avaliação do uso dos sensores remotos cbers ccd e landsat tm
Post on 06-Jan-2017
225 Views
Preview:
TRANSCRIPT
Universidade Federal de Minas Gerais
Instituto de Ciências Biológicas
Pós-graduação em Ecologia, Conservação e Manejo de Vida Silvestre
Avaliação do uso dos sensores remotos CBERS CCD e
Landsat TM para o monitoramento de cianobactérias e m
ambientes aquáticos de grandes extensões
Gabriela von Rückert Heleno
Belo Horizonte
2009
ii
Avaliação do uso dos sensores remotos CBERS CCD e L andsat TM
para o monitoramento de cianobactérias em ambientes aquáticos de
grandes extensões
Gabriela von Rückert Heleno
Tese apresentada ao programa de Pós-
graduação em Ecologia, Conservação e
Manejo da Vida Silvestre da
Univesidade Federal de Minas Gerais,
como requisito parcial à obtenção do
título de doutor.
Orientadora: Dra. Alessandra Giani
Belo Horizonte 2009
iii
Aos meus pais, Rubens e Bernadete,
por sempre acreditarem em mim.
iv
Agradecimentos
Acredito ser este o momento mais gratificante para mim durante todo o meu
período de doutoramento. Ao tentar me lembrar de todos os que participaram de alguma
forma para a conclusão deste trabalho, vejo que nunca estive só! Apesar de ter
percorrido caminhos solitários em busca do conhecimento.
Nesses quatro anos, sei que muitos passaram por minha caminhada, entretanto
tenho certeza que não serei capaz de nomear a todos aqui. Gostaria, então, de me
desculpar e agradecer àqueles que por ventura eu não venha a citá-los, o que não os
tornaram menos importantes para a concretização deste trabalho.
Agradeço primeiro a Deus, por ter me permitido a acreditar Nele e me dado forças
para continuar nos momentos em que fraquejei.
Ao meu esposo e eterno namorado Fabrício por ter me apoiado, incentivado e
compreendido as minhas ausências, principalmente durante o meu estágio em Montreal.
À minha família (pai, mãe, irmãos, cunhados, primos e tios), que a cada dia se
torna maior, por sempre me incentivarem e me ajudarem no que foi preciso.
Principalmente, aos meus queridos pais, Rubens e Bernadete, pelo carinho, apoio e
respeito às minhas escolhas, sem os quais nada disso teria sido possível de acontecer.
Um agradecimento especial à minha mãe, por ter sido a companheira “virtual” que foi
enquanto eu estava no Canadá.
À minha orientadora, Alessandra Giani, por ter acreditado que eu seria capaz de
desenvolver este projeto. Por ter sempre me incentivado, ter facilitado a minha ida e
estadia no Canadá e me permitir fazer parte de sua equipe.
Ao Luciano Dutra, meu “co-orientador não oficial”, por ter aceitado participar desta
empreitada e ter me fornecido a base para trabalhar com sensoriamento remoto,
principalmente, quanto ao acesso aos pesquisadores e logística do INPE (Insituto
Nacional de Pesquisas Espaciais).
v
Ao meu co-orientador do estágio no exterior, David Bird, por abrir as portas de seu
laboratório na UQÀM (Université du Québec à Montreal) e ter me permitido conhecer e
trabalhar em um ambiente (lagos e instituição) da zona temperada.
Aos meus colegas do Laboratório de Ficologia, Ana Helena, Baptista, Björn,
Bruna, Camila, Cláudia, Cleber, Daniel, Elenice, Fernando, Felipe, Iola, Juliana, Lenora,
Miriam e Rafael, por tornarem tão agradável o trabalho no laboratório, ajudarem nas
coletas de campo e análises de amostras, mas, principalmente, pelo carinho especial de
alguns e por todos aturarem a minha “braveza”. Foi e sempre será um prazer tê-los em
minha companhia. Apesar de ter motivos para agradecer a cada um separadamente, irei
fazê-lo apenas a alguns pela ajuda específica em algumas etapas do meu projeto. À Ana
Helena pela revisão de texto e pelos inúmeros artigos enviados quando eu os pedia. À
Cláudia por ser a minha companheira de análise de clorofila-a. Ao meu velho amigo
Cleber, por toda ajuda prática e moral desde o início do meu doutorado, mas em especial
pelas incansáveis discussões teóricas e pela revisão do texto. É impossível não fazer
menção à minha, há anos, amiga Elenice, a quem sempre terei um grande carinho,
apesar das “puxadas de orelha” dadas uma a outra.
Aos meus colegas da UQÀM, Arash, Alexandre, Alexandrine, Brahim, Catalina,
Charles, Estelle, Kathleen, Hongmei, Jessica, Maud, Maria José, Myriam, Mark, Pierre e
Sérge, por tornarem os meus dias em Montreal mais agradáveis e por sempre me
ajudarem quando foi preciso. Em especial ao Alexandre, à Catalina e à Maud, pelo
carinho e apoio; e ao Sérge pela ajuda indispensável para a realização das análises
laboratoriais. Foi um grande prazer conhecê-los! Não posso deixar de agradecer à
professora Dolores Planas, por me permitir usufruir da estrutura de seu laboratório e aos
demais professores e estudantes do GRIL/UQÀM pela agradável acolhida. Merci
beaucoup à vous!!!
Ao pessoal do INPE. Primeiramente, ao Flávio Ponzonni por ter-me acollhido por
duas vezes em seu gabinete e me ensinado a fazer as correções radiométricas das
vi
imagens e pela prontidão em me esclarecer dúvidas à cerca do assunto. Ao Pedro
Cordeiro por ter me ajudado com a linguagem Legal do Spring para a realização da
inversão dos modelos. Ao Cláudio Barbosa e a doutoranda Flávia Martins por me
auxiliarem com a máscara para recorte da área de estudo.
Aos professores e funcionários dos Laboratórios de Fisiologia e de Interação
microorganismos-planta do Departamento de Botânica, ao professor Ricardo Motta Pinto-
Coelho e seus alunos e técnicos e à doutoranda da Biofísica Ana Paula pelo acesso a
equipamentos necessários às análises realizadas no meu projeto.
Aos funcionários da EPHF de Furnas Centrais Elétricas SA pelo apoio logístico e
financeiro via projeto P&D da ANEEL. Em especial ao Dirceu, Das Neves, Érico,
Marquinhos, Paulo e Toninho, por sempre terem feito o máximo para a realização das
coletas durante o “imutável” dia da passagem dos satélites.
Ao Charles Rezende, monitor do curso de especialização em Geoprocessamento
da UFMG, pelas dicas com o Spring.
À CAPES pelo auxílio financeiro por meio das bolsas PROF no Brasil e PDEE no
Canadá.
Ao programa de pós-graduação em ECMVS e seus funcionários pelo apoio
logístico e financeiro. Em especial, ao Elídio por sempre ter me ajudado a conseguir carro
para as coletas de campo.
Muito obrigada a todos!
vii
AS INDAGAÇÕES
A resposta certa, não importa nada: o
essencial é que as perguntas estejam
certas.
Mario Quintana (Caderno H)
viii
Resumo
O sensoriamento remoto pode ser uma ferramenta promissora para o monitoramento do
fitoplâncton, principalmente de florações como as de cianobactérias, pois ele permite a
avaliação de áreas extensas, como a superfície de um lago ou de um reservatório por
inteiro. A relação entre as concentrações de pigmentos e a reflectância das diversas
combinações de bandas medida por sensores orbitais pode permitir a estimativa da
biomassa fitoplanctônica e sua distribuição no ambiente. Análises de regressões e
modelos bio-ópticos são as ferramentas comumente empregadas para se obter tais
relações. A classificação digital, apesar de ser um dos métodos em sensoriamento
remoto rotineiramente empregado para ambientes terrestres, é pouco usada para
ambientes aquáticos. Entretanto, por ser um método bem conhecido e relativamente de
fácil aplicação, ela pode ser uma ferramenta promissora para estudos de monitoramento
de florações do fitoplâncton. A estimativa da concentração de clorofila-a a partir de dados
do sensor orbital Landsat-5 TM foi obtida a partir do modelo empírico de inversão por
regressão linear em dois ambientes continentais de grandes dimensões: reservatório da
UHE de Furnas (Brasil) e Baía de Missisquoi (EUA/Canadá). O método de classificação
digital também foi aplicado para o reservatório da UHE Furnas a partir de dados dos
sensores CBERS-2 CCD e Landsat-5 TM para a obtenção do estado trófico, com base na
concentração de clorofila-a. Localizado no sudoeste de Minas Gerais, o reservatório de
Furnas apresenta área igual a 1440 Km2 e é formado por dois rios principais (rio Grande
e rio Sapucaí), além de vários pequenos tributários. No braço do rio Sapucaí, foram
registradas concentrações de clorofila-a e de cianobactérias, incluindo a de espécies
potencialmente tóxicas, maiores do que no braço do rio Grande. A Baía de Missisquoi
(77,5 Km2) está localizada na porção nordeste do Lago Champlain na área de fronteira
entre Canadá e EUA. Florações de cianobactéria são freqüentes na Baía de Missisquoi
durante o verão. Os modelos empíricos obtidos no reservatório de Furnas apresentaram
valores de coeficiente de determinação (R2) entre 0,61 e 0,90 dependendo do período de
ix
coleta analisado. Além de bom poder preditivo, os modelos produzidos apresentaram
boa acurácia, obtida a partir da relação entre os estados tróficos oriundos de dados
medidos in situ e aqueles previstos por dados TM. O método de classificação a partir de
dados CBERS e Landsat, também apresentou boa acurácia, apesar das limitações
inerentes a este quando aplicado em ambiente aquático (imprevisibilidade da localização
de classes e fraco sinal de reflectância). Os mapas de distribuição de clorofila-a e estado
trófico produzidos a partir dos dois métodos empregados, indicaram que programas de
monitoramento do fitoplâncton que priorizam a ocorrência de cianobactérias no
reservatório de Furnas devem ser intensificados no braço do rio Sapucaí. Para a Baía de
Missisquoi, apenas em uma coleta foi possível obter dados do sensor TM, e o modelo
produzido também apresentou bom poder preditivo (R2 = 0,88) e acurácia acima de 77%.
Entretanto, a baixa profundidade da Baía de Missisquoi provavelmente produziu um ruído
no sinal de reflectância da clorofila-a, o qual limitou a aplicação do modelo para toda
extensão da baía. Logo, ambos os métodos empregados, classificação e modelo
empírico de inversão, apresentaram acurácias aceitáveis e podem ser empregados como
ferramentas de monitoramento em ambientes aquáticos continentais. Apesar das
limitações espectrais dos sensores CBERS CCD e Landsat TM para a aplicação de
modelos mais refinados para a estimativa de clorofila-a, como modelos bio-ópticos; estes
apresentam vantagens como a previsibilidade e continuidade na obtenção de dados,
ausência de custo para obtenção de imagens e boa resolução espacial (≤ 30 m) quando
comparados a outros sensores com maior resolução espectral. A partir dos dados
obtidos, pôde-se concluir que a realização de coletas de campo coincidentes com a
passagem dos sensores CBERS CCD e Landsat TM possa ser uma boa estratégia para
o monitoramento de florações de cianobactérias em ambientes aquáticos continentais,
indicando o uso potencial dos sensores remotos orbitais.
x
Palavras-chave: sensoriamento remoto, cianobactérias, florações, Reservatório da UHE
de Furnas, Baía de Missisquoi
Abstract
Remote sensing can be a promising tool for monitoring phytoplanktonic blooms, because
it makes possible monitoring large areas such as the surfaces of whole lakes or
reservoirs. The relationship between pigment concentrations and reflectance of band
combinations by orbital sensor can provide biomass estimation and environmental
distribution of phytoplankton. Regression analyses and bio-optical models are the most
commonly used tools to assess these relationships. Digital classification is not usually
applied in aquatic environment, even though it is one of the most applied remote sensing
methods in land systems. Because it is well-known and it is relatively easy to use, it can
be a useful tool to monitor and study phytoplanctonic blooms. In this study, chlorophyll-a
concentrations were estimated from data of the Landsat-5 TM orbital sensor using an
empirical linear regression inversion model in two large size inland freshwater systems:
Furnas reservoir (Brazil) and Missisquoi Bay (USA/Canada). In Furnas reservoir we also
applied a digital classification method using CBERS-2 CCD and Landsat-5 TM data to
estimate the trophic status by chlorophyll-a concentration. Furnas reservoir is a large
water body (1,440 Km2) located in southeastern of Brazil, formed by two main rivers
(Grande river and Sapucaí river) and several small tributaries. In the Sapucaí section,
chlorophyll-a and cyanobacterial concentration, including potential toxic species, were
higher than in the Grande section. The Missisquoi Bay (77.5 Km2) is located in the
northeastern portion of Lake Champlain on the Canada-USA border area. Cyanobacterial
blooms have been registered every summer in Missisquoi Bay. Coefficients of
determination (R2) between 0.61 and 0.90, according to the sampling period, were
xi
calculated in Furnas reservoir by the empirical models. They also exhibited good
accuracies beyond these good prediction powers. The accuracies were estimated by the
relationships between in situ-data and TM-data of trophic status. The results obtained by
the classification method also showed good accuracies, although the method had some
inherent limitations for its use in aquatic environments (unpredictable location of classes
and weak reflectance signal). Analysis of the maps of chlorophyll-a and trophic state
distribution produced by the two methods suggested that a phytoplankton monitoring
program, focused on cyanobacterial occurrence, should be intensified in the Sapucaí
section of Furnas reservoir. In Missisquoi Bay, the TM data were available only for one
sampling period. The model showed good predictive power (R2 = 0.88) and accuracies (>
77%). However, the shallow depth of Missisquoi Bay probably produced some noise in the
chlorophyll-a reflectance signal that reduced the model applicability over the entire bay
area. Both approaches, classifications and inversion models, showed acceptable
accuracies and could be used as monitoring tools in freshwater systems. Despite CBERS
CCD and Landsat TM sensors having spectral limitations that restrained their use for
more precise chlorophyll-a measuring models, as bio-optical models, they have some
advantages over other sensors with higher spectral resolution.These inclues a
forecastable and continuity of data acquisition, free data distribution, and good spatial
resolution (≤ 30 m). Based on the results, we believe that the coupling of field sampling
and CBERS CCD and Landsat TM overpassing could offer a valuable monitoring strategy
to cyanobacterial bloom monitoring in inland waters showing a potential use for orbital
remote sensors.
Keywords: remote sensing, cyanobacteria, bloom, Furnas Reservoir, Missisquoi Bay
xii
LISTA DE FIGURAS
Introdução geral
Figura 1 – Assinatura espectral de culturas de algas em diversas concentrações de
clorofila-a. A – Chlorophyta: clorofila-a de 0,5 a 60 µg.L-1. B – Cyanobacteria: clorofila-a
de 12.7 a 58.3 µg.L-1. As faixas de cores indicam a largura espectral das bandas do sensor TM do
satélite Landsat: TM1 (azul), TM2(verde), TM3(vermelho) e TM4 (rosa). A elipse assinala o pico de absorção
da ficocianina. Extraído e modificado de Gitelson et al. (1999)..........................................................15
Capítulo 1
Figure 1 – Furnas reservoir position and distribution of the sampling stations in the
different sections..............................................................................................................49
Figure 2 – Chlorophyll-a, total suspended matter (TSM) and inorganic suspended matter
(ISM) concentration in Furnas reservoir during the whole sampling period. .....................57
Figure 3 – Phytoplanktonic abundance (top) and relative abundance of cyanobacteria
(bottom) in some sampling stations of Furnas reservoir in two different seasons. ............58
Figure 4 – Trophic status map in Furnas reservoir at different sampling periods by OECD
criteria, according to classification method.......................................................................64
Figure 5 – Trophic status maps in Furnas reservoir at different sampling periods by the
Modified Carlson’s Trophic Index according to classification method ...............................68
Figure 6 – Relative areas covered by the trophic state classes in the entire reservoir and
in the three sections of Furnas reservoir by OECD criteria and the Modified Carlson’s
Trophic State Index (TSI) at each sampling period, according to classification method....72
Figure 7 – Chlorophyll-a and TMs multiple relations in Furnas reservoir for four data
sampling period in the three reservoir sections. ...............................................................78
Figure 8 – Scartterplot between chlorophyll-a concentration by Landsat TM-predicted and
in situ-measured in Furnas reservoir during four sampling period, and the errors type
according to trophic status chlorophyll limits by OECD criteria (dashed line) and Modified
xiii
Carlson’s Trophic Index (dash-dotted line) for ultra-oligotrophic to oligotrophic (long dash
or dash-dot-double) and for oligotrophic to mesotrophic (short dash or dash-dot) status. 80
Figure 9 – Trophic state by OECD (A) criteria and Modified Carlson’s Trophic Index (TSI)
(B) for in situ data and Landsat TM-predicted data in Furnas reservoir for four sampling
periods. UO – ultra-oligotrophic, O – oligotrophic and M – mesotrophic.............................................81
Figure 10 – Chlorophyll-a (µg.L-1) distribution map in Furnas reservoir for the entire
sampling period for Landsat data. Ellipses indicate the Capitólio (dash line) and Boa Esperança
(dotted line) dikes position. ......................................................................................................84
Figure 11 – Chlorophyll-a relative area covered in the entire Furnas reservoir and in the
three sections for each sampling period, according to the inversion models. ...................86
Figure 12 - Trophic status map in Furnas reservoir during the entire sampling period by
OECD criteria and Modified Carlson’s Trophic Index (TSI) according to the chlorophyll
inversion model................................................................................................................87
Figure 13 - Relative area covered by the trophic state classes in the entire Furnas
reservoir and in the three sections by OECD criteria and Modified Carlson’s Trophic State
Index (TSI) for each sampling period, according to the inversion models.........................91
Figure 14 – Correlation between trophic state covered area estimated by classification
and inversion model methods for both trophic classifiers: OECD criteria (empty symbols)
and Modified Carlson’s Trophic Index (filled symbols)......................................................93
Capítulo 2
Figure 1 – Missisquoi Bay location and sampling stations. ………………………………. 108
Figure 2 – Chlorophyll-a concentration in Canadian Missisquoi Bay in all sampling period
and station during the summer of 2007. Dashed line – Threshold concentration to low health risk in
recreational water use. Dotted line - Threshold concentration to alert 1 level framework in drinking water
source. Grayscale – Trophic status by OECD criteria and Carlson’s Trophic Index (TSI): white – oligotrophic,
light gray – mesotrophic, dark gray – eutrophic and black – hipereutrophic. .......................................113
Figure 3 – Phytoplanktonic biomass (A) and cellular abundance (B) in some sampling
stations in Missisquoi Bay during the summer of 2007...................................................114
xiv
Figure 4 – Cellular abundance of Cyanobacteria, total (A) and potential toxic species (B),
in some sampling stations in Missisquoi Bay during the summer of 2007. Dashed line –
Threshold abundance to low health risk in recreational water use. Dashed and dotted line – Threshold
abundance to moderate health risk in recreational water use. Dotted line - Threshold abundance to alert 1
level framework in drinking water source. ..................................................................................116
Figure 5 – Scartterplot between chlorophyll-a concentration by Landsat TM- predicted and
in situ-measured in Canadian Missisquoi Bay, and the errors type according to trophic
status by OECD criteria (dashed line) and Carlson’s Trophic Index (dash-dotted line) and
according to the values for low human health risk in recreational waters (dotted line)....120
Figure 6 – Suitable chlorophyll-a area in Missisquoi Bay by Landsat-5 TM data. Ellipses
indicate the wetland regions...........................................................................................122
Figure 7 – Chlorophyll-a (µg.L-1) distribution map in Missisquoi Bay by Landsat-5 TM
data. ..............................................................................................................................122
Figure 8 – Relative area covered for chlorophyll-a and trophic state classes by OECD
criteria and Carlson’s Trophic State Index (TSI) in Missisquoi Bay derived from Landsat-5
TM data. ........................................................................................................................123
Figure 9 – Trophic status map by Carlson’s Trophic Index (TSI) in Missisquoi Bay
according to chlorophyll-a algorithmic by Landsat-5 TM data.........................................124
Considerações finais
Figura 1 – Características de sensores orbitais utilizados na estimativa de clorofila-a em
águas continentais: número de bandas na região espectral vermelho e infravermelho
próximo, resolução temporal (A), resolução espacial (B) e largura da faixa imageada (C);
de acordo com a disponibilidade na obtenção sistemática de imagens e custo financeiro
do sistema. ....................................................................................................................133
Apêndice V
Figura 1 – Diagrama das etapas do processo de normalização radiométrica. ...............154
xv
Apêndice VI
Figura 1 – Fator de reflectância bidirecional de superfície (SBFR) em números digitais
(DN) para as bandas do Landsat 5 e concentração de clorofila a no reservatório da UHE
de Furnas em quatro períodos de coleta........................................................................158
Figura 2 – Fator de reflectância bidirecional de superfície (SBFR) para as bandas do
Landsat 5 em algumas estações de coleta nas porções da barragem (linha contínua),
Grande (linha descontínua) e Sapucaí (linha pontilhada) do reservatório da UHE de
Furnas em quatro períodos de coleta. ...........................................................................159
Figura 3 - Fator de reflectância bidirecional de superfície (BFR) para as bandas do
Landsat 5 na estação de coleta F18 no reservatório da UHE de Furnas em quatro
períodos de coleta. ........................................................................................................160
Apêndice VII
Figura 1 – Distribuição de áreas alagadas na bacia do Lago Champlain, no detalhe Baía
de Missisquoi. Modificado de Atlas do “Lake Champlain Basin Program” disponível em:
http://www.lcbp.org/Atlas/PDFmaps/nat_wetland.pdf....................................................................161
Figura 2 – Exemplos de concentração de clorofila-a derivada do Landsat-5 na área “sem
dado” na Baía de Missisquoi. A – área alagada, B – zona pelágica, C – zona litorânea.................162
xvi
LISTA DE TABELAS
Introdução geral
Tabela 1 – Resolução nominal dos dados usados para análise, uso de aquisições multi-
temporais, tipo de sensor utilizado, tipo de ecossistema estudado, processo avaliado e a
variável estudada para qualidade de água dos artigos pertencentes à edição especial do
jornal científico “Remote Sensing of Environment” - volume 112, fascículo 11 de 2008.
Extraído e modificado de Goetz et al. (2008). ...............................................................................12
Tabela 2 – Características gerais de cianotoxinas. Fonte: Chorus & Bartram (1999) e MOH (2005).
........................................................................................................................................22
Capítulo 1
Table 1 – Sampling stations number per chlorophyll-a based trophic class (O =
oligotrophic and M = mesotrophic) by OECD criteria and Modified Carlson’s Trophic State
Index (TSI), sensor and bands used for the classification on each sampling period, and
percentage of the “no data area” (clouds, clouds shadows and no image) in Furnas
Reservoir area for each sampling period. Numbers in parenthesis beside the oligotrophic
class represent ultra-oligotrophic. ....................................................................................53
Table 2 – Accuracy assessment (%) of the trophic state classification by OECD criteria
and Modified Carlson’s Trophic Index (TSI) for each sampling period in training and
testing (in italic) samples according to classification method............................................60
Table 3 - TM bands and their combinations correlated with ground reference chlorophyll-a
data by the coefficient of determination (R2). No significant values at the 95% level are not
showed (-). Collinear occurrence (‘). n = sample size.......................................................75
Table 4 – Regression equations and statistical parameters from the most successful
relationships of chlorophyll-a and TM data in Furnas reservoir for the four sampling
periods.............................................................................................................................76
Table 5 – Literature values of coefficient of determination for chlorophyll-a algorithms by
Landsat TM data..............................................................................................................76
xvii
Table 6 – Accuracy assessment (%) of the trophic state classification by OECD criteria
and Modified Carlson’s Trophic Index (TSI) in each sampling period for the three trophic
classes and for the oligotrophic and mesotrophic classes (in italic), according to the
inversion model method...................................................................................................82
Capítulo 2
Table 1 – Sampling stations number, dates of sampling and satellite overpass in
Missisquoi Bay during the summer of 2007....................................................................109
Table 2 – Literature values of coefficient of determination to chlorophyll-a algorithms by
Landsat TM data............................................................................................................119
Apêndice I
Tabela 1 – Resoluções temporais (dias), espaciais (m) e espectrais (nm) dos sensores
CCD e TM dos satélites CBERS-2 e Landsat-5. ............................................................137
Apêndice II
Tabela 1 – Erro padrão quadrático médio (RMSE - Root Mean Square Error) em pixels
para as amostras de treinamento e teste (itálico) obtido no georreferenciamento de cada
imagem Landsat-5 (órbita/ponto) correspondente à área do reservatório da UHE de
Furnas nas diversas datas de coleta..............................................................................138
Tabela 2 – Erro padrão quadrático médio (RMSE - Root Mean Square Error) em pixels
para as amostras de treinamento e teste (itálico) obtido no georreferenciamento de cada
imagem CBERS-2 (órbita/ponto) correspondente à área do reservatório da UHE de
Furnas nas diversas datas de coleta..............................................................................138
Apêndice III
xviii
Tabela 1 – Limites de concentração de clorofila-a (µg.L-1) e valores de Índice de Estado
Trófico (IET) para diferentes níveis tróficos segundo OECD (1982), Carlson (1977, por
Kreutzer & Brezonick, 1981) e Lamparelli (2004)...........................................................139
Tabela 2 – Limites de concentração de clorofila-a (µg.L-1) e valores de Índice de Estado
Trófico (IET) segundo OECD (1982) e Lamparelli (2004) para cada níveL trófico
empregado no Capítulo 1 para os dados obtidos com o método de classificação.........139
Tabela 3 – Limites de concentração de clorofila-a (µg.L-1) e valores de Índice de Estado
Trófico (IET) segundo OECD (1982) e Lamparelli (2004) para cada níveL trófico
empregado no Capítulo 1 para os dados obtidos com os modelos de inversão. ............139
Apêndice IV
Tabela 1 – Exemplo de matriz de erros. Modificada de Congalton (1991). ....................141
Tabela 2 – Matriz de erro das amostras de treinamento para as classes de estado trófico
segundo o critério da OECD em cada período de coleta. ..............................................144
Tabela 3 – Matriz de erro das amostras de teste para as classes de estado trófico
segundo o critério da OECD em cada período de coleta. ..............................................145
Tabela 4 – Matriz de erro das amostras de treinamento para as classes de estado trófico
segundo o Índice de Estado Trófico de Carlson modificado em cada período de coleta.
......................................................................................................................................146
Tabela 5 – Matriz de erro das amostras de teste para as classes de estado trófico
segundo o Índice de Estado Trófico de Carlson modificado em cada período de coleta.
......................................................................................................................................147
Tabela 6 – Acurácias (%) da classificação de estados tróficos baseada no Índice Trófico
de Carlson modificado para o período de coleta JUN06. ...............................................148
Apêndice V
xix
Tabela 1 – Radiância aparente mínima e máxima utilizadas na calibração do sensor
Landsat-5 para imagens adquiridas após 05 de maio de 2003 e valores de irradiância
média do sol no topo da atmosfera. Valores em W . cm-2 . sr-1 . µm-1. .......................151
Tabela 2 - Médias de reflectância de superfície em números digitais das regiões de claro
e escuro para cada banda TM e para cada período de coleta após a normalização
radiométrica...................................................................................................................156
xx
SUMÁRIO
1- Introdução geral............................................................................................................ 1
2 – Objetivos..................................................................................................................... 3
3 – Revisão bibliográfica................................................................................................... 5
3.1 - Sensoriamento remoto: princípios básicos............................................................. 5
3.1.1 - Classificação digital........................................................................................ 7
3.1.2 - Modelos empíricos ......................................................................................... 8
3.1.3 - Modelos semi-empíricos ou semi-analíticos (modelos ópticos) ...................... 9
3.2 - Sensoriamento remoto no ambiente aquático ........................................................ 9
3.3 – O uso do sensoriamento remoto para detecção do fitoplâncton...........................11
3.4 – Florações de organismos fitoplanctônicos: importância das cianobactérias .........19
3.4.1 - Cianotoxinas .................................................................................................20
3.4.2 - Efeitos de cianobactérias na cadeia trófica ...................................................21
3.4.3 - Clorofila-a, estado trófico e biomassa de Cyanobacteria...............................23
3.4.4 - Programas de monitoramento de cianobactérias ..........................................25
3.5 – O uso do sensoriamento remoto em ambientes aquáticos continentais brasileiros
.....................................................................................................................................27
Referências bibliográficas................................................................................................30
Capítulo 1:
Determination of chlorophyll-a and trophic state using CBERS-2 and Landsat-5 data in a
freshwater system (Furnas reservoir – Brazil): an evaluation of use of the orbital remote
sensing for mapping cyanobacterial bloom
Resumo ...........................................................................................................................42
Abstract ...........................................................................................................................43
1 - Introduction.................................................................................................................45
2 – Methods.....................................................................................................................48
xxi
2.1 - Study area ............................................................................................................48
2.2 - Sampling design and field measurements.............................................................48
2.3 - Satellite data ........................................................................................................51
2.3.1 - Supervised maximum likelihood classification ...............................................51
2.3.2. - Empirical inversion models...........................................................................54
3 – Results and discussion ..............................................................................................56
3.1 – Phytoplanktonic biomass......................................................................................56
3.2 – Satellite data classification ...................................................................................59
3.2.1 - Classification accuracies ...............................................................................59
3.2.2 - Trophic status maps......................................................................................63
3.3 – Satellite data inversion model ..............................................................................73
3.3.1 - Chlorophyll-a algorithms- Regressive equations ...........................................73
3.3.2 - Algorithms accuracies ...................................................................................77
3.3.3 - Chlorophyll-a maps .......................................................................................82
3.3.4 - Trophic status maps......................................................................................83
3.4 - Classification and inversion model methods correspondence ...............................92
4. Conclusion...................................................................................................................92
References ......................................................................................................................94
Capítulo 2:
The potential use of Landsat-5 Thematic Mapper for chlorophyll-a detection and for
mapping cyanobacterial blooms in inland water systems: a case study in Missisquoi Bay
(Canada-USA)
Resumo .........................................................................................................................103
Abstract .........................................................................................................................104
1 – Introduction..............................................................................................................105
2 – Methods...................................................................................................................107
xxii
2.1 - Study area ..........................................................................................................107
2.2 - Sampling design and field measurements...........................................................109
2.3 - Satellite data.......................................................................................................110
3 – Results and discussion ............................................................................................112
3.1 – Phytoplanktonic biomass....................................................................................112
3.2 – Satellite data inversion model ............................................................................117
3.2.1 - Chlorophyll-a algorithms: Regressive equation ...........................................117
3.2.2 - Algorithm accuracy......................................................................................118
3.2.2 - Chlorophyll-a and trophic status maps ........................................................120
4 - Conclusion................................................................................................................124
References ....................................................................................................................125
Considerações finais......................................................................................................132
Apêndice I – Configurações CBERS-2 e Landsat-5 .......................................................137
Apêndice II – Georreferenciamento ...............................................................................138
Apêndice III – Concentração de clorofila-a e estados tróficos ........................................139
Apêndice IV – Matriz de erro..........................................................................................141
A) Cálculos de acurácias baseados em uma matriz de erro........................................141
B) Matrizes de erro das amostras treinamento e teste obtidas pelas classificações de
estado trófico para o reservatório da UHE de Furnas. ................................................144
C) Acurácias da classificação com número de amostras balanceadas em JUN06......148
Apêndice V – Correção atmosférica e normalização......................................................149
A) Correção atmosférica .............................................................................................149
B) Normalização radiométrica.....................................................................................153
Apêndice VI – Fator de reflectância bidirecional ............................................................158
Apêndice VII – Baía de Missisquoi: áreas alagadas e áreas rasas ................................161
1
1- Introdução geral
O monitoramento de ambientes aquáticos é conduzido, principalmente, para a
detecção de alterações nas características físicas, químicas e biológicas do ambiente
decorrentes de impactos por atividades antrópicas. Tal procedimento permite que ações
de manejo e mitigação de tais impactos sejam executadas para a manutenção da biota e
garantia da qualidade da água para os diversos usos.
Diversas atividades antrópicas, como pecuária e despejo de efluentes domésticos,
levam a entrada de poluentes nos ambientes aquáticos. Tais poluentes, geralmente, ricos
em nutrientes, como fósforo e nitrogênio, proporcionam o aumento da trofia, o que resulta
na eutrofização dos corpos d’água.
Ambientes eutrofizados exibem uma alta densidade de organismos
fotossintetizantes, grande parte destes compondo o fitoplâncton. A comunidade
fitoplanctônica é composta basicamente por algas e cianobactérias, sendo que em
diversos ambientes as últimas são frequentemente favorecidas durante o processo de
eutrofização. Em situações onde a abundância fitoplanctônica torna-se muito elevada,
ocorre o que se denomina floração, que pode ser formada por uma ou mais espécies.
