio Ambiente do Ceará,

o Estado apresenta 90% do território recoberto pelo bioma da Caatinga, com espécies vegetais adaptadas às condições de semiaridez (CEARÁ, 2020b).

Como o maior volume de chuva se concentra em apenas 4 meses, durante boa parte do ano as plantas descartam suas folhas durante a estação seca como mecanismo de defesa ao estresse hídrico, destaca Moro et al. (2015). Com início da quadra chuvosa as folhas brotam e a vegetação revigora.

Portanto, é possível identificar a presença de vegetação na superfície a partir da classificação de imagens orbitais e compará-las com dados de precipitação coletados nos postos pluviométricos.

2.2  Google Colab: um programa de desenvolvimento de Inteligência Artificial

Alan Turing foi um dos percussores a pensar na possibilidade de criação de inteligência artificial. Em seu mais famoso artigo sobre computadores e inteligência, Turing (1950) realiza vários testes em busca de respostas a uma única pergunta norteadora: “máquinas podem pensar?”. De lá até aqui, testemunhamos um mundo cada vez mais tecnológico e informatizado que nos leva a refletir numa resposta retórica ao questionamento de Turing.

Segundo Arariboia (1988), a Inteligência Artificial (IA) se baseia na utilização de técnicas de programação que têm como objetivo a resolução de problemas, através de aparelhos ou máquinas programados que simulam pensamentos humanos. A inteligência artificial é um campo interdisciplinar vasto e que pode ser utilizada como instrumento de apoio ao ensino e aprendizado nas escolas, a exemplo do programa Google Colab.

O Google Colab é um servidor gratuito e “online” de desenvolvimento em nuvem, baseado nos Jupyter Notebooks[2], para processamento de IA em computadores (CARNEIRO et al., 2018). No presente caso, o programa foi utilizado no desenvolvimento de um código IA para o reconhecimento da cobertura vegetal em imagens de satélite. Contudo, sua aplicabilidade é ampla podendo abranger diversos campos de estudo, como apresentados nos trabalhos de Castillo & Guerrero (2017); Haut, et al. (2016); Swain et. al. (2019) e Wang et. al. (2018).

2.3  Metodologias ativas: um aprendizado pedagógico

As metodologias ativas são todas as estratégias utilizadas para promover o aprendizado efetivo do aluno, fazendo-o pensar, observar, refletir e agir (FERNANDES & MOURA, 2013). O professor pode enriquecer o ensino com propostas pedagógicas inovadoras centradas no aluno, como aulas invertidas, projetos integradores e ferramentas digitais.

Para Moran (2013), um dos modelos mais bem sucedidos hoje de metodologia ativa é o uso de ferramentas nos ambientes virtuais para aprendizado de informações básicas, restringindo a sala de aula para as atividades supervisionadas. Ainda segundo o autor, o aprendizado se dá a partir da resolução de problemas e situações reais que os alunos vivenciarão na vida profissional.

O programa virtual Google Colab é um claro exemplo de metodologia ativa, pois sua aplicação pedagógica (no ensino de Geografia, por exemplo) permite ao aluno compreender as relações dinâmicas da natureza, sendo possível correlacionar processos. Outro ponto positivo é a fácil manipulação com toda a operacionalização em rede.

_____________________________________________________________________________________

[2] O Projeto Jupyter é um desenvolvedor de “softwares” de padrões e códigos abertos de uso interativo na computação com serviços em linguagem programada. O Jupyter Notebook é um ambiente computacional na “web” para criação de comandos na plataforma. Para mais informações ver Perkel (2018).

 3. Metodologia

Neste espaço deve ser detalhado o percurso metodológico utilizado para o desenvolvimento do trabalho.

Essa seção também deve estar escrita em português e em coluna única com margens superior, inferior, esquerda e direita de 3 cm, seguindo este template (MODELO) disponibilizado. A fonte principal deve ser Times New Roman, tamanho de 12 pontos, com 1,5 espaço entrelinhas A metodologia deste estudo consistiu em três etapas. A primeira foi o levantamento do estado da arte a partir de consultas na bibliografia disponível sobre a temática. Em seguida foi realizada a coleta de imagens orbitais junto ao INPE e de dados pluviométricos na Fundação Cearense de Meteorologia e Recursos Hídricos do Ceará (FUNCEME). A terceira fase da pesquisa consistiu na classificação das imagens de satélite pelo programa Google Colab, no processamento dos dados de chuva e na compilação dos resultados.

Os dados de precipitação mensal dos municípios estudados foram obtidos junto à FUNCEME entre os anos de 2015 a 2019. As séries históricas coletadas correspondem às leituras dos postos pluviométricos localizados na sede administrativa de cada município.

