You are on page 1of 122

UNIVERSIDADE DE BRASLIA

INSTITUTO DE GEOCINCIAS

ANLISE DA QUALIDADE DE CLASSIFICADORES PARA


IDENTIFICAO DE ALVOS URBANOS EM IMAGENS
DE ALTA RESOLUO ESPACIAL - UMA APLICAO
COM AS IMAGENS DO SATLITE WORLDVIEW II

DISSERTAO DE MESTRADO n 45
DENILSON PEREIRA PASSO

Braslia-DF
Maro 2013

UNIVERSIDADE DE BRASLIA
INSTITUTO DE GEOCINCIAS

ANLISE DA QUALIDADE DE CLASSIFICADORES PARA


IDENTIFICAO DE ALVOS URBANOS EM IMAGENS
DE ALTA RESOLUO ESPACIAL - UMA APLICAO
COM AS IMAGENS DO SATLITE WORLDVIEW II

Denilson Pereira Passo

Orientador: Prof. Dr. Edilson Souza Bias

Dissertao de Mestrado apresentada


Banca Examinadora do Instituto de
Geocincias Aplicadas (Geoprocessamento e
Anlise Ambiental) da Universidade de
Braslia, como exigncia para obteno do
ttulo de mestre em Geocincias.

Braslia-DF
Maro 2013
ii

UNIVERSIDADE DE BRASLIA
Instituto de Geocincias

ANLISE DA QUALIDADE DE CLASSIFICADORES PARA


IDENTIFICAO DE ALVOS URBANOS EM IMAGENS
DE ALTA RESOLUO ESPACIAL - UMA APLICAO
COM AS IMAGENS DO SATLITE WORLDVIEW II

Denilson Pereira Passo

BANCA EXAMINADORA

_____________________________________________________________

Prof. Dr. Edilson Souza Bias


Presidente

_____________________________________________________________

Prof. Dr. Edson Eyji Sano


Membro Interno

_____________________________________________________________

Prof. Dr. Gilson Alexandre Ostwald Pedro da Costa


Membro Externo

Braslia 28 de maro de 2013.


iii

Aos meus pais,


que alm de estarem sempre presentes nas
dificuldades, foram fontes de apoio e
impulso na busca contnua pelo
conhecimento.
iv

AGRADECIMENTOS

A Deus pela oportunidade e privilgio que me foi dado de compartilhar tamanha


experincia e, ao frequentar este curso, perceber e atentar para a relevncia de temas que no
faziam parte da minha vida; a minha namorada Lucimeire, que por dois anos me aguentou falar
todos os dias sobre imagens de satlite, matriz de confuso, mistura espectral, etc.; aos colegas
de curso pela espontaneidade e alegria na troca de informaes e materiais numa rara
demonstrao de amizade e solidariedade; ao professor Edilson Souza Bias que, com muita
pacincia e ateno, dedicou do seu valioso tempo para me orientar em cada passo deste
trabalho; e a todos que de alguma maneira estiveram presentes ao longo desses dois anos e
contriburam para a construo deste trabalho.

RESUMO

O desenvolvimento tecnolgico em sensoriamento remoto vem proporcionando um


grande incremento na qualidade das imagens orbitais, permitindo uma melhor viso dos
ambientes intra-urbanos. Um exemplo notvel o satlite WorldView II. Lanado em 2009,
suas imagens comearam a ser distribudas comercialmente em 2010. O satlite possui uma
resoluo de 50cm na banda pancromtica e 2m nas outras 8 bandas espectrais. Apesar deste
extraordinrio avano em termos de resoluo espacial e espectral, os sistemas tradicionais de
processamento de imagens disponibilizam mtodos de classificao que sofrem muita
influncia da mistura espectral devido multiplicidade de feies observadas nas imagens de
alta resoluo. Grande parte dessas dificuldades est relacionada s limitaes dos
classificadores que somente levam em considerao a informao espectral, pois estes no
conseguem tratar de forma satisfatria a variabilidade dos diferentes alvos urbanos. Na busca
por uma soluo, surgiram recentemente pacotes de software que possibilitam a classificao
de imagens com base em objetos e que facilitam a representao e processamento de
conhecimento humano sobre as caractersticas especficas dos alvos de interesse. No entanto, a
maioria dos pacotes de software com estas caractersticas so proprietrios e de difcil acesso
devido ao alto custo de suas licenas. Uma alternativa surgiu com a iniciativa de
desenvolvimento open source do software InterIMAGE. No presente trabalho, o objetivo foi
avaliar as potencialidades e acurcia das classificaes geradas pelas metodologias por pixel
Maximum Likelihood (Maxver) e Spectral Angle Mapper (SAM), por regio (Bhattacharyya) e
baseada em objetos, quantificando as variaes entre os resultados de cada classificador por
meio de coeficientes de concordncia total e por classe, destacando a capacidade identificao
de alvos urbanos sobre imagens provenientes do satlite WorldView II, sobre trs reas teste
localizadas na cidades satlites de Braslia, Sobradinho I e II. A classificao baseada em
objetos foi a mais eficiente para mapear a cobertura de reas urbanas, apresentando valores de
exatido global e ndices Kappa e Tau superiores a 86%, apresentando superioridade aos
mtodos tradicionais.

vi

ABSTRACT

Recent technological developments in remote sensing have made possible a large


increase in the quality of the satellite images, supporting a clearer view of intra-urban
environments. A notable example is the satellite WorldView II. Launched in 2009, its images
became commercially available in 2010. This orbital Earth observation system delivers a 50cm
resolution for the panchromatic band and 2m in its 8 spectral bands. Despite this extraordinary
advance in terms of spatial and spectral resolutions, traditional image processing systems offer
classification methods that suffer great influence of the multiplicity of features observed in
high resolution images. An important source of these difficulties has to do with the limitations
of pixel-based classifiers that only take in consideration the spectral information, since they
cannot tackle satisfactorily the spectral variability of different urban targets. In search of a
solution, a new class of software packages has emerge, which enable object-based image
classification and facilitate the representation and processing of human knowledge associated
to specific characteristics of the targets. However, most of those software packages with such
characteristics are proprietary and of difficult access due to the high cost of their licenses. In
this study, the objective was to evaluate the potentials and the accuracy of classifications
generated by the pixel Maximum Likelihood (Maxver) and Spectral Angle Mapper (SAM)
methodologies by region (Bhattacharyya) and object-based, quantifying the variations among
the results of each classifier by means of overall and by class accuracy, highlighting the
capacity of identifying the urban targets on images from the WorldView II satellite, using three
area-tests located in the cities of Braslia, Sobradinho I and II. The classification based on
objects was the most efficient to map urban area coverage, with overall accuracy values and
Kappa and Tau indices above 87%, superior to the ones found in traditional methods.

vii

LISTA DE SIGLAS E ABREVIATURAS

ENVI

Environment for Visualizing Images

c*

Erro de comisso

o*

Erro de omisso

ep

Exatido do produtor

eu

Exatido do usurio

GEOBIA

Geographic-Object-Based Image Analysis

Coeficiente de concordncia Kappa

Ki

Kappa condicional;

MAX*

Classificao por pixel (Maxver)

MAXVER

Maxima Verossimilhanca

MNF

Minimun Noise Fraction

NDVI

Normalised Difference Vegetation Index

OBIA

Object-Based Image Analysis

OBJ*

Classificao baseada em objetos

PDI

Processamento Digital de Imagens

Po

Exatido Global

PPI

Pixel Purity Index

Pr

Concordncia esperada

REG*

Classificao por regio (Bhattacharyya)

SAM

Spectral Angle Mapper

SIG

Sistema de Informao Geogrfica

SPRING

Sistema de Gerenciamento de Imagem Georreferenciadas

Coeficiente de concordncia Tau

UTM

Universal Tranversa de Mercator

*Abreviaes e abreviaes utilizadas somente para este trabalho.

viii

SUMRIO

RESUMO... ................................................................................................................................. vi
ABSTRACT ............................................................................................................................... vii
LISTA DE SIGLAS E ABREVIATURAS ............................................................................... viii
LISTA DE FIGURAS ................................................................................................................. xi
LISTA DE QUADROS ............................................................................................................. xvi
1

INTRODUO ......................................................................................................... 1

OBJETIVOS .............................................................................................................. 3

REVISO BIBLIOGRFICA .................................................................................. 4

3.1

Sensoriamento Remoto .............................................................................................. 4

3.1.1

Imagens de alta resoluo espacial ............................................................................ 5

3.1.1.1

Satlite WorldView II ................................................................................................ 6

3.1.2

Classificao automtica de imagens ........................................................................ 7

3.1.2.1

Segmentao .............................................................................................................. 8

3.1.2.2

Classificao por pixel Spectral Angle Mapper (SAM) ............................................ 9

3.1.2.3

Classificao por pixel - Mxima Verossimilhana (Maxver) ................................ 11

3.1.2.4

Classificao por regio Bhattacharyya................................................................ 13

3.1.2.5

Sistemas baseados em conhecimento ...................................................................... 14

3.1.2.6

Classificao baseada em objeto ............................................................................. 15

3.1.3

Sistemas para classificao de imagens ................................................................... 17

3.1.3.1

O sistema InterIMAGE ............................................................................................ 19

3.2

Qualidade de dados .................................................................................................. 20

3.2.1

Matriz de confuso .................................................................................................. 21

3.2.2

Padro, unidade e nmero de amostras.................................................................... 23

3.2.3

Coeficientes de concordncia .................................................................................. 24

3.2.3.1

Exatido Global ....................................................................................................... 24

3.2.3.2

Coeficiente Kappa ................................................................................................... 25

3.2.3.3

Coeficiente Tau ........................................................................................................ 26

3.2.3.4

Kappa Condicional .................................................................................................. 27

3.2.3.5

Exatido do usurio e do produtor ........................................................................... 28

MATERIAL E MTODOS ..................................................................................... 29

4.1

rea de estudo ......................................................................................................... 29


ix

4.1.1

reas-teste ............................................................................................................... 29

4.2

Materiais utilizados.................................................................................................. 32

4.3

Mtodos ................................................................................................................... 33

4.3.1

Fase preparatria ...................................................................................................... 34

4.3.2

Fase de classificaes .............................................................................................. 37

4.3.3

Fase de avaliao das classificaes ........................................................................ 43

RESULTADOS E DISCUSSO............................................................................. 47

5.1

Segmentaes .......................................................................................................... 47

5.2

Regras de deciso para separao de classes no InterIMAGE ................................ 49

5.3

Reduo da dimenso espectral por Minimum Noise Fraction (MNF) utilizada na

classificao SAM ...................................................................................................................... 53


5.4

Mapas temticos e avaliao das classificaes ...................................................... 54

5.4.1

Comparao dos coeficientes de concordncia total entre as classificaes ........... 73

5.4.2

Coeficientes de concordncia por classe ................................................................. 75

5.4.2.1

Asfalto...................................................................................................................... 76

5.4.2.2

Cobertura de Cermica Clara................................................................................... 78

5.4.2.3

Cobertura Cermica ................................................................................................. 80

5.4.2.4

Cobertura de Cimento Claro .................................................................................... 82

5.4.2.5

Cobertura de Cimento Escuro .................................................................................. 83

5.4.2.6

Cobertura de Cimento Mdio .................................................................................. 84

5.4.2.7

Cobertura de Cimento com Pigmentao Verde ..................................................... 86

5.4.2.8

Cobertura Metlica .................................................................................................. 88

5.4.2.9

Piscina ...................................................................................................................... 89

5.4.2.10

Solo Exposto ............................................................................................................ 90

5.4.2.11

Sombra ..................................................................................................................... 91

5.4.2.12

Vegetao Arbrea .................................................................................................. 92

5.4.2.13

Vegetao Rasteira .................................................................................................. 94

CONCLUSES E RECOMENDAES ............................................................... 96

6.1

Recomendaes e sugestes .................................................................................... 98

6.2

Propostas para trabalhos futuros .............................................................................. 98

REFERNCIAS BIBLIOGRFICAS .................................................................. 100

LISTA DE FIGURAS

Figura 1 - Resposta espectral das bandas do satlite WorldView II ........................................... 6


Figura 2 - Grfico dos espectros de referncia (r) e do espectro do pixel (t) ............................ 10
Figura 3 - Limite de aceitao de uma classificao Maxver ................................................... 12
Figura 4 - Exemplos de distncia euclidiana e distncia de Bhattacharyya .............................. 14
Figura 5 - Esquema do processo de interpretao de uma cena no InterIMAGE ..................... 20
Figura 6 - Diferena de acurcia e preciso .............................................................................. 21
Figura 7 - Localizao da rea de estudo e abrangncia das regies administrativas V e XXVI
.................................................................................................................................................... 29
Figura 8 - Localizao das reas-teste ....................................................................................... 30
Figura 9 - Localizao de rea-teste 1 ....................................................................................... 30
Figura 10 - Localizao de rea-teste 2 ..................................................................................... 31
Figura 11- Localizao de rea-teste 3 ...................................................................................... 32
Figura 12 - Esquema das etapas metodolgicas do trabalho ..................................................... 33
Figura 13 - Amostras de treinamento coletadas sobre a imagem fusionada da rea-teste 1
(classificao Maxver) ................................................................................................................ 37
Figura 14 - Visualizao dos pixels puros em espao n-dimensional para a rea-teste 1 ......... 38
Figura 15 - Estruturao de redes semnticas para as trs reas-teste ...................................... 42
Figura 16 - Amostragem aleatria simples de pontos para rea-teste 1 .................................... 45
Figura 17 - Amostragem aleatria simples de pontos para rea-teste 2 .................................... 45
Figura 18 - Amostragem aleatria simples de pontos para rea-teste 2 .................................... 46
Figura 19 - Regras de deciso para as classes Cobertura de Cermica Clara (a) e Cobertura de
Cermica (b) ............................................................................................................................... 50
Figura 20 - Regras de deciso para as classes Cobertura de Cimento Escuro (a) e Cobertura de
Cimento Claro (b) ....................................................................................................................... 50
Figura 21 - Regras de deciso para as classes Solo Exposto (a) e Cobertura de Cimento Verde
(b) ............................................................................................................................................... 50
Figura 22 - Regras de deciso para as classes Piscina (a) e Sombra (b) ................................... 50
Figura 23 - Regras de deciso para as classes Cobertura de Cimento Mdio (a) e Cobertura
Metlica (b)................................................................................................................................. 51
Figura 24 - Regras de deciso para as classes Vegetao Arbrea (a) e Vegetao Rasteira (b)
.................................................................................................................................................... 51
xi

Figura 25 - Separao da classe Vegetao Rasteira das demais, atravs do fatiamento de


histograma .................................................................................................................................. 52
Figura 26 - Separao da classe Cobertura de Cermica das demais, atravs do fatiamento de
histograma .................................................................................................................................. 52
Figura 27 - Autovalores observados pela transformao MNF para dados do Worldview II na
rea-teste 1 .................................................................................................................................. 53
Figura 28 - Componentes da transformao MNF da rea-teste 1 ............................................ 54
Figura 29 - Mapa temtico resultante da classificao por regio (Bhattacharyya) para a reateste 1 .......................................................................................................................................... 55
Figura 30 - Mapa temtico resultante da classificao por regio (Bhattacharyya) para a reateste 2 .......................................................................................................................................... 57
Figura 31 - Mapa temtico resultante da classificao por regio (Bhattacharyya) para a reateste 3 .......................................................................................................................................... 58
Figura 32 - Mapa temtico resultante da classificao baseada em objeto para a rea-teste 1 . 60
Figura 33 - Mapa temtico resultante da classificao baseada em objeto para a rea-teste 2 . 61
Figura 34 - Mapa temtico resultante da classificao baseada em objeto para a rea-teste 3 . 63
Figura 35 - Mapa temtico resultante da classificao por pixel (Maxver) para a rea-teste 1 64
Figura 36 - Mapa temtico resultante da classificao por pixel (Maxver) para a rea-teste 2 66
Figura 37 - Mapa temtico resultante da classificao por pixel (Maxver) para a rea-teste 3 67
Figura 38 - Mapa temtico resultante da classificao por pixel (SAM) para a rea-teste 1 .... 69
Figura 39 - Mapa temtico resultante da classificao por pixel (SAM) para a rea-teste 2 .... 70
Figura 40 - Mapa temtico resultante da classificao por pixel (SAM) para a rea-teste 3 .... 72
Figura 41 - Coeficientes de concordncia para a rea-teste 1 ................................................... 74
Figura 42 - Coeficientes de concordncia para a rea-teste 2 ................................................... 74
Figura 43 - Coeficientes de concordncia para a rea-teste 3 ................................................... 74
Figura 44 - Coeficientes de concordncia para a classe Asfalto ............................................... 77
Figura 45 - Mdia (a) e desvio-padro (b) dos coeficientes de concordncia para a classe
Asfalto ........................................................................................................................................ 77
Figura 46 - Espectro dos alvos: Asfalto (linha em preto) e Cobertura de Cimento Escuro (linha
em vermelho) .............................................................................................................................. 78
Figura 47 - Coeficientes de concordncia para a classe Cobertura de Cermica Clara ............ 79
Figura 48 - Mdia (a) e desvio-padro (b) dos coeficientes de concordncia para a classe
Cobertura Cermica Clara .......................................................................................................... 80
xii

Figura 49 - Espectro dos alvos: Cobertura Cermica Clara (linha em preto), Cobertura
Cermica (linha em vermelho) e Solo Exposto (linha em azul) ................................................. 80
Figura 50 - Coeficientes de concordncia para a classe Cobertura Cermica ........................... 81
Figura 51 - Mdia (a) e desvio-padro (b) dos coeficientes de concordncia para a classe
Cobertura de Cermica ............................................................................................................... 81
Figura 52 - Coeficientes de concordncia para a classe Cobertura de Cimento Claro.............. 82
Figura 53 - Mdia (a) e desvio-padro (b) dos coeficientes de concordncia para a classe
Cobertura de Cimento Claro ....................................................................................................... 83
Figura 54 - Espectro dos alvos: Cobertura de Cimento Claro (linha em preto) e Cobertura de
Cermica Clara (linha em vermelho).......................................................................................... 83
Figura 55 - Coeficientes de concordncia para a classe Cobertura de Cimento Escuro ........... 84
Figura 56 - Mdia (a) e desvio-padro (b) dos coeficientes de concordncia para a classe
Cobertura de Cimento Escuro .................................................................................................... 84
Figura 57 - Coeficientes de concordncia para a classe Cobertura de Cimento Mdio ............ 85
Figura 58 - Mdia (a) e desvio-padro (b) dos coeficientes de concordncia para a classe
Cobertura de Cimento Mdio ..................................................................................................... 85
Figura 59 - Espectro dos alvos: Cobertura de Cimento Mdio (linha em preto) e Asfalto (linha
em vermelho). ............................................................................................................................. 86
Figura 60 - Coeficientes de concordncia para a classe Cobertura Cimento Verde ................. 87
Figura 61 - Mdia (a) e desvio-padro (b) dos coeficientes de concordncia para a classe
Cobertura de Cimento Verde ...................................................................................................... 87
Figura 62 - Coeficientes de concordncia para a classe Cobertura Metlica ............................ 88
Figura 63 - Mdia (a) e desvio-padro (b) dos coeficientes de concordncia para a classe
Cobertura Metlica ..................................................................................................................... 88
Figura 64 - Espectro dos alvos: Cobertura de Cimento Mdio (linha em preto) e Cobertura
Metlica (linha em vermelho)..................................................................................................... 89
Figura 65 - Coeficientes de concordncia para a classe Piscina ............................................... 90
Figura 66 - Mdia (a) e desvio-padro (b) dos coeficientes de concordncia para a classe
Piscina......................................................................................................................................... 90
Figura 67 - Coeficientes de concordncia para a classe Solo Exposto...................................... 91
Figura 68 - Mdia (a) e desvio-padro (b) dos coeficientes de concordncia para a classe Solo
Exposto ....................................................................................................................................... 91
Figura 69 - Coeficientes de concordncia para a classe Sombra............................................... 92
xiii

Figura 70 - Mdia (a) e desvio-padro (b) dos coeficientes de concordncia para a classe
Sombra ........................................................................................................................................ 92
Figura 71 - Coeficientes de concordncia para a classe Vegetao Arbrea ............................ 93
Figura 72 - Mdia (a) e desvio-padro (b) dos coeficientes de concordncia para a classe
Vegetao Arbrea ..................................................................................................................... 94
Figura 73 - Coeficientes de concordncia para a classe Vegetao Rasteira ............................ 94
Figura 74 - Mdia (a) e desvio-padro (b) dos coeficientes de concordncia para a classe
Vegetao Rasteira ..................................................................................................................... 95
Figura 75 - Espectro dos alvos: Vegetao Rasteira (linha em preto) e Vegetao Arbrea
(linha em vermelho).................................................................................................................... 95

xiv

LISTA DE TABELAS

Tabela 1 - Bandas adicionais do Worldview II ........................................................................... 6