Florações de cianobactérias têm-se tornado freqüentes em decorrência do avanço
na deteriorização dos ambientes aquáticos. Atualmente, grande importância tem sido
dada à detecção e monitoramento destas, uma vez que estes organismos exibem a
capacidade de produzir compostos potencialmente tóxicos a biota e a seres humanos.
Ambientes de grandes extensões demandam consideráveis esforços logísticos e
financeiros para a execução de programas de monitoramento. Principalmente, quando a
variável a ser monitorada exibe alterações significativas no tempo e no espaço, como
ocorre com as cianobactérias. Desta forma, a busca por ferramentas e métodos que
contribuam para a magnificação da área a ser monitorada bem como para a minimização
do tempo gasto na obtenção de dados são desejáveis nos programas de monitoramento
ambiental.
2
Neste contexto, as técnicas de sensoriamento remoto têm-se mostrado
promissoras, principalmente, quando se emprega o uso de sensores orbitais, uma vez
que elas permitem a obtenção simultânea de dados correspondentes a grandes
extensões espaciais.
Frente aos problemas inerentes de florações de cianobactérias e do uso potencial
de sensores orbitais para o monitoramento destas, a proposta desta tese foi avaliar e
consolidar metodologias com o uso de dados de sensores orbitais para o monitoramento
do fitoplâncton, com ênfase em cianobactérias, em ambientes aquáticos continentais de
grandes extensões. Para isto utilizou-se dois sensores orbitais multiespectrais: o TM
(Thematic Mapper) do satélite Landsat-5 (Land Remote Sensing Satellite) e o CCD
(Câmera Imageadora de Alta Resolução) do satélite CBERS-2 (China-Brazil Earth
Resources Satellite). Os estudos foram conduzidos em dois ambientes onde a floração
de espécies de cianobactérias potencialmente tóxicas vêm sendo detectada:o
reservatório da UHE de Furnas (Usina Hidrelétrica de Furnas) e a Baía de Missisquoi,
localizados, respectivamente, no sudeste brasileiro (Minas Gerais) e sudeste canadense
(Quebec).
3
2 – Objetivos
Partindo-se dos pressupostos que:
a) as técnicas de SR por sensores orbitais são viáveis para o monitoramento da
comunidade fitoplanctônica de ambientes continentais de grandes extensões;
b) florações de organismos fitoplanctônicos podem ser detectadas por sensores orbitais;
c) os sensores multi-espectrais CBERS CCD e Landsat TM podem ser utilizados para o
monitoramento de clorofila-a de ambientes aquáticos continentais, pois abrangem o
espectro visível e infra-vermelho próximo e apresentam resolução espacial menor ou
igual a 30 m;
o presente estudo tem como objetivo principal desenvolver e avaliar a acurácia de uma
metodologia para a detecção quantitativa do fitoplâncton, em ambientes aquáticos
continentais de grandes extensões, utilizando os sensores CBERS-2 CCD e Landsat-5
TM.
Os objetivos específicos deste trabalho foram:
a) avaliar a acurácia do uso dos sensores CCD e TM para o mapeamento da clorofila-a
por duas técnicas distintas: classificação digital e inversão de um modelo empírico;
b) localizar as áreas de risco de ocorrência de florações de cianobactéria com o auxílio
de mapas de distribuição de clorofila-a e do estado trófico produzidos a partir de dados
de sensores orbitais (CCD e TM);
Por terem sido os estudos conduzidos em dois ambientes distintos, reservatório
da UHE de Furnas (Brasil) e Baía de Missisquoi (EUA/Canadá), este trabalho foi
subdividido em dois capítulos, cujos dados de cada ambiente serão apresentados nos
4
capítulos 1 e 2, respectivamente. No capítulo 2, referente à Baía de Missisquoi, apenas o
modelo empírico a partir de dados do sensor TM foi aplicado.
Os capítulos 1 e 2 foram produzidos em formato para publicação em jornais de
divulgação científica, desta forma ambos foram escritos na língua inglesa. No capítulo 1,
os dados relativos aos métodos de classificação digital e de modelo de inversão serão
separados a posteriori para publicação. Estes dados serão apresentados em um mesmo
capítulo neste manuscrito para facilitar a compreensão dos leitores e por se tratar do
mesmo ambiente de estudo (reservatório da UHE de Furnas). Com intuito de detalhar
aspectos metodológicos ou apresentar dados brutos ou auxiliares, os quais não caberiam
a um artigo científico, mas facilitariam a compreensão dos leitores, apêndices relativos
aos capítulos 1 e 2 foram inseridos no fim deste manuscrito.
5
3 – Revisão bibliográfica
3.1 - Sensoriamento remoto: princípios básicos
A utilização do sensoriamento remoto (SR) para o monitoramento ambiental
requer o entendimento dos princípios básicos de seu funcionamento. Novo (1992) e
Mather (2004) trazem em seus livros uma abordagem simples desta tecnologia. Nesta
seção serão transcritos os principais conceitos e princípios do SR de acordo com estes
autores.
O sensoriamento remoto foi definido por Novo (1992) como “a utilização conjunta
de modernos sensores, equipamentos para processamentos de dados, equipamentos de
transmissão de dados, aeronaves, espaçonaves, etc., com o objetivo de estudar o
ambiente terrestre através do registro e da análise das interações entre a radiação
eletromagnética e as substâncias componentes do planeta Terra em suas mais diversas
manifestações”.
A aquisição de informações sobre objetos ou fenômenos através de sensores
implica na ausência de contato direto entre estes.
A informação obtida pelo SR é adquirida por dois sistemas: sistema de coleta de
dados e o sistema de análise de dados.
O sistema de coleta de dados irá operar baseado em cinco princípios:
a. existência de fonte de radiação
b. propagação de radiação pela atmosfera
c. incidência da radiação sobre a superfície terrestre
d. ocorrência de interações entre a radiação e os objetos da superfície
e. produção de radiação que retorna ao sensor após propagar-se pela atmosfera.
6
Como pôde ser verificado, dentro do sistema de coleta de dados a base do SR é a
interação energia-matéria. Logo, a interpretação dos dados está baseada no
conhecimento desta interação.
Todo corpo com temperatura absoluta acima de 0º K pode ser considerado uma
fonte de radiação, pois a matéria nestas condições emite energia. Quando as ondas
eletromagnéticas são interceptadas por um corpo, o resultado da interação (radiação)
dependerá das propriedades elétricas e magnéticas da matéria que compõe o corpo.
A interação da radiação com o objeto é avaliada por medidas radiométricas que
informam, principalmente, sobre a quantidade de energia produzida pela fonte, a
quantidade de energia atenuada pelo meio que se interpõe entre a fonte e o objeto e a
quantidade de energia absorvida pelo objeto. Além disso, alguns aspectos qualitativos
são avaliados, como as regiões do espectro que sofreram atenuação pelo meio e quais
sofreram maior ou menor absorção pelo objeto.
O Sol é a principal fonte de energia eletromagnética disponível para o SR da
superfície terrestre. Quanto a irradiância solar na superfície terrestre, o máximo de
energia encontra-se na faixa de 400 a 700nm (região do visível).
Existem vários tipos de sensores utilizados no sensoriamento remoto, como
fotográficos, radares, radiômetros, orbitais; os quais são diferenciados quanto a fonte de
energia (passiva ou ativa), a região do espectro (região óptica e microondas) e o
comportamento espectral (imageadores ou não).
Os sensores ópticos orbitais (sensores de satélites) são considerados sensores
que detectam o comportamento espectral, ou seja, a transformação sofrida pela radiação.
São classificados como sensores de imageamento eletro-óptico. Eles operam em uma
ampla faixa do espectro eletromagnético e adquirem dados em forma de sinais
eletromagnéticos, o que permite a transmissão à distância.
Quanto à imagem formada pelos sensores, a resolução é uma das principais
características utilizadas para a escolha do sensor. A resolução é a medida da habilidade
7
que um sistema sensor possui em distinguir entre respostas que são semelhantes
espectralmente ou próximas espacialmente.
A resolução espacial é definida com a separação angular ou linear entre dois
objetos e a espectral refere-se à largura das faixas espectrais. Quanto menor a faixa
melhor será a resolução espectral. A resolução radiométrica refere-se à sensibilidade do
sistema sensor em distinguir entre dois níveis de intensidade do sinal de retorno. Além
das resoluções espaciais, espectrais e radiométrica, há também a resolução temporal no
caso de sensores operacionais, como os orbitais. A resolução temporal seria o tempo
necessário para que o sensor capture dados de uma área já visitada.
O sistema de análise de dados compreende as técnicas de pré-processamento
(ex. correções geométricas e radiométricas) e de extração de informação. Dentre as
técnicas de extração de informação de dados, a classificação digital e as modelagens
empírica e óptica serão abordadas a seguir.
3.1.1 - Classificação digital
A classificação digital é uma técnica em que classes pré-determinadas são
atribuídas a um conjunto de dados do sensor a partir de um processo de decisão
discriminatório de acordo com o comportamento espectral dos dados. Por exemplo,
quando objetiva-se o mapeamento da cobertura da vegetação, os tipos de vegetação
(floresta primária, cerrado, campo rupestre, etc.) seriam as classes e as imagens obtidas
de um sensor orbital seriam os dados espectrais. Quanto ao processo de decisão
discriminatório destes dados, existem vários algoritmos que se dividem em dois grupos
principais: classificação supervisionada e classificação não-supervisionada.
Na classificação supervisionada, amostras cuja classe é conhecida a priori são
fornecidas ao modelo. Estas amostras são denominadas “treinamento” e podem ser
definidas teoricamente, por seu comportamento espectral ou por conhecimento prático:
8
vistoria in situ, análise de fotografias, mapas anteriores, etc.. Neste tipo de classificação,
o número de classes a serem discriminadas é definido no início pelo usuário e o
classificador (algoritmo) irá associar matematicamente as classes às amostras
treinamento e depois aos demais dados similares a esta. Neste processo, o classificador
realiza a identificação das amostras ainda não classificadas, de forma que o número de
classes geradas será o mesmo daquelas definidas pelo usuário.
A classificação não-superviosionada é por sua vez baseada no processo de
agrupamento. Nesta classificação o número de classes geradas pelo classificador pode
não ser igual ao número de classes que o usuário supõe existir no conjunto de dados.
Logo, uma ou mais classes geradas podem pertencer a uma única classe de interesse do
usuário. Amostras de treinamento não são necessárias na classificação não-
supervisionada.
Para cada grupo de método de classificação existem vários algoritmos
associados, que buscam por diferentes formas um padrão de reconhecimento do objeto
alvo a partir de suas características espectrais, como também de outras características
que possam ser adicionadas ao modelo (ex.: textura). Dentre os algoritmos disponíveis, o
de máxima verossimilhança é um dos mais utilizadas na classificação supervisionada.
3.1.2 - Modelos empíricos
Os modelos empíricos visam estabelecer relações estatísticas entre a resposta
radiométrica do objeto alvo e suas propriedades, tais como a concentração do mesmo.
Tais relações são realizadas por meio de análises de regressões.
Amostras in situ da variável a ser analisada são obtidas simultaneamente ou
próximas ao momento em que o sensor adquire dados da mesma. Desta forma, relações
entre os dados in situ e do sensor podem ser obtidas. A partir da geração destas
9
relações, o modelo permite a extrapolação da concentração do objeto alvo em áreas
onde esta não foi mensurada in situ a partir dos dados do sensor.
Os modelos empíricos são amplamente utilizados com dados de sensores de
baixa resolução espectral relativa ao objeto alvo, isto é, quando estes não permitem a
discriminação de respostas espectrais de diferentes objetos em uma mesma banda.
3.1.3 - Modelos semi-empíricos ou semi-analíticos (modelos ópticos)
Os modelos semi-empíricos são aqueles onde as características espectrais do
objeto alvo são a base de sua construção. A partir das regiões espectrais que
caracterizam o comportamento espectral do objeto, pretende-se encontrar as regiões
espectrais ótimas. Estas seriam regiões do espectro onde a reflectância resultaria apenas
das características ópticas inerentes (coeficiente de absorção e de difusão) ao objeto alvo
ou onde a contribuição de outros compostos fosse mínima. As regiões espectrais ótimas
são obtidas por meio de análises estatísticas que relacionam a concentração do objeto
alvo com a reflectância. A partir das relações encontradas entre a reflectância “ótima” e a
concentração do objeto, pode-se aplicar o modelo a outras áreas não monitoradas e
extrapolar a concentração do objeto. Após a consolidação do modelo, tal extrapolação
pode ser aplicada a priori sem restrição a obtenção de dados in situ tanto na escala
espacial quanto temporal. Isto é válido, desde que as características dos dados a serem
estimados não se difiram daqueles que foram utilizados para o cálculo do modelo.
3.2 - Sensoriamento remoto no ambiente aquático
Desde quando os dados obtidos por sensores em aeronaves ou orbitais tornaram-
se disponíveis entre as décadas de 1960 e 1970, o estudo do uso do SR em ambientes
aquáticos vem sendo realizado. Vários livros que tratam do SR para o monitoramento
10
ambiental, fazem referência ao monitoramento da qualidade de água com o uso do SR
em capítulos específicos. Nesta seção, os principais aspectos teóricos desta abordagem
serão relatados com base, principalmente, nas revisões de Jensen (2000), Mertes et al.
(2004) e Mouchot et al. (1996).
A interação entre a energia eletromagnética e um corpo d’água ocorre entre o
elemento água e os demais elementos opticamente ativos presentes, dissolvidos ou
particulados. A resposta desta interação depende, portanto, das características inerentes
de tais elementos, como os coeficientes de absorção e dispersão, e da quantidade e
qualidade da energia radiante que incide sobre o corpo d’água. Como medidas de tais
interações têm-se algumas variáveis radiométricas, que são consideradas como
“propriedades ópticas aparentes”. A reflectância e o coeficiente de atenuação difusa são
as medidas mais amplamente estudadas dentre estas.
Modelos de transferência radiativa visam desmembrar a contribuição sobre as
propriedades ópticas inerentes de cada elemento presente na água. Com isto objetiva-se
estimar as concentrações de variáveis ambientais importantes a partir de dados de
sensores remotos. Neste contexto, a reflectância de um corpo d’água seria o resultado da
absorção e difusão causados por cada composto opticamente ativo presente, além do
próprio elemento água. Logo, o coeficiente de absorção e o de difusão do ambiente
aquático podem ser considerados como o somatório dos coeficientes dos principais
compostos opticamente ativos: pigmentos, “tripton” (matéria particulada não algal),
matéria orgânica dissolvida colorida (CDOM) e água. Cabe ressaltar que a reflectância na
porção do visível oriunda dos corpos d’água está restrita à zona eufótica.
Como destacado, apenas os elementos presentes na água que produzem
mudanças no espectro eletromagnético, principalmente na faixa visível e infravermelho
próximo, podem ser detectados pelos sensores. As variáveis associadas a estes
elementos que são passíveis de serem e têm sido estimadas por meio de SR são:
concentração de sólidos em suspensão, concentração de clorofila-a, profundidade do
11
disco de Secchi, matéria orgânica dissolvida colorida e o pigmento ficocianina, o qual é
indicativo da abundância de cianobactérias. Ao considerarmos que um sistema aquático
não estaria restrito à porção pelágica da coluna d’água, outras variáveis presentes
poderiam ser avaliadas por técnicas de sensoriamento remoto, como macrófitas e o
próprio leito do corpo d’água.
O fascículo especial do jornal científico “Remote Sensing of Environment” de
novembro de 2008 trouxe como tema as aplicações do SR aos programas de
monitoramento de ambientes de água doce e estuários (“Applications of Remote Sensing
to Monitoring Freshwater and Estuarine Systems”). Com base nos estudos apresentados
neste fascículo, pôde-se vislumbrar a amplitude das aplicações das técnicas de SR ao
monitoramento de ambientes aquáticos e seu entorno quanto aos processos e variáveis
estudados e às técnicas e sensores utilizados (Tabela 1). Dos 14 estudos apresentados,
3 enfocaram a ocorrência de cianobactérias ou fitoplâncton (clorofila-a) para a avaliação
da qualidade de água em lagos ou reservatórios.
Ao proporem novos métodos ou enfatizarem suas limitações, os artigos deste
fascículo evidenciaram que apesar dos estudos com SR em ambientes aquáticos veêm
sendo desenvolvidos desde a década de 70, há muito a ser fazer nesta área para que
tais técnicas se tornem rotina em programas de monitoramento.
3.3 – O uso do sensoriamento remoto para detecção d o fitoplâncton
A comunidade fitoplanctônica é composta por organismos fotoautotróficos de
diversos grupos, procariontes e eucariontes, como as algas e as cianobactérias. Tais
organismos diferenciam-se, entre outros aspectos, pela presença e ausência de diversos
12
Tabela 1 – Resolução nominal dos dados usados para análise, uso de aquisições multi-temporais, tipo de sensor utilizado, tipo de
ecossistema estudado, processo avaliado e a variável estudada para qualidade de água dos artigos pertencentes à edição especial do
jornal científico “Remote Sensing of Environment” - volume 112, fascículo 11 de 2008. Extraído e modificado de Goetz et al. (2008).
Autor principal Resolução Multi-temporal Sensor Habitat Processo Variável
Verdu Alta Sim Hiperespectral 1 Lago Qualidade de água Cyanobacteria
Randolph Ultra-fina Não Hiperespectral 1 Reservatório Qualidade de água Cyanobacteria
Siciliano Fina Sim Hiperespectral 2 Estuário Qualidade de água Nitrogênio em macrófitas
Hestir Fina Não Hiperespectral 1 Estuário Vegetação
Gilmore Fina Sim Multi-espectral 2,3 Estuário Vegetação
Nielsen Alta Sim Multi-espectral3 Áreas alagadas Vegetação
Goetz Alta Sim Multi-espectral 3 Rio Terrestre/aquático
Olmanson Alta Sim Multi-espectral 3 Lago Qualidade de água Profundidade do Secchi
Gons Moderado Não Multi-espectral 3 Lago Qualidade de água Clorofila-a
Fiedl Moderado Sim Multi-espectral 3 Áreas alagadas Quantidade de água
Lang Alta Sim SAR3 Áreas alagadas Quantidade de água
D’Ozouville Alta Não ASAR3 Rios Hidrologia/geomorfologia
Jones Fina Não LIDAR3 Rios Hidrologia/geomorfologia
Wedding Fina Não LIDAR3 Zona bêntica Batimetria
1 – sensor portátil, 2 – sensor em aeronave, 3 – sensor orbital
SAR – Synthetic-Aperture radar
ASAR - Advanced Synthetic Aperture Radar
LIDAR – Light Detection and Ranging
13
pigmentos (clorofilas, carotenóides e biliproteínas) associados ao processo de
fotossíntese (Raven et al., 2007).
Os pigmentos são responsáveis pela absorção de luz, sendo que cada tipo de
pigmento apresenta um espectro de absorção específico com picos de absorção em
determinados comprimentos de onda (Rowan, 1989). Além da absorção específica dos
pigmentos, estes compostos apresentam outras características fotométricas específicas,
como a fluorescência e a reflectância. Devido aos grupos do fitoplâncton apresentarem
diferenças quanto à composição de pigmentos (qualitativamente e quantitativamente), as
características fotométricas destes também são diferentes. Logo, por suas características
fotométricas, a comunidade fitoplanctônica pode ser monitorada por técnicas de
sensoriamento remoto, pois a energia eletromagnética solar interage com os pigmentos
resultando em radiações específicas de acordo com as espécies que compõem esta
comunidade. Florações são, desta forma, mais fáceis de serem detectadas e estudadas,
pois são compostas por poucas ou apenas uma espécie. O termo floração (“bloom”) é
utilizado para descrever o aumento excessivo da abundância fitoplanctônica comparado à
abundância média no ambiente (Oliver & Ganf, 2002). A floração resulta em alterações
na coloração da água, podendo ocorrer o acúmulo desta biomassa na superfície
(escumas), devido à flutuablidade ou mobilidade dos organismos.
Estudos têm enfocado o uso potencial de sensores para a estimativa da
abundância e discriminação dos diversos grupos fitoplanctônicos. Hunter et al. (2008),
por exemplo, encontraram que os pigmentos ficocianina-C e fucoxantina são potenciais
biomarcadores para a discriminação entre cianobactérias e bacilariófitas por sensores de
alta resolução espectral. Por outro lado, a clorofila-a, pigmento encontrado em todas as
espécies fitoplanctônicas apresentando uma relação direta com a biomassa destes
organismos, apesar de não ser específica a nenhum grupo taxonômico, vem sendo
classicamente empregada como variável óptica para a detecção de florações para os
14
diversos grupos fitoplanctônicos por meio de sensores remotos (ex.: Cyanobacteria:
Kutser, 2004, Dinophyta: Raine et al., 2001; Tomlinson et al., 2004).
As variações na resposta eletromagnética de um elemento específico dentro do
espaço espectral, medida principalmente pela reflectância, é o resultado das
propriedades ópticas deste elemento. O padrão de tais variações é chamado de
assinatura espectral. Para os diversos grupos de organismos fitoplanctônicos são
observadas assinaturas espectrais similares e associadas ao comportamento espectral
da clorofila-a (Gitelson et al., 1999). A baixa reflectância na faixa de 440nm (azul) e
670nm (vermelho – RED) é atribuída à absorção pela clorofila-a. Os picos de reflectância
na faixa de 570nm (verde) e de 700nm (infravermelho próximo – NIR) são atribuídos a
processos de dispersão pela superfície das células e à fluorescência da clorofila-a (Fig. 1
A). Para cianobactérias é observada uma baixa reflectância a 620nm devido à absorção
pelo pigmento fotossintético acessório ficocianina-C, característico destes organismos
(Fig. 1B).
Em contraste com águas oceânicas abertas, onde a variação da resposta óptica
da água é quase exclusivamente dependente da biomassa fitoplanctônica; outras fontes
de matéria em suspensão particulada orgânica e inorgânica, além da matéria orgânica
dissolvida, também afetam a resposta óptica de ambientes aquáticos continentais e
costeiros. Desta forma, discernir o sinal captado pelo sensor que seja referente apenas a
clorofila-a para se estimar a biomassa fitoplanctônica é mais complexo nestes ambientes.
Vários estudos tentam encontrar as melhores relações de dados de reflectância
de sensores com a concentração de clorofila-a (biomassa fitoplanctônica), nas quais as
interferências de outros compostos opticamente ativos presentes na água sobre o sinal
da clorofila-a sejam mínimas.
15
Figura 1 – Assinatura espectral de culturas de algas em diversas concentrações de
clorofila-a. A – Chlorophyta: clorofila-a de 0,5 a 60 µg.L-1. B – Cyanobacteria: clorofila-a
de 12.7 a 58.3 µg.L-1. As faixas de cores indicam a largura espectral das bandas do sensor TM do
satélite Landsat: TM1 (azul), TM2(verde), TM3(vermelho) e TM4 (rosa). A elipse assinala o pico de absorção
da ficocianina. Extraído e modificado de Gitelson et al. (1999).
A
B
Ref
lect
ânci
a (%
)
Comprimento de onda (nm)
Ref
lect
ânci
a (%
)
Comprimento de onda (nm)
Ref
lect
ânci
a (%
)
Comprimento de onda (nm)
Ref
lect
ânci
a (%
)
Comprimento de onda (nm)
16
Com o objetivo de separar as respostas ópticas dos componentes da água,
Giltelson et al. (1993) propuseram modelos bio-ópticos para a concentração de clorofila-
a, matéria particulada em suspensão e matéria orgânica dissolvida. Este estudo baseou-
se em um extenso banco de dados oriundo de diversos corpos d’água europeus. Para
cada um destes compostos foi encontrada a porção do espectro que estava mais
fortemente correlacionado a eles: 680 - 710 nm para o fitoplâncton (clorofila-a), 560 - 590
nm para matéria em suspensão e 450 - 480 nm para matéria orgânica dissolvida colorida.
O valor de reflectância utilizado para cada modelo foi obtido por normalização das
reflectâncias nas porções do espectro em que estas eram mais afetada (reflectância ativa
– Ra) e menos afetada (reflectância referência – Rr) pela variação do composto em
questão. Ambas as reflectâncias deveriam estar associadas às características espectrais
do composto. Para clorofila-a foi verificado que a reflectância normalizada ideal seria a
razão entre a Ra a 700 nm e a Rr a 675 nm. Esta relação é comumente denominada
razão NIR/RED (Near Infra-Red / Red), devido à posição no espectro de tais dados
encontrarem-se na porção do infravermelho próximo (700 nm) e no vermelho (675 nm).
Para as cianobactérias em específico, a razão NIR/RED também é utilizada; entretanto, a
reflectância em RED é obtida a 620 nm por sua relação com a absorção pela ficocianina
(Gitelson et al., 1999).
O modelo da razão NIR/RED para a estimativa do fitoplâncton vêm sendo utilizado
em vários estudos, mesmo quando o melhor comprimento de onda para as reflectâncias
ativa e de referência foram um pouco diferentes dos encontrados por Gitelson et al.
(1993) (ex. Han & Rundquist, 1997; Pepe et al., 2001; Thiemann & Kaufmann, 2000). O
uso da razão NIR/RED para a estimativa da concentração de pigmentos fotossintéticos é
viável quando o sensor utilizado apresenta uma resolução espectral suficiente para
discernir entre as faixas espectrais consideradas, como os espectroradiômetros de
campo. Apenas alguns sensores orbitais, entretanto, apresentam resolução espectral
suficiente para a aplicação destas razões (ex. MERIS - Medium Resolution Imaging
17
Spectrometer -, SeaWIFS - Sea-viewing Wide Field-of-view Sensor - e Hyperion). Alguns
trabalhos como o de Härmä et al. (2001), têm demonstrado a aplicabilidade do sensor
MERIS para a estimativa da clorofila-a por meio da razão NIR/RED a partir da
reflectância das bandas 9 (708,75nm) e 7 (665nm) deste sensor. A mesma acurácia não
foi obtida ao simularem o modelo para os sensores MODIS (Moderate Resolution Imaging
Spectroradiometer) e Landsat. Penã-Martinez et al. (2003) utilizou a razão da reflectância
entre as bandas 9 e 7 do MERIS para a estimativa de clorofila-a, e a razão entre as
bandas 9 e 6 (620nm) para estimativa da ficocianina. Foi encontrada, porém, uma melhor
relação entre a concentração de zeaxantina (carotenóide não exclusivo de
cianobactérias) e a razão 9/6 comparada a concentração de ficocianina.
Estudos que visam aprimorar e validar modelos bio-ópticos para a detecção do
fitoplâncton vêm sendo conduzidos até o presente. Dall’Olmo et al.(2003) propuseram um
modelo para a estimativa de clorofila-a baseado em três bandas espectrais na faixa do
vermelho e infravermelho próximo. Neste modelo os efeitos do tripton, CDOM e água
sobre o sinal da clorofila-a foram minimizados. Para isto, as bandas selecionadas foram
aquelas que apresentassem-se: 1) mais sensível à absorção por clorofila-a, embora com
efeitos da absorção de tripton e CDOM; 2) minimamente sensível à clorofila-a, mas com a
mesma sensibilidade à absorção de tripton e CDOM e 3) minimamente sensível ao três
componentes anteriores mas que corresponde à absorção pela água. Gitelson et al.
(2008) avaliaram o uso do modelo de três bandas e sua versão menos específica, duas
bandas, para a estimativa de clorofila-a a partir dos sensores orbitais MERIS e MODIS,
respectivamente. Eles encontraram que as bandas que corresponderiam a exigências do
modelo de Dall’Olmo et al.(2003) seriam: 1) 660 – 670 nm; 2 ) 700 – 730 nm e 3) 740 –
760 nm A aplicação do modelo com dados simulados para as configurações do MERIS e
MODIS e sua validação, mostraram que ambos os sensores poderiam ser utilizados para
o monitoramento da clorofila-a em águas continentais turvas. Entretanto, o modelo de
três bandas passível de ser aplicado a dados do MERIS seria mais acurado.
18
Apesar de muitos sensores orbitais não apresentarem resolução espectral
suficiente para a utilização dos modelos bio-ópticos supracitados, a utilização destes
sensores no monitoramento de ambientes aquáticos quanto à comunidade fitoplanctônica
não é impraticável. Tais estudos utilizam, principalmente, modelos empíricos baseados
em dados de campo, que apesar de sua aplicabilidade limitada à existência de tais
dados, eles também podem promover a extrapolação de dados para todo o ambiente
estudado. Vincent et al. (2004), por exemplo, utilizaram o Landsat TM para a detecção de
florações de Microcystis no Lago Erie (EUA). Eles criaram um algoritmo para a
quantificação de ficocianina através de dados do Landsat TM, embora os sensores deste
satélite não avaliem a faixa de 620 nm, região de menor reflectância da ficocianina.
Vincent et al. argumentaram que a vantagem do uso do Landsat sobre outros sensores
com maior resolução espectral, como SeaWIFS e MERIS, seria a sua maior resolução
espacial (30 m), a qual seria mais adequada para o estudo de lagos e de regiões
costeiras. Existem vários outros exemplos de estudos recentes com aplicação de
modelos empíricos em dados de sensores orbitais com menor resolução espectral, mas
com maior resolução espacial, como os de: Duan et al. (2007) com Landsat TM e Wheller
(2006) com SPOT-5 (Satellite Pour l'Observation de la Terre) e Quickbird.
Quanto à importância da resolução espacial para a avaliação de florações do
fitoplâncton, o trabalho de Kutser (2004) traz importantes aspectos a serem
considerados. Kutser avaliou a distribuição espacial e a concentração de clorofila-a em
florações de cianobactérias no Golfo da Finlândia no Mar Báltico por meio dos sensores
orbitais hiper-espectrais Hyperion e ALI (Advanced Land Imager), ambos com resolução
espacial de 30 m. Neste estudo, ele salientou que as florações de Cyanobacteria são
muitas vezes subestimadas pelos métodos convencionais de monitoramento no campo. A
principal causa desta subestimativa seria o deslocamento das escumas pelo próprio
movimento da embarcação. Logo, o uso de sensores orbitais para o monitoramento de
florações seria mais adequado, além de permitir o monitoramento de uma área maior,
19
comparado ao monitoramento em campo. Kutser discutiu sobre a importância da
resolução espacial do sensor orbital para a “real” detecção da distribuição espacial das
florações de cianobactérias. Em seu estudo, ele demonstrou que existe uma grande
variação espacial na concentração de clorofila-a que pode não ser detectada por
sensores com baixa resolução espacial. Logo, o uso de sensores de alta resolução
espacial é mais indicado para o monitoramento de florações do fitoplâncton.
Apesar das possíveis limitações quanto às resoluções dos sensores orbitais,
como exposto por Thiemann & Kaufmann (2000), o uso destes sensores para o
monitoramento de recursos hídricos apresenta uma grande vantagem sobre as
amostragens de campo pela possibilidade da avaliação de grandes extensões em escala
multitemporal por custos mais reduzidos. Além de facilitar o monitoramento de grandes
extensões, o SR permite o monitoramento de fenômenos que apresentam uma alta
variabilidade temporal e espacial, como a densidade fitoplanctônica (Kutser, 2004).
3.4 – Florações de organismos fitoplanctônicos: imp ortância das cianobactérias
As florações podem ocorrer com espécies de vários grupos fitoplanctônicos,
entretanto espécies do Filo Cyanobacteria são, em água doce, as que causam florações
de maior porte e duração. As florações superficiais, com escumas, são geralmente
formadas por espécies de cianobactérias (Oliver & Ganf, 2002).
A dominância da comunidade fitoplanctônica por espécies de cianobactérias é
atribuída a várias características destes organismos. Chorus & Bartram (1999) e Oliver &
Ganf (2002) trazem uma revisão sobre algumas características que promoveriam
vantagens competitivas para as cianobactérias frente às outras espécies eucariontes do
fitoplâncton: 1) alta eficiência fotossintética na região do verde; 2) maior resistência a
fotoinibição; 3) crescimento alto em baixas intensidades luminosas (alta turbidez); 4)
presença de aerotopos que promovem a regulação da flutuabilidade (vantagens na
20
absorção de luz e de nutrientes); 5) alta afinidade por fósforo e nitrogênio; 6) capacidade
de fixar nitrogênio atmosférico de algumas espécies; 7) maior estabilidade populacional e
manutenção no ambiente devido as menores taxas de crescimento serem compensadas
pelo menor impacto de predação e pela capacidade de regular a flutuabilidade.
