Documento completo - OBT - Inpe
Documento completo - OBT - Inpe
Documento completo - OBT - Inpe
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
INPE-9865-TDI/870<br />
USO DE DADOS IKONOS II NA ANÁLISE URBANA: TESTES<br />
OPERACIONAIS NA ZONA LESTE DE SÃO PAULO<br />
Danilo Heitor Caíres Tinoco Bisneto Melo<br />
Dissertação de Mestrado em Sensoriamento Remoto, orientada pelo Dr. Hermann<br />
Johann Heinrich Kux, aprovada em 30 de setembro de 2002.<br />
INPE<br />
São José dos Campos<br />
2003
728.711.7 (815.6)<br />
MELO, D. H. C. T. B.<br />
Uso de dados Ikonos II na análise urbana: testes operacionais<br />
na zona leste de São Paulo / D. H. C. T. B. Melo. –<br />
São José dos Campos: INPE, 2002.<br />
146p. – (INPE-9865-TDI/870).<br />
1.Sensoriamento remoto. 2.Sistemas de Informação<br />
Geográfica (SIG). 3.Processamento de imagem. 4.Geomorfologia.<br />
5.Uso do solo. I.Título.
“Devemos estudar as coisas como elas<br />
são e devemos observar o que se pode e é<br />
necessário fazer, não aquilo que seria<br />
certo fazer”.<br />
“Os homens têm menos escrúpulo de<br />
ofender quem se faz amar do que quem<br />
se faz temer”.<br />
(Nicolau Maquiavel, 1469-1527).
AGRADECIMENTOS<br />
Ao longo desta pesquisa tive a oportunidade de conhecer muitas pessoas<br />
interessantes, que me ajudaram e compartilharam de seu saber e, em alguns casos,<br />
também da amizade, em especial aos Colegas do Instituto Nacional de Pesquisas<br />
Espaciais/Observação da Terra, e aos parentes. A essas pessoas ofereço minha gratidão,<br />
pois este trabalho é também fruto das nossas trocas e por isso, também é obra de todos<br />
nós. Contudo não posso deixar de mencionar a dedicação do Dr. Hermann Johann<br />
Heinrich Kux, que me orientou e me acompanhou em todo o desenrolar deste trabalho.<br />
Agradeço ao CNPq, pelo apoio financeiro, durante 2 anos, e que foram fundamentais<br />
para a realização deste trabalho. Aos funcionários Sra. Sâmia Cristina Dias (Empresa<br />
Metropolitana de Planejamento da Grande São Paulo), Sr. Paulo Marufuji<br />
(Desenvolvimento Rodoviária S.A.) e a empresa PROTRAN que forneceram as<br />
ferramentas necessárias sobre a área de estudo e o traçado do Rodoanel, para a<br />
realização deste trabalho. Agradeço ao Sr. Mauricio Braga Meira, Gerente de vendas da<br />
Space Imaging no Brasil, que forneceu as imagens do satélite IKONOS II, ao Sr.<br />
Charles Martins, da Imagem Sensoriamento Remoto Ltda, que forneceu o aplicativo<br />
ERDAS, versão 8.5, ao Sr. Luís Leonardi, da INTERSAT, que forneceu as fotografias<br />
aéreas da região de estudo.
RESUMO<br />
Este trabalho apresenta uma metodologia de aplicação de técnicas de Sensoriamento<br />
Remoto e ferramentas de Sistemas de Informação Geográficas (SIG), visando analisar a<br />
contribuição das imagens do satélite de alta resolução IKONOS II no processo de<br />
implementação de uma rodovia, bem como no desenvolvimento urbano. A área de<br />
estudo está localizada na zona leste da Região Metropolitana de São Paulo, onde será<br />
implantado o Trecho Leste do Rodoanel Metropolitano de São Paulo. Para que as<br />
técnicas de Sensoriamento Remoto e as ferramentas do Sistema de Informações<br />
Geográficas possam ser amplamente utilizadas, foram apresentados os fundamentos da<br />
metodologia do trabalho, mostrando o porque do seu uso. Para a realização deste<br />
trabalho, foram usados dados temáticos de Geologia, Geomorfologia e Topografia,<br />
mostrando a potencialidade destes dados num SIG. As imagens trabalhadas foram: as<br />
bandas multiespectrais 1, 4 e 7 e a pancromática do Landsat 7 ETM+; a banda<br />
pancromática do SPOT 4, e as bandas multiespectrais 1, 2 e 3 e a banda pancromática<br />
do IKONOS II. Com estas imagens foram feitos diversos experimentos procurando-se<br />
integrá-las através da transformação no espaço de cores. Com as informações do relevo,<br />
agregadas às imagens do IKONOS, foi realizada uma animação, demonstrando a<br />
topografia local em 3D. As informações de uso e cobertura da terra foram obtidas por<br />
meio da imagem resultante da transformação no espaço de cores do IKONOS II, tendo<br />
sido feita a sua classificação temática usando-se o novo pacote de programas<br />
eCognition, que executa a classificação orientada ao objeto utilizando novas<br />
concepções. Os resultados mostraram que a integração da imagem pancromática do<br />
IKONOS II com as imagens multiespectrais do Landsat 7 ETM+, através da<br />
transformação no espaço de cores, não apresentaram bons resultados. Por outro lado, a<br />
classificação orientada ao objeto possibilita novas alternativas, como: a distinção das<br />
classes avaliando as bandas separadamente, pelo tamanho, forma, textura, número de<br />
bordas de uma classe. Com isto, tem-se uma maior interação entre o classificador e a<br />
cena a ser classificada.
USE OF IKONOS II DATA FOR URBAN ANALYSIS: OPERATIONAL TESTS IN<br />
EASTERN SÃO PAULO CITY<br />
ABSTRACT<br />
This work presents an application methodology of Remote Sensing and Geographic<br />
Information Systems (GIS) aiming to analyze the contribution of high resolution image<br />
data from IKONOS II satellite, for the implementation of a highway as well as for urban<br />
development. The area under study is located at the eastern section of São Paulo<br />
Metropolitan Region, where the eastern segment of the ring road called “Rodoanel<br />
Metropolitano de São Paulo” will be implanted. In order to use Remote Sensing and GIS<br />
techniques properly, the fundamentals of the methodology were presented, explaining why<br />
they were used. In this study thematic data of Geology, Geomorphology and Topography<br />
were used, showing the potential of these information in a GIS. The following image data<br />
were used: Landsat 7 ETM+ bands 1,4, and 7, SPOT 4 panchromatic band, IKONOS II<br />
multispectral bands 1,2 and 3 and the panchromatic band. Several experiments were done<br />
with these data, integrating them through a transformation of the color space. Using relief<br />
information associated to IKONOS II data, an animation was done, demonstrating the local<br />
topography in 3D. The information on land use/land cover were obtained through an image<br />
from the transformation of the color space from IKONOS II, followed by a thematic<br />
classification using the new application software eCognition. This package uses a new<br />
concept for image analysis: it uses the object oriented classification. The results of this<br />
study showed that the integration of the panchromatic IKONOS II image with the<br />
multispectral Landsat 7 ETM+ scene, through the transformation in the color space, did not<br />
present good results. Nevertheless, the object oriented classification allows new<br />
alternatives, such as: discrimination of classes to evaluate spectral bands separately by size,<br />
form, texture and number of borders of a thematic class. With this procedure, there is a<br />
higher interaction between the classifier and the scene to be classified.
SUMÁRIO<br />
LISTA DE FIGURAS.......................................................................................................<br />
LISTA DE TABELAS......................................................................................................<br />
CAPÍTULO 1 – INTRODUÇÃO ................................................................................ 21<br />
1.1 – Objetivos específicos............................................................................................. 23<br />
CAPÍTULO 2 – FUNDAMENTAÇÃO TEÓRICA................................................... 25<br />
2.1 – Planejamento rodoviário........................................................................................ 25<br />
2.2 – Sensoriamento remoto........................................................................................... 27<br />
2.2.1 – Análise dos dados de sensoriamento remoto...................................................... 29<br />
2.2.1.1 – Resolução espacial........................................................................................... 30<br />
2.2.1.2 – Resolução espectral ......................................................................................... 32<br />
2.2.1.3 - Resolução Radiométrica................................................................................... 33<br />
2.2.1.4 – Resolução temporal ......................................................................................... 35<br />
2.3 – Uso de imagens de sensoriamento remoto para a área urbana .............................. 36<br />
2.5 – Análise das imagens .............................................................................................. 40<br />
2.5.1 – Pré-processamento.............................................................................................. 41<br />
2.5.1.1 – Correção radiométrica ..................................................................................... 42<br />
2.5.1.2 – Correção geométrica........................................................................................ 43<br />
2.5.2. – Processamento ................................................................................................... 47<br />
2.5.2.1 – Realce .............................................................................................................. 47
2.5.2.2 – Transformação................................................................................................. 48<br />
2.5.3. – Classificação...................................................................................................... 50<br />
2.5.3.1 – Segmentação multi-resolução e classificação baseada no objeto.................... 56<br />
2.5.3.2 – Classificação através de lógica fuzzy.............................................................. 58<br />
2.5.3.3 – Avaliação do parâmetro escalar (scale parameter) na segmentação................ 63<br />
2.6 – Avaliação da classificação..................................................................................... 65<br />
2.7 – Integração e análise dos dados no sistema de informação geográfica................... 68<br />
CAPÍTULO 3 - ÁREA DE ESTUDO ......................................................................... 75<br />
3.1. Localização da área de estudo ................................................................................. 75<br />
3.2. Geologia .................................................................................................................. 80<br />
3.3 Pedologia .................................................................................................................. 83<br />
3.4. Geomorfologia......................................................................................................... 84<br />
CAPÍTULO 4 – MATERIAIS E MÉTODOS............................................................ 93<br />
4.1 – Materiais................................................................................................................ 93<br />
4.1.1 – Ikonos II.............................................................................................................. 93<br />
4.2. – Métodos ................................................................................................................ 96<br />
4.2.1 – Pré-processamento.............................................................................................. 98<br />
4.2.1.1 – Extração de características estatísticas ............................................................ 98<br />
4.2.1.2 – Correção geométrica........................................................................................ 99<br />
4.2.2. – Processamento digital...................................................................................... 100
4.2.3 – A classificação digital....................................................................................... 102<br />
4.2.4 – Virtual gis ......................................................................................................... 102<br />
CAPÍTULO 5 – RESULTADOS E DISCUSSÕES ................................................. 103<br />
5.1 – Extração de características estatísticas ................................................................ 103<br />
5.2 – Correção geométrica............................................................................................ 104<br />
5.3 – Processamento digital.......................................................................................... 109<br />
5.4 – Classificação........................................................................................................ 112<br />
5.6 – Virtual gis. ........................................................................................................... 123<br />
CAPÍTULO 6 – CONCLUSÕES E RECOMENDAÇÕES .................................... 127<br />
REFERÊNCIAS BIBLIOGRÁFICAS ..................................................................... 133
LISTA DE FIGURAS<br />
2.1 – Implantação rodoviária, etapa de reconhecimento. ............................................... 26<br />
2.2 – Processo de Aquisição de Imagem de Sensoriamento Remoto............................. 28<br />
2.3 – Imagens de diferentes sensores e resoluções espaciais para discriminar áreas<br />
urbanas: região Leste da cidade de São Paulo. ..................................................... 31<br />
2.4 – Espectro Eletromagnético (A) e Resolução espectral (B). .................................... 33<br />
2.5 – Diferença de resolução radiométrica, área urbana: região nordeste da cidade de<br />
São Paulo............................................................................................................... 34<br />
2.6 – Visualização de imagem de alta resolução radiométrica, imagem do IKONOS<br />
II, região sul do município de Santana do Parnaíba (SP)...................................... 35<br />
2.7 – Resolução espacial, espectral e radiométrica. ....................................................... 36<br />
2.10 – Espaço de cores. .................................................................................................. 50<br />
2.11 – Algoritmos de segmentação: similaridade e descontinuidade, noroeste de<br />
Santo André (SP). ................................................................................................. 54<br />
2.12 – Princípio da rede hierárquica de objetos da imagem com diferentes planos de<br />
escalas. .................................................................................................................. 59<br />
2.13 – Membros da função regular e trapezoidal sob característica x para definir o<br />
conjunto crisp M (vermelho) e o conjunto Fuzzy A (azul) µ A (x) sobre a<br />
característica de campo X. .................................................................................... 60<br />
2.14 – O membro da função sob característica x define o conjunto fuzzy baixo, médio<br />
e alto desta característica....................................................................................... 62<br />
2.15 – Fluxograma com as etapas de aquisição de dados............................................... 70<br />
2.16 – Processo básico de criação, manejo e exploração do MDT. ............................... 72
3.1 – Localização da área de estudo. .............................................................................. 76<br />
3.3 – Periferia da região Leste da cidade de São Paulo, fotografia aérea de janeiro de<br />
2001....................................................................................................................... 77<br />
3.4 – Extração de material de construção (pedreiras) vista por fotografia aérea,<br />
localizada na região noroeste do município de Mauá........................................... 81<br />
3.5 – Carta Geológica da área de estudo. ....................................................................... 82<br />
3.6 – Mapas de Aspecto, Hipsométrico e de Declividade do relevo.............................. 87<br />
3.7 – Representação do relevo em 3 dimensões, da área em estudo, mostrando a<br />
dissecação do relevo.............................................................................................. 88<br />
3.8 – Carta Geomorfológica da área de estudo............................................................... 91<br />
4.1 – Dados de Entrada – Carta topográfica do IBGE (1:50.000) e Carta da DERSA<br />
(1:10.000).............................................................................................................. 97<br />
5.1 – Área de estudo mostrando a localização dos pontos de controle coletados.<br />
Composição colorida da imagem do Landsat 7 – 3- B, 5 – G e 4 – R.................105<br />
5.2 –Correção geométrica da imagem Spot 4 com os dados digitais do Dersa.............106<br />
5.3 – Locação de pontos de controle na Imagem do IKONOS II..................................107<br />
5.4 – Deslocamento na correção geométrica na imagem do IKONOS II......................108<br />
5.5 – Imagem do Landsat 7, cena A sem correção atmosférica, cena B com correção<br />
atmosférica. Local: aeroporto de Guarulhos/SP. ................................................ 109<br />
5.6 – Realce da imagem do IKONOS II e seu respectivo histograma. Local –<br />
Refinaria de Santo André/SP. ............................................................................. 110<br />
5.7 – Transformação no espaço de Cores..................................................................... 111
5.8 – Transformação no espaço de cores das imagens IKONOS II, pancromática com<br />
a imagem do Landsat 7, multiespectral................................................................112<br />
5.9 – Conurbação da Grande São Paulo, setor Leste, vista pela imagem do IKONOS<br />
II.......................................................................................................................... 113<br />
5.10 – Área teste da classificação feita com o aplicativo eCognition (versão 2.1). ..... 114<br />
5.11 – Níveis de segmentação com seus respectivos valores escalares. P.e. =<br />
parâmetro escalar. ................................................................................................115<br />
5.12 – Classificação dos objetos com base nos polígonos. ...........................................116<br />
5.13 – Características da classe galpão na imagem de Satélite. ....................................117<br />
5.14 – Características dos objetos da classe solo exposto com a proporção da classe<br />
na primeira banda (Azul). ....................................................................................118<br />
5.15 – Descrição das características espaciais das classes na cena. ..............................119<br />
5.16 – Características da classe solo exposto em cada banda. ......................................120<br />
5.17 – Classes Hierárquicas...........................................................................................121<br />
5.18 – Diagrama A mostra as expressões usadas para distinguir uma classe de outra;<br />
Diagrama B mostra as expressões usadas para distinguir e identificar a classe<br />
“gramínea”. ..........................................................................................................122<br />
5.19 – Sexto nível hierárquico classificado.................................................................. 123<br />
5.21 – área teste do Virtual GIS, com os pontos de sobrevôo...................................... 124<br />
5.22. – Características dos pontos de enlace da trajetória de vôo. ............................... 125<br />
6.1 – Possibilidades de uso do VIRTUAL GIS............................................................ 130
LISTA DE TABELAS<br />
2.1: RELACIONAMENTO ENTRE OS INDICADORES URBANOS E OS DADOS<br />
DE SENSORIAMENTO REMOTO........................................................................37<br />
2.2: FATORES RADIOMÉTRICOS QUE AFETAM A IMAGEM ............................. 43<br />
4.1: SATÉLITE IKONOS II........................................................................................... 94<br />
4.2: MATERIAL UTILIZADO...................................................................................... 95<br />
5.1: MATRIZ DE SIMILARIDADE DAS BANDAS DO TM DO LANDSAT 7...... 104
CAPÍTULO 1<br />
1 – INTRODUÇÃO<br />
A circulação de veículos na Região Metropolitana de São Paulo é muito intensa,<br />
especialmente por ser o centro de convergência do sistema de transporte do Estado e o<br />
principal pólo industrial, comercial, cultural e cívico do país. Com o crescimento urbano<br />
e econômico de São Paulo, o número de veículos que trafega nesta região vem<br />
aumentando, principalmente nas proximidades do Centro, e junto com o transporte<br />
nacional de bens ocasiona um congestionamento cada vez maior.<br />
Segundo estimativas do DERSA (2001) (Desenvolvimento Rodoviário S/A), mais de<br />
100 mil caminhões e carretas trafegam todos os dias pela Metrópole, provocando a<br />
obstrução e congestionamento das principais vias, às vezes durante várias horas. Para<br />
mudar este quadro, o sistema viário precisa passar por transformações urgentes que se<br />
alteram conforme as condições técnicas e as necessidades econômicas. Desde o governo<br />
de Prestes Maia (anos 40 do século XX) procurou-se criar rodovias radiais, com o<br />
intuito de diminuir o fluxo de carros do centro de São Paulo (Wilheim, 1965). Devido a<br />
lentidão na execução destas primeiras obras, foram construídos apenas alguns trechos,<br />
que se tornaram obsoletos na medida em que a cidade foi crescendo.<br />
Por estes motivos, os governos Federal, Estadual e Municipal optaram pela construção<br />
de uma rodovia que desviasse principalmente os veículos com destino ao Porto de<br />
Santos e que facilitasse o acesso ao Corredor do Mercosul. Para tanto é necessária uma<br />
rodovia, traçada fora da área metropolitana, e que interligue as 10 principais rodoviastronco<br />
que convergem à região, a saber: Bandeirantes, Anhanguera, Castelo Branco,<br />
Raposo Tavares, Régis Bittencourt, Imigrantes, Anchieta, Presidente Dutra, Ayrton<br />
Senna da Silva e Fernão Dias. Segundo o DERSA (2001), O RODOANEL<br />
“GOVERNADOR MÁRIO COVAS”, como será chamado, atenderá a estes prérequisitos,<br />
tendo uma distância de 20 a 40 km do centro da cidade de São Paulo.<br />
Para a execução desta obra é necessário um pormenorizado planejamento, que requer<br />
estudos detalhados sobre o projeto de sua construção, financiamento, implementação,<br />
21
transporte, tráfego, conservação, bem como estudos de impacto ambiental. Conforme<br />
Oglesby e Hewes (1969), que mencionam as exigências mínimas de projetos<br />
rodoviários, estes devem estar relacionados com os elementos ambientais e urbanos,<br />
procurando produzir uma via que permita a condução e o acesso fácil de veículos, bem<br />
como a capacidade de fluxo e segurança que satisfaçam as condições normais de<br />
trânsito. O seu planejamento também deve reconhecer e diagnosticar os impactos da<br />
obra sobre zonas urbanas, industriais, comerciais, e sobre o seu desenvolvimento futuro.<br />
A implementação de uma rodovia pode ser dividida em quatro etapas: reconhecimento,<br />
exploração, projeto e locação. Penido (1998) mostrou que as técnicas de processamento<br />
digital de imagens e Sistemas de Informações Geográficas (SIG) podem contribuir<br />
significativamente na obtenção de informações para a primeira etapa, na qual foi<br />
utilizada uma imagem do satélite Landsat – 5 (sensor Thematic Mapper – TM,<br />
resolução espacial de 30 x 30 m) e a integração de informações geográficas, com o<br />
intuito de encontrar a melhor opção de traçado viário.<br />
Atualmente isto mudou com a entrada em operação dos novos sistemas sensores como o<br />
IKONOS II (resolução espacial de 1 x 1 m), além dos avanços tecnológicos de SIG,<br />
possibilitando a aplicação de avançadas técnicas de sensoriamento remoto e SIG. O<br />
presente trabalho tem como objetivo geral verificar até que ponto os avanços<br />
tecnológicos, tanto no SIG como nas imagens de Sensoriamento Remoto, podem<br />
contribuir na implementação de rodovias e no planejamento urbano; avaliar<br />
qualitativamente a integração da imagem de um sistema sensor de alta resolução com as<br />
imagens mais utilizadas no mercado (SPOT 4 e Landsat 7).<br />
Este trabalho foi proposto junto aos órgãos responsáveis pela construção da rodovia, o<br />
DERSA, e a empresa PROTRAN Engenharia, responsável pela elaboração do Relatório<br />
de Impactos Ambientais desta obra, constituído de uma integração de dados temáticos e<br />
numéricos, aerofotogramétricos e de sensoriamento remoto orbital para o estudo do<br />
traçado da rodovia, fornecendo assim importantes informações para os seus<br />
planejadores e futuros gerenciadores.<br />
22
A idéia inicial deste trabalho foi mostrar para estes organizações a contribuição de<br />
dados de sistemas sensores de alta resolução e Sistemas de Informação Geográfica para<br />
estudos de reconhecimento visando a implementação de rodovias, tendo como estudo de<br />
caso o Trecho Leste do Rodoanel. Foi utilizado como base para o estudo, material<br />
informativo sobre os aspectos físicos (Geologia, Geomorfologia, Hidrografia e<br />
Pedologia), realizado pela Vetec Engenharia e Vence Engenharia (1992), mapas<br />
temáticos da área Emplasa (1990a, 1990b, 1990c, 1990d e 1990e) e o dados digitais<br />
foram adquiridos da própria DERSA. Como não foi possível a obtenção de imagens<br />
especificamente para um estudo da área de influência direta do Rodoanel, optou-se pela<br />
análise de um setor de periferia urbana da Metrópole paulistana, perfazendo setores dos<br />
municípios de Guarulhos, Mauá, Ribeirão Pires, Santo André e São Paulo.<br />
Por outro lado, trabalhos recentemente publicados na Alemanha (Hoffmann (2001a),<br />
Hoffmann (2001b), Meinel, Neubert e Dresden (2001) e Bauer e Steinnocher<br />
(2001)),demonstram que os dados do satélite IKONOS II são de grande interesse para a<br />
análise de ambientes urbanos, devido a sua alta resolução espacial e a sua precisão<br />
geométrica.<br />
1.1 – OBJETIVOS ESPECÍFICOS<br />
Os objetivos específicos deste trabalho são:<br />
1) Analisar e averiguar o nível de contribuição das imagens dos satélites Landsat 7,<br />
SPOT 4 e IKONOS II, para o planejamento urbano e execução das obras de<br />
engenharia rodoviária;<br />
2) Avaliar as técnicas de análise espacial aplicadas a uma extensa e complexa área<br />
urbana e de periferia urbana;<br />
3) Analisar a qualidade da classificação temática da imagem do IKONOS II,<br />
usando novas abordagens para a classificação temática.<br />
23
O segundo capítulo, com o título “Fundamentação Teórica”, fornece sucintamente os<br />
conceitos gerais de Sensoriamento Remoto que são a base para o entendimento dos<br />
demais capítulos.<br />
O capítulo Três apresenta uma visão de conjunto da área de estudo com a descrição dos<br />
os aspectos da geologia, geomorfologia e pedologia local de fundamental importância<br />
para a realização do trabalho.<br />
No quarto capítulo é apresentado o sistema sensor usado, o IKONOS II, o primeiro<br />
satélite de alta resolução espacial. Para o tratamento e a análise das imagens e dos dados<br />
temáticos foram empregados programas de Sistemas de Informações Geográficas.<br />
No capítulo cinco foi discutido exaustivamente os resultados obtidos através da<br />
utilização dos dados destes novos sistemas sensores. Tendo em vista a sua elevada<br />
resolução espacial (IKONOS II, resolução espacial de 1m!), os mapas que serão<br />
futuramente gerados com estes dados interessarão certamente às prefeituras e órgãos de<br />