Tabela 2 - Sistemas de processamento digital de imagens - PDI .............................................. 17
Tabela 3 - Estrutura de uma matriz de confuso ....................................................................... 22
Tabela 4 - Qualidade da classificao associada ao ndice Kappa ............................................ 26
Tabela 5 - Tamanho das amostras para cada classificao ........................................................ 44
Tabela 6 - Parmetros utilizados para a segmentao das classes da rea-teste 1 ..................... 48
Tabela 7 - Parmetros utilizados para a segmentao das classes da rea-teste 2 ..................... 48
Tabela 8 - Parmetros utilizados para a segmentao das classes da rea-teste 3 ..................... 49
Tabela 9 - Valores de pertinncia de cada classe para cada rea-teste ...................................... 52
Tabela 10 - Matriz de confuso da classificao por regio (Bhattacharyya) para a rea-teste 1
.................................................................................................................................................... 56
Tabela 11 - Matriz de confuso da classificao por regio (Bhattacharyya) para a rea-teste 2
.................................................................................................................................................... 57
Tabela 12 - Matriz de confuso da classificao por regio (Bhattacharyya) para a rea-teste 3
.................................................................................................................................................... 59
Tabela 13 - Matriz de confuso da classificao baseada em objeto para a rea-teste 1 .......... 60
Tabela 14 - Matriz de confuso da classificao baseada em objeto para a rea-teste 2 .......... 62
Tabela 15 - Matriz de confuso da classificao baseada em objeto para a rea-teste 3 .......... 63
Tabela 16 - Matriz de confuso da classificao por pixel (Maxver) para a rea-teste 1 .......... 65
Tabela 17 - Matriz de confuso da classificao por pixel (Maxver) para a rea-teste 2 .......... 66
Tabela 18 - Matriz de confuso da classificao por pixel (Maxver) para a rea-teste 3 .......... 68
Tabela 19 - Matriz de confuso da classificao por pixel (SAM) para rea-teste 1 ................ 69
Tabela 20 - Matriz de confuso da classificao por pixel (SAM) para a rea-teste 2.............. 71
Tabela 21 - Matriz de confuso da classificao por pixel (SAM) para a rea-teste 3.............. 72
Tabela 22 - Coeficientes de concordncia calculados para as trs reas-teste .......................... 73
Tabela 23 - Kappa condicional de cada classe das trs reas-teste ........................................... 75
Tabela 24 - Exatido do Usurio de cada classe das trs reas-teste......................................... 75
Tabela 25 - Exatido do Produtor de cada classe das trs reas-teste ....................................... 76

xv

LISTA DE QUADROS

Quadro 1 - Classes identificadas na imagem Worldview II ...................................................... 34


Quadro 2 - Combinaes de similaridade e rea para rea-teste 1............................................ 39
Quadro 3 - Exemplos de amostras de treinamento para classificao por regio Bhattacharyya
para rea-teste 1 .......................................................................................................................... 40
Quadro 4 - Combinaes de similaridade e rea encontradas para cada rea-teste .................. 47

xvi

INTRODUO

Uma das principais fontes de dados para mapeamentos de uso e cobertura do solo so
imagens orbitais de sensoriamento remoto. Entretanto, at meados da dcada de 1990 no
existiam imagens com resoluo espacial suficiente para identificar e mapear alvos em
ambientes urbanos. Assim, a fotogrametria foi, por muito tempo, a nica fonte de dados para
este tipo de estudo. Porm, o alto custo para obteno das fotografias areas, aliado as suas
limitaes de resoluo espectral, impediram a produo em larga escala de estudos mais
detalhados de reas urbanas.
O lanamento do satlite Ikonos II, em 1999, deu incio a uma onda de lanamentos de
novos satlites capazes de produzir imagens de alta resoluo espacial com bandas em
diferentes faixas do espectro eletromagntico, o que trouxe grandes inovaes para estudos que
envolvam mapeamentos de espaos urbanos.
As tcnicas de sensoriamento remoto contam, atualmente, com a utilizao de
modernas plataformas areas e orbitais capazes de produzir imagens multi e hiperespectrais de
alta resoluo espacial, temporal e radiomtrica aumentando a capacidade de discriminar, cada
vez melhor, os alvos da superfcie terrestre e ampliando significativamente o leque de
aplicaes, representando um importante suporte para a soluo de problemas em diversas
reas, tais como cadastro urbano, cadastro rural, planejamento e gesto ambiental, entre outros.
Esta evoluo permitiu o aumento da utilizao de dados de sensoriamento remoto em
reas urbanas, o que tem contribudo para pesquisas no tema, acerca da criao de novas
abordagens metodolgicas e melhorias em metodologias j existentes, otimizando a extrao
de informaes de imagens.
Um grupo importante destas metodologias est relacionado com a classificao de
imagens, que consiste no reconhecimento de padres espectrais e espaciais permitindo a
gerao de classes informacionais.
Com a nova gerao de sistemas de sensores, os classificadores tradicionais, tais como
pixel a pixel e por regies, vm sendo alvo de diversos estudos comparativos (Pinho et al.
2005; Arcoverde et al. 2010; Bernardi et al. 2007; Zanardo et al. 2009; Xiaoxia et al. 2005;
AL-Ahmadi & Hames, 2009; Kamagata et al. 2005), pois o elevado grau de detalhes em
imagens de alta resoluo apresenta uma grande confuso espectral causada pela repetio de
alvos naturais e sintticos, pela complexidade e heterogeneidade causadas por tamanho e
formas diversas, e composies variadas. Estas caractersticas tornam a variao espectral um
1

fator significativo dentro de um ambiente urbano, surgindo a necessidade de abordagens que


levem em considerao outros atributos, alm das caractersticas espectrais dos pixels. Bias et
al. (2009) afirmam que um horizonte para tais problemas seriam pesquisas voltadas lgica
Fuzzy, geometria de fractais, videografia e a combinao de interpretaes Fuzzy e de fractais
com as redes neurais.
Dentre essas alternativas de classificadores de imagens de alta resoluo espacial, a
metodologia de anlise geogrfica de imagens baseada em objeto GEOBIA (Geographic
Object-Based Image Analysis) (Hay & Castilla 2008) vem ganhando importncia nos ltimos
anos. Ela surge como um significativo avano nos processos de classificao automtica de
imagens orbitais, j que possibilita a modelagem do conhecimento humano referente a
caractersticas especficas dos alvos, como brilho, textura, formato, contexto, tamanho, relaes
de vizinhana, entre outros, tendo como foco a classificao de segmentos de imagem em vez
de pixels isolados.
As informaes extradas a partir dessa abordagem representam um importante suporte
para auxiliar no planejamento e gesto, principalmente de reas urbanas, auxiliando em
trabalhos que necessitem de dados de localizao, distribuio e expanso urbana, alm da
possibilidade do monitoramento temporal de mudanas no uso e cobertura do solo.

OBJETIVOS
Este trabalho tem como objetivo geral avaliar as potencialidades e a acurcia dos

classificadores para identificao de alvos urbanos em imagens de alta resoluo espacial.


Para atingir esse objetivo, os seguintes objetivos especficos foram propostos:

Avaliar a qualidade das classificaes geradas pelas metodologias pixel a


pixel, por regio (Bhattacharyya) e baseada em objetos, verificando as
vantagens de cada uma delas; e

Quantificar as variaes entre os resultados de cada classificador, por meio dos


ndices de Exatido Global, Kappa e Tau, para avaliar a confiabilidade dos
resultados de forma global e por meio dos ndices de Kappa Condicional,
Exatido do usurio e do produtor para avaliar a confiabilidade dos resultados
por classes.

REVISO BIBLIOGRFICA

3.1

Sensoriamento Remoto

No decorrer das ltimas quatro dcadas, o planeta Terra comeou a ser olhado e
vistoriado por sensores imageadores que, praticamente, capturam tudo que est presente na
superfcie terrestre ou que nela est se modificando. Isso est sendo feito com o explcito
objetivo de se obter imagens peridicas que possibilitem o monitoramento do meio ambiente
em uma escala global e a obteno de melhores informaes acerca dos recursos naturais
renovveis e no renovveis (MENESES & ALMEIDA, 2012).
Shimabukuro (1996) aponta que a necessidade do ser humano de ler o seu entorno,
coletando cada vez mais informaes com maior preciso sobre a relao de suas atividades
socioeconmicas com a natureza, tem motivado o desenvolvimento contnuo do sensoriamento
remoto e de suas ferramentas para mapear e monitorar os recursos naturais.
Segundo Jensen (2000), sensoriamento remoto a arte e a cincia da obteno de
informao sobre um objeto, sem contato fsico direto. A tecnologia cientfica pode ser usada
para medir e monitorar importantes caractersticas biofsicas e atividades humanas. Silva
(2001) afirma que esta tecnologia pode registrar informaes em condies de campo,
aerotransportados ou colocados em plataformas orbitais. Quando colocados em plataformas
orbitais, os dados coletados apresentam algumas vantagens em relao queles coletados no
campo ou aerotransportados. Os sensores orbitais permitem obter uma viso ampla e peridica
da rea imageada.
A grande diversidade de sensores possibilita a obteno de imagens com diferentes
caractersticas, as quais se adaptam s mais diversas aplicaes do sensoriamento remoto. Para
que a dinmica dos alvos terrestres possa ser observada e monitorada adequadamente, um dos
aspectos relevantes do sensoriamento remoto a frequncia temporal com que as imagens so
adquiridas pelos sensores a bordo de satlites. A anlise combinada de imagens adquiridas por
diferentes sensores/satlites em aplicativos de processamento de imagens e em Sistemas de
Informao Geogrfica (SIG) uma alternativa vivel para aumentar a frequncia de
observao dos alvos (MOREIRA et al., 2005).
Meneses & Almeida (2012) afirmam que, atualmente, h em circulao no espao
dezenas de sensores orbitais imageando a superfcie da Terra em todas as faixas espectrais
possveis, com os mais variados parmetros de resolues espacial, espectral, radiomtrica e
4

temporal. De um lado h os sensores hiperespectrais, com centenas de bandas espectrais, e de


outro h os sensores capazes de detectar objetos, menores que 50 cm, na superfcie da Terra,
denominados sensores de alta resoluo espacial.

3.1.1 Imagens de alta resoluo espacial


De acordo com Jacobsen (2003), o uso de sensores de alta resoluo espacial para o
mapeamento civil abriu um novo campo de aplicaes. Por muito tempo os sensores espaciais
de alta resoluo foram limitados para uso militar, mas, com o fim da guerra fria, a situao
mudou. Estes sensores ganharam vrias verses comerciais, fazendo com que a competio
reduzisse seus preos, tornando as imagens mais acessveis.
Esse novo cenrio abriu o horizonte para aplicaes de sensoriamento remoto em reas
urbanas, pois esses sensores renem a alta resoluo espacial das fotografias areas e dos
sensores aerotransportados com a alta resoluo temporal de sensores orbitais. Alm disso,
esses novos sensores tambm possuem alta resoluo radiomtrica, o que possibilita uma
melhor discretizao entre os alvos urbanos (PINHO, 2006).
Alm disso, ainda h os sensores de altssima resoluo espacial, como o GeoEye-1,
anteriormente conhecido como OrbView-5, que conta com uma imagem pancromtica de 41
cm de resoluo espacial, e o seu irmo o GeoEye-2, com lanamento previsto para este ano,
que proporcionar uma resoluo espacial de 25 cm. Sensores como estes potencializam a
capacidade de anlise geoespacial em qualquer campo, uma vez que fornecem uma
compreenso clara do mundo.
Para estudos em reas urbanas, to importante quanto a resoluo espacial a resoluo
espectral. Jensen (2009) aponta para a importncia da soma da resoluo espacial com a
espectral para reas urbanas, j que a unio destas caractersticas permite, alm de uma maior
proximidade visual com o mundo real, a explorao de feies, com identificao possvel
apenas em determinados comprimentos de onda. At ento sensores como Ikonos, Quickbird-2,
Kompsat-2, GeoEye-1, apesar de serem considerados de alta resoluo espacial, possuam
apenas quatro bandas espectrais, o que limitava sua capacidade de explorao em reas
urbanas, devido complexidade dos alvos.

3.1.1.1 Satlite WorldView II


O WorldView II, lanado em outubro de 2009, o primeiro satlite de alta resoluo
(pancromtico de 0,46 m e multiespectral de 1,84 m) a contar com 8 bandas em diferentes
faixas do espectro eletromagntico (Figura 1). Opera a uma altitude de 770 km, tem 46 cm de
resoluo pancromtica e 1,85 m de resoluo multiespectral. Com uma resoluo radiomtrica
de 11 bits, tem um tempo mdio de revisita de 3,7 dias 20 off nadir e capaz de coletar at 1
milho de km2 de imagens por dia (DIGITAL GLOBE, 2010a).

Figura 1 - Resposta espectral das bandas do satlite WorldView II


Fonte: Adaptado de Digital Globe (2010b).

Alm da capacidade de discriminao dos alvos proporcionados pelas bandas no


comprimento do azul, verde, vermelho e infravermelho prximo, comum na maioria dos
sensores, o satlite WorldView II conta, ainda, com outras quatro bandas (Tabela 1).

Tabela 1 - Bandas adicionais do Worldview II


Banda

Coastal
Blue

Comp. de

Tem o papel de melhorar as tcnicas de correo atmosfrica


400-450

585-625

Red-Edge

705-745

Infrared 2

e auxilia na realizao de anlise de vegetao e muito til


em estudos batimtricos, j que pouco absorvida pela gua.

Yellow

Near

Caracterstica

onda nm

Importante na deteco de alguns tipos de vegetaes


especficas, j que detecta o amarelo, tanto em terra como na
gua.
Estrategicamente posicionada no espectro, essa banda
excelente para detectar a sade das vegetaes.
Sobrepe a banda Near Infrared 1, mas menos afetada pela

860-1040

influncia atmosfrica, permitindo uma anlise mais ampla da


vegetao e estudos de biomassa.

Fonte: Adaptado de Digital Globe (2010b).

Alm disso, vrios estudos vm encontrando novas aplicaes para as bandas do sensor:
Carvalho (2011), Ribeiro et al. (2011), Souza (2005), Kux e Souza (2012) e Pinho et al. (2005)
realizaram testes com o Worldview II com o objetivo de efetuar mapeamento de cobertura do
solo em reas urbanas. Souza et al. (2005) realizaram estudos verificando a contribuio das
novas bandas espectrais do satlite Worldview II para a classificao de tipos de vegetais em
habitats costeiros. Zengeya et al. (2013) realizaram estudos verificando a contribuio das
novas bandas espectrais do satlite para estimar a qualidade da forragem (concentrao de
nitrognio), afim de explicar a distribuio de gado em uma pastagem. Eckert (2012) e
Mutanga et al. (2012) trabalharam com estimativa de biomassa florestal usando ndice de
vegetao por diferena normalizada (NDVI) e medidas de textura do Worldview II. Mutanga
et al. (2012), Pu & Landry (2012) e Immitzer et al. (2012) utilizaram as novas bandas
espectrais do satlite Worldview II para anlise espectral da vegetao e identificao de
espcies de rvores em reas urbanas.

3.1.2 Classificao automtica de imagens


Classificao o processo de extrao de informao em imagens para reconhecer
padres e objetos homogneos. Os mtodos de classificao so usados para mapear reas que
apresentam um mesmo significado em imagens de satlite (KRTING, 2006).
Segundo Liotte & Macedo (2000), o objetivo da classificao a substituio da anlise
visual da imagem por tcnicas de identificao automtica de feies da cena. Com isso, os
valores de refletncia de cada pixel so agrupados em classes com valores similares. Este
agrupamento em classes de padres de respostas similares envolve a anlise de dados
multiespectrais e a aplicao de regras de deciso baseadas em estatsticas.
De acordo com Bernardes et al. (2005), duas abordagens distintas so adotadas na
classificao automtica de imagens: classificao supervisionada e no supervisionada. A
classificao supervisionada realizada utilizando como base um conjunto de amostras de
treinamento coletado pelo analista. Quando no for possvel definir reas representativas para o
treinamento, podem ser utilizados algoritmos baseados em regras estatsticas capazes de fazer o
reconhecimento das classes presentes na imagem, o que configura uma classificao no
supervisionada.
Os algoritmos utilizados para classificao de imagens, como o K-Means e Isodata,
(no supervisionados); Mxima Verossimilhana (Maxver), Distncia Mnima, Paraleleppedo,
7

Distncia Mahalanobis e Spectral Angle Mapper (SAM) (supervisionados) utilizam a


classificao "pixel a pixel" (BERNARDI, 2007). J algoritmos como Isoseg, Battacharya e
ClaTex so mtodos de classificao por regies, isto , procuram simular o comportamento de
um foto-intrprete ao reconhecer reas homogneas de imagens, baseado em suas propriedades
espectrais e espaciais (KRTING, 2006).
Conceitualmente, pode-se incluir o processo de segmentao como sendo um
procedimento de anlise baseada em objeto (OBIA), em razo deste processo no levar em
considerao apenas o valor digital do pixel a ser classificado, mas tambm dos pixels ao seu
redor, procurando por similaridades e avaliao estatstica o agrupando destes conjuntos que
passam a caracterizar as diversas feies a serem mapeadas.
No entanto, no presente trabalho, objetivando uma estruturao mais didtica das
anlises a serem efetuados, optou-se por efetuar a separao dos processos de classificao
(pixel a pixel, segmentao e orientao a objetos), no incluindo a segmentao como sendo
orientao a objeto (OBIA) e, estabelecendo este critrio a partir do surgimento de softwares
especficos que atuam no s na segmentao, mas tambm na avaliao de caractersticas
como: forma, textura, rea e parmetros espectrais.
Sendo assim na anlise baseada em objeto, toma-se por base o objeto na imagem e no
apenas sobre o pixel. Assim, na imagem, um objeto representa uma entidade que pode ser
individualizada, tem atributos prprios e as mesmas propriedades da classe que lhe deu origem
(DEFINIENS, 2004).
importante destacar que os mtodos citados (classificao por regies e OBIA)
necessitam de segmentos da imagem, definidos em etapa anterior classificao, como dados
de entrada. Esse procedimento influencia diretamente na qualidade desses mtodos.

3.1.2.1 Segmentao
A segmentao um importante processo na anlise de imagens de sensoriamento
remoto, este processo consiste em subdividir uma imagem em regies homogneas,
considerando algumas de suas caractersticas intrnsecas, como, por exemplo, o nvel de cinza
dos pixels e a textura que melhor representam os objetos presentes na cena (OLIVEIRA &
SILVA, 2005).
Dlugosz et al. (2005) afirmam que, por meio do processo de segmentao, possvel
obter, de maneira rpida, a discriminao e a delimitao de fragmentos. Os polgonos gerados
8

pela segmentao e posteriormente convertidos para vetor podem ser usados como amostras de
treinamento em futuras classificaes digitais e, ainda, em classificaes visuais por meio de
simples atribuio de classes.
De acordo com Ferreira (2011), os algoritmos de segmentao so geralmente baseados
em uma de duas propriedades bsicas: descontinuidades e similaridades. Na primeira categoria,
a ideia dividir a imagem levando em considerao variaes abruptas na intensidade dos
pixels. Na segunda, a abordagem particionar a imagem em regies que so similares de
acordo com algum critrio. O autor ainda destaca a relevncia do mtodo de segmentao por
regies, j que este produz objetos com bordas bem definidas e mostra-se robusto a imagens
tomadas em condies diversas de iluminao, rudo etc. Os mtodos de segmentao por
regies mais utilizados so: Divisor de guas (Watershed) e Crescimento de Regies.
A escolha do critrio de limiar de similaridade e do tamanho mnimo para os polgonos
que sero gerados est intimamente relacionada com o problema a ser solucionado, com o tipo
de imagem analisada e com a classe de objetos-alvo que se deseja encontrar (FERREIRA,
2011). Segundo Meneses & Almeida (2012), esse processo, inevitavelmente, acaba levando a
procedimentos de tentativa e erro at que se consiga uma configurao apropriada dos
segmentos gerados. Essa tarefa se torna mais complexa na medida em que mais heterognea
for a rea de estudo. Por exemplo, a segmentao de reas urbanas, onde normalmente
pretende-se obter muitas categorias diferentes no processo de classificao, um exemplo da
variedade de possibilidades que se tem para a gerao de polgonos, dependendo, naturalmente,
dos limiares de similaridade estabelecidos.
Muitos critrios podem ser definidos e, na verdade, existe uma gama razovel de
diferentes implementaes disponveis, dentre elas esto as metodologias de homogeneidade
intrarregies adotadas pelo segmentador do software Spring descrito por Bins et al. (1996) e a
metodologia de Segmentao Multirresoluo, proposto por Baatz & Schpe (2000), ambos
segmentadores de Crescimento de Regies.
3.1.2.2 Classificao por pixel Spectral Angle Mapper (SAM)
Classificadores pixel a pixel utilizam apenas a informao espectral do pixel para
encontrar sua classe mais provvel, traando uma probabilidade de um determinado pixel
pertencer ou no a uma determinada classe.
O algoritmo SAM, descrito por Kruse et al. (1993), faz uma classificao espectral
determinando a similaridade entre dois espectros por meio do clculo do ngulo formado entre
9

eles, tratando-os como vetores em um espao de dimensionalidade igual ao nmero de bandas.


O ngulo entre os dois vetores constitui o ngulo espectral cujo valor inversamente
proporcional similaridade espectral entre os espectros (Figura 2). O algoritmo SAM
generaliza essa interpretao geomtrica para o espao n dimensional.

Figura 2 - Grfico dos espectros de referncia (r) e do espectro do pixel (t)


Fonte: Adaptado de Kruse et al., 1993.