Florações de cianobactérias podem causar vários danos à qualidade da água,
como a depleção de oxigênio dissolvido e conseqüente morte de peixes, prejuízos
estéticos, e, devido à produção de cianotoxinas e outros metabólitos secundários, podem
ocorrer a impalatabilidade e/ou não potabilidade da água como também a inadequação
para uso recreacional (Carmichael, 2001; Oliver & Ganf, 2002). Como uma grande
proporção das florações de cianobactérias é tóxica (Codd, 2000), estas oferecem risco à
saúde humana e de animais. Mortes humanas e de outros animais como peixes, aves e
mamíferos já foram causadas por intoxicação por cianotoxinas (veja exemplos em Dow &
Swoboda, 2002). Um dos casos mais divulgados mundialmente foi o da morte de 50
pacientes em uma clínica de hemodiálise em Caruaru (Pernambuco, Brasil) no ano de
1996 (Jochimsen et al, 1998).
3.4.1 - Cianotoxinas
As cianotoxinas podem ser divididas em três grupos de acordo com sua estrutura
química: peptídeos cíclicos, alcalóides e lipopolisacarídeos. Entretanto, a ação tóxica de
cianotoxinas pode ir desde alguns efeitos tóxicos específicos (hepatóxico, neurotóxico e
dermatóxico) até a inibição completa da síntese protéica (Chorus & Bartram, 1999).
Dentre as cianotoxinas, as mais estudadas são as hepatoxinas e neurotoxinas. As
hepatoxinas são compostas por três grupos principais: microcistinas e nodularinas, que
são peptídeos cíclicos, e cilindropermopsina, um alcalóide. As cianotoxinas alcalóides
dos grupos anatoxinas e saxitoxinas são as principais neurotoxinas produzidas por
cianobactérias.
21
Na tabela 2 os órgãos atingidos e gêneros produtores dos principais grupos de
cianotoxinas de acordo com Chorus & Bartram (1999) e MOH (2005) são apresentados.
Além dos gêneros apresentados na tabela 2, as espécies de cianobactérias
Coelosphaerium kuetzingianum, Gloetrichia echinulata, Gomphosphaeria lacustris,
Gomphosphaeria naegliana, Hormothamnion enteromorphoides, Schizothrix calcicola,
Scytonema pseudohofinunni, Synechococcus sp e Tolypothrix byssoidea foram citadas
por Dow & Swoboda (2002) como tóxicas, mas nenhuma referência ao tipo de
cianotoxina produzida foi apresentada por estes autores.
Entre as cianotoxinas, as hepatoxinas são responsáveis pelo maior número de
registros de efeitos nocivos em usuários de água (Dow & Sowboda, 2002). A organização
mundial de saúde (OMS) estabelece o limite máximo de 1 µg/L-1 de microcistina-LR que
poderia ser consumida diariamente oferecendo um risco mínimo à saúde humana.
Além de toxinas, outros compostos não tóxicos produzidos por cianobactérias,
que alteram o odor ou gosto da água, podem comprometer a utilização da mesma para
fins recreacionais e de abastecimento.
3.4.2 - Efeitos de cianobactérias na cadeia trófica
No âmbito ecológico, as florações de cianobactérias podem alterar a cadeia trófica
e conseqüentemente a dinâmica do ambiente. As florações podem diminuir a capacidade
de forrageamento de organismos zooplanctônicos por impedimento mecânico do aparato
filtrador devido às altas concentrações (Porter et al., 1982) ou às grandes dimensões de
filamentos e/ou colônias de algumas espécies de cianobactérias (Fulton, 1988; Reynolds,
1994; Webster & Peters, 1978). As taxas de filtração do zooplâncton podem diminuir
quando há florações de cianobactérias pela ação de compostos dissolvidos na água
(Haney, 1994). A intensidade deste efeito negativo sobre o zooplâncton pode ser
diferenciada entre as espécies tóxicas de cianobactérias (ex. Lotocka, 2001). A não
22
remoção da biomassa de cianobactérias por predadores pode ocasionar a dominância
destas sobre as outras espécies fitoplanctônicas.
Tabela 2 – Características gerais de cianotoxinas. Fonte: Chorus & Bartram (1999) e MOH (2005).
Grupo Órgãos atingidos em mamíferos Gêneros com espécies tóxicas Peptídeos cíclicos
Microcistina fígado Anabaena, Anabaenopsis Aphanocapsa, Arthrospira, Haphalosiphon, Microcystis, Phormidium, Planktothrix (Oscillatoria), Pseudanabaena, Nostoc, Synechochystis
Nodularina fígado Nodularia
Alcalóides
Anatoxina-a sinapse nervosa Anabaena, Aphanizomenon, Cylindrospermum, Microcystis, Phormidium, Planktothrix (Oscillatoria)
Anatoxina-a (S) sinapse nervosa Anabaena
Aplisiatoxinas pele Lyngbya, Schizothrix, Planktothrix (Oscillatoria)
Cilindrospermopsina fígado Aphanizomenon, Anabaena, Cylindrospermopsis, Raphidiopsis, Umezakia
Lyngbyatoxina-a pele, trato gastro-intestinal Lyngbya
Saxitoxinas axônios dos neurônios Anabaena, Aphanizomenon, Cylindrospermopsis, Lyngbya, Planktothrix
Lipopolisacarídeos irritação de qualquer tecido exposto
todos
Alguns estudos têm evidenciado que o efeito destes compostos, e possivelmente
das cianotoxinas, sobre a capacidade de forrageamento e conseqüente manutenção do
organismo no ambiente também seria diferenciado entre os grupos e mesmo entre
23
espécies de mesmo gênero de organismos zooplanctônicos (ex. DeMott & Moxter, 1991;
DeMott, 1999; Futton, 1988).
Além do efeito de cianotoxinas, a baixa qualidade nutricional de algumas
cianobactérias pode desfavorecer a manutenção do zooplâncton, principalmente em
ambientes onde florações são recorrentes ou duradouras. Pinto-Coelho et al. (2003,
2005), demonstraram que o desaparecimento do cladócero Daphnia laevis na Lagoa da
Pampulha (Minas Gerais - Brasil) pode ter sido ocasionado pelo baixo valor nutricional do
alimento (Microcystis), principalmente pela diminuição do teor de lipídeos destes em
períodos de floração da cianobactéria. Logo, a florações de cianobactérias podem alterar
não apenas a composição das espécies fitoplanctônicas, mas inclusive a de seus
predadores.
Outros organismos, como peixes e moluscos, também se alimentam do
fitoplâncton e conseqüentemente de cianobactérias. Alguns estudos com moluscos
filtradores têm indicado a utilização de cianobactérias (ex. Barker et al., 1998; von
Rückert et al., 2004), enquanto outros evidenciam a alteração da comunidade
fitoplanctônica por rejeição destas pelos mesmos (ex. Vanderploeg et al. 2001).
Independente da seleção ou não de cianobactérias na dieta alimentar de moluscos e
peixes, em eventos de florações estas são inevitavelmente ingeridas. Logo, o eventual
acúmulo de cianotoxinas nos tecidos destes organismos pode ocorrer (ex. Deblois et al.,
2008). Entretanto, o efeito deletério de cianotoxinas na saúde de peixes ainda não é
muito bem compreendido (Dow & Sowboda, 2002). Em moluscos, a bioacumulação é
proporcionalmente maior do que em peixes, por serem estes aparentemente menos
resistentes aos potenciais efeitos nocivos das cianotoxinas (Vasconcelos, 1999).
3.4.3 - Clorofila-a, estado trófico e biomassa de Cyanobacteria
24
A concentração de clorofila-a tem sido relacionada à estimativa da biomassa
fitoplanctônica, por este pigmento atuar diretamente no processo fotossintético e estar
presente em todas as espécies.
O processo de eutrofização nos ambientes aquáticos está diretamente
relacionado ao aumento da biomassa fitoplanctônica e, por sua vez, ao aumento das
concentrações de clorofila-a. Desta forma, a concentração de clorofila-a tem sido
amplamente utilizada na avaliação do estado trófico dos corpos d’água. Vários estudos
têm definido os níveis de concentração de clorofila e outras variáveis, como a
concentração de fósforo total, para a classificação dos estados tróficos: oligotrófico,
mesotrófico e eutrófico e suas variações (ex. Dillon & Rigler, 1974; OECD, 1982; Salas &
Martino, 2001).
A publicação da OECD (Organization for Economic Cooperation and
Development) de 1982 é freqüentemente utilizada para a classificação do estado trófico
de corpos d’ água, pois foi baseada em dados de uma ampla rede de monitoramento.
Carlson (1977) inovou o uso de sistemas de classificação de estado trófico por
tentar obter índices de trofia que pudessem ser baseados em uma única variável. Para
ele a biomassa fitoplanctônica seria o fator chave para descrição dos estados tróficos. A
base de seu índice foi a medida da profundidade do disco de Secchi. Entretanto, foram
criadas também equações independentes para o cálculo do índice de trofia baseadas em
clorofila-a e em fósforo total.
Variações das equações de índice de Carlson têm sido propostas, uma vez que
os dados utilizados na criação do índice de trofia de Carlson foram oriundos de
ambientes temperados. No Brasil, Toledo et al. (1983 e 1990) e mais recentemente
Lamparelli (2004), propuseram novas equações para o índice de trofia de Carlson, as
quais foram baseadas em dados de reservatórios tropicais no Brasil.
Além da avaliação do estado trófico, a concentração de clorofila-a também vem
sendo utilizada como uma das variáveis na classificação de corpos d’água quanto aos
25
riscos de toxicidade por cianotoxinas pela Organização Mundial de Saúde (OMS). Nesta
abordagem, para os dois usos principais dos recursos hídricos, recreação e fonte de
água potável, os limites de clorofila-a dentro dos níveis de riscos são diferentes.
Para o uso recreacional, os níveis de risco para a saúde humana por contato
direto ou ocasional ingestão são sugeridos pela OMS como baixo, moderado e alto. A
formação de escumas é o limiar para o nível alto. Para os níveis de risco baixo e
moderado, a concentrações de clorofila-a limites seriam: < 10 µg.L-1, 10 – 50 µg.L-1,
respectivamente (Chorus & Bartram, 1999).
Para o uso da água como fonte de água potável, a OMS estipula um trabalho de
monitoramento que possui orientações de medidas a serem tomadas de acordo com a
quantidade e grau de toxicidade das cianobactérias presentes na fonte de água. Neste
guia, há três níveis de alerta: vigilância, alerta 1 e alerta 2; estipulados de acordo com o
risco de ocorrência de florações tóxicas. O nível de vigilância é alcançado quando há a
detecção de pelo menos uma colônia ou menos que 5 filamentos de cianobactéria em 1
mL. Os níveis de alerta 1 e 2 são alcançados quando a abundância de cianobactéria é
igual ou maior a 2000 cel.mL- e 100000 cel.mL-1, respectivamente. Quando em alerta 2,
técnicas avançadas de tratamento de água para a remoção de toxinas ou mesmo o uso
de outra fonte de água devem ser implementados. A concentração de clorofila-a pode ser
utilizada como medida indireta da biomassa de cianobactéria, quando estas são
dominantes na comunidade fitoplanctônica, para a determinação do nível de risco. Os
valores de 1 µg.L-1 e 50 µg.L-1 são os limites para os níveis de vigilância e alerta 1,
respectivamente (Chorus & Bartram, 1999).
3.4.4 - Programas de monitoramento de cianobactérias
Com base nos vários aspectos expostos anteriormente, pode-se verificar que para
o manejo dos recursos hídricos, o conhecimento da quantidade e distribuição de
26
cianobactérias é essencial. A detecção de florações, principalmente em estágio inicial,
permite implementar medidas de controle nas regiões afetadas. O monitoramento da
comunidade fitoplantônica quanto à sua estrutura taxonômica e abundância é
convencionalmente realizado por meio de contagens com o uso de microscópio. Tal
técnica é laboriosa e relativamente dispendiosa. Se considerarmos ambientes aquáticos
de grandes extensões, onde uma extensa rede de estações de coletas é necessária para
avaliar a qualidade da água, o monitoramento convencional pode se tornar inviável
logística e financeiramente, o que o tornaria ineficiente.
As técnicas envolvendo o sensoriamento remoto, principalmente por sensores
orbitais, facilitam o estudo de processos de grande escala e de áreas de difícil acesso. O
uso destas técnicas na detecção e quantificação de florações pode, desta forma,
contribuir para a maior eficiência de medidas de controle, como também tornar mais
evidente quais áreas devem ser controladas dentro de um corpo d’água de grandes
extensões.
No Brasil o número de estudos à cerca de cianobactérias vem aumentando desde
a década de 90, estimulados, principalmente, pelo trágico episódio de mortes humanas
em Caruaru no ano de 1996. Além de incentivar a pesquisa com cianobactérias, tal
episódio propulsionou a normatização dos limites de abundância de tais organismos
quanto aos diversos usos da água (Brasil, 2005) e mais especificamente para fins de
potabilidade (Brasil, 2000).
Além dos diversos estudos de monitoramento da ocorrência e variação espacial e
temporal de cianobactérias e cianotoxinas (ex. Costa et al, 2006; Yunes et al. 1996),
estudos abordando a aplicação de técnicas de biologia molecular para a detecção e
quantificação destas (ex. Anjos et al., 2006; Moraes, 2007) e visando a identificação de
espécies tóxicas e de tipos de cianotoxinas (ex. Domingos et al, 1999; Sant’Anna et al.
2008; Yunes et al, 2003) vêem sendo amplamente conduzidos. Entretanto, a utilização de
27
técnicas de sensoriamento remoto como ferramenta para a detecção e monitoramento de
cianobactérias encontra-se ainda em estágio inicial de desenvolvimento no Brasil.
Apesar da carência de estudos especificamente com cianobactérias, outros
estudos em ambientes aquáticos continentais e entorno vêm sendo realizados no Brasil
com base em dados de sensores remotos, como apresentado no tópico a seguir.
3.5 – O uso do sensoriamento remoto em ambientes aq uáticos continentais
brasileiros
No Brasil, o grupo de Evlyn M. L. M. Novo vem trabalhando desde a década de
80 com a aplicação de técnicas de SR para estudo e manejo de recursos hídricos. Vários
projetos e publicações foram realizados, dos quais se pode destacar quanto ao
monitoramento do fitoplâncton por sensores orbitais a aplicação de modelos empíricos
(ex. Novo et al., 1993) e, mais recentemente, a aplicação de modelos lineares de mistura
em lagos amazônicos (ex. Novo et al., 2006).
Além dos estudos de Novo e sua equipe, outros pesquisadores também têm
avaliado aspectos relativos à qualidade da água a partir de dados de SR em lagoas
costeiras brasileiras. No litoral norte do Estado do Rio Grande do Sul, Pereira (2007)
avaliou o uso dos sensores CBERS CCD e Landsat TM para a estimativa de variáveis
relacionadas ao estado trófico da água (clorofila-a, profundidade do disco de Secchi e
turbidez). Por meio de modelagem empírica via regressões lineares, ela encontrou que
apenas a turbidez apresentou uma correlação significativa e forte (R2 = 0,83) com os
valores de refletância da banda 4 do CBERS. Também aplicando modelos empíricos,
Martini et al. (2006) avaliou a distribuição da clorofila-a na Lagoa da Conceição (Santa
Catarina) usando as relações desta variável com as reflectâncias das bandas 1 e 2 do
Landsat TM. Na Lagoa de Araruama (Rio de Janeiro), Braga et al. (2003) encontraram
correlações significativas e fortes com o resultado da análise de componentes principais
28
das reflectâncias das bandas 1, 2 e 3 do Landsat TM e os valores de clorofila-a e disco
de Secchi. Entretanto, estes autores relataram que a estimativa de tais variáveis seriam
restritas a porções da lagoa onde o fundo não interferisse no sinal captado pelo sensor,
ou seja, porções com profundidade maior que 3,5 m.
Além dos modelos empíricos e linear de mistura, o método de classificação digital
também já foi aplicado em estudos de ambientes aquáticos brasileiros. Batista & Araújo
Neto (1994) avaliaram a distribuição da profundidade do disco de Secchi no Lago
Paranoá (Distrito Federal) a partir da classificação das bandas 1, 2 e 3 do sensor SPOT.
A classificação digital é rotineiramente empregada para o mapeamento da
cobertura e uso do solo. Em estudos que visam a compreensão da interação entre os
ambientes aquáticos e terrestres, esta técnica vem sendo aplicada para o mapeamento
do sistema terrestre no entorno do corpo d’água em questão. Maillard & Santos (2008),
por exemplo, utilizaram a classificação digital sobre imagens do sensor ETM (Landsat-7)
para obterem a distribuição das classes de uso e cobertura do solo da bacia hidrográfica
do Rio das Velhas (Minas Gerais). Estes autores correlacionaram as proporções de cada
classe com variáveis de qualidade de água para identificarem a largura da zona ripária e
quais classes produziriam um maior efeito sobre a qualidade da água.
O número de estudos em ambientes aquáticos e seu entorno a partir de técnicas
de SR tendem a aumentar no Brasil. Isto é verdadeiro, visto que nos últimos anos o
Governo do Brasil tem aumentado o investimento em ciência e tecnologia nesta área de
conhecimento. O resultado concreto de tal atitude é a consolidação do programa CBERS
(China-Brazil Earth Resources Satellite).
O Programa CBERS foi implementado em 06 de Julho de 1988 com um acordo de
parceria entre os governos do Brasil e da China. Este programa é desenvolvido pelo
INPE (Instituto Nacional de Pesquisas Espaciais) e pela CAST (Academia Chinesa de
Tecnologia Espacial) e tem como objetivo o desenvolvimento de satélites avançados de
sensoriamento remoto.
29
Dos três satélites lançados, CBERS-1, CBERS-2 e CBERS-2B, apenas o último
continua em operação. Há, entretanto, a previsão de lançamento de mais dois satélites,
CBERS-3 (2009) e CBERS-4 (2011). Os satélites CBERS produzidos possuem três
sensores imageadores: WFI (Imageador de Amplo Campo de Visada), CCD (Câmera
Imageadora de Alta Resolução) e IRMSS (Imageador por Varredura de Média
Resolução). O sensor CCD fornece dados de 5 bandas espectrais na faixa do visível e
infra-vermelho, com resoluções espacial e temporal de 20 m e 26 dias, respectivamente.
Devido às suas características, a CCD pode auxiliar em estudos nas escalas municipais e
regionais. Dentre as indicações de uso da CCD para o estudo de recursos aquáticos têm-
se a identificação de limites continente-água, os estudos e gerenciamento costeiros e o
monitoramento de reservatórios (INPE, 2009a).
As imagens dos territórios brasileiro e chinês, oriundas dos sensores do CBERS-
2, são distribuídas gratuitamente pela rede mundial de computadores desde 2004. Este
benefício foi expandido para os demais países sul-americanos e aos países africanos, em
2006 e 2007, respectivamente.
Um simpósio para avaliar o uso do CBERS em diversos setores foi realizado em
2005, sendo que as informações sobre este evento encontram-se disponíveis no sítio do
INPE (INPE, 2009b). Órgãos do Governo Brasileiro têm utilizado os dados dos sensores
CBERS para o aprimoramento de dados ou a implementação de novos estudos à cerca
do meio ambiente. Estudos como a delimitação de área de reservatórios conduzidos pela
ANA (Agência Nacional das Águas), delimitação de áreas de desmatamento conduzidos
pelo IBAMA (Instituto Brasileiro do Meio Ambiente e dos Recursos Naturais) e a
atualização de cartas temáticas (solos, geomorfologia, vegetação, geologia) do Brasil na
escala 1:250.000 e a classificação do uso da terra conduzidos pelo IBGE (Instituto
Brasileiro de Geografia e Estatística) foram destacados no evento. Todos estes órgãos
enfatizaram a maior facilidade de conduzirem os seus estudos devido à gratuidade e ao
fácil acesso das imagens CBERS.
30
Alguns estudos em ambientes aquáticos continentais e seu entorno estão sendo
desenvolvidos com o uso de dados do CBERS. A partir de trabalhos apresentados no
último Simpósio Brasileiro de Sensoriamento Remoto, realizado em 2007, pode-se
visualizar o atual avanço destes estudos no Brasil. Tais trabalhos empregaram diferentes
métodos sobre os dados CBERS que variaram desde a simples vetorização do contorno
do ambiente aquático (ex. Bielenki Júnior et al., 2007) até a estimativa de cobertura e uso
do solo da bacia hidrográfica (ex. Sartor et al., 2007) e a avaliação da qualidade da água
(ex. Pereira et al., 2007; Wachholz et al., 2007).
Referências bibliográficas
Anjos, F.M., Bittencourt-Oliveira, M.C., Zatac, M.P., Hillen, S., Christian, B., Erler, K.,
Luckas, B., Pinto, E. (2006) Detection of harmful cyanobacterial and their toxins by
both PCR amplification and LC-MS during a bloom event. Toxicon, 48, 239-245.
Baker, S.M., Levinton, J.S., Kurdziel, J.P. & Shumway, S.E. (1998). Selective feeding and
biodeposition by zebra mussels and their relation to changes in phytoplankton
composition and seston load. The Journal of Shellfish Research, 17, 1207-1213.
Batista, G.M.M., & Araújo Neto, M.D. (1994). O processo de eutrofização artificial no Lago
Paranoá, Brasília, DF. Geonomos, 2, 31-39.
Bielenki Júnior, C., Hauschild, R.M.P.R., Godinho, J.M., Scherer-Warren & M., Quirino,
W.S. (2007). Mapeamento de reservatórios no nordeste usando imagens CBERS II.
Anais XIII Simpósio Brasileiro de Sensoriamento Remoto, 785-790. Disponível em:
http://marte.dpi.inpe.br/col/dpi.inpe.br/sbsr@80/2006/11.14.21.04/doc/785-790.pdf
31
Braga, C.Z.F., Vianna, M.L. & Kjerfve, B. (2003). Environmental characterization of a
hypersaline coastal lagoon from Landsat-5 Thematic Mapper data. International
Journal of Remote Sensing, 24, 3219–3234.
Brasil. Portaria 1469 do Ministério da Saúde, de 29 de dezembro de 2000.
Brasil. Resolução CONAMA nº 357, de 17 de março de 2005.
Carlson, R.E. (1977). A trophic state index for lakes. Limnology and Oceanography, 22,
361-369.
Carmichael, W.W. (2001). Health effects of toxin-producing cyanobacteria: ‘‘The
CyanoHABs’’. Human and Ecological Risk Assessment, 7, 1393–1407.
Chorus, I., Bartram, J. (Eds.) (1999). Toxic Cyanobacteria: A guide to their public health
consequences monitoring and management. 400p. London: E & FN Spon.
Codd, G.A. (2000). Cyanobacterial toxins, the perception of water quality, and the
prioritisation of eutrophication control. Ecological Engineering, 16, 51–60Dow, C.S. &
Swoboda, U.K. (2002). Cyanotoxins. In B.A. Whitton & M. Potts (Eds), The Ecology of
Cyanobacteria (pp. 613-632). Netherlands: Kluwer Academic Publishers.
Costa, I.A.S., Azevedo, S.M.F.O., Senna, P.A.C., Bernardo, R.R., Costa, S.M.DA,
Chellappa, N.T. (2006). Occurrence of toxin producing cyanobacteria blooms in a
Brazilian semiarid reservoir. Brazilian Journal of Biology, 66, 29-41.
Dall'Olmo, G., Gitelson, A. A., & Rundquist, D. C. (2003). Towards a unified approach for
remote estimation of chlorophyll-a in both terrestrial vegetation and turbid productive
waters. Geophysical Research Letters, 30, 1038. doi:10.1029/2003GL018065.
32
Deblois, C., Aranda-Rodriguez, R., Giani, A. & Bird, D. F. (2008) Microcystin accumulation
in liver and muscle of tilapia in two large Brazilian hydroelectric reservoirs. Toxicon, 51,
435-448.
Demott, W. R. (1999). Foraging strategies and growth inhibition in five daphnids feeding
on mixtures of a toxic cyanobacterium and a green algae. Freshwater Biology, 42, 263-
274.
DeMott, W.R. & Moxter, F. (1991). Foraging Cyanobacteria by copepods: responses to
chemical defense and resource abundance. Ecology, 72, 1820-1834.
Dillon, P.J., & Rigler, F.H. (1974). The phosphorus-chlorophyll relationship in lakes.
Limnology and Oceanography, 19, 767-773.
Domingos, P., Rubin, T.K., Molica, R.J.R., Azevedo, S.M.F.O., Carmichael, W.W. (1999).
First report of microcystin production by picoplanktonic cyanobacteria isolated from a
Northeast Brazilian drinking water supply. Environmental toxicology, 14, 31-35.
Dow, C.S. & Swoboda, U.K. (2002). Cyanotoxins. In B.A. Whitton & M. Potts (Eds), The
Ecology of Cyanobacteria (pp. 613-632). Netherlands: Kluwer Academic Publishers.
Duan, H., Zhang, Y., Zhang, B., Song, K., & Wang, Z. (2007). Assessment of chlorophyll-a
concentration and trophic state for Lake Chagan using Landsat TM and field spectral
data. Environmental Monitoring and Assessment, 129, 295–308.
Fulton, R.S. (1988). Grazing on filamentous algae by herbivorous zooplankton.
Freshwater Biology, 20, 263-271.
Gitelson, A., Szilagyi, F. & Mittenzwey, K.H. (1993). Improving quantitative remote
sensing for monitoring of inland water quality. Water Research, 27, 1185-1194.
33
Gitelson, A.A., Schalles, J.F., Rundquist, D.C., Schiebe, F.R. & Yacobi, Y.Z. (1999).
Comparative reflectance properties of algal cultures with manipulated densities.
Journal of Applied Phycology, 11, 345–354.
Gitelson, A.A., Dall'Olmo, G., Moses, W., Rundquist, D.C., Barrow, T., Fisher, T.R., Gurlin,
D. & Holz, J. (2008). A simple semi-analytical model for remote estimation of
chlorophyll-a in turbid waters: Validation. Remote Sensing of Environment, 112, 3582–
3593.
Goetz, S.J.,Gardiner, N. &. Viers, J.H. (2008). Monitoring freshwater, estuarine and near-
shore benthic ecosystems with multi-sensor remote sensing: An introduction to the
special issue. Remote Sensing of Environment, 112, 3993–3995.
Haney, J. F., Forsyth, D. J., James, M. R. (1994). Inhibition of zooplankton filtering rates
by dissolved inhibitors produced by naturally occurring cyanobacteria. Archiv für
Hydrobiologie, 132, 1-13.
Han, L. & Rundquist, D.C. (1997). Comparison of NIR/RED ratio and first derivative of
reflectance in estimating algal-chlorophyll concentration: A case study in a turbid
reservoir. Remote Sensing of Environment, 62, 253-261.
Härmä, P., Vepsäläinen, J., Hannonen, T., Pyhälahti, T., Kämäri, J., Kallio, K., Eloheimo,
K., & Koponen, S. (2001). Detection of water quality using simulated satellite data and
semi-empirical algorithms in Finland. The Science of the Total Environment, 268, 107-
121.
Hunter. P.D., Tyler, A.N., Présing, M., Kovács, A.W. & Preston, T. (2008). Spectral
discrimination of phytoplankton colour groups: The effect of suspended particulate
matter and sensor spectral resolution. Remote Sensing of Environment, 112, 1527–
1544.
34
INPE. São José dos Campos, Instituto Nacional de Pesquisas Espaciais. Contém
informações institucionais, técnicas e notícias sobre o Programa CBERS. Disponível
em: http://www.cbers.inpe.br. Acesso em 12/02/2009.
a) http://www.cbers.inpe.br/?content=aplicacoes e
b) http://www.cbers.inpe.br/?content=bib_ppt_seminario2005.
Jensen, R.J. (2000). Remote sensing of the environment – an Earth resource perspective.
(pp. 388-392) New Jersey: Upper Saddle River, Prentice Hall.
Jochimsen, E.M., Carmichael, W.W., An, J.S., Cardo, D.M., Cookson, S.T., Holmes, C.E.,
Antunes, M.B., de Melo Filho, D.A., Lyra, T.M., Barreto, V.S., Azevedo, S.M., Jarvis,
W.R. (1998). Liver Failure And Death Following Exposure To Microcystins Toxins At A
Hemodialysis Center In Brazil. The New England Journal of Medicine, 338, 873-878.
Kutser, T. (2004). Quantitative detection of chlorophyll in cyanobacterial blooms by
satellite remote sensing. Limnology & Oceanography, 49, 2179-2189.
Lamparelli, M.C. (2004). Grau de trofia em corpos d’água do Estado de São Paulo:
Avaliação dos métodos de monitoramento. Tese de doutorado. Universidade de São
Paulo, Instituto de Biociências da Universidade de São Paulo, Departamento de
Ecologia, São Paulo. São Paulo, Brasil. 235p. Disponível em:
http://www.teses.usp.br/teses/disponiveis/41/41134/tde-20032006-075813/
Lotocka, M. (2001). Toxic effect of cyanobacterial blooms on the grazing activity of
Daphnia magna Straus. Oceanologia, 43, 441–453.
Maillard, P. & Santos, N.A.P. (2008). A spatial-statistical approach for modeling the effect
of non-point source pollution on different water quality parameters in the Velhas river
watershed – Brazil. Journal of Environmental Management, 86, 158–170.
35
Mather, P.M. (2004). Computer processing of remotely-sensed images: An introduction.
3ª edição. 324p. West Sussex: John Wiley & Sons.
Martini, L.C.P., Mattos, D.S., Barbosa, D.F.P. & Rech, A.I.B. (2006). Uso de
sensoriamento remoto orbital para avaliação da distribuição espacial de clorofila-a na
Lagoa da Conceição - Florianópolis, SC. Engenharia Sanitária e Ambiental, 11, 318-
324.
Mertes, L.A.K., Dekker, A.G, Brakenridge, G,R., Birkett, C. M. & Létourneau, G. 2004.
Rivers and Lakes. In S.L. Ustin (Ed) & A.N Rencz. (Ed chief), Manual of remote
sensing. Volume 4: Remote sensing for natural resource management and
environmental monitoring (pp 345- 400). New York: John Wiley & Sons.
MOH - Ministry of Health. (2005). Draft Guidelines for Drinking-water Quality
Management for New Zealand 2005, Capítulo 9: Cyanobacterial Compliance. 2ª
Edição. Wellington: Ministry of Health. Disponível em :
http://www.moh.govt.nz/moh.nsf/0/5A25BF765B400911CC25708F0002B5A8/$File/09-
cyanobacteriacompliance.pdf
Moraes, B. P. B. (2007). Detecção de microcistina no reservatório de São Simão/CEMIG
através da reação da polimerase em cadeia (PCR). Dissertação de mestrado.
Universidade Federal de Minas Gerais, Instituto de Ciências Biológicas, Programa de
Pós-graduação em Biologia Vegetal. Belo Horizonte, Minas Gerais, Brasil. 72p.
Mouchot, M., Grenier, M. & Létourneau, G. (1996). Télédétection de la quantité de l’éau.
In F. Bonn (Ed) Précis de télédétection, Volume 2 : Applications thématiques (pp 393 –
426). Sainte-Foy: Presses de l’Université du Québec/AUPELF.
Novo E.M.L.M. (1992). Sensoriamento remoto: princípios e aplicações. 2ª edição. 308p.
São Paulo: Edgard Blücher Ltda.
36
Novo, E.M.L.M., Braga, C.Z.F. & Tundisi, J.G. (1993). Remote sensing estimation of total
chlorophyll pigment distribution in Barra Bonita Reservoir, Brazil. In Straskraba, M.,
Tundisi, J.G. & Duncan, A. (Eds.), Comparative reservoir limnology and water quality
management (pp. 147-152). Netherlands: Kluwer Academic Publishers.
Novo, E.M.L.M., Barbosa, C.C.F., Freitas, R.M., Shimabukuro, Y.E., Melack, J.M. &
Pereira Filho, W. (2006). Seasonal changes in chlorophyll distributions in Amazon
floodplain lakes derived from MODIS images. Limnology, 7, 153–161.
OECD - Organization for Economic Cooperation and Development. (1982). Eutrophication
of water: monitoring, assessment and control. 154p. Paris: OECD.
Oliver, R.L., & Ganf, G.G. (2002). Freshwater blooms. In B.A. Whitton & M. Potts (Eds),
The Ecology of Cyanobacteria (pp. 149-194). Netherlands: Kluwer Academic
Publishers.
Pepe, M., Giardino, C., Borsani, G., Cardoso, A. C., Chiaudani, G., Premazzi, G., Rodari,
E. & Zilioli, E. (2001). Relationship between apparent optical properties and
photosynthetic pigments in the sub-alpine Lake Iseo. The Science of the Total
Environment, 268, 31-45.
Penã-Martinez, R., Domínguez-Gómez, J. A., Hoyos, C. & Ruiz-Verdu, A. (2003).