planejamento. Por isso, foi feita a avaliação da exatidão da classificação, conforme<br />
Congalton e Green (1999).<br />
Finalizando, apresentamos as recomendações sobre análises e trabalhos que poderão dar<br />
continuidade a esta linha de pesquisa, para que as experiências obtidas com a avaliação<br />
dos dados de alta resolução possam ser efetivamente aplicadas.<br />
24
CAPÍTULO 2<br />
2 – FUNDAMENTAÇÃO TEÓRICA<br />
Este capítulo apresenta a fundamentação teórica, iniciando-se com o planejamento<br />
viário, onde se definem as avenidas, ruas, caminhos para pedestres e rodovias, que são<br />
necessários para tornar acessível as diferentes partes do espaço urbano. Os sistemas<br />
viários assumem traçados e desenhos muito diferentes, conforme a topografia do local.<br />
Em seguida são apresentados os fundamentos das técnicas de Sensoriamento Remoto,<br />
desde a aquisição das imagens orbitais, o seu uso em planejamento urbano, o<br />
processamento digital de imagens, finalizando com o geoprocessamento e o SIG.<br />
2.1 – PLANEJAMENTO RODOVIÁRIO<br />
A fase do planejamento rodoviário é constituída por 4 etapas: reconhecimento,<br />
exploração, projeto e locação (Carvalho, 1966). A primeira etapa refere-se ao<br />
reconhecimento geral do terreno, onde são estabelecidas as diretrizes gerais, ou seja, a<br />
ligação com outras rodovias (chamados de pontos extremos), a velocidade máxima<br />
permitida por veículo a trafegar na rodovia, a seção transversal e a declividade máxima<br />
aceitável (Oglesby e Hewes, 1969), obedecendo às normas técnicas para o projeto das<br />
estradas de rodagem, do Departamento Nacional de Estradas de Rodagem - DNER. A<br />
partir daí são investigadas as possíveis rotas e os primeiros controles geográficos, tais<br />
como: rios, relevo e zonas urbanas. Portanto, nesta etapa são utilizados os mapas da<br />
região em escala de até 1:50.000. Ao final desta etapa é selecionada a melhor rota,<br />
considerando-se uma faixa para estudos mais detalhados com aproximadamente 200 m<br />
de largura.<br />
A Figura 2.1 ilustra a etapa de reconhecimento. A ilustração um mostra em linhas gerais<br />
o local desejado para se traçar a rodovia, utilizado uma carta topográfica ou um mapa<br />
rodoviário, marcando as rodovias que serão interligadas. A ilustração dois apresenta<br />
alternativas para o traçado da rodovia, que são estabelecidas de acordo com os controles<br />
geográficos (área urbanizada, rios, relevos). Tais controles podem ser identificados por<br />
meio de imagens de satélites, além de auxiliar na seleção da melhor rota.<br />
25
Fig. 2.1 – Implantação rodoviária, etapa de reconhecimento.<br />
Concluído o reconhecimento, procede-se as trabalhos de exploração que consistem no<br />
levantamento topográfico detalhado, objetivando determinar o alinhamento principal da<br />
rodovia, que serve de base para todo o levantamento (Campos, 1979). O trabalho de<br />
campo inclui a demarcação e o assentamento de estacas ao longo da linha central da via,<br />
oferecendo a oportunidade para correções menores (declive, cortes e aterros,<br />
alinhamento). Para Carvalho (1966), a partir disto tem-se um detalhamento rigoroso do<br />
terreno, necessitando distribuir o serviço em trechos, cujas divisões variam de acordo<br />
com os pontos obrigatórios de passagem ou da condição especial de determinadas<br />
seções, como por exemplo, pontes, viadutos, aterros, cortes.<br />
Finalmente, a locação é considerada como o transplante do projeto da planta para o<br />
campo, ou seja, a construção da rodovia.<br />
Vincent, Metcalfe e Tong (1996) enfatizaram que os dados de sensoriamento remoto<br />
aplicados na implementação viária são usados apenas como ferramenta de<br />
reconhecimento da área, ajudando a definir as diretrizes gerais. Isto se deve ao nível de<br />
detalhamento do terreno que as demais fases exigem, e que os dados de sensoriamento<br />
remoto disponíveis até então, não dispunham de resolução espacial adequada para as<br />
tarefas exigidas.<br />
Dois anos depois, Penido (1998) demonstrou que as técnicas de sensoriamento remoto e<br />
geoprocessamento podem ser utilizadas na etapa de reconhecimento do projeto<br />
26
odoviário até a seleção da melhor rota e da faixa de faixa a ser estudada para a<br />
construção da rodovia. Este autor utilizou imagens do satélite Landsat 5, (Thematic<br />
Mapper - TM), identificando áreas restritas à construção rodoviária e auxiliando a<br />
identificação de uma rota mais viável. A resolução espacial da imagem de 30 x 30 m.<br />
foi o fator limitante para o seu uso nas demais etapas.<br />
O presente trabalho procura verificar se imagens de alta resolução e as novas<br />
ferramentas de geoprocessamento podem ser usadas nas etapas posteriores ao de<br />
reconhecimento, que é a exploração. Nesta etapa inclui um estudo detalhado do terreno<br />
onde será implantada a rodovia. Para tanto é essencial uma adequada caracterização<br />
ambiental, principalmente no que se refere à Capacidade de Suporte do Terreno para a<br />
implantação viária.<br />
2.2 – SENSORIAMENTO REMOTO<br />
Sabins (1978) define Sensoriamento Remoto como “técnicas e métodos empregados na<br />
observação de objetos através de análises de dados adquiridos por instrumentos<br />
colocados numa posição estacionária ou móvel numa distância remota”. Este autor<br />
lembra que este termo deve ficar restrito às técnicas que utilizam a radiação<br />
eletromagnética (REM) refletida e/ou emitida, para detectar e medir as “características”<br />
dos objetos (Figura 2.2.). Portanto estão excluídas as técnicas que medem o “campo de<br />
força” provenientes da energia elétrica, magnética e gravitacional, denominadas por<br />
Sabins (1978) de “levantamento geofísico aerotransportado”.<br />
De acordo com a Figura 2.2, pode-se afirmar que um sistema de imageamento possui<br />
quatro componentes básicas: (A) fonte de energia, (B) meio de transmissão/propagação,<br />
(C) objeto, (D) sensor. As demais componentes representam a transformação que a<br />
imagem sofre até chegar ao produto final e que são: (E) recepção, (F) análise e<br />
interpretação e (G) aplicação.<br />
27
Fig. 2.2 – Processo de Aquisição de Imagem de Sensoriamento Remoto.<br />
FONTE: adaptada de CCRS (2001, on line).<br />
A Figura 2.2 indica que a radiação incidente sobre os alvos apresenta três formas de<br />
interação com a atmosfera (Chuvieco, 1996):<br />
Absorção: a atmosfera comporta-se como um filtro seletivo em distintos<br />
comprimentos de onda, deixando apenas a radiação em algumas faixas do espectro<br />
eletromagnético (EEM) chegarem até a superfície terrestre;<br />
Dispersão: ocorre a redução da radiação direta sobre a superfície terrestre e o<br />
aumento da radiação difusa causada pela sua interação com os gases e partículas em<br />
suspensão na atmosfera; e<br />
Emissão: este efeito ocorre principalmente na faixa do infravermelho termal, no<br />
qual alvos emitem energia calorífica para a atmosfera. Esta interação ocorre apenas<br />
numa faixa do espectro eletromagnético, e por isto alguns autores não a levam em<br />
consideração (CCRS, 2001).<br />
Da interação entre a energia radiante e a energia emissiva para a atmosfera terrestre<br />
conclui-se que o valor registrado na imagem não é um registro da verdadeira radiância<br />
28
de campo, sendo que a magnitude do sinal de campo é atenuada devido à absorção da<br />
atmosfera e que as suas propriedades de direção são alteradas pelo “espalhamento”.<br />
Outras dificuldades são causadas pela variação da geometria de iluminação, a relação<br />
entre a elevação solar e o ângulo de azimute, a declividade do campo e a disposição das<br />
características topográficas (Mather, 1999).<br />
Além da interação atmosférica, há a interação radiação – superfície terrestre que inclui:<br />
absorção, transmissão e reflexão. O nível de intensidade de cada uma depende do<br />
comprimento de onda da radiação e das características da superfície radiada (CCRS,<br />
2001). Por exemplo, um alvo apresenta uma coloração azulada porque ele reflete<br />
intensamente a energia espectral nesta faixa do espectro e pouco nas outras, ou seja,<br />
absorve e/ou transmite pouca energia incidente no azul e muito nas outras faixas.<br />
De acordo com o CCRS (2001), há dois tipos de reflexão de energia:<br />
Especular: quando a energia refletida pela superfície é direcionada para um único<br />
caminho. Ocorre em superfícies lisas (ex., solo desnudo e águas calmas); e<br />
Difusa: quando a energia é refletida em várias direções. Ocorre em superfícies<br />
rugosas.<br />
A maioria das coberturas vegetais apresenta um comportamento intermediário entre as<br />
situações citadas, devido às suas características e ao comprimento de onda. Nestes<br />
casos, o ângulo de elevação solar e o ângulo de observação são importantes na resposta<br />
final. Segundo Chuvieco (1996), conforme as condições de observação e/ou iluminação<br />
o sensor pode registrar valores distintos de radiância espectral para um mesmo tipo de<br />
cobertura, com refletividade similar.<br />
2.2.1 – ANÁLISE DOS DADOS DE SENSORIAMENTO REMOTO<br />
Alguns termos e conceitos fundamentais da área de Sensoriamento Remoto (SR)<br />
precisam ser definidos para o posterior processamento, interpretação e aplicação dos<br />
dados de sensoriamento remoto. Segundo Jensen (1986), o conceito fundamental referese<br />
à resolução de um sistema sensor.<br />
29
Campbell (1996) define resolução como a “capacidade do sistema sensor em<br />
discriminar informações de detalhe”. Nesta definição, as palavras “discriminar” e<br />
“informações de detalhe” merecem uma atenção especial. De acordo com Chuvieco<br />
(1996), a palavra “discriminar” está relacionada com a escala de trabalho e com a<br />
complexidade da paisagem, enquanto que “informação de detalhe” refere-se à<br />
capacidade do sistema sensor em distinguir variações na energia detectada. Com isto, a<br />
qualidade e a natureza da resolução do sistema sensor é afetada em quatro (4)<br />
dimensões, a saber: espacial, espectral, radiométrica e temporal.<br />
2.2.1.1 – RESOLUÇÃO ESPACIAL<br />
A resolução espacial refere-se à habilidade do sistema sensor em distinguir e medir os<br />
alvos. Esta habilidade baseia-se na projeção geométrica do detector na superfície<br />
terrestre, definindo a sua área do campo de visada do instrumento numa certa altitude e<br />
num determinado instante. O ângulo definido por esta projeção é denominado de campo<br />
de visada instantânea (Instantaneous Field Of View, IFOV). O IFOV define a área do<br />
terreno focalizada a uma dada altitude pelo instrumento sensor. Os sensores<br />
heliosíncronos têm uma altitude fixa com relação à superfície terrestre, que corresponde<br />
ao tamanho da unidade mínima de informação da imagem, denominada de pixel (de<br />
picture element, em inglês), ou “dot”, como é conhecido na engenharia civil (Vincent,<br />
Metcalfe e Tong, 1996).<br />
A Figura 2.3 ilustra o contraste visual entre diferentes resoluções em áreas urbanas. Na<br />
fotografia aérea com resolução espacial (r.e.) de 0,5 m e a imagem do IKONOS II, r.e.<br />
de 1 m, ambos considerados de alta resolução, consegue-se verificar a grande<br />
quantidade de detalhes e a distinção dos elementos urbanos (casas, ruas, quadras,<br />
vegetação, calçadas, loteamentos); a imagem do SPOT 4, r.e. de 10 m é considerada de<br />
média resolução, possibilitando identificar elementos urbanos, como a rede viária,<br />
aeroportos, indústrias, edifícios. Porém, ao colocar a imagem na mesma escala das<br />
imagens de alta resolução, observa-se o tamanho do pixel. Por último, na imagem do<br />
Landsat 7, r.e. de 30 m., de baixa resolução, numa escala grande pode-se distinguir<br />
alguns elementos urbanos, avenidas e galpões, já na mesma escala de detalhe ocorre o<br />
mesmo que com a imagem do SPOT 4. Portanto, quanto maior a resolução espacial,<br />
30
maior o nível de detalhes perceptível na imagem, desde que o sinal de saída de um<br />
detector esteja relacionado com a média da energia radiante dentro da área projetada.<br />
Fig. 2.3 – Imagens de diferentes sensores e resoluções espaciais para discriminar áreas<br />
urbanas: região Leste da cidade de São Paulo.<br />
31
2.2.1.2 – RESOLUÇÃO ESPECTRAL<br />
A resolução espectral é um conceito próprio para os sistemas sensores denominados de<br />
multiespectrais. Segundo Novo (1988), resolução espectral é “uma medida da largura<br />
das faixas espectrais e da sensibilidade do sistema sensor em distinguir entre dois<br />
níveis de intensidade do sinal de retorno”. Para melhor compreender este conceito,<br />
Jensen e Jackson (2001) destacam dois pontos importantes: o comprimento de onda<br />
detectado pelo sensor e a quantidade de faixas espectrais. Estes dois pontos estão<br />
ilustrados na Figura 2.4.<br />
A ilustração A apresenta as diferentes regiões do espectro eletromagnético utilizadas em<br />
sensoriamento remoto, destacando a faixa do visível. A ilustração B mostra o<br />
comprimento de onda detectado pelas bandas de dois sistemas sensores (vermelho e<br />
azul). O primeiro sistema sensor (vermelho) tem um grande número de bandas<br />
espectrais e uma grande sensibilidade espectral. O outro sistema sensor (azul), possui<br />
poucas bandas e uma menor sensibilidade espectral. Comparando os dois sistemas<br />
sensores, verifica-se que o primeiro pode caracterizar e distinguir melhor um objeto na<br />
imagem do que o outro sistema. Portanto, quanto menor o número de bandas e menor a<br />
largura do intervalo, maior a discriminação do alvo na cena e melhor a resolução<br />
espectral.<br />
32
A<br />
B<br />
Fig. 2.4 – Espectro Eletromagnético (A) e Resolução espectral (B).<br />
FONTE: adaptada de Ramsey (2001, on line) e Jensen e Jackson<br />
(2001, on line).<br />
2.2.1.3 – RESOLUÇÃO RADIOMÉTRICA<br />
Refere-se à capacidade do sistema sensor em detectar as variações da radiância espectral<br />
recebida. A radiância de cada pixel passa por uma codificação digital, obtendo um valor<br />
numérico, expresso em bits, denominado de Número Digital (ND). Este valor é<br />
facilmente traduzido para uma intensidade visual ou ainda a um nível de cinza,<br />
localizado num intervalo finito (0, K-1), onde K é o número de valores possíveis,<br />
denominados de níveis de quantização (Schowengerdt, 1983).<br />
Como o número de níveis de cinza está expresso em bits, ou seja, expresso em função<br />
do número de dígitos binários necessários para armazenar, em forma digital, o valor do<br />
33
nível máximo de cinza. O seu valor é sempre em potência de 2, por exemplo 8, bits<br />
significam 2 5 = 258 níveis de cinza (Figura 2.5). Os satélites Landsat 7 e SPOT 4<br />
possuem resolução radiométrica de 8 bits, enquanto o satélite IKONOS II de 11 bits. O<br />
fato de imagens do IKONOS II terem 11 bits (2048 níveis de cinza), significa que se<br />
obtém potencialmente um grande número de informações adicionais, se comparado com<br />
imagens de 8 bits (256 níveis de cinza). As diferenças são maiores nos níveis 2 e 4 do<br />
que nos níveis 256 e 2048, devido ao fato do olho humano não possuir sensibilidade às<br />
mudanças de intensidade acima de 30 níveis de cinza (Crosta, 1992).<br />
Fig. 2.5 – Diferença de resolução radiométrica, área urbana: região nordeste da cidade<br />
de São Paulo.<br />
A utilização de imagens de alta resolução radiométrica possibilita a visualização e<br />
identificação de alvos em locais de alta ou baixa freqüência radiométrica, como mostra<br />
a Figura 2.6. Na Figura 2.6, a imagem de 11 bits permite notar uma grande diferença na<br />
turbidez da água, e também separar bem a água da sua margem; enquanto que na<br />
imagem de 8 bits, a água apresenta muito reflexo, o que dificulta ver a turbidez da água,<br />
além de não se conseguir distinguir a margem da água. Deve-se ressaltar que muitos<br />
34
programas de tratamento digital de imagens fazem uma reamostragem dos valores das<br />
imagens de 11 bits para 8 bits. O programa utilizado para mostrar esta diferenciação foi<br />
o Remote View Professional (SensorSystems), que trabalha com imagens de 11 bits.<br />
Fig. 2.6 – Visualização de imagem de alta resolução radiométrica, imagem do IKONOS<br />
II, região sul do município de Santana do Parnaíba (SP).<br />
2.2.1.4 – RESOLUÇÃO TEMPORAL<br />
Este conceito refere-se à freqüência de passagem do sensor num mesmo local, num<br />
determinado intervalo de tempo. Este ciclo está relacionado às características orbitais da<br />
plataforma (altura, velocidade, inclinação), e ao ângulo total de abertura do sensor. A<br />
resolução temporal é de grande interesse especialmente em estudos relacionados a<br />
mudanças na superfície terrestre e no seu monitoramento.<br />
O relacionamento entre ambas as resoluções (temporal e radiométrica) permite que cada<br />
sistema de sensoriamento remoto tenha características particulares em função de sua<br />
finalidade. No entanto, a melhoria em qualquer uma destas resoluções significa um<br />
aumento no volume de dados a serem processados. Este aumento ocorre tanto para os<br />
usuários como para a estação de recepção em Terra e para o satélite.<br />
A Figura 2.7 mostra estas resoluções numa imagem de sensoriamento remoto. A<br />
contagem dos pixels começa de cima para baixo e da esquerda para a direita, tendo um<br />
35
total de 4 linhas por 5 colunas (5x4), o valor radiométrico desta imagem é de 8 bits (256<br />
níveis de cinza). O pixel localizado na 4ª coluna e na 3ª linha da primeira banda 1 tem o<br />
nível de cinza igual a 22.<br />
Fig. 2.7 – Resolução espacial, espectral e radiométrica.<br />
FONTE: Adaptada de Jensen e Schill (2001).<br />
2.3 – USO DE IMAGENS DE SENSORIAMENTO REMOTO PARA A ÁREA<br />
URBANA<br />
A partir da definição dos termos acima, pode-se caracterizar e diferenciar os sistemas<br />
sensores orbitais. Cada sistema sensor foi desenvolvido para um propósito específico, e<br />
destinado a uma determinada aplicação, além de terem sua importância para a evolução<br />
dos sensores atuais. Por exemplo, para estudos referentes à floresta, à agricultura<br />
mecanizada, à biodiversidade e às mudanças globais através de imagens orbitais de<br />
sensoriamento remoto, recomenda-se utilizar uma resolução espacial média à baixa, e<br />
utilizar bandas espectrais que trazem informações sobre tais assuntos. Isto se deve ao<br />
tamanho da área a ser estudada (Mata Atlântica, cerrado) e ao tipo de alvo, pois não se<br />
trata de alvos isolados, e sim de parcelas homogêneas (plantações, reflorestamento). Por<br />
outro lado, estudos sobre a paisagem urbana com imagens orbitais de sensoriamento<br />
remoto irão depender do tipo de alvo, devido a heterogeneidade dos objetos, como<br />
mostra a Tabela 2.1.<br />
36
TABELA 2.1: RELACIONAMENTO ENTRE OS INDICADORES URBANOS E<br />
OS DADOS DE SENSORIAMENTO REMOTO<br />
Resolução mínima necessária<br />
Temporal Espacial Espectral<br />
Infra-estrutura<br />
Área construída 1 – 2 anos 0,3 – 1,0 m Pan<br />
Mapa cadastral 1 – 6 meses 0,3 – 0,5 m Pan<br />
Planejamento rodoviário<br />
Rodovias em geral 1 – 5 anos 1 – 30 m Pan<br />
Manutenção das rodovias 1 – 2 anos 0,3 – 0,5 m Pan<br />
Modelo Digital de Terreno 5 – 10 anos 0,3 – 0,5 m Pan<br />
Características sócio-econômicas<br />
Estimativa da população local 5 -7 anos 0,3 – 5 m Pan<br />
Estimativa da população regional/nacional 5 – 15 anos 5 – 20 m V – NIR<br />
Indicadores da qualidade de vida 5 – 10 anos 0,3 – 30 m Pan – NIR<br />
Conservação e demanda de energia 1 – 5 anos 0,3 – 1 m Pan – NIR<br />
Avaliação de áreas ambiental<br />
Ambiente estável 1 – 2 anos 1 – 10 m V – NIR – MIR<br />
Ambiente dinâmico 1 – 6 meses 0,3 – 2 m V – NIR – MIR – TIR<br />
Legendas: V = faixa do visível, NIR = faixa do infravermelho próximo, MIR = faixa do infravermelho<br />
médio, TIR = faixa do infravermelho termal, PAN = pancromático.<br />
Adaptada de Jensen e Cowen (1999, p 612).<br />
A partir disto, pode-se estabelecer as classes de uso e ocupação do “solo urbano”.<br />
Anderson et al. (1976) informam sobre a diversidade de opiniões quanto à compreensão<br />
do termo “uso e ocupação do solo”. Para Jensen e Cowen (1999) o uso do solo significa<br />
“como o solo está sendo utilizado”, ou seja, a atividade do homem sobre o solo; sendo<br />
que a concepção de cobertura do solo refere-se à “cobertura natural e artificial<br />
encontrada na superfície”.<br />
Uma forma de ordenar e organizar as informações de uso e cobertura do solo é através<br />
de um sistema de classificação, que segundo Joly (1990), é uma forma de generalizar as<br />
informações, apagando ou atenuando as características desprezíveis e realçando as<br />
características mais importantes. Para se fazer a Classificação, o IBGE (1997) destaca<br />
37
quatro parâmetros importantes: o embasamento teórico empregado na rotulação, a<br />
estrutura de produção dos dados cartográficos, a data de aquisição dos dados utilizados<br />
para a sua confecção, e a escala de mapeamento.<br />
O embasamento teórico refere-se à metodologia utilizada para a classificação. A<br />
estruturação dos dados compreende as relações de disponibilidade dos dados, a forma<br />
de como serão mostrados os dados. A data de aquisição, que constata a viabilidade do<br />
mapa para um determinado estudo, possibilita o monitoramento da informação. Por<br />
último, a escala corresponde à relação entre dimensões utilizadas na representação<br />
gráfica, definindo o limite para a observação do espaço geográfico, estabelecendo uma<br />
pequena dimensão linear (referente à menor área observada), e uma larga dimensão<br />
linear, correspondente à extensão geográfica da área de estudo (Goodchild e Quattrochi,<br />
1997). Para Castro (1997) a escala não existe como medida, porque ela não fragmenta, e<br />
sim, integra, pois a realidade é multiescalar, porque ela coloca em evidência relações,<br />
fenômenos, fatos como um modo de aproximação do real.<br />
Com relação ao primeiro e ao segundo item, o conhecimento sobre o tipo de alvo a ser<br />
classificado torna-se imprescindível para um bom mapeamento, principalmente quando<br />
se considera as classes de “uso do solo” como um conceito abstrato, o qual é definido<br />
pela sua funcionalidade e não pela sua forma (Bauer e Steinnocher, 2001).<br />
Para este trabalho, onde se procuram as características físicas numa escala intra-urbana<br />
e como elas se apresentam em imagens orbitais de alta resolução, considera-se que a<br />
área urbanizada corresponde à área construída, conforme Anderson et al. (1976). A<br />
unidade mínima a ser considerada como área urbanizada será uma dimensão que<br />
possibilite sua identificação em imagens orbitais, considerada a resolução do sensor.<br />
Segundo Carlos (1994), da observação da paisagem urbana, depreendem-se dois<br />
elementos fundamentais: “o espaço construído” (casas, avenidas, estradas, edificações,<br />
praças,), “e o segundo ao movimento da vida” (a natureza de como se ocupa o espaço,<br />
aspecto sócio - econômico). A autora descreve ainda que a produção do espaço é<br />
determinada pelas características do processo de reprodução do capital; como por<br />
exemplo, a localização da indústria que é apoiada pelas atividades financeiras,<br />
38
comerciais, de serviços e da rede de circulação que auxiliam a produção. Por outro lado,<br />
o trabalhador se manifesta no uso residencial, o qual inclui o lazer e a infra-estrutura<br />
necessária: escolas, creches, hospitais, pronto-socorros, transporte e serviços em geral –<br />
que são os meios de consumo coletivo. Para Corrêa (1995) e Antrop e Eetveld (2000), o<br />
espaço geográfico constitui-se um processo de diferentes conjuntos de “usos da terra”,<br />
fragmentados em áreas e articulados, refletindo um sistema complexo, com uma<br />
estrutura social repleta de símbolos e campos de lutas (diferenças sociais), causando<br />
profundas mudanças no ambiente e criando novos e heterogêneos ambientes.<br />
Portanto, as classes de ocupação do solo urbano estão profundamente ligadas com as<br />
funções urbanas, como: residir, trabalhar, circular e recrear. A partir disto, é necessário<br />
estabelecer como podem ser definidas estas classes num dado ambiente urbano. Este<br />
relacionamento entre ocupação do solo em áreas urbanas e a resposta espectral<br />
registrada na imagem é muito complexo e indireto, não existindo um padrão único de<br />
classificação do ambiente urbano através de imagens de sensoriamento remoto, sendo<br />
uma das classificações de uso e cobertura do solo muito difundida (Marczyk et al.,<br />
1984; Forster, 1985 e Hamburger, 1993) e também adotada pelo U.S. Geological Survey<br />
– USGS (2001), o sistema de classificação elaborado por Anderson et al. (1976), na<br />
década de 70. Nesta classificação, o autor propõe quatro níveis de abordagem,<br />
detalhando as informações e subdividindo a área do primeiro ao quarto nível, como<br />
níveis hierárquicos. Para maiores detalhes sobre os critérios usados neste sistema de<br />
classificação, vide Anderson et al. (1976).<br />
Para a classificação das áreas urbanas, Anderson et al. (1976) definem no nível I uma<br />
classe, com critérios específicos, denominada de Terra urbana ou construída. No<br />
próximo nível, esta classe é subdivida em sete classes: Residencial, Comercial e<br />
Serviços, Industrial, Transporte, Complexos Industriais e Comércio, Mista e Diversos.<br />
Segundo Hamburger (1993), tais classes consideram tanto as atividades desenvolvidas<br />
na área quanto suas características físico-espaciais.<br />
Bauer e Steinnocher (2001) apresentam uma alternativa para melhorar a classificação<br />
das áreas urbanas: a identificação dos principais tipos de cobertura da terra detectáveis<br />
39
na cena, seguida pela análise do seu contexto espacial, ordenando e distinguindo os<br />
diferentes usos da terra. No entanto, estes autores salientam que a qualidade das<br />
propriedades morfológicas e o relacionamento espacial dos objetos dependem<br />
especificamente da exatidão obtida na primeira fase.<br />
2.5 – ANÁLISE DAS IMAGENS<br />
Segundo o CCRS (2001), a interpretação e a análise de dados de sensoriamento remoto<br />
envolvem a identificação e/ou medição de objetos (pontos, linhas ou feições) contidos<br />
na imagem, possibilitando e facilitando identificar e extrair informações contidas na<br />
imagem para posterior interpretação. Segundo Crosta (1992) os fundamentos da<br />
interpretação são remover barreiras que impedem a interpretação visual. Existem duas<br />
técnicas de interpretação: a analógica e a digital. A interpretação analógica ou manual<br />
requer poucos equipamentos e, freqüentemente, limita-se à análise de somente uma<br />
única banda ou uma imagem simples, devido às dificuldades de se analisar visualmente<br />
múltiplas imagens (Jensen e Jackson, 2001). Para executar a interpretação visual de<br />
imagens precisam ser considerados alguns parâmetros descritos a seguir:<br />
• Tonalidade – denota a cor e/ou o brilho dos objetos que compõem a cena,<br />
auxiliando na sua identificação e diferenciação com os demais objetos. Segundo<br />
Crosta (1992) os tons estão relacionados às propriedades de reflectância dos<br />
materiais superficiais e dependem da porção do espectro eletromagnético<br />
considerado. A cor pode demonstrar a contribuição de uma banda espectral em<br />
relação ao objeto. A tonalidade é influenciada também na intensidade e ângulo<br />
de iluminação e pelo processamento do filme.<br />
• Textura – refere-se à combinação da magnitude e freqüência da variação tonal<br />
numa imagem, sendo produzida pelo efeito conjunto de todas as pequenas<br />
