Universidade Federal de Santa Maria
Ci. e Nat., Santa Maria v.42, e60, 2020
DOI:10.5902/2179460X37624
ISSN 2179-460X
Received 04/04/19 Accepted: 18/11/19 Published:27/08/20
Geo-Sciences
Desenvolvimento do Índice de Perigo de Incêndio (IPI) a partir de dados meteorológicos e imagens MODIS para a prevenção e combate a incêndios
Methodology for determining the Fire Danger index (IPI) from weather data and MODIS images
Gabriel Henrique de Almeida PereiraI
Clóvis Cechim JúniorII
Giovani FronzaIII
Flávio DeppeIV
I Sistema Meteorológico Do Paraná – SIMEPAR, PR, Brasil - gabriel.simepar@gmail.com
II Universidade Estadual do Oeste do Paraná, PR, Brasil - juniorcechim@hotmail.com
III Sistema Meteorológico Do Paraná – SIMEPAR, PR, Brasil - gfronza.simepar@gmail.com
IV Sistema Meteorológico Do Paraná – SIMEPAR, PR, Brasil - deppe@simepar.br
RESUMO
O conhecimento da propagação de incêndios é imprescindível para o monitoramento ambiental em função de auxiliar na determinação das áreas suscetíveis as ocorrências e permitir o estabelecimento de métodos de prevenção e combate. O objetivo deste trabalho foi desenvolver uma metodologia para determinação de um Índice de Perigo de Incêndio (IPI). Para análise da eficiência deste índice, utilizou-se como área de estudo a região compreendida entre os estados do Pará, Maranhão, Tocantins e Goiás. A metodologia foi desenvolvida a partir do uso de dados como relevo e uso do solo, que são relativamente estáticos, e também de dados dinâmicos, como o índice de vegetação (NDVI) derivado de imagens do sensor orbital MODIS, bem como dados meteorológicos calculados e interpolados diariamente por meio do inverso do quadrado das distâncias (IQD). Os resultados mostraram-se efetivos, trazendo um bom panorama das condições para a perigo e propagação de incêndios, sendo possível replicar tal índice para outros biomas e áreas de interesse.
Palavras-chave: sensoriamento remoto; processamento de imagens; monitoramento de incêndios
ABSTRACT
The knowledge about fire danger and propagation is essential for environmental monitoring. This enables the determination of areas susceptible of fire occurrence and can allow the establishment of fire prevention methods. The aim of this study was to set up a methodology to determine the likelihood of fire occurrence with the aid of an index called Fire Danger Index (IPI). The study area included a power line in the State of Tocantins, Brazil. The methodology included the use of dynamic data such as NDVI (Normalized Difference Vegetation Index) obtained from TERRA MODIS images (MOD13 product) and meteorological data such as temperature, rain and air humidity gathered from automatic weather stations. Results indicate that the Fire Danger Index (IPI) represents an important tool for firefighting indicating in advance the environmental susceptibility for fire occurrence.
Keywords: Remote sensing; Image processing; Fire monitoring
1 INTRODUÇÃO
O planejamento de ações voltadas ao combate de incêndios necessita de dados e informações concisas e em tempo quase real. Esta premissa pode ser atendida de forma objetiva por meio de dados de sensoriamento remoto, permitindo assim mapear, monitorar e estimar áreas de ocorrência e propagação de incêndios para grandes extensões territoriais em tempo quase real.
O uso de dados de sensoriamento remoto para monitoramento de incêndios tem sido amplamente explorado. Como exemplo, podemos citar o caso de incêndios monitorados entre janeiro e abril de 2016 nas florestas Marantaceae, no norte da República do Congo, que teve as ocorrências mapeadas e monitoradas remotamente por meio de imagens de satélite Sentinel (VERHEGGHEN et al., 2016).
Trabalhos indicam que diferentes sensores orbitais podem ser utilizados para mapeamento, detecção e monitoramento de incêndios (WOOSTER et al., 2005; LI et al., 2015; PEREIRA et al., 2017). A partir do desenvolvimento e implementação de algoritmos pode-se determinar e identificar com eficiência os focos de calor utilizando sensores distintos (GIGLIO et al., 2003; MORISETTE et al., 2005; WANG et al., 2007; SCHROEDER et al., 2014; GIGLIO et al., 2016).