Mapping of photosynthetic pigments in Spanish reservoirs. Proceedings of the MERIS
User Workshop, 10 a 13 de novembro, ESA-ESRIN, Frascati, Italy. Disponível em:
http://envisat.esa.int/workshops/meris03/participants/203/paper_30_pena.pdf.
Pereira, R. (2007). Aplicabilidade de métodos de sensoriamento remoto na avaliação e
monitoramento do estado trófico de lagoas costeiras do Rio Grande do Sul – Brasil.
Dissertação de mestrado. Universidade Federal do Rio Grande do Sul, Instituto de
37
Biociências, Programa de Pós-Graduação em Ecologia, Porto Alegre. Rio Grande do
Sul, Brasil. 63p. Disponível em:
http://www.lume.ufrgs.br/bitstream/handle/10183/11996/000611246.pdf?sequence=1
Pereira, R., Schäfer, A.E., Würdig, N.L. (2007). Aplicabilidade de métodos de
sensoriamento semoto na avaliação e monitoramento do estado trófico de lagoas
costeiras do Rio Grande do Sul (RS). Anais XIII Simpósio Brasileiro de Sensoriamento
Remoto, 3513-3520. Disponível em:
http://marte.dpi.inpe.br/col/dpi.inpe.br/sbsr@80/2006/11.15.16.04/doc/3513-3520.pdf
Pinto-coelho, R.M., Bezerra-Neto, J.F., Giani, A., Macedo, C.F., Figueredo, C.C., &
Carvalho, E.A. (2003). The collapse of a Daphnia laevis (Birge, 1878) population in
Pampulha reservoir, Brazil. Acta Limnologica Brasiliensis, 15, 53-70.
Pinto-Coelho, R. M., Giani, A., Morais-Jr., C. A., Carvalho-Jr., E. R., Bezerra-Neto, J. F.
(2005). The nutritional status of zooplankton in a tropical reservoir: effects of food
quality and community structure. Brazilian Journal of Biology, 65, 313-324.
Porter, K.G., Gerritsen, J. & Orcutt Jr., J.D. (1982). The effect of food concentrations on
swinning patterns, feeding behavior, ingestion, assimiliation, and respiration by
Daphnia. Limnology & Oceanography, 27, 935-949.
Raine, R., O’Boyle, S., O’Higgins, T., White, M., Patching, J., Cahill, B. & McMahon, T.
(2001). A satellite and field portrait of a Karenia mikimotoi bloom off the south coast of
Ireland, August 1998. Hydrobiologia, 465, 187–193.
Raven, P. H., Evert, R. F. & Eichhorn, S.E. (2007). Biologia Vegetal. 7ª edição. 830p. Rio
de Janeiro: Guaanabara Koogan.
38
Reynolds, C.S. (1994). The ecological basis for the successful biomanipulation of aquatic
communities. Archiv für Hydrobiologie, 130, 1-33.
Rowan, K. S. (1989). Photosynthetic pigments of algae. 334p. New York: Cambridge
University Press.
Salas, H.J., & Martino, P. (2001). Metologías simplificadas para evaluacíon de
eutroficacion en lagos tropicales. 60p, Lima: CEPIS. Disponível em:
http://www.bvsde.paho.org/bvsaca/e/fulltext/eutrof/eutrof.pdf
Sant’Anna, C.L., Azevedo, M.T.P., Werner, V.R., Dogo, C.R., Rios, F.R. & Carvalho, L.R.
(2008). Review of toxic species of Cyanobacteria in Brazil. Algological studies, 126,
251-265.
Sartor, S.C.B., Wachholz, F., Pereira Filho, W. (2007). Relação das variáveis TSS e
transparência da água com o uso da terra na área de captação das sub-bacias do
Reservatório Rodolfo Costa e Silva/CORSAN – RS. Anais XIII Simpósio Brasileiro de
Sensoriamento Remoto, 3549-3551. Disponível em:
http://marte.dpi.inpe.br/col/dpi.inpe.br/sbsr@80/2006/11.16.04.41/doc/3549-3551.pdf
Thiemann, S., & Kaufmann, H. (2000). Determination of chlorophyll content and trophic
state of lakes using field spectrometer and IRS-1C satellite data in the Mecklenburg
Lake District, Germany. Remote Sensing of Environment, 73, 227–235.
Toledo, Júnior, A. P. (1990). Informe preliminar sobre os estudos para obtenção de um
índice para a avaliação do estado trófico de reservatórios quentes tropicais. São
Paulo: CETESB. Relatório Interno.
Toledo, Júnior, A. P., Talarico, M., Chinez, S.J. & Agudo, E.G. (1983). A aplicação de
modelos simplificados para a avaliação de processos de eutrofização em lagos e
39
reservatórios tropicais. In: Anais do 12º Congresso Brasileiro de Engenharia Sanitária,
1-34.
Tomlinson M.C., Stumpf R.P., Ransibrahmanakul V., Truby E.W., Kirkpatrick G.J.,
Pederson B.A., Vargo G.A. & Heil C.A. (2004). Evaluation of the use of SeaWiFS
imagery for detecting Karenia brevis harmful algal blooms in the eastern Gulf of
Mexico. Remote Sensing of Environment, 91, 293–303.
Vanderploeg, H. A., Liebig, J.R., Carmichael, W.W., Agy, M.A., Johengen, T.H.,
Fahnenstiel, G.L. & Nalepa, T.F. (2001). Zebra mussel (Dreissena polymorpha)
selective filtration promoted toxic Microcystis blooms in Saginaw Bay (Lake Huron) and
Lake Erie. Canadian Journal of Fisheries and Aquatic Sciences, 58, 1208-1221.
Vasconcelos, V. M. (1999) Cyanobacterial toxins in Portugal: effects on aquatic animals
and risk for human health. Brazilian Journal of Medical and Biological Research, 32,
249-254.
Vincent, R.K., Xiaoming, Q., McKay, R.M.L., Miner, J., Czajkowski, K., Savino, J. &
Bridgeman, T. (2004). Phycocyanin detection from LANDSAT TM data for mapping
cyanobacterial blooms in Lake Erie. Remote Sensing of Environment, 89, 381-392.
von Rückert, G., Campos, M.C.S. & Rolla, M.E. (2004). Alimentação de Limnoperna
fortunei (Dunker 1857): taxas de filtração com ênfase ao uso de Cyanobacteria. Acta
Scientiarum Biological Sciences, 26, 421-429.
Wachholz, F., Breunig, F.M., Fonseca, L.M.G., Sartor, S.C.B. & Pereira Filho, W. (2007).
Identificação de compartimentos aquáticos com imagens CBERS-2 CCD, Landsat TM5
e dados de campo no reservatório Rodolfo Costa e Silva-RS. Anais XIII Simpósio
Brasileiro de Sensoriamento Remoto, 3607-3614. Disponível em:
40
http://marte.dpi.inpe.br/col/dpi.inpe.br/sbsr@80/2006/11.15.11.55.58/doc/3607-
3614.pdf
Watzin, M.C., Miller, E.B., Shambaugh, A.D., Kreider, M.A. (2006). Application of the
WHO alert level framework to cyanobacteria monitoring on Lake Champlain, Vermont.
Environmental Toxicology, 21, 278–288.
Webster, K.E. & Peters, R.H. (1978). Some size-dependent inhibitions of larger
cladoceran filterers in filamentous suspensions. Limnology & Oceanography, 23, 1238-
1245.
Wheeler, S.M. (2006). An evaluation of the utility of remote sensing for monitoring
cyanobacteria in Lake Champlain (VT-NY-PQ). Dissertação de mestrado. The
University of Vermont, The Faculty of the Graduate College. Burlington, USA.
Yunes, J.S., Perry, S.M., Matthiensen, A., Beattie, K., Codd, G.A., Raggett, S. (1996).
Toxic blooms of cyanobacteria in the Patos Lagoon Estuary, Southern Brazil. Journal
of Aquatic Ecosystem Health, 5, 223-239.
Yunes, J.S., Cunha, N.T., Proenca, L. A. O., Barros, L. P. C., Monserrat, J. M. (2003).
Cyanobacterial neurotoxins from Southern Brazilian Freshwaters. Comments On
Toxicology, 9, 103-115.
41
CAPÍTULO 1:
Determination of chlorophyll-a and trophic state using
CBERS-2 and Landsat-5 data in a freshwater system (Furnas
reservoir – Brazil): an evaluation of the use of orbital remote
sensing for mapping cyanobacterial bloom
42
Determination of chlorophyll -a and trophic state using CBERS-2 and Landsat-5 data
in a freshwater system (Furnas reservoir – Brazil): an evaluation of the use of
orbital remote sensing for mapping cyanobacterial b loom
Resumo
A entrada de nutrientes oriundos da agricultura e de esgoto doméstico em corpos d’água
continentais tem causado um aumento do processo de eutrofização dos mesmos, o que
tem levado à freqüente ocorrência de florações de cianobactérias. Visto que estes
ambientes também são utilizados como fontes de água potável, a toxicidade potencial de
cianobactérias torna-se um risco para a saúde humana. Logo, a detecção de florações
desde o seu início é uma importante tarefa. As técnicas de sensoriamento remoto podem
fornecer ferramentas para uma rápida detecção e quantificação de florações, uma vez
que permitem o monitoramento de áreas extensas, como um lago ou reservatório por
inteiro. Localizado no sudeste brasileiro, o reservatório de Furnas apresenta grandes
dimensões (1440 Km2) e é formado por dois rios principais (rio Grande e rio Sapucaí),
além de vários pequenos tributários. No braço do rio Sapucaí foi registrada as maiores
concentrações de clorofila-a e de cianobactérias. Além disto, espécies de cianobactérias
potencialmente tóxicas foram mais abundantes nesse braço do que naquele formado pelo
rio Grande. Neste estudo, os sensores orbitais CBERS-2 e Landsat-5 foram utilizados
para estimar o estado trófico e a distribuição de clorofila-a no reservatório de Furnas.
Para isto foram aplicados dois métodos, ambos baseados nos dados de clorofila-a. O
primeiro método empregado foi o amplamente utilizado “modelo empírico de inversão”. O
segundo foi a classificação supervisionada por máxima verosimilhança. Apesar desse
método ser rotineiramente empregado em estudos de ambientes terrestres, ele
praticamente não é utilizado em ambientes aquáticos. Nossa proposta foi mapear as
áreas de risco de ocorrência de cianobactérias no reservatório de Furnas. Os braços do
rio Grande e do rio Sapucaí apresentaram diferentes estados tróficos, sendo que o
43
segundo exibiu maior eutrofização e concentrações de clorofila-a mais elevadas. Logo, os
programas de monitoramento do fitoplâncton que priorizam a ocorrência de
cianobactérias no reservatório de Furnas devem ser intensificados no braço do rio
Sapucaí. Ambos os métodos empregados, classificação e modelo de inversão,
apresentaram acurácias aceitáveis e podem ser empregados como ferramentas de
monitoramento em ambientes aquáticos continentais. Entretanto, o modelo de inversão
mostrou-se mais sensível do que a classificação, produzindo mapas com um maior
detalhamento dos estados tróficos. Como conclusão, nós acreditamos que a realização
de coletas de campo coincidentes com a passagem de satélite possa ser uma
interessante estratégia para o monitoramento de ambientes aquáticos, confirmando o uso
potencial dos sensores orbitais.
Abstract
External nutrient inputs, from agriculture and sewage, are causing an increase of
eutrophication in freshwater systems and cyanobacterial blooms are becoming frequent.
Since some of these systems are also used as source for drinking water, cyanobacterial
potential toxicity can be a threat for human health and the early detection of a bloom is
critical. Remote sensing provides a tool for rapid detection and quantification of blooms,
because it allows monitoring large areas like a whole lake or reservoir. Furnas reservoir is
a large water body (1,440 Km2) located in southeastern of Brazil, formed by two main
rivers (Grande river and Sapucaí river) and several small tributaries. In the Sapucaí
section, higher chlorophyll-a and cyanobacterial concentration were observed.
Additionally, potential toxic species were more abundant in this section compared to the
Grande river. In this study, we used the CBERS-2 and Landsat-5 orbital sensors to
estimate the trophic status and chlorophyll-a distribution in Furnas reservoir, by two
approaches based on chlorophyll-a data. The first one was the widely used empirical
44
inversion model, and the second was the supervised maximum likelihood classification.
Although, the latter is routinely employed in terrestrial studies, it is almost never applied in
aquatic systems. Our purpose was to map the potential risk area for occurrence of
cyanobacterial bloom in Furnas reservoir. The Grande and Sapucaí sections showed
different trophic states, and the last exhibited higher eutrophication and higher chlorophyll-
a concentrations. Thus, in Furnas reservoir, a phytoplankton monitoring program focused
on cyanobacterial occurrence should be intensified in the Sapucaí section. Both
approaches, classifications and inversion models, showed acceptable accuracies and can
be used as monitoring tools in freshwater systems. However, the empirical inversion
models were more sensitive than the classifications, providing more detailed maps of the
trophic status. In conclusion, we believe that the coupling of field sampling data and
overpassing satellite can provide an interesting monitoring strategy to aquatic systems
confirming a potential use for satellite sensors.
45
1 - Introduction
Monitoring freshwater systems is crucial for the management and improvement of
their water quality in order to ensure the maintenance of the biota and the basic standard
parameters for human use (Ritchie et al., 2003). The artificial eutrophication process has
increased in the last decades as a consequence of the anthropogenic input of nutrients
(Smith et al. 1999). The main sources are agriculture and domestic sewage. Although the
chronic phosphorus overuse is the main cause of eutrophication in freshwater (Bennet et
al., 2001), nitrogen input is also important. Thus the reduction and control strategies of
both nutrients are required to eutrophication management in aquatic systems (Conley et
al. 2009).
One of the first consequences of eutrophication is the significantly higher biomass
of phytoplankton and more frequent cyanobacterial blooms. Blooms of cyanobacteria are
related to several problems in water quality as dissolved oxygen depletion, taste and odor,
inadequacy to recreational activities and unsafe drinking water due to the presence of
cyanotoxins (Carmichael, 2001; Oliver & Ganf, 2002). Codd (2000) stressed out the high
proportion of toxic in contrast to non-toxic cyanobacterial blooms. Thus, the occurrence of
these organisms became a human health hazard. Since many freshwater systems are
also drinking water supplies, cyanobacterial bloom detection is critical for their use.
Relationships between eutrophication and phytoplanktonic biomass and
chlorophyll-a concentration have been well documented in several limnological studies.
Chlorophyll-a concentration, for instance, has been widely used to assess the trophic
condition of an aquatic system (e.g. Dillon & Rigler, 1974; OECD, 1982; Salas & Martino,
2001). Carlson (1977) proposed the use of algal biomass as the key descriptor of water
trophic status. He created a trophic state index calculated on chlorophyll-a concentration.
As a result chlorophyll-a could be used to estimate phytoplanktonic biomass in water
quality monitoring programs.
46
Several components of the suspended and dissolved organic and inorganic matter
in the water are optically active and can therefore be measured by remote sensing
techniques. Additionally, some of these components, as chlorophyll, total suspended
solids, Secchi disk depth and turbidity, are important variables that have been used in the
operational classification of water bodies (Koponen et al., 2002). The development of
remote sensing methods for the assessment of water quality based on its optical
components began in the 70’s (e.g. Ritchie et al., 1976; Smith & Baker, 1978). Orbital
imaging sensors have been used in water quality monitoring programs since the first
satellite Landsat-MSS started its official operation (Thiemann & Kaufmann, 2000).
Monitoring chlorophyll by remote sensing can be very useful for bloom detection (e.g.
Kutser, 2004; Tomlinson et al., 2004) and trophic status studies (e.g. Duan et al. 2007;
Thiemann & Kaufmann, 2000). However, to monitor inland water systems and bloom
distribution the satellite sensor has to have a spatial resolution of at least 30m (Kutser,
2004; Vincent et al., 2004), since in these environments signal noises can be to produced
by the terrestrial surrounding and the blooms exibithed a high spatial variation in their
concentration of their cells. Because it allows monitoring large areas of an aquatic system
or many lakes simultaneously within a relatively short temporal scale, orbital remote
sensing can provide a tool for rapid detection and quantification of phytoplankton,
especially blooms (Koponen et al., 2002; Kutser, 2004; Thiemann & Kaufmann, 2000).
In the last decades many large reservoirs were built in southeastern of Brazil to
provide sufficient power supply to the region. However, eutrophication is increasing in
these systems and cyanobacterial blooms have been frequently observed.
Furnas reservoir is one of the largest reservoirs in Brazil and cyanobacteria may
occur during the whole year at varying cell densities. Several potential toxic species were
recorded, like for example Cylindrospermopsis raciborskii, Lyngbya hieronymusii,
Microcystis spp (M. aeruginosa, M. novaceckii, M. panniformis and M. protocystis) and
Planktothrix planctonica.
47
In this study, we used data originating from the orbital sensors Landsat-5 TM
(Land Remote Sensing Satellite / Thematic Mapper) and CBERS-2 CCD (China-Brazil
Earth Resources Satellite / High Resolution CDD Camera) coupled with chlorophyll-a
concentration to map the potential risk area for occurrence of cyanobacterial blooms in
Furnas reservoir.
In remote sensing studies, the sensor characteristics and performance are crucial
for their applicability to environmental studies. As stressed earlier, the fine spatial
resolution is an important characteristic for the sensor choice for inland water studies.
Besides the spatial resolution, the temporal and the spectral resolutions must be
considered for the sensor choice according to the environmental variable that will be
evaluated. Additionally, the sensor overpass and the image record should be forecastable
and continuous to be used in monitoring programs, i.e., they have to constitute
operational systems that provide a systematic imaging.
For this study, we chose the Landsat-5 TM and the CBERS-2 CCD sensors due to
two main reasons: their characteristics (see Apêndice I) and their use in previous studies.
Both satellites, Landsat-5 and CBERS-2, provide systematic imaging, therefore they can
be employed in monitoring programs. Their sensors have spatial resolutions adequate for
inland water studies: Landsat-5, 30 m, and CBERS-2, 20 m. They have similar
multispectral resolutions for visible and near infrared bands, and their spectral range can
be used for chlorophyll-a assessment. The sensor data of the Landsat program have been
frequently employed in environmental studies since the program started. It can be
considered the most well-known and the most used orbital sensor by governmental and
scientific users. Even if the use of Landsat sensor data is a good choice for monitoring
programs, it is uncertain that the Landsat program will be maintained. The Sino-Brazilian
program, CBERS, will be kept for the next years. It started with the CBERS-1 launching in
1999. Actually, one satellites is running, CBERS-2B, and two others will be launched in
20011 and 2013. A priori the CBERS data can be used as a substutive to Landsat ,
48
because their sensors have similar configurations. Unlike Landsat, there are not many
studies using the CBERS data are , and they have been carried out mainly in terrestrial
systems. This study is one of the few studies using the CBERS data in an inland water
system.
2 – Methods
2.1 - Study area
Furnas reservoir is located in southeastern Brazil (20o40’S; 46o19’W, Fig.1). It is a
large reservoir (1,440 Km2; 20.95 billions m3) and it is formed by two major rivers, Grande
and Sapucaí, and several small tributaries. The watershed is mainly occupied by livestock
and agricultural activities, but there also are many small to medium cities growing on its
shores, that performed a total of 34 municipalities with 855 millions habitants. Their waters
are use mainly for irrigation, recreation, domestic supply and sewage dilution.
2.2 - Sampling design and field measurements
Twenty sampling stations, spatially distributed, were established in Furnas
reservoir. We assembled the sampling stations according to their distribution in the
reservoir in three groups: near to dam (DAM) - F01 and F02; Grande river section (GR) -
F03, F04, F05, F06, F07, F08, F09 and F10; and Sapucaí river section (SP) - F11, F12,
F13, F14, F15, F16, F17, F18, F19 and F20 (Fig. 1). The deepest (57 – 67 m) and
49
Figure 1 – Furnas reservoir position and distribution of the sampling stations in the different sections.
50
shallowest (6 – 13 m) depths were recorded in F02 and F16 stations respectively. The
number of stations sampled varied from 10 to 20 among sampling campaigns. We started
the studies with 20 stations, but because of the similarity of the chlorophyll-a
concentration among some of them, this number was reduced to 10. Fourteen sampling
campaigns were completed from April 2005 to April 2008, performing a total of 191
samples. The geographic position of each station was recorded by a portable global
positioning system (e-trex Garmin) at every sampling period.
The sampling always occured during a three day interval, trying included the day
when the satellite was passing over the region, since we looked for to synchronize the
water sampling and the satellite data acquisition. Exceptionally in two sampling periods,
SEP07 and APR08, the time lag between the overpass and the sampling was longer than
one day, however never surpassing four days.
The water samples were taken using a Van-Dorn sampler bottle at the Secchi disk
depth. The deepest (6.9 m) and shallowest (0.5 m) Secchi disk depths were recorded at
F01 in April 2008 and F09 in December 2006.The optic active water variables
(chlorophyll-a, total suspended matter and color -dissolved matter-) and the
phytoplanktonic community structure and biomass were measured, but only chlorophyll-a
(chl-a) was used for satellite data relationships. Chl-a was estimated by
spectrophotometric method with 90% hot ethanol extraction (Nush, 1980). Phytoplankton
estimative was performed by inverted microscope technique (Utermöhl, 1958), and the
algal species volumes were calculated from single cells or colonies according to
geometrical models (Hillebrand et al., 1999; Rott, 1981; Sun & Liu, 2002). Suspended
solids were measured as described in APHA (1995) and color measurements were
performed by Cuthbert and del Giorgio (1992) methodology, though the color values in
Furnas reservoir were negligible and they will not be used in the present work.
51
2.3 - Satellite data
The Landsat-5 and CBERS-2 images were acquired from DGE/INPE Data Center
(National Institute for Space Research - Brazil). The images comprised both path and row
219-74 and 219-75 for Landsat-5, and 154-123 and 154-124 for CBERS-2. Of the
fourteen sampling periods, only four Landsat-5 and four CBERS-2 predominantly cloud-
free scenes were available (Table 1). All suitable images were obtained for the drier and
colder season – April to September, but none was available during the wetter and hotter
season – October to March (Table 1).
The images were processed using the Spring software (Camara et al., 1996), a
software package available at no cost from the INPE website
(http://www.dpi.inpe.br/spring/). The geo-referencing was carried over a CBERS-2 scene
from April 13th, 2005. We registered and rectified the scene using ground control points.
Later, this geo-referenced scene was used to correct all the others scenes using the
“image to image” method. The entire geo-referencing process was done according to the
Universal Transverse Mercator coordinate system, Zone 23 South, South American
Datum of 1969, and it was based on the first-order polynomial method and the nearest
neighbor image re-sampling algorithm. Errors of the geo-referencing process were
measured by the RMSE (Root Mean Square Error), and was smaller than 2.5 pixels for all
scenes (see Appendix II).
The satellite data were related to chl-a concentration by two approaches: the
image classification method (section 2.3.1) and the empirical inversion model (section
2.3.2).
2.3.1 - Supervised maximum likelihood classification
52
The supervised classification was performed using a maximum likelihood algorithm
for every sampling period that had suitable satellite images. For Landsat-5 data, we input
the 1, 2, 3 and 4 TM bands, and for CBERS-2 data the 2, 3 and 4 CDD bands (Table 1).
The CDD 1 from CBERS-2 was not used because the sensor was damaged. The chl-a
mapping was done for each sampling scene separately. Thus, atmospheric correction and
radiometric normalization processes were unnecessary (Song et al., 2001).
The chl-a classes were set by the water trophic status (oligotrophic, mesotrophic
and eutrophic). The setting was based on two approaches: OECD criteria (OECD, 1982)
and Modified Carlson’s Trophic State Index (TSI) by Lamparelli (2004) (see Appendix III).
Each sampling station was categorized according to its chl-a concentration. Only
oligotrophic and mesotrophic classes were obtained (Table 1).
Two other extra stations were selected close to each sampling station and were
placed as the same trophic class of the station sampled in the field. We ran the
classification using two samples data sets: training and testing. The first one produced the
classification results to be used, i.e., it trained the classifier. The second was used to
verify the classification confiability by comparing the accuracies from the training and
testing samples, since they were based in two different data sets. The field sampling and
one extra station were used as training data, and the other extra station as testing. Each
training and testing data matched a 3 x 3 pixel window where, for the sampling station, its
geo-coordinate was located in the middle.
The classification accuracies were assessed by the error matrix for each scene
classified. The descriptive statistics: overall accuracy, user’s and producer’s accuracies
and the Kappa coefficient were estimated according to Congalton (1991). Overall
accuracy was estimated by dividing the total correct pixels by the total number of pixels in
the error matrix. User’s and procucer’s accuracies were calculated for each trophic class.
They correspond to the commission (inclusion) and the omission (exclusion) errors,
53
Table 1 – Sampling stations number per chlorophyll-a based trophic class (O = oligotrophic and M = mesotrophic) by OECD criteria and
Modified Carlson’s Trophic State Index (TSI), sensor and bands used for the classification on each sampling period, and percentage of the
“no data area” (clouds, clouds shadows and no image) in Furnas Reservoir area for each sampling period. Numbers in parenthesis beside
the oligotrophic class represent ultra-oligotrophic.
Class
OECD TSI
Sample Time Sensor No data Band O M O M
APR05 04.13.2005 CCD/CBERS 4.0 2,3 and 4 5 10 6 9
APR06 04.12.2006 CCD/CBERS 9.3 2,3 and 4 8 (5) 3 9 (5) 2
JUN06 06.10.2006 TM/LANDSAT 10.6 1,2,3 and 4 8 (3) 6 12 (4) 2
JUL06 07.25.2006 CCD/CBERS 3.7 2,3 and 4 14 (6) 4 17 (7) 1
SEP06 09.14.2006 TM/LANDSAT 0.0 1,2,3 and 4 15 (5) 2 17 (9) 0
SEP06’ 09.15.2006 CCD/CBERS 9.5 2,3 and 4 15 (5) 2 17 (9) 0
SEP07 09.01.2007 TM/LANDSAT 1.0 1,2,3 and 4 6 (4) 5 8 (4) 3
APR08 04.28.2008 TM/LANDSAT 0.0 1,2,3 and 4 4 6 6 4
54
respectively. Kappa coefficient can provide information about a single matrix as well to
compare matrices. It compares the accuracy of the classifications to that of a random pixel
classification. Moreover, it is a powerful descriptor because it adds the omission and
commission errors that are not considered in the overall accuracy (see Appendix IV-A for
details).
A land mask was applied on all scenes to separate the reservoir water body from
the surrounded land considering each reservoir sections (Dam, Grande and Sapucaí).
This mask was generated based on SEP06 Landsat-5 scene, when the water reservoir
was at its lowest level (763m at the dam) during the study period. Therefore, we were sure
that the classification was performed only in the aquatic environment.
CBERS images of path 154 (in the same day) did not cover the whole reservoir
area. Thus, a mask for the reservoir area with no image was done for the CBERS scenes.
Reservoir areas covered by clouds and shadows of clouds were also masked for each
scene. These masks (no image, clouds and their shadows) were considered as a no data
class (see Table 1).
2.3.2. - Empirical inversion models
Only Landsat-5 images were used for the inversion models, thus this approach
was carried out for JUN06, SEP06, SEP07 and APR08 sampling periods (Table 1).
For inversion modelling, correction of atmospheric data is mandatory. This process
was done for the SEP06 scene by the 6S radiative transference model (Second
Simulation of the Satellite Signal in the Solar Spectrum; Vermote et al., 1997) considering
the tropical atmospheric model and the continental aerosol model (see Apêndice V- A).
The radiometric normalization was carried out by the method proposed by Hall et al.
(1991) for all others images, always using the SEP06 atmospherically corrected scene of
SEP06 as basis. In this way, the scene data were converted from digital number to
55
surface bidirectional reflectance factor, which became comparable among all sampling
periods, i.e., they had a common radiometric response (see Apêndice V- B).
Data obtained by surface bidirectional reflectance factors (SBRF) from Landsat
Thematic Mapper bands (TM) were extracted, based on the correspondent position of
each sampling station. For this purpose, we used the SBRF average of a 3 x 3 pixel
window, the same used for the classification method. The SBRF values were transformed
to percentile.
The best algorithm for the determination of chl-a concentration was found
empirically by deriving a regression model, which showed the highest coefficient of
determination (R2). Moreover, we considered the significance of the model at 95% level (p
≤ 0.05) and the absence of collinear variables for multiple models, which was measured
by the variance inflation factor considering a threshold value of 10. For regression models
that exhibited the same R2 value, we chose the one with smaller number of variables.
Linear and stepwise multiple regressions were run on TM data for the visible and near
infrared bands for all sampling period data together (All period) and for each sampling
period (JUN06, SEP06, SEP07 and APR08). Some band combinations for Landsat data
found in previous studies (Baban, 1999; Brivio et al., 2001; Duan et al., 2007; Giardino et
al., 2001) were also carried out including the well-known TM4 and TM3 ratio. The
regressions were run with raw and logarithmic transformed data for both independent (TM
data) and dependent (chl-a) variables. The best models were used to produce the chl-a
concentration maps for Furnas reservoir. Based on this chl-a determination, the trophic
status was assessed using the OECD criteria and the Modified Carlson’s Trophic State
Index (TSI) by Lamparelli. For the Lamparelli trophic state classification, the
supereutrophic and hipereutrophic classes were put together as hipereutrophic (see
Apêndice III).
The accuracy of the inversion models was evaluated by the correlation with the
ground truth and the TM predicted chl-a data using the trophic state by OECD and TSI.
56
The trophic state classification accuracies were measured from a matrix error (Congalton
1991) considering the ground data as reference.
The same land mask from the classification approach was used for the maps
produced by the inversion models. The areas covered by clouds and shadow of clouds
were also considered as no data.
3 – Results and discussion
3.1 – Phytoplanktonic biomass
Chl-a concentration was higher in the Sapucaí stations (frequently > 2 µg.L-1) in
comparison to the rest of the reservoir (Fig. 2). The major mesotrophic sampling stations
classified according to OECD and Modified Carlson’s Trophic State Index (Table 1), were
found in the Sapucaí section. Rull (2001) observed eutrophic conditions in the Sapucaí
section of the reservoir using the OECD model to define trophic status. She also found a
positive relationship between chl-a concentration in the water and watershed occupation
(cattle, agriculture and urbane population).
Fig. 3 shows the phytoplanktonic and cyanobacterial abundance and structure for
two different seasons (JUN06 – cold and dry season, and MAR07 – hot and wet season)
in some sampling stations of Furnas reservoir.
The enhancement of cyanobacterial growth at higher temperature is well known
(Bormans et al., 2005; Grover & Chrzanowski, 2006). We could verify a subtle response of
the cyanobacterial abundance because of the temperature fluctuations between seasons
(Fig. 3 top graphics). A noticeably spatial pattern of phytoplanktonic and cyanobacterial
distributions, however, could be observed in Furnas reservoir, characterized by higher
57
TS
M (
mg.
L-1)
0
2
4
6
8
10Dam Grande Sapucaí
F01
F02
F03
F04
F05
F06
F07
F08
F09
F10
F11
F12
F13
F14
F15
F16
F17
F18
F19
F20
ISM
(m
g.L-1
)
0
2
4
6
8Dam Grande Sapucaí
APR05 JUN05 APR06 JUN06 JUL06 SEP06 DEC06 MAR07 APR07 JUN07 SEP07 OCT07 DEC07 FEB08 APR08
Chl
-a (
µg.
L-1)
0
2
4
6
8
10
12
1418
20 Dam Grande Sapucaí
Figure 2 – Chlorophyll-a, total suspended matter (TSM) and inorganic suspended matter
(ISM) concentration in Furnas reservoir during the whole sampling period.
58
BaccilariophytaChlorophytaChrysophytaCryptophytaCyanobacteriaDinophytaEuglenophyta
JUN06
103
µm
3 . L
-1
0
5000
10000
15000
20000
25000
30000
F01 F06 F09 F12 F14 F16 F20
% b
iovo
lum
e
0
20
40
60
80
100
small colonieslarge coloniessmall trichomeslarge trichomesisolated cells
MAR07
F01 F06 F09 F12 F14 F16 F20
Dam DamGrande GrandeSapucaí Sapucaí
Figure 3 – Phytoplanktonic abundance (top) and relative abundance of cyanobacteria
(bottom) in some sampling stations of Furnas reservoir in two different seasons.
abundance in the Sapucaí stations (Fig. 3 top). Likewise, the three sections in Furnas
reservoir exhibited differences in phytoplanktonic and cyanobacterial biomass. They also
had different species composition of cyanobacteria, which resulted in different
distributions of morfological groups (Fig. 3 bottom). Small colonies and trichomes, that
included species from Aphanocapsa, Cyanodyctyon, Planktolyngbya and Pseudanabaena
genera, showed a higher relative abundance in the dam and Grande stations. Otherwise,
large colonies and trichomes, including Anabaena, Cylindrospermopsis, Lyngbya and
Microcystis genera, were more abundant in the Sapucaí section. The last four genera
have been reported as potentially toxic (Dow & Swoboda, 2002). Even if the abundance of
the larger cyanobacterial species was high in the F09 station (Grande section), the total
cyanobacterial abundance was not as elevated as in the Sapucaí.
