Determinação do ICMSe através das técnicas de - DSR

Anais XVI Simpósio Brasileiro de Sensoriamento Remoto - SBSR, Foz do Iguaçu, PR, Brasil, 13 a 18 de abril de 2013, INPE
Determinação do ICMSe através das técnicas de Análise de Imagens Baseada em
Objetos e Mineração de Dados
Gabriel Bertani 1
Bruno Schultz 1
Antônio Roberto Formaggio 1
Ricardo Dal’Agnol da Silva 1
1
Instituto Nacional de Pesquisas Espaciais - INPE
Caixa Postal 515 - 12227-010 - São José dos Campos - SP, Brasil
{gabrielb, schultz, formag, silvard}@dsr.inpe.br
Abstract. Conservation Units consist of natural areas to be preserved, represented by its territorial space and its
environmental resources. In order to benefit municipalities that prioritize sanitation and environmental
preservation through the Protected Areas, it was proposed the establishment of the Tax on Circulation of Goods
and Ecological Services (ICMSe). In this context, the objective of this study was to estimate the value of ICMSe
from the amount of remaining forest present in Environmental Preservation Areas, in the following cities: São
José dos Campos, Campinas and Ribeirão Preto. The forest areas were obtained by combining two techniques:
Data Mining and Analysis of Images Based on Objects (OBIA). To generate the objects in the image, the
algorithm implemented was the Multiresolution Segmentation, in E-cognition Developer®. The algorithm used
for Data Mining was the J48, which generated decision trees from a set of training data. The areas available for
ICMSe in São José dos Campos can be attractive for the calculation. As if the whole forest area inside
Permanent Protection Areas (PPA) in the county (6,63%) were considered Conservation Units, the state of São
Paulo would have to pay R$ 5 million per year to the city coffers. This Money would be from the conservation
of PPA. To Ribeirão Preto and Campinas cities, with respectively 1,22% and 0,28% of preserved areas, the value
that to be payed by ICMSe would be less than R$ 14.000 per year.
Palavras-chave: remote sensing, images classification, conservation units, sensoriamento remoto, classificação
de imagens, unidades de conservação.
1. Introdução
No sentido de garantir a preservação do meio ambiente, têm-se criado, nas últimas
décadas, inúmeras Unidades de Conservação – UC’s. A criação dessas áreas pode ser vista
como uma resposta cultural às ameaças que se impõem à natureza, porém pode ser
considerada como uma restrição ao desenvolvimento econômico dos municípios. A alocação
das UC’s imobiliza um espaço que poderia ser destinado a determinada atividade econômica,
que traria recursos fiscais para os municípios. Para que a instalação e a manutenção das UCs
fossem realizadas de forma mais efetiva, criou-se o Imposto sobre Circulação de Mercadorias
e Serviços ecológico (ICMSe). Isso poderia compensar ou mitigar as perdas fiscais, e dessa
forma incentivar os municípios a preservarem as UCs existentes e facilitar a criação de novas
unidades.
Com o intuito aumentar a preservação das Áreas de Proteção Permanente (APPs), sugerese a reestruturação dos parâmetros envolvidos no cálculo do ICMSe. Devido à importância
que as APPs possuem em relação ao meio ambiente e à manutenção da qualidade de vida da
população, propõe-se incentivar o pagamento de ICMS-ecológico não apenas sobre unidades
de conservação de uso sustentável e proteção integrada, mas também gerar lucros aos
protetores sobre o total de área preservada em APPs contidas em um município.
A determinação das áreas preservadas contidas em APPs pode ser realizada através da
Análise de Imagens Baseada em Objetos (Object Based Image Analysis - OBIA). Esse tipo de
aplicação possui a vantagem de considerar a análise de um objeto no espaço e utilizar
sistemas computacionais baseados em conhecimento. Por outro lado, os algoritmos
convencionais levam em consideração apenas o pixel no espaço, de forma isolada, e utilizam
somente os parâmetros da própria imagem para o processamento dos dados (Navulur, 2007).
