Documento completo - OBT - Inpe

INPE-9865-TDI/870
USO DE DADOS IKONOS II NA ANÁLISE URBANA: TESTES
OPERACIONAIS NA ZONA LESTE DE SÃO PAULO
Danilo Heitor Caíres Tinoco Bisneto Melo
Dissertação de Mestrado em Sensoriamento Remoto, orientada pelo Dr. Hermann
Johann Heinrich Kux, aprovada em 30 de setembro de 2002.
INPE
São José dos Campos
2003

728.711.7 (815.6)
MELO, D. H. C. T. B.
Uso de dados Ikonos II na análise urbana: testes operacionais
na zona leste de São Paulo / D. H. C. T. B. Melo. –
São José dos Campos: INPE, 2002.
146p. – (INPE-9865-TDI/870).
1.Sensoriamento remoto. 2.Sistemas de Informação
Geográfica (SIG). 3.Processamento de imagem. 4.Geomorfologia.
5.Uso do solo. I.Título.

“Devemos estudar as coisas como elas
são e devemos observar o que se pode e é
necessário fazer, não aquilo que seria
certo fazer”.
“Os homens têm menos escrúpulo de
ofender quem se faz amar do que quem
se faz temer”.
(Nicolau Maquiavel, 1469-1527).

AGRADECIMENTOS
Ao longo desta pesquisa tive a oportunidade de conhecer muitas pessoas
interessantes, que me ajudaram e compartilharam de seu saber e, em alguns casos,
também da amizade, em especial aos Colegas do Instituto Nacional de Pesquisas
Espaciais/Observação da Terra, e aos parentes. A essas pessoas ofereço minha gratidão,
pois este trabalho é também fruto das nossas trocas e por isso, também é obra de todos
nós. Contudo não posso deixar de mencionar a dedicação do Dr. Hermann Johann
Heinrich Kux, que me orientou e me acompanhou em todo o desenrolar deste trabalho.
Agradeço ao CNPq, pelo apoio financeiro, durante 2 anos, e que foram fundamentais
para a realização deste trabalho. Aos funcionários Sra. Sâmia Cristina Dias (Empresa
Metropolitana de Planejamento da Grande São Paulo), Sr. Paulo Marufuji
(Desenvolvimento Rodoviária S.A.) e a empresa PROTRAN que forneceram as
ferramentas necessárias sobre a área de estudo e o traçado do Rodoanel, para a
realização deste trabalho. Agradeço ao Sr. Mauricio Braga Meira, Gerente de vendas da
Space Imaging no Brasil, que forneceu as imagens do satélite IKONOS II, ao Sr.
Charles Martins, da Imagem Sensoriamento Remoto Ltda, que forneceu o aplicativo
ERDAS, versão 8.5, ao Sr. Luís Leonardi, da INTERSAT, que forneceu as fotografias
aéreas da região de estudo.

RESUMO
Este trabalho apresenta uma metodologia de aplicação de técnicas de Sensoriamento
Remoto e ferramentas de Sistemas de Informação Geográficas (SIG), visando analisar a
contribuição das imagens do satélite de alta resolução IKONOS II no processo de
implementação de uma rodovia, bem como no desenvolvimento urbano. A área de
estudo está localizada na zona leste da Região Metropolitana de São Paulo, onde será
implantado o Trecho Leste do Rodoanel Metropolitano de São Paulo. Para que as
técnicas de Sensoriamento Remoto e as ferramentas do Sistema de Informações
Geográficas possam ser amplamente utilizadas, foram apresentados os fundamentos da
metodologia do trabalho, mostrando o porque do seu uso. Para a realização deste
trabalho, foram usados dados temáticos de Geologia, Geomorfologia e Topografia,
mostrando a potencialidade destes dados num SIG. As imagens trabalhadas foram: as
bandas multiespectrais 1, 4 e 7 e a pancromática do Landsat 7 ETM+; a banda
pancromática do SPOT 4, e as bandas multiespectrais 1, 2 e 3 e a banda pancromática
do IKONOS II. Com estas imagens foram feitos diversos experimentos procurando-se
integrá-las através da transformação no espaço de cores. Com as informações do relevo,
agregadas às imagens do IKONOS, foi realizada uma animação, demonstrando a
topografia local em 3D. As informações de uso e cobertura da terra foram obtidas por
meio da imagem resultante da transformação no espaço de cores do IKONOS II, tendo
sido feita a sua classificação temática usando-se o novo pacote de programas
eCognition, que executa a classificação orientada ao objeto utilizando novas
concepções. Os resultados mostraram que a integração da imagem pancromática do
IKONOS II com as imagens multiespectrais do Landsat 7 ETM+, através da
transformação no espaço de cores, não apresentaram bons resultados. Por outro lado, a
classificação orientada ao objeto possibilita novas alternativas, como: a distinção das
classes avaliando as bandas separadamente, pelo tamanho, forma, textura, número de
bordas de uma classe. Com isto, tem-se uma maior interação entre o classificador e a
cena a ser classificada.

USE OF IKONOS II DATA FOR URBAN ANALYSIS: OPERATIONAL TESTS IN
EASTERN SÃO PAULO CITY
ABSTRACT
This work presents an application methodology of Remote Sensing and Geographic
Information Systems (GIS) aiming to analyze the contribution of high resolution image
data from IKONOS II satellite, for the implementation of a highway as well as for urban
development. The area under study is located at the eastern section of São Paulo
Metropolitan Region, where the eastern segment of the ring road called “Rodoanel
Metropolitano de São Paulo” will be implanted. In order to use Remote Sensing and GIS
techniques properly, the fundamentals of the methodology were presented, explaining why
they were used. In this study thematic data of Geology, Geomorphology and Topography
were used, showing the potential of these information in a GIS. The following image data
were used: Landsat 7 ETM+ bands 1,4, and 7, SPOT 4 panchromatic band, IKONOS II
multispectral bands 1,2 and 3 and the panchromatic band. Several experiments were done
with these data, integrating them through a transformation of the color space. Using relief
information associated to IKONOS II data, an animation was done, demonstrating the local
topography in 3D. The information on land use/land cover were obtained through an image
from the transformation of the color space from IKONOS II, followed by a thematic
classification using the new application software eCognition. This package uses a new
concept for image analysis: it uses the object oriented classification. The results of this
study showed that the integration of the panchromatic IKONOS II image with the
multispectral Landsat 7 ETM+ scene, through the transformation in the color space, did not
present good results. Nevertheless, the object oriented classification allows new
alternatives, such as: discrimination of classes to evaluate spectral bands separately by size,
form, texture and number of borders of a thematic class. With this procedure, there is a
higher interaction between the classifier and the scene to be classified.

SUMÁRIO
LISTA DE FIGURAS.......................................................................................................
LISTA DE TABELAS......................................................................................................
CAPÍTULO 1 – INTRODUÇÃO ................................................................................ 21
1.1 – Objetivos específicos............................................................................................. 23
CAPÍTULO 2 – FUNDAMENTAÇÃO TEÓRICA................................................... 25
2.1 – Planejamento rodoviário........................................................................................ 25
2.2 – Sensoriamento remoto........................................................................................... 27
2.2.1 – Análise dos dados de sensoriamento remoto...................................................... 29
2.2.1.1 – Resolução espacial........................................................................................... 30
2.2.1.2 – Resolução espectral ......................................................................................... 32
2.2.1.3 - Resolução Radiométrica................................................................................... 33
2.2.1.4 – Resolução temporal ......................................................................................... 35
2.3 – Uso de imagens de sensoriamento remoto para a área urbana .............................. 36
2.5 – Análise das imagens .............................................................................................. 40
2.5.1 – Pré-processamento.............................................................................................. 41
2.5.1.1 – Correção radiométrica ..................................................................................... 42
2.5.1.2 – Correção geométrica........................................................................................ 43
2.5.2. – Processamento ................................................................................................... 47
2.5.2.1 – Realce .............................................................................................................. 47

2.5.2.2 – Transformação................................................................................................. 48
2.5.3. – Classificação...................................................................................................... 50
2.5.3.1 – Segmentação multi-resolução e classificação baseada no objeto.................... 56
2.5.3.2 – Classificação através de lógica fuzzy.............................................................. 58
2.5.3.3 – Avaliação do parâmetro escalar (scale parameter) na segmentação................ 63
2.6 – Avaliação da classificação..................................................................................... 65
2.7 – Integração e análise dos dados no sistema de informação geográfica................... 68
CAPÍTULO 3 - ÁREA DE ESTUDO ......................................................................... 75
3.1. Localização da área de estudo ................................................................................. 75
3.2. Geologia .................................................................................................................. 80
3.3 Pedologia .................................................................................................................. 83
3.4. Geomorfologia......................................................................................................... 84
CAPÍTULO 4 – MATERIAIS E MÉTODOS............................................................ 93
4.1 – Materiais................................................................................................................ 93
4.1.1 – Ikonos II.............................................................................................................. 93
4.2. – Métodos ................................................................................................................ 96
4.2.1 – Pré-processamento.............................................................................................. 98
4.2.1.1 – Extração de características estatísticas ............................................................ 98
4.2.1.2 – Correção geométrica........................................................................................ 99
4.2.2. – Processamento digital...................................................................................... 100

4.2.3 – A classificação digital....................................................................................... 102
4.2.4 – Virtual gis ......................................................................................................... 102
CAPÍTULO 5 – RESULTADOS E DISCUSSÕES ................................................. 103
5.1 – Extração de características estatísticas ................................................................ 103
5.2 – Correção geométrica............................................................................................ 104
5.3 – Processamento digital.......................................................................................... 109
5.4 – Classificação........................................................................................................ 112
5.6 – Virtual gis. ........................................................................................................... 123
CAPÍTULO 6 – CONCLUSÕES E RECOMENDAÇÕES .................................... 127
REFERÊNCIAS BIBLIOGRÁFICAS ..................................................................... 133

LISTA DE FIGURAS
2.1 – Implantação rodoviária, etapa de reconhecimento. ............................................... 26
2.2 – Processo de Aquisição de Imagem de Sensoriamento Remoto............................. 28
2.3 – Imagens de diferentes sensores e resoluções espaciais para discriminar áreas
urbanas: região Leste da cidade de São Paulo. ..................................................... 31
2.4 – Espectro Eletromagnético (A) e Resolução espectral (B). .................................... 33
2.5 – Diferença de resolução radiométrica, área urbana: região nordeste da cidade de
São Paulo............................................................................................................... 34
2.6 – Visualização de imagem de alta resolução radiométrica, imagem do IKONOS
II, região sul do município de Santana do Parnaíba (SP)...................................... 35
2.7 – Resolução espacial, espectral e radiométrica. ....................................................... 36
2.10 – Espaço de cores. .................................................................................................. 50
2.11 – Algoritmos de segmentação: similaridade e descontinuidade, noroeste de
Santo André (SP). ................................................................................................. 54
2.12 – Princípio da rede hierárquica de objetos da imagem com diferentes planos de
escalas. .................................................................................................................. 59
2.13 – Membros da função regular e trapezoidal sob característica x para definir o
conjunto crisp M (vermelho) e o conjunto Fuzzy A (azul) µ A (x) sobre a
característica de campo X. .................................................................................... 60
2.14 – O membro da função sob característica x define o conjunto fuzzy baixo, médio
e alto desta característica....................................................................................... 62
2.15 – Fluxograma com as etapas de aquisição de dados............................................... 70
2.16 – Processo básico de criação, manejo e exploração do MDT. ............................... 72

3.1 – Localização da área de estudo. .............................................................................. 76
3.3 – Periferia da região Leste da cidade de São Paulo, fotografia aérea de janeiro de
2001....................................................................................................................... 77
3.4 – Extração de material de construção (pedreiras) vista por fotografia aérea,
localizada na região noroeste do município de Mauá........................................... 81
3.5 – Carta Geológica da área de estudo. ....................................................................... 82
3.6 – Mapas de Aspecto, Hipsométrico e de Declividade do relevo.............................. 87
3.7 – Representação do relevo em 3 dimensões, da área em estudo, mostrando a
dissecação do relevo.............................................................................................. 88
3.8 – Carta Geomorfológica da área de estudo............................................................... 91
4.1 – Dados de Entrada – Carta topográfica do IBGE (1:50.000) e Carta da DERSA
(1:10.000).............................................................................................................. 97
5.1 – Área de estudo mostrando a localização dos pontos de controle coletados.
Composição colorida da imagem do Landsat 7 – 3- B, 5 – G e 4 – R.................105
5.2 –Correção geométrica da imagem Spot 4 com os dados digitais do Dersa.............106
5.3 – Locação de pontos de controle na Imagem do IKONOS II..................................107
5.4 – Deslocamento na correção geométrica na imagem do IKONOS II......................108
5.5 – Imagem do Landsat 7, cena A sem correção atmosférica, cena B com correção
atmosférica. Local: aeroporto de Guarulhos/SP. ................................................ 109
5.6 – Realce da imagem do IKONOS II e seu respectivo histograma. Local –
Refinaria de Santo André/SP. ............................................................................. 110
5.7 – Transformação no espaço de Cores..................................................................... 111

5.8 – Transformação no espaço de cores das imagens IKONOS II, pancromática com
a imagem do Landsat 7, multiespectral................................................................112
5.9 – Conurbação da Grande São Paulo, setor Leste, vista pela imagem do IKONOS
II.......................................................................................................................... 113
5.10 – Área teste da classificação feita com o aplicativo eCognition (versão 2.1). ..... 114
5.11 – Níveis de segmentação com seus respectivos valores escalares. P.e. =
parâmetro escalar. ................................................................................................115
5.12 – Classificação dos objetos com base nos polígonos. ...........................................116
5.13 – Características da classe galpão na imagem de Satélite. ....................................117
5.14 – Características dos objetos da classe solo exposto com a proporção da classe
na primeira banda (Azul). ....................................................................................118
5.15 – Descrição das características espaciais das classes na cena. ..............................119
5.16 – Características da classe solo exposto em cada banda. ......................................120
5.17 – Classes Hierárquicas...........................................................................................121
5.18 – Diagrama A mostra as expressões usadas para distinguir uma classe de outra;
Diagrama B mostra as expressões usadas para distinguir e identificar a classe
“gramínea”. ..........................................................................................................122
5.19 – Sexto nível hierárquico classificado.................................................................. 123
5.21 – área teste do Virtual GIS, com os pontos de sobrevôo...................................... 124
5.22. – Características dos pontos de enlace da trajetória de vôo. ............................... 125
6.1 – Possibilidades de uso do VIRTUAL GIS............................................................ 130

LISTA DE TABELAS
2.1: RELACIONAMENTO ENTRE OS INDICADORES URBANOS E OS DADOS
DE SENSORIAMENTO REMOTO........................................................................37
2.2: FATORES RADIOMÉTRICOS QUE AFETAM A IMAGEM ............................. 43
4.1: SATÉLITE IKONOS II........................................................................................... 94
4.2: MATERIAL UTILIZADO...................................................................................... 95
5.1: MATRIZ DE SIMILARIDADE DAS BANDAS DO TM DO LANDSAT 7...... 104

CAPÍTULO 1
1 – INTRODUÇÃO
A circulação de veículos na Região Metropolitana de São Paulo é muito intensa,
especialmente por ser o centro de convergência do sistema de transporte do Estado e o
principal pólo industrial, comercial, cultural e cívico do país. Com o crescimento urbano
e econômico de São Paulo, o número de veículos que trafega nesta região vem
aumentando, principalmente nas proximidades do Centro, e junto com o transporte
nacional de bens ocasiona um congestionamento cada vez maior.
Segundo estimativas do DERSA (2001) (Desenvolvimento Rodoviário S/A), mais de
100 mil caminhões e carretas trafegam todos os dias pela Metrópole, provocando a
obstrução e congestionamento das principais vias, às vezes durante várias horas. Para
mudar este quadro, o sistema viário precisa passar por transformações urgentes que se
alteram conforme as condições técnicas e as necessidades econômicas. Desde o governo
de Prestes Maia (anos 40 do século XX) procurou-se criar rodovias radiais, com o
intuito de diminuir o fluxo de carros do centro de São Paulo (Wilheim, 1965). Devido a
lentidão na execução destas primeiras obras, foram construídos apenas alguns trechos,
que se tornaram obsoletos na medida em que a cidade foi crescendo.
Por estes motivos, os governos Federal, Estadual e Municipal optaram pela construção
de uma rodovia que desviasse principalmente os veículos com destino ao Porto de
Santos e que facilitasse o acesso ao Corredor do Mercosul. Para tanto é necessária uma
rodovia, traçada fora da área metropolitana, e que interligue as 10 principais rodoviastronco
que convergem à região, a saber: Bandeirantes, Anhanguera, Castelo Branco,
Raposo Tavares, Régis Bittencourt, Imigrantes, Anchieta, Presidente Dutra, Ayrton
Senna da Silva e Fernão Dias. Segundo o DERSA (2001), O RODOANEL
“GOVERNADOR MÁRIO COVAS”, como será chamado, atenderá a estes prérequisitos,
tendo uma distância de 20 a 40 km do centro da cidade de São Paulo.
Para a execução desta obra é necessário um pormenorizado planejamento, que requer
estudos detalhados sobre o projeto de sua construção, financiamento, implementação,
21

transporte, tráfego, conservação, bem como estudos de impacto ambiental. Conforme
Oglesby e Hewes (1969), que mencionam as exigências mínimas de projetos
rodoviários, estes devem estar relacionados com os elementos ambientais e urbanos,
procurando produzir uma via que permita a condução e o acesso fácil de veículos, bem
como a capacidade de fluxo e segurança que satisfaçam as condições normais de
trânsito. O seu planejamento também deve reconhecer e diagnosticar os impactos da
obra sobre zonas urbanas, industriais, comerciais, e sobre o seu desenvolvimento futuro.
A implementação de uma rodovia pode ser dividida em quatro etapas: reconhecimento,
exploração, projeto e locação. Penido (1998) mostrou que as técnicas de processamento
digital de imagens e Sistemas de Informações Geográficas (SIG) podem contribuir
significativamente na obtenção de informações para a primeira etapa, na qual foi
utilizada uma imagem do satélite Landsat – 5 (sensor Thematic Mapper – TM,
resolução espacial de 30 x 30 m) e a integração de informações geográficas, com o
intuito de encontrar a melhor opção de traçado viário.
Atualmente isto mudou com a entrada em operação dos novos sistemas sensores como o
IKONOS II (resolução espacial de 1 x 1 m), além dos avanços tecnológicos de SIG,
possibilitando a aplicação de avançadas técnicas de sensoriamento remoto e SIG. O
presente trabalho tem como objetivo geral verificar até que ponto os avanços
tecnológicos, tanto no SIG como nas imagens de Sensoriamento Remoto, podem
contribuir na implementação de rodovias e no planejamento urbano; avaliar
qualitativamente a integração da imagem de um sistema sensor de alta resolução com as
imagens mais utilizadas no mercado (SPOT 4 e Landsat 7).
Este trabalho foi proposto junto aos órgãos responsáveis pela construção da rodovia, o
DERSA, e a empresa PROTRAN Engenharia, responsável pela elaboração do Relatório
de Impactos Ambientais desta obra, constituído de uma integração de dados temáticos e
numéricos, aerofotogramétricos e de sensoriamento remoto orbital para o estudo do
traçado da rodovia, fornecendo assim importantes informações para os seus
planejadores e futuros gerenciadores.
22

A idéia inicial deste trabalho foi mostrar para estes organizações a contribuição de
dados de sistemas sensores de alta resolução e Sistemas de Informação Geográfica para
estudos de reconhecimento visando a implementação de rodovias, tendo como estudo de
caso o Trecho Leste do Rodoanel. Foi utilizado como base para o estudo, material
informativo sobre os aspectos físicos (Geologia, Geomorfologia, Hidrografia e
Pedologia), realizado pela Vetec Engenharia e Vence Engenharia (1992), mapas
temáticos da área Emplasa (1990a, 1990b, 1990c, 1990d e 1990e) e o dados digitais
foram adquiridos da própria DERSA. Como não foi possível a obtenção de imagens
especificamente para um estudo da área de influência direta do Rodoanel, optou-se pela
análise de um setor de periferia urbana da Metrópole paulistana, perfazendo setores dos
municípios de Guarulhos, Mauá, Ribeirão Pires, Santo André e São Paulo.
Por outro lado, trabalhos recentemente publicados na Alemanha (Hoffmann (2001a),
Hoffmann (2001b), Meinel, Neubert e Dresden (2001) e Bauer e Steinnocher
(2001)),demonstram que os dados do satélite IKONOS II são de grande interesse para a
análise de ambientes urbanos, devido a sua alta resolução espacial e a sua precisão
geométrica.
1.1 – OBJETIVOS ESPECÍFICOS
Os objetivos específicos deste trabalho são:
1) Analisar e averiguar o nível de contribuição das imagens dos satélites Landsat 7,
SPOT 4 e IKONOS II, para o planejamento urbano e execução das obras de
engenharia rodoviária;
2) Avaliar as técnicas de análise espacial aplicadas a uma extensa e complexa área
urbana e de periferia urbana;
3) Analisar a qualidade da classificação temática da imagem do IKONOS II,
usando novas abordagens para a classificação temática.
23

O segundo capítulo, com o título “Fundamentação Teórica”, fornece sucintamente os
conceitos gerais de Sensoriamento Remoto que são a base para o entendimento dos
demais capítulos.
O capítulo Três apresenta uma visão de conjunto da área de estudo com a descrição dos
os aspectos da geologia, geomorfologia e pedologia local de fundamental importância
para a realização do trabalho.
No quarto capítulo é apresentado o sistema sensor usado, o IKONOS II, o primeiro
satélite de alta resolução espacial. Para o tratamento e a análise das imagens e dos dados
temáticos foram empregados programas de Sistemas de Informações Geográficas.
No capítulo cinco foi discutido exaustivamente os resultados obtidos através da
utilização dos dados destes novos sistemas sensores. Tendo em vista a sua elevada
resolução espacial (IKONOS II, resolução espacial de 1m!), os mapas que serão
futuramente gerados com estes dados interessarão certamente às prefeituras e órgãos de
planejamento. Por isso, foi feita a avaliação da exatidão da classificação, conforme
Congalton e Green (1999).
Finalizando, apresentamos as recomendações sobre análises e trabalhos que poderão dar
continuidade a esta linha de pesquisa, para que as experiências obtidas com a avaliação
dos dados de alta resolução possam ser efetivamente aplicadas.
24

CAPÍTULO 2
2 – FUNDAMENTAÇÃO TEÓRICA
Este capítulo apresenta a fundamentação teórica, iniciando-se com o planejamento
viário, onde se definem as avenidas, ruas, caminhos para pedestres e rodovias, que são
necessários para tornar acessível as diferentes partes do espaço urbano. Os sistemas
viários assumem traçados e desenhos muito diferentes, conforme a topografia do local.
Em seguida são apresentados os fundamentos das técnicas de Sensoriamento Remoto,
desde a aquisição das imagens orbitais, o seu uso em planejamento urbano, o
processamento digital de imagens, finalizando com o geoprocessamento e o SIG.
2.1 – PLANEJAMENTO RODOVIÁRIO
A fase do planejamento rodoviário é constituída por 4 etapas: reconhecimento,
exploração, projeto e locação (Carvalho, 1966). A primeira etapa refere-se ao
reconhecimento geral do terreno, onde são estabelecidas as diretrizes gerais, ou seja, a
ligação com outras rodovias (chamados de pontos extremos), a velocidade máxima
permitida por veículo a trafegar na rodovia, a seção transversal e a declividade máxima
aceitável (Oglesby e Hewes, 1969), obedecendo às normas técnicas para o projeto das
estradas de rodagem, do Departamento Nacional de Estradas de Rodagem - DNER. A
partir daí são investigadas as possíveis rotas e os primeiros controles geográficos, tais
como: rios, relevo e zonas urbanas. Portanto, nesta etapa são utilizados os mapas da
região em escala de até 1:50.000. Ao final desta etapa é selecionada a melhor rota,
considerando-se uma faixa para estudos mais detalhados com aproximadamente 200 m
de largura.
A Figura 2.1 ilustra a etapa de reconhecimento. A ilustração um mostra em linhas gerais
o local desejado para se traçar a rodovia, utilizado uma carta topográfica ou um mapa
rodoviário, marcando as rodovias que serão interligadas. A ilustração dois apresenta
alternativas para o traçado da rodovia, que são estabelecidas de acordo com os controles
geográficos (área urbanizada, rios, relevos). Tais controles podem ser identificados por
meio de imagens de satélites, além de auxiliar na seleção da melhor rota.
25