feições que compõem uma área em particular na imagem, definindo a aparência<br />
rugosa ou lisa da imagem. Usualmente, a textura é causada pelo modelo ou<br />
altura e forma das áreas e com uma superfície irregular iluminada por um ângulo<br />
oblíquo. Para Crosta (1992), a tonalidade e a textura estão relacionadas<br />
diretamente, pois sem variações tonais, não se percebe mudanças na textura.<br />
40
• Sombreamento – essencialmente importante na interpretação de objetos. A<br />
sombra pode revelar as características de área ou forma dos objetos.<br />
• Modelo – refere-se ao conjunto de objetos. O modelo sob uma imagem<br />
usualmente mostra um relacionamento funcional dentro da característica<br />
individual que compõe o modelo.<br />
• Associação – especifica a ocorrência de certos objetos ou características<br />
usualmente dentro de um rigoroso arranjo espacial.<br />
• Área – importante por duas razões, primeiro porque a área de um objeto ou<br />
característica é relativa em relação a outro objeto na imagem. Essa é a<br />
probabilidade direta e importante função da área, permitindo interpretá-la com<br />
uma intuitiva noção de escala e resolução de uma imagem. Essa regra é usada<br />
para reconhecer objetos e extrapolar as características reconhecidas para estimar<br />
outras áreas e identificá-las. A medida da área, que pode confirmar sua<br />
identificação.<br />
• Localização – refere-se à posição topográfica em que se encontram os objetos.<br />
Por outro lado, o processamento digital possibilita manipular imagens complexas de<br />
várias bandas, datas e resoluções, o que envolve um grande número de etapas. Estas<br />
etapas incluem desde a formatação e correção dos dados até a classificação. A maioria<br />
dos autores divide estas etapas em: pré-processamento, processamento e classificação.<br />
2.5.1 – PRÉ-PROCESSAMENTO<br />
Conforme Jensen (1986), o pré-processamento refere-se à restauração quantitativa da<br />
imagem na qual são aplicadas operações para a correção de imperfeições geométricas,<br />
radiométricas e/ou ruídos que aparecem no processo de aquisição da imagem. Se estes<br />
erros não forem corrigidos, pode-se ter uma imprecisão no processamento final da<br />
imagem e como conseqüência limitações na qualidade do resultado. Portanto, o préprocessamento<br />
é a fase preparatória na qual a qualidade da imagem é aprimorada para a<br />
sua análise, durante a qual são extraídas as informações de interesse.<br />
41
Neste contexto, Campbell (1996) informa que a extração ou seleção de características<br />
da imagem é o ponto de partida desta fase, e tem como objetivo reduzir o número de<br />
bandas espectrais que serão analisadas posteriormente, diminuindo o custo e o tempo da<br />
análise. Esta extração é realizada com os dados estatísticos das bandas ou da sua<br />
combinação, podendo ser retirados da matriz de variância e covariância entre bandas,<br />
que é a mesma matriz utilizada na Análise por Principais Componentes. Uma matriz de<br />
covariância mostra a quantidade de informações repetidas entre duas bandas. A<br />
identificação e a remoção de tais repetições permite ao usuário trabalhar com um<br />
número reduzido de bandas, porém com mais informações.<br />
2.5.1.1 – CORREÇÃO RADIOMÉTRICA<br />
A qualidade radiométrica da imagem pode ser influenciada por três fatores:<br />
propriedades de campo, fatores ambientais durante a aquisição dos dados e propriedades<br />
do sensor (Tabela 2.2). Esta correção influencia o valor de brilho da imagem,<br />
procurando-se corrigir o funcionamento do sensor ou ajustar o valor para compensar a<br />
degradação devido a Atmosfera. Campbell (1996), considera a remoção destes efeitos<br />
na imagem como uma restauração das condições corretas (hipótese) de campo, pois o<br />
valor exato nunca é conhecido. Assim sendo, esta correção pode introduzir erros na<br />
imagem.<br />
A necessidade de correção destas distorções está relacionada diretamente com a<br />
utilização da imagem. Assim, por exemplo, em estudos referentes a mudanças de uso e<br />
ocupação do solo durante um determinado período de tempo e usando imagens de um<br />
mesmo sensor, ou em estudos sobre a reflectância de campo em períodos e locais<br />
diferentes, é necessária a correção de elevação solar e da distância Sol – Terra<br />
(Lillesand e Kiefer, 1994).<br />
42
TABELA 2.2: FATORES RADIOMÉTRICOS QUE AFETAM A IMAGEM<br />
Propriedades de campo<br />
Contrastes relevantes nas propriedades de campo como o albedo, propriedades termais,<br />
entre outras, incluindo aspectos topográficos e a declividade.<br />
Fatores ambientais<br />
Iluminação solar e hora do dia do imageamento, radiância e fatores meteorológicos.<br />
Fatores do sistema sensor<br />
Sistema óptico de imageamento, efeitos de detecção da imagem e sistema de registro,<br />
movimento da imagem, faixa da imagem e periodicidade e ruído.<br />
Adaptada de Gupta (p. 98, 1991).<br />
Por outro lado, para estudos relacionados com a discriminação entre alvos, as correções<br />
radiométrica e atmosférica são desnecessárias (Mather, 1999). Para estudos urbanos,<br />
Moran et al. (1990) relatam que a identificação dos alvos urbanos é razoavelmente<br />
independente das condições atmosféricas e das características do sensor. Um método<br />
que pode ser utilizado para remover os efeitos atmosféricos é a técnica de subtração de<br />
objetos escuros, sendo necessário apenas subtrair o valor de ND que consta na imagem<br />
(Chavez, 1988).<br />
2.5.1.2 – CORREÇÃO GEOMÉTRICA<br />
As imagens digitais contêm distorções geométricas que impedem o seu uso como<br />
mapas. Para corrigir estas distorções é preciso considerar a imagem como uma matriz<br />
numérica, e assim manipular as distorções geométricas existentes, de modo semelhante<br />
ao que ocorre com um problema de interpolação (Campbell, 1996; Mather, 1995). Além<br />
disso, as coordenadas da imagem são transformadas geometricamente para que a mesma<br />
possa ser integrada num banco de dados geográficos. Portanto, a finalidade da correção<br />
geométrica é compensar as distorções, fazendo com que a imagem corrigida tenha a<br />
mesma qualidade geométrica de um mapa. Segundo Kardoulas, Bird e Lawan (1996) e<br />
43
Schowengerdt (1997), há quatro passos fundamentais para ajustar as imagens e eliminar<br />
as distorções (deformações), a saber:<br />
1) Seleção de um modelo matemático de distorção adequado;<br />
2) Localização dos pontos de controle;<br />
3) Transformação das coordenadas; e<br />
4) Reamostragem (interpolação).<br />
Nesta etapa são efetuados o registro, retificação, geocodificação e orto-retificação que<br />
descrevem os tipos de correções geométricas feitas nas imagens (Swann et al., 1998 e<br />
Schowengerdt, 1997).<br />
Em sensoriamento remoto há dois grupos de fontes de distorções geométricas, a saber:<br />
sistemáticos e não-sistemáticos. Os erros sistemáticos podem ser corrigidos pelos dados<br />
de efemérides da plataforma e pelo conhecimento da distorção interna do sensor;<br />
enquanto as distorções não-sistemáticas são corrigidas através de pontos localizados no<br />
campo ou em cartas topográficas, com suas respectivas coordenadas, denominados de<br />
pontos de controle de campo (Ground Control Points – GCP’s) (Lillesand e Kiefer,<br />
1994).<br />
A reamostragem envolve uma metodologia estatística de interpolação espacial (Jensen,<br />
1986), que descreve as propriedades da órbita do satélite e a geometria vista por ele,<br />
relacionando os sistemas de coordenadas da imagem com os GCP’s. Segundo Buiten e<br />
Putten (1997), os parâmetros utilizados na correção geométrica são derivados da<br />
equação polinomial denominados de quadrados mínimos (least-squares, em inglês).<br />
Após a coleta dos pontos de controle, o passo seguinte é a estimativa dos valores dos<br />
pixels na imagem corrigida, baseando-se na informação da imagem original. Nesta<br />
etapa utilizam-se três métodos de interpolação, a saber:<br />
1) Interpolação por vizinho mais próximo: cada pixel da imagem corrigida<br />
corresponde ao valor do pixel mais próximo não-corrigido. Este método tem a vantagem<br />
44
de preservar o valor original da cena. No entanto, ele pode apresentar erros de<br />
posicionamento, podendo chegar a ½ pixel de diferença (Moik, 1980).<br />
2) Interpolação bilinear: calcula o valor do pixel de saída baseado na média dos quatro<br />
pixels vizinhos da imagem original por aproximação linear (Moik, 1980). Assim sendo,<br />
este método cria novos valores de pixel, perdendo os valores de brilho da imagem<br />
original, além da resolução espacial diminuir com o “efeito de borramento” causado<br />
pela média das pequenas características do seu antecedente (Campbell, 1996).<br />
3) Interpolação por convolução cúbica: calcula-se o peso médio dos valores dos 16<br />
pixels vizinhos. A imagem típica produzida por convolução cúbica apresenta um<br />
aspecto visual mais atrativo do que as outras, porém os dados são alterados mais<br />
drasticamente do que através de outros métodos.<br />
A Figura 2.9 mostra os valores radiométricos dos pixels de uma imagem bruta e os<br />
efeitos dos três tipos de interpolação realizada nesta imagem. A primeira mostra a<br />
imagem bruta, sem nenhuma transformação. A segunda tabela mostra a imagem com<br />
uma interpolação por vizinho mais próximo. Note que a imagem foi colocada numa<br />
certa projeção, e os valores dos pixels continuam os mesmos, sendo apenas mudada a<br />
sua posição. Na interpolação Bilinear, os valores dos pixels baseiam-se na média dos<br />
quatro pixels vizinhos por aproximação linear, por exemplo, o primeiro pixel (0,0), tem<br />
valor 55, nessa interpolação, o seu valor na imagem resultante é 21. Por outro lado, na<br />
interpolação por convolução cúbica, o valor do pixel é o peso médio dos valores dos 16<br />
pixels vizinhos. Neste caso, o valor do primeiro pixel é 23.<br />
45
Fig. 2.9 – Matrizes com resultados dos métodos de interpolação.<br />
Fonte: adaptada de Ramsey (2001, on line).<br />
Moik (1980) salienta que os métodos de amostragem resultam numa degradação das<br />
imagens devido à atenuação da alta freqüência espacial causada pela interpolação,<br />
provocando o “efeito de borramento” causado pela distância entre os pixels amostrados,<br />
sendo uma distância maior que ½ pixel considerada como alta. Mather (1999) sugere<br />
que a distribuição e o número de GCP’s sejam proporcionais ao tamanho da área para<br />
que o erro seja aceitável, por exemplo, numa área de aproximadamente 1024 2 pixels,<br />
devem ser coletados no mínimo 13 GCP’s. Desta forma, pode-se dizer que a resolução<br />
espacial, a escala do mapa, e o número de GCP’s interferem na exatidão geométrica.<br />
Com relação à exatidão da imagem corrigida com os dados cartográficos, Parson<br />
(2001), estabelece uma padronização do erro, relacionando a localização do objeto<br />
representado no mapa com a sua localização real de 0,5 mm. Assim, por exemplo, numa<br />
escala de 1:100.000, o erro máximo permitido é de 50 m.<br />
46
2.5.2. – PROCESSAMENTO<br />
O processamento de imagens consiste de técnicas que possibilitem a visualização e a<br />
extração de informações específicas. De acordo com o CCRS (2001), há dois tipos de<br />
técnicas: realce e transformação.<br />
A decisão de se utilizar o realce ou a transformação para extrair informações depende<br />
do objetivo dos estudos, lembrando que não existe uma forma ideal, ou melhor de<br />
realce, porque os resultados do mesmo são avaliados pelo usuário, que por sua vez faz<br />
um julgamento subjetivo (Jensen, 1986).<br />
Nas seções abaixo são descritas as técnicas mais utilizadas para a extração de<br />
informações de áreas urbanas, sendo apresentados os resultados obtidos em trabalhos<br />
relevantes a respeito.<br />
2.5.2.1 – REALCE<br />
Moik (1980) considera o realce de imagem como o primeiro passo do processamento,<br />
que corresponde ao conhecimento da distribuição estatística dos dados da imagem,<br />
obtendo-se o valor do nível de cinza. O realce é utilizado somente para distinguir<br />
características ou contornos de interesse na imagem, adaptando-as ao nosso sistema<br />
visual humano. Tipos de operações de realce: pontual ou local. O primeiro é efetuado<br />
pela modificação do histograma, e depende somente do nível de cinza do pixel. Na<br />
segunda operação, o novo valor do pixel depende dos valores de seus vizinhos e inclui<br />
técnicas de filtragem, detecção de bordas e interpolação (Jensen, 1986).<br />
Segundo Mather (1999), os filtros são utilizados quando se pretende realçar alguma<br />
característica ao lado da desfiguração de outras. Em estudos de áreas urbanas os filtros<br />
são usados para detectar feições como a rede rodoviária, porém muitas vezes esta<br />
extração é incompleta, sendo conhecida como extração semi-automática (Wang, Treitz e<br />
Howarth, 1992, Couloigner, Ranchin e Wald, 1998 e Coulter et al, 1999).<br />
47
2.5.2.2 – TRANSFORMAÇÃO<br />
A transformação de imagem corresponde a operações entre duas ou mais imagens<br />
diferentes com a finalidade de se obter mais informações a partir da sua combinação.<br />
Segundo Pohl e Van Genderen, (1998), para se efetuar esta operação é importante<br />
estabelecer e definir o objetivo/aplicação pretendido e os tipos de dados necessários.<br />
Antes porém deve-se relembrar que as diferenças existentes entre os sistemas sensores<br />
estão relacionadas com as características espectrais, espaciais e temporais de cada um.<br />
Pohl e Van Genderen (1998) apresentam as principais aplicações de transformações: a<br />
obtenção das características das imagens, a aferição da correção geométrica, a<br />
capacidade de estereoscopia, o realce de características não visíveis numa única<br />
imagem, o aprimoramento da classificação, a detecção de mudanças e a substituição de<br />
dados de imagens com problemas de visualização (ruídos, nuvens, etc.).<br />
Outro tipo de transformação refere-se à manipulação no espaço de cores. A partir das<br />
informações multiespectrais podem ser obtidas distintas composições coloridas,<br />
aplicando-se para cada banda uma das três cores primárias: vermelho, verde e azul<br />
(RGB – Red, Green, Blue, em inglês). Estas cores podem ser representadas num<br />
diagrama tridimensional, para dados de 8 bits (0 a 255) (Figura 2.10). De acordo com<br />
Crosta (1992), a cor numa imagem pode ser representada por:<br />
C = r.R + g.G + b.B, (1)<br />
Onde R, G e B são as três cores primárias e r, g e b são os coeficientes de mistura, e<br />
geralmente limitados ao intervalo 0 ≤ r,g,b ≤ 1. Este processo permite visualizar melhor<br />
as informações em distintas regiões do espectro, facilitando a delimitação de algumas<br />
coberturas vegetais.<br />
De acordo com a Figura 2.10, a ausência das cores primárias corresponde à cor preta (0,<br />
0, 0), também conhecida como eixo original. No eixo diagonal a este, onde se tem a<br />
presença máxima das cores (255, 255, 255), situa-se a cor branca. Conforme a mistura<br />
de quantidades iguais de cores primárias, diferentes tonalidades de cinza serão<br />
48
produzidas ao longo desta diagonal, denominada de eixo cinza ou eixo acromático<br />
(Crósta, 1992). Quando uma das cores RGB for igual a 0, obtém-se as cores: ciano,<br />
magenta e amarelo.<br />
Segundo Mather (1999), uma alternativa é explicar a composição das cores<br />
individualmente por meio de suas propriedades, que são: intensidade, matiz e saturação<br />
(HSI – Hue, Saturation e Intensity, em inglês), separando efetivamente a informação<br />
espacial (I) e a espectral (H, S).<br />
Resumindo, a intensidade mede o brilho, dando uma noção da resposta espectral do<br />
pixel; a matiz informa a cor predominante, expressa por ângulos que variam de 0º a<br />
360º, em que 0º e 360º correspondem à cor vermelha, 120º a verde e 240º ao azul. A<br />
saturação refere-se ao grau de pureza da cor, de forma que, quanto maior a saturação,<br />
maior será a pureza da cor. As propriedades das cores podem ser representadas por um<br />
hexágono, onde a tonalidade localiza-se na base. Seu eixo vertical corresponde à<br />
saturação, e a intensidade corresponde à distância deste eixo (Figura 2.10).<br />
Para Chuvieco (1996) é possível efetuar uma transformação do espaço de cores RGB<br />
para IHS (Intensity, Hue, Saturation em inglês), e vice-versa, graças a algoritmos<br />
próprios de conversão (Pellemans et al., 1993). Esta transformação é efetuada a partir de<br />
uma combinação de bandas em RGB e transformada para IHS, conforme a equação:<br />
I<br />
R + G + B<br />
= ; (2)<br />
3<br />
⎛ B R G ⎞<br />
H arc ⎜<br />
2 − −<br />
= ⋅ tan ⎟ + C , onde C = 0,<br />
se G ≥ R ou C = π , se G < R ; e (3)<br />
( R G)<br />
⎝ 3 − ⎠<br />
S =<br />
6<br />
3<br />
2 2 2<br />
B + G + R − B ⋅G<br />
− B ⋅ R − G ⋅ R<br />
(4)<br />
Os valores de B, G e R correspondem aos valores do número digital (ND). Esta técnica<br />
tem sido utilizada para combinar imagens com diferentes resoluções, objetivando<br />
complementar informações e melhorar a resolução espacial da imagem resultante. O<br />
49
princípio desta técnica é substituir uma das componentes IHS por uma outra imagem. O<br />
canal mais comumente substituído é aquele da Intensidade (I). Substituindo-se (I), e<br />
convertendo-se esta transformação para RGB, tem-se uma imagem com a resolução da<br />
banda de Intensidade. Dutra et al. (1988), Barnsley e Barr (1996) e Wald, Ranchin e<br />
Mongolini (1997), observaram que esta transformação também permite discriminar de<br />
modo mais claro e preciso o uso do solo de áreas urbanas. Segundo Wald, Ranchin e<br />
Mongolini (1997), neste caso a diferença temporal entre as imagens pode ser<br />
desconsiderada devido ao tamanho da escala.<br />
Fig. 2.10 – Espaço de cores.<br />
FONTE: adaptada de Crosta (1992, p 60).<br />
2.5.3. – CLASSIFICAÇÃO<br />
Nas etapas do processamento digital de imagens mencionadas, procura-se realçar as<br />
informações de interesse através de técnicas próprias, sendo cada uma mais adequada<br />
para o tipo de informação a ser extraída. Na classificação digital identificam-se grupos<br />
homogêneos de pixels, representando características ou classes de uso e cobertura do<br />
solo. Por outro lado, os pixels de cada grupo apresentam uma certa variação de ND.<br />
Com base nestas informações, os pixels são agrupados de acordo com a sua informação<br />
espectral (representada pelo ND). Desta forma, ocorre uma redução da variabilidade<br />
50
contínua para uma escala nominal ou categórica (Chuvieco, 1996), sendo que a<br />
classificação adquire um enfoque qualitativo por se tratar de um processo numérico,<br />
incorporando um processo estatístico.<br />
De acordo com Chuvieco (1996) e CCRS (2001), convém distinguir dois tipos de<br />
categorias que intervêm na classificação temática: classes de informação e classes<br />
espectrais. A primeira constitui-se das categorias de interesse identificadas na imagem,<br />
como por exemplo, o uso e a ocupação do solo. A segunda corresponde aos grupos de<br />
pixels uniformes (ou similares) relacionados a valores espectrais homólogos. As classes<br />
de informações temáticas são estabelecidas pelo usuário, que procura associá-las às<br />
classes espectrais, o que efetivamente ocorre raramente. Acontece que uma classe<br />
espectral pode pertencer a mais de uma classe temática ou não corresponder<br />
necessariamente à classe a que está vinculada. Esta variação ocorre devido a<br />
irregularidades do terreno, sombreamento, variação de iluminação, e no caso da<br />
vegetação, em função do seu tamanho e densidade. Nestes casos, o analista decide a<br />
utilidade de diferentes classes espectrais e suas correspondentes classes temáticas. Os<br />
métodos mais comuns de classificação são: Classificação supervisionada e Classificação<br />
não-supervisionada.<br />
A classificação supervisionada necessita de áreas-teste (ou de treinamento), que<br />
correspondem a amostras representativas de áreas homogêneas de diferentes classes<br />
temáticas. Trata-se de amostras de áreas homogêneas de cada setor a ser classificado<br />
(classes temáticas). Estas áreas-teste são usadas para treinar o algoritmo a reconhecer<br />
áreas espectralmente similares a cada classe. Trata-se de um algoritmo especial que<br />
determina o limiar de cada classe-teste, e em seguida cada pixel da imagem é<br />
comparado e associado a uma das classes. A seleção das amostras para classificação<br />
baseia-se na familiaridade do usuário com a imagem e do seu conhecimento dos tipos de<br />
uso e cobertura do solo da área em estudo. Desta forma o usuário supervisiona a<br />
categorização das classes.<br />
Na Classificação não-supervisionada a interação mencionada não ocorre. As classes<br />
espectrais são agrupadas exclusivamente com base na informação numérica dos dados<br />
51
ou número digital (ND) e combinadas com as classes temáticas de informação. Para<br />
determinar a estrutura dos agrupamentos usa-se um programa denominado de<br />
“Segmentação”, onde é especificado o tamanho mínimo de cada grupo e o grau de<br />
similaridade entre os pixels deste grupo.<br />
Ambos os métodos de classificação mencionados procuram agrupar os pixels de acordo<br />
com seu valor do ND, sendo que cada um pertence a apenas uma categoria, assumindose<br />
que ele é homogêneo e que seu valor corresponde a apenas a categoria na qual foi<br />
classificado. Segundo Chuvieco (1996), Ji e Jensen (1999) Gond, Marceau e Howarth<br />
(1992) e Wang (1990), este tipo de classificação digital simplifica a realidade, pois não<br />
considera a mistura espacial das características da área, em função da resolução<br />
espacial do sensor, além de realizar a classificação a partir das características espectrais<br />
da imagem (Barnsley e Barr,1996). O que se obtém é a identificação do perímetro<br />
urbano (Barr e James, 1975; Haack, Bryant e Adams, 1987; Khorram, Brockhaus e<br />
Cheshire, 1987), e assim, o seu crescimento horizontal (Wang, 1993). Para Ji e Jensen<br />
(1999), com relação à fusão entre imagens de datas diferentes, pode-se detectar algumas<br />
mudanças no ambiente urbano de forma qualitativa, mas nunca quantitativamente com<br />
imagens do TM/Landsat. Pode-se melhorar a classificação utilizando dados auxiliares<br />
no momento de coleta das amostras (Westmoreland e Stow, 1992).<br />
Isto também pode ser feito com as imagens do satélite SPOT (resolução espacial de 20<br />
m nas bandas multiespectrais e 10 m na banda pancromática), pois a resolução espacial<br />
é considerada insuficiente para estudos de áreas urbanas (Martin e Howarth,1989;<br />
Baraldi e Parmiggiani, 1990). Jensen et al. (1994) informam que, para estudos de áreas<br />
urbanas, é recomendável utilizar imagens com uma resolução de no máximo 5 x 5 m.<br />
Com os avanços na resolução espacial das imagens de satélite, está ocorrendo uma<br />
mudança de paradigmas. Segundo Blaschke et al.(2000), isto ocorre devido ao fato da<br />
compreensão da imagem não estar expressa apenas na classificação do pixel, o qual<br />
pode representar mais do que um alvo, pode representar características de objetos e a<br />
sua relação mutua.<br />
52
Para superar estes problemas, alguns métodos foram desenvolvidos como alternativas<br />
para as técnicas de classificação convencional. Geralmente estes métodos visam a<br />
classificação dentro do pixel, denominada de classificação sub-pixel. Para Blaschke et<br />
al. (2000) este processo apresenta algumas limitações: as classes espectrais podem ser<br />
tão exatas quanto possível e se assume que os elementos da superfície têm opacidades e<br />
interagem com os fotons como se fossem apenas uma unidade.<br />
Outro método é a classificação por rede neural, uma adaptação da área de estudos de<br />
inteligência artificial. Trata-se do treinamento de dados junto com classes préestabelecidas,<br />
que são alimentadas por um sistema de rede neural. O algoritmo inserido<br />
na rede testa a combinação dos dados de treinamento com as classes espectrais préestabelecidas<br />
e produz um dado de saída com erros pontuais não combinados (Blaschke<br />
et al., 2000). Este método torna-se eficiente e preciso para classificar objetos bem<br />
definidos. Skidmore et al. (1999), criticam o uso da classificação por rede neural, pois o<br />
processo classificatório necessita de ajustes de vários parâmetros que aumentam a<br />
complexidade de seu uso e os recursos computacionais para fazer tal classificação são<br />
altos.<br />
Estes métodos de classificação, porém não incluem as informações de vizinhança com<br />
outros parâmetros, como forma, tamanho, etc., sendo indicados para a descrição de<br />
unidades de uso do solo, de diferentes composições de superfícies (áreas) que podem ser<br />
acessadas e descritas, ou para o cruzamento das várias bandas espectrais, visando uma<br />
análise baseada no pixel. Blaschke et al. (2000) relatam, além disso, que não há um<br />
limite acessível ou exato que possa ser considerado para o processamento.<br />
Uma solução é a segmentação da imagem que consiste na divisão da imagem em suas<br />
partes constituintes ou objetos (regiões) claramente definidos a partir de um critério de<br />
homogeneidade pré-definido, ou no contraste destas propriedades internas com a<br />
vizinhança. Este procedimento começou a ser utilizado em sensoriamento remoto há<br />
pouco tempo e foi expandido especialmente na área de reconhecimento de padrões<br />
(Haralick e Shapiro, 1985). O objetivo da segmentação é dividir a imagem digital em<br />
setores (segmentos), que representem um atributo de uma determinada classe. Para<br />
53
obter sucesso com a segmentação, é necessário definir os elementos a serem<br />
classificados na imagem (Blaschke et al., 2000), o que acaba dependendo da escala de<br />
trabalho. A seguir apresentamos alguns princípios de segmentação. Para uma visão de<br />
conjunto dos procedimentos usuais de segmentação, vide Silva (1995), Venturieri<br />
(1996), Baatz e Schäpe (2000) e Blaschke et al. (2000).<br />
Segundo Silva (1995) a segmentação pode basear-se nas propriedades de borda, tais<br />
como: o nível de cinza, a distribuição de cor, ou a textura. Os algoritmos de<br />
segmentação baseiam-se nas propriedades fundamentais dos valores de nível de cinza: a<br />
similaridade (proximidade radiométrica entre os pixels), e na descontinuidade<br />
(fragmentação da imagem com base nas mudanças abruptas dos níveis de cinza).<br />
A Figura 2.11 é um exemplo do uso de um algoritmo de segmentação na imagem do<br />
IKONOS II. Convém notar que os pixels que apresentam o mesmo valor radiométrico,<br />
são agrupados numa mesma região, quando há uma mudança abrupta dos valores<br />
radiométricos, tem-se uma outra região.<br />
Fig. 2.11 – Algoritmos de segmentação: similaridade e descontinuidade, noroeste de<br />
Santo André (SP).<br />
54
A mais simples segmentação de imagens refere-se aos procedimentos de valores de<br />
limiares (thresholding), que consiste na formação de grupos (clusters), onde os pixels<br />
são ajuntados (resumidos) a um número definido de classes. O processo de associação<br />
dos clusters com as classes denomina-se rotulação. Os pixels contidos em cada classe<br />
devem diferenciar-se muito pouco entre si, e são associados espacialmente. Para<br />
Schneider et al. (1997), a homogeneidade espectral dos pixels dentro de um segmento<br />
aqui é insignificante.<br />
Outros métodos de segmentação baseiam-se em regiões (region based) e em bordas<br />
(edge based), e conhecidos na literatura como crescimento de regiões (Region growing)<br />
e há ainda a divisão e fusão de região (Split-and-Merge).<br />
O algoritmo de crescimento por região consiste na associação de pixels ou de subregiões<br />