A partir dos índices de vegetação derivados das imagens de sensoriamento remoto é possível detectar anomalias e identificar alterações no uso do solo ocasionadas pela ocorrência de incêndios (Escuin et al., 2008. Leon et al., 2012). Tem-se ainda a possibilidade de geração de índices de vegetação como o EVI (Enhanced Vegetation Index) e NDVI (Normalized Difference Vegetation Index), que podem ser utilizados juntamente com outros dados para determinar o risco de ocorrência de incêndios (SILVA et al., 2001; DEPPE et al., 2004; LI et al., 2015). Não obstante, outra grande vantagem na utilização de imagens de sensoriamento remoto diz respeito a possibilidade de obtenção de dados em tempo quase real (NRT – Near Real Time).
Este trabalho objetivou o desenvolvimento do Índice de Perigo de Incêndio (IPI), que se refere a um índice que estabelece condições de suscetibilidade a propagação de incêndios. Para a geração do IPI são utilizados diversos planos de informações utilizando o método Multi Criteria (Silveira et al., 2008), tais como: (i) Imagens de NDVI (Normalized Difference Vegetation Index) MODIS (Moderate Resolution Imaging Spectroradiometer); (ii) Altimetria dos dados SRTM (Shuttle Radar Topography Mission); (iii) Classes de uso e cobertura da terra a partir de mapeamentos; (iv) Densidade demográfica; (v) Sistema viário; (vi) Rede hidrográfica; e (vii) Dados de temperatura, dados de umidade relativa do ar e dados de precipitação (a partir de estações meteorológicas).
2 MATERIAL E MÉTODOS
A área de estudo abrange o estado do Tocantins, nordeste do estado do Pará, oeste do Maranhão e norte de Goiás. Esta área encontra-se na zona de transição geográfica entre o cerrado e a floresta amazônica. Nesta área também localiza-se a linha de transmissão de energia elétrica (LT) Serra da Mesa. Esta LT Serra da Mesa liga a região norte à região centro-oeste, o que ressalta a importância e necessidade do monitoramento de incêndios para evitar danos e interrupção de energia. O mapa de localização é apresentado na Figura 1.
Figura 1- Mapa de localização da área de estudo com indicação da LT Serra da Mesa e estações meteorológicas do Instituto Nacional de Meteorologia (INMET)
Para o monitoramento das condições e propagação de incêndio desenvolveu-se um índice que agrega temporalmente informações que são relativamente estáticas com informações dinâmicas. Este índice parte da teoria do “triângulo do fogo”, o qual considera a necessidade de três elementos necessários para a combustão, sendo eles: combustível (tudo que é suscetível à combustão); comburente (todo elemento que, associado quimicamente ao combustível é capaz de fazê-lo entrar em combustão) e calor (ignição necessária para iniciar a reação entre combustível e comburente) (BATISTA, 2000).
Trazendo esta tríade para o contexto das informações ambientais e espaciais, pode-se assumir que variáveis como tipos de vegetação e uso do solo - assim como respostas de NDVI ou mesmo umidade deste material - podem ser associadas às características de combustível.
Em relação a teoria do fogo as características do relevo podem ser associadas ao comburente, uma vez que o oxigênio é o principal comburente e as concentrações deste são dependentes da altimetria, por exemplo. Ainda, com relação ao relevo, tem-se a influência direta da declividade uma vez que há a tendência de o fogo se propagar mais facilmente em áreas de maior declividade, onde o fogo “sobe o morro”, ou em função da orientação das vertentes, onde esta recebe maior ou menor incidência de radiação solar.
E, por fim, com relação ao calor ou ignição, tem-se como principal fator a presença antrópica, onde a proximidade a áreas de maior densidade demográfica ou ao sistema viário aumentam as possibilidades de incêndios, ou a relação de quanto mais próximo à hidrografia menor a probabilidade de ocorrência de incêndios.
Ainda, estas variáveis estão de acordo com os critérios de risco de ocorrência de incêndios descrito por Eskandari et al. (2013), que relatam que os principais critérios estão relacionados a parâmetros topográficos, biológicos, climáticos e humanos.