Fig. 2.1 – Implantação rodoviária, etapa de reconhecimento.
Concluído o reconhecimento, procede-se as trabalhos de exploração que consistem no
levantamento topográfico detalhado, objetivando determinar o alinhamento principal da
rodovia, que serve de base para todo o levantamento (Campos, 1979). O trabalho de
campo inclui a demarcação e o assentamento de estacas ao longo da linha central da via,
oferecendo a oportunidade para correções menores (declive, cortes e aterros,
alinhamento). Para Carvalho (1966), a partir disto tem-se um detalhamento rigoroso do
terreno, necessitando distribuir o serviço em trechos, cujas divisões variam de acordo
com os pontos obrigatórios de passagem ou da condição especial de determinadas
seções, como por exemplo, pontes, viadutos, aterros, cortes.
Finalmente, a locação é considerada como o transplante do projeto da planta para o
campo, ou seja, a construção da rodovia.
Vincent, Metcalfe e Tong (1996) enfatizaram que os dados de sensoriamento remoto
aplicados na implementação viária são usados apenas como ferramenta de
reconhecimento da área, ajudando a definir as diretrizes gerais. Isto se deve ao nível de
detalhamento do terreno que as demais fases exigem, e que os dados de sensoriamento
remoto disponíveis até então, não dispunham de resolução espacial adequada para as
tarefas exigidas.
Dois anos depois, Penido (1998) demonstrou que as técnicas de sensoriamento remoto e
geoprocessamento podem ser utilizadas na etapa de reconhecimento do projeto
26

odoviário até a seleção da melhor rota e da faixa de faixa a ser estudada para a
construção da rodovia. Este autor utilizou imagens do satélite Landsat 5, (Thematic
Mapper - TM), identificando áreas restritas à construção rodoviária e auxiliando a
identificação de uma rota mais viável. A resolução espacial da imagem de 30 x 30 m.
foi o fator limitante para o seu uso nas demais etapas.
O presente trabalho procura verificar se imagens de alta resolução e as novas
ferramentas de geoprocessamento podem ser usadas nas etapas posteriores ao de
reconhecimento, que é a exploração. Nesta etapa inclui um estudo detalhado do terreno
onde será implantada a rodovia. Para tanto é essencial uma adequada caracterização
ambiental, principalmente no que se refere à Capacidade de Suporte do Terreno para a
implantação viária.
2.2 – SENSORIAMENTO REMOTO
Sabins (1978) define Sensoriamento Remoto como “técnicas e métodos empregados na
observação de objetos através de análises de dados adquiridos por instrumentos
colocados numa posição estacionária ou móvel numa distância remota”. Este autor
lembra que este termo deve ficar restrito às técnicas que utilizam a radiação
eletromagnética (REM) refletida e/ou emitida, para detectar e medir as “características”
dos objetos (Figura 2.2.). Portanto estão excluídas as técnicas que medem o “campo de
força” provenientes da energia elétrica, magnética e gravitacional, denominadas por
Sabins (1978) de “levantamento geofísico aerotransportado”.
De acordo com a Figura 2.2, pode-se afirmar que um sistema de imageamento possui
quatro componentes básicas: (A) fonte de energia, (B) meio de transmissão/propagação,
(C) objeto, (D) sensor. As demais componentes representam a transformação que a
imagem sofre até chegar ao produto final e que são: (E) recepção, (F) análise e
interpretação e (G) aplicação.
27

Fig. 2.2 – Processo de Aquisição de Imagem de Sensoriamento Remoto.
FONTE: adaptada de CCRS (2001, on line).
A Figura 2.2 indica que a radiação incidente sobre os alvos apresenta três formas de
interação com a atmosfera (Chuvieco, 1996):
Absorção: a atmosfera comporta-se como um filtro seletivo em distintos
comprimentos de onda, deixando apenas a radiação em algumas faixas do espectro
eletromagnético (EEM) chegarem até a superfície terrestre;
Dispersão: ocorre a redução da radiação direta sobre a superfície terrestre e o
aumento da radiação difusa causada pela sua interação com os gases e partículas em
suspensão na atmosfera; e
Emissão: este efeito ocorre principalmente na faixa do infravermelho termal, no
qual alvos emitem energia calorífica para a atmosfera. Esta interação ocorre apenas
numa faixa do espectro eletromagnético, e por isto alguns autores não a levam em
consideração (CCRS, 2001).
Da interação entre a energia radiante e a energia emissiva para a atmosfera terrestre
conclui-se que o valor registrado na imagem não é um registro da verdadeira radiância
28

de campo, sendo que a magnitude do sinal de campo é atenuada devido à absorção da
atmosfera e que as suas propriedades de direção são alteradas pelo “espalhamento”.
Outras dificuldades são causadas pela variação da geometria de iluminação, a relação
entre a elevação solar e o ângulo de azimute, a declividade do campo e a disposição das
características topográficas (Mather, 1999).
Além da interação atmosférica, há a interação radiação – superfície terrestre que inclui:
absorção, transmissão e reflexão. O nível de intensidade de cada uma depende do
comprimento de onda da radiação e das características da superfície radiada (CCRS,
2001). Por exemplo, um alvo apresenta uma coloração azulada porque ele reflete
intensamente a energia espectral nesta faixa do espectro e pouco nas outras, ou seja,
absorve e/ou transmite pouca energia incidente no azul e muito nas outras faixas.
De acordo com o CCRS (2001), há dois tipos de reflexão de energia:
Especular: quando a energia refletida pela superfície é direcionada para um único
caminho. Ocorre em superfícies lisas (ex., solo desnudo e águas calmas); e
Difusa: quando a energia é refletida em várias direções. Ocorre em superfícies
rugosas.
A maioria das coberturas vegetais apresenta um comportamento intermediário entre as
situações citadas, devido às suas características e ao comprimento de onda. Nestes
casos, o ângulo de elevação solar e o ângulo de observação são importantes na resposta
final. Segundo Chuvieco (1996), conforme as condições de observação e/ou iluminação
o sensor pode registrar valores distintos de radiância espectral para um mesmo tipo de
cobertura, com refletividade similar.
2.2.1 – ANÁLISE DOS DADOS DE SENSORIAMENTO REMOTO
Alguns termos e conceitos fundamentais da área de Sensoriamento Remoto (SR)
precisam ser definidos para o posterior processamento, interpretação e aplicação dos
dados de sensoriamento remoto. Segundo Jensen (1986), o conceito fundamental referese
à resolução de um sistema sensor.
29

Campbell (1996) define resolução como a “capacidade do sistema sensor em
discriminar informações de detalhe”. Nesta definição, as palavras “discriminar” e
“informações de detalhe” merecem uma atenção especial. De acordo com Chuvieco
(1996), a palavra “discriminar” está relacionada com a escala de trabalho e com a
complexidade da paisagem, enquanto que “informação de detalhe” refere-se à
capacidade do sistema sensor em distinguir variações na energia detectada. Com isto, a
qualidade e a natureza da resolução do sistema sensor é afetada em quatro (4)
dimensões, a saber: espacial, espectral, radiométrica e temporal.
2.2.1.1 – RESOLUÇÃO ESPACIAL
A resolução espacial refere-se à habilidade do sistema sensor em distinguir e medir os
alvos. Esta habilidade baseia-se na projeção geométrica do detector na superfície
terrestre, definindo a sua área do campo de visada do instrumento numa certa altitude e
num determinado instante. O ângulo definido por esta projeção é denominado de campo
de visada instantânea (Instantaneous Field Of View, IFOV). O IFOV define a área do
terreno focalizada a uma dada altitude pelo instrumento sensor. Os sensores
heliosíncronos têm uma altitude fixa com relação à superfície terrestre, que corresponde
ao tamanho da unidade mínima de informação da imagem, denominada de pixel (de
picture element, em inglês), ou “dot”, como é conhecido na engenharia civil (Vincent,
Metcalfe e Tong, 1996).
A Figura 2.3 ilustra o contraste visual entre diferentes resoluções em áreas urbanas. Na
fotografia aérea com resolução espacial (r.e.) de 0,5 m e a imagem do IKONOS II, r.e.
de 1 m, ambos considerados de alta resolução, consegue-se verificar a grande
quantidade de detalhes e a distinção dos elementos urbanos (casas, ruas, quadras,
vegetação, calçadas, loteamentos); a imagem do SPOT 4, r.e. de 10 m é considerada de
média resolução, possibilitando identificar elementos urbanos, como a rede viária,
aeroportos, indústrias, edifícios. Porém, ao colocar a imagem na mesma escala das
imagens de alta resolução, observa-se o tamanho do pixel. Por último, na imagem do
Landsat 7, r.e. de 30 m., de baixa resolução, numa escala grande pode-se distinguir
alguns elementos urbanos, avenidas e galpões, já na mesma escala de detalhe ocorre o
mesmo que com a imagem do SPOT 4. Portanto, quanto maior a resolução espacial,
30

maior o nível de detalhes perceptível na imagem, desde que o sinal de saída de um
detector esteja relacionado com a média da energia radiante dentro da área projetada.
Fig. 2.3 – Imagens de diferentes sensores e resoluções espaciais para discriminar áreas
urbanas: região Leste da cidade de São Paulo.
31

2.2.1.2 – RESOLUÇÃO ESPECTRAL
A resolução espectral é um conceito próprio para os sistemas sensores denominados de
multiespectrais. Segundo Novo (1988), resolução espectral é “uma medida da largura
das faixas espectrais e da sensibilidade do sistema sensor em distinguir entre dois
níveis de intensidade do sinal de retorno”. Para melhor compreender este conceito,
Jensen e Jackson (2001) destacam dois pontos importantes: o comprimento de onda
detectado pelo sensor e a quantidade de faixas espectrais. Estes dois pontos estão
ilustrados na Figura 2.4.
A ilustração A apresenta as diferentes regiões do espectro eletromagnético utilizadas em
sensoriamento remoto, destacando a faixa do visível. A ilustração B mostra o
comprimento de onda detectado pelas bandas de dois sistemas sensores (vermelho e
azul). O primeiro sistema sensor (vermelho) tem um grande número de bandas
espectrais e uma grande sensibilidade espectral. O outro sistema sensor (azul), possui
poucas bandas e uma menor sensibilidade espectral. Comparando os dois sistemas
sensores, verifica-se que o primeiro pode caracterizar e distinguir melhor um objeto na
imagem do que o outro sistema. Portanto, quanto menor o número de bandas e menor a
largura do intervalo, maior a discriminação do alvo na cena e melhor a resolução
espectral.
32

A
B
Fig. 2.4 – Espectro Eletromagnético (A) e Resolução espectral (B).
FONTE: adaptada de Ramsey (2001, on line) e Jensen e Jackson
(2001, on line).
2.2.1.3 – RESOLUÇÃO RADIOMÉTRICA
Refere-se à capacidade do sistema sensor em detectar as variações da radiância espectral
recebida. A radiância de cada pixel passa por uma codificação digital, obtendo um valor
numérico, expresso em bits, denominado de Número Digital (ND). Este valor é
facilmente traduzido para uma intensidade visual ou ainda a um nível de cinza,
localizado num intervalo finito (0, K-1), onde K é o número de valores possíveis,
denominados de níveis de quantização (Schowengerdt, 1983).
Como o número de níveis de cinza está expresso em bits, ou seja, expresso em função
do número de dígitos binários necessários para armazenar, em forma digital, o valor do
33

nível máximo de cinza. O seu valor é sempre em potência de 2, por exemplo 8, bits
significam 2 5 = 258 níveis de cinza (Figura 2.5). Os satélites Landsat 7 e SPOT 4
possuem resolução radiométrica de 8 bits, enquanto o satélite IKONOS II de 11 bits. O
fato de imagens do IKONOS II terem 11 bits (2048 níveis de cinza), significa que se
obtém potencialmente um grande número de informações adicionais, se comparado com
imagens de 8 bits (256 níveis de cinza). As diferenças são maiores nos níveis 2 e 4 do
que nos níveis 256 e 2048, devido ao fato do olho humano não possuir sensibilidade às
mudanças de intensidade acima de 30 níveis de cinza (Crosta, 1992).
Fig. 2.5 – Diferença de resolução radiométrica, área urbana: região nordeste da cidade
de São Paulo.
A utilização de imagens de alta resolução radiométrica possibilita a visualização e
identificação de alvos em locais de alta ou baixa freqüência radiométrica, como mostra
a Figura 2.6. Na Figura 2.6, a imagem de 11 bits permite notar uma grande diferença na
turbidez da água, e também separar bem a água da sua margem; enquanto que na
imagem de 8 bits, a água apresenta muito reflexo, o que dificulta ver a turbidez da água,
além de não se conseguir distinguir a margem da água. Deve-se ressaltar que muitos
34

programas de tratamento digital de imagens fazem uma reamostragem dos valores das
imagens de 11 bits para 8 bits. O programa utilizado para mostrar esta diferenciação foi
o Remote View Professional (SensorSystems), que trabalha com imagens de 11 bits.
Fig. 2.6 – Visualização de imagem de alta resolução radiométrica, imagem do IKONOS
II, região sul do município de Santana do Parnaíba (SP).
2.2.1.4 – RESOLUÇÃO TEMPORAL
Este conceito refere-se à freqüência de passagem do sensor num mesmo local, num
determinado intervalo de tempo. Este ciclo está relacionado às características orbitais da
plataforma (altura, velocidade, inclinação), e ao ângulo total de abertura do sensor. A
resolução temporal é de grande interesse especialmente em estudos relacionados a
mudanças na superfície terrestre e no seu monitoramento.
O relacionamento entre ambas as resoluções (temporal e radiométrica) permite que cada
sistema de sensoriamento remoto tenha características particulares em função de sua
finalidade. No entanto, a melhoria em qualquer uma destas resoluções significa um
aumento no volume de dados a serem processados. Este aumento ocorre tanto para os
usuários como para a estação de recepção em Terra e para o satélite.
A Figura 2.7 mostra estas resoluções numa imagem de sensoriamento remoto. A
contagem dos pixels começa de cima para baixo e da esquerda para a direita, tendo um
35

total de 4 linhas por 5 colunas (5x4), o valor radiométrico desta imagem é de 8 bits (256
níveis de cinza). O pixel localizado na 4ª coluna e na 3ª linha da primeira banda 1 tem o
nível de cinza igual a 22.
Fig. 2.7 – Resolução espacial, espectral e radiométrica.
FONTE: Adaptada de Jensen e Schill (2001).
2.3 – USO DE IMAGENS DE SENSORIAMENTO REMOTO PARA A ÁREA
URBANA
A partir da definição dos termos acima, pode-se caracterizar e diferenciar os sistemas
sensores orbitais. Cada sistema sensor foi desenvolvido para um propósito específico, e
destinado a uma determinada aplicação, além de terem sua importância para a evolução
dos sensores atuais. Por exemplo, para estudos referentes à floresta, à agricultura
mecanizada, à biodiversidade e às mudanças globais através de imagens orbitais de
sensoriamento remoto, recomenda-se utilizar uma resolução espacial média à baixa, e
utilizar bandas espectrais que trazem informações sobre tais assuntos. Isto se deve ao
tamanho da área a ser estudada (Mata Atlântica, cerrado) e ao tipo de alvo, pois não se
trata de alvos isolados, e sim de parcelas homogêneas (plantações, reflorestamento). Por
outro lado, estudos sobre a paisagem urbana com imagens orbitais de sensoriamento
remoto irão depender do tipo de alvo, devido a heterogeneidade dos objetos, como
mostra a Tabela 2.1.
36

TABELA 2.1: RELACIONAMENTO ENTRE OS INDICADORES URBANOS E
OS DADOS DE SENSORIAMENTO REMOTO
Resolução mínima necessária
Temporal Espacial Espectral
Infra-estrutura
Área construída 1 – 2 anos 0,3 – 1,0 m Pan
Mapa cadastral 1 – 6 meses 0,3 – 0,5 m Pan
Planejamento rodoviário
Rodovias em geral 1 – 5 anos 1 – 30 m Pan
Manutenção das rodovias 1 – 2 anos 0,3 – 0,5 m Pan
Modelo Digital de Terreno 5 – 10 anos 0,3 – 0,5 m Pan
Características sócio-econômicas
Estimativa da população local 5 -7 anos 0,3 – 5 m Pan
Estimativa da população regional/nacional 5 – 15 anos 5 – 20 m V – NIR
Indicadores da qualidade de vida 5 – 10 anos 0,3 – 30 m Pan – NIR
Conservação e demanda de energia 1 – 5 anos 0,3 – 1 m Pan – NIR
Avaliação de áreas ambiental
Ambiente estável 1 – 2 anos 1 – 10 m V – NIR – MIR
Ambiente dinâmico 1 – 6 meses 0,3 – 2 m V – NIR – MIR – TIR
Legendas: V = faixa do visível, NIR = faixa do infravermelho próximo, MIR = faixa do infravermelho
médio, TIR = faixa do infravermelho termal, PAN = pancromático.
Adaptada de Jensen e Cowen (1999, p 612).
A partir disto, pode-se estabelecer as classes de uso e ocupação do “solo urbano”.
Anderson et al. (1976) informam sobre a diversidade de opiniões quanto à compreensão
do termo “uso e ocupação do solo”. Para Jensen e Cowen (1999) o uso do solo significa
“como o solo está sendo utilizado”, ou seja, a atividade do homem sobre o solo; sendo
que a concepção de cobertura do solo refere-se à “cobertura natural e artificial
encontrada na superfície”.
Uma forma de ordenar e organizar as informações de uso e cobertura do solo é através
de um sistema de classificação, que segundo Joly (1990), é uma forma de generalizar as
informações, apagando ou atenuando as características desprezíveis e realçando as
características mais importantes. Para se fazer a Classificação, o IBGE (1997) destaca
37

quatro parâmetros importantes: o embasamento teórico empregado na rotulação, a
estrutura de produção dos dados cartográficos, a data de aquisição dos dados utilizados
para a sua confecção, e a escala de mapeamento.
O embasamento teórico refere-se à metodologia utilizada para a classificação. A
estruturação dos dados compreende as relações de disponibilidade dos dados, a forma
de como serão mostrados os dados. A data de aquisição, que constata a viabilidade do
mapa para um determinado estudo, possibilita o monitoramento da informação. Por
último, a escala corresponde à relação entre dimensões utilizadas na representação
gráfica, definindo o limite para a observação do espaço geográfico, estabelecendo uma
pequena dimensão linear (referente à menor área observada), e uma larga dimensão
linear, correspondente à extensão geográfica da área de estudo (Goodchild e Quattrochi,
1997). Para Castro (1997) a escala não existe como medida, porque ela não fragmenta, e
sim, integra, pois a realidade é multiescalar, porque ela coloca em evidência relações,
fenômenos, fatos como um modo de aproximação do real.
Com relação ao primeiro e ao segundo item, o conhecimento sobre o tipo de alvo a ser
classificado torna-se imprescindível para um bom mapeamento, principalmente quando
se considera as classes de “uso do solo” como um conceito abstrato, o qual é definido
pela sua funcionalidade e não pela sua forma (Bauer e Steinnocher, 2001).
Para este trabalho, onde se procuram as características físicas numa escala intra-urbana
e como elas se apresentam em imagens orbitais de alta resolução, considera-se que a
área urbanizada corresponde à área construída, conforme Anderson et al. (1976). A
unidade mínima a ser considerada como área urbanizada será uma dimensão que
possibilite sua identificação em imagens orbitais, considerada a resolução do sensor.
Segundo Carlos (1994), da observação da paisagem urbana, depreendem-se dois
elementos fundamentais: “o espaço construído” (casas, avenidas, estradas, edificações,
praças,), “e o segundo ao movimento da vida” (a natureza de como se ocupa o espaço,
aspecto sócio - econômico). A autora descreve ainda que a produção do espaço é
determinada pelas características do processo de reprodução do capital; como por
exemplo, a localização da indústria que é apoiada pelas atividades financeiras,
38

comerciais, de serviços e da rede de circulação que auxiliam a produção. Por outro lado,
o trabalhador se manifesta no uso residencial, o qual inclui o lazer e a infra-estrutura
necessária: escolas, creches, hospitais, pronto-socorros, transporte e serviços em geral –
que são os meios de consumo coletivo. Para Corrêa (1995) e Antrop e Eetveld (2000), o
espaço geográfico constitui-se um processo de diferentes conjuntos de “usos da terra”,
fragmentados em áreas e articulados, refletindo um sistema complexo, com uma
estrutura social repleta de símbolos e campos de lutas (diferenças sociais), causando
profundas mudanças no ambiente e criando novos e heterogêneos ambientes.
Portanto, as classes de ocupação do solo urbano estão profundamente ligadas com as
funções urbanas, como: residir, trabalhar, circular e recrear. A partir disto, é necessário
estabelecer como podem ser definidas estas classes num dado ambiente urbano. Este
relacionamento entre ocupação do solo em áreas urbanas e a resposta espectral
registrada na imagem é muito complexo e indireto, não existindo um padrão único de
classificação do ambiente urbano através de imagens de sensoriamento remoto, sendo
uma das classificações de uso e cobertura do solo muito difundida (Marczyk et al.,
1984; Forster, 1985 e Hamburger, 1993) e também adotada pelo U.S. Geological Survey
– USGS (2001), o sistema de classificação elaborado por Anderson et al. (1976), na
década de 70. Nesta classificação, o autor propõe quatro níveis de abordagem,
detalhando as informações e subdividindo a área do primeiro ao quarto nível, como
níveis hierárquicos. Para maiores detalhes sobre os critérios usados neste sistema de
classificação, vide Anderson et al. (1976).
Para a classificação das áreas urbanas, Anderson et al. (1976) definem no nível I uma
classe, com critérios específicos, denominada de Terra urbana ou construída. No
próximo nível, esta classe é subdivida em sete classes: Residencial, Comercial e
Serviços, Industrial, Transporte, Complexos Industriais e Comércio, Mista e Diversos.
Segundo Hamburger (1993), tais classes consideram tanto as atividades desenvolvidas
na área quanto suas características físico-espaciais.
Bauer e Steinnocher (2001) apresentam uma alternativa para melhorar a classificação
das áreas urbanas: a identificação dos principais tipos de cobertura da terra detectáveis
39

na cena, seguida pela análise do seu contexto espacial, ordenando e distinguindo os
diferentes usos da terra. No entanto, estes autores salientam que a qualidade das
propriedades morfológicas e o relacionamento espacial dos objetos dependem
especificamente da exatidão obtida na primeira fase.
2.5 – ANÁLISE DAS IMAGENS
Segundo o CCRS (2001), a interpretação e a análise de dados de sensoriamento remoto
envolvem a identificação e/ou medição de objetos (pontos, linhas ou feições) contidos
na imagem, possibilitando e facilitando identificar e extrair informações contidas na
imagem para posterior interpretação. Segundo Crosta (1992) os fundamentos da
interpretação são remover barreiras que impedem a interpretação visual. Existem duas
técnicas de interpretação: a analógica e a digital. A interpretação analógica ou manual
requer poucos equipamentos e, freqüentemente, limita-se à análise de somente uma
única banda ou uma imagem simples, devido às dificuldades de se analisar visualmente
múltiplas imagens (Jensen e Jackson, 2001). Para executar a interpretação visual de
imagens precisam ser considerados alguns parâmetros descritos a seguir:
• Tonalidade – denota a cor e/ou o brilho dos objetos que compõem a cena,
auxiliando na sua identificação e diferenciação com os demais objetos. Segundo
Crosta (1992) os tons estão relacionados às propriedades de reflectância dos
materiais superficiais e dependem da porção do espectro eletromagnético
considerado. A cor pode demonstrar a contribuição de uma banda espectral em
relação ao objeto. A tonalidade é influenciada também na intensidade e ângulo
de iluminação e pelo processamento do filme.
• Textura – refere-se à combinação da magnitude e freqüência da variação tonal
numa imagem, sendo produzida pelo efeito conjunto de todas as pequenas
feições que compõem uma área em particular na imagem, definindo a aparência
rugosa ou lisa da imagem. Usualmente, a textura é causada pelo modelo ou
altura e forma das áreas e com uma superfície irregular iluminada por um ângulo
oblíquo. Para Crosta (1992), a tonalidade e a textura estão relacionadas
diretamente, pois sem variações tonais, não se percebe mudanças na textura.
40

• Sombreamento – essencialmente importante na interpretação de objetos. A
sombra pode revelar as características de área ou forma dos objetos.
• Modelo – refere-se ao conjunto de objetos. O modelo sob uma imagem
usualmente mostra um relacionamento funcional dentro da característica
individual que compõe o modelo.
• Associação – especifica a ocorrência de certos objetos ou características
usualmente dentro de um rigoroso arranjo espacial.
• Área – importante por duas razões, primeiro porque a área de um objeto ou
característica é relativa em relação a outro objeto na imagem. Essa é a
probabilidade direta e importante função da área, permitindo interpretá-la com
uma intuitiva noção de escala e resolução de uma imagem. Essa regra é usada
para reconhecer objetos e extrapolar as características reconhecidas para estimar
outras áreas e identificá-las. A medida da área, que pode confirmar sua
identificação.
• Localização – refere-se à posição topográfica em que se encontram os objetos.
Por outro lado, o processamento digital possibilita manipular imagens complexas de
várias bandas, datas e resoluções, o que envolve um grande número de etapas. Estas
etapas incluem desde a formatação e correção dos dados até a classificação. A maioria
dos autores divide estas etapas em: pré-processamento, processamento e classificação.
2.5.1 – PRÉ-PROCESSAMENTO
Conforme Jensen (1986), o pré-processamento refere-se à restauração quantitativa da
imagem na qual são aplicadas operações para a correção de imperfeições geométricas,
radiométricas e/ou ruídos que aparecem no processo de aquisição da imagem. Se estes
erros não forem corrigidos, pode-se ter uma imprecisão no processamento final da
imagem e como conseqüência limitações na qualidade do resultado. Portanto, o préprocessamento
é a fase preparatória na qual a qualidade da imagem é aprimorada para a
sua análise, durante a qual são extraídas as informações de interesse.
41

Neste contexto, Campbell (1996) informa que a extração ou seleção de características
da imagem é o ponto de partida desta fase, e tem como objetivo reduzir o número de
bandas espectrais que serão analisadas posteriormente, diminuindo o custo e o tempo da
análise. Esta extração é realizada com os dados estatísticos das bandas ou da sua
combinação, podendo ser retirados da matriz de variância e covariância entre bandas,
que é a mesma matriz utilizada na Análise por Principais Componentes. Uma matriz de
covariância mostra a quantidade de informações repetidas entre duas bandas. A
identificação e a remoção de tais repetições permite ao usuário trabalhar com um
número reduzido de bandas, porém com mais informações.
2.5.1.1 – CORREÇÃO RADIOMÉTRICA
A qualidade radiométrica da imagem pode ser influenciada por três fatores:
propriedades de campo, fatores ambientais durante a aquisição dos dados e propriedades
do sensor (Tabela 2.2). Esta correção influencia o valor de brilho da imagem,
procurando-se corrigir o funcionamento do sensor ou ajustar o valor para compensar a
degradação devido a Atmosfera. Campbell (1996), considera a remoção destes efeitos
na imagem como uma restauração das condições corretas (hipótese) de campo, pois o
valor exato nunca é conhecido. Assim sendo, esta correção pode introduzir erros na
imagem.
A necessidade de correção destas distorções está relacionada diretamente com a
utilização da imagem. Assim, por exemplo, em estudos referentes a mudanças de uso e
ocupação do solo durante um determinado período de tempo e usando imagens de um
mesmo sensor, ou em estudos sobre a reflectância de campo em períodos e locais
diferentes, é necessária a correção de elevação solar e da distância Sol – Terra
(Lillesand e Kiefer, 1994).
42