a uma determinada região, e a sua intensidade não deve ultrapassar um<br />
determinado limiar. Esse limiar é normalmente um critério homogêneo ou uma<br />
combinação de área e homogeneidade. A segmentação por crescimento de regiões<br />
inicia-se com os chamados “pixels sementes” como segmentos iniciais. Em cada estágio<br />
da segmentação, todos os pixels que estão na vizinhança de um segmento S e que não<br />
pertençam a nenhum outro segmento, são testados com relação à similaridade do<br />
segmento S. Caso haja similaridade com o segmento, o pixel é associado. A<br />
similaridade é calculada a partir de uma comparação do novo pixel com o pixel vizinho<br />
do segmento S, ou através de uma comparação do novo pixel com o valor médio de<br />
todos os pixels do segmento S. Não havendo mais pixels que possam ser associados ao<br />
segmento S, inicia-se um novo segmento com um novo pixel semente.<br />
O tamanho e a quantidade de segmentos dependem dos procedimentos pelos quais os<br />
pixels sementes são escolhidos e dos valores de limiares, que determinam o critério de<br />
homogeneidade (Blaschke et al., 2000). Para Baatz e Schäpe (2000), um problema neste<br />
procedimento é a falta de controle sobre o processo e a difícil definição de um critério<br />
de ruptura para o crescimento dos segmentos.<br />
Por outro lado, a segmentação por bordas baseia-se na descontinuidade de níveis de<br />
cinza ou textura no limite entre dois objetos diferentes (Silva, 1995), assumindo-se que<br />
55
tais descontinuidades representem os limites (ou borda) dos segmentos. Segundo<br />
Blaschke et al. (2000) existem os mais diferentes detetores de bordas, tais como os<br />
operadores Laplace e Sobel. Para Schneider et al. (1997), a homogeneidade da<br />
segmentação por borda não é automaticamente garantida.<br />
Por último, há segmentação por divisão e fusão de região que se inicia na subdivisão da<br />
imagem em regiões disjuntas arbitrariamente, sendo em seguida realizadas várias<br />
tentativas de junção e/ou separação das regiões para encontrar a segmentação correta.<br />
Segundo Venturieri (1996), cada região poderá unir-se com sua vizinhança, desde que<br />
sejam obedecidos os critérios de similaridade e descontinuidade previamente<br />
estabelecidos.<br />
Com estes tipos de segmentação efetuaram-se classificações por campo ou por parcela e<br />
obtiveram-se bons resultados em vários estudos (Silva, 1997; Venturieri, 1996;<br />
Nascimento, 1997). Os resultados são freqüentemente mais fáceis de serem<br />
interpretados do que quando se usa a classificação por pixel. “Campo” ou “parcela”<br />
referem-se a regiões homogêneas da terra (agricultura, jardim, estrutura urbana e<br />
rodovias) que já existem e são visíveis na imagem. Segundo Blaschke et al. (2000), esta<br />
metodologia contribui para a classificação de imagens de alta resolução.<br />
2.5.3.1 – SEGMENTAÇÃO MULTI-RESOLUÇÃO E CLASSIFICAÇÃO<br />
BASEADA NO OBJETO<br />
A técnica de segmentação multi-resolução foi desenvolvida para extrair objetos de<br />
imagens em resoluções que possam ser livremente escolhidas e de fontes de dados tão<br />
diferentes como imagens de radar, fotografias aéreas, imagens médicas e imagens de<br />
satélites orbitais. Uma surpreendente característica da análise orientada ao objeto é a<br />
possibilidade de se adicionar informações que podem ser baseadas no objeto da<br />
imagem. Além da tonalidade, estas informações referem-se à forma, textura, contexto e<br />
informação de outros objetos. Uma descrição fundamental destas técnicas encontra-se<br />
no User Guide do aplicativo eCognition (Definiens, 2002). Esta pesquisa foi efetuada<br />
no âmbito de teste com a versão eCognition 2.0 (20 de Janeiro de 2002).<br />
56
Segundo Hoffmann (2001a), o aplicativo mencionado baseia-se num processo de<br />
otimização dos objetos da imagem. Esta otimização tem dois objetivos: a continuidade<br />
dos valores e a continuidade espacial. Estes são alcançados através de parâmetros que<br />
influenciam o procedimento da segmentação: um limiar maior em continuidade de<br />
valor, que resulta em objetos maiores (portanto mais “grosseiros”). Valores de limiares<br />
maiores para a heterogeneidade resultam em formas mais complexas ou vice-versa,<br />
valores mais baixos tendem ser relativamente mais compactos.<br />
Os setores da imagem são agrupados através de um processo de junção, par a par. A<br />
heterogeneidade de um objeto é descrita por três critérios, a saber:<br />
1) A soma dos desvios padrão dentro dos valores espectrais dos pixels (medida de<br />
homogeneidade dos valores de cor).<br />
2) O desvio padrão do volume de um objeto em relação à circunferência de um<br />
círculo de igual tamanho (medida de compactação [compactness] de um<br />
objeto).<br />
3) A relação do comprimento da borda de um objeto em relação ao comprimento<br />
da borda de um retângulo ao longo da imagem que inclui o objeto (Bounding<br />
Box), que é a medida de “lisura” (smoothness) de um objeto.<br />
Cada pixel individual é quase um sinônimo de um objeto de imagem ou de uma região.<br />
Através de cada passo da segmentação, um par de objetos é resumido a um objeto<br />
maior. Isto ocorre segundo um critério de homogeneidade, que descreve a semelhança<br />
de objetos vizinhos. Pequenas regiões são assim sintetizadas para regiões maiores, até<br />
que nenhum pixel vizinho corresponda mais às exigências. Existe uma seqüência de<br />
processamento de distribuição e a simulação de um crescimento por igual, partindo do<br />
maior número de pontos simultâneos. O resultado são segmentos de tamanhos idênticos.<br />
Para maiores detalhes desta concepção, que não serão apresentados neste trabalho, vide<br />
uma descrição deste procedimento em Baatz e Schäpe (2000).<br />
57
O resultado da segmentação não fornece classes como campos agrícolas, casas, etc. Esta<br />
exigência é fadada ao insucesso em função da complexidade dos dados de<br />
imagem/realidade. De fato a segmentação fornece a matéria prima, sobre a qual atua<br />
posteriormente atua a classificação. O procedimento permite o processamento<br />
simultâneo de dados em diferentes planos de escalas. Mesmo após a segmentação, a<br />
informação individual dos pixels é mantida.<br />
Como resultado da segmentação em multi-escala há uma rede hierárquica de objetos da<br />
imagem, na qual objetos finamente estruturados representam sub-objetos de estruturas<br />
mais grosseiras. A estrutura hierárquica representa a informação dos dados<br />
simultaneamente em diferentes resoluções. Os objetos estão em rede de vizinhança e<br />
hierarquia, sendo que cada objeto “conhece” os seus objetos vizinhos e sub-objetos.<br />
2.5.3.2 – CLASSIFICAÇÃO ATRAVÉS DE LÓGICA FUZZY<br />
A primeira fase do processamento de imagens resultou numa rede hierárquica de objetos<br />
da imagem que permite representar a informação em várias escalas simultaneamente<br />
(Figura 2.12). Esta classificação utiliza a segmentação como uma etapa de préprocessamento.<br />
Com base nos objetos da imagem, está disponível um conjunto de<br />
ferramentas, orientadas ao objeto, para serem classificadas. Além das informações<br />
extraídas dos valores espectrais e da sua respectiva estatística (variância, média,<br />
mediana, etc.) e das medidas para a textura nos canais individuais, outras informações<br />
poderão ser utilizadas para a classificação, como tamanho das bordas aos objetos<br />
vizinhos, perímetro, superfície, forma, direção, distância de outros objetos, etc. Estas<br />
informações geralmente não estão disponíveis na interpretação de imagens, sendo um<br />
valioso auxílio na análise e procura de critérios de discriminação das classes definidas.<br />
A classificação através do aplicativo eCognition pode ser efetuada através da orientação<br />
das características (usando funções de associação) ou com ajuda de um classificador por<br />
vizinho mais próximo (Nearest Neighbour), como é usado nos aplicativos-padrão de<br />
sensoriamento remoto. A base de conhecimento para a análise orientada a<br />
características, forma uma segunda rede hierárquica, ou seja, a hierarquia de classes.<br />
Esta rede tem 3 divisões sendo discriminada entre herança de características,<br />
58
agrupamento semântico de classes e a síntese de classes para grupos estruturais, visando<br />
a extração de objetos. Através da orientação dos objetos é possível a formação de<br />
grupos superiores de objetos, que herdam características dos sub-objetos (objetos<br />
inferiores) e por outro lado as características de grupos podem, na classificação, herdar<br />
características para novas sub-classes. Para Congalton (1988a), isto se deve ao fato dos<br />
pixels apresentarem uma dependência com pixels vizinhos, onde o seu valor está<br />
relacionado ao valor do pixel adjacente, denominado de autocorrelação. Portanto, cada<br />
pixel apresenta um certo grau de pertinência em cada categoria ou classe. Este<br />
procedimento é denominado de “classificação de pixels de mistura” (Ji e Jensen, 1999).<br />
Fig. 2.12 – Princípio da rede hierárquica de objetos da imagem com diferentes planos de<br />
escalas.<br />
FONTE: Definiens (2002, p. 3.12).<br />
As características de classe são descritas através de operadores de Lógica Fuzzy. A<br />
Lógica Fuzzy apresenta, pela possibilidade de repetitividade e transparência, vantagens<br />
em relação a outras concepções de classificação como, por exemplo, as redes neurais<br />
(Baatz e Schäepe, 2000). A concepção matemática da Lógica Fuzzy possibilita (em<br />
contraposição à lógica matemática usual que somente conhece declarações<br />
“verdadeiras” ou “falsas”), formular declarações que até certo ponto são verdadeiras e<br />
ao mesmo tempo podem ser falsas. Assim sendo, a Lógica Fuzzy corresponde à<br />
concepção humana de descrever as coisas. As declarações escritas “Não” e “Sim” são<br />
substituídas por uma gradação de 0 a 1, respectivamente. Um espaço de características<br />
em disco assim pode ser projetado a uma escala de valores de 0 a 1.<br />
59
Os procedimentos de Lógica Fuzzy comprovaram a sua utilidade em diversas aplicações<br />
de software. Na área de sensoriamento remoto a Lógica Fuzzy pode ser encontrada em<br />
diversos procedimentos de classificação (Schowengerdt 1997). De acordo com<br />
Definiens (2002), dependendo da forma da função, a transição entre o “Sim” e “Não”<br />
pode ser “crisp” (de uma função retângular) ou “fuzzy” (figura 2.13).<br />
Fig. 2.13 – Membros da função regular e trapezoidal sob característica x para definir o<br />
conjunto crisp M (vermelho) e o conjunto Fuzzy A (azul) µ A (x) sobre a<br />
característica de campo X.<br />
FONTE: Definiens (2002, p. 3.12).<br />
Para Chuvieco (1996), a função de pertinência corresponde a uma distribuição que varia<br />
de 0 a 1, e pode ser expressa pela equação:<br />
U = f<br />
i,<br />
j<br />
( ND )<br />
x<br />
(5)<br />
Onde:<br />
U , indicam o grau de pertinência do pixel x a classe i , compreendido entre 0<br />
i<br />
j<br />
e 1.<br />
Segundo Wang (1993), na lógica contínua, para calcular o grau de pertinência de um<br />
pixel a distintas categorias e assumindo uma distribuição de probabilidade normal para<br />
60
as categorias, podem-se utilizar as seguintes definições para o vetor de medidas e a<br />
matriz de variância e covariância:<br />
M<br />
∗<br />
A =<br />
∑i=<br />
∑<br />
1, n<br />
U<br />
i=<br />
1, n<br />
A<br />
U<br />
( M i ) M<br />
( M )<br />
A<br />
i<br />
i<br />
; e (6)<br />
V<br />
∗<br />
A<br />
=<br />
∑<br />
i=<br />
1, n<br />
U<br />
A<br />
∗<br />
∗<br />
( M )( M − M )( M − M )<br />
i<br />
∑<br />
i=<br />
1, n<br />
i<br />
U<br />
A<br />
A<br />
( M )<br />
i<br />
i<br />
A<br />
T<br />
(7)<br />
Onde U A indica o grau de pertinência da classe A , M é o vetor de ND formado por n<br />
pixels utilizado na amostra, e V A a matriz de variância-covariância para esta classe. O<br />
asterisco no vetor M A e na matriz V A refere-se a médias e variância-covariância para<br />
um espaço contínuo (fuzzy).<br />
Com estes valores, calcula-se a probabilidade de pertinência desse espaço, variando as<br />
fórmulas da probabilidade bayesiana:<br />
p<br />
∗<br />
−0,5<br />
−m<br />
∗ ⎧<br />
∗ T ∗−1<br />
∗<br />
( x A) = ( 2 ) 2 V exp −0,<br />
5( M − M ) V ( M − M ) ⎬ ⎫<br />
⎭<br />
/ π A ⎨ x A A x A<br />
(8)<br />
⎩<br />
Isto permite conhecer a probabilidade de cada pixel estar inserido numa categoria.<br />
As classes podem ser descritas através de um número diversificado de parâmetros<br />
possíveis, herdando características de outras classes. Isto permite, por exemplo, a<br />
diferenciação entre “floresta” e “floresta em área urbana”: ambas as classes possuem as<br />
mesmas características espectrais (as quais podem ser herdadas na definição de<br />
características), através da inclusão do comprimento da borda (limite) para objetos<br />
vizinhos “cidade”, na continuidade da classificação pode ser identificado de modo mais<br />
refinado. Com a definição de um conjunto de regras, determinam-se diferentes planos<br />
hierárquicos, objetos podem ser classificados nas diferentes escalas, dependendo de<br />
onde podem ser melhor identificados. Pode-se definir ainda uma distância mínima e/ou<br />
61
máxima para outros objetos. Além disso, classes podem ser constituídas e definidas a<br />
partir de subclasses.<br />
Na lógica fuzzy é possível conseguir mais do que um conjunto fuzzy sob uma única<br />
característica, por exemplo, como mostra, por exemplo, a figura 2.14, três conjuntos<br />
fuzzy definem as características x: baixa, média e alta. Existe a característica por<br />
membro função triangular de sobreposição (overlapping triangular membership<br />
functions). Num objeto com uma característica de x = 70, o membro da classe baixa é<br />
0,4, para a classe média é 0,2 e para a classe alta é 0,0. Se a característica de valor x<br />
for igual a 200, o membro para classes é 0,0, 0,0 e 0,8 respectivamente.<br />
Fig. 2.14 – O membro da função sob característica x define o conjunto fuzzy baixo,<br />
médio e alto desta característica.<br />
FONTE: Adaptada de Definiens (2002, pág 3.12).<br />
Ao lado da classificação de dados baseada em regras, uma vantagem do programa é a<br />
integração de dados heterogêneos com diferentes resoluções geométricas e<br />
características espectrais, sendo que dados das mais diversas origens podem ser<br />
analisados concomitantemente. Muito útil para a interpretação é a possível conexão de<br />
62
dados vetoriais para a classificação e segmentação. Funções de processamento de<br />
imagem e de SIG estão assim totalmente integradas.<br />
2.5.3.3 – AVALIAÇÃO DO PARÂMETRO ESCALAR (SCALE PARAMETER)<br />
NA SEGMENTAÇÃO<br />
O primeiro passo do método utilizado é a segmentação do conjunto de dados. Isto é<br />
feito sem conhecimento prévio. O dado de entrada é tão-somente o parâmetro escalar<br />
(Scale parameter) que representa uma medida de heterogeneidade, ou seja representa o<br />
número abstrato e corresponde à barreira superior em heterogeneidade, isto é, objetos<br />
menores são resumidos/juntados para objetos maiores até que é alcançada esta barreira.<br />
O parâmetro escalar determina a mudança máxima permitida na heterogeneidade, que se<br />
origina da fusão de vários objetos, tendo uma relação indireta com o tamanho do objeto.<br />
A heterogeneidade depende assim direta e linearmente do tamanho do objeto: em<br />
parâmetros de tamanho que permaneçam iguais, obtém-se numa imagem heterogênea,<br />
objetos menores do que numa imagem menos heterogênea. A heterogeneidade de<br />
objetos é definida através da cor e da forma. Na segmentação as homogeneidades da cor<br />
e da forma podem ser ponderadas. De acordo com Definiens (2002), as características<br />
avaliadas para realizar a classificação podem ser discriminadas em:<br />
• Característica intrínseca: as propriedades físicas dos objetos, que são<br />
determinadas pelo mundo real e a sua situação na imagem – basicamente o tipo<br />
de sensor e a iluminação. Tais características descritas são: cor, textura e forma<br />
dos objetos;<br />
• Características topológicas: características que descrevem o relacionamento<br />
geométrico entre os objetos, tal como à direita, à esquerda, ou numa certa<br />
distância de um certo objeto, ou sendo uma certa área na imagem; e<br />
• Característica contextual: características que descrevem o relacionamento<br />
semântico dos objetos, por exemplo, um parque está quase 100% dentro da área<br />
urbana.<br />
63
O mais importante critério para a formação dos segmentos é a heterogeneidade de cor,<br />
dependendo do caráter dos dados a serem avaliados e do problema colocado, os<br />
parâmetros “shape” (forma) e “compactness” (compactação) podem fornecer<br />
importantes informações adicionais e melhorar o resultado da segmentação. A<br />
desvantagem no caso da consideração maior da “compactness” é a redução, em paralelo<br />
com o aumento da possibilidade de reprodução do resultado.<br />
O objetivo da segmentação é uma avaliação bastante automática dos dados, sendo que o<br />
processamento exige para tanto um procedimento uniforme. O questionamento colocado<br />
na segmentação é: até que ponto é possível prever o parâmetro escalar que pode ser<br />
livremente escolhido, quais os relacionamentos que existem com a agregação espacial e<br />
até que ponto esta segmentação pode ser otimizada.<br />
De acordo com Hoffmann (2001b), com a escolha do parâmetro escalar mudam-se<br />
também os limites dos segmentos. Isto pode ser observado especialmente em setores de<br />
transição ou em áreas de sombra, onde um usuário fazendo interpretação visual também<br />
teria problemas para determinar um limite inequívoco entre os setores.<br />
Assim sendo, a determinação do fator de escala permanece sendo um processo<br />
interativo. O posterior número e o tamanho dos segmentos somente são previsíveis<br />
condicionalmente, mesmo em conjuntos de dados aparentemente estruturados de modo<br />
claro. A escala depende, entre outros, da estrutura do conjunto de dados a ser<br />
processado (superfícies heterogêneas ou homogêneas). Em função da elevada resolução<br />
dos dados estudados, qualquer pequeno desnível dentro de um campo agrícola já<br />
constitui um segmento. Conforme a tarefa proposta ou o trabalho a ser feito, precisam<br />
ser obtidos inicialmente os valores de experiência, sobre qual é o ajuste do parâmetro de<br />
escala que divide a imagem em segmentos adequados. Os objetos procurados podem ser<br />
p.ex. árvores individuais ou estandes de floresta – dependendo do objetivo da análise e<br />
da escala de trabalho. A vantagem do procedimento é a disponibilização simultânea de<br />
diferentes escalas, podendo ser consideradas simultaneamente na interpretação tanto os<br />
segmentos que representam todos os estandes de floresta bem como aqueles que<br />
representam as árvores individualmente.<br />
64
2.6 – AVALIAÇÃO DA CLASSIFICAÇÃO<br />
O produto final da classificação de imagens é um mapa temático, onde a área de estudo<br />
encontra-se compartimentada numa série de unidades temáticas espaciais e contendo<br />
uma legenda explicativa destas unidades. Deve-se lembrar porém que a classificação de<br />
imagens está submetida a uma certa margem de erro, devido a qualidade dos dados ou<br />
dos métodos empregados. Por isso é necessário aplicar nos resultados obtidos (mapas)<br />
um procedimento de avaliação, que permita quantificar estes erros, valorizando a<br />
qualidade do trabalho e a sua aplicação em estudos posteriores. (Chuvieco, 1996).<br />
Neste processo, é importante considerar o erro nos dados de entrada, e nos métodos<br />
utilizados no processamento de dados. Segundo Buiten (1993), a impressão de acuidade<br />
da imagem de sensoriamento remoto depende da habilidade do sistema sensor em<br />
reproduzir os detalhes dos objetos da imagem e manter a sua estrutura intacta.<br />
Uma das formas mais difundidas para se fazer esta avaliação é a seleção de amostras da<br />
área de estudo, que tem como finalidade obter medidas de campo necessárias para<br />
verificar os resultados da classificação. Segundo Stehman e Czaplewski (1998), este<br />
vínculo entre coberturas espaciais temáticas e a sua representação cartográfica é<br />
fundamental para a confecção de mapas gerados de dados de sensoriamento remoto.<br />
Para Chuvieco (1996), a coleta de amostras pressupõe um custo adicional ao projeto que<br />
não repercute em melhoria na classificação do mapa, mas apenas assegura a sua<br />
exatidão.<br />
Segundo Congalton (1991), a qualidade da estimativa depende de uma série de fatores<br />
que devem ser considerados ao planejar-se a obtenção das amostras: método de seleção,<br />
tamanho e distribuição das amostras. Uma seleção adequada das amostras é<br />
representativa da classificação de toda a imagem. Por outro lado, numa seleção<br />
inadequada, não haverá uma representação da imagem original e por isso é importante<br />
utilizar um método de amostragem adequado à imagem a ser estudada.<br />
Seguindo estes parâmetros, Rosenfield (1982), Congalton (1988b), Stehman (1992), Lo<br />
e Watson (1998), e Congalton e Green (1999) aplicaram os seguintes métodos de<br />
65
seleção de amostras: Amostragem Aleatória Simples (AAS), Amostragem Aleatória<br />
Estratificada (AAE), Amostragem Aleatória Sistemática (AASis), Amostragem<br />
Estratificada Sistemática Desigual (AESD) e Amostragem Aleatória por Grupo (AAG).<br />
Com relação a estes métodos, Congalton (1988b) salienta que os seus resultados<br />
dependem do grau de complexidade do ambiente, sendo que o método AAS obteve<br />
resultados satisfatórios em todos os casos, enquanto que o AESD e a AASis apresentam<br />
bons resultados para ambientes de pouca complexidade, e que portanto devem ser<br />
usados com cautela. Por outro lado, Stenback e Congalton (1990), afirmam que as<br />
combinações de bandas espectrais do TM/Landsat podem apresentar boa visualização,<br />
porém com baixa exatidão.<br />
Antes de utilizar os esquemas de amostragem, Congalton (1988a) propõe aplicar uma<br />
avaliação prévia da auto-correlação existente na imagem, o que facilita a tomada de<br />
decisão sobre qual método apresenta um resultado melhor. Com relação às amostras,<br />
este autor sugere que o seu tamanho seja aproximadamente de 1% da área de estudo e<br />
Hay (1979), acrescenta que precisam obter-se no mínimo 50 amostras para cada classe<br />
temática. Para a amostragem por grupo deve-se utilizar 10 pixels (Congalton, 1988a).<br />
Com as amostras já determinadas, o procedimento mais comum para se expressar a<br />
exatidão do produto é através da declaração da porcentagem de área mapeada, onde os<br />
dados são comparados com dados de referência (dados de campo) ou com a verdadeira<br />
aferição de campo (Story e Congalton, 1986). Essa declaração é derivada das classes<br />
geradas pelos métodos de amostragem e dos dados classificados, que são colocados<br />
numa matriz denominada de matriz de erros (ou matriz de confusão ou tabela de<br />
contingente).<br />
Nesta matriz os dados de referência (representados pelas colunas) são comparados com<br />
os dados classificados (representados pelas linhas). A diagonal principal indica a<br />
concordância entre esses dois grupos de dados, que representa o número de pontos<br />
classificados corretamente em cada classe, sendo que as diagonais marginais<br />
apresentam as unidades classificadas erroneamente.<br />
66
Os pontos não-classificados implicam em elementos que não se ajustam à realidade,<br />
denominados por Aronoff (1985) de “Omissão”. Um erro na classificação, porém não é<br />
somente uma omissão da categoria correta, mas também uma omissão de outra<br />
categoria, ou seja, estes elementos devem pertencer a outra classe.<br />
Esta informação pode ser integrada com outras variáveis geográficas para futuras<br />
análises, considerando que a cartografia realizada ajusta-se perfeitamente com a<br />
realidade.<br />
Por outro Lado, Congalton e Green (1999) descrevem que quando não é possível fazer a<br />
avaliação da exatidão da classificação com dados de campo, pode-se utilizar outros<br />
meios para o reconhecimento das classes temáticas com a realidade, como a fotografia<br />
aérea. Isto ocorre devido ao nível de detalhe que estes dados fornecem, resultado da sua<br />
resolução espacial. Como mostrado no item anterior, os algoritmos convencionais de<br />
classificação se baseiam em informações espectrais da cena, obtendo classes espectrais.<br />
Porém, respostas espectrais dos objetos podem ser semelhantes. Além disso, a resolução<br />
espacial das imagens de sensoriamento remoto, como MSS/Landsat (r.e. de 80 x 80 m),<br />
TM/Landsat (r.e. de 30 x 30 m), ou SPOT (r.e. de 10 x 10 m), necessitam de uma<br />
avaliação de campo para averiguar a exatidão da classificação. Portanto, para a<br />
classificação de uma imagem de alta resolução espacial como o IKONOS II, que possui<br />
uma resolução espacial igual às fotografias aéreas, não necessita de uma avaliação da<br />
exatidão da classificação.<br />
2.7 – INTEGRAÇÃO E ANÁLISE DOS DADOS NO SISTEMA DE<br />
INFORMAÇÃO GEOGRÁFICA<br />
Para o planejamento urbano, que inclui a construção viária, necessita-se de uma série de<br />
informações espaciais e que sejam de fácil acesso. Dentre os aspectos espaciais<br />
destacam-se os aspectos físicos (geologia, geomorfologia, drenagem) e urbanos (área<br />
residencial e industrial, vias de acesso). No entanto, muitos destes dados encontram-se<br />
disponíveis em formato analógico e em diferentes projeções cartográficas (aspectos<br />
geométricos, vide Burrough, 1993). Para se trabalhar com este volume de dados através<br />
67
de programas computacionais, usam-se Sistemas de Informações Geográficas<br />
(Geographic Information Systems – GIS, em inglês).<br />
O conceito “Sistemas de Informações Geográficas” apresenta várias definições, o que<br />
merece uma certa atenção. Para uma melhor compreensão dos SIG’s, Cowen (2001)<br />
aconselha revisar as definições de:<br />
Sistema – conjunto ou arranjo de elementos relacionados de tal maneira a formar uma<br />
unidade ou um todo organizado, que se insere num sistema mais amplo;<br />
Informação geográfica – conjunto de dados ou valores que podem ser apresentados em<br />
forma gráfica, numérica ou alfanumérica, e cujo significado contém associações ou<br />
relações de natureza espacial;<br />
Sistema de informação – conjunto de ferramentas e “funções” utilizadas para coletar,<br />
arquivar, descrever, observar, analisar e processar dados, com o intuito de produzir<br />
informações numa tomada de decisão, de base computacional.<br />
Desta forma, o GIS (ou SIG) corresponde a um modelo do mundo real, ou base de<br />
dados informatizada descritiva, num sistema de referência cartográfica com informações<br />
espaciais pré-estabelecidas, para satisfazer uma necessidade de informação específica, e<br />
respondendo a um conjunto de questões concretas (Cowen, 2001). Para Bosque (1994) o<br />
GIS constitui uma visão esquemática e logística de uma realidade complexa, servindo<br />
de apoio à tomada de decisão, envolvendo a integração de dados referenciados<br />
espacialmente para a solução de um problema (Cowen, 1988). Felicísimo (2000)<br />
destaca que o modelo fornecido pelo GIS é uma descrição aproximada da superfície,<br />
confeccionada mediante sua aplicação, adaptada à realidade, mas que nunca pode ser<br />
exato.<br />
Antes de começar a codificação da informação espacial é necessário definir as unidades<br />
de registro, de maneira análoga ao que ocorre com as séries cartográficas nacionais.<br />