2314
Anais XVI Simpósio Brasileiro de Sensoriamento Remoto - SBSR, Foz do Iguaçu, PR, Brasil, 13 a 18 de abril de 2013, INPE
Para a realização da análise baseada em objetos, é necessária a elaboração de um modelo
de conhecimento, através do qual serão determinados os padrões de comportamento de cada
classe de interesse. Uma das formas de obtenção do modelo de conhecimento é a técnica de
Mineração de Dados (Data Mining – DM). Essa técnica engloba uma série de algoritmos
utilizados para selecionar os conjuntos de atributos relacionados aos objetos que serão
classificados (Witten e Frank, 2005). Neste estudo, os modelos de conhecimento serão
representados através de árvores de decisão, cuja estrutura é explícita e permite a
interpretação das relações entre as classes e as variáveis dos objetos.
Em estudo conduzido por Peña-Barragán et al. (2011), a combinação entre as técnicas
OBIA e DM foi utilizada para diferenciar treze diferentes espécies de culturas agrícolas, em
Yolo County – Estados Unidos. Através do uso de diferentes índices de Vegetação e Padrões
de Textura, foi obtida acurácia global de 79%. Brown de Colstoun et al. (2003) também
fizeram uso da técnica de Mineração de Dados, porém utlizaram dados multitemporais
LANDSAT/ETM+. Através de uma Árvore de Decisão, gerada para classificar onze classes de
ocupação do solo, foi obtida acurácia global de 82%.
Considerando a crescente necessidade de manutenção das áreas protegidas, além do
potencial que a combinação das técnicas de Análise de Imagens Baseada em Objetos e
Mineração de dados possui para mapear e monitorar o uso e ocupação do solo, o presente
estudo possui o objetivo de estimar o valor de ICMSe a partir da quantidade de remanescentes
florestais presentes em APPs, nos municípios de São José dos Campos, Campinas e Ribeirão
Preto.
2. Metodologia de Trabalho
2.1 Área de estudo
A escolha dos municípios de São José dos Campos (Figura 1. c), Ribeirão Preto (Figura
1.a) e Campinas (Figura 1.b) objetiva abranger três diferentes situações de uso e ocupação do
solo. São José dos Campos possui muitas áreas de campo com uma vegetação frágil, além
disso, parte da Serra da Mantiqueira está dentro do seu perímetro rural. Já Ribeirão Preto é um
município que possui grande expansão agrícola, devida principalmente ao plantio de cana-deaçúcar. Por outro lado, Campinas possui o setor secundário de produção como a principal
fonte para o Produto Interno Bruto do município.
Figura 1. Mapas mostrando o perímetro dos municípios de Ribeirão Preto (A), Campinas (B)
e São José dos Campos (C).
2.2 Aquisição e pré-processamento dos dados
Foram utilizadas duas cenas Landsat – TM, obtidas a partir do catálogo de imagens do
INPE. Através dessas cenas, foram realizados os procedimentos destinados à quantificação e
2315
Anais XVI Simpósio Brasileiro de Sensoriamento Remoto - SBSR, Foz do Iguaçu, PR, Brasil, 13 a 18 de abril de 2013, INPE
análise de remanescentes florestais. Para a correção geométrica dessas imagens, foram
utilizadas três bases ortorretificadas, obtidas no site da GLCF (Global Land Cover Facility).
Para a delimitação das APPs, foram obtidas cinco cenas do projeto Topodata (Valeriano,
2008), que contém um Modelo Digital de Elevação (MDE) e suas derivações locais básicas.
Os dados Topodata são disponibilizados pela Instituto Nacional de Pesquisas Espaciais –
INPE. As imagens utilizadas no presente estudo são mostradas na Tabela 1.
Tabela 1. Imagens utilizadas.