59
As a result , chl-a and phytoplanktonic biomass showed that in the Sapucaí section
water quality problems can be more frequent than in the other sections of the reservoir.
3.2 – Satellite data classification
3.2.1 - Classification accuracies
Table 2 shows the accuracy assessment for the two trophic state classifiers during the
whole sampling period (see Apendice IV-B). The training and testing accuracies were
similar for all data set. The overall accuracies were higher than 70%, except for testing
sample data in APR08 by OECD. Only some Kappa values were higher than 70%, and in
some sampling periods they were inferior to 50%. Data of APR05 presented the higher
accuracy, overall and Kappa, if we considered the data set, when the two trophic classes
(oligo and mesotrophic) were found.
Except for APR08 data, the sampling periods that showed lower Kappa values
also exhibited low user’s accuracies and high producer’s accuracies to mesotrophic class,
this means that some oligotrophic reference data were classified as mesotrophic, but
almost all mesotrophic reference data were correctly classified. When we analysed which
sampling stations were incorrectly classified for these sampling periods, we found that
they were located in the Sapucaí section. Though these Sapucaí sampling stations had
chl-a concentrations categorized as oligotrophic, these values were close to the threshold
that separate the oligo and mesotrophic classes even if they had higher chl-a values than
the dam and the Grande sections. In SEP06 for instance, the Sapucaí F12, F14, F16, F17
and F19 sampling stations were classified as oligotrophic by the OECD criteria.
Nevertheless, they were classified as mesotrophic by maximum likelihood classifier. The
chl-a values in these stations were approximately 2 µg.L-1, and they were higher than in
the Grande and the dam stations, where the values were around 1 µg.L-1 (Fig. 2).
60
Table 2 – Accuracy assessment (%) of the trophic state classification by OECD criteria and Modified Carlson’s Trophic Index (TSI) for each
sampling period in training and testing (in italic) samples according to classification method.
OECD TSI APR05 APR06 JUN06 JUL06 SEP06 SEP06’ SEP07 APR08 APR05 APR06 JUN06 JUL06 SEP06 SEP06’ SEP07 APR08
User’s acuracy
Oligotrophic 87.9 82.0
94.8 91.4
95.1 94.4
96.5 97.7
99.0 96.7
97.3 92.1
79.7 77.4
58.6 53.1
100 100
97.8 97.2
98.6 97.1
99.6 99.2
100 100
100 100
95.1 96.7
88.8 84.0
Mesotrophic 98.3 95.5
73.4 72.4
68.7 70.8
51.2 46.0
33.3 42.2
58.0 53.9
86.7 83.8
93.7 92.3
100 100
57.1 57.1
30.9 28.6
34.0 26.7 - - 64.0
64.1 68.1 70.0
Producer’s accuracy
Oligotrophic 96.7 91.1
88.2 88.9
67.4 70.8
75.4 68.3
74.8 85.9
92.2 95.6
90.7 88.9
94.4 94.4
100 100
83.3 85.2
64.8 63.0
89.2 85.6
100 100
100 100
81.2 80.6
73.1 77.8
Mesotrophic 93.4 90.3
87.0 77.8
95.4 94.4
90.3 94.4
94.4 77.8
80.6 38.9
72.2 68.9
55.6 44.4
100 100
92.3 88.9
94.4 88.9
94.4 88.9 - - 88.9
92.6 86.1 77.8
Overall accuracy 94.5 90.6
87.9 85.9
79.4 81.0
78.7 74.1
77.1 85.0
90.8 88.9
82.3 79.8
71.1 64.4
100 100
85.1 85.9
69.0 66.7
89.5 85.8
100 100
100 100
83.3 83.8
78.3 77.8
Kappa coefficient 87.9 79.2
71.1 65.2
59.8 62.7
51.6 45.5
38.6 46.8
62.3 39.2
63.9 58.6
45.4 34.4
100 100
61.3 60.9
31.9 27.6
45.6 35.5 - - 62.5
64.2 56.8 54.5
61
The unbalanced numbers of sampling stations for each trophic class (Table 1) may
have affected the mesotrophic more than the oligotrophic user’s accuracies, producing
lowest Kappa values. A balanced sampling size (Congalton, 1991) and an adequate
sampling design, meant to guarantee that all classes are satisfactorily exemplified (Foody,
2002), are both desirable. However, the statements for classification sampling design
have been mainly based on land cover, where the land features are relatively stable and
fixed in space. Therefore, in the aquatic environment, we cannot know a priori which class
the sample represents before we sampled it. We performed a test, running a new
classification on JUN06 TSI data set with balanced sampling size for each class (see
Apêndice IV-C). To do this, we removed all the extra stations for oligotrophic data and
added some extra stations for mesotrophic data. The overall accuracy was slightly higher,
but the Kappa coefficient almost doubled: 31.9 versus 59.3%. The mesotrophic user’s
accuracy was significantly higher: 30.9 versus 72.9%. However, we did not use this
sampling size balance for our data set nor as final result, because extrapolated sampling
stations are not really sampled stations.
The classifications based on APR08 data, even categorized by OECD or by TSI,
showed low overall and Kappa accuracies. But, unlike the others sampling periods, the
low user’s accuracies to mesotrophic class were not the main cause of this outcome. In
APR08 data, both oligotrophic and mesotrophic reference sampling stations were
misclassified. Total suspended matter was higher than 2.5 mg.L-1 and the inorganic
fraction was higher than 60% in all stations in APR08. Values higher than 7.5 mg.L-1 were
found in the upstream stations in the Grande (F10) and the Sapucaí (F20) sections (Fig.
2). Therefore, we could presume that suspended matter other than phytoplankton, mainly
from inorganic sources, affected the chl-a reflectance signal resulting in a significant
uncertainty on the satellite data classification. It is well documented the effect of
suspended matter on the chl-a signal that makes difficult the discrimination of chl-a in
systems with high suspended matter concentration when using broad wavelength spectral
62
data, as the Landsat-5 TM and CBERS-2 CDD sensors (Hunter et al., 2008; Ritchie et al.,
2003). However, studies using high spectral resolution sensors have been able to avoid
the suspended matter effect on chl-a detection. Generally, they employed the well-known
two-band model (a ratio of near infrared to red reflectance), the three-band model or some
derivative reflectance in a specific wavelength in the green spectrum (e.g. Gitelson et al.,
2008; Han & Rundquist, 1997; Simis et al., 2005). Another possible general cause of the
low accuracies is the weak reflectance signal in aquatic environments, inasmuch as the
water itself absorbs a great part of the optical electromagnetic energy. Thus, we can
expect a less clear signal, i.e., lowest accuracies in water comparing with land
environments. Additionally, the relative low chl-a concentrations in Furnas reservoir can
contribute to the misclassifications.
Based on the difficulties for running a balance sampling design and in the less
clear signal of the compounds, as chl-a, in aquatic environments, we can consider lower
accuracies values using image classification methods in studies of these systems when
we want map them.
The distinction between the Sapucaí and the other sections in Furnas reservoir
made by the satellite data classifier were consistent with the field data (Fig. 2).
Consequently, we considered the satellite classification results as correct and we decided
to use them in order to analyze the trophic state distribution in Furnas reservoir, except in
APR08, when the higher concentration of suspended matter produced a trophic
misclassification based on chlorophyll. Thiemann and Kaufmann (2000) used the
maximum likelihood and other remote sensing methods for chl-a assessment in several
lakes in Germany. Even if they proposed the use of the linear spectral unmixing method,
they did not criticize the maximum likelihood classification results. In Brazil, Batista and
Araújo Neto (1994) produced a map for the Secchi disk depth distribution in Lake Paranoá
/DF using the same algorithm classifier (ML), though they did not present any discussion
about the accuracies.
63
3.2.2 - Trophic status maps
Figs. 4 and 5 show the trophic status cover maps for all sampling periods by the
two trophic classifiers, OECD and TSI respectively. For all classifications, the maps by
OECD produced a larger mesotrophic class area compared to TSI data set. Both
methods, OECD and TSI, pointed to more mesotrophic conditions in APR05 than at other
sampling periods. In general, the reservoir exhibited a larger cover of the oligotrophic
class. But, when we considered the three reservoir sections, we could verify that the
Sapucaí section showed an increasing mesotrophic status (Fig. 6). This mesotrophic
cover occurred more frequently in the upstream regions (Figs. 4 and 5). Based on satellite
data classification (Figs. 4, 5 and 6) and on the phytoplanktonic biomass and structure
(Fig. 3), we can suggest that an intensive cyanobacterial monitoring program should be
done in the Sapucaí section, mainly in the region of the F18 and F20 sampling stations.
The low availability of images of suitable quality due to the cloud cover was
previously related as a disadvantage for limnological monitoring programs using remote
sensing data (Clark, 1983; Novo et al., 1994). However, even if in this study no
predominant cloud-free- images were available in the wet and hot season (October to
March), this did not invalidate the potential use of remote sensing for phytoplankton
monitoring in Furnas reservoir. In this system the spatial cyanobacterial distribution
seemed as important as or even more important than their seasonal patterns (Fig. 3) and
the sensors were able to clearly detect this spatial arrangement.
64
0 15 30 Km
APR05 APR06
no data mesotrophicoligotrophic
Figure 4 – Trophic status map in Furnas reservoir at different sampling periods by OECD criteria, according to classification method.
65
0 15 30 Km
JUN06 JUL06
no data mesotrophicoligotrophic
Figure 4 – (continued).
66
0 15 30 Km
SEP06 SEP06’
no data mesotrophicoligotrophic
Figure 4 – (continued).
67
0 15 30 Km
SEP07 APR08
no data mesotrophicoligotrophic
Figure 4 – (continued).
68
0 15 30 Km
APR05 APR06
no data mesotrophicoligotrophic
Figure 5 – Trophic status maps in Furnas reservoir at different sampling periods by the Modified Carlson’s Trophic Index according to
classification method.
69
0 15 30 Km
JUN06 JUL06
no data mesotrophicoligotrophic
Figure 5 – (continued
70
0 15 30 Km
SEP06 SEP06’
no data mesotrophicoligotrophic
Figure 5 – (continued).
71
0 15 30 Km
SEP07 APR08
no data mesotrophicoligotrophic
Figure 5 – (continued).
72
Figure 6 – Relative areas
covered by the trophic state
classes in the entire
reservoir and in the three
sections of Furnas reservoir
by OECD criteria and the
Modified Carlson’s Trophic
State Index (TSI) at each
sampling period, according
to classification method.
AP
R 0
6
% K
m2
0
20
40
60
80
100
OECD%
Km
2
0
20
40
60
80
100
AP
R 0
8
Res
ervo
ir
Dam
Gra
nde
Sap
ucaí
% K
m2
0
20
40
60
80
100
no data
JUN
06
% K
m2
0
20
40
60
80
100
JUL
06
% K
m2
0
20
40
60
80
100
AP
R 0
5S
EP
06
% K
m2
0
20
40
60
80
100
SE
P 0
6'
%
Km
2
0
20
40
60
80
100
mesotrophic
SE
P 0
7
% K
m2
0
20
40
60
80
100
oligotrophic
0
20
40
60
80
100
TSI
0
20
40
60
80
100
0
20
40
60
80
100
0
20
40
60
80
100
0
20
40
60
80
100
0
20
40
60
80
100
0
20
40
60
80
100
Res
ervo
ir
Dam
Gra
nde
Sap
ucaí
0
20
40
60
80
100
73
3.3 – Satellite data inversion model
3.3.1 - Chlorophyll-a algorithms- Regressive equations
The results about single band correlations were weaker than the combined band
correlations (Table 3). The band combinations previously tested in the literature did not
show higher values of coefficient of determination (R2) or not even significant results. The
relationships for the "all period" data set showed lower R2 values than for the individual
sampling period data sets. Thus, it seems more appropriate to use each sampling period
algorithms to run the chl-a inversion model.
In several regressions, logarithmic data exhibited higher R2, and for APR08 only
the transformed data had significant models (Table 3). An increase in the model fitness by
logarithmic transformation of variables was already noticed in previous studies (e.g. Duan
et al., 2007; Härmä et al., 2001).
The resulting algorithms and their parameters for the best significant relationships
(the highest R2) are presented in Table 4 for each data set. The most successful
regression to retrieve chl-a concentration was obtained with the four visible and near
infrared TM bands for JUN06 and SEP06. For SEP07 and APR08, only two bands were
enough to provide a good relationship. JUN06 had the highest R2 value and SEP06 had
the lowest, 0.90 and 0.61, respectively. In SEP06, the chl-a values were the lowest
measured in the entire data set and they did not exceed 3 µg.L-1 (Fig. 2), thus the weaker
reflectance response registered at this time probably resulted in lower R2. The higher root
mean square error (RMSE) - 0.92 µg/L-1 – was found with SEP07. When compared to the
others sampling periods, in SEP07, we observed the highest range of chl-a values (from
0.66 to 4.61 µg/L-1), and a higher variation of the inorganic and organic proportion of
suspended matter among sampling stations (Fig. 2). This heterogeneity in the sampling
stations probably produced a less uniform spectral response for SEP07 data set that gave
a little less precision to the model. However, the relative random uncertainty across the
74
data set did not surpass 25% (NRMS equal to 23% in SEP07) in this study. Hence,
despite the relatively low chl-a values found in Furnas reservoir that probably produced a
weaker chl-a optical signal (see Appendix VI), the models resulted in good to very good
relationships (R2 > 0.60). Our R2 values were similar to those obtained in others studies,
even when they were carried out in more productive waters (Table 5).Therefore, we could
use these algorithms to estimate the chlorophyll-a concentration for the entire Furnas
reservoir.
Chlorophyll-a, as others pigments, has a typical spectral signature, exhibiting
absorption peaks at 440 nm (blue range) and 670 nm (red range). Due to the cell internal
scattering, reflectance maxima occurs in the green range near 570nm, and in the red-
infrared edge near 700nm. There is a strong correlation between the concentration of
chlorophyll-a and the sharpness of the reflectance peaks, mainly at 700 nm (Gitelson et
al., 1999). Based on the chlorophyll features, we can expect correlations between chl-a
and the TM reflectance data for Landsat-5 in the visible and near infrared bands. The chl-
a absorption -apeaks would affect the TM1 and TM3, and the reflectance peaks the TM2
and TM3-TM4. We should also not forget to consider the non-algal suspended particulate
matter, which would produce an increase in TM2 reflectance due to backscattering; and
the strong water absorption at the end of TM4 (Brivio et al., 2001).
In this study, we found good relationships between chl-a and TM bands, but the
regression equations had different variables and coefficients (Table 4) for each data set.
Different algorithms or coefficients for data taken at different times estimate the
chlorophyll-a concentration were previously achieved, as for instance by Brivio et al.
(2001) in Lake Garda (Italy) and by Allee and Johnson (1999) in Bull Shoals reservoir
(USA), both using Landsat TM data; and by Kallio et al. (2001) in Finland lakes using an
AISA airborne imaging spectrometer. This lack of a unique and time independent model
would be expected for broad wavelength sensors and for inland water environments. As
75
Table 3 - TM bands and their combinations correlated with ground reference chlorophyll-a data by the coefficient of determination (R2). No
significant values at the 95% level are not showed (-). Collinear occurrence (‘). n = sample size
All period (n = 51) JUN06 (n = 13) SEP06 (n = 17) SEP07 (n = 11) APR08 (n = 10)
Variables raw ln raw ln raw ln raw ln raw ln
TM1 - - 0.46 0.54 0.29 0.32 - - - -
TM2 0.11 - 0.43 0.68 - - - 0.36 - -
TM3 0.17 0.13 - - - - 0.61 0.50 - -
TM4 0.09 0.08 - 0.46 - - 0.42 0.41 - 0.49
TM1, TM2, TM3 and TM4 0.28’ 0.29’ 0.88’ 0.90 0.60 0.61 0.79’ - - -
TM1, TM2 and TM3 0.28’ 0.28 0.87’ 0.85 0.59 0.60 0.77’ 0.66 - -
TM1, TM3 and TM4 0.28 0.29 0.79 0.64 0.60 0.60 0.69 0.67’ - 0.72
TM1, TM2 and TM4 0.23 0.22 - 0.70 0.45 0.50 - - - 0.72
TM2, TM3 and TM4 0.19’ 0.17’ 0.84’ 0.87 - - 0.76’ - - 0.72
TM1 and TM2 1 0.21 0.19 0.47’ 0.69 - 0.34 - - - -
TM1 and TM3 0.28 0.27 0.78 0.59 0.59 0.60 0.64 0.61 - -
TM1 and TM4 - - 0.46 0.56 0.42 0.45 - - - 0.64
TM2 and TM3 0.20 0.15 0.82’ 0.76 - - 0.71 - - -
TM2 and TM42 0.12 - - 0.70 - - - - - 0.72
TM3 and TM4 0.17 0.13 - 0.47 - - 0.64 - - 0.67
TM4/TM3 3 0.08 - - - - - - - - 0.60
TM3/TM1 4 0.26 0.16 - - 0.46 - 0.46 - - -
(TM1+TM3)/TM2 5 - - - - - - - - - - Previous studies: 1 - Brivio et al. (2001) , Giardino et al. (2001) and Martini et al. (2006); 2 – Novo et al. (1993); 3- Duan et al. (2007) and others; 4 - Baban (1999) and 5 - Brivio et al. (2001).
76
Table 4 – Regression equations and statistical parameters from the most successful relationships of chlorophyll-a and TM data in Furnas
reservoir for the four sampling periods.
Time R2 RMSE NRMS Regression equation
JUN06 0.90 0.22 13 11.26 (± 1.84) - 3.69 (± 2.11) lnTM1 - 7.93 (± 1.68) lnTM2 + 6.83 (± 1.66) lnTM3 - 2.01 (± 0.96) lnTM4
SEP06 0.61 0.33 21 1.44 (± 0.78) - 1.52 (± 0.49) lnTM1 - 0.06 (±0.89) lnTM2 + 0.84 (± 0.46) lnTM3 - 0.14 (± 0.39) lnTM4
SEP07 0.71 0.92 23 -6.19 (± 2.70) – 1.78 (± 1.03) TM2 + 5.20 (±1.50)TM3
APR08 0.72 0.22 22 2.40 (± 0.97) - 1.59 (±0.67) lnTM2 + 2.56 (± 0.61) lnTM4
R2 - coefficient of determination, RMSE - root mean square error (µg.L-1), NRMS - normalized root mean square error (%) Table 5 – Literature values of coefficient of determination for chlorophyll-a algorithms by Landsat TM data.
Site R2 Chl-a (µg.L-1) Reference
Furnas reservoir - Brazil 0.90
0.61
0.71
0.72
0.84 – 4.54
0.62 – 3.00
0.66 – 4.61
1.57 – 4.21
This study
Barra Bonita reservoir - Brazil 0.86 3.96 – 6.15 Novo et al. (1993)
Conceição Lagoon - Brazil 0.96 2.5 – 7.6 Martini et al. (2006)
Lake Chagan - China 0.67
0.75
10.68 – 28.68 Duan et al. (2007)
Lake Erken - Sweden 0.93 2.1 – 27.4 Östlund et al. (2001)
Lake Garda - Italy 0.82
0.67
3.01 – 6.01
1.90 – 2.20
Brivio et al. (2001)
Lake Iseo - Italy 0.99 5.5 – 7.7 Giardino et al. (2001)
77
stressed by Jensen (2000), freshwater algorithms developed through satellite images data
have shown to have a restricted local utilization. Inasmuch, in these systems many
dissolved and particulate non-algal compounds affect the water optical properties, which
does not occur in the ocean, especially at some distance from the coast.
Unlike the other sampling periods, regressions done for APR08 resulted in
significant relationships only for logarithmic data and when TM4 was included and the
more successful model was obtained when TM4 and TM2 were both included (Table 3).
As discussed above for the classification method, the bandset configuration of Landsat
TM data does not permit a complete distinction between chlorophyll-a and others non-
algal suspended matter. Thus, even if APR08 showed good correlations of chlorophyll-TM
data, we believe that the distinct spectral response from this sampling period compared
with the others was due to the its higher inorganic suspended matter concentration on the
first (Fig. 2).
3.3.2 - Algorithms accuracies
Fig. 7 shows the sampling stations dispersion for chlorophyll-a and some TM
bands that showed good relations among them (see Table 3). Regardless of the spectral
response difference for each sampling period discussed above, the phytoplanktonic (chl-
a) distinction between the Sapucaí and the others Furnas reservoir sections could be
detected by Landsat TM data, except in APR08. In this sampling period, only the Dam
section was different, otherwise Sapucaí and Grande sections were similar. This could be
expected, since the non-algal suspended matter had a great effect in reflectance
response and in the Dam section the sedimentation process would be greater, resulting in
lower suspended matter concentration, i.e., low reflectance values (Fig. 2, see Appendix
VI - Fig. 2).
78
0.0
1.0
2.0
3.0
4.0
5.0
3.0
3.2
3.4
3.6
3.8
3.0
3.5
4.0
4.5
chla
µg.
L-1
TM1
TM3
JUN06
0.0
0.5
1.0
1.5
2.0
2.5
3.0
1.5
2.0
2.53.0
3.54.0
0.0
0.8
1.6
2.4
3.2
chla
µg.
L-1
TM1
TM3
SEP06
Sapucaí
0.0
0.5
1.0
1.5
2.0
1.0
1.5
2.0
2.5
0.00
0.25
0.50
0.75
chla
µg.
L-1
TM2
TM4
APR08
Grande
0.0
1.0
2.0
3.0
4.0
5.0
4.55.0
5.56.0
6.57.0
7.5
3.2
3.6
4.0
chla
µg.
L-1
TM2
TM3
SEP07
Dam
Figure 7 – Chlorophyll-a and TMs multiple relations in Furnas reservoir for four data
sampling period in the three reservoir sections.
79
Fig. 8 is a cross-validation plot for chl-a concentration measured in situ and derived from
Landsat TM algorithms for each sampling period (Table 4). The lines of the thresholds chl-
a concentrations for trophic status limits are dividing the plot and showing the error type
quadrants. Type I and IV indicate those sampling stations where the measured and
predicted classification of chl-a trophic state did not fit, thus the chl-a values prediction
were a priori wrong. Type II and III indicate the correspondence between trophic state
classifications made by in situ chl-a and by Landsat TM data, showing that the prediction
model was right. For instance, in F18 station in JUN06 we measured 4.54 µg.L-1 of
chlorophyll-a and the Landsat TM model predicted 5.52 µg.L-1. According to OECD and
TSI classifiers, this sampling station exhibited a mesotrophic condition for both chl-a
values, the measured and the predicted, that is the type III right prediction. On the other
hand, F08 in the same sampling period had a chl-a concentration of 1.17 and 1.04 µg.L-1,
measured and predicted, respectively. In this case, even if the two values were very close,
the measured value was classified as oligotrophic and the predicted as ultra-oligotrophic
by the two trophic state classifiers. Consequently, we had a type II wrong prediction. We
could verify that few stations were inside the type I or IV quadrants for all observed trophic
status (ultra-oligotrophic, oligotrophic, and mesotrophic) and for each sampling period.
Thus, the model was good to predict trophic state in Furnas reservoir.
If we consider the number of sampling station into each trophic state, there was
not a great difference between the measured and the predicted values (Fig. 9). However,
the predicted chl-a values showed a tendency to oligotrophic state, mainly if the ultra-
oligotrophic and oligotrophic classes are grouped together. The overall accuracies
estimated by the matrix error (Table 6) had values greater than 73%, except for JUN06
and SEP07 by OECD that showed 54% and 64% of overall accuracy for each period,
respectively. Nevertheless, concerning only the oligotrophic and mesotrophic classes
(Table 6 - in italic), these values improved by more than 20% and the overall accuracy
was not less than 76%. Some Kappa values were less than 55%, but for the two trophic
80
classes approach (oligo and mesotrophic) this occurred only in APR08 by the TSI
classification. As previously stressed for the results of the supervised classification
method; the unbalanced numbers of sampling stations for each trophic class (Table 1)
affected more the mesotrophic than the oligotrophic user’s accuracies. This effect
persisted even when we used the two trophic classes approach (Table 6).
in situ-measured chl-a (µg.L-1)
0 1 2 3 4 5 6
Land
sat T
M-p
redi
cted
chl
-a (
µg.
L-1)
0
1
2
3
4
5
6
Type I
Type II
Type III
Type IV
JUN06 SEP06 SEP07 APR08
Figure 8 – Scartterplot between chlorophyll-a concentration by Landsat TM-predicted and
in situ-measured in Furnas reservoir during four sampling period, and the errors type
according to trophic status chlorophyll limits by OECD criteria (dashed line) and Modified
Carlson’s Trophic Index (dash-dotted line) for ultra-oligotrophic to oligotrophic (long dash
or dash-dot-double) and for oligotrophic to mesotrophic (short dash or dash-dot) status.
81
APR08SEP07SEP06JUN06
0
3
6
9
12
15
A
UO O MUO O MUO O MUO O M
num
ber
of s
ampl
ing
poin
ts
0
3
6
9
12
15
B
in situ Landsat TM-predicted
Figure 9 – Trophic state by OECD (A) criteria and Modified Carlson’s Trophic Index (TSI)
(B) for in situ data and Landsat TM-predicted data in Furnas reservoir for four sampling
periods. UO – ultra-oligotrophic, O – oligotrophic and M – mesotrophic.
Based on the user and producer’s accuracies for ultra-oligotrophic class, we could
observe that the ultra-oligo and the oligotrophic classes gave confused results. Moreover,
several ultra-oligotrophic stations were predicted as oligotrophic by Landsat TM. When the
two trophic classes approach was used, these accuracies were considerably improved
(Table 6).
Therefore, we can consider that chlorophyll-a inversion models by Landsat TM
data showed good accuracies and can be used for retrieving chl-a or trophic status for the
entire Furnas reservoir. However, the sensor is not able to discern between the lowest
chl-a values, as it was observed for ultra-oligo and oligotrophic classes.
82
Table 6 – Accuracy assessment (%) of the trophic state classification by OECD criteria
and Modified Carlson’s Trophic Index (TSI) in each sampling period for the three trophic
classes and for the oligotrophic and mesotrophic classes (in italic), according to the
inversion model method.
OECD TSI JUN06 SEP06 SEP07 APR08 JUN06 SEP06 SEP07 APR08
User’s acuracy
Ultra-oligotrophic 66.7 60.0 25.0 -
66.7 55.6 50.0 -
Oligotrophic 50.0 100
100 100
100 100
75.0 75.0
75.0 100
100 100
100 100
100 100
Mesotrophic 50.0 50.0
50.0 50.0
80.0 80.0
100 100
100 100 - 66.7
66.7 50.0 50.0
Producer’s accuracy
Ultra-oligotrophic 50.0 100 100 -
50.0 100 100 -
Oligotrophic 33.3 70.0
76.9 93.8
33.3 85.7
100 100
85.7 100
66.7 100
57.1 88.9
75.0 75.0
Mesotrophic 100 100
100 100
100 100
85.7 85.7
100 100 - 100
100 100 100
Overall accuracy 53.8 76.9
82.4 94.1
63.6 90.9
90.0 90.0
76.9 100
76.5 100
72.7 90.9
80.0 80.0
Kappa coefficient 32.2 51.9
64.1 63.8
48.2 81.4
78.3 78.3
100 100
54.1 -
58.2 74.4
54.5 54.5
3.3.3 - Chlorophyll-a maps
The chl-a map distribution in Furnas reservoir predicted by Landsat TM data is
shown in Fig. 10. Fig. 11 represents the relative covered area different classes of chl-a
concentration in each section of the reservoir. In SEP06, most of the chl-a values were
lower or equal than 2 µg.L-1. In contrast, APR08 showed higher cover of chl-a
concentration higher than 2 µg.L-1, and many values were above 4 µg.L-1.
83
However, we cannot disregard the possible effect of the non-algal suspended
matter in the water optical response, since at this sampling period we found higher
inorganic suspended matter concentration (Fig. 2). In the same way in SEP07, values
higher than 5 µg.L-1 were found mainly in tributaries upstream, where a larger
concentration of non-algal suspended matter is expected. As discussed in the
classification method, we believe that this non-algal compounds, when more abundant,
could be affecting the chl-a signal. Additionally, in these two sampling periods the best
relationships with the TM bands were found for only two bands, including TM2, which
shows a strong correlation with non-algal matter.
Regardless of the temporal differences in chl-a values, we could verify a spatial
pattern of higher chl-a values in the Sapucaí section and lower at the Dam (Fig. 11). The
Grande section showed lower concentrations of chl-a than the Sapucaí. However, we can
observe that two recreational and lenthic regions inside the Grande section generally
exhibited higher chl-a values, in the same range found in the Sapucaí section (Fig. 10).
Some tributaries in Furnas reservoir have dikes that sometimes during the rainy season
can be flooded by water from the main reservoir, as these two regions in the Grande
section. These dikes are located close to the cities of Capitólio and Boa Esperança. They
are recreational sites and play an important role in the local tourism. Thus, such as in the
Sapucaí section, Capitólio and Boa Esperança dikes need monitoring programs to
periodically detect cyanobacterial blooms.
3.3.4 - Trophic status maps
Fig. 12 shows the trophic status cover maps for all sampling periods by the two
trophic classifiers, OECD and TSI, according to the inversion model method. Here the
ultra-oligotrophic and oligotrophic classes were grouped together, because of the less
sensitive Landsat TM response to very low chl-a values. The trophic state distribution
84
JUN06 SEP06
Figure 10 – Chlorophyll-a (µg.L-1) distribution map in Furnas reservoir for the entire sampling period for Landsat data. Ellipses indicate the
Capitólio (dash line) and Boa Esperança (dotted line) dikes position.
no data
0 - 11 - 22 - 33 - 44 - 5> 5 µg.L-1
0 15 30 Km
85
SEP07 APR08
Figure 10 – (continued).
no data
0 - 11 - 22 - 33 - 44 - 5> 5 µg.L-1
0 15 30 Km
86
JUN06
% K
m2
0
20
40
60
80
100
SEP06
0
20
40
60
80
100
APR08
Reservoir Dam Grande Sapucai0
20
40
60
80
100SEP07
Reservoir Dam Grande Sapucai
% K
m2
0
20
40
60
80
100
no data
0 - 11 - 22 - 33 - 44 - 5> 5
Figure 11 – Chlorophyll-a relative area covered in the entire Furnas reservoir and in the
three sections for each sampling period, according to the inversion models.
predicted by the inversion model by the classifiers, OECD and TSI (Fig. 12 and 13),
showed similar general distribution and covered area as observed by the classification
method (Fig. 4, 5 and 6). The oligotrophic conditions exhibited larger coverage
considering the whole reservoir, and the Sapucaí section showed more eutrophic
conditions, mainly in the upstream direction. In the inversion model however, eutrophic
and hipereutrophic conditions were also found, although they did not have an expressive
coverage. As said before, the dikes of Capitólio and Boa Esperança showed trophic
conditions similar to the ones recorded in the Sapucaí section (Fig. 12). Thus, as verified
by the results of the classification method, we can suggest that an intensive
cyanobacterial monitoring program should be done in the Sapucaí section, mainly in the
regions close to the sampling stations F18 and F20, and including the dikes of Capitólio
and Boa Esperança.
87
OECD TSI JU
N06
Figure 12 - Trophic status map in Furnas reservoir during the entire sampling period by OECD criteria and Modified Carlson’s Trophic Index
(TSI) according to the chlorophyll inversion model.
0 15 30 Km
eutrophic hipereutrophicmesotrophic
ultra-oligo to oligotrophic no data
88
S
EP
06
Figure 12 – (continued)
OECD TSI
0 15 30 Km
eutrophic hipereutrophicmesotrophic
ultra-oligo to oligotrophic no data
89
OECD TSI S
EP
07
Figure 12 – (continued)
0 15 30 Km
eutrophic hipereutrophicmesotrophic
ultra-oligo to oligotrophic no data
90
OECD TSI A
PR
08
Figure 12 – (continued)
0 15 30 Km
eutrophic hipereutrophicmesotrophic
ultra-oligo to oligotrophic no data
91
0
20
40
60
80
100
ultra-oligo to oligotrophicno data
mesotrophic eutrophic hipereutrophic
JUN
06
OECD%
Km
2
0
20
40
60
80
100
SE
P 0
7
% K
m2
0
20
40
60
80
100
TSI
0
20
40
60
80
100
SE
P 0
6
% K
m2
0
20
40
60
80
100
0
20
40
60
80
100
AP
R 0
8
Res
ervo
ir
Dam
Gra
nde
Sap
ucai
% K
m2
0
20
40
60
80
100
Res
ervo
ir
Dam
Gra
nde
Sap
ucai
0
20
40
60
80
100
Figure 13 - Relative area covered by the trophic state classes in the entire Furnas
reservoir and in the three sections by OECD criteria and Modified Carlson’s Trophic State
Index (TSI) for each sampling period, according to the inversion models.