Estas unidades de forma retangular, definem um diretório que é consultado em primeira<br />
instancia quando se pretende recuperar, introduzir ou modificar dados do sistema de<br />
68
informação geográfica. As suas estruturas internas são denominadas de Planos de<br />
Informação (PI’s), que descrevem as variáveis geográficas. Segundo Bosque (1988), os<br />
PI’s tem capacidade de gerenciar, analisar e combinar dados espaciais por meio de<br />
funções operacionais distintas e especificamente:<br />
a) Introduzir dados espaciais no computador;<br />
b) Criar uma base de dados que conserve suas características, de modo<br />
econômico e coerente;<br />
c) Gestão e manipulação para interrogar a base de dados;<br />
d) Análise e geração de novas informações a partir daquelas já incluídas na<br />
base de dados;<br />
e) Representação cartográfica (e outros meios) dos dados.<br />
Com relação ao item “a”, a entrada de dados está condicionada a dois fatores<br />
fundamentais: a fonte de informações espaciais e o formato (tipo de estrutura) da base<br />
de dados. A informação espacial pode ser encontrada no formato ou modelo digital<br />
(p.ex., uma imagem e fotografia aérea digital, mapas scannerizados) ou estar contida no<br />
formato analógico (imagem, fotografia aérea ou mapa impressos) (Figura 2.15). No<br />
primeiro caso, a inserção dos dados ocorre como nas imagens de sensoriamento remoto<br />
e no segundo caso, a inclusão é feita através da digitalização.<br />
Com relação a digitalização vetorial de um documento gráfico, existem diversos modos<br />
de realizá-la sendo o mais comum a digitalização mediante segmentos de linhas.<br />
Segundo Bosque (1994), esse modo de digitalização vetorial leva em conta certas<br />
propriedades topológicas - relacionamento entre os dados – dos gráficos bidimensionais<br />
(pontos, linhas e superfícies), propostos pelo Bureau of the Census dos EUA (DIME,<br />
Dual Independent Map Encoding). Cada entidade é codificada, sendo que um ponto tem<br />
uma identificação numérica e uma localização (coordenadas x, y) sendo que<br />
matematicamente a linha se compõe de uma série de pontos e os polígonos são<br />
formados por um conjunto de linhas.<br />
69
Formato Matricial Formato Vetorial<br />
<strong>Documento</strong> analógico<br />
<strong>Documento</strong> analógico<br />
<strong>Documento</strong> analógico<br />
<strong>Documento</strong> analógico<br />
Preparação do documento<br />
Preparação do documento<br />
Transformação<br />
das<br />
coordenadas e<br />
mudança de<br />
formato<br />
Digitalização<br />
(Codificação da<br />
distribuição espacial)<br />
de vários atributos<br />
Digitalização<br />
(Registro de<br />
coordenadas e,<br />
normalmente das<br />
relações topológicas)<br />
Transformação<br />
das<br />
coordenadas e<br />
mudança de<br />
formato<br />
Correção de erros<br />
nos diferentes<br />
níveis temáticos<br />
Correção dos erros gráficos;<br />
Correção dos erros<br />
topológicos;<br />
Geração de polígonos;<br />
Atributos temáticos<br />
Teste prévios à introdução da<br />
informação na base de dados;<br />
Consistência da informação;<br />
Correção de distorções;<br />
Tratamento Digital da Imagem.<br />
Fig. 2.15 – Fluxograma com as etapas de aquisição de dados<br />
FONTE: Adaptada de Bosque (1988, p 132).<br />
Como base na Figura 2.15, cada modelo de dados apresenta características próprias,<br />
necessitando de ferramentas específicas para cada um. O modelo digital é composto por<br />
uma grade regular à qual é atribuído um valor temático, denominado também de<br />
Numérico ou Matricial. O outro modelo vetorial está centrado na descrição das<br />
fronteiras exteriores dos elementos geográficos, expresso de forma qualitativa e descrito<br />
70
por um predicado (atributo) para cada elemento geográfico (Bosque, 1994). Assim, a<br />
representação temática das informações possui aparência fragmentada. Esta<br />
fragmentação, no entanto, é feita de forma organizada permitindo que a análise seja<br />
global, através das interações e dos recursos disponíveis no aplicativo utilizado.<br />
Todavia, na análise espacial é necessário que estes dados sejam convertidos para um<br />
único formato.<br />
Um aspecto importante no GIS é a sua capacidade de realizar a análise geográfica por<br />
meio de modelagem de dados. Segundo Felicísimo (2000), a palavra modelagem,<br />
originária do âmbito geográfico, corresponde a uma versão simétrica da realidade,<br />
produzindo algumas de suas propriedades, de modo menos complexo. Portanto, os<br />
modelos são construídos estabelecendo uma relação de correspondência com a<br />
realidade, ou seja, uma relação simétrica que permita introduzir algumas propriedades<br />
da realidade ao modelo. O modelo Digital de Terreno (MDT) é definido como<br />
“estrutura numérica de dados que representa a distribuição espacial de uma variável<br />
quantitativa e contínua” (Felicísimo, 2000).<br />
De acordo com Felicísimo (2000), o processo básico de construção do MDT parte da<br />
captura de dados ou amostras, (mapa topográfico, Global Positioning System – GPS,<br />
restituição), que representa sobre um plano algumas propriedades da superfície real do<br />
terreno, através de relações de analogia previamente estabelecidas. Este mapa expressa<br />
basicamente um processo de simbolização. A codificação numérica do modelo<br />
analógico conduz ao modelo digital, suscetível a tratamentos matemáticos e estatísticos<br />
impossíveis de serem aplicados anteriormente. Por fim, isto permite construir modelos<br />
digitais derivados (declividade, orientação, convexidade, hipsometria, orto-retificação<br />
de imagem), e realizar processos de modelização mediante simulações numéricas<br />
(Hinton, 1996). Os resultados obtidos são comparáveis com a realidade, o que<br />
possibilita correções e/ou ajustes do algoritmo de modelagem, permitindo assim,<br />
modelar melhor o fenômeno estudado (Figura 2.16).<br />
71
Simbolização<br />
Aplicação<br />
Objeto Real<br />
(Terreno)<br />
Modelo Analógico<br />
(Mapa Topográfico/Fotografia aérea)<br />
Análise<br />
de erros<br />
Verificação<br />
Modelo Digital Derivado<br />
(Declividade, Hipsometria., Ortoret.)<br />
Codificação<br />
Ajuste<br />
Algoritmo<br />
Modelo Digital de Elevação<br />
Amostras, TIN, Grade Regular<br />
Simulação<br />
Fig. 2.16 – Processo básico de criação, manejo e exploração do MDT.<br />
Cabe destacar nesta etapa que os Modelos Digitais de Terreno permitem uma elevada<br />
precisão na descrição dos processos, mas não podem garantir a exatidão dos resultados.<br />
A diferença básica entre os modelos digitais e os modelos analógicos é que os primeiros<br />
estão codificados em cifras, permitindo o seu tratamento por meios informativos. As<br />
relações espaciais ou as características que se deseja representar traduzem-se em<br />
diferentes tipos de estruturas numéricas (vetores, matrizes, conjuntos, etc.) ou em<br />
expressões matemáticas que descrevem relações topológicas e funcionais.<br />
Segundo Felicíssimo (2000), os modelos digitais de terreno contêm informação de dois<br />
tipos, a saber: informação explícita – reconhecidas nos dados concretos do atributo do<br />
modelo, como a altitude no caso do MDE; e informação implícita – relativa às relações<br />
espaciais entre os dados, como a distancia ou a declividade. Ambos os tipos de<br />
informação são complementares e permitem obter informação sobre a morfologia do<br />
72
elevo de forma objetiva e exaustiva. O objetivo deriva do caráter digital dos dados e<br />
dos processos de análise configurado por algoritmos. Estes processos são aplicáveis a<br />
totalidade da área analisada e não somente a uma amostra da mesma.<br />
Segundo Cowen et al. (1995), a resolução da imagem é fundamental para a integração<br />
de dados, pois este fator determina a escala de trabalho, seguido pela avaliação da<br />
precisão do registro da imagem com os outros dados (Mesev, 1997; Coulter et al.,<br />
1999).<br />
Esta integração também pode aprimorar a classificação das imagens, como demonstram<br />
Harris e Ventura (1995) que, ao integrarem dados demográficos e de zoneamento com<br />
imagens TM/Landsat 5, obtiveram uma melhoria na exatidão das classes urbanas.<br />
73
CAPÍTULO 3<br />
3 - ÁREA DE ESTUDO<br />
Neste Capítulo é apresentada a área de estudo bem como fornecida uma visão de<br />
conjunto da Geologia, Pedologia e Geomorfologia locais, que constituem as bases deste<br />
trabalho. O critério adotado para a escolha dos dados a serem empregados foi a sua<br />
escala e os trabalhos que descrevem os aspectos físicos e humanos da área.<br />
Com relação aos mapas temáticos da área, foram usadas as informações fornecidas<br />
pelas Cartas de Aptidão Física para o Assentamento Urbano pelas Cartas Geológicas da<br />
região Metropolitana de São Paulo, ambas da EMPLASA (1990b, 1990c, 1990d e<br />
1990e), escala 1:50.000, tendo sido geradas novas informações a partir de curvas de<br />
nível e pontos cotados, extraídas das cartas topográficas do IBGE (1984a e 1984b)<br />
escala 1:50.000, com eqüidistância entre as curvas de 20 m. As informações obtidas dos<br />
mapas mencionados, permitiram a descrição do relevo da área de estudo.<br />
3.1. LOCALIZAÇÃO DA ÁREA DE ESTUDO<br />
A área estudada localiza-se na porção Leste da Bacia Sedimentar de São Paulo, entre os<br />
meridianos W Gr 46º 43’ e 46º47’ e os paralelos S 23º25’ e 23º27’ (Figura 3.1),<br />
correspondendo a aproximadamente 132,966 Km 2 , fazendo parte da Metrópole de São<br />
Paulo, incluindo os municípios de São Paulo, Guarulhos, Mauá, Ribeirão Pires e Santo<br />
André. Na região sul desta área passará a Rodovia Metropolitana de São Paulo,<br />
denominada de “Rodoanel Governador Mario Covas”. Para estudos de reconhecimento<br />
do terreno, conforme descrito no capítulo 2, a DERSA (Desenvolvimento Rodoviário de<br />
São Paulo) denominou o sub-trecho de 15.00.002-F10-006R00.<br />
Como este trabalho aborda o elemento “espaço construído” da paisagem urbana, o qual<br />
acarreta cortes e aterros no relevo, retifica ou canaliza o curso dos rios, tem no<br />
movimento o motor propulsor de seu relacionamento com a natureza, movimento este<br />
dado pelas transformações ocorridas a partir do desenvolvimento das forças produtivas<br />
materiais da sociedade no processo de trabalho (Carlos, 1994). Assim sendo, os<br />
aspectos físicos da área de estudo serão descritos a seguir.<br />
75
Fig. 3.1 – Localização da área de estudo.<br />
Trecho do Rodoanel que apresenta uma extensa área periférica compreendida entre os<br />
cursos do Rio Tietê ao Norte e o vale de seu afluente, o Rio Guaió, ao Sul.<br />
Segundo Carlos (1994), as cidades crescem ao longo das rodovias, formando e<br />
articulando pontos de aglomeração, e criando “núcleos” que nem sempre parecem ter<br />
identificação direta com a cidade, e sim com São Paulo. Tais aglomerados são<br />
produzidos de modo “espontâneo”. As indústrias se implantando ou o comércio se<br />
instalando nas localizações que lhe trazem maior benefício. Como pode ser observado<br />
na imagem do IKONOS II (Figura 3.2), há pontos de concentração industrial, às<br />
margens das rodovias, e vazios urbanos, localizados nas cidades de Mauá e Santo<br />
André. Desta forma, o espaço urbano vai se estruturando sem infra-estrutura adequada,<br />
76
sem água e esgoto, sem asfaltamento das ruas, acarretando em mancha urbana<br />
descontínua.<br />
Fig. 3.2 – Aglomerados industriais e vazios urbanos, localizados nos municípios de<br />
Mauá e Santo André.<br />
Nesta figura, nota-se na coloração da cidade, a predominância dos tons de cinza, devido<br />
ao concreto (cinza) e o asfalto (negro), a cor avermelhada vem dos telhados das<br />
residências e o tom pastel vem do solo exposto. Conforme Carlos (1994), o colorido<br />
aparece apenas nas roupas das pessoas e nos carros que trafegam, sempre com muita<br />
pressa. As grandes áreas verdes são remanescentes da mata original, localizadas em<br />
pontos onde é difícil a sua ocupação ou nas proximidades da Serra do Mar.<br />
77
Carlos (1994) descreve que a infra-estrutura da periferia é precária ou inexistente, como<br />
uma coloração diferente das áreas “ricas” (casas grandes, terrenos grandes,<br />
arborização), enquanto que na periferia, as moradias apresentam-se amontoadas num<br />
misto de autoconstrução e favelas construídas em terrenos pouco valorizados, onde se<br />
aglomera uma massa de trabalhadores misturada com o exército industrial de reserva e<br />
seus familiares em locais cada vez mais distantes daqueles de trabalho.<br />
Pouco restou da paisagem das chácaras, localizadas nas divisas de municípios, descritas<br />
por Azevedo (1958), onde se tinha uma função residencial, ou seja, seus moradores<br />
residiam em pequenas casas com três ou quatro cômodos, feitas de tijolos e cobertas<br />
com telhas, que se elevavam no meio de terrenos de dimensões restritas, tendo ao lado<br />
os rios para fornecer água e, muitas vezes, uma pequenina área cultivada (hortaliças,<br />
flores e frutas) e a prática de pesca em lagoas artificiais, acrescentando algumas olarias,<br />
que se multiplicavam em boa parte das várzeas (Figura 3.3).<br />
Fig. 3.3 – Periferia da região Leste da cidade de São Paulo, fotografia aérea de janeiro<br />
de 2001.<br />
78
As informações relativas ao meio físico desta área, para os estudos preliminares de<br />
implantação viária bem como de qualquer obra de engenharia, são de fundamental<br />
importância para se executar um projeto mais racional e econômico. A obtenção de<br />
informações sobre o terreno e a sua representação gráfica com dados de sistemas<br />
sensores terrestres, aéreos e/ou orbitais, consiste basicamente em:<br />
Estudos Topológicos (Topologia) que analisam a forma global da conformação do<br />
terreno, suas modificações e as leis que regem essas modificações;<br />
Estudos Topométricos (Topometria) que consiste na obtenção das medidas (ângulos e<br />
distâncias) no terreno, para a transposição às plantas. Eles poderão ser realizados por<br />
meios terrestres ou aéreos constituindo-se de Levantamentos Topográficos Clássicos,<br />
Restituição Aerofotogramétrica e Interpretações de Imagens Orbitais. Os levantamentos<br />
topográficos bem como as locações são realizadas através de duas operações:<br />
Planimetria, que determina as projeções horizontais dos pontos do terreno; e Altimetria<br />
(ou nivelamento) que determina as cotas (altitudes) do terreno.<br />
Estas operações consistem na observação detalhada do modelado e da configuração ou<br />
formas de relevo da região situadas entre os pontos extremos da ligação da rodovia, ou<br />
de outra obra de engenharia, registrando planimetrica ou altimetricamente os acidentes<br />
geográficos, bem como realizando uma classificação topográfica da região, procurando<br />
caracterizar o relevo. Os dados necessários variam, evidentemente, de caso a caso.<br />
Porém, as informações mínimas que o projetista precisa dispor para a elaboração de um<br />
projeto de qualidade incluem: Indicação dos tipos de rochas que ocorrem no substrato<br />
rochoso; características dos diversos horizontes de solo; delimitação da área em que<br />
ocorrem solos “moles”, ou seja, impraticáveis à implantação de rodovias e outras obras<br />
de engenharia; área de ocorrência de matacões e afloramentos rochosos; avaliação do<br />
comportamento das águas superficiais e subterrâneas visando prever e prevenir<br />
problemas de implantação, problemas de drenagem, previsão de áreas potencialmente<br />
utilizáveis como jazidas para material de empréstimo visando a execução dos aterros,<br />
proteção das áreas terraplenadas, etc.<br />
79
A seguir serão apresentados os aspectos gerais da Geologia, Pedologia e Geomorfologia<br />
no que dizem respeito e interessam diretamente ao planejamento urbano, incluindo a<br />
construção viária.<br />
3.2. GEOLOGIA<br />
De acordo com Almeida (1958), a área metropolitana de São Paulo situa-se num<br />
planalto mais ou menos acidentado, de estrutura complexa, formada principalmente por<br />
rochas metamórficas ou basais, capeadas por sedimentos cenozóicos (Bacia de São<br />
Paulo). A litologia desta bacia é formada por argilas, siltes e areias argilosas finas. Para<br />
Suguio (1980), a Bacia de São Paulo é constituída texturalmente por sedimentos pobres<br />
em estruturas primárias, apresentando estratificação plano-paralela horizontal,<br />
estratificações gradativas, pelotas de argila, diques clásticos arenosos dentro de argilas e<br />
estratificações cruzadas.<br />
Ao longo dos cursos dos rios localizam-se os depósitos aluviais que estão associados às<br />
calhas e planícies de inundação (ou aluviais). Estes depósitos estendem-se até a soleira<br />
granítica do Cristalino, e apresentam camadas ricas em material orgânico, intercalados<br />
ao material detrítico, com raras ocorrências de areias grossas e cascalhos finos (Vetec<br />
Engenharia e Vence Engenharia, 1992). Estes depósitos possuem fartura de sills<br />
básicos, favorecendo a criação de soleiras litológicas a montante, originando o acúmulo<br />
de aluviões (IPT, 1981a).<br />
Na área de terrenos cristalinos destacam-se os metaconglomerados, que afloram por<br />
vezes na forma de matacões de até três metros de diâmetro, aparecendo seixos de<br />
granitos, gnaisses, micaxistos e quartzitos, englobados numa matriz arenosa,<br />
heterogênea e de natureza grosseira. Estes locais atualmente foram transformados em<br />
pedreiras (Figura 3.4).<br />
As falhas indiscriminadas são feições estruturais constituídas por faixas cataclásticas<br />
espessas. Segundo a Vetec Engenharia e Vence Engenharia (1992), estas falhas foram<br />
desenvolvidas no final do Ciclo Brasiliano (Pré-Cambriano) por uma reativação<br />
80
posterior durante o Terciário que provocou movimentos verticais, ultrapassando muitas<br />
vezes 100 m. Na região em estudo, destaca-se a falha de Taxaquara (IPT, 1981a).<br />
Fig. 3.4 – Extração de material de construção (pedreiras) vista por fotografia aérea,<br />
localizada na região noroeste do município de Mauá.<br />
Para Moura e Silva (1998) o relevo da região apresenta uma característica cobertura de<br />
materiais inconsolidados (regolito), proveniente da alteração in situ do substrato<br />
rochoso (elúvio), e da remobilização deste por processos de encosta e fluvial (coberturas<br />
sedimentares). Estes autores salientam a importância dos depósitos de encosta<br />
(colúvios) e a recorrência de processos erosivos sobre o regolito (Figura 3.5).<br />
81
Fig. 3.5 – Carta Geológica da área de estudo.<br />
FONTE: adaptada de Emplasa (1990d e 1990e)<br />
82
3.3 PEDOLOGIA<br />
De acordo com Setzer (1941 e 1955) e França (1958), os solos da área metropolitana de<br />
São Paulo são caracterizados como pobres devido a lixiviação e ao elevado teor de<br />
acidez. Os solos, bem como as unidades geomorfológicas, são caracterizados pelo<br />
relevo da sua área de ocorrência, como descritos a seguir:<br />
Solos localizados nas planícies aluviais, sendo a parte mais úmida denominada pelos<br />
autores de várzea úmida, podem ser argilosos claros e pobres em húmus (conhecidos<br />
como Taguá), argilosos escuros, ricos em húmus (denominado de Tabatinga), e solos<br />
turfosos (carbono total acima de 10%). Nas partes mais secas das planícies aluviais<br />
(terraços ou várzea enxuta), estes solos apresentam a coloração acinzentada, às vezes<br />
com tonalidade amarelada, castanha ou rosada.<br />
Nas encostas de colinas, morros ou partes altas do relevo são encontrados solos claros<br />
de argilitos bastante arenosos (massapé amarelo), solos amarelos e alaranjados de<br />
argilitos pouco arenosos (massapé vermelho) e solos vermelhos de argilitos pouco<br />
arenosos (Catanduva).<br />
Solos decorrentes dos argilitos arenosos terciários podem ser encontrados em três<br />
variações: solos amarelos claros, com areia grossa de grãos arredondados; solos<br />
alaranjados, com areia fina e uniforme; e solos claros com cascalho arredondado.<br />
Solos resultantes de gnaisses e granitos (Salmourão) podem ser rasos e profundos, e<br />
bem ácidos quando originados dos gnaisses.<br />
Solos originados de quartzitos e quartzoxistos, também chamados de Salmourão, são<br />
caracterizados por serem arenosos, podendo conter areia grossa e alguma argila.<br />
Solos oriundos dos quartzitos e quartzoxistosos são arenosos, grosseiros, com alguma<br />
argila, contendo raras palhetas de micas brancas.<br />
Solos provenientes dos micaxistos e filitos possuem areias, pequenos agregados de<br />
argila, por vezes concrecionária.<br />
83
Outros grupos pedológicos citados pelos autores mencionados são os solos coluviais e<br />
eluviais, característicos das encostas das colinas e morros da região que pertencem ao<br />
grupo dos solos lateríticos (França, 1958). Segundo Setzer (1955), um dos maiores<br />
problemas das terras da região em estudo é a acidez e a pobreza química, devido à<br />
inexistência de solos muito arenosos com baixo teor de argila.Para informações sobre as<br />
características químicas dos solos da área de estudos, vide Setzer (1955).<br />
O sistema hidrográfico da região apresenta como principal coletor o rio Tietê, de<br />
aspecto sinuoso e meandrante onde não foi retificado, percorrendo a planície fluvial,<br />
podendo formar alguns lagos, resultantes de meandros abandonados, o que ocasiona<br />
obstáculos para o desenvolvimento de um sistema viário. Na região metropolitana de<br />
São Paulo no setor Leste está localizado o único trecho do rio Tietê que ainda não foi<br />
retificado. O rio Guaió segue o rumo de SW para NE, tendo sua confluência com o<br />
Tietê próximo de Poá. Possui extensão de aproximadamente 20 km, sendo que seu curso<br />
se desenvolveu no contato dos xistos e gnaisses com os granitos, possuindo a jusante o<br />
formato de rio em treliça (Almeida, 1958). Este rio é considerado um dos últimos<br />
afluentes do Tietê, dentro da Grande São Paulo, pouco afetado pela poluição hídrica,<br />
apresentando ainda água limpas.<br />
Conforme Azevedo (1958), a região apresenta grande suscetibilidade a erosão devido as<br />
suas características geográficas. Para a construção viária é necessário um estudo para<br />
reduzir os prováveis efeitos da erosão.<br />
3.4. GEOMORFOLOGIA<br />
A geomorfologia participa como um dos componentes da paisagem que expressa a<br />
potencialidade e a fragilidade dos recursos naturais. Além da geomorfologia ser de<br />
grande importância para quaisquer obras de engenharia, incluindo os empreendimentos<br />
rodoviários, a análise dos elementos do relevo, permite prever os impactos causados por<br />
estas obras. Além disso, a geomorfologia apresenta subsídios para o parcelamento e uso<br />
do solo, na medida em que são apontados os tipos de problemas geotécnicos<br />
característicos, permitindo reconhecer a intensidade e incidência espacial dos processos<br />
erosivos as suas intensidades e mudanças ao longo das vertentes.<br />
84
Os dados de Geomorfologia usados foram obtidos da análise de informações préexistentes,<br />
inseridos em mapas temáticos e de natureza cartográfica (Cartas<br />
Topográficas do IBGE (1984a e 1984b) e da Emplasa (1990b e 1990c)). O manejo das<br />
informações qualitativas e com valores limitados a priori a um certo número de<br />
categorias, foi organizado em estruturas de dados denominados genericamente de<br />
Modelos Digitais de Terreno, ou MDT. Segundo Felicísimo (2001), a integração dos<br />
MDT aos Sistemas de Informação Geográfica (SIG) abrem as portas a um conjunto de<br />
técnicas de representação da realidade e de simulação de processos que complementam<br />
de forma importante a capacidade clássica dos SIG para o manejo da informação<br />
temática.<br />
A partir do MDT extraem-se informações sobre o relevo de forma objetiva e exaustiva.<br />
Para Felicísimo (2001), a objetividade deriva do caráter digital dos dados e dos<br />
processos configurados por algoritmos. Já a exaustividade refere-se ao fato de que estes<br />
processos são aplicáveis à totalidade da área analisada e não somente a uma amostra da<br />
mesma.<br />
A declividade é definida como o ângulo existente entre o vetor normal à superfície<br />
neste ponto e a vertical, que varia de 0% a 90%. Sua estimativa é simples e se baseia no<br />
cálculo do declive de um plano de ajuste em cada ponto ou célula do modelo. Com isto,<br />
tem-se uma Grade regular, a partir da qual é gerado um mapa temático, associando uma<br />
classe temática para cada intervalo de valores numéricos, na dependência dos objetivos<br />
do trabalho. Este processo é chamado de Fatiamento. A Figura 3.6 mostra o mapa<br />
temático de declividade ou clinográfico (primeiro à direita), que está expresso em cores<br />
quentes, com intervalos de 10%, onde a cor amarela representa as regiões mais planas, e<br />
a vermelha as regiões com maior declive. Este mapa é importante para o planejamento<br />
urbano e viário, pois, p.ex. obras implantadas em áreas de declividade acentuada<br />
apresentam freqüentemente cortes e aterros com altura excessiva, implicando assim em<br />
sérias dificuldades de implantação e facilitando a ação de processos erosivos.<br />
O mapa Hipsométrico representa as inter-relações existentes em determinada unidade<br />
de relevo no tocante à sua distribuição em relação à altitude, indicando a proporção<br />
85
ocupada por determinada área da superfície terrestre em relação às variações<br />
altimétricas a partir de determinadas isoípsas (Christofoletti, 1980). Para cada intervalo<br />
de 20 m. de altitude foi associada uma classe, sendo a cor amarela para a região mais<br />
baixa e a roxa para a região mais elevada (Figura 3.6, mapa central). A partir deste<br />
mapa, obtém-se uma noção da amplitude do relevo de interesse direto no<br />
dimensionamento do sistema da drenagem, bem como no volume de terraplanagem a<br />
ser efetuado (Emplasa, 1990a).<br />
O mapa de orientação das vertentes (aspecto) mostra a exposição das encostas em<br />
relação à radiação, que constitui um fator que interfere significativamente na<br />
produtividade vegetal de uma área. Este mapa é expresso em graus de 0º a 360º, sendo<br />
que o valor 0º indica Norte; 90º - Leste; 180º - Sul; 270º - Oeste; e 360º - Norte. Valores<br />
de 361º são usados para identificar superfícies planas, tais como os corpos d’água. A<br />
Figura 3.6 (primeiro mapa à esquerda) mostra um mapa de aspecto, com os valores de<br />
azimute de 18,0, elevação igual a 19,9 e ambiente de 0,5. Estes parâmetros referem-se à<br />
data de aquisição da imagem do IKONOS II (28 de Julho de 2000, às 12:57 GMT). Este<br />
mapa também mostra a dissecação do relevo, ou seja, a intensidade de rugosidade<br />
topográfica, com morros côncavo-convexos, indicando a fragilidade potencial<br />
apresentada por este ambiente (Ross, 2000).<br />
Com estas informações sobre o relevo, pode-se também efetuar o cruzamento destes<br />
dados com outros mapas, a fim de obter mais informações, como mostra Penido (1998),<br />
que confeccionou um mapa-síntese de aptidão física para a implementação de rodovias.<br />
86
Fig. 3.6 – Mapas de Aspecto, Hipsométrico e de Declividade do relevo.<br />
87
A Figura 3.7 mostra o relevo em 3 dimensões, o que possibilita a visualização de locais<br />
ou estruturas geológicas, tendo importante aplicação prática. Estes modelos são<br />
utilizados, por exemplo, para a análise do impacto visual de uma obra, para o desenho<br />
de redes de comunicação e a localização de torres de vigilância contra incêndios e<br />
monitoramento. No entanto, a sua aplicação cartográfica torna-se limitada, visto que, o<br />
aplicativo não fornece a escala, obtendo-se conseguindo obter apenas uma escala<br />