Município
São José dos Campos
Campinas
Ribeirão Preto
Órbita/Ponto (TM)
219/76
219/76
220/75
Data (INPE)
24/08/2010
24/08/2010
31/08/2010
Data (GLCF)
08/09/2004
08/09/2004
14/04/2006
Topodata
22S465 e 23S465
22S48 e 23S48
21S48
A primeira etapa do pré-processamento das imagens consistiu na correção geométrica das
cenas Landsat. As imagens foram registradas no programa ENVI 4.7 (RSI, 2010), cujas
referências foram as bases ortorretificadas. O erro de geocodificação para as três imagens foi
inferior a 0,54. Em média, foram utilizados quinze pontos por imagem para registrá-las.
Posteriormente, foi realizada a transformação dos níveis digitais em valores físicos
(reflectância). Esse processo ajuda a mitigar os efeitos causados pelas variações nos ângulos
de iluminação e de observação, no momento de aquisição. A etapa subsequente consistiu na
correção atmosférica das imagens, através do algoritmo 6S (Vermote et al., 1997). Esse
processo procura diminuir ou eliminar os efeitos atmosféricos nos dados utilizados. Dessa
forma, a Reflectância Aparente obtida na transformação dos níveis digitais é transformada
para Reflectância de Superfície.
2.3 Segmentação e mineração dos dados
O algoritmo utilizado para gerar os objetos das imagens foi o Multiresolution
Segmentation, implementado no e-cognition (Definiens, 2006). Os pesos determinados foram
iguais para todas as bandas espectrais, enquanto o fator de escala, que influi no tamanho dos
objetos gerados, foi igual a 10. Os fatores de forma e compacidade utilizados foram 0,2 e 0,5,
respectivamente.
Após a geração dos objetos, foram obtidos conjuntos de treinamento a partir de amostras
coletadas em cada imagem segmentada. Cada conjunto foi dividido em cinco classes de
interesse: Floresta, Vegetação (herbácea), Solo, Urbano e Água. Após a determinação dos
conjuntos, a plataforma e-cognition (Definiens, 2006) foi utilizada para extrair os seguintes
atributos de cada amostra: brilho (média do brilho em todas as bandas), valor médio de brilho
e desvio padrão em cada banda utilizada, Normalized Difference Vegetation Index (NDVI) e
diferença máxima em um dado objeto.
Os conjuntos de amostras foram importados no aplicativo Waikato Environment for
Knowledge Analysis – WEKA (Witten e Frank, 2005), para a realização do processo de
mineração dos dados. O algoritmo utilizado para gerar a árvore de decisão foi o J48, que
particiona os dados em dois subconjuntos, conforme o maior ganho de informação
normalizada. O J48 repete esse processo em cada subconjunto, até que todas as instâncias
pertençam à mesma classe (Kramer, 2011). As árvores de decisão geradas para cada
município são mostradas na Figura 2.
2316
Anais XVI Simpósio Brasileiro de Sensoriamento Remoto - SBSR, Foz do Iguaçu, PR, Brasil, 13 a 18 de abril de 2013, INPE
Figura 2. Árvores de decisão geradas pelo algoritmo J48 que foi implementado na plataforma
WEKA. [A]. São José dos Campos, [B]. Campinas e [C]. Ribeirão Preto.
2.4 Classificação
As árvores de decisão foram implantadas no e-cognition (Definiens, 2006) através do
sistema de distribuição hierárquica de classes, cujos atributos foram especificados nos
descritores das classes utilizadas. O algoritmo utilizado para classificar os objetos foi o
Classification, que permite utilizar a descrição de cada classe utilizada. O produto gerado
consistiu em um mapa temático, formado pelas cinco classes de interesse (corpos d’água,
floresta, vegetação herbácea, áreas urbanas e solo exposto). Para gerar a matriz confusão dos
mapas temáticos foram utilizados 100 pontos independentes para cada classificação.