92
3.4 - Classification and inversion model methods co rrespondence
We evaluated the trophic status correspondence between classification and
inversion model methods. For this purpose, we considered the cover area for each trophic
state. The mesotrophic, eutrophic and hipereutrophic classes obtained by the inversion
method were grouped together to allow comparison with the mesotrophic class obtained
by the classification method. Fig. 14 shows this correlation for both trophic status
classifiers: OECD and TSI.
The relationships were very good for the both classifiers and showed that the use
of satellite sensor data by the two approaches led to similar results. However, for the
same data set, the inversion model method allowed predicted chl-a values higher or even
lower than the measured in situ. This estimation of chl-a concentration is not possible by
the classification method, because the data are introduced as classes. Thus, the inversion
model can promote the assessment of sites with possible bloom occurrences that were
not monitored in situ.
4. Conclusion
Although the CBERS-2 and Landsat-5 sensors are designed (resolutions and
signal sensibility) for terrestrial studies, they can be useful in monitoring programs of large
freshwater systems, like Furnas reservoir, using the supervised classification method and
the inversion model. These two approaches can be used even if the chlorophyll-a
concentration is low. However, it is necessary that the water optical components are
dominated by phytoplanktonic pigments and not by other compounds, since the non-algal
particulate matter could affect the water reflectance response, mainly in the green band
(TM2 and CCD2). Probably, the data obtained from the CBERS-2 sensor would show
responses to the inversion model similar to the ones found in this study for Landsat-5.
This could not be verified here because the CDD1 sensor was missing, but for the new
93
sensors in the CBERS’s program, like CBERS-2B, it could be done. The Landsat program
is already concluded, but the CBERS program is expected to continue during the next
years. Additionally, the CBERS images have free distribution in Brazil, China and in
South-American and African countries. Thus, the CBERS sensors can be a functional and
accessible tool for phytoplankton monitoring.
classification (%Km2)
0 20 40 60 80 100
inve
rsio
n (%
Km
2 )
0
20
40
60
80
100
R2 = 0.84
R2 = 0.97
JUN06SEP06SEP07APR08
Figure 14 – Correlation between trophic state covered area estimated by classification
and inversion model methods for both trophic classifiers: OECD criteria (empty symbols)
and Modified Carlson’s Trophic Index (filled symbols).
In Furnas reservoir, the phytoplankton monitoring programs focused on
cyanobacterial occurrence should be intensified in some regions of the Grande section
(dikes of Capitólio and Boa Esperança) and in the whole Sapucaí section.
The accuracies estimated in the matrix error in aquatic environments are probably
lower than in terrestrial surroundings. Nevertheless, this can not invalidate the potential
use of the classification methods by remote sensing for freshwater systems. Even if the
94
classification method cannot produce maps with many details as the inversion model
method, it does not demand an a priori data calibration. Thus, it can be used more easily
and faster.
The Landsat-5 retrieval algorithms for chlorophyll-a must be done for each
sampling period, i.e., field sampling is needed. This is also true for the classification
method. Regardless of this field demand, the advantage of using satellite data coupled
with field data in large areas monitoring programs is the enhancement of the covered area
at relatively low cost compared to traditional field sampling programs. Even if clouds
coverage in the image is frequent, coupling of field sampling and overpassing satellite can
provide a good monitoring strategy showing an interesting potential use for satellite
sensors. The use of the Landsat-5 and CBERS-2 images can in this way contribute for the
monitoring of cyanobacterial blooms occurrence and for evaluation of their extension in
the Furnas reservoir.
References
APHA - American Public Health Association. (1995). Standard methods for the
examination of water and wastewater, 19th edn. Washington DC: American Public
Health Association Publications.
Allee, R.J.,& Johnson, J.E. (1999). Use of satellite imagery to estimate surface chlorophyll
a and Secchi disc depth of Bull Shoals Reservoir, Arkansas, USA. International Journal
of Remote Sensing, 20, 1057- 1072.
Baban, S.M.J. (1999). Use of remote sensing and geographical information systems in
developing lake management strategies. Hydrobiologia, 395/396, 211–226.
95
Batista, G.M.M., & Araújo Neto, M.D. (1994). O processo de eutrofização artificial no Lago
Paranoá, Brasília, DF. Geonomos, 2, 31-39.
Bormans, M., Ford, P.W., & Fabbro, L. (2005). Spatial and temporal variability in
cyanobacterial populations controlled by physical processes. Journal of Plankton
Research, 27, 61-70.
Brivio, P.A., Giardino, C., & Zilioli, E. (2001). Validation of satellite data for quality
assurance in lake monitoring applications. The Science of the Total Environment, 268,
3−18.
Camara G., Souza, R.C.M., Freitas, U.M., & Garrido, J. (1996). SPRING: Integrating
remote sensing and GIS by object-oriented data modelling. Computers & Graphics, 20,
395−403.
Carmichael, W.W. (2001). Health effects of toxin-producing cyanobacteria: ‘‘The
CyanoHABs’’. Human and Ecological Risk Assessment, 7, 1393–1407.
Carlson, R.E. (1977). A trophic state index for lakes. Limnology and Oceanography, 22,
361-369.
Clark, W.J. (1983). Cloud cover as a factor in the utilization of Landsat data for
limnological research. Remote Sensing of Environment, 13, 453–460.
Codd, G.A. (2000). Cyanobacterial toxins, the perception of water quality, and the
prioritisation of eutrophication control. Ecological Engineering, 16, 51–60.
Congalton, R.G. (1991). A review of assessing the accuracy of classification of remotely
sensed data. Remote Sensing of Environment, 37, 35–46.
96
Conley, D.J., Paerl, H.W., Howarth, R.W., Boesch, D.F., Seitzinger, S.P., Havens, K.E.,
Lancelot, C. & Likens, G.E. (2009). Controlling eutrophication: nitrogen and
phosphorus. Science, 323, 1014-1015.
Cuthbert, I.D., & del Giorgio, P. (1992). Toward a standard method of measuring color in
freshwater. Limnology and Oceanography, 37, 1319-1326.
Dillon, P.J., & Rigler, F.H. (1974). The phosphorus-chlorophyll relationship in lakes.
Limnology and Oceanography, 19, 767-773.
Dow, C.S. & Swoboda, U.K. (2002) Cyanotoxins. In B.A. Whitton & M. Potts (Eds), The
Ecology of Cyanobacteria (pp. 613-632). Netherlands: Kluwer Academic Publishers.
Duan, H., Zhang, Y., Zhang, B., Song, K., & Wang, Z. (2007). Assessment of chlorophyll-a
concentration and trophic state for Lake Chagan using Landsat TM and field spectral
data. Environmental Monitoring and Assessment, 129, 295–308.
Foody, G.M. (2002). Status of land cover classification accuracy assessment. Remote
Sensing of Environment, 80, 185–201.
Giardino, C., Pepe, M., Brivio, P.A., Ghezzi, P., & Zilioli, E. (2001). Detecting chlorophyll,
Secchi disk depth and surface temperature in a sub-alpine lake using Landsat imagery.
The Science of the Total Environment, 268,19-29.
Gitelson, A.A., Dall'Olmo, G., Moses, W., Rundquist, D.C., Barrow, T., Fisher, T.R., Gurlin,
D., & Holz, J. (2008). A simple semi-analytical model for remote estimation of
chlorophyll-a in turbid waters: Validation. Remote Sensing of Environment, 112, 3582–
3593.
97
Gitelson, A.A., Schalles, J.F., Rundquist, D.C., Schiebe, F.R. & Yacobi, Y.Z. (1999).
Comparative reflectance properties of algal cultures with manipulated densities.
Journal of Applied Phycology, 11, 345–354.
Grover, J. P., & Chrzanowski, T.H. (2006). Seasonal dynamics of phytoplankton in two
warm temperate reservoirs: association of taxonomic composition with temperature.
Journal of Plankton Research, 28, 1-17.
Hall, F.G., Strebel, D.E., Nickeson, J.E., & Goetz, S.J. (1991). Radiometric rectification:
toward a common radiometric response among multidate, multisensor images. Remote
Sensing of Environment, 35, 11–27.
Han, L., & Rundquist, D.C. (1997). Comparison of NIR/RED ratio and first derivative of
reflectante in estimating algal-chlorophyll concentration: A case study in a turbid
reservoir. Remote Sensing of Environment, 62, 253-261.
Härmä, P., Vepsäläinen, J., Hannonen, T., Pyhälahti, T., Kämäri, J., Kallio, K., Eloheimo,
K., & Koponen, S. (2001). Detection of water quality using simulated satellite data and
semi-empirical algorithms in Finland. The Science of the Total Environment, 268, 107-
121.
Hillebrand, H., Dürselen, C., Kirschtel, D., Pollingher, U., & Zohary, T. (1999). Biovolume
calculation for pelagic and benthic microalgae. Journal of Phycology, 35, 403–424.
Hunter, P.D., Tyler, A.N., Présing, M., Kovács, A.W. & Preston, T. (2008). Spectral
discrimination of phytoplankton colors groups: The effect of suspended particulate
matter and sensor spectral resolution. Remote Sensing of Environment, 112, 1527–
1544.
98
Jensen, R.J. (2000). Remote Sensing of the environment – an Earth resource
perspective. (pp. 388-392) New Jersey: Upper Saddle River, Prentice Hall.
Kallio, K., Kutser, T., Hannonen, T.,Koponen, S., Pulliainen, J., Vepsäläinen, J., &
Pyhälahti, T. (2001). Retrieval of water quality from airborne imaging spectrometry of
various lake types in different seasons. The Science of the Total Environment, 268, 59-
77.
Koponen, S., Pulliainen, J., Kallio, K., & Hallikainen, M. (2002). Lake water quality
classification with airborne hyperspectral spectrometer and simulated MERIS data.
Remote Sensing of Environment, 79, 51–59.
Kutser, T. (2004). Quantitative detection of chlorophyll in cyanobacterial blooms by
satellite remote sensing. Limnology and Oceanography, 49, 2179-2189.
Lamparelli, M.C. (2004). Grau de trofia em corpos d’água do Estado de São Paulo:
Avaliação dos métodos de monitoramento. PhD Thesis. Universidade de São Paulo,
Instituto de Biociências da Universidade de São Paulo, Departamento de Ecologia,
São Paulo. São Paulo, Brazil. Available on:
http://www.teses.usp.br/teses/disponiveis/41/41134/tde-20032006-075813/
Martini, L.C.P., Mattos, D.S., Barbosa, D.F.P. & Rech, A.I.B. (2006). Uso de
sensoriamento remoto orbital para avaliação da distribuição espacial de clorofila-a na
Lagoa da Conceição - Florianópolis, SC. Engenharia Sanitária e Ambiental, 11, 318-
324.
Novo, E.M.L.M., Braga, C.Z.F. & Tundisi, J.G. (1993). Remote sensing estimation of total
chlorophyll pigment distribution in Barra Bonita Reservoir, Brazil. In Straskraba, M.,
Tundisi, J.G. & Duncan, A. (Eds.), Comparative reservoir limnology and water quality
management (pp. 147-152). Netherlands: Kluwer Academic Publishers.
99
Novo, E.M.L.M., Lobo, F., & Calijuri, M.C. (1994). Remote sensing and geographical
information system application to inland water studies. In J.G.Tundisi, C.E.M. Bicudo &
T. Matsumura Tundisi (Eds.), Limnology in Brazil (pp. 283–303). Rio de Janeiro:
ABC/SBL.
Nusch, E.A. (1980). Comparison of different methods for chlorophyll and phaepigment
determination. Archiv für Hydrobiologie, Ergebnisse de Linmologie, Beiheft, 14, 14–36.
OECD - Organization for Economic Cooperation and Development. (1982). Eutrophication
of water: monitoring, assessment and control. 154p. Paris: OECD.
Oliver, R.L., & Ganf, G.G. (2002). Freshwater blooms. In B.A. Whitton & M. Potts (Eds),
The Ecology of Cyanobacteria (pp. 149-194). Netherlands: Kluwer Academic
Publishers.
Östlund , C., Flink , P., Strömbeck , N., Pierson , D., & Lindell, T. (2001). Mapping of the
water quality of Lake Erken, Sweden, from Imaging Spectrometry and Landsat
Thematic Mapper. The Science of the Total Environment, 268, 139-154.
Ritchie, J.C., Schiebe, F.R., & McHenry, J.R. (1976). Remote sensing of suspended
sediment in surface water. Photogrammetric Engineering & Remote Sensing, 42, 1539-
1545.
Ritchie, J.C., Zimba, P.V., & Everitt, J.H. (2003). Remote sensing techniques to assess
water quality. Photogrammetric Engineering & Remote Sensing, 69, 695–704.
Rott, E. (1981). Some results from phytoplankton counting intercalibrations.
Schweizerische Zeitschrift für Hydrologie, 43, 34–62.
Rull, L.M.A. (2001) Gradiente trófico no Rio Sapucaí (Reservatório de Furnas – MG):
Relações com a distribuição do zooplâncton e os usos do solo. M.S. Thesis.
100
Universidade Federal de Minas Gerais, Instituto de Ciências Biológicas, Belo
Horizonte, Brazil.
Salas, H.J., & Martino, P. (2001). Metologías simplificadas para evaluacíon de
eutroficacion en lagos tropicales. 60p, Lima: CEPIS. Available on:
http://www.bvsde.paho.org/bvsaca/e/fulltext/eutrof/eutrof.pdf
Simis, S.G.H., Peters, S.W.M., & Gons H.J. (2005). Remote sensing of the cyanobacterial
pigment phycocyanin in turbid inland water. Limnology and Oceanography, 50, 237–
245.
Smith, R.C., & Baker, K.S. (1978). The bio-optical state of ocean waters and remote
sensing. Limnology and Oceanography, 23, 247-259.
Smith, V.H., Tilman, G.D., & Nekola, J.C. (1999). Eutrophication: impacts of excess
nutrient inputs on freshwater, marine, and terrestrial ecosystems. Environmental
Pollution, 100, 179-196.
Song, C., Woodcock, C.E., Seto, K.C., Lenney, M.P. & Macomber, S.A. (2001).
Classification and change detection using Landsat TM data: When and how to correct
atmospheric effects? Remote Sensing of Environment, 75, 230–244.
Sun, J., & Liu, D. (2002). Geometric models for calculating cell biovolume and surface
area for phytoplankton. Journal of Plankton Research, 25, 1331–1346.
Tomlinson, M.C., Stumpf, R.P., Ransibrahmanakul, V., Truby, E.W., Kirkpatrick, G.J.,
Pederson, B.A., Vargo, G.A., & Heil, C.A. (2004). Evaluation of the use of SeaWiFS
imagery for detecting Karenia brevis harmful algal blooms in the eastern Gulf of
Mexico. Remote Sensing of Environment, 91, 293–303.
101
Thiemann, S., & Kaufmann, H. (2000). Determination of chlorophyll content and trophic
state of lakes using field spectrometer and IRS-1C satellite data in the Mecklenburg
Lake District, Germany. Remote Sensing of Environment, 73, 227–235.
Utermöhl, H. (1958). Zur Vervollkommnung der quantitativen Phytoplankton-Methodik.
Mitteilungen der Internationale Vereinigung für Theoretische und Angewandte
Limnologie, 9, 1–38.
Vermote, E.F., Tanre, D., Deuze, J.L., Herman, M., & Morcrette, J.J. (1997). Second
simulation of the satellite signal in the solar spectrum, 6S: An overview. IEEE
Transactions on Geoscience and Remote Sensing, 35, 675–686.
Vincent, R. K., Xiaoming, Q., McKay, R.M.L., Miner, J., Czajkowski, K., Savino, J., &
Bridgeman, T. (2004). Phycocyanin detection from LANDSAT TM data for mapping
cyanobacterial blooms in Lake Erie. Remote Sensing of Environment, 89, 381–392.
102
CAPÍTULO 2:
The potential use of Landsat-5 Thematic Mapper for
chlorophyll-a detection and for mapping cyanobacterial
blooms in inland water systems: a case study in Missisquoi
Bay (Canada-USA)
103
The potential use of Landsat-5 Thematic Mapper for chlorophyll -a detection and for
mapping cyanobacterial blooms in inland water syste ms: a case study in
Missisquoi Bay (Canada-USA)
Resumo
O aumento da eutrofização em águas continentais tem levado a uma maior freqüência de
ocorrência de florações de cianobactérias. Tais florações podem impactar a água e
ameaçar seu uso seguro como fonte de água potável e para recreação devido a potencial
ocorrência de cianotoxinas. A detecção e mapeamento da distribuição de florações é uma
importante tarefa para os programas de monitoramento. Todavia, esses são limitados por
aspectos logísticos e econômicos que resultam em desenhos amostrais de campo
restritos a alguns pontos amostrais discretos, o que diminui a abrangência da área
monitorada. As técnicas de sensoriamento remoto podem fornecer ferramentas para uma
rápida detecção e quantificação de florações, uma vez que permitem o monitoramento de
áreas extensas, como um sistema aquático por inteiro. No Lago Champlain são
registradas freqüentes florações de cianobactéria durante o verão, principalmente em
algumas baías, como a Baía de Missisquoi. Esta baía esta localizada na porção nordeste
do Lago Champlain na área de fronteira entre Canadá e EUA. A água da Baía de
Missisquoi é usada como fonte de água potável e para atividades de recreação. Neste
estudo, nós avaliamos o uso do sensor orbital Landsat-5 TM para mapear a distribuição
de cianobactérias na Baía de Missisquoi. A concentração de clorofila-a medida em
amostras de campo foi relacionada à reflectância do sensor TM por meio de um modelo
de regressão empírico. O modelo apresentou um bom poder preditivo (R2 = 0.88) e boa
acurácia. Entretanto, a baixa profundidade da Baía de Missisquoi provavelmente produziu
um ruído no sinal de reflectância da clorofila-a, o qual limitou a aplicação do modelo para
toda extensão da baía. Apesar disto, nós acreditamos que a realização de coletas de
104
campo coincidentes com a passagem de satélite possa ser uma boa estratégia para o
monitoramento de águas continentais, permitindo o uso potencial dos sensores orbitais.
Abstract
The increase of eutrophication in inland waters has resulted in more frequent
cyanobacterial bloom occurrence. Such blooms can degrade water quality and threaten
drinking supplies and recreational uses, due to the development of potentially toxic
cyanobacteria. The detection and mapping of bloom distribution is critical for monitoring
programs. Nevertheless, monitoring is constrained by logistical and economic realities that
result in a field-sample design limited to a few discrete sampling points, so that bloom
coverage is limited. Remote sensing can provide a tool for detection and quantification of
blooms, because it makes possible monitoring large areas such as whole aquatic system.
In Lake Champlain frequent cyanobacterial blooms are registered every summer, primarily
in bays receiving agricultural runoff, such as Missisquoi Bay. This bay is located in the
northeastern portion of Lake Champlain in the Canada-USA border area. Missisquoi Bay
water is used as a drinking supply and for recreational activities. In this study, we
evaluated the use of the Landsat-5 TM orbital sensor to map the cyanobacterial
distribution in Missisquoi Bay. The chlorophyll-a concentration measured from field
samples was related to reflectance TM data by an empirical regression model. The model
resulted in good prediction power (R2 = 0.88) and good accuracy. However, the shallow
depth of Missisquoi Bay probably produced some noise in the chlorophyll-a reflectance
signal that reduced the the model applicability over the entire bay area. Despite this, we
believe that the coupling of field sampling and overpassing satellite could offer a valuable
monitoring strategy in inland waters showing a potential use for orbital remote sensors.
105
1 – Introduction
Many freshwater systems have been undergoing eutrophication due to
anthropogenic input of nutrients, coming mainly from agriculture and domestic sewage.
This nutrient enrichment has increased in the recent decades (Smith et al. 1999) mainly
due to chronic phosphorus overuse (Bennet et al., 2001) and this process has become
more common. The nitrogen input is also important and for a suscessfull eutrophication
management the reduction and control of both nutrients, N and P, is required (Conley et
al. 2009). A consequence of the eutrophication process is the excessive growth of
phytoplankton, in particular cyanobacteria, which can have detrimental effects on water
quality.
Blooms of cyanobacteria are related to several problems in water quality as
dissolved oxygen depletion, taste and odour, inadequacy to recreational activities and
unsafe drinking water due to the presence of cyanotoxins (Carmichael, 2001; Oliver &
Ganf 2002). Codd (2000) stressed out the high proportion of toxic in contrast to non-toxic
cyanobacterial blooms. Thus, the occurrence of these organisms becomes a human
health hazard, causing impact on the drinking water supplies and on the recreational use
of freshwater systems. Consequently, the detection of cyanobacterial blooms is critical for
human health. The monitoring of freshwater systems, including cyanobacterial detection,
is crucial for the management and improvement of the water quality in order to ensure the
maintenance of the biota and the basic standard parameters for human use (Ritchie et al.,
2003).
Relationships between eutrophication, phytoplanktonic biomass and chlorophyll-a
concentration have been well documented in several limnological studies. Chlorophyll-a
concentration, for instance, has been widely used to assess the trophic condition of a
water body (e.g. Dillon & Rigler, 1974; OECD, 1982; Salas & Martino, 2001). Carlson
(1977) proposed the use of phytoplanktonic biomass as the key descriptor of water trophic
status. He created a trophic state index calculated on chlorophyll-a concentration. The
106
chlorophyll-a concentrations are also used as indicator of cyanobacteria abundance,
setting limits for safe water use by the World Health Organization (WHO) (Chorus &
Bartram, 1999). As a result, chlorophyll-a could be used to evaluated phytoplanktonic and
cyanobacterial abundance in water quality monitoring programs.
Traditional monitoring programs analyze the water quality of selected locations
inside a water body. The number of sampling stations is limited by logistic and economic
aspects. These sampling designs cannot represent the overall system condition , since
water variables, including phytoplankton and cyanobacteria, can exhibit a patchy
distribution. In this way, remote sensing, mainly by orbital sensors, can provide a tool for
water monitoring because it allows analysing large areas of an aquatic system or many
lakes simultaneously within a relatively short temporal scale rather than the traditional
monitoring done in few sampling stations (Koponen et al., 2002; Kutser, 2004; Thiemann
& Kaufmann, 2000).
Only optically active elements can be monitored by remote optical sensors. Thus in
water bodies only some components of the suspended and dissolved organic and
inorganic matter could be measured by remote sensing techniques. Fortunately, some of
these components, as chlorophyll, total suspended solids, Secchi disc depth (that
indirectly is the response to the presence of compounds) and turbidity, are important
variables for the operational classification of water bodies (Koponen et al., 2002).
Since the 70’s remote sensing methods have been used for water quality
assessment (e.g. Ritchie et al., 1976; Smith & Baker, 1978), and the orbital imaging
sensors have been employed since when the first satellite Landsat-MSS started its official
operation (Thiemann & Kaufmann, 2000). Studies related to chlorophyll-a concentration
and sensor data have demonstrated the potential use of remote sensing tools for bloom
detection (e.g. Kutser, 2004; Tomlinson et al., 2004) and trophic status assessment (e.g.
Duan et al. 2007; Thiemann & Kaufmann, 2000) in aquatic environments. However, a fine
spatial resolution (at least 30 m) of the satellite sensor is essential to monitor inland water
107
systems (Vincent et al., 2004) and bloom distribution (Kutser, 2004). Thus, the
characteristics and performance of sensors are crucial for their applicability to
environmental studies. Besides the spatial resolution, the temporal and the spectral
resolutions must also be considered for the sensor choice according to the environmental
variable that will be evaluated. Additionally, the sensor overpass and the image record
should be forecastable and continuous for monitoring program use, i.e., it should be an
operational system that provides systematic imaging.
Lake Champlain is a great lake located on the border between USA and Canada
that consists of several basins with distinct chemical and physical properties.
Cyanobacteria has been observed in Lake Champlain, and since 1999 potential toxic
species, as Anabaena spp., Aphanizomenon flos-aquae, and Microcystis aeruginosa,
have bloomed (Rosen et al., 2001) and these species have dominated the phytoplankton
(Watzin et al., 2005). In Missisquoi Bay, near Phillipsburg in the Canadian shoreline, a
cyanobacterial bloom, producing microcystin above the 1 µg.L-1 (limit recommended by
WHO, Chorus & Bartram, 1999), was detected in the summer of 2001 (Boyer et al., 2004)
and subsequent years (Watzin et al., 2005).
In this study, we evaluated the use of data from Landsat-5 TM (Land Remote
Sensing Satellite / Thematic Mapper) coupled with chlorophyll-a concentration to map the
cyanobacteria distribution in Missisquoi Bay. Landsat-5 TM was chosen due to its
characteristics (multispectral, high spatial and temporal resolution and continuous image
recording - see Appendix I) and its frequent application in environmental studies.
2 – Methods
2.1 - Study area
The Missisquoi Bay is located in the northeastern portion of Lake Champlain and is
108
divided by the Canada-USA borderline, where the north portion is located in the Canadian
Province of Quebec and the south in the American State of Vermont (Fig. 1). The bay is
an area of 77.5 Km2 with a maximum depth of 4.3 m and an average depth of 2.4 m
(Wheeler, 2006). Three major tributaries drain into the Missisquoi Bay. The Missisquoi
River flows into the bay from the south, the Pike River from the north and the Rock River
from the east. In the Missisquoi Bay watershed, 70% of the area is located in Canada and
30% in USA. About 34,000 people live in this watershed and the predominant human
activity is the intensive agriculture, which corresponds to 27% of the occupied area
(Watzin et al. 2005).
Figure 1 – Missisquoi Bay location and sampling stations.
109
2.2 - Sampling design and field measurements
We choose ten sampling stations spatially distributed in the Canadian Missisquoi
Bay (Fig.1). For the first and second sampling periods, the number of stations sampled
was less than 10. We did five sampling campaigns during the summer of 2007, collecting
a total of 42 samples (Table 1). We recorded the geographic position of each station by a
portable global positioning system (e-trex Garmin) at every sampling period.
The sampling always occurred during the day in when the satellite was passing
over the region, except for the sampling in 22AUG, when the satellite overpassed in
August 20th (Table 1).
Table 1 – Sampling stations number, dates of sampling and satellite overpass in
Missisquoi Bay during the summer of 2007.
Sample Code Stations Sampling date Landsat-5 overpass date
19JUL 8 07.19.2007 07.19.2007
04AUG 4 08.04.2007 08.04.2007
22AUG 10 08.22.2007 08.20.2007
05SEP 10 09.05.2007 09.05.2007
21SEP 10 09.21.2007 09.21.2007
Water samples were collected by a Van-Dorn sampler. The sample was taken
integrating the water column from the surface to the Secchi disk depth. We measured
chlorophyll-a, total suspended matter and dissolved matter, color (optic active water
variables) and the phytoplanktonic community structure and biomass. However, we used
only chlorophyll-a (chl-a) for related with satellite data. Chl-a was estimated by
spectrophotometric method with 90% hot ethanol extraction (Nush, 1980). Phytoplankton
abundance was estimated by inverted microscope technique (Utermöhl, 1958), and the
110
volumes of the phytoplanktonic species were calculated from single cells or colonies
according to geometrical models (Hillebrand et al., 1999; Root, 1981; Sun & Liu, 2002).
Cyanobacterial species were classified as potentially toxic or non-toxic according to the
toxic gender listed by Chorus & Bartram (1999), Dow & Swoboda (2002) and MOH
(2005).
We used the chl-a concentrations to evaluate the water trophic status (ultra-
oligotrophic, oligotrophic, mesotrophic, eutrophic and hipereutrophic). The setting was
based on two approaches: OECD criteria (OECD, 1982) and Carlson’s Trophic State
Index –TSI (Carlson, 1977) (see Appendix III).
2.3 - Satellite data
We acquired the images of Landsat-5 TM from USGS/EROS, Sioux Falls, SD
(United State Geological Survey/Earth Resources Observation and Science Center).
For the Missisquoi Bay area, the images comprised the path and row 14-29. Of
five sampling periods, only one predominant cloud-free scene was available on
September 5th. The low availability of images of suitable quality due to the cloud cover
was previously related as a disadvantage for limnological monitoring programs using
remote sensing data (Clark, 1983; Novo et al., 1994). However, we believe that this
should not invalidate the potential use of remote sensing for phytoplankton monitoring.
The Spring software package (Camara et al., 1996), that is available at no cost
from the INPE website (http://www.dpi.inpe.br/spring/), was used to process the image.
For geo-reference, a Landsat-7 ETM image from July 21st, 1999, previously registered
and rectified by GLCF/ESDI (Global Land Cover Facilities – Earth Science Data Interface
of University of Maryland/USA), was used to correct the Landsat-5 image from September
5th, 2007 by “image to image” method. We geo-referenced the image to the Universal
Transverse Mercator coordinate system, Zone 18 North, Word Global System of 1984,
111
and we used the first-order polynomial method and the nearest neighbor image re-
sampling algorithm. The geo-reference error (root mean square error) was smaller than
0.45 pixels for training and test points.
We performed the atmospheric correction of the satellite image by the 6S radiative
transference model (Second Simulation of the Satellite Signal in the Solar Spectrum;
Vermote et al., 1997) considering the mid-latitude summer atmospheric model and the
urban aerosol model (see Appendix V-A). By this methodology, the scene data was
converted from digital number to surface bidirectional reflectance factor (ρ).
We used the correspondent position of each sampling station into the image to
extract the ρ value from Landsat Thematic Mapper bands (TM). For this, we used the ρ
average of a 3 x 3 pixel window where the geo-coordinate of sampling station was located
in the middle. The sampling station 8 was not used, because it is located near to the
shores and its reflectance signal may suffer terrestrial influence.
Chl-a concentration was related to the satellite data from 05SEP by an empirical
inversion model. We found empirically the best algorithm for the determination of chl-a
concentration by deriving a regression model. For this, we considered the higher
coefficient of determination (R2) and the model significance at 95% (p ≤ 0.05). We run
linear and multiple regressions on TM data for the visible and near-infrared bands. We
also carried out some band combinations for Landsat data found by previous studies
(Baban, 1999; Brivio et al., 2001; Duan et al., 2007; Giardino et al., 2001) including the
well-known TM4 and TM3 ratio. We used raw and logarithmic transformed data for both
independent (TM data) and dependent (chl-a) variables for running the regressions. The
best model was used to produce the chl-a concentration maps for Missisquoi Bay. Based
on this chl-a determination, we assessed the trophic status using the OECD criteria and
the Carlson’s Trophic State Index (TSI).
We evaluated the accuracy of the inversion model correlating the ground truth
(field-measured) and the TM predicted chl-a data using the trophic status and the chl-a
112
limit for low risk to human health in recreational waters by WHO. The classification
accuracies, overall and Kappa coefficient, were measured from an error matrix (Congalton
1991 – see Appendix IV-A) considering the field data as reference.
We applied a land mask on the scene to separate the water body from the
surrounded land to use for further maps production by the inversion model.
3 – Results and discussion
3.1 – Phytoplanktonic biomass
Chl-a concentration decreased during the summer in all sampling stations, except
in 4 and 8 stations on 21SEP, in Canadian Missisquoi Bay (Fig. 2). However, chl-a
concentration was always higher than 5 µg.L-1, which is the threshold concentration for
alert 1 level for monitoring framework of drinking water supplies in Lake Champlain
(Watzin et al., 2006). In some sampling stations and periods, mainly in the early summer,
chl-a was higher than 10 µg.L-1, the threshold concentration for low human health risk in
recreational water (Chorus & Bartram, 1999). Rogalus & Watzin (2008) recorded the chl-a
concentrations from 29 sampling stations (offshore and shoreline) during the summers of
2003 and 2004 in USA Missisquoi Bay. In their study,chl-a values lower than 50 µg.L-1
represented 75% of all data, 70% of which were lower than 25 µg.L-1, and the highest
value recorded was around 230 µg.L-1. In our study we did not measure chl-a
concentrations higher than 46.3 µg.L-1, but our data showed the same trends of these
previous results.
The measured chl-a-a values configured the Canadian Missisquoi Bay as
mesotrophic to eutrophic, and sometimes hipereutrophic in sampling station 8 and 3,
according to OECD and Carlson’s Trophic State Index (Fig.2).