TABELA 2.2: FATORES RADIOMÉTRICOS QUE AFETAM A IMAGEM
Propriedades de campo
Contrastes relevantes nas propriedades de campo como o albedo, propriedades termais,
entre outras, incluindo aspectos topográficos e a declividade.
Fatores ambientais
Iluminação solar e hora do dia do imageamento, radiância e fatores meteorológicos.
Fatores do sistema sensor
Sistema óptico de imageamento, efeitos de detecção da imagem e sistema de registro,
movimento da imagem, faixa da imagem e periodicidade e ruído.
Adaptada de Gupta (p. 98, 1991).
Por outro lado, para estudos relacionados com a discriminação entre alvos, as correções
radiométrica e atmosférica são desnecessárias (Mather, 1999). Para estudos urbanos,
Moran et al. (1990) relatam que a identificação dos alvos urbanos é razoavelmente
independente das condições atmosféricas e das características do sensor. Um método
que pode ser utilizado para remover os efeitos atmosféricos é a técnica de subtração de
objetos escuros, sendo necessário apenas subtrair o valor de ND que consta na imagem
(Chavez, 1988).
2.5.1.2 – CORREÇÃO GEOMÉTRICA
As imagens digitais contêm distorções geométricas que impedem o seu uso como
mapas. Para corrigir estas distorções é preciso considerar a imagem como uma matriz
numérica, e assim manipular as distorções geométricas existentes, de modo semelhante
ao que ocorre com um problema de interpolação (Campbell, 1996; Mather, 1995). Além
disso, as coordenadas da imagem são transformadas geometricamente para que a mesma
possa ser integrada num banco de dados geográficos. Portanto, a finalidade da correção
geométrica é compensar as distorções, fazendo com que a imagem corrigida tenha a
mesma qualidade geométrica de um mapa. Segundo Kardoulas, Bird e Lawan (1996) e
43

Schowengerdt (1997), há quatro passos fundamentais para ajustar as imagens e eliminar
as distorções (deformações), a saber:
1) Seleção de um modelo matemático de distorção adequado;
2) Localização dos pontos de controle;
3) Transformação das coordenadas; e
4) Reamostragem (interpolação).
Nesta etapa são efetuados o registro, retificação, geocodificação e orto-retificação que
descrevem os tipos de correções geométricas feitas nas imagens (Swann et al., 1998 e
Schowengerdt, 1997).
Em sensoriamento remoto há dois grupos de fontes de distorções geométricas, a saber:
sistemáticos e não-sistemáticos. Os erros sistemáticos podem ser corrigidos pelos dados
de efemérides da plataforma e pelo conhecimento da distorção interna do sensor;
enquanto as distorções não-sistemáticas são corrigidas através de pontos localizados no
campo ou em cartas topográficas, com suas respectivas coordenadas, denominados de
pontos de controle de campo (Ground Control Points – GCP’s) (Lillesand e Kiefer,
1994).
A reamostragem envolve uma metodologia estatística de interpolação espacial (Jensen,
1986), que descreve as propriedades da órbita do satélite e a geometria vista por ele,
relacionando os sistemas de coordenadas da imagem com os GCP’s. Segundo Buiten e
Putten (1997), os parâmetros utilizados na correção geométrica são derivados da
equação polinomial denominados de quadrados mínimos (least-squares, em inglês).
Após a coleta dos pontos de controle, o passo seguinte é a estimativa dos valores dos
pixels na imagem corrigida, baseando-se na informação da imagem original. Nesta
etapa utilizam-se três métodos de interpolação, a saber:
1) Interpolação por vizinho mais próximo: cada pixel da imagem corrigida
corresponde ao valor do pixel mais próximo não-corrigido. Este método tem a vantagem
44

de preservar o valor original da cena. No entanto, ele pode apresentar erros de
posicionamento, podendo chegar a ½ pixel de diferença (Moik, 1980).
2) Interpolação bilinear: calcula o valor do pixel de saída baseado na média dos quatro
pixels vizinhos da imagem original por aproximação linear (Moik, 1980). Assim sendo,
este método cria novos valores de pixel, perdendo os valores de brilho da imagem
original, além da resolução espacial diminuir com o “efeito de borramento” causado
pela média das pequenas características do seu antecedente (Campbell, 1996).
3) Interpolação por convolução cúbica: calcula-se o peso médio dos valores dos 16
pixels vizinhos. A imagem típica produzida por convolução cúbica apresenta um
aspecto visual mais atrativo do que as outras, porém os dados são alterados mais
drasticamente do que através de outros métodos.
A Figura 2.9 mostra os valores radiométricos dos pixels de uma imagem bruta e os
efeitos dos três tipos de interpolação realizada nesta imagem. A primeira mostra a
imagem bruta, sem nenhuma transformação. A segunda tabela mostra a imagem com
uma interpolação por vizinho mais próximo. Note que a imagem foi colocada numa
certa projeção, e os valores dos pixels continuam os mesmos, sendo apenas mudada a
sua posição. Na interpolação Bilinear, os valores dos pixels baseiam-se na média dos
quatro pixels vizinhos por aproximação linear, por exemplo, o primeiro pixel (0,0), tem
valor 55, nessa interpolação, o seu valor na imagem resultante é 21. Por outro lado, na
interpolação por convolução cúbica, o valor do pixel é o peso médio dos valores dos 16
pixels vizinhos. Neste caso, o valor do primeiro pixel é 23.
45

Fig. 2.9 – Matrizes com resultados dos métodos de interpolação.
Fonte: adaptada de Ramsey (2001, on line).
Moik (1980) salienta que os métodos de amostragem resultam numa degradação das
imagens devido à atenuação da alta freqüência espacial causada pela interpolação,
provocando o “efeito de borramento” causado pela distância entre os pixels amostrados,
sendo uma distância maior que ½ pixel considerada como alta. Mather (1999) sugere
que a distribuição e o número de GCP’s sejam proporcionais ao tamanho da área para
que o erro seja aceitável, por exemplo, numa área de aproximadamente 1024 2 pixels,
devem ser coletados no mínimo 13 GCP’s. Desta forma, pode-se dizer que a resolução
espacial, a escala do mapa, e o número de GCP’s interferem na exatidão geométrica.
Com relação à exatidão da imagem corrigida com os dados cartográficos, Parson
(2001), estabelece uma padronização do erro, relacionando a localização do objeto
representado no mapa com a sua localização real de 0,5 mm. Assim, por exemplo, numa
escala de 1:100.000, o erro máximo permitido é de 50 m.
46

2.5.2. – PROCESSAMENTO
O processamento de imagens consiste de técnicas que possibilitem a visualização e a
extração de informações específicas. De acordo com o CCRS (2001), há dois tipos de
técnicas: realce e transformação.
A decisão de se utilizar o realce ou a transformação para extrair informações depende
do objetivo dos estudos, lembrando que não existe uma forma ideal, ou melhor de
realce, porque os resultados do mesmo são avaliados pelo usuário, que por sua vez faz
um julgamento subjetivo (Jensen, 1986).
Nas seções abaixo são descritas as técnicas mais utilizadas para a extração de
informações de áreas urbanas, sendo apresentados os resultados obtidos em trabalhos
relevantes a respeito.
2.5.2.1 – REALCE
Moik (1980) considera o realce de imagem como o primeiro passo do processamento,
que corresponde ao conhecimento da distribuição estatística dos dados da imagem,
obtendo-se o valor do nível de cinza. O realce é utilizado somente para distinguir
características ou contornos de interesse na imagem, adaptando-as ao nosso sistema
visual humano. Tipos de operações de realce: pontual ou local. O primeiro é efetuado
pela modificação do histograma, e depende somente do nível de cinza do pixel. Na
segunda operação, o novo valor do pixel depende dos valores de seus vizinhos e inclui
técnicas de filtragem, detecção de bordas e interpolação (Jensen, 1986).
Segundo Mather (1999), os filtros são utilizados quando se pretende realçar alguma
característica ao lado da desfiguração de outras. Em estudos de áreas urbanas os filtros
são usados para detectar feições como a rede rodoviária, porém muitas vezes esta
extração é incompleta, sendo conhecida como extração semi-automática (Wang, Treitz e
Howarth, 1992, Couloigner, Ranchin e Wald, 1998 e Coulter et al, 1999).
47

2.5.2.2 – TRANSFORMAÇÃO
A transformação de imagem corresponde a operações entre duas ou mais imagens
diferentes com a finalidade de se obter mais informações a partir da sua combinação.
Segundo Pohl e Van Genderen, (1998), para se efetuar esta operação é importante
estabelecer e definir o objetivo/aplicação pretendido e os tipos de dados necessários.
Antes porém deve-se relembrar que as diferenças existentes entre os sistemas sensores
estão relacionadas com as características espectrais, espaciais e temporais de cada um.
Pohl e Van Genderen (1998) apresentam as principais aplicações de transformações: a
obtenção das características das imagens, a aferição da correção geométrica, a
capacidade de estereoscopia, o realce de características não visíveis numa única
imagem, o aprimoramento da classificação, a detecção de mudanças e a substituição de
dados de imagens com problemas de visualização (ruídos, nuvens, etc.).
Outro tipo de transformação refere-se à manipulação no espaço de cores. A partir das
informações multiespectrais podem ser obtidas distintas composições coloridas,
aplicando-se para cada banda uma das três cores primárias: vermelho, verde e azul
(RGB – Red, Green, Blue, em inglês). Estas cores podem ser representadas num
diagrama tridimensional, para dados de 8 bits (0 a 255) (Figura 2.10). De acordo com
Crosta (1992), a cor numa imagem pode ser representada por:
C = r.R + g.G + b.B, (1)
Onde R, G e B são as três cores primárias e r, g e b são os coeficientes de mistura, e
geralmente limitados ao intervalo 0 ≤ r,g,b ≤ 1. Este processo permite visualizar melhor
as informações em distintas regiões do espectro, facilitando a delimitação de algumas
coberturas vegetais.
De acordo com a Figura 2.10, a ausência das cores primárias corresponde à cor preta (0,
0, 0), também conhecida como eixo original. No eixo diagonal a este, onde se tem a
presença máxima das cores (255, 255, 255), situa-se a cor branca. Conforme a mistura
de quantidades iguais de cores primárias, diferentes tonalidades de cinza serão
48

produzidas ao longo desta diagonal, denominada de eixo cinza ou eixo acromático
(Crósta, 1992). Quando uma das cores RGB for igual a 0, obtém-se as cores: ciano,
magenta e amarelo.
Segundo Mather (1999), uma alternativa é explicar a composição das cores
individualmente por meio de suas propriedades, que são: intensidade, matiz e saturação
(HSI – Hue, Saturation e Intensity, em inglês), separando efetivamente a informação
espacial (I) e a espectral (H, S).
Resumindo, a intensidade mede o brilho, dando uma noção da resposta espectral do
pixel; a matiz informa a cor predominante, expressa por ângulos que variam de 0º a
360º, em que 0º e 360º correspondem à cor vermelha, 120º a verde e 240º ao azul. A
saturação refere-se ao grau de pureza da cor, de forma que, quanto maior a saturação,
maior será a pureza da cor. As propriedades das cores podem ser representadas por um
hexágono, onde a tonalidade localiza-se na base. Seu eixo vertical corresponde à
saturação, e a intensidade corresponde à distância deste eixo (Figura 2.10).
Para Chuvieco (1996) é possível efetuar uma transformação do espaço de cores RGB
para IHS (Intensity, Hue, Saturation em inglês), e vice-versa, graças a algoritmos
próprios de conversão (Pellemans et al., 1993). Esta transformação é efetuada a partir de
uma combinação de bandas em RGB e transformada para IHS, conforme a equação:
I
R + G + B
= ; (2)
3
⎛ B R G ⎞
H arc ⎜
2 − −
= ⋅ tan ⎟ + C , onde C = 0,
se G ≥ R ou C = π , se G < R ; e (3)
( R G)
⎝ 3 − ⎠
S =
6
3
2 2 2
B + G + R − B ⋅G
− B ⋅ R − G ⋅ R
(4)
Os valores de B, G e R correspondem aos valores do número digital (ND). Esta técnica
tem sido utilizada para combinar imagens com diferentes resoluções, objetivando
complementar informações e melhorar a resolução espacial da imagem resultante. O
49

princípio desta técnica é substituir uma das componentes IHS por uma outra imagem. O
canal mais comumente substituído é aquele da Intensidade (I). Substituindo-se (I), e
convertendo-se esta transformação para RGB, tem-se uma imagem com a resolução da
banda de Intensidade. Dutra et al. (1988), Barnsley e Barr (1996) e Wald, Ranchin e
Mongolini (1997), observaram que esta transformação também permite discriminar de
modo mais claro e preciso o uso do solo de áreas urbanas. Segundo Wald, Ranchin e
Mongolini (1997), neste caso a diferença temporal entre as imagens pode ser
desconsiderada devido ao tamanho da escala.
Fig. 2.10 – Espaço de cores.
FONTE: adaptada de Crosta (1992, p 60).
2.5.3. – CLASSIFICAÇÃO
Nas etapas do processamento digital de imagens mencionadas, procura-se realçar as
informações de interesse através de técnicas próprias, sendo cada uma mais adequada
para o tipo de informação a ser extraída. Na classificação digital identificam-se grupos
homogêneos de pixels, representando características ou classes de uso e cobertura do
solo. Por outro lado, os pixels de cada grupo apresentam uma certa variação de ND.
Com base nestas informações, os pixels são agrupados de acordo com a sua informação
espectral (representada pelo ND). Desta forma, ocorre uma redução da variabilidade
50

contínua para uma escala nominal ou categórica (Chuvieco, 1996), sendo que a
classificação adquire um enfoque qualitativo por se tratar de um processo numérico,
incorporando um processo estatístico.
De acordo com Chuvieco (1996) e CCRS (2001), convém distinguir dois tipos de
categorias que intervêm na classificação temática: classes de informação e classes
espectrais. A primeira constitui-se das categorias de interesse identificadas na imagem,
como por exemplo, o uso e a ocupação do solo. A segunda corresponde aos grupos de
pixels uniformes (ou similares) relacionados a valores espectrais homólogos. As classes
de informações temáticas são estabelecidas pelo usuário, que procura associá-las às
classes espectrais, o que efetivamente ocorre raramente. Acontece que uma classe
espectral pode pertencer a mais de uma classe temática ou não corresponder
necessariamente à classe a que está vinculada. Esta variação ocorre devido a
irregularidades do terreno, sombreamento, variação de iluminação, e no caso da
vegetação, em função do seu tamanho e densidade. Nestes casos, o analista decide a
utilidade de diferentes classes espectrais e suas correspondentes classes temáticas. Os
métodos mais comuns de classificação são: Classificação supervisionada e Classificação
não-supervisionada.
A classificação supervisionada necessita de áreas-teste (ou de treinamento), que
correspondem a amostras representativas de áreas homogêneas de diferentes classes
temáticas. Trata-se de amostras de áreas homogêneas de cada setor a ser classificado
(classes temáticas). Estas áreas-teste são usadas para treinar o algoritmo a reconhecer
áreas espectralmente similares a cada classe. Trata-se de um algoritmo especial que
determina o limiar de cada classe-teste, e em seguida cada pixel da imagem é
comparado e associado a uma das classes. A seleção das amostras para classificação
baseia-se na familiaridade do usuário com a imagem e do seu conhecimento dos tipos de
uso e cobertura do solo da área em estudo. Desta forma o usuário supervisiona a
categorização das classes.
Na Classificação não-supervisionada a interação mencionada não ocorre. As classes
espectrais são agrupadas exclusivamente com base na informação numérica dos dados
51

ou número digital (ND) e combinadas com as classes temáticas de informação. Para
determinar a estrutura dos agrupamentos usa-se um programa denominado de
“Segmentação”, onde é especificado o tamanho mínimo de cada grupo e o grau de
similaridade entre os pixels deste grupo.
Ambos os métodos de classificação mencionados procuram agrupar os pixels de acordo
com seu valor do ND, sendo que cada um pertence a apenas uma categoria, assumindose
que ele é homogêneo e que seu valor corresponde a apenas a categoria na qual foi
classificado. Segundo Chuvieco (1996), Ji e Jensen (1999) Gond, Marceau e Howarth
(1992) e Wang (1990), este tipo de classificação digital simplifica a realidade, pois não
considera a mistura espacial das características da área, em função da resolução
espacial do sensor, além de realizar a classificação a partir das características espectrais
da imagem (Barnsley e Barr,1996). O que se obtém é a identificação do perímetro
urbano (Barr e James, 1975; Haack, Bryant e Adams, 1987; Khorram, Brockhaus e
Cheshire, 1987), e assim, o seu crescimento horizontal (Wang, 1993). Para Ji e Jensen
(1999), com relação à fusão entre imagens de datas diferentes, pode-se detectar algumas
mudanças no ambiente urbano de forma qualitativa, mas nunca quantitativamente com
imagens do TM/Landsat. Pode-se melhorar a classificação utilizando dados auxiliares
no momento de coleta das amostras (Westmoreland e Stow, 1992).
Isto também pode ser feito com as imagens do satélite SPOT (resolução espacial de 20
m nas bandas multiespectrais e 10 m na banda pancromática), pois a resolução espacial
é considerada insuficiente para estudos de áreas urbanas (Martin e Howarth,1989;
Baraldi e Parmiggiani, 1990). Jensen et al. (1994) informam que, para estudos de áreas
urbanas, é recomendável utilizar imagens com uma resolução de no máximo 5 x 5 m.
Com os avanços na resolução espacial das imagens de satélite, está ocorrendo uma
mudança de paradigmas. Segundo Blaschke et al.(2000), isto ocorre devido ao fato da
compreensão da imagem não estar expressa apenas na classificação do pixel, o qual
pode representar mais do que um alvo, pode representar características de objetos e a
sua relação mutua.
52

Para superar estes problemas, alguns métodos foram desenvolvidos como alternativas
para as técnicas de classificação convencional. Geralmente estes métodos visam a
classificação dentro do pixel, denominada de classificação sub-pixel. Para Blaschke et
al. (2000) este processo apresenta algumas limitações: as classes espectrais podem ser
tão exatas quanto possível e se assume que os elementos da superfície têm opacidades e
interagem com os fotons como se fossem apenas uma unidade.
Outro método é a classificação por rede neural, uma adaptação da área de estudos de
inteligência artificial. Trata-se do treinamento de dados junto com classes préestabelecidas,
que são alimentadas por um sistema de rede neural. O algoritmo inserido
na rede testa a combinação dos dados de treinamento com as classes espectrais préestabelecidas
e produz um dado de saída com erros pontuais não combinados (Blaschke
et al., 2000). Este método torna-se eficiente e preciso para classificar objetos bem
definidos. Skidmore et al. (1999), criticam o uso da classificação por rede neural, pois o
processo classificatório necessita de ajustes de vários parâmetros que aumentam a
complexidade de seu uso e os recursos computacionais para fazer tal classificação são
altos.
Estes métodos de classificação, porém não incluem as informações de vizinhança com
outros parâmetros, como forma, tamanho, etc., sendo indicados para a descrição de
unidades de uso do solo, de diferentes composições de superfícies (áreas) que podem ser
acessadas e descritas, ou para o cruzamento das várias bandas espectrais, visando uma
análise baseada no pixel. Blaschke et al. (2000) relatam, além disso, que não há um
limite acessível ou exato que possa ser considerado para o processamento.
Uma solução é a segmentação da imagem que consiste na divisão da imagem em suas
partes constituintes ou objetos (regiões) claramente definidos a partir de um critério de
homogeneidade pré-definido, ou no contraste destas propriedades internas com a
vizinhança. Este procedimento começou a ser utilizado em sensoriamento remoto há
pouco tempo e foi expandido especialmente na área de reconhecimento de padrões
(Haralick e Shapiro, 1985). O objetivo da segmentação é dividir a imagem digital em
setores (segmentos), que representem um atributo de uma determinada classe. Para
53

obter sucesso com a segmentação, é necessário definir os elementos a serem
classificados na imagem (Blaschke et al., 2000), o que acaba dependendo da escala de
trabalho. A seguir apresentamos alguns princípios de segmentação. Para uma visão de
conjunto dos procedimentos usuais de segmentação, vide Silva (1995), Venturieri
(1996), Baatz e Schäpe (2000) e Blaschke et al. (2000).
Segundo Silva (1995) a segmentação pode basear-se nas propriedades de borda, tais
como: o nível de cinza, a distribuição de cor, ou a textura. Os algoritmos de
segmentação baseiam-se nas propriedades fundamentais dos valores de nível de cinza: a
similaridade (proximidade radiométrica entre os pixels), e na descontinuidade
(fragmentação da imagem com base nas mudanças abruptas dos níveis de cinza).
A Figura 2.11 é um exemplo do uso de um algoritmo de segmentação na imagem do
IKONOS II. Convém notar que os pixels que apresentam o mesmo valor radiométrico,
são agrupados numa mesma região, quando há uma mudança abrupta dos valores
radiométricos, tem-se uma outra região.
Fig. 2.11 – Algoritmos de segmentação: similaridade e descontinuidade, noroeste de
Santo André (SP).
54

A mais simples segmentação de imagens refere-se aos procedimentos de valores de
limiares (thresholding), que consiste na formação de grupos (clusters), onde os pixels
são ajuntados (resumidos) a um número definido de classes. O processo de associação
dos clusters com as classes denomina-se rotulação. Os pixels contidos em cada classe
devem diferenciar-se muito pouco entre si, e são associados espacialmente. Para
Schneider et al. (1997), a homogeneidade espectral dos pixels dentro de um segmento
aqui é insignificante.
Outros métodos de segmentação baseiam-se em regiões (region based) e em bordas
(edge based), e conhecidos na literatura como crescimento de regiões (Region growing)
e há ainda a divisão e fusão de região (Split-and-Merge).
O algoritmo de crescimento por região consiste na associação de pixels ou de subregiões
a uma determinada região, e a sua intensidade não deve ultrapassar um
determinado limiar. Esse limiar é normalmente um critério homogêneo ou uma
combinação de área e homogeneidade. A segmentação por crescimento de regiões
inicia-se com os chamados “pixels sementes” como segmentos iniciais. Em cada estágio
da segmentação, todos os pixels que estão na vizinhança de um segmento S e que não
pertençam a nenhum outro segmento, são testados com relação à similaridade do
segmento S. Caso haja similaridade com o segmento, o pixel é associado. A
similaridade é calculada a partir de uma comparação do novo pixel com o pixel vizinho
do segmento S, ou através de uma comparação do novo pixel com o valor médio de
todos os pixels do segmento S. Não havendo mais pixels que possam ser associados ao
segmento S, inicia-se um novo segmento com um novo pixel semente.
O tamanho e a quantidade de segmentos dependem dos procedimentos pelos quais os
pixels sementes são escolhidos e dos valores de limiares, que determinam o critério de
homogeneidade (Blaschke et al., 2000). Para Baatz e Schäpe (2000), um problema neste
procedimento é a falta de controle sobre o processo e a difícil definição de um critério
de ruptura para o crescimento dos segmentos.
Por outro lado, a segmentação por bordas baseia-se na descontinuidade de níveis de
cinza ou textura no limite entre dois objetos diferentes (Silva, 1995), assumindo-se que
55

tais descontinuidades representem os limites (ou borda) dos segmentos. Segundo
Blaschke et al. (2000) existem os mais diferentes detetores de bordas, tais como os
operadores Laplace e Sobel. Para Schneider et al. (1997), a homogeneidade da
segmentação por borda não é automaticamente garantida.
Por último, há segmentação por divisão e fusão de região que se inicia na subdivisão da
imagem em regiões disjuntas arbitrariamente, sendo em seguida realizadas várias
tentativas de junção e/ou separação das regiões para encontrar a segmentação correta.
Segundo Venturieri (1996), cada região poderá unir-se com sua vizinhança, desde que
sejam obedecidos os critérios de similaridade e descontinuidade previamente
estabelecidos.
Com estes tipos de segmentação efetuaram-se classificações por campo ou por parcela e
obtiveram-se bons resultados em vários estudos (Silva, 1997; Venturieri, 1996;
Nascimento, 1997). Os resultados são freqüentemente mais fáceis de serem
interpretados do que quando se usa a classificação por pixel. “Campo” ou “parcela”
referem-se a regiões homogêneas da terra (agricultura, jardim, estrutura urbana e
rodovias) que já existem e são visíveis na imagem. Segundo Blaschke et al. (2000), esta
metodologia contribui para a classificação de imagens de alta resolução.
2.5.3.1 – SEGMENTAÇÃO MULTI-RESOLUÇÃO E CLASSIFICAÇÃO
BASEADA NO OBJETO
A técnica de segmentação multi-resolução foi desenvolvida para extrair objetos de
imagens em resoluções que possam ser livremente escolhidas e de fontes de dados tão
diferentes como imagens de radar, fotografias aéreas, imagens médicas e imagens de
satélites orbitais. Uma surpreendente característica da análise orientada ao objeto é a
possibilidade de se adicionar informações que podem ser baseadas no objeto da
imagem. Além da tonalidade, estas informações referem-se à forma, textura, contexto e
informação de outros objetos. Uma descrição fundamental destas técnicas encontra-se
no User Guide do aplicativo eCognition (Definiens, 2002). Esta pesquisa foi efetuada
no âmbito de teste com a versão eCognition 2.0 (20 de Janeiro de 2002).
56