2.5 Delimitação das Áreas de Preservação Permanente (APPs)
A delimitação das APPs foi baseada na Lei Federal N° 4.771 de 1965 que instituiu o
Código Florestal Brasileiro, e também nas Resoluções CONAMA Nº 04/1985 e Nº 302 e
303/2002. Alguns fragmentos do Art. 3º do CONAMA Nº 303/2002 foram selecionados, que
estabelecem as seguintes regras:
I - em faixa marginal, medida a partir do nível mais alto, em projeção horizontal,
com largura mínima, de: a) trinta metros, para o curso d`água com menos de dez
metros de largura; [...] II - ao redor de nascente ou olho d`água, ainda que
intermitente, com raio mínimo de cinquenta metros de tal forma que proteja, em
cada caso, a bacia hidrográfica contribuinte; [...] V - no topo de morros e montanhas,
em áreas delimitadas a partir da curva de nível correspondente a dois terços da altura
mínima da elevação em relação à base; [...] VII - em encosta ou parte desta, com
declividade superior a cem por cento ou quarenta e cinco graus na linha de maior
declive.
2317
Anais XVI Simpósio Brasileiro de Sensoriamento Remoto - SBSR, Foz do Iguaçu, PR, Brasil, 13 a 18 de abril de 2013, INPE
Além disso, o Art 2º CONAMA Nº 303/2002 trata de algumas definições relacionadas às
áreas de morro e montanha:
IV - morro: elevação do terreno com cota do topo em relação à base entre cinquenta
e trezentos metros e encostas com declividade superior a trinta por cento
(aproximadamente dezessete graus) na linha de maior declividade; V - montanha:
elevação do terreno com cota em relação à base superior a trezentos metros; VI base de morro ou montanha: plano horizontal definido por planície ou superfície de
lençol d’água adjacente ou, nos relevos ondulados, pela cota da depressão mais
baixa ao seu redor.
Partindo desses princípios, as APPs em torno de rios foram delimitadas por uma função
Buffer com valor de 30 metros sobre um arquivo vetorial da hidrografia da área de estudo.
Utilizou-se da suposição de que todos os rios possuíam menos do que 10 metros de
largura.Com relação às APP de nascente, partindo do pressuposto de Ribeiro et al. (2005), que
afirma que o início da hidrografia pode representar uma nascente, foram demarcadas as
nascentes. Em sequência, foi aplicada uma função Buffer com valor de 50 metros sobre os
pontos de nascentes gerando as APPs.
Para a delimitação das APPs em topo de morro e montanha foi aplicada a metodologia
proposta por Peluzio et al. (2010), que utiliza do Modelo Digital de Elevação (MDE). O MDE
utilizado foi o Topodata. A partir da função Slope (percentual) sobre o MDE, foram obtidas a
declividade para cada pixel da cena, e os valores iguais ou acima de 100 foram demarcados
como APP de declividade. Os arquivos foram todos convertidos para o formato raster, com
resolução espacial de 30 metros – a mesma dos dados TM. Por fim, foi realizada uma
sobreposição para gerar o mapa que continha todas as APPs.
Através de um conjunto de operações de Álgebra de Mapas, implementado no ENVI 4.7
(RSI, 2010), as áreas de floresta obtidas na classificação foram determinadas em relação às
APPs. Desta forma, foi quantificada a área florestal presente dentro das APPs, em cada
município. Tais áreas foram utilizadas para a quantificação de ICMSe para os três municípios
de estudo.
2.6 Cálculo do ICMSe
O coeficiente para estimativa do ICMS-ecológico é calculado em quatro níveis: Básico –
CCBb – por interface – CCBi - ,para o município – CCBm - e para o estado - CCBE.
(a)  (
(b)  (
área do município
) *100
área do estado
(1)
(a)
) * CCBM
% da área protegida
(2)
(c)  ((b) * ICMSMunicipal)
(3)
(d )  (c) * % da área protegida
(4)
a) Coeficiente de Conservação da Biodiversidade Básico - CCBb. É o componente
quantitativo do índice, levando em consideração a interface territorial da UC com o
município. Este é um índice de restrição, que leva em consideração: 1) a categoria de manejo,
gerando um fator de conservação, e 2) o âmbito e domínio da UC, listados no anexo C.
b) O CCBI agrega o componente qualitativo ao coeficiente, através de tábua de avaliação
qualitativa.