O espectro de referncia pode referir-se a uma biblioteca espectral extrada no


laboratrio ou campo (por meio de um espectroradimetro) ou at mesmo amostras de pixels
extradas da prpria imagem. Para cada espectro de referncia, o classificador SAM gera uma
imagem, denominada rule image, cujos pixels representam individualmente tais ngulos e
quanto menor o valor do pixel, maior a probabilidade de ele ser composto pela amostra de
referncia. As imagens rules geradas podem ser representadas em uma composio colorida,
permitindo analisar os resultados de cada um dos espectros de referncia classificado
(PEDROSA, 2010).
De acordo com Kruse et al. (1993), o classificador SAM utiliza o arco-cosseno do
coeficiente de correlao no normalizado, cuja formulao matemtica expressa pela
equao 3.1.

(3.1)

= ngulo formado entre o espectro de referncia e o espectro de imagem;


n = nmero de bandas;
10

r = espectros de referncia; e
t = espectro do pixel.
O ngulo , determinado pelo cos-1, apresenta uma variao entre 0 e 90. Carvalho
Jnior & Meneses (2000) mostram que a equao acima pode tambm ser expressa como
cosseno de (Equao 3.2).

(3.2)

Neste caso, a melhor estimativa adquire valores prximos de 1.

3.1.2.3 Classificao por pixel - Mxima Verossimilhana (Maxver)

De acordo com Lopes (2006), a tcnica Maxver considera a ponderao das distncias
entre mdias dos nveis digitais das classes, utilizando parmetros estatsticos. Para que esta
classificao seja precisa necessrio um nmero razoavelmente elevado de pixels para cada
conjunto de treinamento. A partir dos conjuntos de treinamento pode ser gerado o diagrama de
disperso das classes e estimadas nas distribuies de probabilidade, considerando a
distribuio Gaussiana (distribuio normal) para cada classe do treinamento.
Para duas classes com distribuio de probabilidade distintas, as distribuies
representam a probabilidade de um pixel pertencer a uma ou outra classe, dependendo da sua
posio em relao a esta distribuio. Ocorre uma regio onde as duas curvas sobrepem-se,
indicando que um determinado pixel tem igual probabilidade de pertencer s duas classes.
Nesta situao estabelece-se um critrio de deciso a partir da definio de limiares. A figura 3
representa o limite de aceitao de uma classificao, no ponto onde as duas distribuies se
cruzam. Um pixel localizado na rea em cinza, apesar de pertencer classe 2, ser classificado
como classe 1 (INPE, 2008).

11

Figura 3 - Limite de aceitao de uma classificao Maxver

Portanto, na classificao Maxver, cada pixel destinado classe que tem a mais alta
probabilidade, isto , a mxima verossimilhana. Isso significa que para um pixel na posio x
do espao multiespectral, um conjunto de probabilidades computado e fornece a
possibilidade relativa do pixel pertencer a cada classe disponvel

| ) (MENESES &

ALMEIDA, 2012).
Segundo Richards & Jia (2006), as classes espectrais para uma imagem ser representada
pelo Teorema de Bayes podem ser expressas pela equao (3.3).
(

| ) i = 1,...M, onde:

(3.3)

: probabilidade;
: classe;
: posio do pixel; e
M: nmero total de classes.
Desta forma, um pixel x pertencer classe i se a probabilidade que associa o pixel a
esta classe for maior do que a probabilidade que associa o pixel a outra classe. Assim,
(

| ) fornece a probabilidade de que a classe correta i para um pixel na posio x

(RICHARDS & JIA, 2006), de acordo com a equao (3.4).

| )

| )

(3.4)
12

3.1.2.4 Classificao por regio Bhattacharyya


Segundo Meneses & Almeida (2012), a classificao por regio se d, inicialmente,
pela utilizao de um algoritmo de segmentao que ao definir regies homogneas na imagem
prepara-a para uma classificao posterior com base nessas regies e no com base em valores
individuais dos pixels.
De acordo com Kury & Vieira (2002), a classificao por regio um mtodo
alternativo que prov um meio dentro do qual a variabilidade espacial e a textura natural
podem ser usadas no processo de classificao. Ao invs de considerar as caractersticas
espectrais do pixel no processo de deciso, um agrupamento de pixels selecionado e usado
como unidade de classificao.
Segundo Oliveira et al. (2003), para obter uma boa classificao baseada em regies
imprescindvel uma boa segmentao dos alvos de interesse. Classificadores por regio
procuram simular o comportamento de um foto-intrprete, ao reconhecer reas homogneas de
imagens, baseados nas suas propriedades espectrais e espaciais. A informao de borda
utilizada inicialmente para separar cada regio (KRTING, 2006).
As tcnicas de classificao por regio podem ser divididas em supervisionada e no
supervisionada, neste caso seguem os mesmos princpios da classificao pixel a pixel.
Dentre os classificadores por regio, o software Spring, por exemplo, possui o Isoseg,
Bhattacharyya e ClaTex. O Idrisi apresenta a soluo de classificao por regio a partir de sua
verso Taiga e o Envi, at a verso 4.7, no apresenta um mdulo especfico para classificao
por regio (MENESES & ALMEIDA, 2012).
A classificao Bhattacharyya utiliza amostras de alguns segmentos para treinar o
classificador, calculando a mdia e a matriz de covarincia de cada classe. Em seguida, cada
segmento alocado em uma dessas classes, segundo a menor distncia de Bhattacharyya
(CORREIA et al., 2007).
Para um melhor entendimento da distncia de Bhattacharyya, Meneses e Almeida
(2012) destacam que esta no uma distncia euclidiana, a qual na matemtica representada
pela distncia entre dois pontos, e sim uma distncia calculada a partir da anlise das mdias e
das covarincias das amostras, como pode ser visto na figura 4, onde as amostras 1 e 3 seriam
as mais prximas pela distncia euclidiana (esquerda). Porm, pela distncia de Bhattacharyya,
as amostras 1 e 2 que so mais prximas, ou seja, apresentam menor distncia de
Bhattacharyya, pois tm mdias e covarincias mais prximas (direita).
13

Figura 4 - Exemplos de distncia euclidiana e distncia de Bhattacharyya


Fonte: Adaptado de Meneses e Almeida (2012).

3.1.2.5 Sistemas baseados em conhecimento


Para Pahl (2008), em sistemas de anlise de imagens baseados em conhecimento, a
interpretao da imagem pode ser representada por meio de dois tipos de conhecimento: o
conhecimento implcito, que est contido diretamente no cdigo de um programa e descreve
um rgido plano de procedimento, e o conhecimento explcito, que ocorre quando se conhecem
as solues alternativas para uma dada tarefa para a qual o sistema deve escolher uma funo
adequada e estas solues esto indicadas explicitamente.
Para Feitosa (2005), esses sistemas procuram modelar, em um ambiente computacional,
o conhecimento do foto-intrprete e inserir sua capacidade de combinar dados de diferentes
fontes e diferentes formatos no processo de classificao de imagens de sensores remotos. Tais
sistemas buscam reproduzir em um computador o raciocnio do foto-intrprete, de modo a
realizar automaticamente grande parte da tarefa que, nos sistemas convencionais, fica a cargo
do operador humano.
De acordo com Pinho (2005), a utilizao desses sistemas abre um novo horizonte para
a extrao automtica de informaes de imagem de sensores remotos. Enquanto algoritmos de
classificao tm como objetivo distinguir grupos de pixels com caractersticas semelhantes, os
quais muitas vezes no se traduzem em objetos reais, na abordagem baseada em conhecimento
o objetivo identificar objetos que tenham uma existncia concreta no mundo real e que
expressem caractersticas de cor, forma, textura, padro e contexto na imagem analisada.
Definiens (2004) descreve os passos para realizar uma interpretao baseada nesses
sistemas, onde, inicialmente, o analista deve estruturar uma rede semntica e hierrquica, em
seguida gerar elementos de anlise de procedimento geralmente realizados por um processo de
14

segmentao, e, por fim, descrever as classes quanto aos atributos, limiares, funes de
pertinncia Fuzzy e regras de agregao dos valores de pertinncia.
Assim, sistemas de interpretao de imagens baseados em OBIA, como o Definiens
Developer e o InterIMAGE (COSTA et al. 2008; COSTA et al. 2010), se utilizam destas
formas de representao do conhecimento e estratgia de anlise de diferentes maneiras, mas
sob a mesma lgica subjacente. Ou seja, o conhecimento implcito est presente nos algoritmos
de processamento de imagens (segmentao e classificao, basicamente) e o conhecimento
explcito encontra-se na forma de redes semnticas e hierrquicas, no caso do Definiens
Developer, e de redes semnticas e regras de deciso no InterIMAGE (NOVACK, 2009).

3.1.2.6 Classificao baseada em objeto

Navulur (2006) define objeto como um conjunto de pixels de semelhantes propriedades


espectrais e espaciais. Assim, a aplicao da OBIA refere-se anlise da imagem no espao
dos objetos e no no espao de pixels, desta forma, os objetos so usados como dados de
entrada para classificao de imagem, em vez de pixels. Conforme apresentado no item 3.1.2.1,
a segmentao da imagem a principal tcnica utilizada para converter uma imagem em
objetos. Um objeto tem, alm de valores espectrais, formas, tamanhos, texturas, contextos,
dentre outros atributos que podem ser utilizados no processo de classificao por meio da
modelagem destes conhecimentos.
Segundo Pinho et al. (2005), a anlise baseada em objetos requer um procedimento
preliminar de segmentao para a criao destes, que, na prtica, constitui o reconhecimento de
objetos do mundo real representados na imagem, fazendo com que o nmero de elementos a
serem interpretados no processo de classificao se reduza drasticamente (VIEIRA, 2010). A
segmentao da imagem em diferentes escalas permite a criao de uma rede hierrquica com
diferentes nveis de detalhes, permitindo o relacionamento de objetos maiores (superobjetos)
com objetos menores (subobjetos) (TORRIJOS CADENA, 2011).
De acordo com Antunes (2003), a orientao a objeto na imagem pode ser entendida
como a anlise da relao de um objeto com os seus objetos vizinhos. Desta forma, de acordo
com Definiens (2003), existem algumas premissas que devem ser consideradas na anlise
orientada a objetos:

a caracterizao dos objetos da imagem no pode se restringir apenas a atributos


espectrais, pois estes muitas vezes no conseguem delimitar objetos complexos, sendo
15

necessria a insero do conhecimento do analista no sistema de classificao da


imagem;

os objetos de interesse a serem extrados de uma determinada cena podem estar


associados a diferentes nveis de escalas, que devem estar representadas no processo de
classificao. Assim, em uma cena de um ambiente, existem pequenos alvos, como
casas, por exemplo, que se relacionam a um nvel mais detalhado de escala, e reas
industriais com grandes construes, que se relacionam em uma menor escala; e

a descrio do espao de atributos de uma determinada classe pode ser imprecisa, o que
introduz incertezas na associao de um objeto a determinada classe.
Segundo Pinho (2006), a materializao destas premissas dada pelos procedimentos

de segmentao de multirresoluo, citados no item 3.1.2.1, e pela estruturao das classes em


uma rede semntica.
A abordagem baseada em objetos favorece a estruturao das classes em uma rede
semntica que permite a insero de informaes cognitivas no processo de classificao, que
pode estruturada de forma hierrquica. Desse modo, possvel a criao de uma rede
semntica hierrquica, que permite, de forma progressiva, que sejam atribudas classes aos
objetos (LUIZ et al., 2009).
A vantagem da classificao baseada em objeto que o usurio pode isolar objetos e
explorar, juntamente com informaes espectrais, propriedades espaciais, como a rea do
objeto, o comprimento, a largura e direo, entre outros, ou seja, a tcnica permite que o
usurio tire proveito de todas as dimenses de sensoriamento remoto. Navulur (2006) apresenta
algumas vantagens da abordagem baseada em objetos, explorando estas dimenses:

espectrais: bandas multiespectrais, incluindo banda pancromtica;

espacial: rea, comprimento, largura, direo;

textural: variao dos valores espectrais;

morfolgicas: parmetros de forma, textura;

contextual: relaes com os vizinhos, anlise de proximidade;

incorpora atuais mtodos comprovados/tcnicas utilizadas para a anlise de imagem,


tais como classificao supervisionada e lgica Fuzzy, e baseado em regras de
classificao;

incorpora algumas das funcionalidades GIS para a classificao temtica, incluindo o


uso de informaes auxiliares, dados vetoriais, medidas de distncia etc.; e

extrai caractersticas da mesma cena em diferentes resolues.


16

3.1.3 Sistemas para classificao de imagens


Existe uma grande variedade de sistemas para classificao de imagens. Sistemas
proprietrios com potencialidade de extrair informao com muita eficincia dos mais variados
sensores remotos e ainda uma gama de software livres, alguns com eficincia de classificao
muito prxima de sistemas proprietrios. Na tabela 2 apresentada uma lista com exemplos de
alguns sistemas de Processamento Digital de Imagens PDI, que realizam a classificao
automtica de imagens com algumas caractersticas relevantes.

Tabela 2 - Sistemas de processamento digital de imagens - PDI


SOFTWARE
DE PDI

QUALIDADES

LIMITAES

livre;
SPRING

Elevado nmero ferramentas;


Faz anlise espacial.
livre;

GRASS GIS

OpenEv

Faz

anlise espacial,

Utiliza banco de dados prprio;


Interface pouco intuitiva.
Interface grfica pouco amigvel;

incluindo Banco de dados prprio;

edio de topologia.

Limitaes no processamento.

livre;

No possui boa impresso de

Possui visualizao em 3D;

mapas;

Georreferenciamento de imagens.

Interface pouco elaborada.


Banco de dados prprio;

InterIMAGE

livre;

Interface pouco intuitiva;

Anlise OBIA;

Limitaes no processamento;

Insero de outros operadores.

No faz avaliao da preciso do


resultado.

livre;
MultiSpec

Interface intuitiva;
Processamento hiperespectral;

Limitaes no processamento.

No precisa de instalao.
livre;
gvSIG

Faz

anlise espacial,

incluindo Limitaes no processamento.

edio de topologia.
17

Faz

anlise espacial,

incluindo

edio de topologia;
ArcMap

Interface intuitiva;

proprietrio;

Conexo do banco de dados;

Licena de alto custo.

Conjunto

de

ferramentas

abrangente.
Conjunto

muito

abrangente

de

ferramentas;
Envi

proprietrio;

Interface intuitiva;

Licena de alto custo.

Processamento hiperespectral;
Visualizador n-dimensional.
Sistemas
ERDAS

especialistas

classificao de imagens subpixel;

proprietrio;

Processamento hiperespectral;

No tem abordagem multiescala.

Compresso de imagens.
GEODMA

Definiens
Developer

IDRISI Taiga

PCI
Geomatics

livre;
Ferramentas
dados;

Funcionamento acoplado ao sistema


de

minerao

de TerraView.

proprietrio;
Anlise OBIA;
Licena de alto custo;
Extrao de feies com qualidade;
Faz avaliao da preciso do No faz anlise de componentes
resultado.
principais.
Classificadores de redes neurais; proprietrio.
Abordagem multiescala.
Conjunto
de
ferramentas
abrangente;
proprietrio.
Interface intuitiva.
Mosaico automtico inteligente.

ERMapper

Conexo direta com ArcGIS;


Conexo do banco de dados; proprietrio.
Interface intuitiva.

ILWIS

livre;
Conexo do banco de dados;
Interface intuitiva.

Limitaes no processamento.

18

3.1.3.1 O sistema InterIMAGE


Dentre os software de classificao baseados em objetos, destaca-se o InterIMAGE,
sistema de cdigo aberto, desenvolvido pelo Laboratrio de Viso Computacional do
Departamento de Engenharia Eltrica da Pontifcia Universidade Catlica do Rio de Janeiro e
pelas divises de Processamento de Imagens e de Sensoriamento Remoto do Instituto Nacional
de Pesquisas Espaciais (COSTA et al., 2008).
Como o InterIMAGE baseou-se no aplicativo GeoAIDA (BUCKNER et al., 2001), ele
herdou deste sistema o seu design funcional bsico, estruturas de conhecimento e mecanismos
de controle (COSTA et al., 2009), deixando o sistema como suporte para integrao de
operadores de processamento de imagens no processo de interpretao. Tais operadores so
tratados como programas externos pelo seu mecanismo de controle, podendo ser codificados
por qualquer linguagem computacional e podem at mesmo ser programas proprietrios
(COSTA et al. 2008; COSTA et al. 2010).
Pahl (2003) descreve o funcionamento do software (figura 5) baseado no projeto
GeoAIDA. No lado esquerdo da figura so mostradas as entradas do processo de interpretao.
A rede semntica representa o modelo de conhecimento definido pelo especialista humano e
processado pelo sistema para a interpretao de uma cena (extenso geogrfica), recoberta por
uma ou mais imagens ou dados vetoriais geo-referenciados. Durante a interpretao da cena, os
dados de entrada so processados com o auxlio de operadores top-down e bottom-up.
Operadores top-down so responsveis por particionar (segmentar) a cena em sub-regies
(segmentos) e geram as hipteses de objetos (atribuir classes aos segmentos). Operadores
bottom-up avaliam as hipteses de objetos, validando-as ou no, e resolvendo eventuais
conflitos espaciais, reunindo os objetos em grandes unidades (grupos). No lado direito da
figura apresentado o resultado da interpretao, na forma de um mapa temtico com nvel de
detalhamento dependente das especificaes e escolhas do analista.
O modelo de conhecimento sobre a cena a ser interpretada est representado em uma
rede semntica. Pahl (2003) define rede semntica com um grafo orientado, no qual os ns
representam objetos, ideias, acontecimentos ou fatos ligados por arcos que descrevem a relao
dos ns entre si, em que a associao dos ns estritamente hierrquica, isto , cada n tem
exatamente um n superior (n pai). Cada n corresponde a uma classe de objeto
potencialmente presente na cena. Podem-se associar atributos a cada n. Alm de atributos

19

genricos como Name e Class, pode-se associar a cada n um operador top-down e um


operador bottom-up.

Figura 5 - Esquema do processo de interpretao de uma cena no InterIMAGE


Fonte: Adaptada de Pahl (2008).

3.2

Qualidade de dados
Segundo Monico et al. (2009), qualquer medida est sujeita aos mais variados tipos de

erros, quer seja de natureza grosseira, sistemtica ou aleatria. A confiabilidade de qualquer


mapa est diretamente vinculada sua exatido, a qual indica a proximidade de uma
observao ou medida de seu valor real. Nesse sentido, realizada a classificao de imagens,
necessita-se de algum procedimento estatstico que defina a acurcia ou exatido da mesma
(BERNARDES et al., 2006).
De acordo com Bicas (2003), preciso refere-se invariabilidade com que so obtidos
os valores de medidas realizadas em condies rigorosamente similares, esta medida muitas
vezes confundida com a exatido, que se refere variabilidade das medidas, sendo o valor
mdio da distribuio o exato. Outro termo que utilizado para indicar a qualidade de uma
grandeza a acurcia, que definida por Mikhail & Ackermann (1976) como sendo o grau de
proximidade de uma estimativa com seu parmetro.
Na figura 6 apresentada uma ilustrao diferenciando exatido, preciso e acurcia,
onde: no alvo a os resultados so acurados porque, em mdia, esto prximos do valor
verdadeiro, mas no so precisos porque h certa disperso; no alvo b os dados so precisos
e acurados; no alvo c, a pior situao, os dados no so nem precisos nem acurados. No alvo
20

d os resultados so precisos porque esto prximos entre si, mas no so acurados porque
esto distantes do valor verdadeiro.
Comparando o alvo d com a situao ideal b, pode-se dizer que os dados de d
seguem um erro sistemtico e que (se fossem tiros no alvo, conclua-se que o atirador bom,
porm a arma deveria estar desregulada). J em no alvo a deduz-se que a mira da arma est
em ordem, mas o atirador no tem habilidade suficiente.

Figura 6 - Diferena de acurcia e preciso

De acordo com Montgomery & Schuch (1993), citado por Antunes (1997), em qualquer
mapa temtico obtido por meio da classificao digital, pode ser efetuada a anlise da acurcia
referente s seguintes componentes:

posicional, que se refere preciso espacial do mapa e que varivel de acordo com a
sua escala; e

temtico, que se refere preciso da classificao das diferentes categorias que


compem o mapa.
As componentes citadas so interdependentes, entretanto, a avaliao geralmente

realizada de forma independente, considerando se a preciso posicional verificada compatvel


com a escala do levantamento e com a retificao da imagem (ANTUNES, 1997).

3.2.1 Matriz de confuso

Para avaliar o desempenho de uma classificao de forma objetiva necessrio utilizar


critrios quantitativos. Dentre os mtodos de avaliao da qualidade de classificaes
21

discutidos na literatura, os mais utilizados so baseados na matriz de confuso ou matriz de


erros.
Segundo Congalton & Green (1999), a matriz de confuso uma maneira muito eficaz
para representar a preciso do mapa. Uma matriz de confuso ou matriz de erros uma matriz
quadrada que expressa a relao do nmero de unidades de amostra atribuda a uma categoria
particular de duas classificaes. Nessa matriz, geralmente, as colunas representam os dados de
referncia (verdade de campo) e as linhas representam a classificao obtida com algum
mtodo de classificao automtica.
Em uma matriz de confuso, a frequncia observada na diagonal (nii) representa os
elementos classificados corretamente. A coluna marginal (ni+) representa o total de elementos
classificados para uma categoria i. A linha marginal (n+i) representa o total de elementos de
referncia amostrados para uma categoria i (tabela 3).
Congalton (1991) afirma que se a matriz for mal construda, toda a anlise
insignificante. Portanto, os seguintes fatores devem ser considerados para a construo de uma
matriz corretamente: padro, unidade e nmero de amostras. Estes fatores fornecem
informaes essenciais para a avaliao de uma matriz.