O catálogo de imagens do INPE foi adquirido junto à Divisão de Geração de Imagens (DIDGI). Foram utilizadas 7 cenas do satélite Landsat 8 datadas dos anos de 2015, 2018 e 2019, conforme mostra tabela 1.

As imagens foram processadas no “software Quantum Gis"para geração da camada "raster" e posterior extração das bandas de cor do canal RGB. Para cada cena, o padrão "True Color" foi indicado a partir da combinação 4-3-2, respectivamente Red, Green e Blue.

Devido aos horários diferentes de captação das imagens orbitais e outros fatores espectrais fotos luminosos, foi necessário preparar cada cena com filtros de correção, de modo a melhor extrair os píxeis e padronizar as paletas de cores. Para tanto, foi utilizado o "software Photoshop 2020", com as seguintes especificações: nitidez 150, névoa 100, grão 100, exposição

80, contraste 100, realces 100, preto 80, vibração 10.

No Google Colab foi produzido um código IA em python, e assim, determinado o agrupamento (“cluster”) dos píxeis das imagens e calculada a margem de erro por quantidade de agrupamento. Após a geração do “cluster”, cada nova imagem segmentada foi plotada no programa para extração de 5 paletas de cores dominantes. O resultado é apresentado na figura 2.

4. Resultados e discussões

4.1  Precipitações no Centro Sul do Ceará entre os anos de 2015 e 2019

A figura 3 correlaciona o volume de chuva precipitado na área de estudo para os anos de 2015 a 2019. A partir da leitura do gráfico é possível observar que as precipitações anuais ficaram abaixo da normal climática[3] (19.238 mm) em todo Centro Sul cearense, evidenciando o risco que a região possui à desertificação.

_____________________________________________________________________________________

[3] A normal climatológica adotada no calendário de chuvas Estado do Ceará considera os dados do período 1981 a 2010 (CEARÁ, 2020a). Para este estudo, foi considerada a soma das normais climáticas dos municípios analisados.

Dentre os anos analisados, o de 2015 apresentou menor volume de chuva (10.985 mm), o que representou precipitações 43% abaixo do normal verificado na área. Ainda de acordo com

o gráfico acima, 2018 foi o ano com maior volume de chuva registrado (15.935 mm).

O gráfico da figura 4 mostra a distribuição média das chuvas mensais ao longo dos anos monitorados. O regime de chuvas verificado no Centro Sul do Ceará apresentou padrão de distribuição semelhante ao observado na literatura para todo o Estado.

Dentre os anos analisados, o de 2015 apresentou menor volume de chuva (10.985 mm), o que representou precipitações 43% abaixo do normal verificado na área. Ainda de acordo com

o gráfico acima, 2018 foi o ano com maior volume de chuva registrado (15.935 mm).

O gráfico da figura 4 mostra a distribuição média das chuvas mensais ao longo dos anos monitorados. O regime de chuvas verificado no Centro Sul do Ceará apresentou padrão de distribuição semelhante ao observado na literatura para todo o Estado.

Observou-se que mais de 90% das precipitações concentraram-se no primeiro semestre, principalmente nos meses de fevereiro a abril. Já os menores índices pluviais foram verificados entre setembro e novembro (juntos concentraram apenas 1% do total das chuvas na região nos anos analisados).

    4.2  Classificação de cores da superfície e identificação da vegetação

    A partir do Google Colab foi possível identificar a presença de cobertura vegetal na superfície como resposta à precipitação. A figura 5 revela as cenas classificadas dos anos de 2015 e 2019. Em seguida, foram analisadas 5 imagens de 2018 e correlacionadas com a distribuição de chuvas para aquele ano, a fim de obter melhor escaneamento na identificação da vegetação.

Observou-se que mais de 90% das precipitações concentraram-se no primeiro semestre, principalmente nos meses de fevereiro a abril. Já os menores índices pluviais foram verificados entre setembro e novembro (juntos concentraram apenas 1% do total das chuvas na região nos anos analisados).

4.3  Classificação de cores da superfície e identificação da vegetação

      A partir do Google Colab foi possível identificar a presença de cobertura vegetal na superfície como resposta à precipitação. A figura 5 revela as cenas classificadas dos anos de 2015 e 2019. Em seguida, foram analisadas 5 imagens de 2018 e correlacionadas com a distribuição de chuvas para aquele ano, de modo a obter melhor escaneamento na identificação da vegetação. 

As imagens acima revelaram que a porcentagem da superfície classificada em tons de verde (vegetação) foi maior em 2019. Na imagem “F5.A” o verde-escuro (#097e97) predominante no início de julho cobriu 36,5% da superfície, em resposta as precipitações observadas nos meses anteriores.