Segundo Hoffmann (2001a), o aplicativo mencionado baseia-se num processo de
otimização dos objetos da imagem. Esta otimização tem dois objetivos: a continuidade
dos valores e a continuidade espacial. Estes são alcançados através de parâmetros que
influenciam o procedimento da segmentação: um limiar maior em continuidade de
valor, que resulta em objetos maiores (portanto mais “grosseiros”). Valores de limiares
maiores para a heterogeneidade resultam em formas mais complexas ou vice-versa,
valores mais baixos tendem ser relativamente mais compactos.
Os setores da imagem são agrupados através de um processo de junção, par a par. A
heterogeneidade de um objeto é descrita por três critérios, a saber:
1) A soma dos desvios padrão dentro dos valores espectrais dos pixels (medida de
homogeneidade dos valores de cor).
2) O desvio padrão do volume de um objeto em relação à circunferência de um
círculo de igual tamanho (medida de compactação [compactness] de um
objeto).
3) A relação do comprimento da borda de um objeto em relação ao comprimento
da borda de um retângulo ao longo da imagem que inclui o objeto (Bounding
Box), que é a medida de “lisura” (smoothness) de um objeto.
Cada pixel individual é quase um sinônimo de um objeto de imagem ou de uma região.
Através de cada passo da segmentação, um par de objetos é resumido a um objeto
maior. Isto ocorre segundo um critério de homogeneidade, que descreve a semelhança
de objetos vizinhos. Pequenas regiões são assim sintetizadas para regiões maiores, até
que nenhum pixel vizinho corresponda mais às exigências. Existe uma seqüência de
processamento de distribuição e a simulação de um crescimento por igual, partindo do
maior número de pontos simultâneos. O resultado são segmentos de tamanhos idênticos.
Para maiores detalhes desta concepção, que não serão apresentados neste trabalho, vide
uma descrição deste procedimento em Baatz e Schäpe (2000).
57

O resultado da segmentação não fornece classes como campos agrícolas, casas, etc. Esta
exigência é fadada ao insucesso em função da complexidade dos dados de
imagem/realidade. De fato a segmentação fornece a matéria prima, sobre a qual atua
posteriormente atua a classificação. O procedimento permite o processamento
simultâneo de dados em diferentes planos de escalas. Mesmo após a segmentação, a
informação individual dos pixels é mantida.
Como resultado da segmentação em multi-escala há uma rede hierárquica de objetos da
imagem, na qual objetos finamente estruturados representam sub-objetos de estruturas
mais grosseiras. A estrutura hierárquica representa a informação dos dados
simultaneamente em diferentes resoluções. Os objetos estão em rede de vizinhança e
hierarquia, sendo que cada objeto “conhece” os seus objetos vizinhos e sub-objetos.
2.5.3.2 – CLASSIFICAÇÃO ATRAVÉS DE LÓGICA FUZZY
A primeira fase do processamento de imagens resultou numa rede hierárquica de objetos
da imagem que permite representar a informação em várias escalas simultaneamente
(Figura 2.12). Esta classificação utiliza a segmentação como uma etapa de préprocessamento.
Com base nos objetos da imagem, está disponível um conjunto de
ferramentas, orientadas ao objeto, para serem classificadas. Além das informações
extraídas dos valores espectrais e da sua respectiva estatística (variância, média,
mediana, etc.) e das medidas para a textura nos canais individuais, outras informações
poderão ser utilizadas para a classificação, como tamanho das bordas aos objetos
vizinhos, perímetro, superfície, forma, direção, distância de outros objetos, etc. Estas
informações geralmente não estão disponíveis na interpretação de imagens, sendo um
valioso auxílio na análise e procura de critérios de discriminação das classes definidas.
A classificação através do aplicativo eCognition pode ser efetuada através da orientação
das características (usando funções de associação) ou com ajuda de um classificador por
vizinho mais próximo (Nearest Neighbour), como é usado nos aplicativos-padrão de
sensoriamento remoto. A base de conhecimento para a análise orientada a
características, forma uma segunda rede hierárquica, ou seja, a hierarquia de classes.
Esta rede tem 3 divisões sendo discriminada entre herança de características,
58

agrupamento semântico de classes e a síntese de classes para grupos estruturais, visando
a extração de objetos. Através da orientação dos objetos é possível a formação de
grupos superiores de objetos, que herdam características dos sub-objetos (objetos
inferiores) e por outro lado as características de grupos podem, na classificação, herdar
características para novas sub-classes. Para Congalton (1988a), isto se deve ao fato dos
pixels apresentarem uma dependência com pixels vizinhos, onde o seu valor está
relacionado ao valor do pixel adjacente, denominado de autocorrelação. Portanto, cada
pixel apresenta um certo grau de pertinência em cada categoria ou classe. Este
procedimento é denominado de “classificação de pixels de mistura” (Ji e Jensen, 1999).
Fig. 2.12 – Princípio da rede hierárquica de objetos da imagem com diferentes planos de
escalas.
FONTE: Definiens (2002, p. 3.12).
As características de classe são descritas através de operadores de Lógica Fuzzy. A
Lógica Fuzzy apresenta, pela possibilidade de repetitividade e transparência, vantagens
em relação a outras concepções de classificação como, por exemplo, as redes neurais
(Baatz e Schäepe, 2000). A concepção matemática da Lógica Fuzzy possibilita (em
contraposição à lógica matemática usual que somente conhece declarações
“verdadeiras” ou “falsas”), formular declarações que até certo ponto são verdadeiras e
ao mesmo tempo podem ser falsas. Assim sendo, a Lógica Fuzzy corresponde à
concepção humana de descrever as coisas. As declarações escritas “Não” e “Sim” são
substituídas por uma gradação de 0 a 1, respectivamente. Um espaço de características
em disco assim pode ser projetado a uma escala de valores de 0 a 1.
59

Os procedimentos de Lógica Fuzzy comprovaram a sua utilidade em diversas aplicações
de software. Na área de sensoriamento remoto a Lógica Fuzzy pode ser encontrada em
diversos procedimentos de classificação (Schowengerdt 1997). De acordo com
Definiens (2002), dependendo da forma da função, a transição entre o “Sim” e “Não”
pode ser “crisp” (de uma função retângular) ou “fuzzy” (figura 2.13).
Fig. 2.13 – Membros da função regular e trapezoidal sob característica x para definir o
conjunto crisp M (vermelho) e o conjunto Fuzzy A (azul) µ A (x) sobre a
característica de campo X.
FONTE: Definiens (2002, p. 3.12).
Para Chuvieco (1996), a função de pertinência corresponde a uma distribuição que varia
de 0 a 1, e pode ser expressa pela equação:
U = f
i,
j
( ND )
x
(5)
Onde:
U , indicam o grau de pertinência do pixel x a classe i , compreendido entre 0
i
j
e 1.
Segundo Wang (1993), na lógica contínua, para calcular o grau de pertinência de um
pixel a distintas categorias e assumindo uma distribuição de probabilidade normal para
60

as categorias, podem-se utilizar as seguintes definições para o vetor de medidas e a
matriz de variância e covariância:
M
∗
A =
∑i=
∑
1, n
U
i=
1, n
A
U
( M i ) M
( M )
A
i
i
; e (6)
V
∗
A
=
∑
i=
1, n
U
A
∗
∗
( M )( M − M )( M − M )
i
∑
i=
1, n
i
U
A
A
( M )
i
i
A
T
(7)
Onde U A indica o grau de pertinência da classe A , M é o vetor de ND formado por n
pixels utilizado na amostra, e V A a matriz de variância-covariância para esta classe. O
asterisco no vetor M A e na matriz V A refere-se a médias e variância-covariância para
um espaço contínuo (fuzzy).
Com estes valores, calcula-se a probabilidade de pertinência desse espaço, variando as
fórmulas da probabilidade bayesiana:
p
∗
−0,5
−m
∗ ⎧
∗ T ∗−1
∗
( x A) = ( 2 ) 2 V exp −0,
5( M − M ) V ( M − M ) ⎬ ⎫
⎭
/ π A ⎨ x A A x A
(8)
⎩
Isto permite conhecer a probabilidade de cada pixel estar inserido numa categoria.
As classes podem ser descritas através de um número diversificado de parâmetros
possíveis, herdando características de outras classes. Isto permite, por exemplo, a
diferenciação entre “floresta” e “floresta em área urbana”: ambas as classes possuem as
mesmas características espectrais (as quais podem ser herdadas na definição de
características), através da inclusão do comprimento da borda (limite) para objetos
vizinhos “cidade”, na continuidade da classificação pode ser identificado de modo mais
refinado. Com a definição de um conjunto de regras, determinam-se diferentes planos
hierárquicos, objetos podem ser classificados nas diferentes escalas, dependendo de
onde podem ser melhor identificados. Pode-se definir ainda uma distância mínima e/ou
61

máxima para outros objetos. Além disso, classes podem ser constituídas e definidas a
partir de subclasses.
Na lógica fuzzy é possível conseguir mais do que um conjunto fuzzy sob uma única
característica, por exemplo, como mostra, por exemplo, a figura 2.14, três conjuntos
fuzzy definem as características x: baixa, média e alta. Existe a característica por
membro função triangular de sobreposição (overlapping triangular membership
functions). Num objeto com uma característica de x = 70, o membro da classe baixa é
0,4, para a classe média é 0,2 e para a classe alta é 0,0. Se a característica de valor x
for igual a 200, o membro para classes é 0,0, 0,0 e 0,8 respectivamente.
Fig. 2.14 – O membro da função sob característica x define o conjunto fuzzy baixo,
médio e alto desta característica.
FONTE: Adaptada de Definiens (2002, pág 3.12).
Ao lado da classificação de dados baseada em regras, uma vantagem do programa é a
integração de dados heterogêneos com diferentes resoluções geométricas e
características espectrais, sendo que dados das mais diversas origens podem ser
analisados concomitantemente. Muito útil para a interpretação é a possível conexão de
62

dados vetoriais para a classificação e segmentação. Funções de processamento de
imagem e de SIG estão assim totalmente integradas.
2.5.3.3 – AVALIAÇÃO DO PARÂMETRO ESCALAR (SCALE PARAMETER)
NA SEGMENTAÇÃO
O primeiro passo do método utilizado é a segmentação do conjunto de dados. Isto é
feito sem conhecimento prévio. O dado de entrada é tão-somente o parâmetro escalar
(Scale parameter) que representa uma medida de heterogeneidade, ou seja representa o
número abstrato e corresponde à barreira superior em heterogeneidade, isto é, objetos
menores são resumidos/juntados para objetos maiores até que é alcançada esta barreira.
O parâmetro escalar determina a mudança máxima permitida na heterogeneidade, que se
origina da fusão de vários objetos, tendo uma relação indireta com o tamanho do objeto.
A heterogeneidade depende assim direta e linearmente do tamanho do objeto: em
parâmetros de tamanho que permaneçam iguais, obtém-se numa imagem heterogênea,
objetos menores do que numa imagem menos heterogênea. A heterogeneidade de
objetos é definida através da cor e da forma. Na segmentação as homogeneidades da cor
e da forma podem ser ponderadas. De acordo com Definiens (2002), as características
avaliadas para realizar a classificação podem ser discriminadas em:
• Característica intrínseca: as propriedades físicas dos objetos, que são
determinadas pelo mundo real e a sua situação na imagem – basicamente o tipo
de sensor e a iluminação. Tais características descritas são: cor, textura e forma
dos objetos;
• Características topológicas: características que descrevem o relacionamento
geométrico entre os objetos, tal como à direita, à esquerda, ou numa certa
distância de um certo objeto, ou sendo uma certa área na imagem; e
• Característica contextual: características que descrevem o relacionamento
semântico dos objetos, por exemplo, um parque está quase 100% dentro da área
urbana.
63

O mais importante critério para a formação dos segmentos é a heterogeneidade de cor,
dependendo do caráter dos dados a serem avaliados e do problema colocado, os
parâmetros “shape” (forma) e “compactness” (compactação) podem fornecer
importantes informações adicionais e melhorar o resultado da segmentação. A
desvantagem no caso da consideração maior da “compactness” é a redução, em paralelo
com o aumento da possibilidade de reprodução do resultado.
O objetivo da segmentação é uma avaliação bastante automática dos dados, sendo que o
processamento exige para tanto um procedimento uniforme. O questionamento colocado
na segmentação é: até que ponto é possível prever o parâmetro escalar que pode ser
livremente escolhido, quais os relacionamentos que existem com a agregação espacial e
até que ponto esta segmentação pode ser otimizada.
De acordo com Hoffmann (2001b), com a escolha do parâmetro escalar mudam-se
também os limites dos segmentos. Isto pode ser observado especialmente em setores de
transição ou em áreas de sombra, onde um usuário fazendo interpretação visual também
teria problemas para determinar um limite inequívoco entre os setores.
Assim sendo, a determinação do fator de escala permanece sendo um processo
interativo. O posterior número e o tamanho dos segmentos somente são previsíveis
condicionalmente, mesmo em conjuntos de dados aparentemente estruturados de modo
claro. A escala depende, entre outros, da estrutura do conjunto de dados a ser
processado (superfícies heterogêneas ou homogêneas). Em função da elevada resolução
dos dados estudados, qualquer pequeno desnível dentro de um campo agrícola já
constitui um segmento. Conforme a tarefa proposta ou o trabalho a ser feito, precisam
ser obtidos inicialmente os valores de experiência, sobre qual é o ajuste do parâmetro de
escala que divide a imagem em segmentos adequados. Os objetos procurados podem ser
p.ex. árvores individuais ou estandes de floresta – dependendo do objetivo da análise e
da escala de trabalho. A vantagem do procedimento é a disponibilização simultânea de
diferentes escalas, podendo ser consideradas simultaneamente na interpretação tanto os
segmentos que representam todos os estandes de floresta bem como aqueles que
representam as árvores individualmente.
64

2.6 – AVALIAÇÃO DA CLASSIFICAÇÃO
O produto final da classificação de imagens é um mapa temático, onde a área de estudo
encontra-se compartimentada numa série de unidades temáticas espaciais e contendo
uma legenda explicativa destas unidades. Deve-se lembrar porém que a classificação de
imagens está submetida a uma certa margem de erro, devido a qualidade dos dados ou
dos métodos empregados. Por isso é necessário aplicar nos resultados obtidos (mapas)
um procedimento de avaliação, que permita quantificar estes erros, valorizando a
qualidade do trabalho e a sua aplicação em estudos posteriores. (Chuvieco, 1996).
Neste processo, é importante considerar o erro nos dados de entrada, e nos métodos
utilizados no processamento de dados. Segundo Buiten (1993), a impressão de acuidade
da imagem de sensoriamento remoto depende da habilidade do sistema sensor em
reproduzir os detalhes dos objetos da imagem e manter a sua estrutura intacta.
Uma das formas mais difundidas para se fazer esta avaliação é a seleção de amostras da
área de estudo, que tem como finalidade obter medidas de campo necessárias para
verificar os resultados da classificação. Segundo Stehman e Czaplewski (1998), este
vínculo entre coberturas espaciais temáticas e a sua representação cartográfica é
fundamental para a confecção de mapas gerados de dados de sensoriamento remoto.
Para Chuvieco (1996), a coleta de amostras pressupõe um custo adicional ao projeto que
não repercute em melhoria na classificação do mapa, mas apenas assegura a sua
exatidão.
Segundo Congalton (1991), a qualidade da estimativa depende de uma série de fatores
que devem ser considerados ao planejar-se a obtenção das amostras: método de seleção,
tamanho e distribuição das amostras. Uma seleção adequada das amostras é
representativa da classificação de toda a imagem. Por outro lado, numa seleção
inadequada, não haverá uma representação da imagem original e por isso é importante
utilizar um método de amostragem adequado à imagem a ser estudada.
Seguindo estes parâmetros, Rosenfield (1982), Congalton (1988b), Stehman (1992), Lo
e Watson (1998), e Congalton e Green (1999) aplicaram os seguintes métodos de
65

seleção de amostras: Amostragem Aleatória Simples (AAS), Amostragem Aleatória
Estratificada (AAE), Amostragem Aleatória Sistemática (AASis), Amostragem
Estratificada Sistemática Desigual (AESD) e Amostragem Aleatória por Grupo (AAG).
Com relação a estes métodos, Congalton (1988b) salienta que os seus resultados
dependem do grau de complexidade do ambiente, sendo que o método AAS obteve
resultados satisfatórios em todos os casos, enquanto que o AESD e a AASis apresentam
bons resultados para ambientes de pouca complexidade, e que portanto devem ser
usados com cautela. Por outro lado, Stenback e Congalton (1990), afirmam que as
combinações de bandas espectrais do TM/Landsat podem apresentar boa visualização,
porém com baixa exatidão.
Antes de utilizar os esquemas de amostragem, Congalton (1988a) propõe aplicar uma
avaliação prévia da auto-correlação existente na imagem, o que facilita a tomada de
decisão sobre qual método apresenta um resultado melhor. Com relação às amostras,
este autor sugere que o seu tamanho seja aproximadamente de 1% da área de estudo e
Hay (1979), acrescenta que precisam obter-se no mínimo 50 amostras para cada classe
temática. Para a amostragem por grupo deve-se utilizar 10 pixels (Congalton, 1988a).
Com as amostras já determinadas, o procedimento mais comum para se expressar a
exatidão do produto é através da declaração da porcentagem de área mapeada, onde os
dados são comparados com dados de referência (dados de campo) ou com a verdadeira
aferição de campo (Story e Congalton, 1986). Essa declaração é derivada das classes
geradas pelos métodos de amostragem e dos dados classificados, que são colocados
numa matriz denominada de matriz de erros (ou matriz de confusão ou tabela de
contingente).
Nesta matriz os dados de referência (representados pelas colunas) são comparados com
os dados classificados (representados pelas linhas). A diagonal principal indica a
concordância entre esses dois grupos de dados, que representa o número de pontos
classificados corretamente em cada classe, sendo que as diagonais marginais
apresentam as unidades classificadas erroneamente.
66

Os pontos não-classificados implicam em elementos que não se ajustam à realidade,
denominados por Aronoff (1985) de “Omissão”. Um erro na classificação, porém não é
somente uma omissão da categoria correta, mas também uma omissão de outra
categoria, ou seja, estes elementos devem pertencer a outra classe.
Esta informação pode ser integrada com outras variáveis geográficas para futuras
análises, considerando que a cartografia realizada ajusta-se perfeitamente com a
realidade.
Por outro Lado, Congalton e Green (1999) descrevem que quando não é possível fazer a
avaliação da exatidão da classificação com dados de campo, pode-se utilizar outros
meios para o reconhecimento das classes temáticas com a realidade, como a fotografia
aérea. Isto ocorre devido ao nível de detalhe que estes dados fornecem, resultado da sua
resolução espacial. Como mostrado no item anterior, os algoritmos convencionais de
classificação se baseiam em informações espectrais da cena, obtendo classes espectrais.
Porém, respostas espectrais dos objetos podem ser semelhantes. Além disso, a resolução
espacial das imagens de sensoriamento remoto, como MSS/Landsat (r.e. de 80 x 80 m),
TM/Landsat (r.e. de 30 x 30 m), ou SPOT (r.e. de 10 x 10 m), necessitam de uma
avaliação de campo para averiguar a exatidão da classificação. Portanto, para a
classificação de uma imagem de alta resolução espacial como o IKONOS II, que possui
uma resolução espacial igual às fotografias aéreas, não necessita de uma avaliação da
exatidão da classificação.
2.7 – INTEGRAÇÃO E ANÁLISE DOS DADOS NO SISTEMA DE
INFORMAÇÃO GEOGRÁFICA
Para o planejamento urbano, que inclui a construção viária, necessita-se de uma série de
informações espaciais e que sejam de fácil acesso. Dentre os aspectos espaciais
destacam-se os aspectos físicos (geologia, geomorfologia, drenagem) e urbanos (área
residencial e industrial, vias de acesso). No entanto, muitos destes dados encontram-se
disponíveis em formato analógico e em diferentes projeções cartográficas (aspectos
geométricos, vide Burrough, 1993). Para se trabalhar com este volume de dados através
67

de programas computacionais, usam-se Sistemas de Informações Geográficas
(Geographic Information Systems – GIS, em inglês).
O conceito “Sistemas de Informações Geográficas” apresenta várias definições, o que
merece uma certa atenção. Para uma melhor compreensão dos SIG’s, Cowen (2001)
aconselha revisar as definições de:
Sistema – conjunto ou arranjo de elementos relacionados de tal maneira a formar uma
unidade ou um todo organizado, que se insere num sistema mais amplo;
Informação geográfica – conjunto de dados ou valores que podem ser apresentados em
forma gráfica, numérica ou alfanumérica, e cujo significado contém associações ou
relações de natureza espacial;
Sistema de informação – conjunto de ferramentas e “funções” utilizadas para coletar,
arquivar, descrever, observar, analisar e processar dados, com o intuito de produzir
informações numa tomada de decisão, de base computacional.
Desta forma, o GIS (ou SIG) corresponde a um modelo do mundo real, ou base de
dados informatizada descritiva, num sistema de referência cartográfica com informações
espaciais pré-estabelecidas, para satisfazer uma necessidade de informação específica, e
respondendo a um conjunto de questões concretas (Cowen, 2001). Para Bosque (1994) o
GIS constitui uma visão esquemática e logística de uma realidade complexa, servindo
de apoio à tomada de decisão, envolvendo a integração de dados referenciados
espacialmente para a solução de um problema (Cowen, 1988). Felicísimo (2000)
destaca que o modelo fornecido pelo GIS é uma descrição aproximada da superfície,
confeccionada mediante sua aplicação, adaptada à realidade, mas que nunca pode ser
exato.
Antes de começar a codificação da informação espacial é necessário definir as unidades
de registro, de maneira análoga ao que ocorre com as séries cartográficas nacionais.
Estas unidades de forma retangular, definem um diretório que é consultado em primeira
instancia quando se pretende recuperar, introduzir ou modificar dados do sistema de
68

informação geográfica. As suas estruturas internas são denominadas de Planos de
Informação (PI’s), que descrevem as variáveis geográficas. Segundo Bosque (1988), os
PI’s tem capacidade de gerenciar, analisar e combinar dados espaciais por meio de
funções operacionais distintas e especificamente:
a) Introduzir dados espaciais no computador;
b) Criar uma base de dados que conserve suas características, de modo
econômico e coerente;
c) Gestão e manipulação para interrogar a base de dados;
d) Análise e geração de novas informações a partir daquelas já incluídas na
base de dados;
e) Representação cartográfica (e outros meios) dos dados.
Com relação ao item “a”, a entrada de dados está condicionada a dois fatores
fundamentais: a fonte de informações espaciais e o formato (tipo de estrutura) da base
de dados. A informação espacial pode ser encontrada no formato ou modelo digital
(p.ex., uma imagem e fotografia aérea digital, mapas scannerizados) ou estar contida no
formato analógico (imagem, fotografia aérea ou mapa impressos) (Figura 2.15). No
primeiro caso, a inserção dos dados ocorre como nas imagens de sensoriamento remoto
e no segundo caso, a inclusão é feita através da digitalização.
Com relação a digitalização vetorial de um documento gráfico, existem diversos modos
de realizá-la sendo o mais comum a digitalização mediante segmentos de linhas.
Segundo Bosque (1994), esse modo de digitalização vetorial leva em conta certas
propriedades topológicas - relacionamento entre os dados – dos gráficos bidimensionais
(pontos, linhas e superfícies), propostos pelo Bureau of the Census dos EUA (DIME,
Dual Independent Map Encoding). Cada entidade é codificada, sendo que um ponto tem
uma identificação numérica e uma localização (coordenadas x, y) sendo que
matematicamente a linha se compõe de uma série de pontos e os polígonos são
formados por um conjunto de linhas.
69

Formato Matricial Formato Vetorial
Documento analógico
Documento analógico
Documento analógico
Documento analógico
Preparação do documento
Preparação do documento
Transformação
das
coordenadas e
mudança de
formato
Digitalização
(Codificação da
distribuição espacial)
de vários atributos
Digitalização
(Registro de
coordenadas e,
normalmente das
relações topológicas)
Transformação
das
coordenadas e
mudança de
formato
Correção de erros
nos diferentes
níveis temáticos
Correção dos erros gráficos;
Correção dos erros
topológicos;
Geração de polígonos;
Atributos temáticos
Teste prévios à introdução da
informação na base de dados;
Consistência da informação;
Correção de distorções;
Tratamento Digital da Imagem.
Fig. 2.15 – Fluxograma com as etapas de aquisição de dados
FONTE: Adaptada de Bosque (1988, p 132).
Como base na Figura 2.15, cada modelo de dados apresenta características próprias,
necessitando de ferramentas específicas para cada um. O modelo digital é composto por
uma grade regular à qual é atribuído um valor temático, denominado também de
Numérico ou Matricial. O outro modelo vetorial está centrado na descrição das
fronteiras exteriores dos elementos geográficos, expresso de forma qualitativa e descrito
70

por um predicado (atributo) para cada elemento geográfico (Bosque, 1994). Assim, a
representação temática das informações possui aparência fragmentada. Esta
fragmentação, no entanto, é feita de forma organizada permitindo que a análise seja
global, através das interações e dos recursos disponíveis no aplicativo utilizado.
Todavia, na análise espacial é necessário que estes dados sejam convertidos para um
único formato.
Um aspecto importante no GIS é a sua capacidade de realizar a análise geográfica por
meio de modelagem de dados. Segundo Felicísimo (2000), a palavra modelagem,
originária do âmbito geográfico, corresponde a uma versão simétrica da realidade,
produzindo algumas de suas propriedades, de modo menos complexo. Portanto, os
modelos são construídos estabelecendo uma relação de correspondência com a
realidade, ou seja, uma relação simétrica que permita introduzir algumas propriedades
da realidade ao modelo. O modelo Digital de Terreno (MDT) é definido como
“estrutura numérica de dados que representa a distribuição espacial de uma variável
quantitativa e contínua” (Felicísimo, 2000).
De acordo com Felicísimo (2000), o processo básico de construção do MDT parte da
captura de dados ou amostras, (mapa topográfico, Global Positioning System – GPS,
restituição), que representa sobre um plano algumas propriedades da superfície real do
terreno, através de relações de analogia previamente estabelecidas. Este mapa expressa
basicamente um processo de simbolização. A codificação numérica do modelo
analógico conduz ao modelo digital, suscetível a tratamentos matemáticos e estatísticos
impossíveis de serem aplicados anteriormente. Por fim, isto permite construir modelos
digitais derivados (declividade, orientação, convexidade, hipsometria, orto-retificação
de imagem), e realizar processos de modelização mediante simulações numéricas
(Hinton, 1996). Os resultados obtidos são comparáveis com a realidade, o que
possibilita correções e/ou ajustes do algoritmo de modelagem, permitindo assim,
modelar melhor o fenômeno estudado (Figura 2.16).
71