113
19 JUL 04 AUG 22 AUG 05 SEP 21 SEP
chl-a
(µ
g . L
-1 )
0
5
10
15
20
25
3045
50
1 2 3 4 5 6 7 8 9 10
OE
CD
TS
I
Figure 2 – Chlorophyll-a concentration in Canadian Missisquoi Bay in all sampling period
and station during the summer of 2007. Dashed line – Threshold concentration to low health risk in
recreational water use. Dotted line - Threshold concentration to alert 1 level framework in drinking water
source. Grayscale – Trophic status by OECD criteria and Carlson’s Trophic Index (TSI): white – oligotrophic,
light gray – mesotrophic, dark gray – eutrophic and black – hipereutrophic.
Fig. 3 shows the phytoplanktonic and cyanobacterial abundance and structure in
some sampling stations of Canadian Missisquoi Bay. Although the chl-a concentrations
decreased in late summer (05 and 21SEP) (Fig. 2), we could verify an increase of
cyanobacterial biomass (Fig. 3A), as identified by previous studies in Lake Champlain
(see Watzin et al., 2005). Cyanobacterial colonies or trichomes were visually observed in
the water in all sampling stations on 05SEP and 21SEP, but they were concentrated at
the surface as scums only in station 8 on 21SEP.
Beside the higher biomass concentration during late summer, cyanobacteria also
dominated by cellular abundance (Fig. 3B), representing a human health risk. The
cyanobacterial cellular abundance was always higher than the threshold values for alert 1
level for monitoring of drinking water in Lake Champlain and for low health risk in
recreational water, 4000 cel.mL-1 (Watzin et al., 2006), 20000 cel.mL-1 (Chorus & Bartram,
114
1 3 4 6 8 10
04 AUG
mm
3 .
L-1
0
5
10
15
20
25
A
1 3 4 6 8 10
21 SEP
1 3 4 6 8 10
22 AUG
1 3 4 6 8 10
05 SEP
B
1 3 4 6 8 10
cel.
mL-1
0
50000
100000
150000
200000
1 3 4 6 8 101 3 4 6 8 10 1 3 4 6 8 10
EuglenophytaBaccilariophytaChlorophyta
ChrysophytaCryptophyta
CyanobacteriaDinophyta
Figure 3 – Phytoplanktonic biomass (A) and cellular abundance (B) in some sampling stations in Missisquoi Bay during the summer of 2007.
115
1999) respectively (Fig. 4A). Nevertheless, if we consider the potential toxic and non-toxic
genera, we could verify that in general the highest cellular abundance of cyanobacteria
was represented by potentially non-toxic species (Aphanothece clathrata brevis,
Chroococcus spp, Merismopedia spp and Woronichinia naegeliana) (Fig. 4A). The toxic
cyanobacteria (Anabaena spp, Aphanocapsa spp, Aphanizomenon spp, Coelosphaerim
spp, Lyngbya limnetica, Microcystis aeruginosa and Oscillatoria spp) were dominated
mainly by Aphanocapsa delicatissima, except in station 8 on 21SEP, where Anabaena
crassa and Anabaena flos-aquae were the most abundant (Fig. 4B).
We also detected a change in species composition of potential toxic cyanobacteria
during the summer. Trichomes, including the species as Anabaena crassa and Anabaena
flos-aquae, became more abundant than the colonial species Microcystis aeruginosa (Fig.
4B). Although Aphanizomenon spp (A. flos-aquae and A. gracile), potential toxic trichome
species, showed an evident abundance increase in 2006 (Watzin et al., 2007), they were
detected in few samples in our study and never surpassed 1% of the toxic cyanobacterial
cellular abundance.
In Missisquoi Bay, the concentrations of microcystin and anatoxin were monitored
and they were frequently higher than in the others sections of Lake Champlain and also
higher than the WHO limits (Boyer et al., 2004; Watzin et al., 2005; Watzin et al., 2007).
Additionally, anatoxin-a produced by Anabaena flos-aquae was probably the cause of the
two dog deaths that occurred in Lake Champlain during the summer of 2000 (Rose et al.,
2001).
We could not detect any spatial pattern of phytoplankton or cyanobacteria distribution in
the Canadian Missisquoi Bay, though higher concentrations were recorded during all
sampling period in sampling station 8, located near the water treatment intake for the
municipalities of Bedford and Philipsburg in Canada (Mimeault & Manley, 2004) and at a
pier used by boats and fishermen. This shows a high
116
A
1 3 4 6 8 10
cel.
mL-1
0
5000
10000
15000
2000040000
60000
B
1 3 4 6 8 101 3 4 6 8 101 3 4 6 8 10
1 3 4 6 8 10
21 SEP
1 3 4 6 8 10
05 SEP
1 3 4 6 8 10
22 AUG
1 3 4 6 8 10
04 AUG
cel.
mL-1
0
30000
60000
90000
120000
150000
180000
toxic non-toxic
colonieMicrocystistrichome
Figure 4 – Cellular abundance of Cyanobacteria, total (A) and potential toxic species (B), in some sampling stations in Missisquoi Bay during
the summer of 2007. Dashed line – Threshold abundance to low health risk in recreational water use. Dashed and dotted line – Threshold abundance to moderate
health risk in recreational water use. Dotted line - Threshold abundance to alert 1 level framework in drinking water source.
117
potential risk of cyanotoxin contamination by the water users, whether the use is for
recreation or drinking purposes (Fig. 4A and B).
3.2 – Satellite data inversion model
3.2.1 - Chlorophyll-a algorithms: Regressive equation
All photosynthetic pigments have a typical spectral signature. The spectral
signature of chlorophyll-ais characterized by absorption peaks at 440 (blue range) and
670 nm (red range). Because of the cell internal scattering, reflectance peaks occur near
570 nm (green range) and 700 nm (red and near infrared boundary). Gitelson et al. (1999)
found a strong correlation between chlorophyll concentration and the peak sharpness for
the two reflectance peaks. Based on the chlorophyll features, we can expect correlations
between chl-a-a and the TM reflectance data for Landsat-5 in the visible and near infrared
bands. TM1 and TM3 would be affected by the absorption peaks, and TM2 and TM3-TM4
by the reflectance peaks. Nevertheless, the non-algal suspended particulate matter must
be considered, because it produces an increase in TM2 reflectance due to backscattering;
additionally, a strong water absorption at the end of TM4 also occurs (Brivio et al., 2001).
Thus, due to the broad spectral configuration of the Landsat sensor, the relationship
between chl-a and the TM bands cannot be clearly and completely understood by the chl-
a spectral signature.
The logarithmic relationship between the four Landsat-5 bands and chl-a
concentration was the only regressive relationship that resulted in a significant and
powerful model. Correlations using single band, others band combinations and the band
combinations previously found in literature did not resulted in significant regressive
models, neither for raw or logarithmic data. Previous studies have also outlined the
118
increasing in the goodness of fit for the model by the logarithmic transformation of
variables (e.g. Duan et al., 2007; Härmä et al., 2001).
The resulting algorithm for chl-a retrieval in the Canadian Missisquoi Bay in
September 5th 2007 was:
( ) ( ) ( ) ( )76.0ln88.287.0ln95.218.1ln21.361.0ln96.20.95)(11.3 ln 4321 ±+±+±−±−±= ρρρρchla
where “ln chla” is the logarithm of the chlorophyll-a concentration in µg.L-1, “ln ρI” is the
logarithm of the superficial bidirectional reflectance factor in the “i” Landsat-5 TM band.
Into the parentheses is represented the standard error of each parameter.
The R2 was 0.88 and the root mean square error of the model was 0.15 µg.L-1, that
resulted in a normalized root mean square error of 16%. Thus, this algorithm showed a
high power of determination with a relatively small error. This performance was similar to
those recorded by others studies using the Landsat TM sensor (Table 2) and also by the
study made by Wheeler (2004) in Lake Champlain using the SPOT-5 and QuickBird
sensors (R2 equal 0.54 and 0.75, respectively).
3.2.2 - Algorithm accuracy
The cross-validation plot (Fig. 5) for chl-a concentration measured in situ and
derived from Landsat TM data showed a correspondence between the data. The lines are
the thresholds chl-a concentrations for trophic status and low human health risk in
recreational waters. They divide the plot and show the error type quadrants. Type I and IV
indicate those sampling stations which measured and predicted water status did not fit,
thus the chl-a values prediction were a priori wrong. Type II and III indicate the
correspondence between water status calculated from in situ chl-a and from Landsat TM
data, i.e., the prediction model was right. We could verify that only two stations were
119
inside the type I or IV quadrants for the trophic status limits. One station resulted in an
error type I by the OECD criteria and TSI, another one resulted in an error type IV by TSI.
All stations were corrected by the chl-a limit for low human health risk in recreational
waters, i.e., they are inside the quadrants II or III.
Table 2 – Literature values of coefficient of determination to chlorophyll-a algorithms by
Landsat TM data.
Site TM variables R2 Chl-a (µg.L-1) Reference
Missisquoi Bay –
Canada/USA
TM1,TM2,TM3
and TM4 multiple
relation
0.88 5.08 – 12.87 This study
Barra Bonita reservoir -
Brazil
TM2 and TM4 0.86 3.96 – 6.15 Novo et al. (1993)
Conceição Lagoon -
Brazil
TM1 and TM2 0.96 2.5 – 7.6 Martini et al. (2006)
Lake Chagan - China TM4/TM3 0.67 10.68 – 28.68 Duan et al. (2007)
Lake Erken - Sweden TM2 0.93 2.1 – 27.4 Östlund et al. (2001)
Lake Garda - Italy (TM1+TM3)/TM2
TM1 and TM2
0.82
0.67
3.01 – 6.01
1.90 – 2.20
Brivio et al. (2001)
Lake Iseo - Italy TM1 and TM2 0.99 5.5 – 7.7 Giardino et al. (2001)
The overall accuracy and the Kappa coefficient estimated by the matrix error were
equal to 100% for the TSI trophic status and for the human health risk chl-a limit in
recreational waters. These values are 89% and 77%, respectively, for the OECD trophic
status criteria. Thus, we could consider that chlorophyll-a inversion model derived from
Landsat TM data showed a very good accuracy and could be used for retrieving chl-a or
trophic status for the entire Missisquoi Bay.
120
in situ-measured chl-a (µg.L-1)
0 2 4 6 8 10 12 14 16
Land
sat T
M-p
redi
cted
chl
-a (
µg.
L-1)
0
2
4
6
8
10
12
14
16Type I
Type II
Type III
Type IV
Figure 5 – Scartterplot between chlorophyll-a concentration by Landsat TM- predicted and
in situ-measured in Canadian Missisquoi Bay, and the errors type according to trophic
status by OECD criteria (dashed line) and Carlson’s Trophic Index (dash-dotted line) and
according to the values for low human health risk in recreational waters (dotted line).
3.2.2 - Chlorophyll-a and trophic status maps
We applied the chl-a algorithm to assess the chl-a concentration in the entire
Missisquoi Bay. We observed very high chl-a values (> 1000 µg.L-1) near the wetland area
(see the Wetland map from the Lake Champlain Basin Program - Appendix VII), mainly
near the entrance of the major tributaries - Missisquoi, Pike and Rock rivers. Additionally,
high chl-a values (> 300 µg.L-1) were detected even inside the pelagic zone next to much
lower values of chl-a, and in other shoreline regions where wetland does not occur (see
Appendix VII). Probably these very high chl-a values were due to an interference on the
signal of chl-a reflectance by other elements. Because of the wetland extension and of the
121
low depth in Missisquoi Bay, we believe that the interference were macrophytes and the
lake bottom. The interference from the lake bottom on the signal of chl-a reflectance by
Landsat TM was already related in a Brazilian shallow lagoon (Martini et al. 2006).
Therefore, we decided to consider as suitable results the chl-a concentrations below 50
µg.L-1 and as no data the concentrations above 50 µg.L-1 (Fig. 6). We chose this value
based on two reasons: 1) chl-a concentrations below 50 µg.L-1 have higher chance to
occur since 75% of the chl-a data registered during the summers of 2003 and 2004 in
USA Missisquoi Bay was less than 50 µg.L-1 (Rogalus & Watzin, 2008); and 2) 50 µg.L-1 is
the threshold value to alert 2 level for monitoring framework in drinking water and for a
moderate health risk in recreational water. Thus, the values below 50 µg.L-1 can be
considered representative of the Missisquoi Bay and they can be considered suitable to
evaluate the water status relative to its trophy and the potentially cyanobacterial health
risk.
These shoreline regions, which were not considered in our analyses, could be
important areas to monitor for cyanobacterial development. First because the users
contact is probably higher here than in the pelagic zone, and second since many
cyanobacteria species are buoyant, they can accumulate in the shoreline in downwind
side of a lake due to the wind action (Webster, 1990).
Fig. 7 shows the chl-a map distribution in Missisquoi Bay estimated from Landsat
TM data and in Fig. 8, we can see the relative cover area of every concentration class.
Chl-a concentrations up to 10 µg.L-1 covered most of the area in Missisquoi Bay, around
74%, which 69% were below 5 µg.L-1. Thus, on 05SEP only 26% of the water in the bay
offered a moderate risk to human health by recreational use (10 – 50 µg.L-1 chl-a) and
31% configured the water bay inside the alert 1 level for monitoring framework in drinking
water (5 – 50 µg.L-1 chl-a).
122
Figure 6 – Suitable chlorophyll-a area in Missisquoi Bay by Landsat-5 TM data. Ellipses
indicate the wetland regions.
Figure 7 – Chlorophyll-a (µg.L-1) distribution map in Missisquoi Bay by Landsat-5 TM data.
0 - 10
no data
10 - 30
30 - 50
no data
< 50 µg.L-1
123
We could verify some spot regions of higher chl-a values in the bay. They were
located near the shoreline, mainly in southeastern portion of the Missisquoi river entrance
and in the north of the bay (Fig. 7). However, none clear spatial pattern of chl-a
distribution (phytoplanktonic and cyanobacterial biomass) was detected.
The trophic status by OECD criteria and Carlson’s Trophic Index resulted in similar
conditions for all sampling period and for entire Missisquoi Bay area in 05SEP by
predicted Landsat TM data (Fig. 2 and Fig. 8). According to the TM model in 05SEP, the
mesotrophic and eutrophic status covered most of the area in Missisquoi Bay, 33% and
27% by OECD, and 33% and 22% by TSI, respectively. The hipereutrophic status covered
less than 15% and ultragotrophic plus oligotrophic around 30% of the area in the bay for
both trophic classifiers, OECD and TSI.
Chl-a Carlson OECD
% K
m2
0
20
40
60
80
100
40 - 50 or hipereutrophic30 - 40 or eutrophic20 - 30 or mesotrophic10 - 20 or oligotrophic 0 - 10 or ultra-oligotrophic
Figure 8 – Relative area covered for chlorophyll-a and trophic state classes by OECD
criteria and Carlson’s Trophic State Index (TSI) in Missisquoi Bay derived from Landsat-5
TM data.
We put together the trophic classes ultraoligotrophic and oligotrophic as
oligotrophic class, and eutrophic and hipereutrophic as eutrophic class in Fig. 9. As
observed in chl-a map, we could not detect a clear spatial pattern of trophic class in
124
Missisquoi Bay. But in the same spot regions of higher chl-a values, the more trophic
conditions also occur (meso and eutrophic) in the bay (Fig. 7 and 9).
Figure 9 – Trophic status map by Carlson’s Trophic Index (TSI) in Missisquoi Bay
according to chlorophyll-a algorithmic by Landsat-5 TM data.
4 - Conclusion
The high accuracy of chl-a prediction by the model found in this study showed that
empirical retrieving algorithms by Landsat-5 data can be useful in cyanobacterial
monitoring programs in large freshwater systems, as Missisquoi Bay in Lake Champlain.
Even if there is a field demand to apply an empirical model in remote sensing data, the
advantage of using satellite data coupled with field data in monitoring programs is the
enhancement of the covered area at relatively low costs compared to traditional field
sampling programs for the same area.
Oligotrophic
no data
Mesotrophic
Eutrophic
125
Some important areas of cyanobacteria occurrence as shoreline region could not
give a reliable evaluation because of their low depth, which probably affected the chl-a
reflectance signal. Thus, despite the high model accuracy, the use of Landsat-5 for
phytoplankton monitoring program in Missisquoi Bay, and in other shallow water systems,
can be limited. Nevertheless, the lake bottom noise could be minimized or cancelled when
surface scums occur, i.e., high cyanobacterial abundance. Therefore, coupling field
sampling campaigns with overpassing satellite could be a good monitoring strategy, even
in shallow water systems, if there is a heavy cyanobacterial bloom. But the lake bottom
and other noise elements as wetland have to be considered in the analyses.
References
Baban, S.M.J. (1999). Use of remote sensing and geographical information systems in
developing lake management strategies. Hydrobiologia, 395/396, 211–226.
Bennett, E.M., Carpenter, S.R & Caraco, N.F. (2001). Human impact on erodable
phosphorus and eutrophication: a global perspective. BioScience, 51, 227-234.
Boyer, G.L., Watzin, M.C., Shambaugh, A.D., Satcwell, M.F., Rosen, B.H. & Mihuc, T.
(2004). The occurrence of cyanobacterial toxins in Lake Champlain. In T.O. Manley, P.
L. Manley & T. B. Mihuc (Eds.), Lake Champlain: Partnerships and Research in the
New Millennium (pp. 241 - 258). New York: Kluwer Academic/Plenum Publishers.
Brivio, P.A., Giardino, C., & Zilioli, E. (2001). Validation of satellite data for quality
assurance in lake monitoring applications. The Science of the Total Environment, 268,
3−18.
126
Camara G., Souza, R.C.M., Freitas, U.M., & Garrido, J. (1996). SPRING: Integrating
remote sensing and GIS by object-oriented data modelling. Computers & Graphics, 20,
395−403.
Carlson, R.E. (1977). A trophic state index for lakes. Limnology and Oceanography, 22,
361-369.
Carmichael, W.W. (2001). Health effects of toxin-producing cyanobacteria: ‘‘The
CyanoHABs’’. Human and Ecological Risk Assessment, 7, 1393–1407.
Chorus, I., Bartram, J. (Eds.) (1999). Toxic Cyanobacteria: A guide to their public health
consequences monitoring and management. 400p. London: E & FN Spon.
Clark, W.J. (1983). Cloud cover as a factor in the utilization of Landsat data for
limnological research. Remote Sensing of Environment, 13, 453–460.
Congalton, R.G. (1991). A review of assessing the accuracy of classification of remotely
sensed data. Remote Sensing of Environment, 37, 35–46.
Codd, G.A. (2000). Cyanobacterial toxins, the perception of water quality, and the
prioritisation of eutrophication control. Ecological Engineering, 16, 51–60.
Conley, D.J., Paerl, H.W., Howarth, R.W., Boesch, D.F., Seitzinger, S.P., Havens, K.E.,
Lancelot, C. & Likens, G.E. (2009). Controlling eutrophication: nitrogen and
phosphorus. Science, 323, 1014-1015.
Dillon, P.J., & Rigler, F.H. (1974). The phosphorus-chlorophyll relationship in lakes.
Limnology and Oceanography, 19, 767-773.
Dow, C.S. & Swoboda, U.K. (2002). Cyanotoxins. In B.A. Whitton & M. Potts (Eds), The
Ecology of Cyanobacteria (pp. 613-632). Netherlands: Kluwer Academic Publishers.
127
Duan, H., Zhang, Y., Zhang, B., Song, K., & Wang, Z. (2007). Assessment of chlorophyll-a
concentration and trophic state for Lake Chagan using Landsat TM and field spectral
data. Environmental Monitoring and Assessment, 129, 295–308.
Härmä, P., Vepsäläinen, J., Hannonen, T., Pyhälahti, T., Kämäri, J., Kallio, K., Eloheimo,
K., & Koponen, S. (2001). Detection of water quality using simulated satellite data and
semi-empirical algorithms in Finland. The Science of the Total Environment, 268, 107-
121.
Hillebrand, H., Dürselen, C., Kirschtel, D., Pollingher, U., & Zohary, T. (1999). Biovolume
calculation for pelagic and benthic microalgae. Journal of Phycology, 35, 403–424.
Giardino, C., Pepe, M., Brivio, P.A., Ghezzi, P., & Zilioli, E. (2001). Detecting chlorophyll,
Secchi disk depth and surface temperature in a sub-alpine lake using Landsat imagery.
The Science of the Total Environment, 268,19-29.
Gitelson, A.A., Schalles, J.F., Rundquist, D.C., Schiebe, F.R. & Yacobi, Y.Z. (1999).
Comparative reflectance properties of algal cultures with manipulated densities.
Journal of Applied Phycology, 11, 345–354.
Koponen, S., Pulliainen, J., Kallio, K., & Hallikainen, M. (2002). Lake water quality
classification with airborne hyperspectral spectrometer and simulated MERIS data.
Remote Sensing of Environment, 79, 51–59.
Kutser, T. (2004). Quantitative detection of chlorophyll in cyanobacterial blooms by
satellite remote sensing. Limnology and Oceanography, 49, 2179-2189.
Martini, L.C.P., Mattos, D.S., Barbosa, D.F.P. & Rech, A.I.B. (2006). Uso de
sensoriamento remoto orbital para avaliação da distribuição espacial de clorofila-a na
128
Lagoa da Conceição - Florianópolis, SC. Engenharia Sanitária e Ambiental, 11, 318-
324.
Mimeault, M. & Manley, T.. (2004). Missiquoi Bay – an international parthership towards
restoration. In T.O. Manley, P. L. Manley & T. B. Mihuc (Eds.), Lake Champlain:
Partnerships and Research in the New Millennium (pp. 1 - 8). New York: Kluwer
Academic/Plenum Publishers.
MOH - Ministry of Health. (2005). Draft Guidelines for Drinking-water Quality
Management for New Zealand 2005, Capítulo 9: Cyanobacterial Compliance. 2nd
Edition. Wellington: Ministry of Health. Available on:
http://www.moh.govt.nz/moh.nsf/0/5A25BF765B400911CC25708F0002B5A8/$File/09-
cyanobacteriacompliance.pdf
Novo, E.M.L.M., Braga, C.Z.F. & Tundisi, J.G. (1993). Remote sensing estimation of total
chlorophyll pigment distribution in Barra Bonita Reservoir, Brazil. In Straskraba, M.,
Tundisi, J.G. & Duncan, A. (Eds.), Comparative reservoir limnology and water quality
management (pp. 147-152). Netherlands: Kluwer Academic Publishers.
Novo, E.M.L.M., Lobo, F., & Calijuri, M.C. (1994). Remote sensing and geographical
information system application to inland water studies. In J.G.Tundisi, C.E.M. Bicudo &
T. Matsumura Tundisi (Eds.), Limnology in Brazil (pp. 283–303). Rio de Janeiro:
ABC/SBL.
Nusch, E.A. (1980). Comparison of different methods for chlorophyll and phaepigment
determination. Archiv für Hydrobiologie, Ergebnisse de Linmologie, Beiheft, 14, 14–36.
OECD - Organization for Economic Cooperation and Development. (1982). Eutrophication
of water: monitoring, assessment and control. 154p. Paris: OECD.
129
Oliver, R.L., & Ganf, G.G. (2002). Freshwater blooms. In B.A. Whitton & M. Potts (Eds),
The Ecology of Cyanobacteria (pp. 149-194). Netherlands: Kluwer Academic
Publishers.
Östlund , C., Flink , P., Strömbeck , N., Pierson , D., & Lindell, T. (2001). Mapping of the
water quality of Lake Erken, Sweden, from Imaging Spectrometry and Landsat
Thematic Mapper. The Science of the Total Environment, 268, 139-154.
Ritchie, J.C., Schiebe, F.R., & McHenry, J.R. (1976). Remote sensing of suspended
sediment in surface water. Photogrammetric Engineering & Remote Sensing, 42, 1539-
1545.
Ritchie, J.C., Zimba, P.V., & Everitt, J.H. (2003). Remote sensing techniques to assess
water quality. Photogrammetric Engineering & Remote Sensing, 69, 695–704.
Rogalus, M.K. & Watzin, M.C. (2008). Evaluation of sampling and screening techniques
for tiered monitoring of toxic cyanobacteria in lakes. Harmful Algae, 7, 504–514.
Rott, E. (1981). Some results from phytoplankton counting intercalibrations.
Schweizerische Zeitschrift für Hydrologie, 43, 34–62.
Rosen, B.H., Shambaugh, A., Ferber, L., Watzin, M.C., Eliopoulos, C. & Stangel. P.
(2001). Evaluation of Potential Blue-Green Algal Toxins in Lake Champlain (2000).
Lake Champlain Basin Program Tech. Rep. 39 29p. Available on:
http://www.lcbp.org/techreportPDF/39_BGA_Toxins_2000.pdf
Salas, H.J., & Martino, P. (2001). Metologías simplificadas para evaluacíon de
eutroficacion en lagos tropicales. 60p, Lima: CEPIS. Available on:
http://www.bvsde.paho.org/bvsaca/e/fulltext/eutrof/eutrof.pdf
130
Smith, R.C., & Baker, K.S. (1978). The bio-optical state of ocean waters and remote
sensing. Limnology and Oceanography, 23, 247-259.
Smith, V.H., Tilman, G.D., & Nekola, J.C. (1999). Eutrophication: impacts of excess
nutrient inputs on freshwater, marine, and terrestrial ecosystems. Environmental
Pollution, 100, 179-196.
Sun, J., & Liu, D. (2002). Geometric models for calculating cell biovolume and surface
area for phytoplankton. Journal of Plankton Research, 25, 1331–1346.
Thiemann, S., & Kaufmann, H. (2000). Determination of chlorophyll content and trophic
state of lakes using field spectrometer and IRS-1C satellite data in the Mecklenburg
Lake District, Germany. Remote Sensing of Environment, 73, 227–235.
Tomlinson, M.C., Stumpf, R.P., Ransibrahmanakul, V., Truby, E.W., Kirkpatrick, G.J.,
Pederson, B.A., Vargo, G.A., & Heil, C.A. (2004). Evaluation of the use of SeaWiFS
imagery for detecting Karenia brevis harmful algal blooms in the eastern Gulf of
Mexico. Remote Sensing of Environment, 91, 293–303.
Utermöhl, H. (1958). Zur Vervollkommnung der quantitativen Phytoplankton-Methodik.
Mitteilungen der Internationale Vereinigung für Theoretische und Angewandte
Limnologie, 9, 1–38.
Vermote, E.F., Tanre, D., Deuze, J.L., Herman, M., & Morcrette, J.J. (1997). Second
simulation of the satellite signal in the solar spectrum, 6S: An overview. IEEE
Transactions on Geoscience and Remote Sensing, 35, 675–686.
Vincent, R. K., Xiaoming, Q., McKay, R.M.L., Miner, J., Czajkowski, K., Savino, J., &
Bridgeman, T. (2004). Phycocyanin detection from LANDSAT TM data for mapping
cyanobacterial blooms in Lake Erie. Remote Sensing of Environment, 89, 381–392.
131
Watzin, M.C., Smyth, R.L., Cassell, E.A., Hession, W.C., Manning, R.E. & Rubenstein,
D.W. (2005). Ecosystem indicators and an environmental score card for the Lake
Champlain Basin Program. Lake Champlain Basin Program Tech. Rep. 46 192p.
Available on:
http://www.lcbp.org/techreportPDF/46_Ecological_Indicators_May_2005.pdf
Watzin, M.C., Miller, E.B., Shambaugh, A.D., Kreider, M.A. (2006). Application of the
WHO alert level framework to cyanobacteria monitoring on Lake Champlain, Vermont.
Environmental Toxicology, 21, 278–288.
Watzin, M.C., Fuller, F., Rogalus, M., Levine, M., Couture, S., Crawford, K. & May, C.
(2007). Monitoring and Evaluation of Cyanobacteria in Lake ChamplainI- Summer
2006. Lake Champlain Basin Program Tech. Rep. 55 25p. Available on:
http://www.lcbp.org/techreportPDF/55_BGA_2006.pdf
Webster, I. T. (1990). Effect of wind on the distribution of phytoplankton cells in lakes.
Limnology and Oceanography, 35, 989-1001.
Wheeler, S.M. (2006). An evaluation of the utility of remote sensing for monitoring
cyanobacteria in Lake Champlain (VT-NY-PQ). Ms. Thesis. The University of Vermont,
The Faculty of the Graduate College. Burlington, USA.
132
Considerações finais
Nos dois ambientes estudados, Reservatório de Furnas e Baía de Missisquoi,
florações de cianobactérias potencialmente tóxicas foram detectadas., o que demonstra a
importância do monitoramento contínuo dos mesmos, uma vez que ambos apresentam
usos da água que geram risco de ingestão e contato primário com humanos. Por outro
lado, a extensão espacial elevada destes dois ambientes, leva a limitações na abragência
espacial dos pontos de monitoramento in situ.
O uso dos sensores remotos Landsat TM e CBERS CDD mostrou-se promissor
para o monitoramento da concentração de clorofila-a e estado trófico, bons indicadores
da presença de cianobactérias, uma vez que estes apresentaram modelos e
classificações com boas acurácias, o que permitiu a extrapolação de dados a áreas não
monitoradas in situ. Entretanto, algumas limitações foram detectadas, principalmente,
quanto à influência de substâncias opticamente ativas de origem não-algal, como sólidos
em suspensão inorgânicos, fundo do ambiente e macrófitas. Tais limitações evidenciam a
limitação espectral dos sensores em questão.
Modelos bio-ópticos para a estimativa de clorofila-a por sensores remotos são a
priori mais precisos do que modelos empíricos e classificação digital. Gitelson et al.
(2008) evidenciaram a alta acurácia na estimativa de clorofila-a pelo modelo bio-óptico de
três bandas. Entretanto, a aplicação deste modelo estaria restrita a sensores com
moderada a alta resolução espectral, como o MERIS. Apesar de os sensores utilizados
neste trabalho (CCD e TM) não permitirem a total discriminação da reflectância da
clorofila-a com a de outros componentes ópticos presentes na água, o uso destes para a
estimativa da clorofila-a não se mostrou inviável.
Para a melhor compreensão das vantagens e desvantagens do uso dos sensores
CCD (CBERS) e TM (Landsat) para o monitoramento de florações do fitoplâncton, os
sensores MODIS, MERIS, Hyperion e Quickbird foram avaliados juntamente com estes,
quanto às suas configurações (Fig. 1). Estes sensores foram escolhidos para
133
Figura 1 – Características de
sensores orbitais utilizados
na estimativa de clorofila-a
em águas continentais:
número de bandas na região
espectral vermelho e
infravermelho próximo,
resolução temporal (A),
resolução espacial (B) e
largura da faixa imageada
(C); de acordo com a
disponibilidade na obtenção
sistemática de imagens e
custo financeiro do sistema.
0 5 10 15 20 25 30 35
dias
0
5
10
15
20
25
30
sistemático com acesso gratuitosistemático com acesso pagonão-sistemático com acesso pago
B
0 3 6 9 12 15 30 35
m
0
50
100
150
200
250
30010001200
CCD
TM
MODIS
MERIS
Hyperion
QuickBird
CCD
TM
MODISMERIS
Hyperion
QuickBird
A
nº de bandas
0 5 10 15 20 25 30 35
Km
0
50
100
150
2001000
1500
2000
2500
3000
CCD
TM
MODIS
MERIS
HyperionQuickBird
C
134
representarem a amplitude do universo de configurações de sensores orbitais disponíveis
e por terem sido anteriormente utilizados na estimativa de clorofila-a em ambientes
aquáticos. Para que programas de monitoramento ambiental com o uso de sensores
remotos se tornem viáveis, aspectos como a previsibilidade e continuidade na obtenção
de dados do sensor e o valor financeiro destes dados devem ser considerados. Neste
contexto, sensores com imageamento sistemático e que apresentem um baixo custo na
compra de imagens que abranjam toda a área de estudo seriam mais indicados.
Todos os sensores avaliados, devido às suas resoluções espectrais, permitem o
monitoramento mensal, sendo que os sensores MODIS, MERIS e Quickbird permitem um
monitoramento mais intensivo com avaliações periódicas em intervalos menores que 5
dias (Fig. 1A). Os sensores MODIS, MERIS e Hyperion apresentam maior resolução
espectral na faixa do vermelho e infra-vermelho próximo (Fig. 1A, B, C). Os dados dos
dois últimos sensores permitem a utilização do modelo bio-óptico de três bandas e os
dados do sensor MODIS do modelo de duas bandas (veja Gitelson et al., 2008). Os
sensores CCD, TM e Quickbird, apesar de suas menores resoluções espectrais,
apresentam, juntamente com o Hyperion, resolução espacial menor ou igual 30 m (Fig.
