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