2318
Anais XVI Simpósio Brasileiro de Sensoriamento Remoto - SBSR, Foz do Iguaçu, PR, Brasil, 13 a 18 de abril de 2013, INPE
c) O CCBM é o valor agregado de todos os coeficientes de conservação por interface
existente no município.
d) Coeficiente de Conservação da Biodiversidade para o estado.
O CCBm foi calculado em relação à área de remanescentes florestais existentes dentro
das APPs de cada município, isto é, toda área de floresta classificada dentro das APPs foi
considerada como Unidade de Conservação protegida em nível de 0,25 na escala de avaliação
da Secretaria do Meio Ambiente (SEMA).
3. Resultados e Discussão
Os mapas temáticos gerados obtiveram um índice Kappa médio de 0,886. Para o
município de São José dos Campos, a análise dos mapas de classificação e APPs mostrou uma
área de 7.293,33 ha de floresta contida em APPs, o que resulta em 6,63 % da área total do
município. São José dos Campos não possui nenhuma arrecadação dada pelo ICMSe, pois não
consta no Ministério do Meio Ambiente nenhuma UC’s registrada. De acordo com o ICMSe
estimado, este município poderia receber a quantia de R$ 1.013.138 anualmente. O
determinante para o alto valor estimado do seu ICMSe é a quantidade de área florestal em
APPs (maior entre os municípios estudados).
Com apenas 1,22 % de área preservada, R$ 5.345,36 mil seriam retornados como
adicional para Campinas como incentivo à preservação permanente. O valor de ICMSe
destinado atualmente a esse município é de R$ 92.000. Este valor é calculado sobre a Reserva
Florestal de Campinas, que possui uma área de 0,48 Km² com coeficiente de biodiversidade
igual a 0,8 (SEMA, 2010).
Já o município de Ribeirão Preto teria direito a um adicional de R$ 13.150,93 para as
APPs, cerca de 14% do valor que recebe por ano (R$ 150 mil). O valor repassado atualmente
para Ribeirão Preto é devido a uma estação ecológica registrada como UC (Estação Ecológica
de Ribeirão Preto). Sua área abrange 2,2 Km² do município e seu coeficiente de
biodiversidade é igual a 0,8.
O maior índice de remanescentes florestais em APPs obtido por São José dos Campos não
pode ser atribuído totalmente às políticas de preservação dessas áreas. Deve-se salientar que
este município possui grandes porções de floresta em seu território, além de parte da Serra da
Mantiqueira. Os menores índices apresentados por Campinas e Ribeirão Preto podem ser
atribuídos às formas de uso e ocupação nesses locais, que caracterizam-se pela concentração
de indústrias e expansão agrícola, respectivamente.
A Figura 3 demonstra um baixo índice de APPs que estão de acordo com o Código
Florestal vigente. O município que possui o maior índice de preservação é São José dos
Campos, com cerca de 33% de áreas preservadas. Já campinas possui o pior índice, com
apenas 181,17 ha de APPs (7%) preservadas. Ribeirão Preto possui cerca de 27% de APPs em
acordo com o Código Florestal.
2319
Anais XVI Simpósio Brasileiro de Sensoriamento Remoto - SBSR, Foz do Iguaçu, PR, Brasil, 13 a 18 de abril de 2013, INPE
Figura 3. [A]. Condição das Áreas de Preservação Permanente nos municípios de São José
dos Campos, Campinas e Ribeirão Preto quanto à cobertura florestal. [B]. Porcentagem das
APPs em relação a área total do município. [C]. Quantificação do ICMS ecológico para as
APPs que estão em acordo com o Código Florestal e para o total de APP se estivesse
recoberta por floresta natural.
4. Conclusões
- Os resultados obtidos demonstram que muitas APPs não estão de acordo com o Código
Florestal / CONAMA.