Tabela 3 - Estrutura de uma matriz de confuso


j = Colunas (Referncia)
1

Total de
Linhas

i = Linhas (Classificao)

ni+
1

n11

n12

n1k

n1+

n21

n22

n2k

n2+

n2k

n2k

nkk

nk+

n+1

n+2

n+k

Total de Colunas
n+i

Fonte: Adaptada de Congalton & Green (1999).

22

3.2.2 Padro, unidade e nmero de amostras

De acordo com Brites et al. (1996), entende-se por padro de amostragem a maneira,
em termos espaciais, em que as amostras sero tomadas sobre uma dada rea. Em
sensoriamento remoto, estes padres so de fundamental importncia, uma vez que, a depender
deles, poder-se- incorrer na incorporao de amostras com alta correlao espacial.
Dentre os padres de amostragem tm-se: amostragem totalmente casualizada, onde
todos os indivduos possuem igual chance de serem selecionados; a amostragem sistemtica,
onde a amostragem feita por um processo probabilstico no casualizado, seu critrio de
probabilidade se estabelece por meio da aleatorizao da primeira unidade amostral. A
amostragem sistemtica estratificada, que combina propriedades da amostragem sistemtica e
da amostragem estratificada, propiciando a cobertura de toda a rea de interesse e,
simultaneamente, preservando a casualidade do procedimento (BRITES et al., 1996).
Unidades de amostragem so as pores do mapa que sero selecionadas para avaliao
da preciso. Existem quatro escolhas possveis para a unidade de amostragem: (1) um nico
pixel, (2) um conjunto de pixels (muitas vezes um quadrado 3 x 3 pixels), (3) um polgono (ou
objeto) e (4) um conjunto de polgonos (CONGALTON & GREEN, 1999).
De acordo com Torrijos Cadena (2011), normalmente duas estratgias podem ser
usadas no sentido de calcular o nmero de amostras necessrias para computar a acurcia: a
distribuio binomial e a multinomial. O modelo binomial apenas apropriado para computar
o nmero de amostras necessrio para uma nica classe visto que este simplesmente faz a
distino entre classificao correta e incorreta e no leva em conta o conjunto de classes
analisadas. Por outro lado, na distribuio multinomial, o processo de validao no uma
questo apenas de certo ou errado, mas o erro deve ser classificado em relao ao total de
possibilidades (ou conjunto de classes), de modo que o uso dessa distribuio implica no
conhecimento a priori do nmero de classes e suas propores no mapa.
Congalton & Green (1999) afirmam que a criao de uma matriz de erros no
simplesmente uma questo de correto ou incorreto (o caso binomial), e sim uma questo de
qual ou quais categorias de erros esto confusas. Portanto, o uso de uma distribuio binomial
para a determinao do tamanho da amostra para uma matriz de confuso no apropriado e
sim uma distribuio multinomial, j que esta leva em considerao o nmero de classes. Com
base nisso, os autores apresentam a equao 3.5 para determinao do nmero de amostras:

23

(3.5)

N = nmero de amostras;
B = obtido de uma tabela de distribuio qui-quadrado com um grau de liberdade e 1 - / k;
k = nmero de classes;
1 - = grau de confiana;
= proporo da classe com maior rea no mapa; e
b = mximo erro admissvel.

3.2.3 Coeficientes de concordncia

Seguindo os critrios para a construo da matriz de confuso, a avaliao da acurcia


pode ser obtida por meio de coeficientes de concordncia derivados dela, sendo que estes
podem ser expressos como concordncia total ou para classes individuais (FIGUEIREDO &
VIEIRA, 2007).
O coeficiente de concordncia total mais utilizado, segundo Levada (2010), a taxa de
acerto ou Exatido Global (HELLDEN et al., 1980). Porm, apenas o clculo da exatido
global no suficiente, havendo a necessidade de ndices que levem em conta a matriz por
completo como, por exemplo, os Coeficientes de Concordncia Tau (KLECKA, 1980) e Kappa
(COHEN, 1960).
Os coeficientes de concordncia por classe iro avaliar as classes de forma individual.
Dentre os mtodos mais utilizados na literatura, tem destaque o Kappa condicional (BISHOP et
al., 1975). A exatido do usurio e do produtor foi introduzida em estudos de sensoriamento
remoto realizados por Story & Congalton (1986).
De acordo com Antunes (1997), a avaliao da acurcia por meio de diferentes tipos de
coeficientes de concordncia permite a obteno de um grau de confiabilidade das categorias
classificadas na imagem, sob diferentes perspectivas e metodologias.

3.2.3.1 Exatido Global

A taxa de acerto ou Exatido Global (Po), proposta por Hellden et al. (1980) (Equao
3.6), calculada dividindo-se a soma dos valores da diagonal principal, que representa o

24

nmero de amostras classificadas corretamente nii, pelo nmero total de amostras coletadas N,
ou seja:

(3.6)

M = nmero de categorias informacionais presentes na matriz de erros;


nii = elementos da diagonal principal, ou seja, elementos classificados corretamente; e
N = nmero total de amostras.

Segundo Brites et al. (1996), o ndice G apresenta os maiores valores quando


comparado a outros ndices pelo fato de considerar apenas a diagonal principal da matriz de
erros, ignorando a ocorrncia de concordncia casual entre as classes.

3.2.3.2 Coeficiente Kappa


Cohen (1960) define Kappa (K) como um coeficiente de concordncia entre dados da
classificao e verdade de campo para escalas nominais.
Desta forma, K, assim como G, tambm representa a concordncia entre a classificao
e a realidade de campo. Ele determina a concordncia esperada a posteriori, ou seja, a
concordncia esperada somente poder ser determinada aps a construo da matriz de
confuso (BERNARDES et al., 2006).
O coeficiente de concordncia K pode ser determinado pela equao 3.7.

(3.7)

Po = exatido global (proporo de unidades que concordam); e


Pc = proporo de unidades que concordam por casualidade, representada pela equao
3.8.

(3.8)

M = nmero de classes;
ni+ = total de elementos classificados para uma categoria i;
25

n+i = total de elementos de referncia amostrados para uma categoria i; e


N = nmero total de amostras.

O resultado da estatstica Kappa normalmente comparado aos valores contidos na


tabela 4, proposta por Landis & Koch (1977), a fim de indicar a qualidade do mapa temtico.
Embora essa tabela tenha sido desenvolvida para analisar resultados de diagnsticos clnicos, a
mesma tem sido referncia para classificar mapas resultantes da utilizao de imagens de
sensoriamento remoto (PRADO, 2009).

Tabela 4 - Qualidade da classificao associada ao ndice Kappa


ndice Kappa

Desempenho

<0

Pssimo

0 < k 0,2

Ruim

0,2 < k 0,4

Razovel

0,4 < k 0,6

Bom

0,6 < k 0,8

Muito Bom

0,8 < k 1,0

Excelente

Fonte: Adaptada de Landis e Koch (1977).

Segundo Brites et al. (1996), o ndice Kappa recomendado como uma medida
apropriada para avaliar a exatido porque no representa apenas os valores que se situam na
diagonal principal da matriz, mas ela por inteiro, sendo esta uma forma padronizada para
reportar erros em locais especficos.

3.2.3.3 Coeficiente Tau


O coeficientes de concordncia Tau (T) (Klecka, 1980), ao contrrio do coeficiente
Kappa, baseia-se na probabilidade a priori, permitindo, assim, a obteno do valor da
concordncia esperada (Pr) mesmo antes de efetuar a checagem dos resultados da simulao de
mapeamento. Isso fornece uma clara indicao de como a classificao se comporta quando
comparada com a atribuio casual dos pixels s categorias ou classes (BERNARDES et al.,
2006).
O coeficiente de concordncia Tau pode ser determinado pela equao 3.9.
26

(3.9)

T = coeficiente Tau;
Po = exatido global (proporo de unidades que concordam);
Pr = 1/M; e
M = nmero de classes.
Segundo Brites et al. (1996), Tau um ajuste do percentual de concordncia (G) pelo
nmero de categorias. medida que este nmero aumenta, Tau se aproxima da percentagem
de G.
A interpretao do coeficiente Tau ligeiramente diferente do Kappa: ele indica a
percentagem de elementos (pixels) a mais que foi classificada corretamente em relao ao que
seria esperado apenas pela sorte (LEVADA, 2010).
Antunes (2003) afirma que, similarmente como o coeficiente Kappa, o coeficiente Tau
mede o grau de concordncia em escalas nominais, assumindo que: as unidades so
independentes; as classes ou categorias da escala nominal so independentes e mutuamente
exclusivas; o classificador e os pontos de referncia operam de forma independente.

3.2.3.4 Kappa Condicional

Rosenfield & Fitzpatrick-Lins (1986) propem o Kappa condicional (Ki) como uma
medida de preciso para categoria individual, baseado no ndice K de Cohen (1960). Sendo
calculado pela equao 3.10.

(3.10)

Ki = Kappa condicional;
N = nmero total de amostras;
ni+ = total de elementos classificados para uma categoria i;
n+i = total de elementos de referncia amostrados para uma categoria i; e
M = nmero de classes.

27

3.2.3.5 Exatido do usurio e do produtor

A partir dos erros de omisso (o) (amostras de uma classe especfica que foram
classificadas como outras) e de comisso (c) (amostras de outras classes classificadas como
uma classe especfica) so calculadas as exatides do produtor (ep) e do usurio (eu).
A ep calculada a partir dos dados da referncia (verdade), dividindo o nmero total
de amostras corretamente classificadas em uma categoria pelo nmero de amostras que foram
classificadas nessa categoria, ou seja, o total da coluna (STORY & CONGALTON 1986).
calculada pela equao 3.11.

(3.11)
ep = exatido do produtor;
nii = elementos da diagonal, ou seja, elementos classificados corretamente; e
n+i = total de elementos de referncia amostrados para uma categoria i.
J a exatido do usurio eu calculada a partir dos dados da classificao, dividindo o
nmero total de amostras corretamente classificadas em uma categoria pelo nmero de
amostras que foram classificadas nessa categoria, ou seja, o total da linha (STORY &
CONGALTON 1986). calculada pela equao 3.12.

(3.12)

eu = exatido do usurio;
nii = elementos da diagonal, ou seja, elementos classificados corretamente; e
ni+ = total de elementos classificados para uma categoria i.

28

MATERIAL E MTODOS

4.1

rea de estudo

A rea selecionada para este estudo foi a cidade satlite de Sobradinho - DF, regio
administrativa RA V, e parte da cidade satlite de Sobradinho II - DF, RA XXVI, (Figura 7).
A RA V corresponde a cidade satlite de Sobradinho, que foi fundada em 13 de maio de
1960 para abrigar a populao que vivia nos acampamentos de empreiteiras localizadas na Vila
Amauri, no Bananal e nas invases prximas Vila Planalto, inundadas pelas guas do Lago
Parano, e tambm aos funcionrios da NOVACAP e do Banco do Brasil que vieram para a
implantao da nova capital. Em 1964, por meio da Lei n 4.545, de 10 de dezembro de 1964,
Sobradinho tornou-se a RA V e o Decreto n 11.921 fixou os limites da regio (CODEPLAN,
2011).
No incio dos anos 1990 foi criado o Ncleo Habitacional Sobradinho II como parte do
Programa de Assentamento de Populao de Baixa Renda. O objetivo desse programa foi
beneficiar famlias que compartilhavam um lote com outras famlias e tambm fixar os
moradores das invases do Ribeiro Sobradinho. Em 27 de janeiro de 2004, com a Lei n
3.314, Sobradinho II foi separada de Sobradinho e transformada na RA XXVI (CODEPLAN,
2011).

Figura 7 - Localizao da rea de estudo e abrangncia das regies administrativas V e XXVI

4.1.1 reas-teste

A rea de estudo est dividida em trs reas-teste (Figura 8). Cada rea-teste possui a
dimenso de 700 x 400 metros, ou seja, 280.000 m2. Estas dimenses foram definidas levando
29

em considerao limitaes do InterIMAGE em termos de processamento de imagens de


grandes dimenses e a busca por uma maior variedade de alvos urbanos.

Figura 8 - Localizao das reas-teste

A rea-teste 1 (Figura 9) parte do condomnio Vivendas Bela Vista, Grande Colorado,


em Sobradinho (RA V). Esta rea foi escolhida por representar bem as reas com moradias de
classe mdia alta, existentes na RA V. Estas reas caracterizam-se por apresentar grandes casas
residenciais, com coberturas entre 350 a 500 m2. Outra caracterstica que diferencia essa rea
das demais a presena de grandes reas verdes (rvores e gramneas), piscinas e telhados,
com uma caracterstica peculiar, que o uso de cobertura de cimento com pigmentao verde.

Figura 9 - Localizao de rea-teste 1

30

A rea-teste 2 (Figura 10) faz parte do Setor Oeste da cidade satlite de Sobradinho II
(RA XXVI).

Figura 10 - Localizao de rea-teste 2

Assim como a rea-teste 1, a rea-teste 2 foi escolhida pela sua riqueza de alvos
urbanos. Diferente das outras reas, ela apresenta uma grande quantidade de pequenas casas
residenciais (rea construda variando de 50 a 100 m2), separadas, geralmente, por um muro,
dificilmente com presena de jardins e quintais, fazendo com que as casas fiquem muito
prximas umas das outras, dando a sensao de continuidade (casas geminadas) quando
utilizam um mesmo tipo de cobertura.
Um diferencial desta rea-teste, que contribuiu para sua escolha, consiste em uma
grande concentrao de alvos especficos, como, por exemplo, coberturas com telhas de
amianto e solo exposto. Estes alvos so importantes, pois so comuns em reas urbanas e suas
identificaes em classificaes geralmente esto sujeitas a grande mistura com outros alvos.
A rea-teste 3 (Figura 11) compreende parte das quadras 3, 4, 5 e 6, inseridas na RA V.
Esta rea foi escolhida por apresentar, alm de caractersticas como casas prximas com
cobertura de mesmo material, casas mais afastadas com jardins, quintais, piscinas e telhados
com materiais diversos, apresentando edificaes com reas construdas variando de 500 a 800
m2 (as medidas de rea foram feitas com a ferramenta Measure an area, no software ArcGIS
9.3) em locais que apresentam caractersticas diferenciadas das reas residenciais, podendo ser
31

entendidas como comerciais (cerca de 500 a 800 m2) de metal, alm de grandes
estacionamentos de asfalto. Existe tambm a presena de locais destinados a jardins e reas
verdes dentro das quadras.

Figura 11- Localizao de rea-teste 3

4.2

Materiais utilizados

Para execuo deste trabalho foram utilizados os seguintes produtos:


a) Duas imagens do sensor Worldview II: uma pancromtica com resoluo
espacial de 0,46 m e outra multiespectral, com oito bandas espectrais com
resoluo espacial de 1,84 m e resoluo radiomtrica de 11 bits, tomadas em
08/11/2011;
b) Arquivos vetoriais no formato ESRI Shapefile com polgonos das quadras e
arruamentos das reas de estudo, elaborados pela TERRACAP - Agncia de
Desenvolvimento do Distrito Federal.
Para a realizao das classificaes das imagens e demais procedimentos foram
utilizados os seguintes pacotes de software:
a) ArcGIS v9.3 (ESRI, 2008);
b) ENVI v4.7 (ITT, 2009);
c) SPRING v5.2 (INPE, 1996); e
d) InterIMAGE v1.27 (COSTA et al. 2008; COSTA et al. 2010).
32

4.3

Mtodos

A figura 12 mostra esquematicamente as etapas metodolgicas do trabalho.


Seleo da imagem
Fuso
Escolha de reas-teste
Recorte da imagem
Definio de classes

Construo de rede Semntica


Classificao

MAXVER
Pixel a pixel

Baseada em objetos

Por regio

SAM

Bhattacharya
Clculo para nmero de amostras
Seleo aleatria de pontos para checagem
Checagem por interpretao visual
Verificao da exatido (Matriz de confuso)
Coeficientes de Concordncia (Geral)
Exatido Global

ndice Kappa

ndice Tau

Coeficientes de Concordncia (Por classe)


Kappa condicional

Exatido do usurio

Exatido do produtor

Avaliao da exatido
Resultados
Fase preparatria

Fase de avaliao das classificaes

Fase de classificaes

Fase de resultados

Figura 12 - Esquema das etapas metodolgicas do trabalho

33

Os mtodos do trabalho foram divididos em quatro fases: a) fase preparatria, onde


foram realizados todos os trabalhos que precedem classificao e anlise de qualidade; b)
fase de conhecimento, na qual foram realizadas todas as classificaes, alm de seleo e
checagem de pontos; c) fase de anlise de resultados, onde foi avaliada a qualidade de cada
classificao; e d) fase de resultados, onde os dados de qualidade foram sistematizados para
possibilitar a anlise.

4.3.1 Fase preparatria

Como as imagens do Worldview II j foram fornecidas georreferenciadas no Datum


WGS-84, pela Digital Globe, o primeiro passo foi submet-las a um processo fuso de
imagens, onde foi utilizado o mtodo pan-sharpening recomendado por Carvalho et al. (2011),
em que as bandas multiespectrais foram fusionadas com a banda pancromtica. Logo em
seguida, foi feito um recorte utilizando, como mscara, os vetores das reas-teste selecionadas,
e, posteriormente, foram individualizadas classes para cada rea-teste, conforme o quadro 1.
Quadro 1 - Classes identificadas na imagem Worldview II
Classe (imagem)

Definio
A

classe

Asfalto

Ocorrncia
refere-se

a Ruas
e
revestimentos asflticos, geralmente de estacionamentos
cor escura, composto por material fora das quadras
cimentante, betume, alcatro, dentre residenciais de
outros metais.
A classe Cobertura de Cermica Clara
refere-se a telhas de cermica com um
tempo menor de cozimento, feitas com
argila com baixo teor de xido de ferro,
apresentando colorao clara.
A classe Cobertura de Cermica referese a telhas de cermica com um tempo
maior de cozimento, feitas com argilas
com alto teor de xido de ferro,
apresentando colorao avermelhada.

todas as reas.
Dentro

das

quadras
residenciais das
reas 1 e 3.

Dentro

das

quadras
residenciais

de

todas as reas.
34

A classe Cobertura de Cimento Escuro


refere-se a telhas de cimento compostas
por fibra mineral extrada do amianto,
que depois de um tempo de uso ficam
com a colorao escura.

Dentro

das

quadras
residenciais das
reas 2 e 3.

A classe Cobertura de Cimento Claro


refere-se a telhas de concreto (areia e
cimento

materiais Dentro

das

impermeabilizantes), alm de uma quadras de todas


pigmentao de cor branca na massa as reas.
do concreto,

resultando

em

uma

colorao clara.
A classe Cobertura de Cimento Mdio
refere-se a telhas de amianto novas e
telhas feitas de concreto (areia e
cimento

impermeabilizantes)

materiais
com

colorao

Dentro

das

quadras de todas
as reas.

cinza claro.
A classe Cobertura de Cimento Verde
refere-se a telhas de concreto (areia e
cimento

materiais Dentro

das

impermeabilizantes), alm de uma quadras da rea


pigmentao de cor verde na massa 1.
do concreto,

resultando

em

uma

colorao esverdeada.
Dentro

das

A classe Cobertura Metlica refere-se a quadras


telhados de metal, em geral que tenham reas

das
2

como matria-prima o ao revestido (galpes,


por zinco.

fbricas

quadras
35

cobertas).

A classe Piscina consiste em piscinas, Dentro

das

ou seja, tanques de gua para esporte e quadras

das

lazer.

reas 1 e 3.

Ruas

no

A classe Solo Exposto consiste em pavimentadas,


reas
em
que o
solo
est campos
de
completamente mostra. Sua colorao futebol e reas
varia de amarelo claro a laranja.
desocupadas.
Est presente em
todas as reas.
A classe Sombra consiste em reas da
imagem

com

pouca

iluminao,

causada pelo fato da imagem no ter


sido tomada com o sensor e sol ao
nadir. Quanto maior a altura do alvo
maior a sombra projetada.
A

classe

composta

Vegetao
por

rvores

Arbrea
e

arbustos

maiores, geralmente com colorao


verde-escuro e pode apresentar-se em

Sempre ao lado
de edificaes e
grandes rvores.
Presente

todas as reas.
Jardins,
canteiros
centrais

parques.
Presente

aglomeraes ou rvores isoladas.

em

em

todas as reas.
Jardins,
A

classe

Vegetao

Rasteira

composta por gramneas e pequenos


arbustos, tem colorao verde-claro.

canteiros
centrais

parques.
Presente

em

todas as reas.
36

Essa separao prvia das classes auxiliou a coleta de amostras de treinamento para as
classificaes por pixel e por regio, e tambm para estruturao das redes semnticas de cada
rea-teste, pois, uma vez que se conhece a organizao e a hierarquia das classes, torna-se
possvel a estruturao das mesmas em uma rede semntica que ir subdividir o processo de
interpretao da imagem, tornando a classificao mais simples.