aproximada. Através deste modelo obtém-se também uma visão geral das formas das<br />
vertentes, a sua convexidade – curvatura positiva, quando os ângulos aumentam<br />
continuamente para baixo; ou a sua concavidade – curvatura negativa, quando os<br />
ângulos decrescem continuamente para baixo. Estas informações são importantes para<br />
quaisquer obras de engenharia que venham provocar alterações na paisagem.<br />
Fig. 3.7 – Representação do relevo em 3 dimensões, da área em estudo, mostrando a<br />
dissecação do relevo.<br />
88
Com base nestes dados e no mapa de Aptidão Física para o Assentamento Urbano da<br />
Emplasa (1990b e 1990c) foram definidas as unidades de relevo homogêneas,<br />
constituindo áreas que apresentam comportamentos semelhantes, em termos de<br />
dinâmica do meio físico (Figura 3.8), a saber:<br />
Planícies Aluviais: ocorrem em terrenos baixos e planos junto aos cursos d’água, com<br />
declividades geralmente inferiores a 5%. As planícies aluviais são a única unidade de<br />
relevo em que ocorre só um tipo de solo, isto é, os sedimentos aluvionares. Observa-se,<br />
desta forma, uma íntima relação entre as áreas de ocorrência das planícies e os<br />
sedimentos (Emplasa, 1990a).<br />
Colinas: ocorrem sobre sedimentos que compõem a Bacia Sedimentar de São Paulo<br />
(Cenozóico) e áreas do Pré-Cambriano próximas, apresentando relevo suavizado de<br />
encostas levemente sulcadas por linhas de drenagem (média a baixa densidade),<br />
apresentando uma passagem gradual para o relevo de morrotes (IPT, 1981b).<br />
Caracterizam-se pela predominância de amplitudes de até 40 m, com declividades<br />
predominantes de até 20%, encostas côncavo-convexas e retilíneas a rampas, que se<br />
articulam no domínio fluvial com os terraços (Moura e Silva (1998).<br />
Morrotes: relevo ondulado, caracterizado pela predominância de amplitudes de até 60<br />
m. As declividades de encosta predominantes são de 20 a 30% nas porções inferiores, e<br />
entre 10 e 20% nas porções superiores e topos. As encostas possuem perfis retilíneos a<br />
convexos e superfícies desde levemente sulcadas a ravinadas com alguns anfiteatros.<br />
Apresentam densidade de linhas de drenagem variáveis, sendo maior nas encostas mais<br />
íngremes, onde há problemas de erosão.<br />
Morrotes Baixos: isolados em meio a planícies aluviais: trata-se de morros alongados e<br />
em “meia-laranja” (Ab’Sáber, 1969) com amplitudes predominantes de 40 m que se<br />
destacam em meio a planícies colúvio-aluvionares, predominando declividades de<br />
encosta de 30 a 40%. As encostas de perfis retilíneos apresentam-se sulcadas por linhas<br />
de drenagem nos morrotes mais alongados. Possuem alta densidade de drenagem e os<br />
vales são amplos com planícies relativamente desenvolvidas. Apresentam, também, em<br />
alguns locais, relevo de colinas amplas e suavizadas, de pequenas amplitudes.<br />
89
Morros Altos: amplitudes predominantes entre 140 até 183m, declividades<br />
principalmente entre 20 e 30% nas porções superiores das encostas e maiores que 30%<br />
nas porções inferiores. As encostas, com perfis predominantemente retilíneos<br />
apresentam-se bastante entalhadas, com grotas profundas, anfiteatros, ravinas e alta<br />
densidade de drenagem, com erosão em sulcos e laminar.<br />
A figura 3.8 mostra a área urbana edificada, onde não foram identificadas as unidades<br />
geomorfológicas pelo fato da zona urbana apresentar movimentação de terras, para<br />
finalidades de construção civil.<br />
Para informações mais detalhadas sobre a Geologia e Geomorfologia da área de estudo,<br />
vide Ab’Saber (1958), Emplasa (1990a), Vetec Engenharia e Vence Engenharia (1992)<br />
e Penido (1998).<br />
90
Fig. 3.8 – Carta Geomorfológica da área de estudo.<br />
FONTE: adaptada da Emplasa (1990b e 1990c).<br />
91
CAPÍTULO 4<br />
4 - MATERIAIS E MÉTODOS<br />
4.1 – MATERIAIS<br />
Neste trabalho, foram utilizadas imagens dos seguintes satélites: Landsat 7, órbita-ponto<br />
219/76, quadrante C, do dia 03 de setembro de 1999, em formato digital; SPOT- 4,<br />
adquirida em 19.03.1999; IKONOS II, adquirida em 28.07. 2000. Segue-se uma breve<br />
descrição destes satélites, abordando apenas os aspectos inovadores dos mesmos. A<br />
seguir será descrito sucintamente o satélite IKONOS II, e para informações mais<br />
detalhadas sobre os outros satélites, vide Novo (1988), Lillesand e Kiefer (1994),<br />
Mather (1999), NASA (2000) e CNES (2000).<br />
4.1.1 – IKONOS II<br />
Lançado em 24.09.1999, pelo foguete-lançador Athena II da Base Aérea de<br />
Vandenberg, Califórnia, EUA, o IKONOS II é considerado o primeiro satélite de alta<br />
resolução totalmente comercial, com altitude de órbita de 681 km, solsíncrona e<br />
mantendo uma inclinação de 98,1º com relação ao plano equatorial. Isto permite que o<br />
satélite cruze o Equador sempre à mesma hora solar, em torno de 10:30 h.<br />
Estas características, além da sua velocidade orbital, possibilitam o imageamento da<br />
mesma área em intervalos de 3 dias. No entanto, a empresa Space Imaging (2001), que<br />
comercializa os produtos deste satélite, informa que este intervalo é para alvos a 40º de<br />
latitude. Para latitudes maiores, o intervalo é menor, enquanto que para latitudes<br />
menores ele é maior.<br />
O satélite IKONOS II fornece dois tipos de imagens: no modo pancromático (preto e<br />
branco) e no modo multiespectral (colorido). De acordo com a Space Imaging (2001), o<br />
primeiro modo permite observar a Terra numa ampla faixa do espectro eletromagnético<br />
e o segundo, em quatro faixas espectrais estreitas, semelhante ao que ocorre com os<br />
satélites Landsat 4 e 5 (Tabela 4.1).<br />
93
TABELA 4.1: SATÉLITE IKONOS II<br />
Adaptada de Space Imaging (2000)<br />
De modo semelhante ao sistema sensor HRV do satélite SPOT, o IKONOS II permite a<br />
visada nadir e a visada não-nadir (off nadir). Para a visada vertical, este sistema sensor<br />
fornece uma resolução espacial de 1 x 1 m no modo pancromático e de 4 x 4 m no modo<br />
multiespectral. Em ambos os casos esta resolução é obtida em até 26º off nadir.<br />
A empresa Space Imaging disponibiliza imagens do IKONOS II com as seguintes<br />
resoluções:<br />
• Resolução de 1 m, imagem preto e branca;<br />
• Resolução de 4 m, imagens coloridas; e<br />
• Resolução de 1 m, que constitui a fusão das duas anteriores, o que inclui a<br />
escolha de 3 bandas (R,G,B) dentre as 4 bandas do satélite (R,G,B,NIR).<br />
Com relação à exatidão das imagens do IKONOS – II, há cinco opções para o usuário, a<br />
saber:<br />
1. Geo – possui exatidão de 50 m CE 90;<br />
2. Reference – exatidão de 25 m CE 90;<br />
94
3. Map – exatidão de 12 m CE 90;<br />
4. Pro – exatidão de 10 m CE 90; e<br />
5. Precision – exatidão de 4 m CE 90.<br />
Nota – CE 90 é a exatidão posicional circular com um nível de certeza de 90%, assim<br />
por exemplo, a imagem Geo possui uma exatidão de 50 m CE90, o que significa que<br />
qualquer ponto dentro da imagem pode estar posicionado a um raio horizontal de até 50<br />
m da sua posição original da Terra, em 90 % dos casos. Segundo Toutin e Cheng<br />
(2000), a exatidão torna-se pior em área montanhosas e adquiridas com uma visada offnadir.<br />
O primeiro produto de menor precisão, não apresenta correções das distorções do<br />
relevo. Para Toutin e Cheng (2000), este produto só atenderá aos requisitos geométricos<br />
de um mapeamento na escala de 1:100.000. Para informações mais detalhadas sobre o<br />
sistema sensor IKONOS II e suas aplicações, vide a Homepage da empresa SPACE<br />
IMAGING: www.spaceimaging.com.br.<br />
Além das imagens orbitais, foram usados neste trabalho outros dados auxiliares,<br />
conforme apresentado na tabela 4.2. O material da Emplasa/IPT é o mesmo utilizado<br />
pela DERSA para o estudo do Trecho Leste do Rodoanel.<br />
TABELA 4.2: MATERIAL UTILIZADO<br />
Quantidade TIPO Formato Fonte Escala<br />
10 Fotografia – aérea Digital<br />
Imagem<br />
Sensoriamento<br />
Remoto Ltda, 2001<br />
1:20.000<br />
2<br />
Carta de Aptidão Física<br />
ao Assentamento Urbano<br />
Analógico Emplasa, 1990 1:50.000<br />
2 Carta Geológica Analógico Emplasa, 1990 1:50.000<br />
2 Carta Topográfica Analógico IBGE, 1984 1:50.000<br />
6<br />
Carta de uso e ocupação<br />
do solo<br />
Digital DERSA, 2000 1:10.000<br />
95
Como um dos objetivos deste trabalho é mostrar a utilização dos SIG para a<br />
implementação viária, as imagens e os demais dados foram manipulados e analisados<br />
nos seguintes aplicativos: AutoCAD MAP (versão 2), SPRING (versão 3.5), ENVI<br />
(versão 3.2), ERDAS (8.5) e a utilização de programas de gráficos como o Corel Draw e<br />
o PhotoShop. As fotografias aéreas serviram como verdade terrestre em substituição ao<br />
trabalho de campo (Congalton e Green, 1999). As fotografias aéreas foram adquiridas<br />
pela empresa Base Aerofotogrametria Ltda, na escala 1:20.000, o sobrevôo foi realizado<br />
em janeiro de 2001, a câmara fotográfica usada foi a ZEISS RMKTOP15, e o seu<br />
diafragma é de 152,741 mm.<br />
4.2. - MÉTODOS<br />
A metodologia utilizada foi direcionada para produzir material de apoio ao estudo do<br />
traçado viário a partir de informações temáticas provenientes de diversas fontes, com o<br />
intuito de explorar o potencial das ferramentas disponíveis nos Sistemas de Informação<br />
Geográfica para a engenharia rodoviária e de imagens de sistemas sensores de alta<br />
resolução, conforme o fluxograma abaixo (Figura 4.1):<br />
96
Fig. 4.1 – Fluxograma de trabalho.<br />
97
As Atividades Preliminares foram os primeiros passos para o desenvolvimento deste<br />
trabalho e consistiram da aquisição e seleção da base cartográfica e bibliografia<br />
referente à área de estudo; levantamento bibliográfico referente ao tipo de estudo a ser<br />
realizado; e escolha do Sistema de Informações Geográficas usado neste trabalho.<br />
Após a coleta dos dados, foi realizada a elaboração e a montagem do Banco de Dados<br />
dentro de um Sistema de Informações Geográficas –SIG (ou GIS). Este banco de Dados<br />
foi configurado principalmente nos aplicativos ERDAS e SPRING (INPE), todavia,<br />
algumas ferramentas de outros SIG’s também foram utilizadas (ENVI, ARCVIEW,<br />
ARCINFO etc).<br />
As coordenadas geográficas adotadas no Banco de Dados são as mesmas da DERSA e<br />
do Instituto Brasileiro de Geografia e Estatística, do qual foram utilizadas as cartas<br />
topográficas, na escala 1:50.000, que passaram pelo processo de scannerização e em<br />
seguida foram georeferenciadas. Assim sendo, a projeção do Banco de Dados é:<br />
Universal Transversa de Mercator (UTM); Elipsóide: América do Sul 1969; Datum:<br />
SAD 69; Zona 23.<br />
A partir da montagem do Banco de Dados houve uma bifurcação de dados: matricial e<br />
vetorial. Os dados matriciais referem-se ao processamento digital da imagem, desde o<br />
pré-processamento até a classificação das imagens. Do outro lado, os dados vetoriais<br />
digitais advindos da DERSA serviram para verificar a exatidão da correção geométrica<br />
das imagens de satélite. Já das cartas topográficas do IBGE foram digitalizadas as<br />
curvas de nível, e posteriormente gerado o MNT, para ser utilizado na modelagem das<br />
imagens em 2 D ½. A seguir serão mostradas as etapas executadas com as imagens<br />
digitais e posteriormente será descrita a fusão das imagens resultantes com o MNT.<br />
4.2.1 – PRÉ-PROCESSAMENTO<br />
4.2.1.1 – EXTRAÇÃO DE CARACTERÍSTICAS ESTATÍSTICAS<br />
Esta primeira etapa consistiu na diminuição do número de imagens multiespectrais,<br />
visando diminuir o volume de dados, e conseqüentemente, o tempo de processamento<br />
das etapas seguintes. A extração das características estatísticas foi realizada apenas com<br />
98
a imagem do satélite Landsat 7, sensor ETM+, por ser a única imagem com bandas<br />
multiespectrais. Para isto, foram utilizadas duas tabelas (correlação e variância) entre as<br />
bandas. Os dados estatísticos foram adquiridos através do aplicativo SPRING, podendo<br />
ser extraídos também pelo ERDAS e ENVI.<br />
4.2.1.2 – CORREÇÃO GEOMÉTRICA<br />
O objetivo desta etapa do pré-processamento foi corrigir e alocar as imagens para as<br />
coordenadas do projeto. Esta etapa foi efetuada em dois passos: localização de pontos<br />
de controle e correção.<br />
Para a correção utilizou-se, como para a transformação geométrica das imagens, uma<br />
equação polinomial do 1º Grau. A correção foi realizada por meio da determinação<br />
matemática da relação entre as coordenadas do mapa no sistema de referência (x, y)<br />
adotado no banco de dados e nas coordenadas da imagem (linha, coluna). Segundo<br />
Toutin e Cheng (2000), este método é adequado para áreas pequenas e planas, e corrige<br />
as distorções planimétricas básicas nas proximidades dos pontos de controle, além de<br />
não considerar a elevação do terreno. Neste caso, a desconsideração do relevo não<br />
prejudica na correção geométrica, devido ao fato do relevo ser ondulado, como descrito<br />
no capítulo 3.<br />
O próximo passo consistiu na construção da imagem, que define as posições dos pontos,<br />
sendo que o método de interpolação determina o nível de cinza a ser atribuído a cada<br />
ponto, sendo o mais apropriado é o do vizinho mais próximo, devido ao fato da área de<br />
estudo ser uma periferia urbana. Estes procedimentos foram aplicados nas coordenadas<br />
X e Y da imagem, ajustando-a para as coordenadas do Projeto.<br />
A avaliação dos resultados deste ajuste é efetuada através dos pontos de teste, que foram<br />
utilizados na transformação por mínimos quadrados, e usados na mesma equação<br />
polinomial dos pontos de controle. Juntos determinaram o erro residual e o erro<br />
quadrático médio (RMS) de cada ponto de teste.<br />
Os pontos de controle foram coletados dos mapas da DERSA (confeccionados em 1998,<br />
escala 1:10.000) e do IBGE (confeccionados em 1960, escala 1:50.000) (Figura 4.1). O<br />
99
primeiro mapa corresponde apenas a uma faixa de terreno onde está sendo construído o<br />
trecho Leste do Rodoanel. A correção geométrica foi iniciada no aplicativo SPRING, e<br />
em seguida transportada para o ERDAS, pelo fato deste último pacote possuir mais<br />
recursos para a correção, como por exemplo, a correção da imagem com o modelo<br />
geométrico do sensor do Landsat 7 e a correção da imagem com o relevo (MNT,<br />
curvatura de Terra), denominada de orto-retificação.<br />
Fig. 4.2 – Dados de Entrada – Carta topográfica do IBGE (1:50.000) e Carta da DERSA<br />
(1:10.000)<br />
Inicialmente foi feito o georeferenciamento das bandas multiespectrais do Landsat 7.<br />
Em seguida realizou-se o registro imagem-imagem das duas cenas restantes. A<br />
composição colorida das bandas multiespectrais, 3 (azul), 5 (verde), 4 (vermelho),<br />
auxiliou na visualização dos pontos.<br />
4.2.2. – PROCESSAMENTO DIGITAL<br />
Nesta etapa foi realizado o realce de imagens utilizando a função denominada<br />
Gaussiana, que possibilitou efetuar uma transformação da intensidade da imagem de<br />
entrada, de forma que o histograma da imagem de saída fosse ajustado a uma curva de<br />
distribuição normal (Gaussiana), entre o nível de cinza mais alto e o mais baixo,<br />
tornando-a homogênea. A distribuição estatística produz um histograma em que a média<br />
e o desvio padrão da distribuição são especificados, além dos parâmetros do menor e do<br />
100
maior valor do nível de cinza. Os níveis de cinza localizados fora da área de campo da<br />
curva Gaussiana, continuarão com os seus valores de originais. Em sua maioria tais<br />
níveis de cinza pertencem a corpos de água (tom de cinza escuro) a área de extração de<br />
areia ou construções cobertas com telhas de amianto (tons de cinza claro), o que não irá<br />
prejudicar na classificação final.<br />
Segundo Crosta (1992), para a composição colorida o uso da normalização é desejável,<br />
pois as bandas poderão ter seus histogramas com a mesma média e desvio-padrão,<br />
obtendo-se assim um balanceamento de cores na composição.<br />
O próximo passo do processamento de imagem foi a transformação, sendo adotado<br />
neste trabalho a manipulação do espaço de cores. Esta técnica foi escolhida por<br />
possibilitar a combinação de imagens de diferentes resoluções espaciais, objetivando<br />
complementar informações e melhorar a resolução espacial da imagem resultante. Os<br />
satélites Landsat 7, SPOT 4 e IKONOS II produzem imagens pancromáticas com uma<br />
resolução espacial melhor que as imagens multiespectrais. Por outro lado, esta técnica<br />
também é utilizada para baratear os custos com as imagens, comprando se apenas a<br />
imagem pancromática de um satélite de resolução melhor, e as imagens multiespectrais<br />
de outro satélite com resolução inferior ao primeiro. Assim por exemplo, adquire-se a<br />
imagem pancromática do SPOT 4 (r.e. de 10 x 10 m) e as bandas multiespectrais do<br />
Landsat 7 (r.e. de 30 x 30 m).<br />
Neste estudo, iniciou-se o processamento com a manipulação no espaço de cores entre<br />
as bandas multiespectrais e a banda pancromática do satélite Landsat 7. Esta mesma<br />
combinação foi efetuada entre as bandas multiespectrais e a banda pancromática do<br />
satélite IKONOS II. Em seguida, esta manipulação foi realizada entre diferentes<br />
satélites diferentes. Realizou-se a fusão das bandas multiespectrais do Landsat 7 com a<br />
banda pancromática do satélite SPOT 4, e finalmente, a associação destas bandas<br />
multiespectrais com a banda pancromática do satélite IKONOS II.<br />
Wald, Ranchin e Mangolini (1997) relatam que para, este tipo de transformação de<br />
imagens, não há a necessidade de aquisição simultânea das imagens, o que leva a<br />
diferenças espectrais na imagem resultante, principalmente nas regiões em que<br />
101
ocorreram mudanças na paisagem. Portanto, isto influencia na qualidade espectral da<br />
imagem, sendo quase nula a sua influencia na resolução espacial.<br />
Esta técnica apresenta bons resultados quando combinada com imagens que não tenha<br />
grandes diferenças na resolução espacial, como na fusão das imagens do satélite<br />
Landast e SPOT, porém é diferente na combinação entre imagens com grande diferença<br />
de resolução espacial, como Landsat 7 e IKONOS II.<br />
4.2.3 – A CLASSIFICAÇÃO DIGITAL<br />
Esta etapa consistiu na classificação das feições de uso e cobertura do solo que<br />
interessam à construção viária e ao planejamento urbano. Como foi discutido no<br />
capítulo 2, a classificação das imagens do Landsat 7 e do SPOT 4 não apresentam<br />
grande avanços para a classificação dos elementos urbanos, necessitando de dados<br />
externos para se obter algum resultado mais detalhado. Por isso, optou-se pela<br />
classificação apenas da imagem do IKONOS – II, procurando analisar os avanços que<br />
estes dados de alta resolução trazem para a classificação digital da área urbana. Para<br />
tanto, fez-se esta classificação com um programa que possibilita utilizar várias<br />
informações da própria imagem, e o aplicativo escolhido foi o eCognition (Definiens)<br />
que faz a classificação digital através de uma aproximação direcionada, avaliando<br />
também as relações de forma, tamanho, vizinhança e hierarquia.<br />
4.2.4 – VIRTUAL GIS<br />
Após a classificação foi feito um cruzamento da imagem do IKONOS II com os dados<br />
topográficos no módulo do ERDAS, denominado de Virtual GIS (versão 8.5), que<br />
possibilita fazer uma visualização em 3 D, permitindo ao analista ter uma visão de<br />
conjunto da área de estudo, além de possibilitar a realização de simulações de vôo sobre<br />
a área. Esta ferramenta pode ser interessante para o planejamento urbano e construção<br />
de rodovias.<br />
102
CAPÍTULO 5<br />
5 – RESULTADOS E DISCUSSÕES<br />
Nesta seção são mostrados os resultados obtidos em cada um dos itens da metodologia<br />
usada neste trabalho, enfocando principalmente o mapeamento do uso e cobertura do<br />
solo, de acordo com a seguinte seqüência: extração de características estatísticas,<br />
correção geométrica, processamento digital (realce e transformação no espaço de cores),<br />
e classificação.<br />
5.1 – EXTRAÇÃO DE CARACTERÍSTICAS ESTATÍSTICAS<br />
No contexto de pré-processamento de imagens, a extração de características das<br />
imagens refere se a extração de características estatísticas das bandas, ou a combinação<br />
dos valores das bandas, que trazem informações concisas da variação sistemática da<br />
cena. Esta extração pode ser feita através da matriz de co-variância e de correlação,<br />
obtida dos parâmetros Principais das Componentes Principais do SPRING (versão 3.5).<br />
O eixo central da matriz de co-variância (destacado na cor verde), permite verificar as<br />
medidas de tendência central entre as imagens. De acordo com a Tabela 5.1 verificou-se<br />
que as bandas 7, 5 e 3 apresentaram as maiores variâncias (destacado na cor verde). Na<br />
matriz de correlação nota-se que a banda 1 apresenta alta correlação com a banda 2,<br />
com valor acima de 0,9 (vide Tabela 5.1, destacado na cor cinza), ou seja estas duas<br />
bandas tendem a duplicar informações. O mesmo ocorre entre a banda 2, 3 e 7; entre a<br />
banda 3 e 7, e entre a banda 5 e 7. Neste caso, para futuros processamentos digitais,<br />
pode-se utilizar apenas as bandas 1, 4 e 7, por serem aquelas que contém maior número<br />
de informações. Há certa dependência dos tipos de alvos existentes nas cenas, por isso<br />
as bandas 2, 3 e 5 apresentam informações correlatas à banda 7, enquanto que a banda 1<br />
apresenta alta correlação com as bandas 2 e 3, e um relacionamento razoável com a<br />
banda 7. Por outro lado, a banda 4 mostra baixo relacionamento com as demais bandas<br />
(destacado na cor verde). Assim sendo, nos demais processamentos digitais de imagem<br />
foram usadas apenas as bandas 1, 4 e 7.<br />
103
A escolha destas bandas por extração de características pode ser constatada em Penido<br />
(1998), em que o autor, após vários processamentos de imagem, constatou que as<br />
bandas 1, 4 e 7 obtiveram os melhores resultados para a classificação das feições<br />
urbanas.<br />
TABELA 5.1: MATRIZ DE SIMILARIDADE DAS BANDAS DO TM DO<br />
LANDSAT 7<br />
Matriz de co-variância<br />
1 2 3 4 5 7<br />
1 97.64 104.10 162.37 15.32 144.25 181.11<br />
2 104.10 122.91 202.89 26.29 194.89 232.43<br />
3 162.37 202.89 357.27 35.82 355.44 416.74<br />
4 15.32 26.29 35.82 182.27 136.38 47.98<br />
5 144.25 194.89 355.77 136.38 481.73 466.64<br />
7 181.11 232.43 416.74 47.98 466.64 535.16<br />
Matriz de correlação<br />
1 2 3 4 5 7<br />
1 1.000<br />
2 0.950 1.000<br />
3 0.869 0.968 1.000<br />
4 0.115 0.176 0.140 1.000<br />
5 0.665 0.801 0.857 0.460 1.000<br />
7 0.792 0.906 0.953 0.154 0.919 1.000<br />
5.2 – CORREÇÃO GEOMÉTRICA<br />
O primeiro passo na execução da correção geométrica das imagens foi determinar a<br />
transformação geométrica, descrita no capítulo 4, e seguida pela coleta dos pontos de<br />
controle. A correção geométrica da imagem do Landsat 7 foi feita no SPRING (INPE,<br />
versão 3.5), sendo coletados 31 pontos de controle, selecionados visualmente, ao longo<br />
de rodovias, cruzamentos, lagos, viadutos e rios (Figura 5.1). Dos 31 pontos, 10 foram<br />
usados como pontos para teste, tendo erros dos pontos de controle de 0,35 pixel, e erros<br />
do ponto de teste de 0,37 pixel, o que equivale a 10,5 m e a 11,1 m respectivamente. A<br />
coleta dos pontos foi feita numa área maior para garantir a correção dos dados, e com os<br />
pontos de controle foi efetuado o mapeamento com o polinômio de 1º grau.<br />
104
Fig. 5.1 – Área de estudo mostrando a localização dos pontos de controle coletados.<br />
Composição colorida da imagem do Landsat 7 – 3- B, 5 – G e 4 – R.<br />
O registro da imagem do satélite SPOT 4 foi realizado a partir das imagens do Landsat<br />
7, com erros de ponto de controle de 2,4 m., e erros no ponto de teste de 1,8 m. A Figura<br />
5.2 mostra o resultado da correção geométrica com os dados digitais da DERSA. A<br />
figura 5.2 mostra três mapas-imagens da área onde será implantado o setor Leste do<br />
RODOANEL. Os dados vetoriais da rede viária foram adquiridos do DERSA. O mapaimagem<br />
A mostra a rodovia Ayrton Senna, no município de Itaquaquecetuba. O mapaimagem<br />
B apresenta a região da foz do Rio Guaió, localizado na divisa dos municípios<br />
de Suzano, Poá e Ferraz de Vasconcelos. Finalmente o mapa-imagem C visualiza o vale<br />
do Rio Guaió.<br />
105
Fig. 5.2 –Correção geométrica da imagem Spot 4 com os dados digitais do Dersa.<br />
Por último, foi realizada a correção da imagem do IKONOS II, com exatidão de 50 m<br />
CE 90, Geo, usando o aplicativo ERDAS (versão 8.5), cujo erro médio quadrático<br />
(RMS) foi de 0,60 m, sendo que o resíduo máximo médio na coordenada Y foi de 0,45,<br />
de 0,76 na coordenada X. Na correção da imagem do IKONOS II ocorreram dois<br />
problemas. O primeiro foi devido à diferença de sua resolução com as imagens de<br />
referência (imagem usada para a coleta dos pontos de controle), ou seja, da imagem do<br />
SPOT 4, já registrada. A diferença de resolução causa um problema na locação do ponto<br />
em ambas as imagens, como pode ser visto na figura 5.3.<br />
Nesta figura, o ponto de controle foi coletado no cruzamento de duas rodovias. Na<br />
imagem do IKONOS II é nítida a presença das duas rodovias marginais ao rio e o<br />
cruzamento. Por outro lado, na imagem SPOT 4, a coleta do ponto fica difícil de ser<br />
efetuada, pois não se consegue distinguir as rodovias marginais, e a rodovia também se<br />
confunde com as quadras, permitindo a identificação apenas da feição do cruzamento<br />
(uma linha branca desfocada), dificultando assim a locação do ponto e a sua precisão.<br />
Por isso, procurou-se fazer a correção da imagem do IKONOS II com as fotografias<br />
aéreas, que possuem as mesmas coordenadas das imagens anteriormente mencionadas.<br />
106
Fig. 5.3 – Locação de pontos de controle na Imagem do IKONOS II.<br />
Outro problema da correção de imagens do IKONOS levantado por Toutin e Cheng<br />
(2000) refere-se ao método polinomial adotado, que faz correções na vizinhança dos<br />
pontos de controle, e assim, a avaliação e a exatidão do dado, que mostra apenas os<br />
resíduos nos pontos de controle é tendencioso. Portanto, onde se encontra localizado o<br />
ponto de controle, há pequenos erros, que aumentam na medida em que se vai<br />
distanciando do ponto de controle. Este efeito é parecido com aquele que ocorre com<br />
nas fotografias aéreas, ou seja, distorção centrífuga. A Figura 5.4 ilustra o este problema<br />
do deslocamento. Na figura à esquerda aparece o local onde foi coletado um ponto de<br />
controle e que apresenta uma ótima exatidão geométrica, porém a figura a direita é uma<br />
área próxima deste ponto, e que já apresenta erros de erros de aproximadamente 4,5 m.<br />
de deslocamento.<br />
Os erros encontrados na imagem corrigida do IKONOS II atingem até 6 m,<br />
apresentando os mesmos erros da imagem Precision, vendida pela empresa Space<br />
Imaging, que tem exatidão de 4 m CE 90, ou seja, exatidão posicional circular com um<br />
nível de certeza de 90%. Isto se deve ao fato da área em estudo ser considerada<br />
pequena, e com relevo moderadamente acidentado.<br />
107
Fig. 5.4 – Deslocamento na correção geométrica na imagem do IKONOS II.<br />
Para finalizar as etapas de pré-processamento, a correção atmosférica e radiométrica não<br />
foram feitas, pois estas correções são aplicadas em estudos de comportamento espectral.<br />
Para a identificação de feições urbanas, este tipo de correção, não demonstra muita<br />