Na imagem “F5.B” a relação é inversa. O ano de 2015 apresentou menor precipitação dentre os anos monitorados, portanto, a banda de cor mais escura de verde (#157705) prevaleceu em apenas 16,8% da superfície. Além disso, a cena é datada do mês de novembro, cujas precipitações na região foram quase nulas (percebe-se pela predominância dos tons em amarelo em 31,1% da superfície).

A figura 6 mostra o gráfico isolado das chuvas entre fevereiro e julho no ano de 2018. Nota-se que o pico das precipitações foi em abril (29% do total naquele ano). O mês de maio marcou o fim da quadra chuvosa, portanto as chuvas tiveram significativa redução a partir dos meses seguintes.

O conjunto de imagens da figura 7 apresenta cenas do ano de 2018 com resolução temporal entre 15 e 20 dias, obtidas entre maio e julho. A porcentagem da vegetação na superfície aumentou de 16,8% em maio para 33% na primeira quinzena de julho.

Ao analisar a imagem “F7.G” (final de julho), observou-se pequena redução na cobertura vegetal em relação à classificação da cena anterior (imagem “F7.F”). Isto indica que a vegetação ganha expressividade e ocupa grande parte da superfície a partir do final da quadra chuvosa, atingindo seu apogeu até meados de julho.

5. Considerações Finais

Os dados da pesquisa revelaram que o total precipitado nos municípios do Centro Sul do Ceará ficou abaixo da normal climática nos anos analisados, confirmando o risco alto à desertificação que a região possui. As chuvas se concentram no primeiro semestre de cada ano (sobretudo entre fevereiro e abril) e declinaram nos meses seguintes.

No que diz respeito à evidência da vegetação em superfície, as chuvas induzem a proliferação das espécies e o crescimento das folhas (perdidas durante o estio), assim os tons de verde ganham notoriedade, ressaltados nas imagens orbitais.

A classificação da superfície por matriz de cor, realizada pelo Google Colab, e corroborada com os dados de precipitação ratificaram o conhecimento já difundido na literatura sobre a adaptação da vegetação Caatinga à sazonalidade climática do semiárido.

Portanto, este trabalho propôs um ensaio metodológico de uma ferramenta digital de apoio pedagógico para o ensino de Geografia. No caso particular foi realizada a classificação das cores de superfície para identificação da cobertura vegetal, entretanto sua aplicação pode ser ampliada para estudos pedológicos, hidrológicos, de desmatamento, queimadas, urbanização, etc.

Referências

BRASIL.  INSTITUTO  NACIONAL  DE  PESQUISAS  ESPACIAIS  (INPE).  Divisão   de

Geração de Imagens. 2020. Disponível em: http://www.dgi.inpe.br/catalogo/. Acesso em: 10 jul. 2020.

BRASIL. MINISTÉRIO DO MEIO AMBIENTE (MMA). Monitoramento Ambiental dos Biomas Brasileiros. 2011. Disponível em: https://www.mma.gov.br/biomas/monitoramento- ambiental.html. Acesso em: 10 jul. 2020.

CASTILLO, J. Á. P. & GUERRERO, FT. Implementação de padrões de design para otimização do algoritmo de carga em massa na computação em nuvem. Daena: International Journal of Good Conscience. (2017). 12 (3), 423-428.

CEARÁ. Fundação Cearense de Meteorologia e Recursos Hídricos (FUNCEME). Gráfico de Chuvas dos Postos Pluviométricos. 2019. Disponível em: http://www.funceme.br/?page_id=2702. Acesso em: 10 jul. 2020.

CEARÁ.  FUNDAÇÃO CEARENSE  DE  METEOROLOGIA  E  RECURSOS  HÍDRICOS

(FUNCEME). Calendário das Chuvas no Estado do Ceará. 2020a. Disponível em: http://www3.funceme.br/funceme2.5/index.php/areas/23- monitoramento/meteorol%C3%B3gico/406-chuvas-di%C3%A1rias. Acesso em: 10 jul. 2020.

CEARÁ.  INSTITUTO DE PESQUISA E ESTRATÉGIA ECONÔMICA DO  CEARÁ (IPECE). As Regiões de Planejamento do Estado do Ceará. 2015. Disponível em: https://www.ipece.ce.gov.br/wp-content/uploads/sites/45/2014/02/TD_111.pdf. Acesso em: 10 jul. 2020.