4.3.2 Fase de classificaes

Nesta fase foram realizadas as classificaes utilizando-se os seguintes classificadores:


pixel a pixel (Maxver e SAM) por regio (Bhattacharyya) e a classificao com orientao a
objetos. Nesta fase tambm foram realizadas selees e checagem de pontos para validao do
estudo.
A classificao Maxver consistiu na coleta de amostras de treinamento sobre a imagem
fusionada, onde, por interpretao visual, foram identificados e marcados os alvos de interesse
(neste caso, as classes selecionadas foram as que compuseram a rede semntica de cada reateste), em seguida foi realizada a classificao resultando na imagem classificada. A figura 13
apresenta um exemplo de coleta de amostras de treinamento para a rea-teste 1.

Figura 13 - Amostras de treinamento coletadas sobre a imagem fusionada da rea-teste 1 (classificao Maxver)

A classificao SAM foi realizada no software Envi, onde inicia-se pelo procedimento
de reduo da dimenso espectral, pela metodologia Minimum Noise Fraction (MNF) (GREEN
37

et al., 1988). Esse mtodo, alm de possibilitar a eliminao dos rudos, permite tambm
diminuir a dimensionalidade da imagem em eixos descritos pelos materiais ou feies fsicas
ambientais que constituem a cena, resultando em um novo conjunto de bandas que ordenado
segundo os autovalores de varincia das mesmas.
O prximo passo foi a reduo da dimenso espacial, onde foi utilizado o ndice de
Pureza do Pixel (PPI) (BOARDMAN, 1995; KRUSE, 2003) que registra e contabiliza os
pixels, que so vrtices nas diferentes projees do simplex. Consiste em um mtodo que
objetiva identificar os vrtices de um conjunto convexo que definam uma melhor soluo para
problemas de programao linear. (CARVALHO JUNIOR et al., 2003).
Desta forma, os pontos relativamente mais puros tendem a se repetir nas diferentes
projees, aumentando o seu valor PPI. O nmero de iteraes definido pelo usurio, quanto
maior for o nmero de iteraes estipuladas, mais fidedigna a informao obtida.
(CARVALHO JUNIOR et al., 2003).
Buscando um maior refinamento, o processamento do PPI foi realizado com 10.000
(dez mil) iteraes, visto que este valor representa o nmero de vezes que a reta que define a
pureza do pixel foi disposta para coletar os pixels da extremidade e determinar o nvel de
pureza do mesmo.
Em seguida, foi realizada a identificao dos membros finais pelo visualizador ndimensional, que gerou uma nuvem de pontos referentes aos pixels puros da etapa anterior em
um espao de atributos com n dimenses (n representa o nmero de bandas da imagem).
Esse mdulo permite a manipulao da nuvem de pontos de forma que se obtenha um
posicionamento que melhor discrimine os diferentes grupos de espectros (Figura 14).
(BOARDMAN & KRUSE, 1994).

Figura 14 - Visualizao dos pixels puros em espao n-dimensional para a rea-teste 1

38

De posse dos membros finais (endmembers) extrados do visualizador n-dimensional,


aplicou-se o classificador SAM nos recortes das imagens das reas-teste.
Diferentemente das classificaes anteriores, a classificao por regio foi desenvolvida
no software SPRING v5.2 (INPE, 1996), seguindo as seguintes etapas: segmentao, extrao
de regies e classificao com o algoritmo Bhattacharyya. Aps a realizao destas etapas temse como resultado um mapa temtico.
A segmentao no SPRING foi feita utilizando um algoritmo por crescimento de
regies, desenvolvido pelo INPE (BINS et al., 1996), que depende da definio de dois
limiares, do grau de similaridade (agregao de pixels em funo da semelhana do nvel de
cinza dos vizinhos) e da rea (tamanho mnimo para o estabelecimento de uma regio).
Para Coutinho (1997), os valores ideais de rea e similaridade dependem
principalmente dos padres de repartio espacial dos objetos de cada rea e da definio da
generalizao cartogrfica ideal, em funo da escala cartogrfica da abordagem realizada. No
existe, portanto, uma padronizao de valores destas variveis para a obteno de bons
resultados, havendo a necessidade de vrios testes entre vrias combinaes at o momento em
que o resultado encontrado para a segmentao seja satisfatrio. Assim, estas combinaes
encontradas podem no responder de maneira semelhante se forem aplicadas em outras reas,
mesmo que sejam imagens do mesmo sensor. No quadro 2 so apresentados exemplos de
combinaes de similaridade e rea para a rea-teste 1.

Similaridade

rea

Quadro 2 - Combinaes de similaridade e rea para rea-teste 1

10

15

15

20

Resultado

39

20

25

25

25

25

30

30

35

Com as amostras de treinamento coletadas (Quadro 3), foi executada a classificao


com o algoritmo Bhattacharyya, que as utilizou para treinar o classificador, calculando a mdia
e a matriz de covarincia de cada classe. Em seguida, cada segmento foi alocado a uma dessas
classes, segundo a menor distncia de Bhattacharyya

Quadro 3 - Exemplos de amostras de treinamento para classificao por regio Bhattacharyya


para rea-teste 1

Asfalto

40

Cobertura de Cermica Clara

Cobertura de Cermica

Cobertura de Cimento Claro

Cobertura de Cimento Mdio

Cobertura de Cimento Verde

Piscina

Solo Exposto

Sombra

Vegetao Arbrea

41

Vegetao Rasteira

A fase final desse processo foi o mapeamento das classes em um modelo temtico, no
qual se associou cada um dos polgonos de treinamento a uma determinada classe de cobertura
do solo identificada na imagem.
As classificaes baseadas em objetos foram feitas no software InterIMAGE v1.27,
iniciando com a estruturao das redes semnticas para cada rea-teste (Figura 15). As classes
que compuseram as redes semnticas foram as mesmas definidas na fase preparatria.

Figura 15 - Estruturao de redes semnticas para as trs reas-teste


Com as redes semnticas construdas, foram atribudos operadores top-down a cada n
pai das redes, com o objetivo de passar para os seus ns filhos as mscaras, ou seja, as regies
geogrficas. Para as trs reas-teste, os ns Ruas receberam operador holstico Top-Down
42

TA_Shape_FileImport, que possibilitou a restrio da atuao dos filhos apenas abrangncia


do arquivo shapefile de arruamentos. Os ns Quadras receberam o operador holstico
Dummy Top-Down, que apenas passou para os seus ns filhos a regio geogrfica de seu n
pai, no caso o n Scene. Como foram atribudos valores de pertinncia para os ns Ruas
maiores que para os ns Quadras, a rea de abrangncia dos ns Quadras ficou restrita s
reas geogrficas que sobraram dos ns Ruas.
Ainda utilizando os operadores top-down, foram realizadas segmentaes especficas
para um dos ns filho, implementando o algoritmo desenvolvido por Baatz & Schpe (2000).
Todos os segmentos gerados sobre a imagem transformaram-se em hipteses de objetos de
cada n filho, ou seja, cada classe.
Na sequncia foram criadas e inseridas regras de deciso em cada n da rede semntica,
definidas a partir da anlise dos valores espectrais nas diferentes bandas da imagem Worldview
II (fusionda) e das caractersticas especficas de cada alvo. Esta etapa foi realizada por meio
das respostas encontradas no recurso Analysis Manager do software InterIMAGE, que permitiu
o refinamento dos resultados por meio da anlise de grficos de histogramas.

4.3.3 Fase de avaliao das classificaes

Para todas as classificaes foram efetuadas as anlises da acurcia temtica. Para


realizao destas avaliaes, foram seguidos os seguintes passos: clculo para nmero de
amostras; seleo aleatria de pontos para checagem; checagem por interpretao visual;
verificao da exatido (matriz de confuso) e clculos de coeficientes de concordncia de
forma geral e por classe.
Para este trabalho, a unidade de amostragem escolhida foi o pixel, pelo fato de
apresentar, dentre os classificadores avaliados, dois que utilizam apenas a informao espectral
do pixel para encontrar sua classe mais provvel.
Utilizando o pixel como unidade amostral, foi calculado o nmero de amostras por
meio de uma distribuio multinominal (CONGALTON & GREEN, 1999), que leva em
considerao o nmero de classes e a proporo da classe com maior rea na classificao.
Assim, para cada mtodo utilizado, em cada rea-teste, obteve-se um nmero ideal de
amostras.
A equao 4.1 apresenta um exemplo do clculo de amostragem para a classificao
baseada em objetos da rea-teste 1, onde N representa o nmero de amostras, B obtido de
43

uma tabela de distribuio qui-quadrado com um grau de liberdade de 1 - / k, onde k


representa nmero de classes, que neste caso so onze (k=11). O nvel de confiana desejado
de 95%, assim, tem-se 5% de erro admissvel ( = 0,05). Desta forma, B (

)=

8,051956), i representa a proporo da classe com maior rea na classificao, neste caso de
30,5% (i = 0,305), b o mximo erro admissvel quanto ao nmero apropriado de amostras,
neste caso 5% (b = 0,05). Assim, para esta rea-teste, o tamanho da amostra seria:
(
(

)
)(

(4.1)
) (

A tabela 5 apresenta uma relao dos resultados dos clculos para tamanho de amostra,
para cada classificador aplicado em cada rea-teste.

Tabela 5 - Tamanho das amostras para cada classificao


rea-teste 1
rea-teste 2
rea-teste 3

OBJ REG MAX SAM


682 528
460
637
581 669
589
636
478 633
463
548

Legenda: OBJ: classificao baseada em objetos, REG: classificao por regio (Bhattacharyya), MAX:
classificao por pixel (Maxver) e SAM: classificao por pixel (Spectral Angle Mapper).

Desta forma, foram escolhidos os maiores valores de amostras para cada rea-teste a
fim de garantir que as quatro classificaes de cada rea-teste ficassem bem representadas. Os
valores em cinza na tabela representam os maiores valores que foram utilizados para
representar cada rea-teste. Foram coletados 20 amostras a mais para cada rea teste a fim de
alcanar o valor desejado, mesmo descartando algumas amostras que eventualmente cassem
nos limites das classes.
Conhecendo o tamanho da amostra para cada rea-teste, realizou-se uma amostragem
aleatria simples (por meio da ferramenta Hawths Analysis Tools no software ArcGIS v9.3),
utilizando como espao amostral um arquivo de pontos do centroide de cada pixel das imagens
para cada uma das reas-teste (Figura 16 a 18). Em seguida, foram atribudas s amostras suas
respectivas classes, este procedimento foi feito por interpretao visual na tela do computador,
utilizando a imagem como fundo.
44

Os pontos de amostragem, rigorosamente checados e classificados, foram utilizados


como dados de referncia (verdade de campo), para compor a matriz de confuso. A matriz de
confuso possibilitou calcular os ndices de exatido de concordncia total (Exatido Global e
Coeficientes de Concordncia de Kappa e Tau) e coeficientes de concordncia por classe
(Kappa condicional Exatido do Usurio e do Produtor).

Figura 16 - Amostragem aleatria simples de pontos para rea-teste 1

Figura 17 - Amostragem aleatria simples de pontos para rea-teste 2

45

Figura 18 - Amostragem aleatria simples de pontos para rea-teste 2

46

5 RESULTADOS E DISCUSSO

Neste captulo so apresentados, avaliados e comparados os resultados do mtodo


utilizado nas classificaes da cobertura e uso do solo nas trs reas-teste, a partir do uso de
imagens do satlite WorldView II.

5.1

Segmentaes

O processo de segmentao precedeu s classificaes por regio, com o algoritmo


Bhattacharyya, e baseadas em objetos.
Na classificao por regio, as segmentaes foram geradas de acordo com limiares de
rea e similaridade. O limiar de rea exerceu influncia no nmero de polgonos gerados,
assim, os valores escolhidos foram os que melhor representaram as regies de cada rea-teste.
O limiar de similaridade buscou agrupar cada regio de acordo com a distncia euclidiana
mnima entre as mdias das regies. A boa combinao destes limiares influenciou diretamente
na qualidade das classificaes, pois seus limites representaram os limites das classes da
classificao final. As combinaes de similaridade e rea que obtiveram os melhores
resultados esto listados no Quadro 4.
Quadro 4 - Combinaes de similaridade e rea encontradas para cada rea-teste
Parmetros

Exemplo

rea-teste: 1
Similaridade: 25
rea: 30

rea-teste 2
Similaridade: 25
rea: 30

rea-teste 3
Similaridade: 15
rea: 20
47

Na classificao baseada em objetos, os parmetros das segmentaes foram inseridos


no operador Terra Aida_Baatz_Segmenter, no sistema InterIMAGE, onde foram definidos
valores para pesos relativos s bandas do sistema sensor Worldview II, compacidade, cor e
escala. O parmetro pesos das bandas define a relevncia de cada banda para a classificao.
No foram calibrados os pesos das bandas espectrais, desta forma, atribuiu-se para todas as
bandas do sensor o peso 1, dando a mesma relevncia a todas as bandas na classificao; a
compacidade representou a forma de agrupamento dos pixels de cada objeto, um maior valor
significa objetos mais compactos, ou seja, mais agrupados, um menor valor representa objetos
menos compactos, ou seja, mais espalhados; o parmetro cor refere-se aos valores espectrais
de cada objeto, j que a soma ponderada dos desvios-padro de cada banda; o valor da
escala definir o tamanho de cada objeto. Com estes parmetros ajustados (Tabelas 6, 7 e 8)
foi possvel uma melhor separao de cada classe.

Tabela 6 - Parmetros utilizados para a segmentao das classes da rea-teste 1


Classe
Asfalto
Cobertura de Cermica Clara
Cobertura de Cermica
Cobertura de Cimento Claro
Cobertura de Cimento Mdio
Cobertura de Cimento Verde
Piscina
Solo Exposto
Sombra
Vegetao Arbrea
Vegetao Rasteira

Pesos das bandas


1,1,1,1,1,1,1,1
1,1,1,1,1,1,1,1
1,1,1,1,1,1,1,1
1,1,1,1,1,1,1,1
1,1,1,1,1,1,1,1
1,1,1,1,1,1,1,1
1,1,1,1,1,1,1,1
1,1,1,1,1,1,1,1
1,1,1,1,1,1,1,1
1,1,1,1,1,1,1,1

Compacidade Cor Escala


0.8
0.8
0.8
0.8
0.8
0.9
0.8
0.1
0.8
0.5

0.4
0.4
0.4
0.4
0.4
0.2
0.1
0.8
0.4
0.5

110
110
80
110
110
50
80
80
70
80

Tabela 7 - Parmetros utilizados para a segmentao das classes da rea-teste 2


Pesos das bandas Compacidade Cor Escala
Classe
Asfalto
Cobertura de Cermica
1,1,1,1,1,1,1,1
0.8
0.4
80
Cobertura de Cimento Claro
1,1,1,1,1,1,1,1
0.8
0.4
80
Cobertura de Cimento Escuro
1,1,1,1,1,1,1,1
0.8
0.4
90
Cobertura de Cimento Mdio
1,1,1,1,1,1,1,1
0.8
0.4
90
Cobertura Metlica
1,1,1,1,1,1,1,1
0.8
0.4
90
Solo Exposto
1,1,1,1,1,1,1,1
0.8
0.1
80
Sombra
1,1,1,1,1,1,1,1
0.1
0.8
80
Vegetao Arbrea
1,1,1,1,1,1,1,1
0.4
0.8
70
1,1,1,1,1,1,1,1
Vegetao Rasteira
0.5
0.5
80
48

Tabela 8 - Parmetros utilizados para a segmentao das classes da rea-teste 3


Classe

Pesos das bandas Compacidade Cor Escala

Asfalto

Cobertura de Cermica Clara

1,1,1,1,1,1,1,1

0.8

0.4

90

Cobertura de Cermica
Cobertura de Cimento Claro

1,1,1,1,1,1,1,1
1,1,1,1,1,1,1,1

0.8
0.8

0.4
0.4

90
90

Cobertura de Cimento Escuro

1,1,1,1,1,1,1,1

0.8

0.4

90

Cobertura de Cimento Mdio

1,1,1,1,1,1,1,1

0.8

0.4

90

Cobertura Metlica

1,1,1,1,1,1,1,1

0.8

0.4

90

Piscina

1,1,1,1,1,1,1,1

0.8

0.2

50

Solo Exposto
Sombra

1,1,1,1,1,1,1,1
1,1,1,1,1,1,1,1

0.8
0.1

0.1
0.8

80
80

Vegetao Arbrea

1,1,1,1,1,1,1,1

0.4

0.8

70

Vegetao Rasteira

1,1,1,1,1,1,1,1

0.5

0.5

80

No houve necessidade da insero de parmetros para a classe Asfalto, uma vez que o
critrio de separao desta classe no partiu de uma segmentao, e sim da utilizao dos
arquivos vetoriais de quadras e arruamentos no formato ESRI Shapefile, elaborados pela
TERRACAP.
No n Vegetao Rasteira, em todas as classificaes baseadas em objetos, tambm no
foram inseridos parmetros de segmentao, pois estes foram herdados de seu n pai
(Vegetao), j que o n Vegetao Rasteira recebeu o operador holstico Dummy Top-Down.
Quando se emprega este operador em algum n filho, ele utiliza apenas a regio geogrfica de
seu n pai, assim, os parmetros de segmentao da classe Vegetao Rasteira so os mesmos
do n Vegetao na rede semntica.

5.2

Regras de deciso para separao de classes no InterIMAGE

A separao de classes no InterIMAGE foi feita por meio de insero de regras de


deciso dentro de cada n da rede semntica. Os atributos que foram explorados entre as
bandas e utilizados nas regras de deciso foram: razo, diviso, mdia, soma, desvio-padro,
valores mximos de pixel e brilho. Estes parmetros foram calculados sempre utilizando o
valor mdio do atributo dentro do objeto (segmento). Nas figuras 19 a 24 so apresentadas as
regras de deciso elaboradas para individualizar cada classe. Estas regras foram inseridas
49

apenas nas classes que foram segmentadas, assim, a classe Asfalto no recebeu regras de
deciso. Estas regras foram utilizadas para separar as classes das trs reas-teste.

Figura 19 - Regras de deciso para as classes Cobertura de Cermica Clara (a) e Cobertura de Cermica (b)

Figura 20 - Regras de deciso para as classes Cobertura de Cimento Escuro (a) e Cobertura de Cimento Claro (b)

Figura 21 - Regras de deciso para as classes Solo Exposto (a) e Cobertura de Cimento Verde (b)

Figura 22 - Regras de deciso para as classes Piscina (a) e Sombra (b)

50

Figura 23 - Regras de deciso para as classes Cobertura de Cimento Mdio (a) e Cobertura Metlica (b)

Figura 24 - Regras de deciso para as classes Vegetao Arbrea (a) e Vegetao Rasteira (b)

Estas regras foram definidas a partir da anlise dos valores espectrais nas diferentes
bandas da imagem WorldView II e de caractersticas especficas de cada alvo, isso foi feito por
meio das respostas encontradas no recurso Analysis Manager do software InterIMAGE, que
permitiu o refinamento dos resultados por meio da anlise de grficos de histogramas. As
figuras 25 e 26 apresentam exemplos do recurso Analysis Manager, onde se pode observar um
limiar entre duas modas de cada histograma, assim, o recurso permitiu um fatiamento do
histograma separando as classes. No primeiro histograma (Figura 25), com os valores digitais
da imagem, foi calculada a razo da banda 4, onde nota-se que, ao fatiar o histograma entre as
duas modas, a classe Vegetao Rasteira separada das demais. A figura 26 retrata o
fatiamento do histograma dos valores resultantes da diviso dos nmeros digitais da banda 3
pela banda 2, onde a classe Cobertura de Cermica separa-se das demais.

51

Figura 25 - Separao da classe Vegetao Rasteira das demais, atravs do fatiamento de histograma

Figura 26 - Separao da classe Cobertura de Cermica das demais, atravs do fatiamento de histograma

Os limiares entre modas encontrados por meio da anlise dos histogramas foram
inseridos nas regras de decises utilizadas na etapa top-down, onde a cena foi particionada em
sub-regies (segmentos) que gerou hipteses de objetos (atribuir classes aos segmentos), estas
hipteses foram classificadas nas etapas bottom-up. A etapa bottom-up avaliou as hipteses de
objetos, validando-as ou no e resolvendo eventuais conflitos espaciais, cuja resoluo se deu
por meio de atribuies de valores de pertinncia para cada classe. Com os valores de
pertinncia atribuiu-se uma importncia classe em relao s demais, assim, quando houve
conflitos espaciais, ou seja, quando um segmento foi classificado em duas classes diferentes,
este segmento ficou apenas na classe que apresentou uma importncia (pertinncia) maior. Este
valor foi definido para as classes levando-se em considerao a qualidade de separao de cada
uma delas e a quantidade de segmentos classificados de forma errada. A Tabela 9 apresenta os
valores de pertinncia utilizados em cada classe para cada rea-teste.
Tabela 9 - Valores de pertinncia de cada classe para cada rea-teste
Classes

rea-teste 1 rea-teste 2 rea-teste 3

Asfalto

Cobertura Cermica Clara

Cobertura Cermica

7
52

5.3

Cobertura Cimento Escuro

Cobertura Cimento Claro

Cobertura Cimento Mdio

Cobertura Cimento Verde

Cobertura Metlica

Piscina

Solo Exposto

Sombra

Vegetao Arbrea

Vegetao Rasteira

Reduo da dimenso espectral por Minimum Noise Fraction (MNF) utilizada na


classificao SAM

Para todas as reas-teste, observou-se uma concentrao do sinal nas quatro primeiras
componentes MNF (Figura 27). Isto pode ser notado, tambm, pela comparao visual entre as
bandas MNF apresentadas na figura 28, para a rea-teste 1, onde a imagem foi submetida a
uma transformao sequencial que ordenou os dados de acordo com a relao sinal/rudo
(SNR) (GREEN et al., 1988), resultando em um novo conjunto de bandas que foi ordenado
segundo os autovalores de varincia das bandas. A ordem crescente das bandas implica em
aumento do nvel de rudo, indicado pela menor varincia. (RUDORFF, 2006).