Com isso, considerando-se o princípio do triangulo do fogo, variáveis ambientais dinâmicas e relativamente estáticas, assim como informações populacionais, têm-se o Índice de Perigo de Incêndio (IPI) proposto neste trabalho, conforme a Eq.1. Neste índice, percebe-se que a distribuição entre o triângulo do fogo tem peso de um terço, sendo que os coeficientes de cada camada de informação foram ajustados empiricamente.
|
|
((1)
|
sendo:
IPI: Índice de Perigo de Incêndio;
NDVI: Índice de Vegetação;
MC: Material combustível (uso e cobertura da terra);
FMI: Umidade do material combustível;
FMA: Fórmula de Monte Alegre;
DE: Declividade do terreno;
Hipso: Altimetria;
Orient: Orientação das encostas;
DD: Densidade demográfica;
SV: Distribuição do sistema viário;
Hidro: Distribuição da hidrografia
Os dados meteorológicos dinâmicos como umidade relativa, temperatura e número de dias sem chuvas estão presentes nas equações de FMI e FMA. Todos estes dados meteorológicos dinâmicos foram obtidos a partir de estações meteorológicas do INMET (Instituto Nacional de Meteorologia). A equação do FMI (Fuel Moisture Index) utilizada neste trabalho foi desenvolvida por Sharples et al. (2009), sendo um índice do teor de umidade no material combustível, conforme a Eq.2.
(2)
sendo:
FMI: índice de umidade do combustível;
T: temperatura do ar em (°C);
H: umidade relativa do ar em (%)
A equação do FMA é a Fórmula de Monte Alegre, desenvolvida a partir de dados da região central do Estado do Paraná, por Soares (1972). Este índice é acumulativo e tem como única variável a umidade relativa do ar, medida às 13 horas. Esta fórmula é apresentada na Eq 3.
|
|
|
(3) |
sendo:
FMA: Fórmula de Monte Alegre;
Hi: umidade relativa do ar (%), medida às 13 horas;
n: número de dias sem chuva maior ou igual a 13,0 mm.
Apesar da possibilidade de imageamento diário pelo sensor MODIS, neste trabalho foram utilizados os dados de NDVI acumulado de 16 dias. Fez-se isso de maneira a evitar a presença de nuvens e que pudessem influenciar nos resultados. A partir de imagens de períodos distintos é possível verificar a variabilidade das informações, o que reflete as diferenças nas condições da vegetação temporalmente. Esta variação é visível ao se comparar as imagens presentes na Figura 2, que traz o índice de vegetação para os dias de 23 a 08 de maio (Figura 2a) e 01 a 16 de novembro (Figura 2b).
Figura 2 - Apresentação das diferenças sazonais nas Imagens do indice de vegetação (NDVI) provinientes do sensor orbital MODIS no ano de 2014 com resolução temporal de 16 dias (a) 23 a 08 de maio; (b) 01 a 16 de novembro.
Os dados dinâmicos passam por atualização diariamente (a partir das estações meteorológicas) ou, no máximo, a cada 16 dias (NDVI), o que garante a alta resolução temporal do sistema. Já os dados estáticos correspondem a dados de caracterização físico-territorial, entidades administrativas e de logística e dispensam atualização constante (DEPPE et al., 2004). Estes dados estáticos são apresentados na Figura 3.
Figura 3 - Conjunto de dados estáticos da área de estudo: (a) Altimetria, (b) Declividade, (c) Orientação das vertentes, (d) Densidade demográfica, (e) Uso do solo, (f) Hidrografia, (g) Sistema Viário
Sendo assim, de forma a sintetizar os dados utilizados neste trabalho, a Tabela 1 traz uma breve descrição destes dados, a sigla utilizada para cada, a fonte, forma de cálculo e atualização, e a discriminação entre categorias de dados dinâmicos e estáticos.