- A arrecadação de ICMSe pode ser uma alternativa viável para a recuperação das APPs, visto
que boa parte dessas áreas já se encontra alterada. A regulamentação dessas áreas está ligada a
melhoria da qualidade da água, manutenção do microclima da região e preservação de
biodiversidade de flora e fauna, além de estarem relacionadas à qualidade de vida da
população.
- O município mais beneficiado com a proposta do presente estudo seria São José dos
Campos, que não possui nenhuma receita relacionada ao ICMSe, e além disso possui o maior
número de APPs preservadas.
Referências Bibliográficas
BRASIL. Conselho Nacional do Meio Ambiente. Resolução nº 4, de 18 de setembro de 1985.
Tendo em vista o que estabelece a Lei 4.771, de 15 de setembro de 1965, alterada pela lei
6.535, de 15 de junho de 1978, e pelo que determina a Resolução CONAMA 008/84
estabelece critérios para as Áreas de Preservação Permanente. Diário Oficial da União DOU
de 20 de janeiro de 1986. Brasília DF, 1986.
2320
Anais XVI Simpósio Brasileiro de Sensoriamento Remoto - SBSR, Foz do Iguaçu, PR, Brasil, 13 a 18 de abril de 2013, INPE
BRASIL. Decreto-lei nº 4.771, de 15 de setembro de 1965. Institui o Novo Código Florestal
Brasileiro e dá outras providências. Diário Oficial da União DOU de 16 de setembro de 1965.
Brasília DF. 1965.
Brown de Colstoun, E. C. Story, M. H. Thompson, C. Commisso, K. Smith, T. G.; Irons, J. I.
National Park vegetation mapping using multitemporal Landsat 7 data and a decision tree
classifier. Remote Sensing of Environment , v.3, n.85, p.316– 327, 2003.
Definiens. Definiens professional 5: Reference book. Munich, Germany: The Imaging
Intelligence Company, 2006. 122 p.
Global Land Cover Facility – GLFC. Disponível em: <http://glcf.umiacs.umd.edu/>. Acesso
em: 12.set.2012.
Kramer, S. J48 - OpenTox. Disponível em: <http://www.opentox.org/dev/documentation/
components/j48>. Accesso em: 05.nov.2012.
Navulur, K. Multispectral image analysis using the object-oriented paradigm. Boca
Raton, USA: Taylor & Francis Group, 2007. 206p.
Peluzio, T. M. O.; Santos, A. R.; Fieldler, N. C. Mapeamento de áreas de preservação
permanente no ARCGIS 9.3. Alegre: CAUFES, 2010.
Peña-Barragán, J. M., Ngugi, M. K., Plant, R. E., & Six, J. Object-based crop identification
using multiple vege tation indices, textural features and crop phenology. Remote Sensing of
Environment , v.6, n.115, p.1301-1316, 2011.
Ribeiro, C. A. A. S.; Soares, V. P.; Oliveira, A. M. S.; Gleriani, J. M. O desafio da
delimitação de áreas de preservação permanente. Revista Árvore, Viçosa-MG, v.29, n.2,
p.203-212, 2005.
RSI. Environment for Visualizing Images - ENVI. ver. 4.7. Boulder, CO, USA: ITT
Industries. 2010.
Secretaria do Meio Ambiente (SEMA). Disponível em: < http://www.ambiente.sp.gov.br/>
Acesso em: 13.out.2012.
Valeriano, M. de M. TOPODATA: guia para utilização de dados geomorfológicos locais.
INPE-15318-RPQ/818. São José dos Campos, 2008.
Vermote, E. F.; Tanré, D.; Deuzé, J. L.; Herman, M. A.; Morcette, J. J. A. Second simulation
of the satel lite signal in the solar spectr um, 6S: An overview. IEEE Trans-actions on
Geoscience and Remote Sensing, v. 3, n. 35, p. 675-686, 1997.
Witten, I.; Frank, E. Data Mining: Practical machine learning tools and tech-niques (2nd.
Edition). San Francisco, USA: Morgan Kaufmann Publishers, 2005. 524 p.
2321