Figura 27 - Autovalores observados pela transformao MNF para dados do Worldview II na rea-teste 1

53

Figura 28 - Componentes da transformao MNF da rea-teste 1

5.4

Mapas temticos e avaliao das classificaes

Neste tpico so apresentados os mapas temticos gerados a partir das classificaes


por pixel (Maxver e SAM), por regio (Bhattacharyya) e baseadas em objetos para as trs
reas-teste e suas respectivas matrizes de confuso. Sero ainda discutidos os resultados das
avaliaes de cada classificao para cada rea-teste pela apresentao das matrizes de
confuso.
54

Visualmente, nota-se que as classificaes baseadas em objetos apresentaram melhores


resultados quando comparadas s classificaes por pixel e por regio.
A acurcia dos resultados das classificaes foi avaliada por meio de matrizes de
confuso de onde foram extrados os coeficientes de concordncia para a avaliao da
concordncia para acurcia total: ndice Kappa (COHEN, 1960), ndice Tau (KLECKA, 1980)
e Exatido Global (HELLDEN et al., 1980). Foi calculado o nmero de amostragens em uma
distribuio multinominal (CONGALTON & GREEN, 1999), utilizando-se o pixel como
referncia e unidade amostral.
No mapa temtico resultante da classificao por regio (Bhattacharyya) para a reateste 1 (Figura 29), visualmente nota-se uma boa separao das classes. Quando se analisa a
matriz de confuso (Tabela 10), percebe-se que as classes Cobertura de Cimento Claro e
Piscina foram as que obtiveram menos misturas com as demais, e, ainda, nota-se que a classe
que mais se misturou foi a Solo Exposto. Estas misturas ocorreram principalmente com as
classes Asfalto, Cobertura de Cermica, Cobertura de Cimento Claro e, principalmente,
Cobertura de Cermica Clara. As porcentagens de exatido total para esta classificao
atingiram valores de exatido global, ndice Kappa e ndice Tau de 80,6%, 78,3% e 78,7%,
respectivamente, tendo o ndice Kappa timo resultado, segundo Landis e Koch (1977).

Figura 29 - Mapa temtico resultante da classificao por regio (Bhattacharyya) para a rea-teste 1

55

Asfalto

64

Cobertura de Cermica Clara

26

Cobertura de Cermica

11

3
1

Cobertura de Cimento Verde

Piscina
2

29 3

Sombra

82
41

96

16

44
1

18

35

Solo Exposto

Total

Vegetao Rasteira

Vegetao Arbrea
1

34
33

35
36

Vegetao Arbrea

Total

34

Cobertura de Cimento Mdio 10

Vegetao Rasteira

Sombra

Solo Exposto

81 4

Cobertura de Cimento Claro

Piscina

Cobertura de Cimento Verde

Cobertura de Cimento Mdio

Cobertura de Cimento Claro

Classificao

Cobertura de Cermica

Asfalto

Referncia
(Verdade)

Cobertura de Cermica Clara

Tabela 10 - Matriz de confuso da classificao por regio (Bhattacharyya) para a rea-teste 1

74

58 10 3

76

60 5

66

107 116

81 56 85 51 43 18 37 51 65 75 120 682

No mapa temtico resultante da classificao por regio (Bhattacharyya), para a reateste 2 (Figura 30), visualmente nota-se uma boa separao das classes, com destaque para a
classe Cobertura de Cimento Claro que teve poucas misturas e que mais contribuiu para o
aumento das porcentagens dos coeficientes de concordncia total.
Ao analisar a matriz de confuso (Tabela 11) nota-se uma maior mistura da classe
Asfalto com a classe Cobertura de Cimento Escuro, assim como da classe Cobertura de
Cermica com a classe Solo Exposto. Os erros destas classes foram os que mais contriburam
para a reduo das porcentagens dos coeficientes de concordncia de exatido total, isso pode
ser explicado, nesta classificao, pelo fato da semelhana espectral destes alvos.
As porcentagens de exatido total para esta classificao atingiram valores de exatido
global, ndice Kappa e ndice Tau de 84,3%, 82,2% e 82,6%, respectivamente. Kappa com
excelente resultado, segundo Landis e Koch (1977).
56

Figura 30 - Mapa temtico resultante da classificao por regio (Bhattacharyya) para a rea-teste 2

Asfalto
Cobertura de Cermica
Cobertura de Cimento Claro
Cobertura de Cimento Escuro
Cobertura de Cimento Mdio
Cobertura Metlica
Solo Exposto
Sombra
Vegetao Arbrea
Vegetao Rasteira
Total

89
5
1
1
3

89

1
77

13
1

83

23
1

41
2

73

99

1
71

73

29

26

Total

Vegetao Rasteira
2
2

1
14

91

5
22

1
84

1
1

Vegetao Arbrea

14

Sombra

79

Classificao

Solo Exposto

Cobertura de Cermica
Cobertura de Cimento
Claro
Cobertura de Cimento
Escuro
Cobertura de Cimento
Mdio
Cobertura Metlica

Referncia
(Verdade)

Asfalto

Tabela 11 - Matriz de confuso da classificao por regio (Bhattacharyya) para a rea-teste 2

9
33
1
43

115
115
78
5 95
15
29
1 46
1 87
3 36
51 53
65 669
57

Visualmente nota-se uma boa separao das classes do mapa temtico resultante da
classificao por regio (Bhattacharyya) para a rea-teste 3 (Figura 31). Analisando a matriz de
confuso (Tabela 12) nota-se que as misturas se comportaram de forma semelhante
classificao por regio para a rea-teste 2, j que suas principais misturas se deram na classe
Asfalto com a classe Cobertura de Cimento Escuro. As classes Cobertura de Cermica e Solo
Exposto foram as que mais contriburam para a reduo das porcentagens dos coeficientes de
concordncia total, essa mistura se deu pelas semelhanas espectrais destes alvos. Em
contrapartida, a classe mais responsvel pelo aumento das porcentagens de exatido total foi a
classe Piscina, j que obteve a melhor separao em relao s demais.
As porcentagens de exatido total para esta classificao atingiram valores de exatido
global, ndice Kappa e ndice Tau de 82,1%, 80,3% e 80,5%, respectivamente. Kappa com
excelente resultado, segundo Landis e Koch (1977).

Figura 31 - Mapa temtico resultante da classificao por regio (Bhattacharyya) para a rea-teste 3

58

Asfalto
Cobertura de Cermica Clara
Cobertura de Cermica
Cobertura de Cimento Claro
Cobertura de Cimento Escuro
Cobertura de Cimento Mdio
Cobertura Metlica
Piscina
Solo Exposto
Sombra
Vegetao Arbrea
Vegetao Rasteira
Total

52
25
2
3
11
4
1

1 18
6
63 1
52
55
1 1
2

4 1
1
16
1 19

3
3
4

2
1

1
21

7
1
1 1
70 31

1
71 63 74

47
64 6
4 52 4
3
6 54
25 20 22 61 70 64 62

Total

Vegetao Rasteira

Sombra

Solo Exposto

Piscina
1

Vegetao Arbrea

Classificao

Cobertura de Cermica
Clara
Cobertura de Cermica
Cobertura de Cimento
Claro
Cobertura de Cimento
Escuro
Cobertura de Cimento
Mdio
Cobertura Metlica

Referncia
(Verdade)

Asfalto

Tabela 12 - Matriz de confuso da classificao por regio (Bhattacharyya) para a rea-teste 3

80
34
70
60
70
24
23
21
54
71
60
66
633

Visualmente nota-se uma boa separao das classes do mapa temtico resultante da
classificao baseada em objeto para a rea-teste 1 (Figura 32), com destaque para o formato
dos objetos, que representou com maior proximidade com o formato real do objeto. Isso se deu
pelo fato da utilizao do segmentador desenvolvido por Baatz e Schpe (2000), o qual
permitiu a insero de parmetros especficos para melhorar o formato do objeto.
Ao analisar a matriz de confuso (Tabela 13), nota-se que as classes que mais
contriburam para o aumento das porcentagens dos coeficientes de concordncia total foram
Asfalto, Cobertura de Cimento Verde e Piscina. Em contrapartida, a classe que mais contribuiu
para a reduo das porcentagens dos coeficientes de concordncia total foi a classe Cobertura
de Cermica Clara, o que pode ser explicado pelo fato de sua semelhana espectral com a
classe de Cobertura de Cimento Claro, alm do nmero reduzido de amostras para esta classe,
fazendo com que qualquer erro tenha valor significativo.
As outras classes tambm tiveram algumas misturas, entretanto, a quantidade de acerto
para estas classes foi suficiente para manter as porcentagens em um patamar alto. As
porcentagens de exatido total para esta classificao atingiram valores de exatido global,
ndice Kappa e ndice Tau de 87,5%, 86,0% e 86,3%, respectivamente. Kappa com excelente
resultado, segundo Landis e Koch (1977).
59

Figura 32 - Mapa temtico resultante da classificao baseada em objeto para a rea-teste 1

Classificao
Asfalto
Cobertura de Cermica Clara
Cobertura de Cermica
Cobertura de Cimento Claro
Cobertura de Cimento Mdio
Cobertura de Cimento Verde
Piscina
Solo Exposto
Sombra
Vegetao Arbrea
Vegetao Rasteira
Total

77
36
8
9

1
80

7
43
1

38

3
15

2
4
1
2
35

3
1
81

2
1

56

3
1

33

85

2
43

51

18

37

11
51

61
2
2
65

Total

Vegetao Rasteira

Vegetao Arbrea

Sombra

Solo Exposto

Referncia
(Verdade)

Asfalto
Cobertura de Cermica
Clara
Cobertura de Cermica
Cobertura de Cimento
Claro
Cobertura de Cimento
Mdio
Cobertura de Cimento
Verde
Piscina

Tabela 13 - Matriz de confuso da classificao baseada em objeto para a rea-teste 1

77
46
1 95
53
44
15
35
1 39
1 68
70 8 81
5 109 129
75 120 682
60

A classificao baseada em objeto para a rea-teste 2 tambm obteve uma boa


separao das classes (Figura 33), com destaque para a classe Asfalto, que obteve bons ndices
em virtude da utilizao de um arquivo shapefile que serviu como mscara.
Ao analisar a matriz de confuso (Tabela 14) nota-se que a classe que obteve melhor
separao das demais foi a Cobertura Metlica, em funo de sua pouca mistura com as
demais, apesar do reduzido nmero de amostras de referncia. As classes Cobertura de
Cimento Claro e Cobertura de Cimento Escuro tambm tiveram uma boa separao, alm de
terem contribudo significativamente para o aumento das porcentagens dos coeficientes de
concordncia total.
As classes que mais contriburam para a reduo das porcentagens dos coeficientes de
concordncia total, calculados a partir da matriz de confuso, foram Cobertura de Cermica e
Solo Exposto, mais uma vez a semelhana espectral foi a causa dessa mistura.
As porcentagens de exatido total para esta classificao atingiram valores de exatido
global, ndice Kappa e ndice Tau de 90,6%, 89,4% e 89,5%, respectivamente. Kappa com
excelente resultado, segundo Landis e Koch (1977).

Figura 33 - Mapa temtico resultante da classificao baseada em objeto para a rea-teste 2

61

Total

Vegetao Rasteira

Vegetao Arbrea

Sombra

Solo Exposto

Cobertura Metlica

Cobertura de Cimento Mdio

Cobertura de Cimento Escuro

Cobertura de Cimento Claro

Classificao

Cobertura de Cermica

Referncia
(Verdade)

Asfalto

Tabela 14 - Matriz de confuso da classificao baseada em objeto para a rea-teste 2

Asfalto
89
1
2 2
2 96
Cobertura de Cermica
81
14
1 96
Cobertura de Cimento Claro
82
2
84
Cobertura de Cimento Escuro
2
93 1
96
Cobertura de Cimento Mdio
1 1
26 2
30
Cobertura Metlica
19
19
Solo Exposto
4
3 2 52 1 1 2 65
Sombra
1
5
2 70
78
Vegetao Arbrea
42 8 50
Vegetao Rasteira
2
1
52 55
Total
89 91 83 99 30 25 71 73 43 65 669
A classificao baseada em objeto para a rea-teste 3, visualmente, obteve uma boa
separao das classes (Figura 34), com destaque para a classe Piscina, que foi a que menos se
misturou com as demais. As classes que mais contriburam para o aumento das porcentagens
dos coeficientes de concordncia total foram Asfalto, Cobertura de Cimento Claro e Cobertura
de Cimento Escuro.
A classe que mais se misturou com as demais nesta classificao foi Cobertura de
Cimento Mdio (Tabela 15), que se misturou principalmente com a Cobertura de Cimento
Claro, o que pode ser explicado em funo de seu semelhante material de fabricao,
entretanto, esta classe no teve muita influncia na reduo das porcentagens dos coeficientes
de concordncia total pelo fato de seu reduzido nmero de amostras.
As classes que mais contriburam para a reduo das porcentagens dos coeficientes de
concordncia total foram Cobertura de Cermica e Solo Exposto, a semelhana espectral foi a
causa dessa mistura.
As porcentagens de exatido total para esta classificao atingiram valores de exatido
global, ndice Kappa e ndice Tau de 88,5,%, 87,3% e 87,4%, respectivamente. Kappa com
excelente resultado, segundo Landis e Koch (1977).
62

Figura 34 - Mapa temtico resultante da classificao baseada em objeto para a rea-teste 3

Total

Vegetao Rasteira

Vegetao Arbrea

Sombra

Solo Exposto

Piscina

Referncia
(Verdade)

Asfalto
Cobertura de Cermica
Clara
Cobertura de Cermica
Cobertura de Cimento
Claro
Cobertura de Cimento
Escuro
Cobertura de Cimento
Mdio
Cobertura Metlica

Tabela 15 - Matriz de confuso da classificao baseada em objeto para a rea-teste 3

Classificao
Asfalto
69
4 2
75
Cobertura de Cermica Clara
27 1 2
2
32
Cobertura de Cermica
65
8
73
Cobertura de Cimento Claro
3
49
52
Cobertura de Cimento Escuro
1 68 1
1
2 73
Cobertura de Cimento Mdio
2
5 1 23 1 6 2
1 41
Cobertura Metlica
4
18 2
24
Piscina
14
14
Solo Exposto
1
5
48
1 55
Sombra
70 1 1 72
Vegetao Arbrea
57 7 64
Vegetao Rasteira
1
5 52 58
Total
70 32 71 61 74 26 19 22 61 70 63 64 633
63

Visualmente, o mapa temtico resultante da classificao por pixel (Maxver) para a


rea-teste 1 (Figura 35) apresenta misturas quando comparado aos anteriores, entretanto, este
efeito que desagrada aos olhos, causado por pixels isolados em outras classes e conhecido
como efeito sal e pimenta, no foi suficiente para deixar os coeficientes de concordncia com
porcentagens reduzidas, superando, inclusive, a classificao por regio em todas as rea-teste.
As classes de Cobertura de Cimento Verde, Piscina e Vegetao Rasteira foram as com
melhor separao das demais, entretanto, a classe que mais contribuiu para o aumento da
porcentagem dos coeficientes de concordncia foi Vegetao Rasteira, isso aconteceu devido
classe possuir um nmero elevado de amostras de referncia com poucas misturas com as
demais (Tabela 16).
As classes que mais contriburam para a reduo das porcentagens dos coeficientes de
concordncia total foram Cobertura de Cermica e Solo Exposto, devido semelhana
espectral.
As porcentagens de exatido total para esta classificao atingiram valores de exatido
global, ndice Kappa e ndice Tau de 83,7,%, 81,8% e 82,1%, respectivamente. Kappa com
excelente resultado, segundo Landis e Koch (1977).

Figura 35 - Mapa temtico resultante da classificao por pixel (Maxver) para a rea-teste 1

64

Asfalto
Cobertura de Cermica Clara
Cobertura de Cermica
Cobertura de Cimento Claro
Cobertura de Cimento Mdio
Cobertura de Cimento Verde
Piscina
Solo Exposto
Sombra
Vegetao Arbrea
Vegetao Rasteira
Total

67
1
82

10
40
1

2
4
29

7
6
5

15
37
2
1
2
1
81

56

1
1

85

1
1

51

43

1
33
55
4

18

37

51

65

Total

Vegetao Rasteira

Vegetao Arbrea

Sombra

Solo Exposto

Piscina

Cobertura de Cimento Verde

5
44

2
6

Cobertura de Cimento Mdio

Cobertura de Cimento Claro

Classificao

Cobertura de Cermica

Asfalto

Referncia
(Verdade)

Cobertura de Cermica Clara

Tabela 16 - Matriz de confuso da classificao por pixel (Maxver) para a rea-teste 1

75
62
1 93
1 59
36
15
38
7 53
1 59
75 16 97
94 95
75 120 682

No mapa temtico resultante da classificao por pixel (Maxver) para a rea-teste 2


(Figura 36), observa-se que a classificao obteve uma boa separao das classes, apesar do
visvel nmero de pixels isolados em outras classes (efeito sal e pimenta).
Observando a matriz de confuso (Tabela 16), nota-se que as classes de Cobertura de
Cimento Escuro, Cobertura Metlica e Vegetao Rasteira foram as com melhor separao das
demais e tambm as que mais contriburam para o aumento das porcentagens dos coeficientes
de concordncia total devido ao nmero de amostras de referncia e s poucas misturas com
outras classes.
As classes que obtiveram maior mistura com as demais e, consequentemente, mais
contriburam para a reduo das porcentagens dos coeficientes de concordncia total foram
Cobertura de Cermica e Solo Exposto, em que a semelhana espectral mais uma vez exerceu
grande influncia.
As porcentagens de exatido total para esta classificao atingiram valores de exatido
global, ndice Kappa e ndice Tau de 88,6,%, 87,1% e 87,4%, respectivamente. Kappa com
excelente resultado, segundo Landis e Koch (1977).
65

Figura 36 - Mapa temtico resultante da classificao por pixel (Maxver) para a rea-teste 2

Classificao

Total

Vegetao Rasteira

Vegetao Arbrea

Sombra

Solo Exposto

Asfalto

Referncia
(Verdade)

Cobertura de Cermica
Cobertura de Cimento
Claro
Cobertura de Cimento
Escuro
Cobertura de Cimento
Mdio
Cobertura Metlica

Tabela 17 - Matriz de confuso da classificao por pixel (Maxver) para a rea-teste 2

Asfalto
83
3
3
3 1
1 94
Cobertura de Cermica
1 89
3
23 7
2 125
Cobertura de Cimento Claro
3
86
5 5 1
1 101
Cobertura de Cimento Escuro
90
90
Cobertura de Cimento Mdio 2
1 24 1
28
Cobertura Metlica
19
19
Solo Exposto
2
39
41
Sombra
3
1 63
67
Vegetao Arbrea
42 3 45
Vegetao Rasteira
1 58 59
Total
89 91 86 100 27 25 71 72 43 65 669
66

O mapa temtico resultante da classificao por pixel (Maxver) para a rea-teste 3


(Figura 37), tambm apresentou uma boa separao dos alvos, com destaque para as classes
Asfalto, Cobertura Cimento Escuro, Cobertura Cimento Claro e Sombra, que foram as que
mais contriburam para o aumento das porcentagens dos coeficientes de concordncia total,
pois, alm de se misturarem pouco com as demais, tiveram maior quantidade de amostras de
referncia quando comparada s outras.
Ao se observar a matriz de confuso (Tabela 18), nota-se que as classes Vegetao
Rasteira e Vegetao Arbrea se misturaram, o que pode ter sido causado pela semelhana na
resposta espectral destes alvos, entretanto, as classes que mais contriburam para a reduo das
porcentagens dos coeficientes de concordncia total foram Cobertura de Cermica e Solo
Exposto, devido semelhana espectral. A classe que obteve a pior separao das demais foi
Cobertura Cimento Mdio, que se misturou principalmente com a classe Asfalto.
As porcentagens de exatido total para esta classificao atingiram valores de exatido
global, ndice Kappa e ndice Tau de 85,0%, 83,4% e 83,6%, respectivamente. Kappa com
excelente resultado, segundo Landis e Koch (1977).