Simbolização
Aplicação
Objeto Real
(Terreno)
Modelo Analógico
(Mapa Topográfico/Fotografia aérea)
Análise
de erros
Verificação
Modelo Digital Derivado
(Declividade, Hipsometria., Ortoret.)
Codificação
Ajuste
Algoritmo
Modelo Digital de Elevação
Amostras, TIN, Grade Regular
Simulação
Fig. 2.16 – Processo básico de criação, manejo e exploração do MDT.
Cabe destacar nesta etapa que os Modelos Digitais de Terreno permitem uma elevada
precisão na descrição dos processos, mas não podem garantir a exatidão dos resultados.
A diferença básica entre os modelos digitais e os modelos analógicos é que os primeiros
estão codificados em cifras, permitindo o seu tratamento por meios informativos. As
relações espaciais ou as características que se deseja representar traduzem-se em
diferentes tipos de estruturas numéricas (vetores, matrizes, conjuntos, etc.) ou em
expressões matemáticas que descrevem relações topológicas e funcionais.
Segundo Felicíssimo (2000), os modelos digitais de terreno contêm informação de dois
tipos, a saber: informação explícita – reconhecidas nos dados concretos do atributo do
modelo, como a altitude no caso do MDE; e informação implícita – relativa às relações
espaciais entre os dados, como a distancia ou a declividade. Ambos os tipos de
informação são complementares e permitem obter informação sobre a morfologia do
72

elevo de forma objetiva e exaustiva. O objetivo deriva do caráter digital dos dados e
dos processos de análise configurado por algoritmos. Estes processos são aplicáveis a
totalidade da área analisada e não somente a uma amostra da mesma.
Segundo Cowen et al. (1995), a resolução da imagem é fundamental para a integração
de dados, pois este fator determina a escala de trabalho, seguido pela avaliação da
precisão do registro da imagem com os outros dados (Mesev, 1997; Coulter et al.,
1999).
Esta integração também pode aprimorar a classificação das imagens, como demonstram
Harris e Ventura (1995) que, ao integrarem dados demográficos e de zoneamento com
imagens TM/Landsat 5, obtiveram uma melhoria na exatidão das classes urbanas.
73

CAPÍTULO 3
3 - ÁREA DE ESTUDO
Neste Capítulo é apresentada a área de estudo bem como fornecida uma visão de
conjunto da Geologia, Pedologia e Geomorfologia locais, que constituem as bases deste
trabalho. O critério adotado para a escolha dos dados a serem empregados foi a sua
escala e os trabalhos que descrevem os aspectos físicos e humanos da área.
Com relação aos mapas temáticos da área, foram usadas as informações fornecidas
pelas Cartas de Aptidão Física para o Assentamento Urbano pelas Cartas Geológicas da
região Metropolitana de São Paulo, ambas da EMPLASA (1990b, 1990c, 1990d e
1990e), escala 1:50.000, tendo sido geradas novas informações a partir de curvas de
nível e pontos cotados, extraídas das cartas topográficas do IBGE (1984a e 1984b)
escala 1:50.000, com eqüidistância entre as curvas de 20 m. As informações obtidas dos
mapas mencionados, permitiram a descrição do relevo da área de estudo.
3.1. LOCALIZAÇÃO DA ÁREA DE ESTUDO
A área estudada localiza-se na porção Leste da Bacia Sedimentar de São Paulo, entre os
meridianos W Gr 46º 43’ e 46º47’ e os paralelos S 23º25’ e 23º27’ (Figura 3.1),
correspondendo a aproximadamente 132,966 Km 2 , fazendo parte da Metrópole de São
Paulo, incluindo os municípios de São Paulo, Guarulhos, Mauá, Ribeirão Pires e Santo
André. Na região sul desta área passará a Rodovia Metropolitana de São Paulo,
denominada de “Rodoanel Governador Mario Covas”. Para estudos de reconhecimento
do terreno, conforme descrito no capítulo 2, a DERSA (Desenvolvimento Rodoviário de
São Paulo) denominou o sub-trecho de 15.00.002-F10-006R00.
Como este trabalho aborda o elemento “espaço construído” da paisagem urbana, o qual
acarreta cortes e aterros no relevo, retifica ou canaliza o curso dos rios, tem no
movimento o motor propulsor de seu relacionamento com a natureza, movimento este
dado pelas transformações ocorridas a partir do desenvolvimento das forças produtivas
materiais da sociedade no processo de trabalho (Carlos, 1994). Assim sendo, os
aspectos físicos da área de estudo serão descritos a seguir.
75

Fig. 3.1 – Localização da área de estudo.
Trecho do Rodoanel que apresenta uma extensa área periférica compreendida entre os
cursos do Rio Tietê ao Norte e o vale de seu afluente, o Rio Guaió, ao Sul.
Segundo Carlos (1994), as cidades crescem ao longo das rodovias, formando e
articulando pontos de aglomeração, e criando “núcleos” que nem sempre parecem ter
identificação direta com a cidade, e sim com São Paulo. Tais aglomerados são
produzidos de modo “espontâneo”. As indústrias se implantando ou o comércio se
instalando nas localizações que lhe trazem maior benefício. Como pode ser observado
na imagem do IKONOS II (Figura 3.2), há pontos de concentração industrial, às
margens das rodovias, e vazios urbanos, localizados nas cidades de Mauá e Santo
André. Desta forma, o espaço urbano vai se estruturando sem infra-estrutura adequada,
76

sem água e esgoto, sem asfaltamento das ruas, acarretando em mancha urbana
descontínua.
Fig. 3.2 – Aglomerados industriais e vazios urbanos, localizados nos municípios de
Mauá e Santo André.
Nesta figura, nota-se na coloração da cidade, a predominância dos tons de cinza, devido
ao concreto (cinza) e o asfalto (negro), a cor avermelhada vem dos telhados das
residências e o tom pastel vem do solo exposto. Conforme Carlos (1994), o colorido
aparece apenas nas roupas das pessoas e nos carros que trafegam, sempre com muita
pressa. As grandes áreas verdes são remanescentes da mata original, localizadas em
pontos onde é difícil a sua ocupação ou nas proximidades da Serra do Mar.
77

Carlos (1994) descreve que a infra-estrutura da periferia é precária ou inexistente, como
uma coloração diferente das áreas “ricas” (casas grandes, terrenos grandes,
arborização), enquanto que na periferia, as moradias apresentam-se amontoadas num
misto de autoconstrução e favelas construídas em terrenos pouco valorizados, onde se
aglomera uma massa de trabalhadores misturada com o exército industrial de reserva e
seus familiares em locais cada vez mais distantes daqueles de trabalho.
Pouco restou da paisagem das chácaras, localizadas nas divisas de municípios, descritas
por Azevedo (1958), onde se tinha uma função residencial, ou seja, seus moradores
residiam em pequenas casas com três ou quatro cômodos, feitas de tijolos e cobertas
com telhas, que se elevavam no meio de terrenos de dimensões restritas, tendo ao lado
os rios para fornecer água e, muitas vezes, uma pequenina área cultivada (hortaliças,
flores e frutas) e a prática de pesca em lagoas artificiais, acrescentando algumas olarias,
que se multiplicavam em boa parte das várzeas (Figura 3.3).
Fig. 3.3 – Periferia da região Leste da cidade de São Paulo, fotografia aérea de janeiro
de 2001.
78

As informações relativas ao meio físico desta área, para os estudos preliminares de
implantação viária bem como de qualquer obra de engenharia, são de fundamental
importância para se executar um projeto mais racional e econômico. A obtenção de
informações sobre o terreno e a sua representação gráfica com dados de sistemas
sensores terrestres, aéreos e/ou orbitais, consiste basicamente em:
Estudos Topológicos (Topologia) que analisam a forma global da conformação do
terreno, suas modificações e as leis que regem essas modificações;
Estudos Topométricos (Topometria) que consiste na obtenção das medidas (ângulos e
distâncias) no terreno, para a transposição às plantas. Eles poderão ser realizados por
meios terrestres ou aéreos constituindo-se de Levantamentos Topográficos Clássicos,
Restituição Aerofotogramétrica e Interpretações de Imagens Orbitais. Os levantamentos
topográficos bem como as locações são realizadas através de duas operações:
Planimetria, que determina as projeções horizontais dos pontos do terreno; e Altimetria
(ou nivelamento) que determina as cotas (altitudes) do terreno.
Estas operações consistem na observação detalhada do modelado e da configuração ou
formas de relevo da região situadas entre os pontos extremos da ligação da rodovia, ou
de outra obra de engenharia, registrando planimetrica ou altimetricamente os acidentes
geográficos, bem como realizando uma classificação topográfica da região, procurando
caracterizar o relevo. Os dados necessários variam, evidentemente, de caso a caso.
Porém, as informações mínimas que o projetista precisa dispor para a elaboração de um
projeto de qualidade incluem: Indicação dos tipos de rochas que ocorrem no substrato
rochoso; características dos diversos horizontes de solo; delimitação da área em que
ocorrem solos “moles”, ou seja, impraticáveis à implantação de rodovias e outras obras
de engenharia; área de ocorrência de matacões e afloramentos rochosos; avaliação do
comportamento das águas superficiais e subterrâneas visando prever e prevenir
problemas de implantação, problemas de drenagem, previsão de áreas potencialmente
utilizáveis como jazidas para material de empréstimo visando a execução dos aterros,
proteção das áreas terraplenadas, etc.
79

A seguir serão apresentados os aspectos gerais da Geologia, Pedologia e Geomorfologia
no que dizem respeito e interessam diretamente ao planejamento urbano, incluindo a
construção viária.
3.2. GEOLOGIA
De acordo com Almeida (1958), a área metropolitana de São Paulo situa-se num
planalto mais ou menos acidentado, de estrutura complexa, formada principalmente por
rochas metamórficas ou basais, capeadas por sedimentos cenozóicos (Bacia de São
Paulo). A litologia desta bacia é formada por argilas, siltes e areias argilosas finas. Para
Suguio (1980), a Bacia de São Paulo é constituída texturalmente por sedimentos pobres
em estruturas primárias, apresentando estratificação plano-paralela horizontal,
estratificações gradativas, pelotas de argila, diques clásticos arenosos dentro de argilas e
estratificações cruzadas.
Ao longo dos cursos dos rios localizam-se os depósitos aluviais que estão associados às
calhas e planícies de inundação (ou aluviais). Estes depósitos estendem-se até a soleira
granítica do Cristalino, e apresentam camadas ricas em material orgânico, intercalados
ao material detrítico, com raras ocorrências de areias grossas e cascalhos finos (Vetec
Engenharia e Vence Engenharia, 1992). Estes depósitos possuem fartura de sills
básicos, favorecendo a criação de soleiras litológicas a montante, originando o acúmulo
de aluviões (IPT, 1981a).
Na área de terrenos cristalinos destacam-se os metaconglomerados, que afloram por
vezes na forma de matacões de até três metros de diâmetro, aparecendo seixos de
granitos, gnaisses, micaxistos e quartzitos, englobados numa matriz arenosa,
heterogênea e de natureza grosseira. Estes locais atualmente foram transformados em
pedreiras (Figura 3.4).
As falhas indiscriminadas são feições estruturais constituídas por faixas cataclásticas
espessas. Segundo a Vetec Engenharia e Vence Engenharia (1992), estas falhas foram
desenvolvidas no final do Ciclo Brasiliano (Pré-Cambriano) por uma reativação
80

posterior durante o Terciário que provocou movimentos verticais, ultrapassando muitas
vezes 100 m. Na região em estudo, destaca-se a falha de Taxaquara (IPT, 1981a).
Fig. 3.4 – Extração de material de construção (pedreiras) vista por fotografia aérea,
localizada na região noroeste do município de Mauá.
Para Moura e Silva (1998) o relevo da região apresenta uma característica cobertura de
materiais inconsolidados (regolito), proveniente da alteração in situ do substrato
rochoso (elúvio), e da remobilização deste por processos de encosta e fluvial (coberturas
sedimentares). Estes autores salientam a importância dos depósitos de encosta
(colúvios) e a recorrência de processos erosivos sobre o regolito (Figura 3.5).
81

Fig. 3.5 – Carta Geológica da área de estudo.
FONTE: adaptada de Emplasa (1990d e 1990e)
82

3.3 PEDOLOGIA
De acordo com Setzer (1941 e 1955) e França (1958), os solos da área metropolitana de
São Paulo são caracterizados como pobres devido a lixiviação e ao elevado teor de
acidez. Os solos, bem como as unidades geomorfológicas, são caracterizados pelo
relevo da sua área de ocorrência, como descritos a seguir:
Solos localizados nas planícies aluviais, sendo a parte mais úmida denominada pelos
autores de várzea úmida, podem ser argilosos claros e pobres em húmus (conhecidos
como Taguá), argilosos escuros, ricos em húmus (denominado de Tabatinga), e solos
turfosos (carbono total acima de 10%). Nas partes mais secas das planícies aluviais
(terraços ou várzea enxuta), estes solos apresentam a coloração acinzentada, às vezes
com tonalidade amarelada, castanha ou rosada.
Nas encostas de colinas, morros ou partes altas do relevo são encontrados solos claros
de argilitos bastante arenosos (massapé amarelo), solos amarelos e alaranjados de
argilitos pouco arenosos (massapé vermelho) e solos vermelhos de argilitos pouco
arenosos (Catanduva).
Solos decorrentes dos argilitos arenosos terciários podem ser encontrados em três
variações: solos amarelos claros, com areia grossa de grãos arredondados; solos
alaranjados, com areia fina e uniforme; e solos claros com cascalho arredondado.
Solos resultantes de gnaisses e granitos (Salmourão) podem ser rasos e profundos, e
bem ácidos quando originados dos gnaisses.
Solos originados de quartzitos e quartzoxistos, também chamados de Salmourão, são
caracterizados por serem arenosos, podendo conter areia grossa e alguma argila.
Solos oriundos dos quartzitos e quartzoxistosos são arenosos, grosseiros, com alguma
argila, contendo raras palhetas de micas brancas.
Solos provenientes dos micaxistos e filitos possuem areias, pequenos agregados de
argila, por vezes concrecionária.
83

Outros grupos pedológicos citados pelos autores mencionados são os solos coluviais e
eluviais, característicos das encostas das colinas e morros da região que pertencem ao
grupo dos solos lateríticos (França, 1958). Segundo Setzer (1955), um dos maiores
problemas das terras da região em estudo é a acidez e a pobreza química, devido à
inexistência de solos muito arenosos com baixo teor de argila.Para informações sobre as
características químicas dos solos da área de estudos, vide Setzer (1955).
O sistema hidrográfico da região apresenta como principal coletor o rio Tietê, de
aspecto sinuoso e meandrante onde não foi retificado, percorrendo a planície fluvial,
podendo formar alguns lagos, resultantes de meandros abandonados, o que ocasiona
obstáculos para o desenvolvimento de um sistema viário. Na região metropolitana de
São Paulo no setor Leste está localizado o único trecho do rio Tietê que ainda não foi
retificado. O rio Guaió segue o rumo de SW para NE, tendo sua confluência com o
Tietê próximo de Poá. Possui extensão de aproximadamente 20 km, sendo que seu curso
se desenvolveu no contato dos xistos e gnaisses com os granitos, possuindo a jusante o
formato de rio em treliça (Almeida, 1958). Este rio é considerado um dos últimos
afluentes do Tietê, dentro da Grande São Paulo, pouco afetado pela poluição hídrica,
apresentando ainda água limpas.
Conforme Azevedo (1958), a região apresenta grande suscetibilidade a erosão devido as
suas características geográficas. Para a construção viária é necessário um estudo para
reduzir os prováveis efeitos da erosão.
3.4. GEOMORFOLOGIA
A geomorfologia participa como um dos componentes da paisagem que expressa a
potencialidade e a fragilidade dos recursos naturais. Além da geomorfologia ser de
grande importância para quaisquer obras de engenharia, incluindo os empreendimentos
rodoviários, a análise dos elementos do relevo, permite prever os impactos causados por
estas obras. Além disso, a geomorfologia apresenta subsídios para o parcelamento e uso
do solo, na medida em que são apontados os tipos de problemas geotécnicos
característicos, permitindo reconhecer a intensidade e incidência espacial dos processos
erosivos as suas intensidades e mudanças ao longo das vertentes.
84

Os dados de Geomorfologia usados foram obtidos da análise de informações préexistentes,
inseridos em mapas temáticos e de natureza cartográfica (Cartas
Topográficas do IBGE (1984a e 1984b) e da Emplasa (1990b e 1990c)). O manejo das
informações qualitativas e com valores limitados a priori a um certo número de
categorias, foi organizado em estruturas de dados denominados genericamente de
Modelos Digitais de Terreno, ou MDT. Segundo Felicísimo (2001), a integração dos
MDT aos Sistemas de Informação Geográfica (SIG) abrem as portas a um conjunto de
técnicas de representação da realidade e de simulação de processos que complementam
de forma importante a capacidade clássica dos SIG para o manejo da informação
temática.
A partir do MDT extraem-se informações sobre o relevo de forma objetiva e exaustiva.
Para Felicísimo (2001), a objetividade deriva do caráter digital dos dados e dos
processos configurados por algoritmos. Já a exaustividade refere-se ao fato de que estes
processos são aplicáveis à totalidade da área analisada e não somente a uma amostra da
mesma.
A declividade é definida como o ângulo existente entre o vetor normal à superfície
neste ponto e a vertical, que varia de 0% a 90%. Sua estimativa é simples e se baseia no
cálculo do declive de um plano de ajuste em cada ponto ou célula do modelo. Com isto,
tem-se uma Grade regular, a partir da qual é gerado um mapa temático, associando uma
classe temática para cada intervalo de valores numéricos, na dependência dos objetivos
do trabalho. Este processo é chamado de Fatiamento. A Figura 3.6 mostra o mapa
temático de declividade ou clinográfico (primeiro à direita), que está expresso em cores
quentes, com intervalos de 10%, onde a cor amarela representa as regiões mais planas, e
a vermelha as regiões com maior declive. Este mapa é importante para o planejamento
urbano e viário, pois, p.ex. obras implantadas em áreas de declividade acentuada
apresentam freqüentemente cortes e aterros com altura excessiva, implicando assim em
sérias dificuldades de implantação e facilitando a ação de processos erosivos.
O mapa Hipsométrico representa as inter-relações existentes em determinada unidade
de relevo no tocante à sua distribuição em relação à altitude, indicando a proporção
85

ocupada por determinada área da superfície terrestre em relação às variações
altimétricas a partir de determinadas isoípsas (Christofoletti, 1980). Para cada intervalo
de 20 m. de altitude foi associada uma classe, sendo a cor amarela para a região mais
baixa e a roxa para a região mais elevada (Figura 3.6, mapa central). A partir deste
mapa, obtém-se uma noção da amplitude do relevo de interesse direto no
dimensionamento do sistema da drenagem, bem como no volume de terraplanagem a
ser efetuado (Emplasa, 1990a).
O mapa de orientação das vertentes (aspecto) mostra a exposição das encostas em
relação à radiação, que constitui um fator que interfere significativamente na
produtividade vegetal de uma área. Este mapa é expresso em graus de 0º a 360º, sendo
que o valor 0º indica Norte; 90º - Leste; 180º - Sul; 270º - Oeste; e 360º - Norte. Valores
de 361º são usados para identificar superfícies planas, tais como os corpos d’água. A
Figura 3.6 (primeiro mapa à esquerda) mostra um mapa de aspecto, com os valores de
azimute de 18,0, elevação igual a 19,9 e ambiente de 0,5. Estes parâmetros referem-se à
data de aquisição da imagem do IKONOS II (28 de Julho de 2000, às 12:57 GMT). Este
mapa também mostra a dissecação do relevo, ou seja, a intensidade de rugosidade
topográfica, com morros côncavo-convexos, indicando a fragilidade potencial
apresentada por este ambiente (Ross, 2000).
Com estas informações sobre o relevo, pode-se também efetuar o cruzamento destes
dados com outros mapas, a fim de obter mais informações, como mostra Penido (1998),
que confeccionou um mapa-síntese de aptidão física para a implementação de rodovias.
86

Fig. 3.6 – Mapas de Aspecto, Hipsométrico e de Declividade do relevo.
87

A Figura 3.7 mostra o relevo em 3 dimensões, o que possibilita a visualização de locais
ou estruturas geológicas, tendo importante aplicação prática. Estes modelos são
utilizados, por exemplo, para a análise do impacto visual de uma obra, para o desenho
de redes de comunicação e a localização de torres de vigilância contra incêndios e
monitoramento. No entanto, a sua aplicação cartográfica torna-se limitada, visto que, o
aplicativo não fornece a escala, obtendo-se conseguindo obter apenas uma escala
aproximada. Através deste modelo obtém-se também uma visão geral das formas das
vertentes, a sua convexidade – curvatura positiva, quando os ângulos aumentam
continuamente para baixo; ou a sua concavidade – curvatura negativa, quando os
ângulos decrescem continuamente para baixo. Estas informações são importantes para
quaisquer obras de engenharia que venham provocar alterações na paisagem.
Fig. 3.7 – Representação do relevo em 3 dimensões, da área em estudo, mostrando a
dissecação do relevo.
88

Com base nestes dados e no mapa de Aptidão Física para o Assentamento Urbano da
Emplasa (1990b e 1990c) foram definidas as unidades de relevo homogêneas,
constituindo áreas que apresentam comportamentos semelhantes, em termos de
dinâmica do meio físico (Figura 3.8), a saber:
Planícies Aluviais: ocorrem em terrenos baixos e planos junto aos cursos d’água, com
declividades geralmente inferiores a 5%. As planícies aluviais são a única unidade de
relevo em que ocorre só um tipo de solo, isto é, os sedimentos aluvionares. Observa-se,
desta forma, uma íntima relação entre as áreas de ocorrência das planícies e os
sedimentos (Emplasa, 1990a).
Colinas: ocorrem sobre sedimentos que compõem a Bacia Sedimentar de São Paulo
(Cenozóico) e áreas do Pré-Cambriano próximas, apresentando relevo suavizado de
encostas levemente sulcadas por linhas de drenagem (média a baixa densidade),
apresentando uma passagem gradual para o relevo de morrotes (IPT, 1981b).
Caracterizam-se pela predominância de amplitudes de até 40 m, com declividades
predominantes de até 20%, encostas côncavo-convexas e retilíneas a rampas, que se
articulam no domínio fluvial com os terraços (Moura e Silva (1998).
Morrotes: relevo ondulado, caracterizado pela predominância de amplitudes de até 60
m. As declividades de encosta predominantes são de 20 a 30% nas porções inferiores, e
entre 10 e 20% nas porções superiores e topos. As encostas possuem perfis retilíneos a
convexos e superfícies desde levemente sulcadas a ravinadas com alguns anfiteatros.
Apresentam densidade de linhas de drenagem variáveis, sendo maior nas encostas mais
íngremes, onde há problemas de erosão.
Morrotes Baixos: isolados em meio a planícies aluviais: trata-se de morros alongados e
em “meia-laranja” (Ab’Sáber, 1969) com amplitudes predominantes de 40 m que se
destacam em meio a planícies colúvio-aluvionares, predominando declividades de
encosta de 30 a 40%. As encostas de perfis retilíneos apresentam-se sulcadas por linhas
de drenagem nos morrotes mais alongados. Possuem alta densidade de drenagem e os
vales são amplos com planícies relativamente desenvolvidas. Apresentam, também, em
alguns locais, relevo de colinas amplas e suavizadas, de pequenas amplitudes.
89

Morros Altos: amplitudes predominantes entre 140 até 183m, declividades
principalmente entre 20 e 30% nas porções superiores das encostas e maiores que 30%
nas porções inferiores. As encostas, com perfis predominantemente retilíneos
apresentam-se bastante entalhadas, com grotas profundas, anfiteatros, ravinas e alta
densidade de drenagem, com erosão em sulcos e laminar.
A figura 3.8 mostra a área urbana edificada, onde não foram identificadas as unidades
geomorfológicas pelo fato da zona urbana apresentar movimentação de terras, para
finalidades de construção civil.
Para informações mais detalhadas sobre a Geologia e Geomorfologia da área de estudo,
vide Ab’Saber (1958), Emplasa (1990a), Vetec Engenharia e Vence Engenharia (1992)
e Penido (1998).
90

Fig. 3.8 – Carta Geomorfológica da área de estudo.
FONTE: adaptada da Emplasa (1990b e 1990c).
91

CAPÍTULO 4
4 - MATERIAIS E MÉTODOS
4.1 – MATERIAIS
Neste trabalho, foram utilizadas imagens dos seguintes satélites: Landsat 7, órbita-ponto
219/76, quadrante C, do dia 03 de setembro de 1999, em formato digital; SPOT- 4,
adquirida em 19.03.1999; IKONOS II, adquirida em 28.07. 2000. Segue-se uma breve
descrição destes satélites, abordando apenas os aspectos inovadores dos mesmos. A
seguir será descrito sucintamente o satélite IKONOS II, e para informações mais
detalhadas sobre os outros satélites, vide Novo (1988), Lillesand e Kiefer (1994),
Mather (1999), NASA (2000) e CNES (2000).
4.1.1 – IKONOS II
Lançado em 24.09.1999, pelo foguete-lançador Athena II da Base Aérea de
Vandenberg, Califórnia, EUA, o IKONOS II é considerado o primeiro satélite de alta
resolução totalmente comercial, com altitude de órbita de 681 km, solsíncrona e
mantendo uma inclinação de 98,1º com relação ao plano equatorial. Isto permite que o
satélite cruze o Equador sempre à mesma hora solar, em torno de 10:30 h.
Estas características, além da sua velocidade orbital, possibilitam o imageamento da
mesma área em intervalos de 3 dias. No entanto, a empresa Space Imaging (2001), que
comercializa os produtos deste satélite, informa que este intervalo é para alvos a 40º de
latitude. Para latitudes maiores, o intervalo é menor, enquanto que para latitudes
menores ele é maior.
O satélite IKONOS II fornece dois tipos de imagens: no modo pancromático (preto e
branco) e no modo multiespectral (colorido). De acordo com a Space Imaging (2001), o
primeiro modo permite observar a Terra numa ampla faixa do espectro eletromagnético
e o segundo, em quatro faixas espectrais estreitas, semelhante ao que ocorre com os
satélites Landsat 4 e 5 (Tabela 4.1).
93