Tabela 1- Dados utilizados no cálculo do IPI
|
Categoria |
Sigla |
Significado |
Fonte/Atualização |
|
Dinâmicos |
NDVI |
Índice de Vegetação |
MODIS, atualizado a cada 16 dias |
|
FMA |
Fórmula de Monte Alegre |
Calculado em função dos dados das estações meteorológicas INMET, diariamente às 13h |
|
|
FMI |
Umidade do Material Combustível |
Calculado em função dos dados das estações meteorológicas INMET, recebimento dos dados a cada 15 min. |
|
|
Estáticos |
MC |
Material Combustível – uso e cobertura do solo |
Governo do Tocantins, IBGE |
|
DE |
Declividade do terreno |
SRTM |
|
|
Hipso. |
Altimetria |
SRTM |
|
|
Orient. |
Orientação das encostas |
SRTM |
|
|
DD |
Densidade demográfica |
IBGE |
|
|
SV |
Distribuição do sistema viário |
IBGE |
|
|
Hidro |
Distribuição da hidrografia |
IBGE |
Desta forma, o IPI calculado absorve esta dinamicidade dos dados em função das atualizações das variáveis dinâmicas. Uma vez que a atualizações destas variáveis dinâmicas se dá de 16 dias (para o NDVI), diariamente às 13h (para o FMA) e a cada 15min para umidade, temperatura e FMI, o IPI se apresenta dinâmico a cada 15min, tendo, porém, variações maiores diárias com a atualização do FMA, ou ainda maiores caso a variação do NDVI em 16 dias seja ainda mais expressiva.
Para a validação do IPI foram utilizados dados de séries históricas de focos de calor via sensoriamento remoto no período de Janeiro de 2010 à Dezembro de 2016, provenientes da base de dados do Instituto Nacional de Pesquisas Espaciais (INPE).
3 RESULTADOS E DISCUSSÃO
Os resultados referentes às interpolações dos dados meteorológicos na área de estudo são ilustrativos para um dia específico, os pontos correspondem a distribuição espacial das estações meteorológicas do INMET (Figura 4). Uma vez que tratam-se de dados dinâmicos, estes são calculados em tempo real para serem utilizados no sistema. As informações referentes à umidade relativa, temperatura e FMI são calculados com intervalo de tempo de 15min, enquanto que o FMA é calculado diariamente as 13h (Figura 4).
Figura 4 - Interpolação de dados estações meteorológicas (dados dinâmicos) do INMET na área de estudo para as variáveis (a) Umidade relativa; (b) Temperatura; (c) FMI; (d) FMA.
Com isso, a partir da Equação 1, utilizando os dados apresentados na Tabela 1 e Figuras 2, 3 e 4, é possível a geração do IPI. Alguns resultados de IPI para diferentes datas são apresentados na Figura 5. Percebe-se nas imagens a identificação da dinâmica dos resultados do IPI uma evolução ao longo do tempo de condições de baixo risco, no mês de junho (Figura 5a) para o cenário de médio risco, entre o início e final do mês de julho (Figura 5c) e surgimento de áreas já consideradas de alto risco no mês de agosto (Figura 5d). O que corrobora com Soares (1985), o que indica que a maior incidência das ocorrências de incêndios para os meses de julho, agosto e setembro, período de final de inverno e início da primavera, e está associada à época da limpeza e preparo dos solos para o plantio agrícola.
Nesta Figura 5, a cor verde indica baixo risco, a cor amarela indica médio risco e a cor vermelha indica alto rico de perigo de incêndio.
Figura 5 - Índice de Perigo de Incêndio em diferentes datas (a) 21 de junho; (b) 07 de julho; (c) 23 de julho; (d) 08 de agosto
Como trata-se de um resultado dinâmico para uma grande área – e não apenas um resultado pontual – este resultado é difícil de validação pontual em campo. Entretanto, estes resultados podem ser validados considerando-se séries históricas relacionadas com a ocorrência de incêndios.
Para isto, fez-se uso de uma série histórica de ocorrências de focos de incêndios para esta área de estudo conforme distribuição sazonal da quantidade focos identificados por mês, de Janeiro de 2010 a Dezembro de 2016 (Figura 6).