Figura 37 - Mapa temtico resultante da classificao por pixel (Maxver) para a rea-teste 3

67

28

2
55

5
56
72

8
5

1
1
13

1 1
3
15
1 17
1 24

5
19

1
2
2

36

1
1

64
2 61 4
2
1
2 55
70 32 71 62 74 25 19 24 61 68 63 64

Total

Vegetao Rasteira

Vegetao Arbrea

Sombra

Solo Exposto

1
4

Piscina

Cobertura Metlica

Cobertura de Cimento Mdio

Cobertura de Cermica

55

Cobertura de Cimento Escuro

Asfalto
Cobertura de Cermica Clara
Cobertura de Cermica
Cobertura de Cimento Claro
Cobertura de Cimento Escuro
Cobertura de Cimento Mdio
Cobertura Metlica
Piscina
Solo Exposto
Sombra
Vegetao Arbrea
Vegetao Rasteira
Total

Cobertura de Cimento Claro

Classificao

Cobertura de Cermica Clara

Referncia
(Verdade)

Asfalto

Tabela 18 - Matriz de confuso da classificao por pixel (Maxver) para a rea-teste 3

57
45
76
61
77
26
18
32
50
64
67
60
633

Os mapas temticos resultantes das classificaes por pixel SAM foram os que
obtiveram as porcentagens dos coeficientes de concordncia total mais baixos para as trs
reas, isso pode ser explicado devido ao grande nmero de pixels isolados em outras classes
(efeito sal e pimenta), causado por mistura espectral.
Na classificao da rea-teste 1 (Figura 38), a classe que obteve a melhor separao das
demais e mais contribuiu para o aumento das porcentagens dos coeficientes de concordncia
total foi Sombra, isso acontece devido ao seu grande nmero de amostras de referncia
classificado corretamente.
Quando se observa a matriz de confuso (Tabela 19), nota-se que a classe que mais
contribuiu para a reduo das porcentagens dos coeficientes de concordncia total foi Solo
Exposto, que se misturou principalmente com as classes Cobertura de Cermica Clara e
Cobertura de Cermica devido semelhana espectral. Outra mistura tambm causada por
semelhana espectral foi da classe Vegetao Arbrea com Vegetao Rasteira.
As porcentagens de exatido total para esta classificao atingiram valores de exatido
global, ndice Kappa e ndice Tau de 72,6%, 69,3% e 69,8%, respectivamente. Kappa com
resultado muito bom, segundo classificao de Landis e Koch (1977).
68

Figura 38 - Mapa temtico resultante da classificao por pixel (SAM) para a rea-teste 1

Asfalto
Cobertura de Cermica Clara
Cobertura de Cermica
Cobertura de Cimento Claro
Cobertura de Cimento Mdio
Cobertura de Cimento Verde
Piscina
Solo Exposto
Sombra
Vegetao Arbrea
Vegetao Rasteira
Total

60
1

1
49
3

13

1
2
67
1
2

14
12
4

1
32
1

9
9
3

3
2
12
36

4
1
2
81

55

11
1
1
86

5
28

51

43

18

37

46
2
51

4
65

Total

Vegetao Rasteira

Sombra
10

18

Vegetao Arbrea

Classificao

Solo Exposto

Referncia
(Verdade)

Asfalto
Cobertura de Cermica
Clara
Cobertura de Cermica
Cobertura de Cimento
Claro
Cobertura de Cimento
Mdio
Cobertura de Cimento
Verde
Piscina

Tabela 19 - Matriz de confuso da classificao por pixel (SAM) para rea-teste 1

81
79
1 77
25
61
17
41
7 56
1 50
60 20 80
15 91 115
75 120 682
69

O mapa temtico resultante da classificao por pixel SAM, para a rea-teste 2 (Figura
39), tambm teve suas maiores misturas espectrais concentradas nas classes Solo Exposto e
Cobertura de Cermica, o que contribuiu significativamente para a reduo das porcentagens
dos coeficientes de concordncia total, onde mais uma vez a semelhana espectral foi
determinante para que esse fato ocorresse.
Os melhores coeficientes de concordncia total da classificao SAM para a rea-teste
1 em relao da rea-teste 2 deram-se em virtude da melhor separao de classes como
Asfalto, Vegetao Arbrea e Vegetao Rasteira que, consequentemente, contriburam para o
aumento das porcentagens.
Ao analisar a matriz de confuso (Tabela 20), nota-se que a classe que obteve a pior
separao das demais foi Cobertura de Cimento Mdio, que, devido semelhana espectral, se
misturou principalmente classe Asfalto.
As porcentagens de exatido total para esta classificao atingiram valores de exatido
global, ndice Kappa e ndice Tau de 73,5%, 70,2% e 70,6%, respectivamente. Kappa com
resultado muito bom, segundo classificao de Landis e Koch (1977).

Figura 39 - Mapa temtico resultante da classificao por pixel (SAM) para a rea-teste 2

70

Classificao
Asfalto
Cobertura de Cermica
Cobertura de Cimento Claro
Cobertura de Cimento Escuro
Cobertura de Cimento Mdio
Cobertura Metlica
Solo Exposto
Sombra
Vegetao Arbrea
Vegetao Rasteira
Total

50
1
16

1
52
1
2

21
1

76
93
4

38

89

2
96

15
3
8
2

98

1
66

69

73

38
5
43

3
60
65

Total

Vegetao Rasteira
1
1

1
1
33
2

25

Vegetao Arbrea

26
4

31

Sombra
2

6
13

1
83

Solo Exposto

Asfalto

Referncia
(Verdade)

Cobertura de Cermica
Cobertura de Cimento
Claro
Cobertura de Cimento
Escuro
Cobertura de Cimento
Mdio
Cobertura Metlica

Tabela 20 - Matriz de confuso da classificao por pixel (SAM) para a rea-teste 2

61
80
117
99
40
16
73
73
41
69
669

Das trs classificaes SAM, a que obteve melhores porcentagens de coeficientes de


concordncia total foi a da rea-teste 3 (Figura 40). As classes que mais contriburam para o
aumento destas porcentagens foram Asfalto, Cobertura de Cimento Claro, Cobertura Metlica
e Sombra, por possurem elevados nmeros de amostras de referncia classificadas
corretamente, ou seja, boas separaes das classes em relao s demais.
Ao analisar a matriz de confuso (Tabela 21), nota-se que a semelhana espectral mais
uma vez fez as classes Cobertura de Cermica Clara, Cobertura de Cermica e Solo Exposto
contriburem significativamente para a reduo dos coeficientes de concordncia total, uma vez
que detm um considervel nmero de amostras de referncia classificadas de forma errada.
Nesta rea-teste, a quantidade de carros nas vias e estacionamentos proporcionou um
efeito visual de pixels isolados (efeito sal e pimenta) da classe Cobertura Metlica na classe
Asfalto, essa mistura pode ser explicada pelo mesmo material de origem dos dois alvos,
entretanto, este fato somente notado com anlise visual no mapa temtico, pois no se refletiu
na matriz de confuso, uma vez que nenhuma amostra de referncia da classe Asfalto caiu em
um destes pixels isolados.
As porcentagens de exatido total para esta classificao atingiram valores de exatido
global, ndice Kappa e ndice Tau de 75,0%, 73,5% e 72,8%, respectivamente. Kappa com
resultado muito bom, segundo classificao de Landis e Koch (1977).
71

Figura 40 - Mapa temtico resultante da classificao por pixel (SAM) para a rea-teste 3

Classificao
Asfalto
Cobertura de Cermica Clara
Cobertura de Cermica
Cobertura de Cimento Claro
Cobertura de Cimento Escuro
Cobertura de Cimento Mdio
Cobertura Metlica
Piscina
Solo Exposto
Sombra
Vegetao Arbrea
Vegetao Rasteira
Total

54

24 1 12
1
2 45
4
40
1
4
1
71 2
10
2 8 1 20 1
2 1
18

8
25

4
1

2
1

18
2
1

22

24
2

66

1
45 7
1
3
16 50
70 32 71 62 75 24 19 22 65 66 63 64

Total

Vegetao Rasteira

Vegetao Arbrea

Sombra

Solo Exposto

Piscina

Referncia
(Verdade)

Asfalto
Cobertura de Cermica
Clara
Cobertura de Cermica
Cobertura de Cimento
Claro
Cobertura de Cimento
Escuro
Cobertura de Cimento
Mdio
Cobertura Metlica

Tabela 21 - Matriz de confuso da classificao por pixel (SAM) para a rea-teste 3

55
46
76
45
88
44
21
18
48
70
52
70
633
72

5.4.1

Comparao dos coeficientes de concordncia total entre as classificaes

Analisando a Tabela 22, que demonstra os valores dos coeficientes de concordncia


Exatido Global, Kappa e Tau calculados a partir das matrizes de confuso, nota-se que as
porcentagens dos coeficientes de concordncia mais altas foram as que compreendem as
classificaes baseadas em objeto, enquanto os valores mais baixos pertencem s classificaes
por pixel SAM (Spectral Angle Mapper). As figuras 41 a 43 apresentam os grficos dos
coeficientes de concordncia total para as trs classificaes, evidenciando estas diferenas.
Ao analisar todos os percentuais dos coeficientes de concordncia total de todas as
classificaes, percebe-se que nenhum valor ficou abaixo de 69%. Quando se avaliam os dados
na categorizao do Kappa de Landis e Koch (1977), a acurcia de todas as classificaes se
esquadram nas categorias Muito Boa e Excelente.

Tabela 22 - Coeficientes de concordncia calculados para as trs reas-teste


rea-teste 1
rea-teste 2
rea-teste 3
REG OBJ MAX SAM REG OBJ MAX SAM REG OBJ MAX SAM

Exatido Global 0,81 0,88 0,84 0,73 0,84 0,91 0,89 0,74 0,82 0,88 0,85 0,75
ndice Kappa

0,78 0,86 0,82 0,69 0,82 0,89 0,87 0,70 0,80 0,87 0,83 0,72

ndice Tau

0,79 0,86 0,82 0,70 0,83 0,90 0,87 0,71 0,81 0,87 0,84 0,73

Legenda: REG: classificao por regio (Bhattacharyya), OBJ: classificao baseada em objetos, MAX:
classificao por pixel (MAXVER) e SAM: classificao por pixel (Spectral Angle Mapper).

Os resultados mais elevados na classificao baseada em objetos deram-se em virtude


da possibilidade de se utilizar, alm da informao espectral, outras informaes como forma,
cor e insero de regras de deciso que permitem clculos entre bandas no processo de
classificao, ampliando a possibilidade de isolamento dos alvos.
Os altos valores dos coeficientes de concordncia total das classificaes por pixel
(Maxver), apesar de levarem em considerao apenas informaes espectrais, as amostras de
treinamento so utilizadas para estimar a forma da distribuio dos pixels contidos em cada
classe no espao de n bandas, como tambm a localizao do centro de cada classe, buscando
contemplar toda a heterogeneidade das imagens de forma representativa para todas as classes,
entretanto, quando o controle de amostras de treinamento no completamente efetivo, este
tipo de classificao est sujeita a misturas espectrais.

73

Figura 41 - Coeficientes de concordncia para a rea-teste 1

Figura 42 - Coeficientes de concordncia para a rea-teste 2

Figura 43 - Coeficientes de concordncia para a rea-teste 3

74

5.4.2

Coeficientes de concordncia por classe

Os valores dos coeficientes de concordncia por classe deram suporte para a realizao
de uma anlise da qualidade da separao dos alvos para cada classificao, discutidos a partir
do item 5.3.3.1, para cada classe. Foram utilizados os coeficientes de concordncia Kappa
condicional (BISHOP et al., 1975) e exatido do usurio e do produtor (STORY &
CONGALTON, 1986), extrados da matriz de confuso (Tabelas 23 a 25).

Classes

Tabela 23 - Kappa condicional de cada classe das trs reas-teste


rea-teste 1
rea-teste 2
rea-teste 3
REG OBJ MAX SAM REG OBJ MAX SAM REG OBJ MAX SAM

Asfalto
Cob. Cer.Clara
Cob. Cermica
Cob. Cim.Escuro
Cob. Cim.Claro
Cob. Cim.Mdio
Cob. Cim.Verde
Cob. Metlica
Piscina
S. Exposto
Sombra
Veg. Arbrea
Veg. Rasteira

Classes

0,88
0,75 1
0,60 0,76 0,68
0,82 0,82 0,86
0,80 0,65
1
0,73 0,85 0,79
1
0,89 1
1
0,97
1
0,44 0,83 0,59
0,74 0,89 0,93
0,90 0,85 0,75
0,91 0,81 0,99

0,71 0,64 0,92


0,59 0,85 0,74 0,82
0,99 0,97
0,52 0,86 0,96
0,49 0,93 0,86
0,70 0,78 1

0,87
0,67
0,83
1
0,85
1

0,79
0,59
0,60
0,93
0,16
0,81

0,46 0,88 0,78


0,91 0,82 0,88
0,72 0,91 0,83
0,75 0,96 0,94

0,95
0,93
0,93

0,39 0,86 0,86 0,69


0,94 0,89 0,97 1
0,92 0,85 0,88 0,90

0,98

0,86 0,80 0,88 0,91

0,87 -

0,61
0,72
0,89
0,85
0,76
0,65
0,82
1

0,91
0,84
0,88
0,94
0,92
0,54
0,74
1

0,96
0,60
0,69
0,91
0,93
0,56
0,94
0,74

0,98
0,50
0,54
0,88
0,78
0,43
0,85
1
0,44
0,94
0,85
0,68

Tabela 24 - Exatido do Usurio de cada classe das trs reas-teste


rea-teste 1
rea-teste 2
rea-teste 3

Asfalto
Cob. Cer.Clara
Cob. Cermica
Cob. Cim.Escuro
Cob. Cim.Claro
Cob. Cim.Mdio
Cob. Cim.Verde
Cob. Metlica
Piscina
S. Exposto
Sombra
Veg. Arbrea
Veg. Rasteira

REG OBJ MAX SAM REG OBJ MAX SAM REG OBJ MAX SAM

0,78
0,63
0,84
1
0,75
0,89
1
0,49
0,76
0,91
0,92

1
0,78
0,84
0,81
0,86
1
1

0,89
0,71
0,88
0,68
0,81
1
0,97

0,85
0,90
0,86
0,84

0,62
0,93
0,77
0,99

0,74
0,62
0,87
0,56
0,52
0,71
0,88
0,50
0,92
0,75
0,79

0,69
0,77
0,99
0,88
0,93
0,79
0,89
0,84
0,92
0,96

0,93
0,84
0,98
0,97
0,87
1
0,80
0,90

0,88
0,71
0,85
1
0,86
1
0,95
0,94

0,84 0,93
0,95 0,98

0,82
0,65
0,65
0,94
0,20
0,81
0,45
0,95

0,65
0,74
0,90
0,87
0,79
0,67
0,83
1
0,87
0,90
0,93 0,87
0,87 0,82

0,92
0,84
0,89
0,94
0,93
0,56
0,75
1
0,87
0,97
0,89
0,90

0,96
0,62
0,72
0,92
0,94
0,58
0,94
0,75
0,72
1
0,91
0,92

0,98
0,52
0,59
0,89
0,81
0,45
0,86
1
0,50
0,94
0,87
0,71

75

Classes

Tabela 25 - Exatido do Produtor de cada classe das trs reas-teste


rea-teste 1
rea-teste 2
rea-teste 3

Asfalto
Cob. Cer.Clara
Cob. Cermica
Cob. Cim.Escuro
Cob. Cim.Claro
Cob. Cim.Mdio
Cob. Cim.Verde
Cob. Metlica
Piscina
S. Exposto
Sombra
Veg. Arbrea
Veg. Rasteira

REG OBJ MAX SAM REG OBJ MAX SAM REG OBJ MAX SAM

0,79
0,46
0,95
0,67
0,77
0,89
0,95
0,71
0,89
0,80
0,89

0,95
0,64
0,94
0,84
0,90
0,79
0,95
0,65
0,94
0,93
0,91

0,83
0,79
0,96
0,78
0,69
0,79
1
0,65
0,85
1
0,78

0,74
0,89
0,78
0,27
0,74
0,67
0,97
0,55
0,71
0,80
0,76

0,89
0,98
0,93
0,85
0,48
0,88
0,58
1
0,77
0,78

1
0,89
0,99
0,94
0,87
0,76
0,73
0,96
0,98
0,80

0,93
0,98
1
0,90
0,89
0,76
0,55
0,88
0,98
0,89

0,56
0,54
0,92
0,95
0,26
0,52
0,50
0,95
0,88
0,92

0,74
0,81
0,89
0,83
0,74
0,64
0,95
0,95
0,77
0,91
0,81
0,87

0,99
0,84
0,92
0,80
0,92
0,88
0,95
0,64
0,79
1
0,90
0,81

0,79
0,88
0,77
0,90
0,97
0,60
0,89
1
0,59
0,94
0,97
0,86

0,77
0,75
0,63
0,65
0,95
0,83
0,95
0,82
0,37
1
0,71
0,78

Analisando as Tabelas 23, 24 e 25, nota-se que as classes que alcanaram coeficientes
de concordncia total mais elevados esto concentradas nas classificaes baseadas em objetos
e por pixel (Maxver), representando uma melhor separao das classes. Cada uma das treze
classes pertencentes s trs reas-teste foi analisada com o objetivo de explicar os resultados
obtidos para cada uma.

5.4.2.1

Asfalto

Os melhores coeficientes de concordncia por classe para a classe Asfalto foram


obtidos pela classificao baseada em objeto (Figura 46), em virtude da utilizao de um
arquivo shapefile, que serviu como mscara para as classificaes baseadas em objeto, o que
resultou em um Kappa condicional e exatido do usurio mximos, ou seja, no houve erros de
comisso. Em nenhum momento, nesta classe, o classificador classificou outros alvos
erroneamente como asfalto, j o contrrio, ou seja, erros de comisso, aconteceram em menor
proporo quando o classificador deixou de classificar alguns alvos desta classe. Estes alvos
acabaram incorporando-se em outras classes, geralmente naquelas com algum tipo de
semelhana com a Asfalto. Neste caso, o classificador incorporou os alvos omitidos da classe
Asfalto nas classes Sombra e Vegetao Arbrea.
Analisando os grficos da figura 44, que demonstram a mdia e desvio-padro dos trs
coeficientes de concordncia por classe, percebe-se que nas classificaes que utilizam
somente informaes espectrais como forma de separao, a classe Asfalto sofreu maior
76

mistura espectral. A classificao que obteve as mdias dos coeficientes de concordncia mais
baixas foi por regio (Bhattacharyya), onde aconteceram tanto erros de comisso como de
omisso, refletindo diretamente em seus coeficientes de concordncia referentes exatido do
usurio e produtor. Isso ocorreu nesta classificao porque a classe Asfalto misturou-se com a
Cobertura de Cimento Escuro, o que pode ser explicado pela semelhana espectral dos dois
alvos (Figura 46).
Analisando o grfico b da figura 45, que representa o desvio-padro dos trs
coeficientes de concordncia para cada classificao, nota-se que a classificao baseada em
objetos obteve baixos percentuais, alm de uma regularidade nas trs reas-teste, mostrando
um equilbrio dos trs coeficientes de concordncia. Nas outras classificaes, os valores de
desvio-padro no mantiveram a mesma regularidade devido aos diferentes valores de
coeficientes de concordncia em uma mesma classificao, alm de diferentes resultados para
cada rea-teste.

Figura 44 - Coeficientes de concordncia para a classe Asfalto

Figura 45 - Mdia (a) e desvio-padro (b) dos coeficientes de concordncia para a classe Asfalto

77

Figura 46 - Espectro dos alvos: Asfalto (linha em preto) e Cobertura de Cimento Escuro (linha em vermelho)

5.4.2.2

Cobertura de Cermica Clara

A classe Cobertura de Cermica Clara est presente somente nas reas-teste 1 e 3. A


melhor separao desta classe ocorreu na classificao baseada em objeto. Quando se observa
o grfico da figura 47, a separao no fica muito evidente devido oscilao dos coeficientes
de concordncia de todas as classes, entretanto, quando se observa o grfico a na figura 48,
que apresenta as mdias dos trs coeficientes de concordncia, nota-se que os valores mais
altos encontram-se nas classificaes baseadas em objeto, devido a utilizao de outros
parmetros na classificao, como forma, cor e a explorao das bandas do sensor Worldview
II, que possibilitou uma explorao desta classe, particularizando-a.
O ndice mais baixo encontra-se na classificao por regio (Bhattacharyya) na reateste 1, isso ocorreu devido classes como Cobertura de Cermica, Solo Exposto e Cobertura
Cimento Claro se misturarem com a classe Cobertura de Cermica Clara, em virtude da
semelhana espectral. Esta mistura em todas as classificaes da Cobertura de Cermica Clara
com a classe Cobertura de Cermica est associada ao igual material de origem, pois a nica
diferena destes alvos est em um detalhe de fabricao, onde a telha de cermica clara
menos cozida, alm de ser fabricada com argilas com menor teor de xido de ferro que a telha
de cermica e, por isso, sua colorao mais clara. Ao se observar a figura 49, percebe-se que
o espectro da telha de cermica clara (linha preta) comporta-se da mesma forma que o espectro
da telha de cermica (linha vermelha), tendo uma diferena apenas no albedo, ou seja, os
78

valores do espectro da telha de cermica clara so mais altos, e, consequentemente, mais


claros.
Outro alvo que se misturou bastante com a classe Cobertura Cermica Clara foi a classe
Solo Exposto, o que tambm pode ser explicado pela semelhana espectral, devido a
semelhana do material de origem. Na figura 49, percebe-se que o espectro da telha de
cermica clara, representado pela linha preta, tem um comportamento espectral prximo ao
espectro do solo exposto, representado pela linha azul.
Analisando o grfico b da figura 48, que representa o desvio-padro dos trs
coeficientes de concordncia, nota-se que a classificao baseada em objetos na rea-teste 3
obteve um valor de desvio-padro bem prximo de zero, o que significa uma regularidade entre
erros de omisso e comisso, fazendo com que os trs valores de coeficientes de concordncia
fiquem parecidos. J a classificao por pixel (SAM) apresentou o maior valor de desviopadro, significando uma irregularidade entre os valores dos coeficientes de concordncia, isso
ocorreu em virtude do elevado valor do coeficiente de concordncia referente Exatido do
produtor de cada rea-teste em relao aos outros valores de coeficientes de concordncia da
mesma classificao. Neste caso, estes valores foram elevados em virtude do baixo valor de
erros de omisso, ou seja, houve poucas amostras desta classe especfica que foram
classificadas como outras.