TABELA 4.1: SATÉLITE IKONOS II
Adaptada de Space Imaging (2000)
De modo semelhante ao sistema sensor HRV do satélite SPOT, o IKONOS II permite a
visada nadir e a visada não-nadir (off nadir). Para a visada vertical, este sistema sensor
fornece uma resolução espacial de 1 x 1 m no modo pancromático e de 4 x 4 m no modo
multiespectral. Em ambos os casos esta resolução é obtida em até 26º off nadir.
A empresa Space Imaging disponibiliza imagens do IKONOS II com as seguintes
resoluções:
• Resolução de 1 m, imagem preto e branca;
• Resolução de 4 m, imagens coloridas; e
• Resolução de 1 m, que constitui a fusão das duas anteriores, o que inclui a
escolha de 3 bandas (R,G,B) dentre as 4 bandas do satélite (R,G,B,NIR).
Com relação à exatidão das imagens do IKONOS – II, há cinco opções para o usuário, a
saber:
1. Geo – possui exatidão de 50 m CE 90;
2. Reference – exatidão de 25 m CE 90;
94

3. Map – exatidão de 12 m CE 90;
4. Pro – exatidão de 10 m CE 90; e
5. Precision – exatidão de 4 m CE 90.
Nota – CE 90 é a exatidão posicional circular com um nível de certeza de 90%, assim
por exemplo, a imagem Geo possui uma exatidão de 50 m CE90, o que significa que
qualquer ponto dentro da imagem pode estar posicionado a um raio horizontal de até 50
m da sua posição original da Terra, em 90 % dos casos. Segundo Toutin e Cheng
(2000), a exatidão torna-se pior em área montanhosas e adquiridas com uma visada offnadir.
O primeiro produto de menor precisão, não apresenta correções das distorções do
relevo. Para Toutin e Cheng (2000), este produto só atenderá aos requisitos geométricos
de um mapeamento na escala de 1:100.000. Para informações mais detalhadas sobre o
sistema sensor IKONOS II e suas aplicações, vide a Homepage da empresa SPACE
IMAGING: www.spaceimaging.com.br.
Além das imagens orbitais, foram usados neste trabalho outros dados auxiliares,
conforme apresentado na tabela 4.2. O material da Emplasa/IPT é o mesmo utilizado
pela DERSA para o estudo do Trecho Leste do Rodoanel.
TABELA 4.2: MATERIAL UTILIZADO
Quantidade TIPO Formato Fonte Escala
10 Fotografia – aérea Digital
Imagem
Sensoriamento
Remoto Ltda, 2001
1:20.000
2
Carta de Aptidão Física
ao Assentamento Urbano
Analógico Emplasa, 1990 1:50.000
2 Carta Geológica Analógico Emplasa, 1990 1:50.000
2 Carta Topográfica Analógico IBGE, 1984 1:50.000
6
Carta de uso e ocupação
do solo
Digital DERSA, 2000 1:10.000
95

Como um dos objetivos deste trabalho é mostrar a utilização dos SIG para a
implementação viária, as imagens e os demais dados foram manipulados e analisados
nos seguintes aplicativos: AutoCAD MAP (versão 2), SPRING (versão 3.5), ENVI
(versão 3.2), ERDAS (8.5) e a utilização de programas de gráficos como o Corel Draw e
o PhotoShop. As fotografias aéreas serviram como verdade terrestre em substituição ao
trabalho de campo (Congalton e Green, 1999). As fotografias aéreas foram adquiridas
pela empresa Base Aerofotogrametria Ltda, na escala 1:20.000, o sobrevôo foi realizado
em janeiro de 2001, a câmara fotográfica usada foi a ZEISS RMKTOP15, e o seu
diafragma é de 152,741 mm.
4.2. - MÉTODOS
A metodologia utilizada foi direcionada para produzir material de apoio ao estudo do
traçado viário a partir de informações temáticas provenientes de diversas fontes, com o
intuito de explorar o potencial das ferramentas disponíveis nos Sistemas de Informação
Geográfica para a engenharia rodoviária e de imagens de sistemas sensores de alta
resolução, conforme o fluxograma abaixo (Figura 4.1):
96

Fig. 4.1 – Fluxograma de trabalho.
97

As Atividades Preliminares foram os primeiros passos para o desenvolvimento deste
trabalho e consistiram da aquisição e seleção da base cartográfica e bibliografia
referente à área de estudo; levantamento bibliográfico referente ao tipo de estudo a ser
realizado; e escolha do Sistema de Informações Geográficas usado neste trabalho.
Após a coleta dos dados, foi realizada a elaboração e a montagem do Banco de Dados
dentro de um Sistema de Informações Geográficas –SIG (ou GIS). Este banco de Dados
foi configurado principalmente nos aplicativos ERDAS e SPRING (INPE), todavia,
algumas ferramentas de outros SIG’s também foram utilizadas (ENVI, ARCVIEW,
ARCINFO etc).
As coordenadas geográficas adotadas no Banco de Dados são as mesmas da DERSA e
do Instituto Brasileiro de Geografia e Estatística, do qual foram utilizadas as cartas
topográficas, na escala 1:50.000, que passaram pelo processo de scannerização e em
seguida foram georeferenciadas. Assim sendo, a projeção do Banco de Dados é:
Universal Transversa de Mercator (UTM); Elipsóide: América do Sul 1969; Datum:
SAD 69; Zona 23.
A partir da montagem do Banco de Dados houve uma bifurcação de dados: matricial e
vetorial. Os dados matriciais referem-se ao processamento digital da imagem, desde o
pré-processamento até a classificação das imagens. Do outro lado, os dados vetoriais
digitais advindos da DERSA serviram para verificar a exatidão da correção geométrica
das imagens de satélite. Já das cartas topográficas do IBGE foram digitalizadas as
curvas de nível, e posteriormente gerado o MNT, para ser utilizado na modelagem das
imagens em 2 D ½. A seguir serão mostradas as etapas executadas com as imagens
digitais e posteriormente será descrita a fusão das imagens resultantes com o MNT.
4.2.1 – PRÉ-PROCESSAMENTO
4.2.1.1 – EXTRAÇÃO DE CARACTERÍSTICAS ESTATÍSTICAS
Esta primeira etapa consistiu na diminuição do número de imagens multiespectrais,
visando diminuir o volume de dados, e conseqüentemente, o tempo de processamento
das etapas seguintes. A extração das características estatísticas foi realizada apenas com
98

a imagem do satélite Landsat 7, sensor ETM+, por ser a única imagem com bandas
multiespectrais. Para isto, foram utilizadas duas tabelas (correlação e variância) entre as
bandas. Os dados estatísticos foram adquiridos através do aplicativo SPRING, podendo
ser extraídos também pelo ERDAS e ENVI.
4.2.1.2 – CORREÇÃO GEOMÉTRICA
O objetivo desta etapa do pré-processamento foi corrigir e alocar as imagens para as
coordenadas do projeto. Esta etapa foi efetuada em dois passos: localização de pontos
de controle e correção.
Para a correção utilizou-se, como para a transformação geométrica das imagens, uma
equação polinomial do 1º Grau. A correção foi realizada por meio da determinação
matemática da relação entre as coordenadas do mapa no sistema de referência (x, y)
adotado no banco de dados e nas coordenadas da imagem (linha, coluna). Segundo
Toutin e Cheng (2000), este método é adequado para áreas pequenas e planas, e corrige
as distorções planimétricas básicas nas proximidades dos pontos de controle, além de
não considerar a elevação do terreno. Neste caso, a desconsideração do relevo não
prejudica na correção geométrica, devido ao fato do relevo ser ondulado, como descrito
no capítulo 3.
O próximo passo consistiu na construção da imagem, que define as posições dos pontos,
sendo que o método de interpolação determina o nível de cinza a ser atribuído a cada
ponto, sendo o mais apropriado é o do vizinho mais próximo, devido ao fato da área de
estudo ser uma periferia urbana. Estes procedimentos foram aplicados nas coordenadas
X e Y da imagem, ajustando-a para as coordenadas do Projeto.
A avaliação dos resultados deste ajuste é efetuada através dos pontos de teste, que foram
utilizados na transformação por mínimos quadrados, e usados na mesma equação
polinomial dos pontos de controle. Juntos determinaram o erro residual e o erro
quadrático médio (RMS) de cada ponto de teste.
Os pontos de controle foram coletados dos mapas da DERSA (confeccionados em 1998,
escala 1:10.000) e do IBGE (confeccionados em 1960, escala 1:50.000) (Figura 4.1). O
99

primeiro mapa corresponde apenas a uma faixa de terreno onde está sendo construído o
trecho Leste do Rodoanel. A correção geométrica foi iniciada no aplicativo SPRING, e
em seguida transportada para o ERDAS, pelo fato deste último pacote possuir mais
recursos para a correção, como por exemplo, a correção da imagem com o modelo
geométrico do sensor do Landsat 7 e a correção da imagem com o relevo (MNT,
curvatura de Terra), denominada de orto-retificação.
Fig. 4.2 – Dados de Entrada – Carta topográfica do IBGE (1:50.000) e Carta da DERSA
(1:10.000)
Inicialmente foi feito o georeferenciamento das bandas multiespectrais do Landsat 7.
Em seguida realizou-se o registro imagem-imagem das duas cenas restantes. A
composição colorida das bandas multiespectrais, 3 (azul), 5 (verde), 4 (vermelho),
auxiliou na visualização dos pontos.
4.2.2. – PROCESSAMENTO DIGITAL
Nesta etapa foi realizado o realce de imagens utilizando a função denominada
Gaussiana, que possibilitou efetuar uma transformação da intensidade da imagem de
entrada, de forma que o histograma da imagem de saída fosse ajustado a uma curva de
distribuição normal (Gaussiana), entre o nível de cinza mais alto e o mais baixo,
tornando-a homogênea. A distribuição estatística produz um histograma em que a média
e o desvio padrão da distribuição são especificados, além dos parâmetros do menor e do
100

maior valor do nível de cinza. Os níveis de cinza localizados fora da área de campo da
curva Gaussiana, continuarão com os seus valores de originais. Em sua maioria tais
níveis de cinza pertencem a corpos de água (tom de cinza escuro) a área de extração de
areia ou construções cobertas com telhas de amianto (tons de cinza claro), o que não irá
prejudicar na classificação final.
Segundo Crosta (1992), para a composição colorida o uso da normalização é desejável,
pois as bandas poderão ter seus histogramas com a mesma média e desvio-padrão,
obtendo-se assim um balanceamento de cores na composição.
O próximo passo do processamento de imagem foi a transformação, sendo adotado
neste trabalho a manipulação do espaço de cores. Esta técnica foi escolhida por
possibilitar a combinação de imagens de diferentes resoluções espaciais, objetivando
complementar informações e melhorar a resolução espacial da imagem resultante. Os
satélites Landsat 7, SPOT 4 e IKONOS II produzem imagens pancromáticas com uma
resolução espacial melhor que as imagens multiespectrais. Por outro lado, esta técnica
também é utilizada para baratear os custos com as imagens, comprando se apenas a
imagem pancromática de um satélite de resolução melhor, e as imagens multiespectrais
de outro satélite com resolução inferior ao primeiro. Assim por exemplo, adquire-se a
imagem pancromática do SPOT 4 (r.e. de 10 x 10 m) e as bandas multiespectrais do
Landsat 7 (r.e. de 30 x 30 m).
Neste estudo, iniciou-se o processamento com a manipulação no espaço de cores entre
as bandas multiespectrais e a banda pancromática do satélite Landsat 7. Esta mesma
combinação foi efetuada entre as bandas multiespectrais e a banda pancromática do
satélite IKONOS II. Em seguida, esta manipulação foi realizada entre diferentes
satélites diferentes. Realizou-se a fusão das bandas multiespectrais do Landsat 7 com a
banda pancromática do satélite SPOT 4, e finalmente, a associação destas bandas
multiespectrais com a banda pancromática do satélite IKONOS II.
Wald, Ranchin e Mangolini (1997) relatam que para, este tipo de transformação de
imagens, não há a necessidade de aquisição simultânea das imagens, o que leva a
diferenças espectrais na imagem resultante, principalmente nas regiões em que
101

ocorreram mudanças na paisagem. Portanto, isto influencia na qualidade espectral da
imagem, sendo quase nula a sua influencia na resolução espacial.
Esta técnica apresenta bons resultados quando combinada com imagens que não tenha
grandes diferenças na resolução espacial, como na fusão das imagens do satélite
Landast e SPOT, porém é diferente na combinação entre imagens com grande diferença
de resolução espacial, como Landsat 7 e IKONOS II.
4.2.3 – A CLASSIFICAÇÃO DIGITAL
Esta etapa consistiu na classificação das feições de uso e cobertura do solo que
interessam à construção viária e ao planejamento urbano. Como foi discutido no
capítulo 2, a classificação das imagens do Landsat 7 e do SPOT 4 não apresentam
grande avanços para a classificação dos elementos urbanos, necessitando de dados
externos para se obter algum resultado mais detalhado. Por isso, optou-se pela
classificação apenas da imagem do IKONOS – II, procurando analisar os avanços que
estes dados de alta resolução trazem para a classificação digital da área urbana. Para
tanto, fez-se esta classificação com um programa que possibilita utilizar várias
informações da própria imagem, e o aplicativo escolhido foi o eCognition (Definiens)
que faz a classificação digital através de uma aproximação direcionada, avaliando
também as relações de forma, tamanho, vizinhança e hierarquia.
4.2.4 – VIRTUAL GIS
Após a classificação foi feito um cruzamento da imagem do IKONOS II com os dados
topográficos no módulo do ERDAS, denominado de Virtual GIS (versão 8.5), que
possibilita fazer uma visualização em 3 D, permitindo ao analista ter uma visão de
conjunto da área de estudo, além de possibilitar a realização de simulações de vôo sobre
a área. Esta ferramenta pode ser interessante para o planejamento urbano e construção
de rodovias.
102

CAPÍTULO 5
5 – RESULTADOS E DISCUSSÕES
Nesta seção são mostrados os resultados obtidos em cada um dos itens da metodologia
usada neste trabalho, enfocando principalmente o mapeamento do uso e cobertura do
solo, de acordo com a seguinte seqüência: extração de características estatísticas,
correção geométrica, processamento digital (realce e transformação no espaço de cores),
e classificação.
5.1 – EXTRAÇÃO DE CARACTERÍSTICAS ESTATÍSTICAS
No contexto de pré-processamento de imagens, a extração de características das
imagens refere se a extração de características estatísticas das bandas, ou a combinação
dos valores das bandas, que trazem informações concisas da variação sistemática da
cena. Esta extração pode ser feita através da matriz de co-variância e de correlação,
obtida dos parâmetros Principais das Componentes Principais do SPRING (versão 3.5).
O eixo central da matriz de co-variância (destacado na cor verde), permite verificar as
medidas de tendência central entre as imagens. De acordo com a Tabela 5.1 verificou-se
que as bandas 7, 5 e 3 apresentaram as maiores variâncias (destacado na cor verde). Na
matriz de correlação nota-se que a banda 1 apresenta alta correlação com a banda 2,
com valor acima de 0,9 (vide Tabela 5.1, destacado na cor cinza), ou seja estas duas
bandas tendem a duplicar informações. O mesmo ocorre entre a banda 2, 3 e 7; entre a
banda 3 e 7, e entre a banda 5 e 7. Neste caso, para futuros processamentos digitais,
pode-se utilizar apenas as bandas 1, 4 e 7, por serem aquelas que contém maior número
de informações. Há certa dependência dos tipos de alvos existentes nas cenas, por isso
as bandas 2, 3 e 5 apresentam informações correlatas à banda 7, enquanto que a banda 1
apresenta alta correlação com as bandas 2 e 3, e um relacionamento razoável com a
banda 7. Por outro lado, a banda 4 mostra baixo relacionamento com as demais bandas
(destacado na cor verde). Assim sendo, nos demais processamentos digitais de imagem
foram usadas apenas as bandas 1, 4 e 7.
103

A escolha destas bandas por extração de características pode ser constatada em Penido
(1998), em que o autor, após vários processamentos de imagem, constatou que as
bandas 1, 4 e 7 obtiveram os melhores resultados para a classificação das feições
urbanas.
TABELA 5.1: MATRIZ DE SIMILARIDADE DAS BANDAS DO TM DO
LANDSAT 7
Matriz de co-variância
1 2 3 4 5 7
1 97.64 104.10 162.37 15.32 144.25 181.11
2 104.10 122.91 202.89 26.29 194.89 232.43
3 162.37 202.89 357.27 35.82 355.44 416.74
4 15.32 26.29 35.82 182.27 136.38 47.98
5 144.25 194.89 355.77 136.38 481.73 466.64
7 181.11 232.43 416.74 47.98 466.64 535.16
Matriz de correlação
1 2 3 4 5 7
1 1.000
2 0.950 1.000
3 0.869 0.968 1.000
4 0.115 0.176 0.140 1.000
5 0.665 0.801 0.857 0.460 1.000
7 0.792 0.906 0.953 0.154 0.919 1.000
5.2 – CORREÇÃO GEOMÉTRICA
O primeiro passo na execução da correção geométrica das imagens foi determinar a
transformação geométrica, descrita no capítulo 4, e seguida pela coleta dos pontos de
controle. A correção geométrica da imagem do Landsat 7 foi feita no SPRING (INPE,
versão 3.5), sendo coletados 31 pontos de controle, selecionados visualmente, ao longo
de rodovias, cruzamentos, lagos, viadutos e rios (Figura 5.1). Dos 31 pontos, 10 foram
usados como pontos para teste, tendo erros dos pontos de controle de 0,35 pixel, e erros
do ponto de teste de 0,37 pixel, o que equivale a 10,5 m e a 11,1 m respectivamente. A
coleta dos pontos foi feita numa área maior para garantir a correção dos dados, e com os
pontos de controle foi efetuado o mapeamento com o polinômio de 1º grau.
104

Fig. 5.1 – Área de estudo mostrando a localização dos pontos de controle coletados.
Composição colorida da imagem do Landsat 7 – 3- B, 5 – G e 4 – R.
O registro da imagem do satélite SPOT 4 foi realizado a partir das imagens do Landsat
7, com erros de ponto de controle de 2,4 m., e erros no ponto de teste de 1,8 m. A Figura
5.2 mostra o resultado da correção geométrica com os dados digitais da DERSA. A
figura 5.2 mostra três mapas-imagens da área onde será implantado o setor Leste do
RODOANEL. Os dados vetoriais da rede viária foram adquiridos do DERSA. O mapaimagem
A mostra a rodovia Ayrton Senna, no município de Itaquaquecetuba. O mapaimagem
B apresenta a região da foz do Rio Guaió, localizado na divisa dos municípios
de Suzano, Poá e Ferraz de Vasconcelos. Finalmente o mapa-imagem C visualiza o vale
do Rio Guaió.
105

Fig. 5.2 –Correção geométrica da imagem Spot 4 com os dados digitais do Dersa.
Por último, foi realizada a correção da imagem do IKONOS II, com exatidão de 50 m
CE 90, Geo, usando o aplicativo ERDAS (versão 8.5), cujo erro médio quadrático
(RMS) foi de 0,60 m, sendo que o resíduo máximo médio na coordenada Y foi de 0,45,
de 0,76 na coordenada X. Na correção da imagem do IKONOS II ocorreram dois
problemas. O primeiro foi devido à diferença de sua resolução com as imagens de
referência (imagem usada para a coleta dos pontos de controle), ou seja, da imagem do
SPOT 4, já registrada. A diferença de resolução causa um problema na locação do ponto
em ambas as imagens, como pode ser visto na figura 5.3.
Nesta figura, o ponto de controle foi coletado no cruzamento de duas rodovias. Na
imagem do IKONOS II é nítida a presença das duas rodovias marginais ao rio e o
cruzamento. Por outro lado, na imagem SPOT 4, a coleta do ponto fica difícil de ser
efetuada, pois não se consegue distinguir as rodovias marginais, e a rodovia também se
confunde com as quadras, permitindo a identificação apenas da feição do cruzamento
(uma linha branca desfocada), dificultando assim a locação do ponto e a sua precisão.
Por isso, procurou-se fazer a correção da imagem do IKONOS II com as fotografias
aéreas, que possuem as mesmas coordenadas das imagens anteriormente mencionadas.
106

Fig. 5.3 – Locação de pontos de controle na Imagem do IKONOS II.
Outro problema da correção de imagens do IKONOS levantado por Toutin e Cheng
(2000) refere-se ao método polinomial adotado, que faz correções na vizinhança dos
pontos de controle, e assim, a avaliação e a exatidão do dado, que mostra apenas os
resíduos nos pontos de controle é tendencioso. Portanto, onde se encontra localizado o
ponto de controle, há pequenos erros, que aumentam na medida em que se vai
distanciando do ponto de controle. Este efeito é parecido com aquele que ocorre com
nas fotografias aéreas, ou seja, distorção centrífuga. A Figura 5.4 ilustra o este problema
do deslocamento. Na figura à esquerda aparece o local onde foi coletado um ponto de
controle e que apresenta uma ótima exatidão geométrica, porém a figura a direita é uma
área próxima deste ponto, e que já apresenta erros de erros de aproximadamente 4,5 m.
de deslocamento.
Os erros encontrados na imagem corrigida do IKONOS II atingem até 6 m,
apresentando os mesmos erros da imagem Precision, vendida pela empresa Space
Imaging, que tem exatidão de 4 m CE 90, ou seja, exatidão posicional circular com um
nível de certeza de 90%. Isto se deve ao fato da área em estudo ser considerada
pequena, e com relevo moderadamente acidentado.
107

Fig. 5.4 – Deslocamento na correção geométrica na imagem do IKONOS II.
Para finalizar as etapas de pré-processamento, a correção atmosférica e radiométrica não
foram feitas, pois estas correções são aplicadas em estudos de comportamento espectral.
Para a identificação de feições urbanas, este tipo de correção, não demonstra muita
alteração visual. Assim por exemplo, a figura 5.5 apresenta duas imagens do Landsat 7
ETM+, sendo uma sem correção radiométrica (A) e a outra corrigida radiometricamente
(B). Visualmente as diferenças entre as imagens são praticamente nulas. A correção
efetuada sobre a imagem foi a calibração do sistema sensor. Segundo Mather (1999), os
valores de calibração do sensor são obtidos com um pré-lançamento do satélite, onde
são extraídos os dados de campo e inseridos num programa de processamento digital de
imagens. Mather (1999) indica ainda que esta calibração varia com o tempo. Para a
correção de calibração utiliza-se a seguinte expressão para ajustar os sensores
multiespectrais do Landsat 7, nas bandas 1, 4 e 7:
G 1 = (-7,84 x 10 -5 )D + 1,409 (9)
G 4 = (-1,10 x 10 -5 )D + 1,080 (10)
G 7 = (7,15 x 10 -5 )D + 15,63 (11)
108

Onde: D significa o número de dias desde o lançamento do satélite. O coeficiente de
ganho é usado na equação é L * n = (PV – offsets)/G n Onde L * n , denota a radiância
aparente do sensor, enquanto que PV é o valor do pixel, G n é o ganho do sensor e os
offsets tem os seguintes valores: para a banda 1 - 2,523, para a banda 4 - 1,854 e para a
banda 7 - 2,633.
Mascarenhas e Velasco (1984), consideram que a correção das distorções atmosféricas
(“espalhamento”) pode ser minimizada simplesmente subtraindo um valor constante do
nível de cinza de todos os pontos da imagem, saturando em 0 os valores negativos, ou
mais baixos, por exemplo, os corpos de água, e saturando em 255 os valores positivos,
ou mais altos, por exemplo, os bancos de areia.
Fig. 5.5 – Imagem do Landsat 7, cena A sem correção atmosférica, cena B com
correção atmosférica. Local: aeroporto de Guarulhos/SP.
5.3 – PROCESSAMENTO DIGITAL
A transformação que modifica o valor dos níveis de cinza que visa corrigir alguma
distorção sofrida na imagem IKONOS II usada neste trabalho foi o realce de imagens,
onde o novo valor do ponto depende somente do valor antigo deste ponto. O realce
procurou acentuar as nuances radiométricas entre os elementos urbanos, tornando-os
passíveis de identificação visual e auxiliando assim nos procedimentos posteriores.
109

No histograma das imagens foi aplicada a função Gaussiana, ou normal, sendo
estabelecidos os seguintes parâmetros: média igual a 85 e comprimento de 200, e como
menor e maior valor 25 e 230, respectivamente. A figura 5.6 mostra a imagem realçada,
e o seu respectivo histograma, e em cinza está representado o histograma de origem. Ao
longo da linha gaussiana foram colocados pontos para definir a área de distribuição do
histograma.
Existe uma variedade de tipos de aumento de contraste e cada um deles se aplica de
forma mais eficiente a determinadas situações. Para este caso, a transformação do
histograma pelo método Gaussiano resolveu a questão, produzindo uma imagem com
boa qualidade visual, o que ajuda na sua interpretação e identificação das características
da cena (Figura 5.6).
Fig. 5.6 – Realce da imagem do IKONOS II e seu respectivo histograma. Local –
Refinaria de Santo André/SP.
A etapa seguinte do processamento de imagens foi a transformação do espaço de cores
em todas as imagens. A primeira transformação foi feita com as bandas multiespectrais
do Landsat 7, resolução espacial (r.e.) de 30 m., com a banda pancromática do mesmo
satélite, r.e de 15 m, tendo como resultado uma imagem multiespectral com r.e. 15 m,
como mostra a Figura 5.7-A. Assim, pode-se fazer mapeamentos até a escala de
110