alteração visual. Assim por exemplo, a figura 5.5 apresenta duas imagens do Landsat 7<br />
ETM+, sendo uma sem correção radiométrica (A) e a outra corrigida radiometricamente<br />
(B). Visualmente as diferenças entre as imagens são praticamente nulas. A correção<br />
efetuada sobre a imagem foi a calibração do sistema sensor. Segundo Mather (1999), os<br />
valores de calibração do sensor são obtidos com um pré-lançamento do satélite, onde<br />
são extraídos os dados de campo e inseridos num programa de processamento digital de<br />
imagens. Mather (1999) indica ainda que esta calibração varia com o tempo. Para a<br />
correção de calibração utiliza-se a seguinte expressão para ajustar os sensores<br />
multiespectrais do Landsat 7, nas bandas 1, 4 e 7:<br />
G 1 = (-7,84 x 10 -5 )D + 1,409 (9)<br />
G 4 = (-1,10 x 10 -5 )D + 1,080 (10)<br />
G 7 = (7,15 x 10 -5 )D + 15,63 (11)<br />
108
Onde: D significa o número de dias desde o lançamento do satélite. O coeficiente de<br />
ganho é usado na equação é L * n = (PV – offsets)/G n Onde L * n , denota a radiância<br />
aparente do sensor, enquanto que PV é o valor do pixel, G n é o ganho do sensor e os<br />
offsets tem os seguintes valores: para a banda 1 - 2,523, para a banda 4 - 1,854 e para a<br />
banda 7 - 2,633.<br />
Mascarenhas e Velasco (1984), consideram que a correção das distorções atmosféricas<br />
(“espalhamento”) pode ser minimizada simplesmente subtraindo um valor constante do<br />
nível de cinza de todos os pontos da imagem, saturando em 0 os valores negativos, ou<br />
mais baixos, por exemplo, os corpos de água, e saturando em 255 os valores positivos,<br />
ou mais altos, por exemplo, os bancos de areia.<br />
Fig. 5.5 – Imagem do Landsat 7, cena A sem correção atmosférica, cena B com<br />
correção atmosférica. Local: aeroporto de Guarulhos/SP.<br />
5.3 – PROCESSAMENTO DIGITAL<br />
A transformação que modifica o valor dos níveis de cinza que visa corrigir alguma<br />
distorção sofrida na imagem IKONOS II usada neste trabalho foi o realce de imagens,<br />
onde o novo valor do ponto depende somente do valor antigo deste ponto. O realce<br />
procurou acentuar as nuances radiométricas entre os elementos urbanos, tornando-os<br />
passíveis de identificação visual e auxiliando assim nos procedimentos posteriores.<br />
109
No histograma das imagens foi aplicada a função Gaussiana, ou normal, sendo<br />
estabelecidos os seguintes parâmetros: média igual a 85 e comprimento de 200, e como<br />
menor e maior valor 25 e 230, respectivamente. A figura 5.6 mostra a imagem realçada,<br />
e o seu respectivo histograma, e em cinza está representado o histograma de origem. Ao<br />
longo da linha gaussiana foram colocados pontos para definir a área de distribuição do<br />
histograma.<br />
Existe uma variedade de tipos de aumento de contraste e cada um deles se aplica de<br />
forma mais eficiente a determinadas situações. Para este caso, a transformação do<br />
histograma pelo método Gaussiano resolveu a questão, produzindo uma imagem com<br />
boa qualidade visual, o que ajuda na sua interpretação e identificação das características<br />
da cena (Figura 5.6).<br />
Fig. 5.6 – Realce da imagem do IKONOS II e seu respectivo histograma. Local –<br />
Refinaria de Santo André/SP.<br />
A etapa seguinte do processamento de imagens foi a transformação do espaço de cores<br />
em todas as imagens. A primeira transformação foi feita com as bandas multiespectrais<br />
do Landsat 7, resolução espacial (r.e.) de 30 m., com a banda pancromática do mesmo<br />
satélite, r.e de 15 m, tendo como resultado uma imagem multiespectral com r.e. 15 m,<br />
como mostra a Figura 5.7-A. Assim, pode-se fazer mapeamentos até a escala de<br />
110
1:25.000. A outra transformação no espaço de cores foi efetuada da mesma forma,<br />
trocando apenas a imagem pancromática do Landsat 7, pela imagem pancromática do<br />
SPOT 4, r.e. de 10. O resultado é uma imagem multiespectral com r.e. de 10 m (Figura<br />
5.7-B). Um problema verificado nesta transformação é que as áreas de mata e/ou áreas<br />
com declividade acentuada aparecem muito escuras, impossibilitando a visualização<br />
destas áreas e até mesmo o reconhecimento das feições. Este efeito pode ser observado<br />
comparando a área de vegetação da Figura 5.7-A com a Figura 5.7-B. A transformação<br />
no espaço de cores foi à direita realizada na imagem do IKONOS II, combinando a<br />
banda pancromática, com r.e. de 1 m, com as bandas multiespectrais, r.e. de 4 m.,<br />
obtendo-se como resultado uma imagem multiespectral com r.e. de 1 m (Figura 5.7-C).<br />
Nesta imagem é possível efetuar a discriminação das feições temáticas,<br />
desconsiderando-se a exatidão da localização das feições urbanas, na escala de 1:2000.<br />
Fig. 5.7 – Transformação no espaço de Cores.<br />
A partir destas combinações, foi efetuado este tipo de transformação no espaço de cores<br />
entre a imagem pancromática do IKONOS II com as imagens multiespectrais do<br />
Landsat 7 (Figura 5.8). Observando-se a área total de estudo (escala 1:150.000),<br />
percebe-se o aumento de detalhes na imagem. Na escala de 1:25.000, ocorre uma<br />
distorção focal, e nas regiões onde há alta ou baixa freqüência ocorre a perda de<br />
detalhes. Áreas urbanas melhor perceptíveis na imagem do Landsat 7 como, rodovias e<br />
áreas abertas, apresentam melhor visualização, por outro lado nas regiões urbanas<br />
111
conurbadas, onde há grande mistura de pixels, ocorre uma grande perda de informações.<br />
Ao visualizar a imagem na escala 1:4.000, começam a aparecer os pixels da imagem<br />
multiespectral do Landsat 7. Nesta escala a coloração dos objetos é totalmente<br />
distorcida, a ponto de apresentarem deformações.<br />
Fig. 5.8 – Transformação no espaço de cores das imagens IKONOS II, pancromática<br />
com a imagem do Landsat 7, multiespectral.<br />
5.4 – CLASSIFICAÇÃO<br />
Para se fazer a classificação digital foram inicialmente analisadas as fotografias aéreas,<br />
cedidas pela empresa Imagem Sensoriamento Remoto Ltda, o que permitiu o<br />
reconhecimento dos diferentes tipos de uso e cobertura do solo na área de estudo, de<br />
importância para a construção civil, acrescentando algumas classes de importância para<br />
a urbanização. A partir daí, foram elaboradas as chaves de interpretação e de<br />
classificação das imagens. Através das fotos aéreas foram identificados os alvos urbanos<br />
e coberturas vegetais, que forneceram uma visão geral da região. A área de estudo foi<br />
caracterizada assumindo-se que estes alvos são representativos de todas as classes de<br />
uso e cobertura do solo desta região.<br />
112
A área de estudo, tem uma área total de 133 km 2 sendo que a área urbana corresponde a<br />
uma mancha quase contínua que pode ser caracterizada pela variação interna de sua área<br />
quanto aos tipos de uso, pela intensa conurbação entre os municípios e pelas zonas<br />
industriais. A conurbação é apresentada na Figura 5.9, onde não se consegue mais<br />
visualizar os limites dos municípios de São Paulo, Santo André e Mauá.<br />
Fig. 5.9 – Conurbação da Grande São Paulo, setor Leste, vista pela imagem do<br />
IKONOS II.<br />
Antes de realizar a classificação digital da imagem efetuou-se uma interpretação visual<br />
como descrito no item 2.5, o que permitiu identificar e caracterizar alguns alvos através<br />
de sua relação com outros alvos e características de como eles aparecem na imagem,<br />
permitindo identificar e classificar alvos semelhantes localizados ao longo da imagem.<br />
Considerando o objetivo de se fazer uma classificação digital da área construída, onde é<br />
recomendado o uso de imagens com resolução entre 0,3 e 1 m, como descrito no item<br />
2,3, a classificação apresentada neste trabalho foi realizada somente com a imagem do<br />
IKONOS II, por ser a única imagem usada empregada neste trabalho que tem resolução<br />
espacial adequada para este tipo de classificação. O processo de classificação digital<br />
113
desta imagem foi efetivo no programa eCognition, versão DEMO 2.1. Foi utilizado este<br />
programa por apresentar novos parâmetros adequados para a classificação de imagens<br />
de alta resolução.<br />
Por ser um demonstrativo, o programa apresentou algumas limitações, como: o tamanho<br />
máximo para a classificação é de 1.048.576 pixels, independente da resolução espacial e<br />
radiométrica, e não permitem o salvamento das imagens classificadas. Por isso, a<br />
classificação foi efetuada numa região que apresenta vários alvos urbanos, tais como:<br />
área arbórea com dossel em diferentes alturas, solo exposto, quadras poli-esportivas,<br />
clubes, quadras, logradouros, rodovia, área industrial e galpões, como mostra a Figura<br />
5.10.<br />
A classificação foi realizada na composição colorida RGB.<br />
Fig. 5.10 – Área teste da classificação feita com o aplicativo eCognition (versão 2.1).<br />
A primeira etapa da classificação com o eCognition consistiu na segmentação multiresolução,<br />
onde são considerados os parâmetros: níveis de segmentação, critério de<br />
homogeneidade, o modo de segmentação e o parâmetro escalar. Os valores destes<br />
parâmetros foram gerados automaticamente pelo programa. Foram gerados 15 níveis<br />
114
hierárquicos de segmentação, sendo utilizados para todos os níveis o modelo de<br />
segmentação “normal” (por permitir maior liberdade para trabalhar com os parâmetros<br />
escalares), e o critério de homogeneidade (usado para minimizar a heterogeneidade dos<br />
objetos), que se constituem de três parâmetros: cor 0,8, smoothness (suavidade) 0.9 e<br />
compactness (compactação) 0,1. Estes dois últimos constituem as informações sobre a<br />
forma dos objetos. A única mudança feita em cada nível foi com relação ao parâmetro<br />
escalar, que determina o máximo de heterogeneidade dos objetos na imagem resultante,<br />
como mostra a Figura 5.11.<br />
Fig. 5.11 – Níveis de segmentação com seus respectivos valores escalares. P.e. =<br />
parâmetro escalar.<br />
115
A vetorização por polígonos é de grande importância, especialmente o grau de abstração<br />
dos polígonos, que se baseia nos parâmetros especificados a seguir:<br />
• Base poligonal – define o limiar de abstração da base poligonal, que foi de 2.25.<br />
Aqui se pode ativar o remove slivers (filtros passa-baixa), para evitar alguma<br />
interseção com as bordas dos polígonos adjacentes.<br />
• Forma poligonal – caracteriza o grau de abstração do formato dos polígonos que<br />
são independentes da estrutura topológica, que foi 2.<br />
Uma característica importante dos polígonos no aplicativo eCognition é a sua<br />
independência da estrutura topológica da imagem, ou do nível hierárquico em que eles<br />
foram gerados, possibilitando descrever melhor o objeto, pela sua forma.<br />
Conseqüentemente, com os polígonos podem-se gerar novas informações sobre as<br />
características de sua forma, como área, perímetro e número de bordas. Assim, por<br />
exemplo, um polígono de um galpão, terá um tamanho maior que das casas e com 4<br />
bordas. Estas informações entram em forma de expressão, auxiliando na classificação<br />
da imagem, como mostra a Figura 5.12.<br />
Fig. 5.12 – Classificação dos objetos com base nos polígonos.<br />
116
Para a classificação, usando o aplicativo eCognition, precisa-se passar ainda por três<br />
fases: conhecimento das características dos objetos, lógica fuzzy e operadores lógicos,<br />
procurando comparar e analisar um ou todos os objetos a serem classificados.<br />
O aplicativo eCognition fornece uma tabela denominada de Informação dos objetos na<br />
imagem, onde estão todas as informações das características de um determinado objeto,<br />
seus valores na banda, sua forma e o seu relacionamento com os objetos vizinhos.<br />
Assim, por exemplo, a Figura 5.13 mostra as características da classe Galpão. Estes<br />
elementos não foram classificados como uma “Indústria” pelo fato destas grandes<br />
construções servirem para o culto religioso, um fenômeno que ocorre muito na periferia<br />
das grandes cidades brasileiras. As primeiras informações referem-se aos seus valores<br />
em cada banda, como brilho, média, desvio padrão, entre outros. Esta classe apresenta<br />
informações sobre sub-objetos e super-objetos baixos ou quase nulos, pois ela não<br />
apresenta subdivisão e faz parte de um super-objeto, ou seja, não é um super-objeto.<br />
Fig. 5.13 – Características da classe galpão na imagem de Satélite.<br />
117
Além desta a característica, pode-se analisar e comparar os atributos dos objetos nas<br />
imagens através da seleção de características, a característica espacial em 2 dimensões e<br />
o editor por amostragem. Na seleção de características visualizam-se as propriedades do<br />
objeto selecionado da imagem num gráfico, denotando um intuitivo acesso para a<br />
peculiaridade de uma certa característica sobre todos os objetos na cena. Ressalvadas as<br />
características espectrais, pode-se analisar outras características úteis para a<br />
classificação, como vizinhança, forma, área. Cada objeto possui um valor de nível de<br />
cinza (em cada banda) conforme o valor da característica que é selecionado na<br />
visualização. Assim por exemplo, a classe solo desnudo tem uma representação maior<br />
na banda 1 (banda azul), do que nas outras bandas, como pode ser visto na Figura 5.14.<br />
Esta característica se torna importante no momento da escolha de separar este objeto de<br />
outros. Em adição a esta informação, pode-se editar outras características, como as<br />
amostras escolhidas em campo ou extraídas de radiômetros.<br />
Fig. 5.14 – Características dos objetos da classe solo exposto com a proporção da classe<br />
na primeira banda (Azul).<br />
118
Por outro lado, a característica espacial em 2 dimensões possibilita visualizar a posição<br />
de todos os objetos, não somente as características espectrais, mas também todas as<br />
características disponíveis no eCognition. Esta ferramenta pode ser usada para analisar a<br />
correlação de duas características, por exemplo, caso elas possuam alta correlação, uma<br />
delas pode ser descartada. Além disso, a característica espacial pode ser utilizada para<br />
informar onde um certo objeto, ou um grupo de objetos, está situado nas características<br />
espaciais da cena. A Figura 5.15, por exemplo, mostra as características espaciais em 2<br />
D, do quinto nível hierárquico. No eixo X foi colocada a característica referente ao<br />
número de bordas, polígonos; no eixo Y a característica de Brilho, sendo avaliadas as<br />
classes de Vegetação, Galpão, Solo Exposto e Água. Nota-se os galpões (em tons de<br />
cinza), aparecem com um baixo brilho, as classes de vegetação apresentaram uma certa<br />
mistura com relação ao brilho, tendo um brilho médio baixo para estas classes, enquanto<br />
o solo exposto e a água apresentaram brilho mais alto. Portanto, o brilho relacionado<br />
com a borda (polígonos) auxilia na separação entre as classes Galpões, Solo Exposto,<br />
por outro lado, este relacionamento já não ajuda na separação das classes de Água e<br />
Solo Exposto, e entre Vegetação e Galpão.<br />
Fig. 5.15 – Descrição das características espaciais das classes na cena.<br />
119
O editor por amostragem gráfico mostra, por meio de histogramas, as características de<br />
um objeto selecionado na imagem, num certo nível hierárquico, ou compara este objeto<br />
com outras classes. Esta ferramenta é muito usada para comparar os atributos ou os<br />
histogramas de um objeto na imagem e o seu relacionamento com outras classes. A<br />
Figura 5.16 traz um exemplo prático de sua aplicação. A figura mostra a distribuição da<br />
classe “solo exposto”, em cada banda espectral, em relação a sua média, desvio padrão,<br />
proporção entre outras características. Assim por exemplo, a média da classe solo<br />
exposto apresenta-se bem distribuída na banda 2, enquanto que a sua proporção com as<br />
demais classes na banda 2 aparece bem concentrada. Portanto, a média desta classe na<br />
banda 2 auxilia na sua classificação, por outro lado a característica de proporcionalidade<br />
na banda 2 pode acarretar dificuldades para a sua classificação.<br />
Fig. 5.16 – Características da classe solo exposto em cada banda.<br />
Com estas informações sobre os elementos contidos na imagem, pode-se fazer a<br />
classificação e a seleção das classes. A classificação no aplicativo eCognition baseia-se<br />
na lógica fuzzy, conforme descrito no capítulo 2. Foram criadas 14 classes, procurando-<br />
120
se classificá-las de acordo com as características mencionadas anteriormente. Como nos<br />
níveis hierárquicos, pode-se fazer também uma hierarquia de classes, que é a base para<br />
o conhecimento da classificação no aplicativo eCognition. O programa contém todas as<br />
classes de um esquema de classificação e segue a organização da sua hierarquia. A<br />
classe hierárquica é uma ferramenta importante para definir a semântica das classes,<br />
ajudando também para minimizar a complexidade de uma classificação. A classificação<br />
hierárquica segue o mesmo modelo adotado na classificação do uso e ocupação do solo<br />
das concepções de Anderson et al. (1976), Jensen e Cowen (1999) e Taco et al. (2000),<br />
como mostra a Figura 5.17.<br />
Fig. 5.17 – Classes Hierárquicas.<br />
Para cada classe é necessário informar as suas propriedades, o que é feito através de<br />
expressões aritméticas, como mostra a Figura 5.18-A. A Figura 5.18-B traz como<br />
exemplo os requisitos usados para fazer a classificação da classe “gramínea”. Para a sua<br />
classificação foram analisados o comprimento de suas bordas, a densidade, o seu<br />
relacionamento com as outras classes, principalmente com as classes de Vegetação,<br />
entre outras. Esta classe foi desmembrada da classe Vegetação Rasteira, por que onde se<br />
encontram Gramíneas, apresenta-se a característica visual de uma superfície mais lisa.<br />
121
Para se fazer esta distinção foi colocado como expressão a similaridade existente entre<br />
estas classes e o que esta classe herdou da sua classe original, como a sua proporção de<br />
rugosidade na segunda banda (verde).<br />
Fig. 5.18 – Diagrama A mostra as expressões usadas para distinguir uma classe de<br />
outra; Diagrama B mostra as expressões usadas para distinguir e<br />
identificar a classe “gramínea”.<br />
A regra básica da classificação pela lógica fuzzy consiste de uma ou mais condições que<br />
são combinadas por operadores. Para incluir a quantidade de classes à regra fuzzy, devese<br />
definir as características de cada classe, o relacionamento entre as classes, o<br />
comprimento que a classe possui na cena, número de bordas (por exemplo, uma casa ou<br />
galpão tem sempre quatro lados, ou bordas), A função de quantificar as classes tem<br />
como objetivo descrever o relacionamento entre os objetos, tal como o surgimento de<br />
um objeto num certo ambiente. Esta função pode ser diagnosticada através do método<br />
por vizinho mais próximo, gerado através de amostragem, ou um dialogo entre as<br />
classes que tem uma interface gráfica entre as classes.<br />
122
A Figura 5.19 mostra a classificação digital da imagem feita no sexto nível hierárquico.<br />
Esta classificação apresentou bons resultados, principalmente no que se refere à<br />
vegetação que teve boa discriminação entre as classes. Por outro lado, as classes<br />
urbanas, nesta resolução ainda apresentam problemas, como por exemplo, o tipo de<br />
material utilizado para a identificação e separação da classe “Residencial” com da classe<br />
“Logradouro”, havendo conflito para a sua classificação.<br />
Fig. 5.19 – Sexto nível hierárquico classificado.<br />
5.6 – VIRTUAL GIS.<br />
O virtual GIS é um módulo do aplicativo ERDAS capaz de fazer simulações<br />
tridimensionais (3D), de acordo com as características cartográficas adotadas. Esta etapa<br />
do trabalho foi feita apenas numa área teste, pois este programa necessita de muita<br />
memória virtual. As características e os parâmetros adotados para se efetuar esta etapa<br />
foram os mesmos aplicados na visualização do relevo em 3D, sendo apenas inserida a<br />
123
imagem. Este aplicativo possibilita também fazer uma simulação de vôo, sendo<br />
necessário fazer o percurso na imagem em 2D para em seguida projetar o percurso na<br />
imagem em 3D. A Figura 5.21 mostra a área teste e o percurso do sobrevôo, para o qual<br />
foram coletados 46 pontos, passando por uma rua e seguindo o seu trajeto entre<br />
industrias e relevo acidentado.<br />
Fig. 5.21 – área teste do Virtual GIS, com os pontos de sobrevôo.<br />
124
Cada um destes pontos possui características semelhantes ao de um helicóptero, como<br />
coordenadas, altura do vôo, azimute, campo de visada, variação lateral e na frente. A<br />
figura 5.22 mostra dois pontos, o 18 e 45, e abaixo as características do ponto 18.<br />
Fig. 5.22. – Características dos pontos de enlace da trajetória de vôo.<br />
125
126
CAPÍTULO 6<br />
6 - CONCLUSÕES E RECOMENDAÇÕES<br />
A metodologia apresentada neste estudo mostrou-se adequada aos procedimentos<br />
realizados na fase de reconhecimento de projetos de engenharia rodoviária, podendo ser<br />
aplicada em todas as fases da implementação de uma rodovia, desde a escolha do<br />
traçado como para os estudos de viabilidade do traçado.<br />
As técnicas de sensoriamento remoto e de geoprocessamento usadas neste trabalho<br />
podem ser aplicadas em qualquer estudo de implementação viária, pois cada projeto de<br />
engenharia é único num ou mais aspectos, mas a funcionalidade e os métodos básicos<br />
de análise da imagem são similares em todos os projetos. As imagens de sensoriamento<br />
remoto de alta resolução podem ser utilizadas para:<br />
1) Identificar as restrições físicas e ambientais na região de estudo que, podem ser<br />
resumidas em mapas temáticos isolados, buscando os melhores locais para a<br />
definição do traçado viário, locação dos equipamentos e ferramentas para a<br />
construção da rodovia, bem como para qualquer obra de construção civil (por<br />
exemplo, pontes, viadutos, túneis);<br />
2) Com o Virtual GIS pode-se fazer uma análise da construção de rodovias,<br />
residências, edifícios, analisando o relevo, e por meio de simulações<br />
planimétricas com o relevo, averiguar como ficará o relevo depois de ser<br />
alterado e quais serão os impactos ambientais; e<br />
3) O mapeamento e a classificação são confirmados por meio de fotografias aéreas,<br />
ou visitas de campo a locais com dúvidas, realizando-se a análise e<br />
identificando-se o problema num determinado local.<br />
O uso destas técnicas de sensoriamento remoto e as ferramentas de geoprocessamento<br />
podem resultar em economia de tempo e de recursos financeiros, devido a rapidez com<br />
que os mapas temáticos pode ser confeccionados e editados, bem como a rapidez com<br />
que podem ser avaliadas e simuladas a construção de uma rodovia, de edifícios,<br />
127
esidências, indústrias, entre outros. Estes benefícios são mais evidenciados na medida<br />
em que é dinamizada a ocupação urbana na região, quando alterações substanciais no<br />
uso e ocupação do solo são verificadas em curtos intervalos de tempo.<br />
Na construção viária, as imagens de alta resolução atendem às necessidades da<br />
implementação viária, desde as diretrizes gerais, até a escolha do traçado, pois a partir<br />
desta etapa, inicia-se a locação, com reconhecimento de campo e de detalhamento<br />
rigoroso da área. Por outro lado, as técnicas de geoprocessamento, como o Virtual GIS<br />
possibilitam fazer a simulação de aterros, pontes, viadutos, túneis, estudos<br />
planialtimétricos; bem como estimar os impactos ambientais causados pela rodovia, e<br />
avaliar a rodovia como um atrativo imobiliário, ou seja, a tendência do crescimento<br />
urbano em torno da rodovia.<br />
A organização e o desenvolvimento urbano local e regional podem ser monitorados por<br />
meio de imagens, inseridas num aplicativo de processamento digital de imagens,<br />
criando um banco de dados com indicadores sócio-econômicos, adquiridos do IBGE ou<br />
órgãos públicos locais. As imagens de satélite de alta resolução podem auxiliar no<br />
monitoramento da expansão urbana horizontal e/ou vertical, além de mudanças<br />
interurbanas, podendo-se fazer um monitoramento com imagens temporais, auxiliando<br />
nas tomadas de decisão dos órgãos públicos.<br />
No que se refere ao meio ambiente, a integração dos modelos digitais de terreno (MDT)<br />
em conjunto com as ferramentas disponíveis nos Sistemas de Informações Geográficas<br />
abre as portas a diferentes métodos de representação da realidade e da simulação de<br />
processos que complementam de forma importante a capacidade clássica dos SIG’s para<br />
o manejo da informação temática. Como já foi colocado neste trabalho, um dos aspectos<br />
de maior interesse dos MDT, é a possibilidade de se realizar simulações de processos,<br />
procurando a melhor maneira de representar a capacidade ambiental e realizar<br />
experimentos independentemente de sistemas reais. Um aspecto importante da<br />
simulação é que ela permite verificar os riscos inerentes ao experimento, alcançando<br />
uma completa independência temporal – os processos podem ser acelerados ou<br />
retardados – e pode-se repetir o experimento quantas vezes for necessário, constatando-<br />
128
se os erros potenciais e corrigindo-os. Por exemplo, as características topográficas de<br />
uma área com declive acentuado determinam como serão as construções civis (por<br />
exemplo, casas, edifícios, rodovias), e até mesmo o tipo de planta. O MDT contém<br />
informações suficientes para definir quais as medidas necessárias para a realização da<br />
obra, a quantidade de terra necessária para se fazer um aterro, diagnosticando se é viável<br />
a sua construção, ou pelo menos realizando uma aproximação das propriedades reais do<br />
terreno.<br />
Atualmente, há grandes avanços na área de sensoriamento remoto e novos sensores de<br />
ata resolução estão sendo lançados, como por exemplo, o QuickBird 2, com resolução<br />
espacial de 0,70 m. Outras empresas buscam alcançar melhor resolução de seus<br />
sensores, tanto as resoluções espaciais, temporal, espectral e radiométrica. A DLR –<br />
Deutsches Zentrum für Luft – und Raumfahrt (Centro Alemão de Pesquisas Espaciais),<br />
por exemplo, lançou no mercado a câmara imageadora digital HRSC-A (High<br />
Resolution Stereo Camara – Airborne), que ao invés de tirar fotografias aéreas como<br />
uma câmara convencional, possui um sistema de varredura instantânea, semelhante ao<br />
sistema do satélite SPOT, eliminando os problemas de distorções radiais das aerofotos<br />
convencionais. Resulta disso, que se pode utilizar até 90% da área útil de uma imagem<br />
do HRSC-A, contrastando com apenas 50% numa aerofoto obtida por fotogrametria<br />
convencional.<br />
Estes avanços em sensoriamento remoto refletem avanços também nos Sistemas de<br />
Informações Geográficas. Novos conceitos vão surgindo, como o sistema desenvolvido<br />
no aplicativo eCognition, que possibilita fazer classificação orientada ao objeto. O<br />
pacote do ERDAS apresenta diversos aplicativos, como o ORTHOBASE utilizado para<br />
ortoretificar imagens orbitais e fotografias aéreas; o STEREO ANALYST que faz todo<br />
o processo de restituição de fotografias aéreas (estereoscopia); o ExpertClassifier, que<br />
possibilita fazer a classificação de imagens utilizando dados vetoriais e dados sócioeconômicos;<br />
e por último o VIRTUAL GIS, para a modelagem tridimensional. Assim<br />
por exemplo, o VIRTUAL GIS além de modelar a topografia, possibilita fazer<br />