CEARÁ. INSTITUTO DE PESQUISA E ESTRATÉGIA ECONÔMICA DO CEARÁ (IPECE). Ceará em   Números.   2017.   Disponível  em: http://www2.ipece.ce.gov.br/publicacoes/ceara_em_numeros/2017/completa/Ceara_em_Num eros_2017.pdf. Acesso em: 10 jul. 2020.

CEARÁ. SECRETARIA DO MEIO AMBIENTE (SEMA). Caatinga abrange quase 90% do    território             cearense.            2020b.            Disponível            em: https://www.sema.ce.gov.br/2020/04/28/caatinga-abrange-quase-90-do-territorio-cearense/. Acesso em: 10 jul. 2020.

CEARÁ. SECRETARIA DOS RECURSOS HÍDRICOS (SRH). Programa de Ação Estadual de Combate à Desertificação e Mitigação dos Efeitos da Seca – PAE-CE. 2010. Disponível em: http://www.mpce.mp.br/wp-content/uploads/2016/05/PROGRAMA-ESTADUAL-DE- COMBATE-A-DESERTIFICA%C3%87%C3%83O.pdf. Acesso em: 10 jul. 2020.

FERNANDES BARBOSA, E.; GUIMARÃES DE MOURA, D. Metodologias ativas de aprendizagem na Educação Profissional e Tecnológica. Boletim Técnico do Senac, v. 39, n. 2, p. 48-67, 19 ago. 2013.

FERREIRA, A. G.; MELLO, N. G. S. Principais sistemas atmosféricos atuantes sobre a região nordeste do Brasil e a influência dos oceanos pacífico e atlântico no clima da região. Revista Brasileira de Climatologia, v. 1, n. 1, 2005.

GOOGLE COLABORATORY. Welcome To Colaboratory. 2020. Disponível em: https://colab.research.google.com/notebooks/intro.ipynb#scrollTo=5fCEDCU_qrC0. Acesso em: 10 jul. 2020.

HAUT, JM, PAOLETTI, M., PLAZA, J. E PLAZA, A. Avaliação de desempenho de uma implementação em nuvem para um classificador neural aplicado a imagens hiperespectrais. Ata da Conferência de Sarteco, (2016) 127-134.

MORÁN, José. Mudando a educação com metodologias ativas. In: SOUZA, Carlos Alberto de; MORALES, Ofelia Elisa Torres. [Coleção Mídias Contemporâneas. Convergências Midiáticas, Educação e Cidadania: aproximações jovens. Ponta Grossa: Foca Foto, 2015. p. 15-33. Disponível em: https://www.uniavan.edu.br/uploads/arquivo/N62vWDM7yb.pdf. Acesso em: 10 jul. 2020.

MORO, Marcelo Freire et al. Vegetação, unidades fitoecológicas e diversidade paisagística do estado do Ceará. Rodriguésia, Rio de Janeiro, v. 3, n. 66, p. 717-743, set. 2015. Disponível em: https://www.scielo.br/scielo.php?pid=S2175- 78602015000300717&script=sci_arttext&tlng=pt. Acesso em: 10 jul. 2020.

MURPHY, K .P. Machine Learning: A Probabilistic Perspective. Vol. Único. p.1-24, Mit Press, 2012.

PERKEL, JEFFREY M. Why  Jupyter  is  data  scientists'  computational  notebook  of  choice. Nature, vol. 563, no. 7732, 2018, p. 145+. Accessed 20 July 2020.

SWAIN, KP, NAYYAR, A. E PALAI, G. Previsão de especificações ópticas através do modelo ANN para projetar um filtro óptico monocromático para todas as três janelas ópticas. Optik, (2019). 198, 163314.

T. Carneiro, R. V. M. Da Nobrega, T. Nepomuceno, G. Bin Bian, V. H. C. De Albuquerque, P.

P. R. Filho, Performance Analysis of Google Colaboratory as a Tool for Accelerating Deep Learning Applications. IEEE Access (2018) https:/doi.org/10.1109/ACCESS.2018.2874767.

TURING, Alan. Computing machinery and intelligence. Mind, n. 49, p. 433-460, 1950.

WANG, G., YE, JC, MUELLER, K., & FESSLER, JÁ. A reconstrução de imagens é uma nova fronteira do aprendizado de máquina. Transações IEEE em imagens médicas, (2018). 37 (6), 1289-1296.

ZANELLA, M. E.. Caracterização Climática e os recursos hídricos do Estado Do Ceará. In: José Borzacchiello da Silva; Eustógio Wanderlei Dantas; Tércia cavalcante. (Org.). Geografia do Ceará: um novo olhar geográfico. Fortaleza: Ed. Demócrito Rocha, 2005, v. 01, p. 169- 188.