1:25.000. A outra transformação no espaço de cores foi efetuada da mesma forma,
trocando apenas a imagem pancromática do Landsat 7, pela imagem pancromática do
SPOT 4, r.e. de 10. O resultado é uma imagem multiespectral com r.e. de 10 m (Figura
5.7-B). Um problema verificado nesta transformação é que as áreas de mata e/ou áreas
com declividade acentuada aparecem muito escuras, impossibilitando a visualização
destas áreas e até mesmo o reconhecimento das feições. Este efeito pode ser observado
comparando a área de vegetação da Figura 5.7-A com a Figura 5.7-B. A transformação
no espaço de cores foi à direita realizada na imagem do IKONOS II, combinando a
banda pancromática, com r.e. de 1 m, com as bandas multiespectrais, r.e. de 4 m.,
obtendo-se como resultado uma imagem multiespectral com r.e. de 1 m (Figura 5.7-C).
Nesta imagem é possível efetuar a discriminação das feições temáticas,
desconsiderando-se a exatidão da localização das feições urbanas, na escala de 1:2000.
Fig. 5.7 – Transformação no espaço de Cores.
A partir destas combinações, foi efetuado este tipo de transformação no espaço de cores
entre a imagem pancromática do IKONOS II com as imagens multiespectrais do
Landsat 7 (Figura 5.8). Observando-se a área total de estudo (escala 1:150.000),
percebe-se o aumento de detalhes na imagem. Na escala de 1:25.000, ocorre uma
distorção focal, e nas regiões onde há alta ou baixa freqüência ocorre a perda de
detalhes. Áreas urbanas melhor perceptíveis na imagem do Landsat 7 como, rodovias e
áreas abertas, apresentam melhor visualização, por outro lado nas regiões urbanas
111

conurbadas, onde há grande mistura de pixels, ocorre uma grande perda de informações.
Ao visualizar a imagem na escala 1:4.000, começam a aparecer os pixels da imagem
multiespectral do Landsat 7. Nesta escala a coloração dos objetos é totalmente
distorcida, a ponto de apresentarem deformações.
Fig. 5.8 – Transformação no espaço de cores das imagens IKONOS II, pancromática
com a imagem do Landsat 7, multiespectral.
5.4 – CLASSIFICAÇÃO
Para se fazer a classificação digital foram inicialmente analisadas as fotografias aéreas,
cedidas pela empresa Imagem Sensoriamento Remoto Ltda, o que permitiu o
reconhecimento dos diferentes tipos de uso e cobertura do solo na área de estudo, de
importância para a construção civil, acrescentando algumas classes de importância para
a urbanização. A partir daí, foram elaboradas as chaves de interpretação e de
classificação das imagens. Através das fotos aéreas foram identificados os alvos urbanos
e coberturas vegetais, que forneceram uma visão geral da região. A área de estudo foi
caracterizada assumindo-se que estes alvos são representativos de todas as classes de
uso e cobertura do solo desta região.
112

A área de estudo, tem uma área total de 133 km 2 sendo que a área urbana corresponde a
uma mancha quase contínua que pode ser caracterizada pela variação interna de sua área
quanto aos tipos de uso, pela intensa conurbação entre os municípios e pelas zonas
industriais. A conurbação é apresentada na Figura 5.9, onde não se consegue mais
visualizar os limites dos municípios de São Paulo, Santo André e Mauá.
Fig. 5.9 – Conurbação da Grande São Paulo, setor Leste, vista pela imagem do
IKONOS II.
Antes de realizar a classificação digital da imagem efetuou-se uma interpretação visual
como descrito no item 2.5, o que permitiu identificar e caracterizar alguns alvos através
de sua relação com outros alvos e características de como eles aparecem na imagem,
permitindo identificar e classificar alvos semelhantes localizados ao longo da imagem.
Considerando o objetivo de se fazer uma classificação digital da área construída, onde é
recomendado o uso de imagens com resolução entre 0,3 e 1 m, como descrito no item
2,3, a classificação apresentada neste trabalho foi realizada somente com a imagem do
IKONOS II, por ser a única imagem usada empregada neste trabalho que tem resolução
espacial adequada para este tipo de classificação. O processo de classificação digital
113

desta imagem foi efetivo no programa eCognition, versão DEMO 2.1. Foi utilizado este
programa por apresentar novos parâmetros adequados para a classificação de imagens
de alta resolução.
Por ser um demonstrativo, o programa apresentou algumas limitações, como: o tamanho
máximo para a classificação é de 1.048.576 pixels, independente da resolução espacial e
radiométrica, e não permitem o salvamento das imagens classificadas. Por isso, a
classificação foi efetuada numa região que apresenta vários alvos urbanos, tais como:
área arbórea com dossel em diferentes alturas, solo exposto, quadras poli-esportivas,
clubes, quadras, logradouros, rodovia, área industrial e galpões, como mostra a Figura
5.10.
A classificação foi realizada na composição colorida RGB.
Fig. 5.10 – Área teste da classificação feita com o aplicativo eCognition (versão 2.1).
A primeira etapa da classificação com o eCognition consistiu na segmentação multiresolução,
onde são considerados os parâmetros: níveis de segmentação, critério de
homogeneidade, o modo de segmentação e o parâmetro escalar. Os valores destes
parâmetros foram gerados automaticamente pelo programa. Foram gerados 15 níveis
114

hierárquicos de segmentação, sendo utilizados para todos os níveis o modelo de
segmentação “normal” (por permitir maior liberdade para trabalhar com os parâmetros
escalares), e o critério de homogeneidade (usado para minimizar a heterogeneidade dos
objetos), que se constituem de três parâmetros: cor 0,8, smoothness (suavidade) 0.9 e
compactness (compactação) 0,1. Estes dois últimos constituem as informações sobre a
forma dos objetos. A única mudança feita em cada nível foi com relação ao parâmetro
escalar, que determina o máximo de heterogeneidade dos objetos na imagem resultante,
como mostra a Figura 5.11.
Fig. 5.11 – Níveis de segmentação com seus respectivos valores escalares. P.e. =
parâmetro escalar.
115

A vetorização por polígonos é de grande importância, especialmente o grau de abstração
dos polígonos, que se baseia nos parâmetros especificados a seguir:
• Base poligonal – define o limiar de abstração da base poligonal, que foi de 2.25.
Aqui se pode ativar o remove slivers (filtros passa-baixa), para evitar alguma
interseção com as bordas dos polígonos adjacentes.
• Forma poligonal – caracteriza o grau de abstração do formato dos polígonos que
são independentes da estrutura topológica, que foi 2.
Uma característica importante dos polígonos no aplicativo eCognition é a sua
independência da estrutura topológica da imagem, ou do nível hierárquico em que eles
foram gerados, possibilitando descrever melhor o objeto, pela sua forma.
Conseqüentemente, com os polígonos podem-se gerar novas informações sobre as
características de sua forma, como área, perímetro e número de bordas. Assim, por
exemplo, um polígono de um galpão, terá um tamanho maior que das casas e com 4
bordas. Estas informações entram em forma de expressão, auxiliando na classificação
da imagem, como mostra a Figura 5.12.
Fig. 5.12 – Classificação dos objetos com base nos polígonos.
116

Para a classificação, usando o aplicativo eCognition, precisa-se passar ainda por três
fases: conhecimento das características dos objetos, lógica fuzzy e operadores lógicos,
procurando comparar e analisar um ou todos os objetos a serem classificados.
O aplicativo eCognition fornece uma tabela denominada de Informação dos objetos na
imagem, onde estão todas as informações das características de um determinado objeto,
seus valores na banda, sua forma e o seu relacionamento com os objetos vizinhos.
Assim, por exemplo, a Figura 5.13 mostra as características da classe Galpão. Estes
elementos não foram classificados como uma “Indústria” pelo fato destas grandes
construções servirem para o culto religioso, um fenômeno que ocorre muito na periferia
das grandes cidades brasileiras. As primeiras informações referem-se aos seus valores
em cada banda, como brilho, média, desvio padrão, entre outros. Esta classe apresenta
informações sobre sub-objetos e super-objetos baixos ou quase nulos, pois ela não
apresenta subdivisão e faz parte de um super-objeto, ou seja, não é um super-objeto.
Fig. 5.13 – Características da classe galpão na imagem de Satélite.
117

Além desta a característica, pode-se analisar e comparar os atributos dos objetos nas
imagens através da seleção de características, a característica espacial em 2 dimensões e
o editor por amostragem. Na seleção de características visualizam-se as propriedades do
objeto selecionado da imagem num gráfico, denotando um intuitivo acesso para a
peculiaridade de uma certa característica sobre todos os objetos na cena. Ressalvadas as
características espectrais, pode-se analisar outras características úteis para a
classificação, como vizinhança, forma, área. Cada objeto possui um valor de nível de
cinza (em cada banda) conforme o valor da característica que é selecionado na
visualização. Assim por exemplo, a classe solo desnudo tem uma representação maior
na banda 1 (banda azul), do que nas outras bandas, como pode ser visto na Figura 5.14.
Esta característica se torna importante no momento da escolha de separar este objeto de
outros. Em adição a esta informação, pode-se editar outras características, como as
amostras escolhidas em campo ou extraídas de radiômetros.
Fig. 5.14 – Características dos objetos da classe solo exposto com a proporção da classe
na primeira banda (Azul).
118

Por outro lado, a característica espacial em 2 dimensões possibilita visualizar a posição
de todos os objetos, não somente as características espectrais, mas também todas as
características disponíveis no eCognition. Esta ferramenta pode ser usada para analisar a
correlação de duas características, por exemplo, caso elas possuam alta correlação, uma
delas pode ser descartada. Além disso, a característica espacial pode ser utilizada para
informar onde um certo objeto, ou um grupo de objetos, está situado nas características
espaciais da cena. A Figura 5.15, por exemplo, mostra as características espaciais em 2
D, do quinto nível hierárquico. No eixo X foi colocada a característica referente ao
número de bordas, polígonos; no eixo Y a característica de Brilho, sendo avaliadas as
classes de Vegetação, Galpão, Solo Exposto e Água. Nota-se os galpões (em tons de
cinza), aparecem com um baixo brilho, as classes de vegetação apresentaram uma certa
mistura com relação ao brilho, tendo um brilho médio baixo para estas classes, enquanto
o solo exposto e a água apresentaram brilho mais alto. Portanto, o brilho relacionado
com a borda (polígonos) auxilia na separação entre as classes Galpões, Solo Exposto,
por outro lado, este relacionamento já não ajuda na separação das classes de Água e
Solo Exposto, e entre Vegetação e Galpão.
Fig. 5.15 – Descrição das características espaciais das classes na cena.
119

O editor por amostragem gráfico mostra, por meio de histogramas, as características de
um objeto selecionado na imagem, num certo nível hierárquico, ou compara este objeto
com outras classes. Esta ferramenta é muito usada para comparar os atributos ou os
histogramas de um objeto na imagem e o seu relacionamento com outras classes. A
Figura 5.16 traz um exemplo prático de sua aplicação. A figura mostra a distribuição da
classe “solo exposto”, em cada banda espectral, em relação a sua média, desvio padrão,
proporção entre outras características. Assim por exemplo, a média da classe solo
exposto apresenta-se bem distribuída na banda 2, enquanto que a sua proporção com as
demais classes na banda 2 aparece bem concentrada. Portanto, a média desta classe na
banda 2 auxilia na sua classificação, por outro lado a característica de proporcionalidade
na banda 2 pode acarretar dificuldades para a sua classificação.
Fig. 5.16 – Características da classe solo exposto em cada banda.
Com estas informações sobre os elementos contidos na imagem, pode-se fazer a
classificação e a seleção das classes. A classificação no aplicativo eCognition baseia-se
na lógica fuzzy, conforme descrito no capítulo 2. Foram criadas 14 classes, procurando-
120

se classificá-las de acordo com as características mencionadas anteriormente. Como nos
níveis hierárquicos, pode-se fazer também uma hierarquia de classes, que é a base para
o conhecimento da classificação no aplicativo eCognition. O programa contém todas as
classes de um esquema de classificação e segue a organização da sua hierarquia. A
classe hierárquica é uma ferramenta importante para definir a semântica das classes,
ajudando também para minimizar a complexidade de uma classificação. A classificação
hierárquica segue o mesmo modelo adotado na classificação do uso e ocupação do solo
das concepções de Anderson et al. (1976), Jensen e Cowen (1999) e Taco et al. (2000),
como mostra a Figura 5.17.
Fig. 5.17 – Classes Hierárquicas.
Para cada classe é necessário informar as suas propriedades, o que é feito através de
expressões aritméticas, como mostra a Figura 5.18-A. A Figura 5.18-B traz como
exemplo os requisitos usados para fazer a classificação da classe “gramínea”. Para a sua
classificação foram analisados o comprimento de suas bordas, a densidade, o seu
relacionamento com as outras classes, principalmente com as classes de Vegetação,
entre outras. Esta classe foi desmembrada da classe Vegetação Rasteira, por que onde se
encontram Gramíneas, apresenta-se a característica visual de uma superfície mais lisa.
121

Para se fazer esta distinção foi colocado como expressão a similaridade existente entre
estas classes e o que esta classe herdou da sua classe original, como a sua proporção de
rugosidade na segunda banda (verde).
Fig. 5.18 – Diagrama A mostra as expressões usadas para distinguir uma classe de
outra; Diagrama B mostra as expressões usadas para distinguir e
identificar a classe “gramínea”.
A regra básica da classificação pela lógica fuzzy consiste de uma ou mais condições que
são combinadas por operadores. Para incluir a quantidade de classes à regra fuzzy, devese
definir as características de cada classe, o relacionamento entre as classes, o
comprimento que a classe possui na cena, número de bordas (por exemplo, uma casa ou
galpão tem sempre quatro lados, ou bordas), A função de quantificar as classes tem
como objetivo descrever o relacionamento entre os objetos, tal como o surgimento de
um objeto num certo ambiente. Esta função pode ser diagnosticada através do método
por vizinho mais próximo, gerado através de amostragem, ou um dialogo entre as
classes que tem uma interface gráfica entre as classes.
122

A Figura 5.19 mostra a classificação digital da imagem feita no sexto nível hierárquico.
Esta classificação apresentou bons resultados, principalmente no que se refere à
vegetação que teve boa discriminação entre as classes. Por outro lado, as classes
urbanas, nesta resolução ainda apresentam problemas, como por exemplo, o tipo de
material utilizado para a identificação e separação da classe “Residencial” com da classe
“Logradouro”, havendo conflito para a sua classificação.
Fig. 5.19 – Sexto nível hierárquico classificado.
5.6 – VIRTUAL GIS.
O virtual GIS é um módulo do aplicativo ERDAS capaz de fazer simulações
tridimensionais (3D), de acordo com as características cartográficas adotadas. Esta etapa
do trabalho foi feita apenas numa área teste, pois este programa necessita de muita
memória virtual. As características e os parâmetros adotados para se efetuar esta etapa
foram os mesmos aplicados na visualização do relevo em 3D, sendo apenas inserida a
123

imagem. Este aplicativo possibilita também fazer uma simulação de vôo, sendo
necessário fazer o percurso na imagem em 2D para em seguida projetar o percurso na
imagem em 3D. A Figura 5.21 mostra a área teste e o percurso do sobrevôo, para o qual
foram coletados 46 pontos, passando por uma rua e seguindo o seu trajeto entre
industrias e relevo acidentado.
Fig. 5.21 – área teste do Virtual GIS, com os pontos de sobrevôo.
124

Cada um destes pontos possui características semelhantes ao de um helicóptero, como
coordenadas, altura do vôo, azimute, campo de visada, variação lateral e na frente. A
figura 5.22 mostra dois pontos, o 18 e 45, e abaixo as características do ponto 18.
Fig. 5.22. – Características dos pontos de enlace da trajetória de vôo.
125

126

CAPÍTULO 6
6 - CONCLUSÕES E RECOMENDAÇÕES
A metodologia apresentada neste estudo mostrou-se adequada aos procedimentos
realizados na fase de reconhecimento de projetos de engenharia rodoviária, podendo ser
aplicada em todas as fases da implementação de uma rodovia, desde a escolha do
traçado como para os estudos de viabilidade do traçado.
As técnicas de sensoriamento remoto e de geoprocessamento usadas neste trabalho
podem ser aplicadas em qualquer estudo de implementação viária, pois cada projeto de
engenharia é único num ou mais aspectos, mas a funcionalidade e os métodos básicos
de análise da imagem são similares em todos os projetos. As imagens de sensoriamento
remoto de alta resolução podem ser utilizadas para:
1) Identificar as restrições físicas e ambientais na região de estudo que, podem ser
resumidas em mapas temáticos isolados, buscando os melhores locais para a
definição do traçado viário, locação dos equipamentos e ferramentas para a
construção da rodovia, bem como para qualquer obra de construção civil (por
exemplo, pontes, viadutos, túneis);
2) Com o Virtual GIS pode-se fazer uma análise da construção de rodovias,
residências, edifícios, analisando o relevo, e por meio de simulações
planimétricas com o relevo, averiguar como ficará o relevo depois de ser
alterado e quais serão os impactos ambientais; e
3) O mapeamento e a classificação são confirmados por meio de fotografias aéreas,
ou visitas de campo a locais com dúvidas, realizando-se a análise e
identificando-se o problema num determinado local.
O uso destas técnicas de sensoriamento remoto e as ferramentas de geoprocessamento
podem resultar em economia de tempo e de recursos financeiros, devido a rapidez com
que os mapas temáticos pode ser confeccionados e editados, bem como a rapidez com
que podem ser avaliadas e simuladas a construção de uma rodovia, de edifícios,
127

esidências, indústrias, entre outros. Estes benefícios são mais evidenciados na medida
em que é dinamizada a ocupação urbana na região, quando alterações substanciais no
uso e ocupação do solo são verificadas em curtos intervalos de tempo.
Na construção viária, as imagens de alta resolução atendem às necessidades da
implementação viária, desde as diretrizes gerais, até a escolha do traçado, pois a partir
desta etapa, inicia-se a locação, com reconhecimento de campo e de detalhamento
rigoroso da área. Por outro lado, as técnicas de geoprocessamento, como o Virtual GIS
possibilitam fazer a simulação de aterros, pontes, viadutos, túneis, estudos
planialtimétricos; bem como estimar os impactos ambientais causados pela rodovia, e
avaliar a rodovia como um atrativo imobiliário, ou seja, a tendência do crescimento
urbano em torno da rodovia.
A organização e o desenvolvimento urbano local e regional podem ser monitorados por
meio de imagens, inseridas num aplicativo de processamento digital de imagens,
criando um banco de dados com indicadores sócio-econômicos, adquiridos do IBGE ou
órgãos públicos locais. As imagens de satélite de alta resolução podem auxiliar no
monitoramento da expansão urbana horizontal e/ou vertical, além de mudanças
interurbanas, podendo-se fazer um monitoramento com imagens temporais, auxiliando
nas tomadas de decisão dos órgãos públicos.
No que se refere ao meio ambiente, a integração dos modelos digitais de terreno (MDT)
em conjunto com as ferramentas disponíveis nos Sistemas de Informações Geográficas
abre as portas a diferentes métodos de representação da realidade e da simulação de
processos que complementam de forma importante a capacidade clássica dos SIG’s para
o manejo da informação temática. Como já foi colocado neste trabalho, um dos aspectos
de maior interesse dos MDT, é a possibilidade de se realizar simulações de processos,
procurando a melhor maneira de representar a capacidade ambiental e realizar
experimentos independentemente de sistemas reais. Um aspecto importante da
simulação é que ela permite verificar os riscos inerentes ao experimento, alcançando
uma completa independência temporal – os processos podem ser acelerados ou
retardados – e pode-se repetir o experimento quantas vezes for necessário, constatando-
128

se os erros potenciais e corrigindo-os. Por exemplo, as características topográficas de
uma área com declive acentuado determinam como serão as construções civis (por
exemplo, casas, edifícios, rodovias), e até mesmo o tipo de planta. O MDT contém
informações suficientes para definir quais as medidas necessárias para a realização da
obra, a quantidade de terra necessária para se fazer um aterro, diagnosticando se é viável
a sua construção, ou pelo menos realizando uma aproximação das propriedades reais do
terreno.
Atualmente, há grandes avanços na área de sensoriamento remoto e novos sensores de
ata resolução estão sendo lançados, como por exemplo, o QuickBird 2, com resolução
espacial de 0,70 m. Outras empresas buscam alcançar melhor resolução de seus
sensores, tanto as resoluções espaciais, temporal, espectral e radiométrica. A DLR –
Deutsches Zentrum für Luft – und Raumfahrt (Centro Alemão de Pesquisas Espaciais),
por exemplo, lançou no mercado a câmara imageadora digital HRSC-A (High
Resolution Stereo Camara – Airborne), que ao invés de tirar fotografias aéreas como
uma câmara convencional, possui um sistema de varredura instantânea, semelhante ao
sistema do satélite SPOT, eliminando os problemas de distorções radiais das aerofotos
convencionais. Resulta disso, que se pode utilizar até 90% da área útil de uma imagem
do HRSC-A, contrastando com apenas 50% numa aerofoto obtida por fotogrametria
convencional.
Estes avanços em sensoriamento remoto refletem avanços também nos Sistemas de
Informações Geográficas. Novos conceitos vão surgindo, como o sistema desenvolvido
no aplicativo eCognition, que possibilita fazer classificação orientada ao objeto. O
pacote do ERDAS apresenta diversos aplicativos, como o ORTHOBASE utilizado para
ortoretificar imagens orbitais e fotografias aéreas; o STEREO ANALYST que faz todo
o processo de restituição de fotografias aéreas (estereoscopia); o ExpertClassifier, que
possibilita fazer a classificação de imagens utilizando dados vetoriais e dados sócioeconômicos;
e por último o VIRTUAL GIS, para a modelagem tridimensional. Assim
por exemplo, o VIRTUAL GIS além de modelar a topografia, possibilita fazer
simulações da altura de prédios, casas, indústrias, entre outros (Figura 6.1). Desta
129

forma, empresas de telefonia poderão saber qual é o melhor local para a instalação de
suas antenas.
Fig. 6.1 – Possibilidades de uso do VIRTUAL GIS.
As imagens do satélite IKONOS II permitiram identificar as feições de uso e cobertura
do solo de importância para o planejamento urbano. A partir da imagem em conjunto
com as ferramentas do VIRTUAL GIS, é possível mapear elementos ambientais de
interesse para a construção civil. As imagens de alta resolução mostraram-se úteis para
o planejamento urbano, o que pode substituir o uso de fotografias aéreas. Em contra
partida, as fotografias aéreas tem uma característica muito importante que é a análise
feita com par estereocópico. A partir do satélite SPOT, os sistemas sensores orbitais
possuem esta ferramenta, mas que ainda foi pouco explorada devido ao seu alto custo.
Com relação ao processamento digital de imagens utilizado neste trabalho, conclui-se
que:
• As etapas de pré-processamento são importantes, desde a seleção das
características das imagens, diminuindo o tempo e o custo do processamento das
imagens, até a correção geométrica das imagens, fator fundamental para o seu
uso na construção civil. A correção geométrica entre uma imagem de média
130

esolução, com uma imagem de alta resolução não é aconselhável devido a
localização dos pontos de controle.
• A transformação no espaço de cores entre as imagens multiespectrais do Landsat
ETM+ com a imagem pancromática do satélite SPOT permitiu obter-se uma
imagem multiespectral com uma resolução melhor. Por outro lado, a
transformação das imagens do Landsat 7 ETM+ com a imagem pancromática do
satélite IKONOS II, apresentou problemas principalmente nas áreas de maiores
contrastes.
• A interpretação visual das imagens ainda é um recurso indispensável para a
produção de mapas temáticos. Com os avanços tecnológicos, como o
eCognition, que faz uma classificação orientada ao objeto, o conhecimento do
alvo a ser classificado é uma ferramenta eficaz para uma boa classificação.
• A classificação usando o aplicativo eCognition permite adicionar outras
características externas que complementam a classificação da imagem, como por
exemplo informações vetoriais. Estas informações adicionais são implementadas
na seleção de características, obtendo-se uma classificação mais precisa. No
entanto, a classificação usando o aplicativo eCognition apresenta um problema
que é o tempo de processamento. Numa área pequena, o tempo de
processamento para a segmentação em cada nível hierárquico foi de
aproximadamente 35 minutos. Isto se deve ao número de parâmetros utilizados
para se fazer a classificação.
• Um problema verificado na classificação das imagens do IKONOS II foi entre as
classes urbanas, principalmente nas classes “Logradouros” e “Residenciais”.
Este problema aparece principalmente nas casas localizadas em cruzamentos de
logradouros, ocasionado pelo material utilizado para a construção da residência,
iluminação, sombreamento. Para tanto, é necessário usar outro parâmetro que
discrimine estas duas classes.
131

É importante viabilizar as inovações tecnológicas do sensoriamento remoto e do
geoprocessamento nas diversas áreas profissionais onde é cabível a sua aplicação, de
modo que os estudos científicos possam contribuir com projetos e serviços onde haja
demanda de aplicação destas tecnologias. No Brasil, o planejamento urbano, bem como
as áreas ligadas às Ciências da Terra e a engenharia apresentam um vasto campo de
aplicação destas ferramentas, cabendo às instituições responsáveis pela transferência
destas tecnologias e aos usuários estarem atentos às necessidades do país e implementálas
no seu meio.
132