Figura 6 - Quantidade de focos de incêndio ao longo dos anos na área de estudo
É possível identificar uma tendência para a ocorrência de incêndios ao longo dos anos, esta tendência de ocorrência de incêndios inicia-se, normalmente, nos meses de junho-julho, intensificando-se em agosto-setembro e atenuando-se a partir de outubro (Figura 6). O mesmo foi observado por Deppe et al., (2004) comparando índice de risco de incêndio florestal com focos de calor no Estado do Paraná no ano de 2003, na ocasião dos 3.699 focos de calor detectados 70% ocorreram nos meses de agosto, setembro e outubro.
Desta forma, é possível afirmar que os resultados apresentados na Figura 5 e 6 tem grande relação, uma vez que na Figura 5 indica a tendência de aumento de risco de incêndios de junho a agosto, enquanto que a Figura 6 traz o demonstrativo histórico do aumento de ocorrências de incêndio nestes períodos do ano. De acordo com Justino et al., (2002) no Brasil, a incidência de queimadas é significativa, sendo maior no período entre agosto a novembro. Ou ainda, como relatado por Pivello (2011), o estado de Tocantins está entre os mais afetados por incêndios florestais.
Destaca-se também a influência da resolução dos dados de entrada nos resultados do IPI. É possível verifcar que o IPI apresenta variações espaciais na ordem dos pixels, sendo perceptível, por exemplo, regiões em que pixels vizinhos se comportando de maneira diferente. Obviamente, isto acontece devido ao maior ou menor risco em que os pixels das camadas de entrada estão resultando, como proximidade de estradas, proximidade de massas d’água, densidade demográfica, uso do solo, declividade, orientação das vertentes, etc.
Contudo, também destaca-se que, por mais que cada pixel tenha um IPI independente, existe uma certa sazonalidade regional do IPI, onde grandes áreas acabam por ter inflência de variáreis climáticas, como os condições meteorológicas, número de dias sem chuva, temperatura e umidade, refletidos nas variáveis FMI e FMA e, por sua vez, no IPI.
Com isso, conclui-se que o Índice de Perigo de Incêndio (IPI) desenvolvido – e baseado no triângulo do fogo – representa as características populacionais, físicas e ambientais, considerando variáveis estáticas e dinâmicas, para melhor auxílio na previsão e monitoramento das condições para ocorrência de incêndios. Vale aqui ressaltar que a metodologia aplicada pode ser transferida para outras regiões do Brasil, uma vez que os dados de entrada que alimentam o IPI podem ser encontrados e/ou gerados para toda a extensão do território brasileiro. Desta forma, o IPI aqui demonstrado pode ser utilizado no monitoramento de condições para ocorrências de incêndios para outras regiões, biomas ou áreas de interesse.
5 CONCLUSÕES
As grandes vantagens da metodologia abordada está no baixo custo e possibilidade de implementação do Índice de Perigo de Incêndio (IPI) para todo o território brasileiro.
O IPI possui como base o conceito do triângulo do fogo e utiliza além das variáveis estáticas, variáveis dinâmicas com alta resolução temporal (tempo quase real). Isto permite a utilização e representação das condições ambientais locais relacionadas a propagação de incêndios.
O IPI mostrou-se coerente e relevante, uma vez que foi capaz de demonstrar a tendência sazonal histórica da ocorrência de incêndios para a área de estudo.
O IPI indicou representar uma importante ferramenta para o auxílio à prevenção e ao combate a incêndios, alertando sobre a susceptibilidade do ambiente à ocorrência dos mesmos.
REFERÊNCIAS
BATISTA, A. C. "Mapas de risco: uma alternativa para o planejamento de controle de incêndios florestais." Floresta. v. 30, n. ½, 2000.
DEPPE, F.; VEDOR de PAULA, E.; MENEGHETTE, C. R.; VOSGERAU, J. Comparação de índice de risco de incêndio florestal com focos de calor no Estado do Paraná. Revista Floresta. v.34, p-119-126, 2004.
ESCUIN, S.; NAVARRO, R.; FERNANDEZ, P. Fire severity assessment by using NBR (normalized burn ratio) and NDVI (normalized difference vegetation index) derived from Landsat TM/ETM images. International Journal of Remote Sensing. v.29, p.1053-1073, 2008.
ESKANDARI, S., GHADIKOLAEI, J. O., JALILVAND, H., & SARADJIAN, M. R. Prediction of Future Forest Fires Using the MCDM Method. Polish Journal of Environmental Studies, 24(5), 2015.