simulações da altura de prédios, casas, indústrias, entre outros (Figura 6.1). Desta<br />
129
forma, empresas de telefonia poderão saber qual é o melhor local para a instalação de<br />
suas antenas.<br />
Fig. 6.1 – Possibilidades de uso do VIRTUAL GIS.<br />
As imagens do satélite IKONOS II permitiram identificar as feições de uso e cobertura<br />
do solo de importância para o planejamento urbano. A partir da imagem em conjunto<br />
com as ferramentas do VIRTUAL GIS, é possível mapear elementos ambientais de<br />
interesse para a construção civil. As imagens de alta resolução mostraram-se úteis para<br />
o planejamento urbano, o que pode substituir o uso de fotografias aéreas. Em contra<br />
partida, as fotografias aéreas tem uma característica muito importante que é a análise<br />
feita com par estereocópico. A partir do satélite SPOT, os sistemas sensores orbitais<br />
possuem esta ferramenta, mas que ainda foi pouco explorada devido ao seu alto custo.<br />
Com relação ao processamento digital de imagens utilizado neste trabalho, conclui-se<br />
que:<br />
• As etapas de pré-processamento são importantes, desde a seleção das<br />
características das imagens, diminuindo o tempo e o custo do processamento das<br />
imagens, até a correção geométrica das imagens, fator fundamental para o seu<br />
uso na construção civil. A correção geométrica entre uma imagem de média<br />
130
esolução, com uma imagem de alta resolução não é aconselhável devido a<br />
localização dos pontos de controle.<br />
• A transformação no espaço de cores entre as imagens multiespectrais do Landsat<br />
ETM+ com a imagem pancromática do satélite SPOT permitiu obter-se uma<br />
imagem multiespectral com uma resolução melhor. Por outro lado, a<br />
transformação das imagens do Landsat 7 ETM+ com a imagem pancromática do<br />
satélite IKONOS II, apresentou problemas principalmente nas áreas de maiores<br />
contrastes.<br />
• A interpretação visual das imagens ainda é um recurso indispensável para a<br />
produção de mapas temáticos. Com os avanços tecnológicos, como o<br />
eCognition, que faz uma classificação orientada ao objeto, o conhecimento do<br />
alvo a ser classificado é uma ferramenta eficaz para uma boa classificação.<br />
• A classificação usando o aplicativo eCognition permite adicionar outras<br />
características externas que complementam a classificação da imagem, como por<br />
exemplo informações vetoriais. Estas informações adicionais são implementadas<br />
na seleção de características, obtendo-se uma classificação mais precisa. No<br />
entanto, a classificação usando o aplicativo eCognition apresenta um problema<br />
que é o tempo de processamento. Numa área pequena, o tempo de<br />
processamento para a segmentação em cada nível hierárquico foi de<br />
aproximadamente 35 minutos. Isto se deve ao número de parâmetros utilizados<br />
para se fazer a classificação.<br />
• Um problema verificado na classificação das imagens do IKONOS II foi entre as<br />
classes urbanas, principalmente nas classes “Logradouros” e “Residenciais”.<br />
Este problema aparece principalmente nas casas localizadas em cruzamentos de<br />
logradouros, ocasionado pelo material utilizado para a construção da residência,<br />
iluminação, sombreamento. Para tanto, é necessário usar outro parâmetro que<br />
discrimine estas duas classes.<br />
131
É importante viabilizar as inovações tecnológicas do sensoriamento remoto e do<br />
geoprocessamento nas diversas áreas profissionais onde é cabível a sua aplicação, de<br />
modo que os estudos científicos possam contribuir com projetos e serviços onde haja<br />
demanda de aplicação destas tecnologias. No Brasil, o planejamento urbano, bem como<br />
as áreas ligadas às Ciências da Terra e a engenharia apresentam um vasto campo de<br />
aplicação destas ferramentas, cabendo às instituições responsáveis pela transferência<br />
destas tecnologias e aos usuários estarem atentos às necessidades do país e implementálas<br />
no seu meio.<br />
132
REFERÊNCIAS BIBLIOGRÁFICAS<br />
Ab’Saber, A. N. O sítio urbano de São Paulo. In: Azevedo, A. ed. A cidade de São<br />
Paulo: estudos de Geografia Urbana. São Paulo: Companhia Editora Nacional,<br />
1958. v. 1. 245 p.<br />
Ab’Saber, A. N. O Quaternário na Bacia de São Paulo; estado atual dos conhecimentos.<br />
Geomorfologia, nº 8. São Paulo: USP. 1969. 15 p.<br />
Almeida, F. F. M. O planalto paulistano. In: Azevedo, A. ed. A cidade de São Paulo:<br />
estudos de Geografia Urbana. São Paulo: Companhia Editora Nacional, 1958. v I,<br />
Cap 3, p 39-67.<br />
Anderson, J. R.; Hardy, E.E.; Roach, J.T.; Witmer, R.F. Sistema de classificação de<br />
uso da terra e do revestimento do solo para utilização como dados de<br />
sensoriamento remoto. Trad. Harold Strang. Rio de Janeiro: IBGE. 1976. (). 78 p.<br />
Antrop, M.; Eetveld, V. V. Holistic aspects of suburban landscapes: visual image<br />
interpretation and landscape metrics. Landscape and Urban Planning. [on line]<br />
26 Jan. 2001.<br />
Aronoff, S. The minimum accuracy value as an index of classification accuracy.<br />
Photogrammetric Engineering & Remote Sensing, v. 51, n.1, p. 99-111. Jan.<br />
1985.<br />
Azevedo, A. A cidade de São Paulo: estudos de Geografia Urbana. (os subúrbios<br />
paulistanos). São Paulo: USP, 1958. v 4. 279 p.<br />
Baatz, M.: Schäpe, A. Multiresolution Segmentation: an optimization approach for high<br />
quality multi-scale image segmentation. In: Angewandte Geographische<br />
Informationsverarbeitung XII. Heidelberg, 2000. Anais. Salzburg: Wichmann-<br />
Verlag, 2000. p. 12-23.<br />
133
Baraldi, A.; Parmiggiani, F. Urban area classification by multispectral SPOT data.<br />
IEEE Transactions on Geoscience and Remote Sensing, v. 28, n. 4, p. 674-680.<br />
July, 1991.<br />
Barnsley, M. J.; Barr, S. L. Inferring urban land use from satellite sensor images using<br />
kernel-based spatial reclassification. Photogrammetric Engineering & Remote<br />
Sensing, v. 62, n. 8, p. 949-958. Aug. 1996.<br />
Barr, D. J.; James, W. P. Civil engineering applications of remote sensing.<br />
Transportation Engineering Journal of ASCE, v. 101, n. 2, p. 279-295, May,<br />
1975.<br />
Bauer, T.; Steinnocher, K. Per-parcel land use classification in urban areas applying a<br />
rule-based technique. Geobit, n 6, p. 24-27. June, 2001<br />
Blaschke, T.; Lang, S.; Lorup, E.; Strobl, J.; Zeil, P. Object-oriented image processing<br />
in an integrated GIS/remote sensing environment and perspectives for environmental<br />
applications. In: Cremers, A.; Greve, K. org. Environmental information for<br />
planning, politics and the public, Metropolis. Marburg. v. 2, 2000. 555-570 p.<br />
Bosque, J. Sistema de información geográfica: prácticas con PC ARC/INFO y<br />
IDRISI. Barcelona: Rama. 1994. 250 p.<br />
Bosque, J. Aplicaciones de la informatica a la Geografia y Ciencias Sociales.<br />
Madri: Rustica, 1988. 316 p.<br />
Buiten, H. J. General view of remote sensing as a source of information. In: Buiten, H.<br />
J.; Clevers, J. P. W. ed. Land observation by remote sensing: theory and<br />
applications. Australia: Gordon and Breach Science, 1993. vol. 3. Cap. 1. p 9-26.<br />
Buiten, H. J.; Putten, B. van. Quality assessment of remote sensing image registration –<br />
analysis and testing of control point residuals. ISPRS Journal of Photogrammetry<br />
& Remote Sensing, v. 52, p 57-73. 1997.<br />
134
Burrough, P. A. Geographical Information System techniques for linking remote<br />
sensing images with other spatial data. In: Buiten, H. J. Clevers, J. G. P. W. org<br />
Land observation by remote sensing: theory and applications. Australia:<br />
Gordon and Breach Science Publishers, v. 3. 1993. 642 p.<br />
Campbell, J. B. Introduction to remote sensing. 2. ed. New York: The Guilford<br />
Press. 1996. 622 p.<br />
Campos, R. A. Projeto de Estradas. São Paulo: Gremio Politécnico, USP, Escola<br />
Politecnica. 1979. 164 p.<br />
Canada Centre for Remote Sensing (CCRS). Fundamentals of Remote Sensing<br />
Tutorial. [on line] <br />
26 Jan. 2001.<br />
Carlos, A. F. A. A (re)produção do espaço urbano. São Paulo: Edusp. 1994. 271 p.<br />
Carvalho, M. P. Curso de Estradas. estudos, projetos e locação de ferrovias e<br />
rodovias. Rio de Janeiro: Ed. Científica do Rio de Janeiro. 1966. 510 p.<br />
Castro, I. E. de Problemas e alternativas metodológicas para a região e para o lugar. In:<br />
Souza, M. A.; Santos, M.; Scarlato, F. C.; Arroyo, M. org. O novo mapa do<br />
mundo. Natureza e sociedade de hoje: uma leitura geográfica. 3. ed. São Paulo:<br />
Hucitec. 1997. 244 p.<br />
Chavez Jr, P. S. An improved dark-object subtraction technique for atmospheric<br />
scattering correction of multispectral data. Remote Sensing of Environment, v.<br />
24, n. 3, p 203-214. Apr. 1988.<br />
Christofoletti, A. Geomorfologia. 2. ed. São Paulo: Edgard Blücher. 1980. 188 p.<br />
Chuvieco, E. Fundamentos de teledetección espacial. 3. ed. revisada. Madrid:<br />
RIALP. 1996. 568 p.<br />
135
Centre National d’Études Spatiales (CNES). SPOT 4. [on line] <br />
05 Jul. 2000.<br />
Congalton, R. G. Using spatial autocorrelation analysis to explore the errors in maps<br />
generated from remotely sensed data. Photogrammetric Engineering and<br />
Remote Sensing, v. 54, n. 5, p 587-592, May 1988a.<br />
Congalton, R. G. A comparison of sampling schemes used in generating error matrices<br />
for assessing the accuracy of maps generated from remotely sensed data.<br />
Photogrammetric Engineering and Remote Sensing, v. 54, n. 5, p 593-600, May<br />
1988b.<br />
Congalton, R. G. A review of assessing the accuracy of classifications of remotely<br />
sensed data. Remote Sensing of Environment, v. 37, n. 1, p 35-46, July 1991.<br />
Congalton, R. G.; Green, K. Assessing the accuracy of remotely sensed data:<br />
principles and practices. Boca Raton: Lewis, 1999. 137 p.<br />
Corrêa, R. L. O espaço urbano. 3. ed. São Paulo: Ática. 1995. 94p. (Série princípios).<br />
Coulter, L.; Stow, D.; Kiracofe, B.; Langevin, C.; Chen, D.; Daeschner, S.; Service, D.;<br />
Kaiser, J. Deriving current land-use information for metropolitan transportation<br />
planning through integration of remotely sensed data and GIS. Photogrammetric<br />
Engineering & Remote Sensing, v. 65, n. 11, p. 1293-1300. Nov. 1999.<br />
Couloigner, I.; Ranchin, T.; Wald, L. Extraction of urban network from high spatial<br />
resolution imagery. In: Future trends in remote sensing, Rotterdam:<br />
Gudmandsen, p 213-220. 1998.<br />
Cowen, D. GIS versus CAD versus DBMS: What area the differences?<br />
Photogrammetric Engineering & Remote Sensing, v. 54, n 12, p. 1551-1554.<br />
Dez. 1988.<br />
136
Cowen, D. J.; Jensen, J. R.; Bresnahan, P. J.; Ehler, G. B.; Graves, D.; Huang, X.;<br />
Wlener, C.; Mackey, H. E. The design and implementation of an integrated<br />
Geographic Information System for environmental applications. Photogrammetric<br />
Engineering & Remote Sensing, v. 61, n. 11, 1393-1404. Nov. 1995.<br />
Cowen, D. What is GIS?. [on line] <br />
10 apr. 2001.<br />
Crosta, A. P. Processamento digital de imagens de sensoriamento remoto.<br />
Campinas: Unicamp, 1992. 170 p.<br />
Definiens. User guide [on line] 20 Jan. 2002.<br />
Desenvolvimento Rodoviária (DERSA). Rodoanel [on line].<br />
05 Mar. 2001.<br />
Dutra, L. V.; Foresti, C.; Meneses, P. R.; Kurkdjian, M. L. N. O. Utilização de<br />
transformação IHS para integração de imagens de diferentes resoluções: estudo do<br />
uso do solo urbano. In: Simpósio Brasileiro de Computação Gráfica e<br />
Processamento de Imagem, 1., Petrópolis, 1988, Anais. p. 144-151.<br />
Empresa Metropolitana de Planejamento da Grande São Paulo (Emplasa). Carta de<br />
aptidão física ao assentamento urbano. guia de utilização. São Paulo. 1990a. 51<br />
p.<br />
Empresa Metropolitana de Planejamento da Grande São Paulo (Emplasa).<br />
Itaquaquecetuba (SP): carta de aptidão física ao assentamento urbano. SF.23-<br />
Y-D-I-3. Folha 44. São Paulo. 1990b. (Mapa Temático. 1:50.000).<br />
Empresa Metropolitana de Planejamento da Grande São Paulo (Emplasa). Mauá (SP):<br />
carta de aptidão física ao assentamento urbano. SF.23-Y-D-IV-1. Folha 43. São<br />
Paulo. 1990c. (Mapa Temático. 1:50.000).<br />
137
Empresa Metropolitana de Planejamento da Grande São Paulo (Emplasa).<br />
Itaquaquecetuba (SP): carta geológica da região metropolitana de São Paulo.<br />
SF.23-Y-D-IV-1. São Paulo. 1990d. (Mapa Temático. 1:50.000).<br />
Empresa Metropolitana de Planejamento da Grande São Paulo (Emplasa). Mauá (SP):<br />
carta geológica da região metropolitana de São Paulo. SF.23-Y-D-IV-1. São<br />
Paulo. 1990e. (Mapa Temático. 1:50.000).<br />
Felicísimo, A. M. Modelos digitales del terreno. Introducción y aplicaciones en las<br />
ciencias ambientales [on line]. 05 may 2000.<br />
Felicísimo, A. M. La utilización de los MDT en los estudios del medio físico. [on<br />
line]. 16 pg, abril de 1999. [on line] 18 may<br />
2001.<br />
Forster, B. C. An examination of some problems and solutions in monitoring urban<br />
areas from satellite platforms. International Journal of Remote Sensing, v.6, n.1, p<br />
139-151, Jan. 1985.<br />
França, A. O quadro climato-botânico. In: Azevedo, A. ed. A cidade de São Paulo:<br />
estudos de Geografia Urbana. São Paulo: Companhia Editora Nacional, 1958. v. 1,<br />
Cap 3, p. 69-111.<br />
Gond, P.; Marceau, D. J.; Howarth, P. J. A comparison of spatial feature extraction<br />
algorithms for land-use classification with SPOT HRV data. Remote Sensing of<br />
Environment, v. 40, n. 2&3, p 137-151. Feb-Apr. 1992.<br />
Goodchild, M. F.; Quattrochi, D. A. Scale, Multiscaling, Remote Sensing and GIS. p.<br />
1-11. In: Quattrochi, D.A.; Goodchild, M. F. org. Scale in remote sensing and<br />
GIS. Boca Raton: CRC Lewis. 1997. 406 p.<br />
Gupta, R. P. Remote Sensing Geology. Berlin: Springer-Verlag. 1991. 356 p.<br />
138
Haack, B.; Bryant, N.; Adams, S. An assessment of Landsat MSS and TM data for<br />
urban and near-urban land-cover digital classification. Remote Sensing of<br />
Environment, v 21, n 2, p. 201-213. Mar. 1987.<br />
Hamburger, D. S. Utilização de Informações derivadas de características texturais de<br />
imagens orbitais na definição de classes de uso do solo urbano. 123 p. (não<br />
publicado). Dissertação (Mestrado em Sensoriamento Remoto) – Instituto Nacional<br />
de Pesquisas Espaciais, 1993.<br />
Haralick, R. C.; Shapiro, L. G. Image segmentation techniques. Computer Vision,<br />
Graphics and Image Processing, v. 29, n. 1, p 100-132, Jan. 1985.<br />
Harris, P. M.; Ventura, S. J. The integration of geographic data with remotely sensed<br />
imagery to improve classification in an urban area. Photogrammetric Engineering<br />
and Remote Sensing, v. 61, n. 8, p 993-998, Aug. 1995.<br />
Hay, A. M. Sampling designs to test land-use map accuracy. Photogrammetric<br />
Engineering and Remote Sensing, v. 45, n. 4, p 529-533, Apr. 1979.<br />
Hinton, J. C. GIS and remote sensing integration for environmental applications.<br />
International Journal of Geographical Information Systems, v. 10, n. 7, p. 877-<br />
890. July, 1996.<br />
Hoffmann, A. Neue Ansätze zur Auswertung und Klassifizierung von sehr<br />
hochauflösenden Daten: Methoden der Segmentierung, der hierarchischen<br />
Klassifizierung und der per-Parcel-Methode mit Daten der Digitalen Kamera<br />
HRSC-A und ihre Anwendbarkeit für die Aktualisierung topographischer<br />
Karten. Berlim. 200 p. Dissertação (Doutorado) – Universidade de Humboldt,<br />
2001a.<br />
Hoffmann, P. Detecting building and roads from IKONOS data using additional<br />
elevation information. Geobit, n 6, p. 28-33. June, 2001b.<br />
139
Instituto Brasileiro de Geografia e Estatística (IBGE). Itaquaquecetuba (SP). SF.23-<br />
Y-D-I-3. MI-2768-3. Rio de Janeiro. 1984a (Carta Topográfica. Escala 1:50.000)<br />
Instituto Brasileiro de Geografia e Estatística (IBGE). Mauá (SP). SF.23-Y-D-IV-1.<br />
MI-2794-1. Rio de Janeiro. 1984b (Carta Topográfica. Escala 1:50.000).<br />
Instituto Brasileiro de Geografia e Estatística (IBGE). Manual técnico de uso da terra.<br />
Série Manuais Técnicos em Geociências. n. 7. Rio de Janeiro. 1997. 105 p.<br />
Instituto de Pesquisas Tecnológicas do Estado de São Paulo (IPT). Mapa Geológico do<br />
Estado de São Paulo. São Paulo. v1. 1981a. 126 p. (Série Monografias nº6).<br />
Instituto de Pesquisas Tecnológicas do Estado de São Paulo (IPT). Mapa<br />
Geomorfológico do Estado de São Paulo. São Paulo. v1. 1981b. 126 p. (Série<br />
Monografias nº5).<br />
Jensen, J. R. Introductory digital image processing: a remote sensing perspective.<br />
New Jersey: Prentice-Hall. 1986. p 379.<br />
Jensen, J. R.; Jackson, M. W. Introductory digital remote sensing image processing.<br />
v. 3. modulo 1: The remote sensing process. [online]<br />
22 Jan. 2001.<br />
Jensen, J. R; Schill, S. R. Introductory digital remote sensing image processing. v.<br />
3. modulo 2.1: analogue (hard-copy) image digitization. [on line] <<br />
http://www.cla.sc.edu/geog/rslab/rsccnew/mod2/2-1/2-1.html> 30 Jan. 2001.<br />
Jensen, J. R.; Cowen, D. J. Remote sensing of urban; suburban infrastructure and socioeconomic<br />
attributes. Photogrammetric Engineering & Remote Sensing, v. 65, n.<br />
5. p 611-622. May, 1999.<br />
Jensen, J. R.; Cowen, D. J.; Halls, J.; Narumalani, S.; Schmidt, N. J.; Davis, B. A.;<br />
Burgess, B. Improved urban infrastructure mapping and forecasting for Bell South<br />
using remote sensing and GIS technology. Photogrammetric Enginnering &<br />
Remote Sensing, v. 60, n. 3, p 339-346. Mar. 1994.<br />
140
Ji, M.; Jensen, J. R. Effectiveness of sub-pixel analysis in detecting and quantifying<br />
urban imperviousness from Landsat Thematic Mapper imagery. Geocarto<br />
International, v. 14, n. 14, p. 1141-1157. Dec. 1999.<br />
Joly, F. A cartografia. Campinas: Papirus, 1990. 136. pg<br />
Kardoulas, N. G.; Bird, A. C.; Lawan, A. I. Geometric correction of Spot and Landsat<br />
imagery: a comparison of map and GPS-derived control points. Photogrammetric<br />
Engineering & Remote Sensing, v. 62, n. 10, p1173-1177. Oct. 1996.<br />
Khorram, S.; Brockhaus, J. A.; Cheshire, H. M. Comparison of Landsat MSS and TM<br />
data for urban land-use classification. IEEE Transactions on Geoscience and<br />
Remote Sensing, v. GE-25, n. 2, p. 238-243. Mar. 1987.<br />
Lillesand, T. M.; Kiefer, R.W. Remote Sensing and Image Interpretation. 3. ed.<br />
New York: Ed. John Wiley & Sons. 1994. 750 p.<br />
Lo, C. P.; Watson, L.J. The influence of geographic sampling methods on vegetation<br />
map accuracy evaluaton in a swampy environment. Photogrammetric Engineering<br />
and Remote Sensing, v. 64, n. 12, p. 1189-1200. Dec. 1998.<br />
Martin, L. R. G.; Howarth, P. J. Change detection accuracy assessment using SPOT<br />
multispectral imagery of the rural-urban fringe. Remote Sensing of Environment,<br />
v. 30, n. 1, p. 55-66, 1989.<br />
Marczyk, J. S.; Karpuk, E. W.; Rayner, M. R. Digital Landsat data for land-cover and<br />
land-use classifications for use in integrated resource planning: a feasibility study.<br />
Canadian Journal of Remote Sensing, v.10, n 2, p 177-189. Dec. 1984.<br />
Mascarenhas, N. D. A.; Velasco, F. R. D. Processamento Digital de Imagens. São<br />
José dos Campos: INPE. 1984. A.18 p.<br />
Mather, P. M. Map-image registration accuracy using least-squares polynomials.<br />
International Journal of Geographical Information Systems, v. 9, n 5, p 543-<br />
554. Sep-Oct. 1995.<br />
141
Mather, P. M. Computer processing of remotely-sensed images: an introduction. 2.<br />
ed. Chichester: John Wiley & Sons. 1999. 292 p.<br />
Meinel, G.; Neubert, M.; Dresden, J. R. Pixelorientierte versus segmentorientierte<br />
Klassifikation von Ikonos – Satellitenbilddaten – ein Methodenvergleich.<br />
Photogrammetrie Fernerkundung Geoinformation, v. 3, p 157-170. Jan. 2001.<br />
Mesev, V. Remote sensing of urban systems: hierarchical integration with GIS.<br />
Computer Environment and Urban System, v. 21, n. 3/4, p175-187, Mar-Apr.<br />
1997.<br />
Moik, J. G. Digital processing of remotely sensed images. Washington: NASA,<br />
1980, 330 p.<br />
Moran, M. S.; Jackson, R. D.; Hart, G. H.; Slater, P. S.; Bartell, R. J. Biggar, S. F.;<br />
Gellman, D. I.; Slater, R. P. Obtaining surface reflectance factors from atmospheric<br />
and view angle corrected SPOT-1 HRV data. Remote Sensing of Environment, v.<br />
32, n. 2 - 3, p 203-214, May-June 1990.<br />
Moura, J. R. S; Silva, T M. Complexo de rampas de colúvio. Cap. 4. In. Cunha, S. B;<br />
Guerra, A. J. T. Geomorfologia do Brasil. Rio de Janeiro. Bertrand Brasil. 1998.<br />
388 p.<br />
National Atmospheric and Space Agency (NASA). Landsat 7 [on line] <<br />
http://Landsat.gsfc.nasa.gov > 05 Jul. 2000.<br />
Nascimento, P. S. de R. Avaliação de técnicas de segmentação e classificação por<br />
regiões em imagens Landsat - TM visando o mapeamento de unidades de paisagem<br />
da Amazônia. São José dos Campos. 102 p. (INPE-6391-TDI/607). Dissertação<br />
(Mestrado em Sensoriamento Remoto) - Instituto Nacional de Pesquisas Espaciais,<br />
1997.<br />
Novo, E. M. M. Sensoriamento Remoto: princípios e aplicações. 2. ed. São Paulo:<br />
Edgard Blucher. 1988, 308 p.<br />
142
Oglesby, C. H.; Hewes, L. I. Ingenieria de carreteras, calles, viadutos y pasos a<br />
desnível. México: Continental. 1969, 858 p.<br />
Parson, C. Sampling the world. Unit. 6. [on line]. <<br />
http://www.cla.sc.edu/geog/rslab/rsccnew/rscc-frames.html> 20 apr. 2001.<br />
Pellemans, A. H. J. M.; Jordans, R. W. L.; Allenwijn, R. Merging multispectral and<br />
panchromatic SPOT images with respect to the radiometric properties of the sensor.<br />
Photogrammetric Engineering & Remote Sensing, v. 59, n. 1, p 81-87. Jan. 1993.<br />
Penido, L. R. Técnicas de sensoriamento remoto e SIG aplicadas ao planejamento<br />
de uma rodovia: estudo de caso - trecho oeste do Rodoanel Metropolitano de<br />
São Paulo. São José dos Campos. 123 p. (INPE-6966-TDI/654). Dissertação<br />
(Mestrado em Sensoriamento Remoto) - Instituto Nacional de Pesquisas Espaciais,<br />
1998.<br />
Pohl, C.; Van Genderen, J. L. Multisensor image fusion in remote sensing: concepts,<br />
methods and applications. International Journal of Remote Sensing, v. 19, n. 5,<br />
p 823-854. May. 1998.<br />
Ramsey, R. D. Remote Sensing lecture materials. eletromagnetic radiation [on line]<br />
25 Jan. 2001a.<br />
Rosenfield, G. H. Sample design for estimating change in land use and land cover.<br />
Photogrammetric Engineering and Remote Sensing, v. 48, n. 5, p. 793-801. May<br />
1982.<br />
Ross, J. L. S Geomorfologia, ambiente e planejamento. Repensando a Geografia.<br />
5.ed. São Paulo: Contexto. 2000. 85p.<br />
Sabins, F.F Remote sensing. Principles and Interpretation. San Francisco: W. H.<br />
Freeman. 1978. 426 p.<br />
143
Schneider, W.; Suppan, F.; Steinwendner, J.; Bartl, R. Automatic Extraction Of<br />
Landscape Ecology Features from Satellite Imagery by Computer Vision<br />
Techniques. Proc. Geospatial Information Age, v. 4, p 630-639. Abr. 1997.<br />
Schowengerdt, R. A. Techniques for image processing and classification in remote<br />
sensing. Orlando: Academic Press. 1983. 249p.<br />
Schowengerdt, R. A. Remote Sensing. Models and methods for image processing. 2.<br />
ed. San Diego: Academic Press. 1997. p. 522.<br />
Setzer, J. As características dos principais tipos de solos do Estado de São Paulo. In:<br />
Boletim Técnico do Instituto Agronômico do Estado de São Paulo. p 255–359.<br />
Abr. 1941.<br />
Setzer, J. Os solos do município de São Paulo. Boletim Paulista de Geografia. n. 20.<br />
p 3-20, Jul. 1955.<br />
Silva, D. A. da Técnicas de segmentação de imagens multiespectrais no espaço de<br />
cores. São José dos Campos: INPE. 1995. 33 p. (INPE-5639-PUD/071).<br />
Silva, D. A. da Segmentação de imagens multiespectrais baseada na componente<br />
matiz da transformação HSV. São José dos Campos. 137 p. (INPE-7255-<br />
TDI/698). Dissertação (Mestrado em Sensoriamento Remoto). Instituto Nacional de<br />
Pesquisas Espaciais, 1997.<br />
Skidmore, A.; Turner, B.; Brinkhof, W.; Knowles, E. Performance of a neural<br />
Network: mapping forests using GIS and remotely sensed data. Photogrammetric<br />
Engineering and Remote Sensing, v. 63, n. 5, p. 501-514. May 1999.<br />
Space Imaging. IKONOS II. [on line] 05 jul.<br />
2001.<br />
Stehman, S. V. Comparison of systematic and random sampling for estimating the<br />
accuracy of maps generated from remotely sensed data. Photogrammetric<br />
Engineering and Remote Sensing, v. 58, n. 9, p. 1343-1350, Sept. 1992.<br />
144
Stehman, S. V.; Czaplewski, R. L. Design and analysis for thematic map accuracy<br />
assessment: fundamental principles. Remote Sensing of Environment, v 64, n. 3, p<br />
331-344, June, 1998.<br />
Stenback, J. M. Congalton, R. G. Using Thematic Mapper imagery to examine forest<br />
understory. Photogrammetric Engineering and Remote Sensing, v. 56, n. 9, p<br />
1285-1290, Sept. 1990.<br />
Story, M.; Congalton, R. G. Accuracy assessment: an user’s perspective.<br />
Photogrammetric Engineering and Remote Sensing, v. 52, n. 53 p 397-399,<br />
March 1986.<br />
Suguio, K. Síntese dos conhecimentos sobre a sedimentação da Bacia de São Paulo.<br />
Mesa Redonda sobre aspectos geológicos e geotécnicos da Bacia Sedimentar de<br />
São Paulo. São Paulo. Publicação Especial. São Paulo: SBG/ABGE. 1980. 25-32<br />
p.<br />
Swann, R.; Hawkins, D.; Westwell-Roper, A.; Johnston, W. The potential for<br />
automated mapping from geocoded digital image data. Photogrammetric<br />
Engineering & Remote Sensing, v. 54, n. 2, p 187-193. Feb. 1998.<br />
Toutin, T.; Cheng, P. Demystification of IKONOS. Earth Observation Magazine, v.<br />
9, n. 7, p 17-21. July 2000.<br />
U. S Geological Survey (USGS). Geographic Information System. [on line]<br />
10 Apr. 2001.<br />
Venturieri, A. Segmentação de imagens e lógica nebulosa para treinamento de uma<br />
rede neural artificial na caracterização do uso da terra na região de Tucuruí<br />
(PA). São José dos Campos. 118 p. (INPE-6645-TDI/622). Dissertação (Mestrado<br />
em Sensoriamento Remoto) - Instituto Nacional de Pesquisas Espaciais, 1996.<br />
145
Vetec Engenharia/Vence Engenharia. Via de interligação Rodoviária – Rodoanel: fase<br />
I análise de viabilidade técnico-econômica e seleção de alternativa. São Paulo:<br />
DERSA, 1992. 184p.(DERSA – RT.15.00.000-A04/001).<br />
Vincent, S. P. R.; Metcalfe, R. E.; Tong, D.P. Practical application of satellite remote<br />
sensing as a source of information for civil engineering projects and GIS.<br />
Proceedings of the Institution of Civil Engineers-Civil Engineering, v. 114, p. 35-<br />
43, Dec. 1996.<br />
Wald, L.; Ranchin, T.; Mangolini, M. Fusion of satellite images of different spatial<br />
resolutions: assessing the quality of resulting images. Photogrammetric<br />
Engineering and Remote Sensing, v. 63, n. 6 p 691-699, June, 1997.<br />
Wang, F. A knowledge-based vision system for detecting land changes at urban fringes.<br />
IEEE Transactions on Geoscience and Remote Sensing, v. 31, n. 1, p 136-145.<br />
Jan. 1993.<br />
Wang, J.; Treitz, P. M.; Howarth, P. J. Road network detection from SPOT imagery for<br />
updating Geographical Information Systems in the rural-urban fringe.<br />
International Journal Geographical Information Systems, v. 6, n. 2, p. 141-157.<br />
Feb. 1992.<br />
Westmoreland, S.; Stow, D. A. Category Identification of changed land-use polygons<br />
in an integrated image processing/geographic information system.<br />
Photogrammetric Engineering & Remote Sensing, v. 58, n. 1, p 1593-1599.<br />
Nov. 1992.<br />
Wilheim, J. São Paulo, metrópole 65 corpo e alma do Brasil. São Paulo: Difusão<br />
Européia do Livro. 1965. 170 p.<br />
146