A Deteção Remota (DR), alicerçada nos Sistemas de Informação Geográfica (SIG), tem contribuído significativamente para a análise da forma urbana e dos processos de crescimento, fomentando a multiplicação dos estudos de Geografia Urbana com enfoque cronogeográfico, particularmente nos territórios onde o crescimento é mais acelerado (e.g., China, Estados Unidos). Assim, a partir do arquivo Landsat, a mais longa e contínua série de imagens de DR, traça-se a evolução urbana dos municípios de Braga e de Guimarães entre 1984-2016, e procura-se descortinar a tendência espacial de mudança decorrente do processo de urbanização, historicamente difuso neste território (Portas, 2012). Partindo do pressuposto de que as imagens fossem do mês de julho, para minimizar diferenças na inclinação do Sol, condições atmosféricas (ausência de nuvens) e estado fenológico da vegetação, selecionaram-se 6 cenas Landsat, distribuídas pelos sensores: TM (1984, 2003, 2010), ETM+ (1999) e OLI (2016). A despeito dos vários métodos que permitem extrair o tecido urbano, optou-se pelos índices espectrais (IE), atendendo à sua confiabilidade, simplicidade concetual e eficiência computacional (Zhao e Chen, 2005; Villa, 2012), que permite a rápida atualização da informação, não só do urbano como também da vegetação e do solo nu, igualmente componentes do ecossistema urbano (Ridd, 1995). De um conjunto inicial de 43 IE, selecionaram-se 7: Normalized Difference Vegetation Index (NDVI), Soil Adjusted Vegetation Index (SAVI), Normalized Difference Bareness Index (NDBaI), Soil and Vegetation Index (SVI); Urban Index (UI); e, Modified Normalized Difference Water Index (MNDWI). A sua classificação e combinação permitiu discriminar as seguintes componentes biofísicas (CB): superfícies impermeáveis antrópicas (edificação, estradas); industrial/pedreiras; vegetação arbórea, densa e/ou com elevado nível de humidade; vegetação herbácea/arbustiva, esparsa e/ou seca; solo nu; e, água. O sistema de classificação apresenta uma precisão de 90% e um índice Kappa de 0,87, valores satisfatórios (Lucas et al., 1994), atendendo às especificidades da urbanização difusa e aos constrangimentos da resolução espacial do Landsat. As modificações nas CB foram determinadas no que se refere à magnitude (ganhos e perdas de área), natureza (matrizes de transição) e localização (mapas de mudança). Partindo da união das layers do impermeável antrópico com o industrial/pedreiras determinou-se o tecido urbano, assumindo-se que este processo é cumulativo e irreversível (Song et al., 2016). Ademais, isolou-se para cada data as novas manchas urbanas, e calculou-se a taxa anual de crescimento (TAC), que neutraliza a diferença de anos abarcados por intervalo (Chen et al., 2018; Caetano et al., 2017). Atendendo à complexidade dos padrões verificados em Braga e Guimarães, determinou-se a tendência espacial de mudança do crescimento urbano. Estes procedimentos metodológicos foram efetuados nos softwares ArcGIS, ENVI (para a correção atmosférica, radiométrica e geométrica das imagens Landsat) e TerrSet (através do Land Change Modeler). Entre 1984 e 2016 verifica-se em Braga e Guimarães um incremento linear do tecido urbano, em detrimento do decréscimo proporcional das CB permeáveis, particularmente do solo nu. O intervalo 1999-2003 apresenta a TAC mais elevada (1,56%), consequência da construção de novas rodovias aquando do Euro’2004. A tendência espacial de mudança revela que o atual perímetro urbano bracarense capta melhor o processo de urbanização que o vimaranense, pois a cidade de Braga detém maior grau de polarização do que a de Guimarães.

Palavras-chave: Deteção Remota; SIG; Landsat; componentes biofísicas; crescimento urbano; Braga e Guimarães

bibliografia

Caetano, M., C. Igreja, F. Marcelino e H. Costa (2017). Estatísticas e dinâmicas territoriais multiescala de Portugal Continental 1995-2007-2010 com base na Carta de Uso e Ocupação do Solo (COS). Relatório Técnico. Direção-Geral do Território: Lisboa.

Chen, L., Ren, C., Zhang, B., Wang, Z., & Liu, M. (2018). Quantifying Urban Land Sprawl and its Driving Forces in Northeast China from 1990 to 2015. Sustainability, 10(1), 188.

Lucas, I. F., Frans, J. M., & Wel, V. D. (1994). Accuracy assessmentof satellite derived land cover data: A review. Photogrammetric Engineering and Remote Sensing, 60(4), 410-432.

Portas, N. (2012). Os Tempos Das Formas – vol. II. A Cidade Imperfeita e a Fazer. Escola de Arquitetura da Universidade do Minho: Guimarães.

Ridd, M. (1995). Exploring a V-I-S (vegetation-impervious surface-soil) model for urban ecosystem analysis through remote sensing: comparative anatomy for cities. International Journal of Remote Sensing, 16, 2165-2185.

Seto, K. C., Sánchez-Rodríguez, R., & Fragkias, M. (2010). The new geography of contemporary urbanization and the environment. Annual Review of Environment and Resources, 35, 167-194.

Villa, P. (2012). Mapping urban growth using Soil and Vegetation Index and Landsat data: The Milan (Italy) city area case study. Landscape and Urban Planning, 107(3), 245-254.

Zhao, H. & Chen, X. (2005). Use of normalized difference bareness index in quickly mapping bare areas from TM/ETM+”. Geoscience and Remote Sensing Symposium, 3(25-29), 1666-1668.

Palavras-chave: Deteção Remota; SIG; Landsat; componentes biofísicas; crescimento urbano; Braga e Guimarães