GIGLIO, L.; DESCLOITRES, J.; JUSTICE, C. O.; KAUFMAN, Y. An enhanced contextual fire detection algorithm for MODIS. Remote Sensing Environment. v.87, p.273-282, 2003.
GIGLIO, L.; Schroeder, W.; Justice, C. O. The collection 6 MODIS active fire detection algorithm and fire products. Remote Sensing Environment. v.178, p.31-41, 2016.
JUSTINO, F. B., Souza, S. S., & Setzer, A. A relação entre focos de calor e condições meteorológicas no Brasil. In: Anais do XII Congresso Brasileiro de Meteorologia. p. 1-15, 2002.
LEON, J. R. R.; van Leeuwen, W.J.D.; Casady, G.M. Using MODIS-NDVI-for the modeling of post-wildfire vegetation response as a function of environmental conditions and pre-fire restoration treatmensts. Remote Sensing. v.4, p.598-621, 2012.
LI, X.; SONG, W; LIAN, L.; WEI, X. Forest fire smoke detection using back-propagation neural network based on MODIS data. Remote Sensing. v.7, p.447-4498, 2015.
PIVELLO, V. The use of fire in the Cerrado and Amazonian Rainforests of Brazil: past and present. Fire Ecology, v.7, n.1, p. 25-39, 2011.
MORISSETTE, J. T.; GIGLIO, L.; CSISZAR, I.; SETZER, A.; SCHROEDER, W.; MORTON, D.; JUSTICE, C.O. Validation of MODIS active fire detection products derived from two algorithms. Earth Interactions, v.2005, p.09-0009, 2005.
PEREIRA, G. H. A.; LOHMANN M.; DEPPE, F. Monitoramento de incêndios utilizando imagens Landsat 8: Um estudo de caso para o estado do Tocantins. Anais…XVIII Simpósio Brasileiro de Sensoriamento Remoto - SBSR. Santos. INPE, p. 2700-2707, 2017.
SCHROEDER, W.; A.; OLIVIA, P.; CSIZAR, I. S. The new VIIRS 375 m active fire detection data product: Algorithm description and initial assessment. Remote Sensing Environment. v.143, p.85-96, 2014.
SILVEIRA, H. L. F.; VETTORAZZI, C. A.; VALENTE, R. O. A. Avaliação multicriterial no mapeamento de risco de incêndios florestais, em ambiente sig, na bacia do Rio Corumbataí, SP. Revista Árvore. v.32, p. 259-268, 2008.
SHARPLES, J.J., R.H.D. McRAE, R.O. WEBER, and A.M. GILL, A simple index for assessing fuel moisture content. Environmental Modelling and Software, v.24, p.637-646. 2009.
SILVA, J, C.; FIEDLER, N, C.; SILVA, F, G. Uso da formula de Monte Alegre na determinação de períodos críticos de ocorrência de incêndios florestais na área de proteção ambiental do Gama Cabeça-de-Viado, Brasília-DF. Brasil Florestal, n.72, p. 29-36, 2001.
SOARES, R.V. Índices de perigo de incêndio. Revista Floresta, v.3, n.3, 1972. p.19-40.
SOARES, R. V. Incêndios florestais: controle e uso do fogo. Curitiba: FUPEF, 1985. 213 p.
VERHEGGHEN, A.; EVA, H.; CECCHERINI, G.; ACHARD, F.; GOND, V.; GOULERT-FREURY, S.; CERUTTI, P, O. The potencial of Sentinel for burnt area mapping and monitoring in the Congo Basin Forests. Remote Sensing, v.8, p.1-22, 2016.
WANG, W. T.; QU, J. J; HAO, X. J.; LIU, Y.Q.; SOMMERS, W.T. An Improved algorithm for small and cool fire detection using modis data: A preliminary study in the southeastern United States. Remote Sensing Environment. v.108, p.163-170, 2007.
WOOSTER, M. J.; ROBERTS, G.; PERRY, G. L W. Retrieval of biomass combustion rates and total from fire radiative power observations: FRP derivation and calibration relationships between biomass consumption and fire radiative energy release. Geophysical Research. v.110, p.1-24, 2005.