1B). Tais resoluções seriam adequadas ao monitoramento de ambientes aquáticos
continentais e de florações do fitoplâncton, como discutido por Vincent et al. (2004) e
Kutser (2004). Apesar de suas altas resoluções espectrais e espaciais, o sensor Hyperion
possui uma faixa imageada de apenas 7,7 Km (Fig. 1C) com custo de cerca de 700
dólares americanos a imagem. Desta forma, o custo do uso deste sensor pode ser
impraticável para programas de monitoramento ambiental. Além disso, o Hyperion não
realiza imageamento sistemático, o que compromete o seu uso em programas de
monitoramento de longo prazo. Comparados aos outros sensores disponíveis, os
sensores CCD e TM, apesar de sua limitação espectral para a aplicação de modelos bio-
ópticos refinados para a estimativa da clorofila-a fitoplanctônica, podem oferecer
135
vantagens quanto à sua viabilidade econômica, previsibilidade na obtenção de dados
(sistemáticos) e boa resolução espacial.
Com base nos resultados obtidos neste trabalho para os dois ambientes
estudados, reservatório da UHE de Furnas e Baía de Missisquoi, tratados nos capítulos 1
e 2, respectivamente; pode-se verificar o uso viável dos sensores dos satélites CBERS-2
e Landsat-5 para o monitoramento da biomassa fitoplanctônica a partir da clorofila-a. A
possibilidade de se estimar a clorofila-a para todo o sistema aquático em questão, a partir
de dados de sensores orbitais e dados in situ de algumas estações de coletas pontuais, é
uma grande vantagem desta abordagem sobre as redes de amostragem convencionais
para o monitoramento ambiental.
Como enfatizado por Goetz et al. (2008), deve ser encorajado o uso de técnicas e
aplicações de sensoriamento remoto para estudos de ambientes aquáticos mesmo entre
pessoas que não são especialistas em sensoriamento remoto, como aquelas
responsáveis por manejo e conservação destes ambientes. Logo, a realização deste
trabalho teve uma importante contribuição para a formação de um ecólogo/limnólogo na
área de sensoriamento remoto.
Referências bibliográficas
Gitelson, A.A., Dall'Olmo, G., Moses, W., Rundquist, D.C., Barrow, T., Fisher, T.R., Gurlin,
D. & Holz, J. (2008). A simple semi-analytical model for remote estimation of
chlorophyll-a in turbid waters: Validation. Remote Sensing of Environment, 112, 3582–
3593.
Goetz, S.J., Gardiner, N. &. Viers, J.H. (2008). Monitoring freshwater, estuarine and near-
shore benthic ecosystems with multi-sensor remote sensing: An introduction to the
special issue. Remote Sensing of Environment, 112, 3993–3995.
136
Kutser, T. (2004). Quantitative detection of chlorophyll in cyanobacterial blooms by
satellite remote sensing. Limnology & Oceanography, 49, 2179-2189.
Vincent, R.K., Xiaoming, Q., McKay, R.M.L., Miner, J., Czajkowski, K., Savino, J. &
Bridgeman, T. (2004). Phycocyanin detection from LANDSAT TM data for mapping
cyanobacterial blooms in Lake Erie. Remote Sensing of Environment, 89, 381-392.
137
Apêndice I – Configurações CBERS-2 e Landsat-5
Tabela 1 – Resoluções temporais (dias), espaciais (m) e espectrais (nm) dos sensores
CCD e TM dos satélites CBERS-2 e Landsat-5.
satélite sensor dias metros nm
CBERS-2 1 CCD 26 20 450 - 520 (1 / azul)
520 - 590 (2 / verde)
630 - 690 (3 / vermelho)
770 - 890 (4 / infravermelho próximo)
510 – 730 (5 / pan)
Landsat-5 2 TM 16 30 450 - 520 (1 / azul)
520 - 600 (2 / verde)
630 - 690 (3 / vermelho)
760 - 900 (4 / infravermelho próximo)
1550 - 1750 (5 / infravermelho médio)
2080 – 2350 (7 / infravermelho distante)
Fontes: 1 INPE: http://www.cbers.inpe.br/?content=cameras1e2e2b 2 USGS: http://eros.usgs.gov/products/satellite/tm.php
http://eros.usgs.gov/products/satellite/band.html
138
Apêndice II – Georreferenciamento
Tabela 1 – Erro padrão quadrático médio (RMSE - Root Mean Square Error) em pixels
para as amostras de treinamento e teste (itálico) obtido no georreferenciamento de cada
imagem Landsat-5 (órbita/ponto) correspondente à área do reservatório da UHE de
Furnas nas diversas datas de coleta.
Data 219/74 219/75
10.06.2006 1,005
1,024
1,157
1,269
14.09.2006 0,975
1,243
1,487
1.491
01.09.2007 1,061
0,887
0,984
0,716
28.04.2008 0,990
0,817
1,001
1,099
Tabela 2 – Erro padrão quadrático médio (RMSE - Root Mean Square Error) em pixels
para as amostras de treinamento e teste (itálico) obtido no georreferenciamento de cada
imagem CBERS-2 (órbita/ponto) correspondente à área do reservatório da UHE de
Furnas nas diversas datas de coleta.
Data 154/123 154/124
13.04.2005 2.470
2.402
1.915
4.362
12.04.2006 1,049
1,096
1,162
1,074
25.07.2006 0,902
1,173
1,099
1,413
15.09.2006 1,379
0,942
0,978
1,021
139
Apêndice III – Concentração de clorofila -a e estados tróficos
Tabela 1 – Limites de concentração de clorofila-a (µg.L-1) e valores de Índice de Estado
Trófico (IET) para diferentes níveis tróficos segundo OECD (1982), Carlson (1977, por
Kreutzer & Brezonick, 1981) e Lamparelli (2004).
OECD Carlson Lamparelli
µg.L-1 µg.L-1 IET µg.L-1 IET
Ultra-oligotrófico ≤ 1 ≤ 0,35 ≤ 20 ≤ 1,17 ≤ 47
Oligotrófico 1 - 2,5 0,36 – 2,49 21 - 40 1,17 - 3,24 48 - 52
Mesotrófico 2,5 - 8 2,50 – 7,62 41 - 50 3,25 - 11,03 53 - 59
Eutrófico 8 - 25 7,63 – 19,09 51 - 60 11,04 - 30,55 60 - 63
Supereutrófico 30,56 - 69,05 64 - 67
Hipereutrófico ≥ 25 ≥ 19,10 ≥ 61 > 69,05 >67
Tabela 2 – Limites de concentração de clorofila-a (µg.L-1) e valores de Índice de Estado
Trófico (IET) segundo OECD (1982) e Lamparelli (2004) para cada níveL trófico
empregado no Capítulo 1 para os dados obtidos com o método de classificação
OECD Lamparelli
µg.L-1 µg.L-1 IET
Oligotrófico ≤ 2,5 ≤ 3,24 ≤ 52
Mesotrófico 2,5 - 8 3,25 - 11,03 53 - 59
Eutrófico > 8 >11,03 > 60
Tabela 3 – Limites de concentração de clorofila-a (µg.L-1) e valores de Índice de Estado
Trófico (IET) segundo OECD (1982) e Lamparelli (2004) para cada níveL trófico
empregado no Capítulo 1 para os dados obtidos com os modelos de inversão.
OECD Lamparelli
µg.L-1 µg.L-1 IET
Ultra-oligotrófico ≤ 1 ≤ 1,17 ≤ 47
Oligotrófico 1 - 2,5 1,17 - 3,24 48 - 52
Mesotrófico 2,5 - 8 3,25 - 11,03 53 - 59
Eutrófico > 8 11,03 – 30,54 60 - 63
Hipereutrófico ≥ 25 > 30,55 >64
140
Referências bibliográficas
Carlson, R.E. (1977). A trophic state index for lakes. Limnology and Oceanography, 22,
361-369.
Lamparelli, M.C. (2004). Grau de trofia em corpos d’água do Estado de São Paulo:
Avaliação dos métodos de monitoramento. Tese de doutorado. Universidade de São
Paulo, Instituto de Biociências da Universidade de São Paulo, Departamento de
Ecologia, São Paulo. São Paulo, Brazil. 235p. Available on:
http://www.teses.usp.br/teses/disponiveis/41/41134/tde-20032006-075813/
Kratzer, C.R. & Brezonick, P.L.A. (1981). A Carlson type trophic state index for nitrogen in
Florida lakes. Water Resources Bulletin, 17, 713-714.
OECD - Organization for Economic Cooperation and Development. (1982). Eutrophication
of water: monitoring, assessment and control. 154p. Paris: OECD.
141
Apêndice IV – Matriz de erro
A) Cálculos de acurácias baseados em uma matriz de erro
Como pode ser visto no exemplo da Tabela 1, a matriz de erros é uma
representação em colunas e linhas, onde o número de unidades amostradas, pixels por
exemplo, é associado às categorias (A, B, C e D) definidas no processo de classificação.
Em geral, as colunas são associadas aos dados de referência (dados de campo,
mapas de referência, etc.) e as linhas aos dados gerados pelo algoritmo de classificação.
Os valores na diagonal representam as amostras coincidentes entre os dados de
referência e do classificador, ou seja, àqueles que podem ser considerados como
classificados corretamente.
Tabela 1 – Exemplo de matriz de erros. Modificada de Congalton (1991).
Dados de referência
A B C D Total linha
A 65 4 22 24 115
B 6 81 5 8 100
C 11 11 83 19 115
D 4 7 3 90 104
Dad
os g
erad
os
Total coluna 75 103 115 141 434
Vários tipos de acurácias podem ser obtidas por meio de uma matriz de erro,
como as acurácias total, do produtor, do usuário e o coeficiente Kappa.
A acurácia total (overall accuracy) é a mais simples e nos dá uma idéia do quão
grande foi o acerto da classificação. Ela é calculada como o número de amostras corretas
dividido pelo número de amostras totais. Com os dados da tabela abaixo, o cálculo da
acurácia total seria conforme a equação 1.
.
142
Equação 1
As acurácias do usuário (user’s accuracy) e do produtor (producer’s accuracy) nos
indicam os erros de inclusão ou comissão e de exclusão ou omissão, respectivamente.
Elas podem ser calculadas para cada classe conforme as equações 2 e 3. A acurácia do
usuário nos permite avaliar o quanto se pode confiar na área de cobertura gerada para
uma dada classe. A acurácia do produtor, por outro lado, nos permite avaliar o quanto o
classificador é capaz de discernir as classes.
O coeficiente Kappa (Kappa coefficient) é uma medida que considera os acertos
(diagonal), mas também incorpora os erros (elementos fora da diagonal). Desta forma,
ele é utilizado como uma medida que avalia se a acurácia da classificação gerada seria
74,0434
321
º==
°=
totalpixelsden
corretospixelsdenTotalAcurácia
87,075
65
º
==
°=
AclassedausuáriodoAcurácia
classenareferênciadedadosdostotalpixelsden
classenacorretospixelsdenusuáriodoAcurácia
Equação 2
Equação 3 57,0115
65
º
==
°=
AclassedaprodutordoAcurácia
classenageradosdostotalpixelsden
classenacorretospixelsdenprodutordoAcurácia
143
maior do que um resultado aleatório (Kappa = 0), tal como um teste estatístico. Logo, ele
é utilizado para comparar diferentes matrizes de erros. O coeficiente Kappa,
representado por K̂ é calculado segundo aequação 4, que para a matriz de erro da
tabela 1, Kappa seria igual a 0,70.
Equação 4
onde r é o número de linhas na matriz, xii é o número de observações na linha i e coluna
i, xi e x+i são os totais marginais da linha i e coluna i, respectivamente, e N é o
número total de observações (pixels).
Em geral, as acurácias aqui descritas são apresentadas em forma de percentual.
Referências bibliográficas
Congalton, R.G. (1991). A review of assessing the accuracy of classification of remotely
sensed data. Remote Sensing Environment 37, 35–46.
( ) ( )( ) 70,0
1466413225103008625168100
1466413225103008625321410ˆ
1
2
1 1 =+++−
+++−⋅=⋅−
⋅−=
∑
∑ ∑
=+
= =+
r
iii
r
i
r
iiiii
xxN
xxxN
K
144
B) Matrizes de erro das amostras treinamento e teste obtidas pelas classificações de estado trófico para o reservatório da UHE de Furnas.
Tabela 2 – Matriz de erro das amostras de treinamento para as classes de estado trófico segundo o critério da OECD em cada período de
coleta.
Dados observados (campo)
APR05 APR06 JUN06 JUL06 SEP06 SEP06’ SEP07 APR08
O M O M O M O M O M O M O M O M
Oligotrófico (O) 87 12 127 7 97 5 190 7 202 2 249 7 98 25 68 48
Mesotrófico (M) 3 171 17 47 47 103 62 65 68 34 21 29 10 65 4 60
Total coluna 90 183 144 54 144 108 252 72 270 36 270 36 108 90 72 108
Total linha 99 174 134 64 102 150 197 127 204 102 256 50 123 75 116 64
Total 273 198 252 324 306 306 198 180
Dad
os g
erad
os (
clas
sific
ação
)
Total correto 258 174 200 255 236 278 163 128
145
Tabela 3 – Matriz de erro das amostras de teste para as classes de estado trófico segundo o critério da OECD em cada período de coleta.
Dados observados (campo)
APR05 APR06 JUN06 JUL06 SEP06 SEP06’ SEP07 APR08
O M O M O M O M O M O M O M O M
Oligotrófico (O) 41 9 64 6 51 3 86 2 116 4 129 11 48 14 34 30
Mesotrófico (M) 4 84 8 21 21 51 40 34 19 14 6 7 6 31 2 24
Total coluna 45 93 72 27 72 54 126 36 135 18 135 18 54 45 36 54
Total linha 50 88 70 29 54 72 88 74 120 33 140 13 62 37 64 26
Total 138 99 126 162 153 153 99 90
Dad
os g
erad
os (
clas
sific
ação
)
Total correto 125 85 102 120 130 136 79 58
146
Tabela 4 – Matriz de erro das amostras de treinamento para as classes de estado trófico segundo o Índice de Estado Trófico de Carlson
modificado em cada período de coleta.
Dados observados (campo)
APR05 APR06 JUN06 JUL06 SEP06 SEP06’ SEP07 APR08
O M O M O M O M O M O M O M O M
Oligotrófico (O) 108 0 135 3 140 2 273 1 306 0 306 0 117 6 79 10
Mesotrófico (M) 0 165 27 36 76 34 33 17 0 0 0 0 27 48 29 62
Total coluna 108 165 162 39 216 36 306 18 306 0 306 0 144 54 108 72
Total linha 108 165 138 63 142 110 274 50 306 0 306 0 123 75 89 91
Total 273 201 252 324 306 306 198 180
Dad
os g
erad
os (
clas
sific
ação
)
Total correto 273 171 174 290 306 306 165 141
147
Tabela 5 – Matriz de erro das amostras de teste para as classes de estado trófico segundo o Índice de Estado Trófico de Carlson modificado
em cada período de coleta.
Dados observados (campo)
APR05 APR06 JUN06 JUL06 SEP06 SEP06’ SEP07 APR08
O M O M O M O M O M O M O M O M
Oligotrófico (O) 54 0 69 2 68 2 131 1 153 0 153 0 58 2 42 8
Mesotrófico (M) 0 84 12 16 40 16 22 8 0 0 0 0 14 25 12 28
Total coluna 54 84 81 18 108 18 153 9 153 0 153 0 72 27 54 36
Total linha 54 84 71 28 70 56 132 30 153 0 153 0 60 39 50 40
Total 138 99 126 162 153 153 99 90
Dad
os g
erad
os (
clas
sific
ação
)
Total correto 138 85 84 139 153 153 83 70
148
C) Acurácias da classificação com número de amostras balanceadas em JUN06
Tabela 6 – Acurácias (%) da classificação de estados tróficos baseada no Índice Trófico
de Carlson modificado para o período de coleta JUN06.
Desbalanceada Balanceada Acurácia do usuário Oligotrófico 98,6 92,1 Mesotrófico 30,9 72,9 Acurácia do produtor Oligotrófico 64,8 64,8 Mesotrófico 94,4 94,4 Acurácia total 69,0 79,6 Coeficiente Kappa 31,9 59,3
149
Apêndice V – Correção atmosférica e normalização
A conversão de números digitais (ND) para valores de parâmetros físicos, como
reflectância, se faz necessária quando objetiva-se a caracterização espectral do objeto de
estudo em imagens de sensores. Isto é válido, uma vez que ND não são comparáveis
entre bandas e/ou diferentes imagens, mesmo para um mesmo sensor (Pozoni &
Shimabukuro, 2007). Para a conversão de ND em valores de reflectância de superfície
faz-se necessário, então, a correção atmosférica da imagem. Além disso, quando
objetiva-se eliminar qualquer interferência oriunda de variações na sensibilidade do
sensor ao longo do tempo, ou seja, tornar comparáveis imagens de diferentes datas, a
normalização radiométrica é um dos procedimentos mais aceitáveis para tal fim (Pozoni &
Shimabukuro, 2007).
Neste estudo, foram realizados os procedimentos de conversão de ND para
reflectância de superfície para as cenas Landsat-5 de SEP06 do reservatório da UHE de
Furnas e de 05SEP da Baía de Missisquoi, como também a normalização das cenas
Landsat-5 de JUN06, SEP06, SEP07 e APR08 do reservatório de Furnas. A maior parte
dos procedimentos foi realizada no programa Spring, por meio da ferramenta LEGAL
(Camara et al., 1996). A descrição de tais procedimentos pode ser subdividida em dois
tópicos: correção atmosférica e normalização radiométrica.
A) Correção atmosférica
A correção atmosférica foi realizada para a cena de SEP06 (reservatório de
Furnas) e 05SEP (Baía de Missisquoi) de acordo com o modelo 6S (Second Simulation of
the Satellite Signal in the Solar Spectrum; Vermote et al., 1997a) de transferência
radiativa, o qual considera os efeitos de espalhamento e de absorção da radiação
eletromagnética pela atmosfera. Desta forma, dados de níveis digitais foram
150
transformados para fator de reflectância bidirecional de superfície (SBRF - ρ). Para isto
foram realizados alguns procedimentos, descritos abaixo.
O primeiro procedimento constituiu em transformar os dados das cenas de ND
para reflectância aparente de acordo com os parâmetros de calibração do sensor
Landsat-5. Os parâmetros utilizados foram os valores de radiância aparente mínima
(Lmin) e máxima (Lmax) utilizados de acordo com Chander & Markham (2003) para
imagens adquiridas após 5 de maio de 2003 (Tabela 1). Para a conversão de radiância
aparente (L0) para reflectância aparente (ρa), do número digital a ser convertido (QCAL)
utilizou-se a transformação proposta por Markham & Baker (1986). Nesta, além de Lmin e
Lmax para cada banda, considera-se o número digital máximo do sensor (QCALmax), a
distância entre o Sol e a Terra (d), a irradiância média do sol no topo da atmosfera para
cada banda (Esun) e o ângulo solar zenital (θ). A conversão foi feita de acordo com as
equações 1 e 2:
Para o sensor Landsat-5 o valor de QCALmax é de 255 e os valores de Esun para
cada banda TM encontram-se na tabela 1. A distância d em unidades astronômicas é
igual a 1. O ângulo solar zenital foi obtido a partir da relação com o dado de elevação do
Sol (e) no momento da aquisição da imagem, como descrito pelas equações 3 e 4. O e
utilizado para as cenas do reservatório de Furnas foi o valor médio do e das imagens
219/74 e 219/75.
( )( )max*minmaxmin QCALQCALLLLLo −+= Equação 1
θπρ
cos*
** 2
Esun
dLa o= Equação 2
151
Tabela 1 – Radiância aparente mínima e máxima utilizadas na calibração do sensor
Landsat-5 para imagens adquiridas após 05 de maio de 2003 e valores de irradiância
média do sol no topo da atmosfera. Valores em W . cm-2 . sr-1 . µm-1.
Banda TM Lmin Lmax Esun
1 -0,152 19,30 195,2
2 -0,284 36,50 182,7
3 -0,117 26,40 155,0
4 -0,151 22,10 104,0
Apesar de permitir a realização de operações aritméticas entre diferentes bandas
espectrais, mesmo para datas ou sensores diferentes, dados em reflectância aparente
ainda possuem interferência da atmosfera. Isto impossibilita a realização de análises
quantitativas por meio da aplicação de relações entre os dados dos sensores e as
variáveis geofísicas ou biofísicas, como clorofila-a (Pozoni & Shimabukuro, 2007).
Para eliminar ou minimizar os efeitos da atmosfera sobre os valores de
reflectância, foi realizada a correção atmosférica pelo modelo de transferência radiativa
6S (Vermote et al. 1997a). Esta nos permite a transformação de dados em reflectância
aparente para reflectância de superfície. Para a aplicação do modelo 6S sobre as cenas
foi utilizado um programa desenvolvido pela CEPAGRI / UNICAMP (Centro de Pesquisas
Meteorológicas e Climáticas Aplicadas à Agricultura / Universidade Estadual de
Campinas).
O modelo 6S considera três aspectos principais: a absorção por gases
atmosféricos (O2, CO2, CH4, N2O, H2O e O3), o espalhamento por moléculas e aerossóis
e a interação entre este dois processos. Vários modelos e pressupostos, relativos ao
13057.2957795eelevação= Equação 3
( )elevação-13057.295779590=θ Equação 4
152
comportamento de absorção e dispersão dos compostos presentes na atmosfera, ao tipo
reflectância de acordo com a superfície, à localidade, entre outros, são adotados no 6S
(veja Vermote et al. 1997a e Vermote et al. 1997b).
Dentro da plataforma 6S, alguns dados relativos à imagem e ao local precisam ser
informados, como também à escolha de alguns modelos deve ser realizada para cada
banda espectral a ser corrigida em termos atmosféricos. A data de aquisição, coordenada
central em decimais, altitude e número de pixels da imagem são dados relativos à
imagem e ao local em que esta se encontra. Quanto aos modelos, têm-se três
parâmetros que devem ser definidos: modelo atmosférico, modelo de aerossol e
concentração de aerossol.
No que se refere à absorção gasosa, existem 9 opções para o modelo
atmosférico: sem absorção, tropical, verão em latitude média, inverno em latitude média,
verão no subártico, inverno no subártico, US62 (atmosfera padrão norte-americana em
1962), particular (o usuário fornece os dados), particular US62 (usuário fornece apenas
os dados de vapor d’água e ozônio e aceita o padrão US62 para os demais gases).
Quanto aos tipos de aerossóis encontrados, também há 9 opções para o modelo
de aerossol: sem aerossol, continental, marítimo, urbano, desértico, biomassa,
estratosférico, particular usando componentes básicos e particular usando distribuição de
tamanho. Quanto à concentração de aerossóis, existem duas opções, nas quais se pode
informar a espessura óptica ou a visibilidade.
Neste estudo, considerou-se o modelo atmosférico do tipo tropical e o modelo de
aerossol do tipo continental para a cena do reservatório de Furnas. Para a cena da Baía
de Missisquoi, os modelos atmosférico e de aerossol utilizados foram verão em latitude
média e urbano, respectivamente. Para visibilidade foi escolhido o valor arbitrário de
50Km.
153
B) Normalização radiométrica
O processo de normalização radiométrica permite que valores de reflectância de
imagens em diferentes tempos de aquisição possam ser comparáveis. Visto que a
influência de variações não lineares da sensibilidade de um sensor ao longo do tempo,
além de variações na geometria da iluminação da cena imageada, que afetam a
reflectância não são corrigidas apenas pela correção atmosférica (Pozoni &
Shimabukuro, 2007).
Neste estudo, a normalização radiométrica foi realizada de acordo com o proposto
por Hall et al. (1991). Neste tipo de transformação, dois processos são considerados: 1)
definição de uma série radiométrica de controle e 2) determinação de coeficientes a partir
de dados de referência para transformação linear das imagens a serem normalizadas.
Para o primeiro processo, alvos que não sofrem variações ou que se apresentam
estáveis ao longo do tempo são selecionados e subdivididos em objetos escuros e claros.
Para o segundo processo, uma cena em uma determinada data de aquisição é definida
como referência.
O processo de normalização radiométrica utiliza a transformação “tasselled cap”
de Kauth & Thomas (1976, apud Mather, 2004). Nesta transformação de dados, um novo
sistema de coordenadas é gerado a partir da rotação e escalonamento de um espaço
quadri-dimensional, obtido a partir de quatro diferentes bandas espectrais. Este novo
sistema de coordenadas possui eixos (brightness, greenness, yellowness e nonesuch)
que permitem um maior grau de diferenciação entre objetos, principalmente entre o solo e
a vegetação. No processo de normalização radiométrica aplicado neste estudo, utiliza-se
apenas os eixos brightness e greenness.
A normalização das imagens é realizada em várias etapas que podem ser
visualizadas no diagrama apresentado na Fig. 1.
,
154
Figura 1 – Diagrama das etapas do processo de normalização radiométrica.
Escolha da cena referência com correção atmosférica (dados em reflectância de superfície)
Conversão para reflectância aparente das cenas a serem normalizadas
Geração de imagens brightness e greeness para todas as cenas
Identificação de série radiométrica de controle da cena referência e das demais cenas (alvos claros e escuros)
Aplicação das equações de normalização para a geração de cenas normalizadas
Obtenção da intersecção dos alvos claros e dos alvos escuros entre as imagens brightness e greeness
1
2
3
4
5
6
7
8
Determinação dos valores médios claros e escuros nas cenas normalizadas e validação contra àqueles da cena referência
Cálculo dos valores médios da série radiométrica (coeficientes) de controle para todas as bandas espectrais
155
Neste estudo, a cena corrigida em termos atmosféricos de SEP06 foi selecionada
como referência para a normalização radiométrica das demais cenas Landsat-5: JUN06
SEP07 e APR08. Estas foram transformadas previamente para valores de reflectância
aparente conforme descrito anteriormente. A cena de SEP06 foi escolhida por
apresentar-se praticamente sem nuvens.
Os alvos claros e escuros “invariantes” selecionados (etapa 4 – Fig. 1) foram,
respectivamente, regiões de mineração de pedra São Tomé (quartzito) e regiões do
reservatório próximas à barragem para as imagens brightness. Para as imagens
greenness foram selecionadas regiões de rodovias e regiões do reservatório próximas à
barragem como alvos claros e escuros, respectivamente. Foram escolhidas regiões do
reservatório próximas à barragem como alvos escuros devido ao fato de que para o
objeto água estas exibiram os menores valores de reflectância, ou seja, que mais se
aproximavam à água límpida.
A normalização propriamente dita (etapa 7 – Fig. 1) consiste na aplicação da
transformação linear das cenas a serem corrigidas a partir da cena referência. Esta é
realizada de acordo com a equação:
biximiTi += * Equação 5
Onde,
Ti = fator de reflectância da imagem normalizada
xi = fator de reflectância da imagem a ser normalizada (original)
mi e bi são obtidos pelas seguintes equações:
156
Após o processo de normalização das imagens, as médias de claros e escuros de
cada banda espectral da cena referência e das cenas normalizadas são obtidas e
comparadas (etapa 8 – Fig. 1). Considera-se que houve sucesso no processo quando a
diferença das médias entre a cena referência e as normalizadas seja de no máximo, 1. A
tabela 2 contém as médias de claros das cenas referência e normalizadas deste estudo,
onde se pode verificar que o processo de normalização foi bem sucedido.
Tabela 2 - Médias de reflectância de superfície em números digitais das regiões de claro
e escuro para cada banda TM e para cada período de coleta após a normalização
radiométrica.
SEP06 (referência)
JUN06 SEP07 APR08
claro escuro claro escuro claro escuro claro escuro
1 20.0 7.8 19.5 7.3 19.5 7.4 19.5 7.2
2 34.7 13.1 34.1 12.6 34.2 12.5 34.2 12.7
3 49.6 8.2 49.2 7.7 49.2 7.8 49.1 7.6
4 76.2 4.5 75.7 3.8 75.7 4.4 75.7 4.2
( ) ( )DsiBsiDriBrimi −−= Equação 6
( ) ( )DsiBsiBriDsiBsiDribi −−= ** Equação 7
Onde,
Bri = média do conjunto de referência clara
Dri = média do conjunto de referência escura
Bsi = média do conjunto claro a ser normalizado
Dsi = média do conjunto escuro a ser normalizado
i = banda do sensor
157
Referências bibliográficas
Camara G., Souza, R.C.M., Freitas, U.M., & Garrido, J. (1996). SPRING: Integrating
remote sensing and GIS by object-oriented data modelling. Computers & Graphics, 20,
395−403.
Chander, G., & Markham, B.L. (2003). Revised Landsat-5 TM radiometric calibration
procedures and postcalibration dynamic ranges. IEEE Transactions on Geoscience
and Remote Sensing, 41, 2674-2677.
Hall, F.G., Strebel, D.E., Nickeson, J.E., & Goetz, S.J. (1991). Radiometric rectification:
toward a common radiometric response among multidate, multisensor images. Remote
Sensing of Environment, 35, 11–27.
Markham, B.L., & Baker, J.L. (1986). Landsat MSS and TM post-calibration dynamix
ranges, exoatmospheric reflectances and at-satellite temperatures. EOSAT Technical
Notes, 1, 3-5.
Mather, P.M. (2004). Computer processing of remotely-sensed images. 3ª edição. 324p.
Chichester: John Wiley & Sons, Ltd.
Ponzoni, F.J., & Shimabukuro, Y.E. (2007). Sensoriamento remoto no estudo da
vegetação. 150p. São José dos Campos: Parêntese.
Vermote, E.F., Tanre, D., Deuze, J.L., Herman, M., & Morcrette, J.J. (1997a). Second
simulation of the satellite signal in the solar spectrum, 6S: An overview. IEEE
Transactions on Geoscience and Remote Sensing, 35, 675–686.
Vermote, E.F., Tanre, D., Deuze, J.L., Herman, M., & Morcrette, J.J. (1997b). Second
simulation of the satellite signal in the solar spectrum (6S): 6S User Guide Version 2.
54p. Disponível em:
http://geog.tamu.edu/klein/geog661/handouts/6s/6smanv2.0_P1.pdf
158
Apêndice VI – Fator de reflectância bidirecional
JUN06
SB
RF
* 2
55
0
4
8
12
16
20
24
0
1
2
3
4
5
SEP06
0
4
8
12
16
20
24
chla
µg.
L-1
0
1
2
3
4
5
SEP07
TM1 TM2 TM3 TM4 chla
SB
RF
* 2
55
0
4
8
12
16
20
24
0
1
2
3
4
5
APR08
TM1 TM2 TM3 TM4 chla0
4
8
12
16
20
24
chla
µg.
L-1
0
1
2
3
4
5
Figura 1 – Fator de reflectância bidirecional de superfície (SBFR) em números digitais
(DN) para as bandas do Landsat 5 e concentração de clorofila a no reservatório da UHE
de Furnas em quatro períodos de coleta.
159
SEP06
0
1
2
3
4
5
SEP07
TM1 TM2 TM3 TM4
SB
RF
0
1
2
3
4
5
6
7
APR08
TM1 TM2 TM3 TM40
1
2
3
4
5
6
7
8
JUN06S
BR
F
0
1
2
3
4
5
6
7
F12
F16
F18
F20
F01
F04
F06
F09
Figura 2 – Fator de reflectância bidirecional de superfície (SBFR) para as bandas do
Landsat 5 em algumas estações de coleta nas porções da barragem (linha contínua),
Grande (linha descontínua) e Sapucaí (linha pontilhada) do reservatório da UHE de
Furnas em quatro períodos de coleta.
160
TM1 TM2 TM3 TM4
SB
RF
0
1
2
3
4
5
6
7
JUN06 SEP06 SEP07 APR08
Figura 3 - Fator de reflectância bidirecional de superfície (BFR) para as bandas do
Landsat 5 na estação de coleta F18 no reservatório da UHE de Furnas em quatro
períodos de coleta.
161
Apêndice VII – Baía de Missisquoi: áreas alagadas e áreas rasas
Figura 1 – Distribuição
de áreas alagadas na
bacia do Lago
Champlain, no detalhe
Baía de Missisquoi.
Modificado de Atlas do “Lake
Champlain Basin Program”
disponível em:
http://www.lcbp.org/Atlas/PDF
maps/nat_wetland.pdf
0 30 Km
Áreas alagadas
Lagos ou outros corpos d’água
Dados não disponíveis
10 0 10 20 Km
162
Figura 2 – Exemplos de concentração de clorofila-a derivada do Landsat-5 na área “sem
dado” na Baía de Missisquoi. A – área alagada, B – zona pelágica, C – zona litorânea.
sem dado
< 50 µg.L-1
A B
C
A
B
C
top related