REFERÊNCIAS BIBLIOGRÁFICAS
Ab’Saber, A. N. O sítio urbano de São Paulo. In: Azevedo, A. ed. A cidade de São
Paulo: estudos de Geografia Urbana. São Paulo: Companhia Editora Nacional,
1958. v. 1. 245 p.
Ab’Saber, A. N. O Quaternário na Bacia de São Paulo; estado atual dos conhecimentos.
Geomorfologia, nº 8. São Paulo: USP. 1969. 15 p.
Almeida, F. F. M. O planalto paulistano. In: Azevedo, A. ed. A cidade de São Paulo:
estudos de Geografia Urbana. São Paulo: Companhia Editora Nacional, 1958. v I,
Cap 3, p 39-67.
Anderson, J. R.; Hardy, E.E.; Roach, J.T.; Witmer, R.F. Sistema de classificação de
uso da terra e do revestimento do solo para utilização como dados de
sensoriamento remoto. Trad. Harold Strang. Rio de Janeiro: IBGE. 1976. (). 78 p.
Antrop, M.; Eetveld, V. V. Holistic aspects of suburban landscapes: visual image
interpretation and landscape metrics. Landscape and Urban Planning. [on line]
26 Jan. 2001.
Aronoff, S. The minimum accuracy value as an index of classification accuracy.
Photogrammetric Engineering & Remote Sensing, v. 51, n.1, p. 99-111. Jan.
1985.
Azevedo, A. A cidade de São Paulo: estudos de Geografia Urbana. (os subúrbios
paulistanos). São Paulo: USP, 1958. v 4. 279 p.
Baatz, M.: Schäpe, A. Multiresolution Segmentation: an optimization approach for high
quality multi-scale image segmentation. In: Angewandte Geographische
Informationsverarbeitung XII. Heidelberg, 2000. Anais. Salzburg: Wichmann-
Verlag, 2000. p. 12-23.
133

Baraldi, A.; Parmiggiani, F. Urban area classification by multispectral SPOT data.
IEEE Transactions on Geoscience and Remote Sensing, v. 28, n. 4, p. 674-680.
July, 1991.
Barnsley, M. J.; Barr, S. L. Inferring urban land use from satellite sensor images using
kernel-based spatial reclassification. Photogrammetric Engineering & Remote
Sensing, v. 62, n. 8, p. 949-958. Aug. 1996.
Barr, D. J.; James, W. P. Civil engineering applications of remote sensing.
Transportation Engineering Journal of ASCE, v. 101, n. 2, p. 279-295, May,
1975.
Bauer, T.; Steinnocher, K. Per-parcel land use classification in urban areas applying a
rule-based technique. Geobit, n 6, p. 24-27. June, 2001
Blaschke, T.; Lang, S.; Lorup, E.; Strobl, J.; Zeil, P. Object-oriented image processing
in an integrated GIS/remote sensing environment and perspectives for environmental
applications. In: Cremers, A.; Greve, K. org. Environmental information for
planning, politics and the public, Metropolis. Marburg. v. 2, 2000. 555-570 p.
Bosque, J. Sistema de información geográfica: prácticas con PC ARC/INFO y
IDRISI. Barcelona: Rama. 1994. 250 p.
Bosque, J. Aplicaciones de la informatica a la Geografia y Ciencias Sociales.
Madri: Rustica, 1988. 316 p.
Buiten, H. J. General view of remote sensing as a source of information. In: Buiten, H.
J.; Clevers, J. P. W. ed. Land observation by remote sensing: theory and
applications. Australia: Gordon and Breach Science, 1993. vol. 3. Cap. 1. p 9-26.
Buiten, H. J.; Putten, B. van. Quality assessment of remote sensing image registration –
analysis and testing of control point residuals. ISPRS Journal of Photogrammetry
& Remote Sensing, v. 52, p 57-73. 1997.
134

Burrough, P. A. Geographical Information System techniques for linking remote
sensing images with other spatial data. In: Buiten, H. J. Clevers, J. G. P. W. org
Land observation by remote sensing: theory and applications. Australia:
Gordon and Breach Science Publishers, v. 3. 1993. 642 p.
Campbell, J. B. Introduction to remote sensing. 2. ed. New York: The Guilford
Press. 1996. 622 p.
Campos, R. A. Projeto de Estradas. São Paulo: Gremio Politécnico, USP, Escola
Politecnica. 1979. 164 p.
Canada Centre for Remote Sensing (CCRS). Fundamentals of Remote Sensing
Tutorial. [on line]
26 Jan. 2001.
Carlos, A. F. A. A (re)produção do espaço urbano. São Paulo: Edusp. 1994. 271 p.
Carvalho, M. P. Curso de Estradas. estudos, projetos e locação de ferrovias e
rodovias. Rio de Janeiro: Ed. Científica do Rio de Janeiro. 1966. 510 p.
Castro, I. E. de Problemas e alternativas metodológicas para a região e para o lugar. In:
Souza, M. A.; Santos, M.; Scarlato, F. C.; Arroyo, M. org. O novo mapa do
mundo. Natureza e sociedade de hoje: uma leitura geográfica. 3. ed. São Paulo:
Hucitec. 1997. 244 p.
Chavez Jr, P. S. An improved dark-object subtraction technique for atmospheric
scattering correction of multispectral data. Remote Sensing of Environment, v.
24, n. 3, p 203-214. Apr. 1988.
Christofoletti, A. Geomorfologia. 2. ed. São Paulo: Edgard Blücher. 1980. 188 p.
Chuvieco, E. Fundamentos de teledetección espacial. 3. ed. revisada. Madrid:
RIALP. 1996. 568 p.
135

Centre National d’Études Spatiales (CNES). SPOT 4. [on line]
05 Jul. 2000.
Congalton, R. G. Using spatial autocorrelation analysis to explore the errors in maps
generated from remotely sensed data. Photogrammetric Engineering and
Remote Sensing, v. 54, n. 5, p 587-592, May 1988a.
Congalton, R. G. A comparison of sampling schemes used in generating error matrices
for assessing the accuracy of maps generated from remotely sensed data.
Photogrammetric Engineering and Remote Sensing, v. 54, n. 5, p 593-600, May
1988b.
Congalton, R. G. A review of assessing the accuracy of classifications of remotely
sensed data. Remote Sensing of Environment, v. 37, n. 1, p 35-46, July 1991.
Congalton, R. G.; Green, K. Assessing the accuracy of remotely sensed data:
principles and practices. Boca Raton: Lewis, 1999. 137 p.
Corrêa, R. L. O espaço urbano. 3. ed. São Paulo: Ática. 1995. 94p. (Série princípios).
Coulter, L.; Stow, D.; Kiracofe, B.; Langevin, C.; Chen, D.; Daeschner, S.; Service, D.;
Kaiser, J. Deriving current land-use information for metropolitan transportation
planning through integration of remotely sensed data and GIS. Photogrammetric
Engineering & Remote Sensing, v. 65, n. 11, p. 1293-1300. Nov. 1999.
Couloigner, I.; Ranchin, T.; Wald, L. Extraction of urban network from high spatial
resolution imagery. In: Future trends in remote sensing, Rotterdam:
Gudmandsen, p 213-220. 1998.
Cowen, D. GIS versus CAD versus DBMS: What area the differences?
Photogrammetric Engineering & Remote Sensing, v. 54, n 12, p. 1551-1554.
Dez. 1988.
136

Cowen, D. J.; Jensen, J. R.; Bresnahan, P. J.; Ehler, G. B.; Graves, D.; Huang, X.;
Wlener, C.; Mackey, H. E. The design and implementation of an integrated
Geographic Information System for environmental applications. Photogrammetric
Engineering & Remote Sensing, v. 61, n. 11, 1393-1404. Nov. 1995.
Cowen, D. What is GIS?. [on line]
10 apr. 2001.
Crosta, A. P. Processamento digital de imagens de sensoriamento remoto.
Campinas: Unicamp, 1992. 170 p.
Definiens. User guide [on line] 20 Jan. 2002.
Desenvolvimento Rodoviária (DERSA). Rodoanel [on line].
05 Mar. 2001.
Dutra, L. V.; Foresti, C.; Meneses, P. R.; Kurkdjian, M. L. N. O. Utilização de
transformação IHS para integração de imagens de diferentes resoluções: estudo do
uso do solo urbano. In: Simpósio Brasileiro de Computação Gráfica e
Processamento de Imagem, 1., Petrópolis, 1988, Anais. p. 144-151.
Empresa Metropolitana de Planejamento da Grande São Paulo (Emplasa). Carta de
aptidão física ao assentamento urbano. guia de utilização. São Paulo. 1990a. 51
p.
Empresa Metropolitana de Planejamento da Grande São Paulo (Emplasa).
Itaquaquecetuba (SP): carta de aptidão física ao assentamento urbano. SF.23-
Y-D-I-3. Folha 44. São Paulo. 1990b. (Mapa Temático. 1:50.000).
Empresa Metropolitana de Planejamento da Grande São Paulo (Emplasa). Mauá (SP):
carta de aptidão física ao assentamento urbano. SF.23-Y-D-IV-1. Folha 43. São
Paulo. 1990c. (Mapa Temático. 1:50.000).
137

Empresa Metropolitana de Planejamento da Grande São Paulo (Emplasa).
Itaquaquecetuba (SP): carta geológica da região metropolitana de São Paulo.
SF.23-Y-D-IV-1. São Paulo. 1990d. (Mapa Temático. 1:50.000).
Empresa Metropolitana de Planejamento da Grande São Paulo (Emplasa). Mauá (SP):
carta geológica da região metropolitana de São Paulo. SF.23-Y-D-IV-1. São
Paulo. 1990e. (Mapa Temático. 1:50.000).
Felicísimo, A. M. Modelos digitales del terreno. Introducción y aplicaciones en las
ciencias ambientales [on line]. 05 may 2000.
Felicísimo, A. M. La utilización de los MDT en los estudios del medio físico. [on
line]. 16 pg, abril de 1999. [on line] 18 may
2001.
Forster, B. C. An examination of some problems and solutions in monitoring urban
areas from satellite platforms. International Journal of Remote Sensing, v.6, n.1, p
139-151, Jan. 1985.
França, A. O quadro climato-botânico. In: Azevedo, A. ed. A cidade de São Paulo:
estudos de Geografia Urbana. São Paulo: Companhia Editora Nacional, 1958. v. 1,
Cap 3, p. 69-111.
Gond, P.; Marceau, D. J.; Howarth, P. J. A comparison of spatial feature extraction
algorithms for land-use classification with SPOT HRV data. Remote Sensing of
Environment, v. 40, n. 2&3, p 137-151. Feb-Apr. 1992.
Goodchild, M. F.; Quattrochi, D. A. Scale, Multiscaling, Remote Sensing and GIS. p.
1-11. In: Quattrochi, D.A.; Goodchild, M. F. org. Scale in remote sensing and
GIS. Boca Raton: CRC Lewis. 1997. 406 p.
Gupta, R. P. Remote Sensing Geology. Berlin: Springer-Verlag. 1991. 356 p.
138

Haack, B.; Bryant, N.; Adams, S. An assessment of Landsat MSS and TM data for
urban and near-urban land-cover digital classification. Remote Sensing of
Environment, v 21, n 2, p. 201-213. Mar. 1987.
Hamburger, D. S. Utilização de Informações derivadas de características texturais de
imagens orbitais na definição de classes de uso do solo urbano. 123 p. (não
publicado). Dissertação (Mestrado em Sensoriamento Remoto) – Instituto Nacional
de Pesquisas Espaciais, 1993.
Haralick, R. C.; Shapiro, L. G. Image segmentation techniques. Computer Vision,
Graphics and Image Processing, v. 29, n. 1, p 100-132, Jan. 1985.
Harris, P. M.; Ventura, S. J. The integration of geographic data with remotely sensed
imagery to improve classification in an urban area. Photogrammetric Engineering
and Remote Sensing, v. 61, n. 8, p 993-998, Aug. 1995.
Hay, A. M. Sampling designs to test land-use map accuracy. Photogrammetric
Engineering and Remote Sensing, v. 45, n. 4, p 529-533, Apr. 1979.
Hinton, J. C. GIS and remote sensing integration for environmental applications.
International Journal of Geographical Information Systems, v. 10, n. 7, p. 877-
890. July, 1996.
Hoffmann, A. Neue Ansätze zur Auswertung und Klassifizierung von sehr
hochauflösenden Daten: Methoden der Segmentierung, der hierarchischen
Klassifizierung und der per-Parcel-Methode mit Daten der Digitalen Kamera
HRSC-A und ihre Anwendbarkeit für die Aktualisierung topographischer
Karten. Berlim. 200 p. Dissertação (Doutorado) – Universidade de Humboldt,
2001a.
Hoffmann, P. Detecting building and roads from IKONOS data using additional
elevation information. Geobit, n 6, p. 28-33. June, 2001b.
139

Instituto Brasileiro de Geografia e Estatística (IBGE). Itaquaquecetuba (SP). SF.23-
Y-D-I-3. MI-2768-3. Rio de Janeiro. 1984a (Carta Topográfica. Escala 1:50.000)
Instituto Brasileiro de Geografia e Estatística (IBGE). Mauá (SP). SF.23-Y-D-IV-1.
MI-2794-1. Rio de Janeiro. 1984b (Carta Topográfica. Escala 1:50.000).
Instituto Brasileiro de Geografia e Estatística (IBGE). Manual técnico de uso da terra.
Série Manuais Técnicos em Geociências. n. 7. Rio de Janeiro. 1997. 105 p.
Instituto de Pesquisas Tecnológicas do Estado de São Paulo (IPT). Mapa Geológico do
Estado de São Paulo. São Paulo. v1. 1981a. 126 p. (Série Monografias nº6).
Instituto de Pesquisas Tecnológicas do Estado de São Paulo (IPT). Mapa
Geomorfológico do Estado de São Paulo. São Paulo. v1. 1981b. 126 p. (Série
Monografias nº5).
Jensen, J. R. Introductory digital image processing: a remote sensing perspective.
New Jersey: Prentice-Hall. 1986. p 379.
Jensen, J. R.; Jackson, M. W. Introductory digital remote sensing image processing.
v. 3. modulo 1: The remote sensing process. [online]
22 Jan. 2001.
Jensen, J. R; Schill, S. R. Introductory digital remote sensing image processing. v.
3. modulo 2.1: analogue (hard-copy) image digitization. [on line] <
http://www.cla.sc.edu/geog/rslab/rsccnew/mod2/2-1/2-1.html> 30 Jan. 2001.
Jensen, J. R.; Cowen, D. J. Remote sensing of urban; suburban infrastructure and socioeconomic
attributes. Photogrammetric Engineering & Remote Sensing, v. 65, n.
5. p 611-622. May, 1999.
Jensen, J. R.; Cowen, D. J.; Halls, J.; Narumalani, S.; Schmidt, N. J.; Davis, B. A.;
Burgess, B. Improved urban infrastructure mapping and forecasting for Bell South
using remote sensing and GIS technology. Photogrammetric Enginnering &
Remote Sensing, v. 60, n. 3, p 339-346. Mar. 1994.
140

Ji, M.; Jensen, J. R. Effectiveness of sub-pixel analysis in detecting and quantifying
urban imperviousness from Landsat Thematic Mapper imagery. Geocarto
International, v. 14, n. 14, p. 1141-1157. Dec. 1999.
Joly, F. A cartografia. Campinas: Papirus, 1990. 136. pg
Kardoulas, N. G.; Bird, A. C.; Lawan, A. I. Geometric correction of Spot and Landsat
imagery: a comparison of map and GPS-derived control points. Photogrammetric
Engineering & Remote Sensing, v. 62, n. 10, p1173-1177. Oct. 1996.
Khorram, S.; Brockhaus, J. A.; Cheshire, H. M. Comparison of Landsat MSS and TM
data for urban land-use classification. IEEE Transactions on Geoscience and
Remote Sensing, v. GE-25, n. 2, p. 238-243. Mar. 1987.
Lillesand, T. M.; Kiefer, R.W. Remote Sensing and Image Interpretation. 3. ed.
New York: Ed. John Wiley & Sons. 1994. 750 p.
Lo, C. P.; Watson, L.J. The influence of geographic sampling methods on vegetation
map accuracy evaluaton in a swampy environment. Photogrammetric Engineering
and Remote Sensing, v. 64, n. 12, p. 1189-1200. Dec. 1998.
Martin, L. R. G.; Howarth, P. J. Change detection accuracy assessment using SPOT
multispectral imagery of the rural-urban fringe. Remote Sensing of Environment,
v. 30, n. 1, p. 55-66, 1989.
Marczyk, J. S.; Karpuk, E. W.; Rayner, M. R. Digital Landsat data for land-cover and
land-use classifications for use in integrated resource planning: a feasibility study.
Canadian Journal of Remote Sensing, v.10, n 2, p 177-189. Dec. 1984.
Mascarenhas, N. D. A.; Velasco, F. R. D. Processamento Digital de Imagens. São
José dos Campos: INPE. 1984. A.18 p.
Mather, P. M. Map-image registration accuracy using least-squares polynomials.
International Journal of Geographical Information Systems, v. 9, n 5, p 543-
554. Sep-Oct. 1995.
141

Mather, P. M. Computer processing of remotely-sensed images: an introduction. 2.
ed. Chichester: John Wiley & Sons. 1999. 292 p.
Meinel, G.; Neubert, M.; Dresden, J. R. Pixelorientierte versus segmentorientierte
Klassifikation von Ikonos – Satellitenbilddaten – ein Methodenvergleich.
Photogrammetrie Fernerkundung Geoinformation, v. 3, p 157-170. Jan. 2001.
Mesev, V. Remote sensing of urban systems: hierarchical integration with GIS.
Computer Environment and Urban System, v. 21, n. 3/4, p175-187, Mar-Apr.
1997.
Moik, J. G. Digital processing of remotely sensed images. Washington: NASA,
1980, 330 p.
Moran, M. S.; Jackson, R. D.; Hart, G. H.; Slater, P. S.; Bartell, R. J. Biggar, S. F.;
Gellman, D. I.; Slater, R. P. Obtaining surface reflectance factors from atmospheric
and view angle corrected SPOT-1 HRV data. Remote Sensing of Environment, v.
32, n. 2 - 3, p 203-214, May-June 1990.
Moura, J. R. S; Silva, T M. Complexo de rampas de colúvio. Cap. 4. In. Cunha, S. B;
Guerra, A. J. T. Geomorfologia do Brasil. Rio de Janeiro. Bertrand Brasil. 1998.
388 p.
National Atmospheric and Space Agency (NASA). Landsat 7 [on line] <
http://Landsat.gsfc.nasa.gov > 05 Jul. 2000.
Nascimento, P. S. de R. Avaliação de técnicas de segmentação e classificação por
regiões em imagens Landsat - TM visando o mapeamento de unidades de paisagem
da Amazônia. São José dos Campos. 102 p. (INPE-6391-TDI/607). Dissertação
(Mestrado em Sensoriamento Remoto) - Instituto Nacional de Pesquisas Espaciais,
1997.
Novo, E. M. M. Sensoriamento Remoto: princípios e aplicações. 2. ed. São Paulo:
Edgard Blucher. 1988, 308 p.
142

Oglesby, C. H.; Hewes, L. I. Ingenieria de carreteras, calles, viadutos y pasos a
desnível. México: Continental. 1969, 858 p.
Parson, C. Sampling the world. Unit. 6. [on line]. <
http://www.cla.sc.edu/geog/rslab/rsccnew/rscc-frames.html> 20 apr. 2001.
Pellemans, A. H. J. M.; Jordans, R. W. L.; Allenwijn, R. Merging multispectral and
panchromatic SPOT images with respect to the radiometric properties of the sensor.
Photogrammetric Engineering & Remote Sensing, v. 59, n. 1, p 81-87. Jan. 1993.
Penido, L. R. Técnicas de sensoriamento remoto e SIG aplicadas ao planejamento
de uma rodovia: estudo de caso - trecho oeste do Rodoanel Metropolitano de
São Paulo. São José dos Campos. 123 p. (INPE-6966-TDI/654). Dissertação
(Mestrado em Sensoriamento Remoto) - Instituto Nacional de Pesquisas Espaciais,
1998.
Pohl, C.; Van Genderen, J. L. Multisensor image fusion in remote sensing: concepts,
methods and applications. International Journal of Remote Sensing, v. 19, n. 5,
p 823-854. May. 1998.
Ramsey, R. D. Remote Sensing lecture materials. eletromagnetic radiation [on line]
25 Jan. 2001a.
Rosenfield, G. H. Sample design for estimating change in land use and land cover.
Photogrammetric Engineering and Remote Sensing, v. 48, n. 5, p. 793-801. May
1982.
Ross, J. L. S Geomorfologia, ambiente e planejamento. Repensando a Geografia.
5.ed. São Paulo: Contexto. 2000. 85p.
Sabins, F.F Remote sensing. Principles and Interpretation. San Francisco: W. H.
Freeman. 1978. 426 p.
143

Schneider, W.; Suppan, F.; Steinwendner, J.; Bartl, R. Automatic Extraction Of
Landscape Ecology Features from Satellite Imagery by Computer Vision
Techniques. Proc. Geospatial Information Age, v. 4, p 630-639. Abr. 1997.
Schowengerdt, R. A. Techniques for image processing and classification in remote
sensing. Orlando: Academic Press. 1983. 249p.
Schowengerdt, R. A. Remote Sensing. Models and methods for image processing. 2.
ed. San Diego: Academic Press. 1997. p. 522.
Setzer, J. As características dos principais tipos de solos do Estado de São Paulo. In:
Boletim Técnico do Instituto Agronômico do Estado de São Paulo. p 255–359.
Abr. 1941.
Setzer, J. Os solos do município de São Paulo. Boletim Paulista de Geografia. n. 20.
p 3-20, Jul. 1955.
Silva, D. A. da Técnicas de segmentação de imagens multiespectrais no espaço de
cores. São José dos Campos: INPE. 1995. 33 p. (INPE-5639-PUD/071).
Silva, D. A. da Segmentação de imagens multiespectrais baseada na componente
matiz da transformação HSV. São José dos Campos. 137 p. (INPE-7255-
TDI/698). Dissertação (Mestrado em Sensoriamento Remoto). Instituto Nacional de
Pesquisas Espaciais, 1997.
Skidmore, A.; Turner, B.; Brinkhof, W.; Knowles, E. Performance of a neural
Network: mapping forests using GIS and remotely sensed data. Photogrammetric
Engineering and Remote Sensing, v. 63, n. 5, p. 501-514. May 1999.
Space Imaging. IKONOS II. [on line] 05 jul.
2001.
Stehman, S. V. Comparison of systematic and random sampling for estimating the
accuracy of maps generated from remotely sensed data. Photogrammetric
Engineering and Remote Sensing, v. 58, n. 9, p. 1343-1350, Sept. 1992.
144

Stehman, S. V.; Czaplewski, R. L. Design and analysis for thematic map accuracy
assessment: fundamental principles. Remote Sensing of Environment, v 64, n. 3, p
331-344, June, 1998.
Stenback, J. M. Congalton, R. G. Using Thematic Mapper imagery to examine forest
understory. Photogrammetric Engineering and Remote Sensing, v. 56, n. 9, p
1285-1290, Sept. 1990.
Story, M.; Congalton, R. G. Accuracy assessment: an user’s perspective.
Photogrammetric Engineering and Remote Sensing, v. 52, n. 53 p 397-399,
March 1986.
Suguio, K. Síntese dos conhecimentos sobre a sedimentação da Bacia de São Paulo.
Mesa Redonda sobre aspectos geológicos e geotécnicos da Bacia Sedimentar de
São Paulo. São Paulo. Publicação Especial. São Paulo: SBG/ABGE. 1980. 25-32
p.
Swann, R.; Hawkins, D.; Westwell-Roper, A.; Johnston, W. The potential for
automated mapping from geocoded digital image data. Photogrammetric
Engineering & Remote Sensing, v. 54, n. 2, p 187-193. Feb. 1998.
Toutin, T.; Cheng, P. Demystification of IKONOS. Earth Observation Magazine, v.
9, n. 7, p 17-21. July 2000.
U. S Geological Survey (USGS). Geographic Information System. [on line]
10 Apr. 2001.
Venturieri, A. Segmentação de imagens e lógica nebulosa para treinamento de uma
rede neural artificial na caracterização do uso da terra na região de Tucuruí
(PA). São José dos Campos. 118 p. (INPE-6645-TDI/622). Dissertação (Mestrado
em Sensoriamento Remoto) - Instituto Nacional de Pesquisas Espaciais, 1996.
145

Vetec Engenharia/Vence Engenharia. Via de interligação Rodoviária – Rodoanel: fase
I análise de viabilidade técnico-econômica e seleção de alternativa. São Paulo:
DERSA, 1992. 184p.(DERSA – RT.15.00.000-A04/001).
Vincent, S. P. R.; Metcalfe, R. E.; Tong, D.P. Practical application of satellite remote
sensing as a source of information for civil engineering projects and GIS.
Proceedings of the Institution of Civil Engineers-Civil Engineering, v. 114, p. 35-
43, Dec. 1996.
Wald, L.; Ranchin, T.; Mangolini, M. Fusion of satellite images of different spatial
resolutions: assessing the quality of resulting images. Photogrammetric
Engineering and Remote Sensing, v. 63, n. 6 p 691-699, June, 1997.
Wang, F. A knowledge-based vision system for detecting land changes at urban fringes.
IEEE Transactions on Geoscience and Remote Sensing, v. 31, n. 1, p 136-145.
Jan. 1993.
Wang, J.; Treitz, P. M.; Howarth, P. J. Road network detection from SPOT imagery for
updating Geographical Information Systems in the rural-urban fringe.
International Journal Geographical Information Systems, v. 6, n. 2, p. 141-157.
Feb. 1992.
Westmoreland, S.; Stow, D. A. Category Identification of changed land-use polygons
in an integrated image processing/geographic information system.
Photogrammetric Engineering & Remote Sensing, v. 58, n. 1, p 1593-1599.
Nov. 1992.
Wilheim, J. São Paulo, metrópole 65 corpo e alma do Brasil. São Paulo: Difusão
Européia do Livro. 1965. 170 p.
146