Figura 47 - Coeficientes de concordncia para a classe Cobertura de Cermica Clara

79

Figura 48 - Mdia (a) e desvio-padro (b) dos coeficientes de concordncia para a classe Cobertura Cermica
Clara

Figura 49 - Espectro dos alvos: Cobertura Cermica Clara (linha em preto), Cobertura Cermica (linha em
vermelho) e Solo Exposto (linha em azul)

5.4.2.3

Cobertura Cermica

A classe Cobertura Cermica est presente em todas as reas-teste e sua melhor


separao foi na classificao por pixel (Maxver), j o pior desempenho foi obtido pela
classificao SAM, apresentando valores menores que 70% (Figura 50).
Observando-se o grfico a da figura 51, que apresenta as mdias dos trs coeficientes
de concordncia, observa-se que quase todas as classificaes alcanaram mdias dos
coeficientes de concordncia acima de 80%, configurando uma boa separao dos alvos, apesar
de sua semelhana espectral com o alvo Solo Exposto. J no grfico b da figura 51, percebese que esta regularidade dos coeficientes de concordncia menos expressiva nas
classificaes por regio (Bhattacharyya) e por pixel (Maxver) da rea-teste 2, uma vez que
tiveram poucos erros de omisso, ou seja, poucas amostras desta classe foram classificadas
80

como outras, e altos valores de erros de comisso, ou seja, amostras de outras classes, neste
caso Solo Exposto, classificadas como Cobertura de Cermica.
A classificao por pixel (SAM) na rea-teste 2 obteve as piores porcentagens dos
coeficientes de concordncia, em virtude da mistura espectral com a classe Solo Exposto, o que
causou altos valores de erros de comisso e omisso resultando em baixos coeficientes de
concordncia.
Apesar da classificao por objeto no ter tido as melhores mdias dos coeficientes de
concordncia, esta foi a que obteve a melhor regularidade de desvio-padro, mantendo os
valores das trs reas-teste mais baixos em relao aos demais.

Figura 50 - Coeficientes de concordncia para a classe Cobertura Cermica

Figura 51 - Mdia (a) e desvio-padro (b) dos coeficientes de concordncia para a classe Cobertura de Cermica

81

5.4.2.4

Cobertura de Cimento Claro

A melhor separao da classe Cobertura de Cimento Claro foi alcanada pela


classificao baseada em objetos na rea-teste 2 (Figura 52). Quando se observa o grfico a
da figura 53, que apresenta as mdias dos trs coeficientes de concordncia, percebe-se que os
coeficientes de concordncia da classificao por regio (Bhattacharyya) mantiveram-se acima
de 85%, entretanto, analisando o grfico b da figura 53, percebe-se que esta regularidade no
to expressiva, j o desvio-padro da rea-teste 1 est bem elevado. Isso ocorreu devido aos
erros de omisso, j que parte dos alvos pertencentes classe Cobertura de Cimento Claro
foram classificados como Cobertura de Cermica Clara, resultando em uma baixa Exatido do
Produtor.
Na maioria das classificaes, a classe que causou maior confuso com a classe
Cobertura de Cimento Claro foi a Cobertura de Cermica Clara. Essa mistura pode ser
explicada pela semelhana espectral desses alvos. Na figura 54, percebe-se que os espectros
dos dois alvos so muito semelhantes, a linha preta representa o espectro dos alvos da classe
Cobertura de Cimento Claro, enquanto a linha vermelha representa o espectro dos alvos
Cobertura de Cermica Clara.

Figura 52 - Coeficientes de concordncia para a classe Cobertura de Cimento Claro

82

Figura 53 - Mdia (a) e desvio-padro (b) dos coeficientes de concordncia para a classe Cobertura de Cimento
Claro

Figura 54 - Espectro dos alvos: Cobertura de Cimento Claro (linha em preto) e Cobertura de Cermica Clara
(linha em vermelho)

5.4.2.5

Cobertura de Cimento Escuro

A classe Cobertura de Cimento Escuro est presente somente nas reas-teste 2 e 3. A


melhor separao desta classe foi obtida na classificao por pixel (Maxver), que atingiu um
Kappa condicional e exatido do usurio mximos na rea-teste 2, o que significa que houve
uma excelente separao desta classe em relao s demais, sem erros de comisso (Figura 55),
mesmo com o valor da Exatido do Produtor mais baixo que de outras classificaes. Este fato
foi responsvel pelo ndice de desvio-padro mais elevado no grfico b da figura 56.
De modo geral, observando o grfico a da figura 55, nota-se que todas as
classificaes obtiveram coeficientes de concordncia elevados, com valores acima de 76%. Os
valores mais baixos foram causados em funo da mistura com a classe Asfalto.
83

Figura 55 - Coeficientes de concordncia para a classe Cobertura de Cimento Escuro

Figura 56 - Mdia (a) e desvio-padro (b) dos coeficientes de concordncia para a classe Cobertura de Cimento
Escuro

5.4.2.6

Cobertura de Cimento Mdio

A classe Cobertura de Cimento Mdio est presente em todas as reas-teste. Os maiores


valores de coeficientes de concordncia para a classe Cobertura de Cimento Mdio foram
obtidos nas classificaes baseadas em objeto e por pixel Maxver (Figura 57), ambas
alcanaram mdias dos coeficientes de concordncia acima de 87% (Figura 58, grfico a).
O pior resultado foi a classificao por pixel SAM, que obteve uma mdia de valores de
coeficientes de concordncia de 21%. Isso ocorreu devido a uma grande mistura desta classe,
nesta classificao, com a classe Cobertura de Cermica Clara.
O maior desvio-padro dos coeficientes de concordncia (Figura 58, grfico b)
aconteceu na classificao por regio (Bhattacharyya) na rea-teste 2, isso ocorreu devido aos
84

erros de omisso, j que parte dos alvos pertencentes classe Cobertura de Cimento Mdio
foram classificados como Asfalto, resultando em um baixo ndice de Exatido do Produtor.
Esse fato pode ser explicado pela sua semelhana espectral com a classe Asfalto (Figura 59).
Na figura 61 apresentada a semelhana dos espectros destas classes, a linha preta representa o
espectro da classe Cobertura de Cimento Mdio e a linha vermelha representa a classe Asfalto.
De forma geral, percebe-se que nas classificaes que utilizam somente informaes
espectrais como forma de separao, a classe Cobertura de Cimento Mdio sofreu maior
mistura espectral e que as maiores misturas ocorreram com a classe Asfalto.

Figura 57 - Coeficientes de concordncia para a classe Cobertura de Cimento Mdio

Figura 58 - Mdia (a) e desvio-padro (b) dos coeficientes de concordncia para a classe Cobertura de Cimento
Mdio

85

Figura 59 - Espectro dos alvos: Cobertura de Cimento Mdio (linha em preto) e Asfalto (linha em vermelho).

5.4.2.7

Cobertura de Cimento com Pigmentao Verde

A classe Cobertura de Cimento Verde est presente apenas na rea-teste teste 1. Por ter
uma resposta de cobertura diferente das demais, j que representa um alvo constitudo por
telhas de cimento de cor esverdeada, esta classe apresentou uma boa separao das demais nas
quatro classificaes. Observando-se a figura 60, os coeficientes de concordncia das
classificaes baseadas em objetos e Maxver atingiram um Kappa condicional e exatido do
usurio mximos, o que significa que houve uma excelente separao dela em relao s
demais, ou seja, no houve erros de comisso. Em nenhum momento, nesta classe, os
classificadores classificaram outros alvos erroneamente como Cobertura de Cimento Verde, j
erros de omisso aconteceram em menor proporo, quando o classificador deixou de
classificar alguns dos alvos desta classe e estes alvos acabaram incorporando-se em outras,
neste caso, a maioria incorporou-se na classe Cobertura de Cimento Mdio, j que so
semelhantes devido ao material de origem.
Analisando o grfico a da figura 61, que apresenta as mdias dos trs coeficientes de
concordncia por classe, percebe-se que, das quatro classificaes, a que obteve o pior ndice
foi a classificao por pixel SAM, que apresentou mistura espectral, principalmente, com a
classe Cobertura de Cimento Mdio, que pode ser explicada pelo material de origem, pois os
dois alvos tm cimento em sua composio.
No grfico b da figura 61 percebe-se que a classificao baseada em objetos e por
pixel (Maxver) possui valores de desvio-padro dos coeficientes de concordncia mais
elevados, nos dois casos ocorreram poucos erros de omisso, ou seja, poucas amostras da
86

classe Cobertura de Cimento Verde foram classificadas como outras, e muitos erros de
comisso, ou seja, amostras de outras classes, neste caso, Cobertura de Cimento Mdio, foram
classificadas como Cobertura de Cimento Verde.
Ainda analisando o grfico b da figura 61, nota-se que a classificao que obteve,
alm de altos valores de coeficiente de concordncia, maior regularidade entre os trs
coeficientes foi a classificao por regio (Bhattacharyya), com um valor de desvio-padro
bem prximo de zero, mostrando um equilbrio nos erros de omisso e comisso que refletiu
nos valores semelhantes calculados para os trs coeficientes de concordncia. Estes fatos
ocorreram devido a pouca mistura desta classe com as demais.

Figura 60 - Coeficientes de concordncia para a classe Cobertura Cimento Verde

Figura 61 - Mdia (a) e desvio-padro (b) dos coeficientes de concordncia para a classe Cobertura de Cimento
Verde

87

5.4.2.8

Cobertura Metlica

A classe Cobertura Metlica est presente nas reas-teste 2 e 3. Observando-se a figura


62, nota-se que os coeficientes de concordncia das classificaes baseadas em objetos e por
pixel (Maxver) atingiram um Kappa condicional e exatido do usurio mximos, o que
significa que houve uma excelente separao da classe em relao s demais, com destaque
para a classificao Maxver, que obteve um valor de mdia dos coeficientes acima de 93% e
pouca variao entre os coeficientes de concordncia (grfico b da Figura 63).
Nos valores das mdias dos coeficientes de concordncia no grfico a da figura 63,
observa-se que os valores mais baixos foram da classificao SAM, que podem ser explicados
pela mistura com a classe Cobertura Cimento Mdio, j que suas respostas espectrais so
semelhantes (Figura 64).

Figura 62 - Coeficientes de concordncia para a classe Cobertura Metlica

Figura 63 - Mdia (a) e desvio-padro (b) dos coeficientes de concordncia para a classe Cobertura Metlica

88

Figura 64 - Espectro dos alvos: Cobertura de Cimento Mdio (linha em preto) e Cobertura Metlica (linha em
vermelho)

5.4.2.9

Piscina
A classe Piscina est presente apenas nas reas 1 e 3. Observando-se a figura 65, os

coeficientes de concordncia das classificaes baseadas em objetos, Maxver e por regio


(Bhattacharyya), atingiram um Kappa condicional e exatido do usurio mximos, o que
significa que houve uma excelente separao dela em relao s demais classes. Neste caso,
no houve erros de comisso em nenhum momento. Nesta classe, o classificador classificou
outros alvos de forma errada como piscina, j o contrrio, ou seja, erros de omisso
aconteceram em pequena escala, j que o classificador no classificou alguns alvos como
deveria classificar, assim, esses alvos acabaram incorporando-se em outras classes.
Observando a grfico a da figura 66, que apresenta a mdia dos coeficientes de
concordncia, nota-se que a classificao que manteve os valores mais altos nas duas reasteste foi a por regio (Bhattacharyya) e esta mdia corresponde realidade dos trs coeficientes
de concordncia, j que no grfico b da figura 66 notam-se baixos valores de desvio-padro
dos coeficientes de concordncia.
De modo geral, a classe Piscina em todas as classificaes alcanou valores
satisfatrios com mdia de coeficientes de concordncia acima de 83%.

89

Figura 65 - Coeficientes de concordncia para a classe Piscina

Figura 66 - Mdia (a) e desvio-padro (b) dos coeficientes de concordncia para a classe Piscina

5.4.2.10 Solo Exposto

Na classe Solo Exposto, em todas as classificaes aconteceram erros de omisso e


comisso, sendo que os erros de omisso de uma classe contribuem para os erros de comisso
de outras, pois uma vez que um alvo no classificado em uma determinada classe ele acaba
incorporando-se em outra e transformando-se em erros de comisso. As classes que mais se
confundiram com a classe Solo Exposto foram Cobertura de Cermica e Cobertura de
Cermica Clara. Esta mistura ocorreu em virtude da semelhana espectral destas classes.
Observando a figura 67, que apresenta os coeficientes de concordncia, nota-se que a
classificao com valores mais altos foi a baseada em objetos da rea-teste 3. Isso pode ser
melhor visualizado no grfico a da figura 68, que apresenta a mdia dos coeficientes de
concordncia, onde o valor para classificao baseada em objetos desta rea-teste est acima de
90

84%. Este valor reflete a realidade, pois o desvio-padro dos coeficientes de concordncia,
apresentado no grfico b da figura 68, reflete uma baixa variao dos valores.

Figura 67 - Coeficientes de concordncia para a classe Solo Exposto

Figura 68 - Mdia (a) e desvio-padro (b) dos coeficientes de concordncia para a classe Solo Exposto

5.4.2.11 Sombra

A classe Sombra est presente em todas as reas-teste. Os melhores coeficientes de


concordncia por classe foram obtidos pelas classificaes baseadas em objetos e por pixel
(Maxver) para a rea-teste 3 (Figura 69), obtendo uma boa separao das demais classes.
Quando se analisa a mdia dos coeficientes de variao no grfico a da figura 70, percebe-se
que ambas as classificaes alcanaram coeficientes de concordncia superiores a 98%,
entretanto, ao analisar o grfico b da figura 70 figura nota-se que o desvio-padro da
classificao por pixel (Maxver) obteve um ndice menor.
91

Como a classe Sombra representa reas mais escuras da imagem, ou seja, reas com
mdias de valores espectrais mais baixas, sua identificao foi feita basicamente pela ausncia
de brilho das bandas da imagem, assim, as classes que apresentaram confuso em relao a ela
foram aquelas com menores valores de brilho, como a classe Asfalto, Cobertura de Cimento
Mdio, Cobertura de Cermica e Vegetao Arbrea.

Figura 69 - Coeficientes de concordncia para a classe Sombra

Figura 70 - Mdia (a) e desvio-padro (b) dos coeficientes de concordncia para a classe Sombra

5.4.2.12 Vegetao Arbrea

Os melhores coeficientes de concordncia por classe para Vegetao Arbrea foram


obtidos pelas classificaes por pixel (Maxver) (Figura 71), atingindo ndice de mdia de
valores de concordncia acima de 95% para a rea-teste 2 (grfico a da Figura 72), e esta
92

mdia corresponde realidade dos trs valores de coeficientes de concordncia, j que no


grfico b da figura 72 nota-se baixo valor de desvio-padro dos coeficientes de concordncia
para a rea-teste.
A semelhana espectral das classes Vegetao Arbrea e Vegetao Rasteira causou
certa mistura entre estes alvos em todas as classificaes. Esta mistura ocorreu em maior
proporo na classificao por pixel (SAM), principalmente no caso da Vegetao Arbrea, o
que foi refletido diretamente no valor de seus coeficientes de concordncia, causando os
valores mais baixos de todas as classificaes.
Outro fato que chamou a ateno foi a mistura espectral da Vegetao Arbrea com a
classe Sombra, que pode ser explicada pelo fato de algumas rvores apresentarem uma
colorao escura. A semelhana espectral de alvos com pouco brilho est no baixo albedo do
espectro, fazendo com que, eventualmente, alvos com colorao mais escura se confundam
com sombra.
De forma geral, todas as classificaes apresentaram uma boa separao da classe
Vegetao Arbrea das demais classes, pois todas as classificaes atingiram valores de
coeficientes de concordncia acima de 76%.

Figura 71 - Coeficientes de concordncia para a classe Vegetao Arbrea

93

Figura 72 - Mdia (a) e desvio-padro (b) dos coeficientes de concordncia para a classe Vegetao Arbrea

5.4.2.13 Vegetao Rasteira

Os coeficientes de concordncia por classe para Vegetao Rasteira que obtiveram


melhores resultados foram obtidos pela classificao por pixel (Maxver) (Figura 73), atingindo
mdia de valores de concordncia acima de 95% na rea-teste 2, configurando uma boa
separao desta classe em relao s demais (grfico a da Figura 74), e esta mdia
corresponde realidade dos trs coeficientes de concordncia, j que no grfico b da mesma
figura nota-se um baixo valor de desvio-padro dos coeficientes de concordncia para a reateste.
Em todas as classificaes, a classe Vegetao Rasteira apresentou mistura com a classe
Solo Exposto, o que pode ter ocorrido devido a algumas reas apresentarem vegetao rasteira
bem rala ou seca, em virtude da poca do ano, expondo o solo e dificultando a separao
espectral das classes.

Figura 73 - Coeficientes de concordncia para a classe Vegetao Rasteira

94

As piores porcentagens dos coeficientes de concordncia foram obtidas pela


classificao por pixel (SAM), e podem ser explicadas devido semelhana espectral das
classes Vegetao Arbrea e Vegetao Rasteira (Figura 75), que causou muita mistura entre
estes alvos nesta classificao.
a

Figura 74 - Mdia (a) e desvio-padro (b) dos coeficientes de concordncia para a classe Vegetao Rasteira

Figura 75 - Espectro dos alvos: Vegetao Rasteira (linha em preto) e Vegetao Arbrea (linha em vermelho)

95

CONCLUSES E RECOMENDAES

Aps a aplicao da metodologia definida e a realizao das anlises e discusses dos


resultados alcanados, pode-se concluir que:

a)

A classificao por regio com o mtodo Bhattacharyya demonstrou-se um eficiente


mtodo para classificao de reas urbanas, obtendo coeficientes de concordncia
acima de 78%. No entanto, a classificao encontrou dificuldades na separao de
alvos com muita semelhana espectral, como o exemplo de coberturas cermicas e
solo exposto e na escolha dos limiares de rea e similaridade, fatores determinantes
para a classificao por regio. Assim, de uma forma geral, pode-se afirmar que o
mtodo limitado quando utilizado para separao de alvos urbanos com imagens do
WorldView II.

b)

Das quatro abordagens analisadas neste trabalho as classificaes baseadas em objeto


foi a mais eficiente para o mapeamento de reas urbanas, uma vez que alcanou os
mais altos coeficientes de concordncia total permanecendo com valores acima de
86%, representando excelentes resultados segundo a classificao Landis e Koch
(1977), mostrando-se excelente abordagem para a reduo do problema da mistura
espectral, encontrado em classificadores tradicionais, principalmente quando se
trabalha com imagens do WorldView II, pois seu nmero de bandas permite uma
melhor separao das classes, auxiliando na reduo dos efeitos decorrentes da
mistura espectral.

c)

Apesar dos coeficientes de concordncia total para a classificao SAM


permaneceram acima de 69%, enquadrando-se, segundo classificao Landis e Koch
(1977), ela no apresentou bons resultados na separao das classes quando
comparada com as demais, tanto nas matrizes de confuso quanto na avaliao visual
dos mapas temticos, entretanto vrios estudos (Yuhas et al., 1992; Conel et al., 1992;
Moreira & Galvo, 2009; Dematt et al., 1992) atestam sua eficincia para tratamento
de dados com imagens hiperespectrais.

d)

Na classificao Maximum Likelihood (Maxver) apesar do grande nmero pixels


isolados em outras classes (efeito sal e pimenta) e misturas em alvos que
96

apresentam semelhana espectral, ela se mostrou eficiente para o mapeamento de


reas urbanas, pois seus coeficientes de concordncia total permaneceram acima de
82%, excelente classificao segundo a classificao Landis e Koch (1977), assim,
este classificador atende muito bem a separao de feies que no apresentem
semelhana espectral. Outro fator que ficou evidente nesta abordagem foi que o
critrio na coleta de amostras de treinamento um fator determinante para qualidade
da classificao, pois se as amostras so bem representativas e buscam contemplar
toda heterogeneidade da imagem o classificador trinado com maior eficincia.
e)

Quanto separao das classes, conclui-se que os melhores resultados para Asfalto,
Cobertura Cermica Clara, Cobertura Cimento Claro, Cobertura Metlica, Piscina,
Solo Exposto e Sombra pertenceram a abordagem baseada em objetos, enquanto que
os melhores resultados para Cobertura Cermica, Cobertura Cimento Escuro,
Vegetao Arbrea e Vegetao Rasteira pertenceram a abordagem por pixel
(Maxver), j as classes Cobertura de Cimento Mdio, Cobertura Cimento Verde
obtiveram resultados idnticos para as duas abordagens.

f)

Quanto ao uso do sistema InterIMAGE, conclui-se que o aplicativo mostrou-se uma


boa alternativa para anlises de imagens baseadas em objeto, pois uma iniciativa de
desenvolvimento open source, alm de permitir que o modelo de conhecimento usado
na interpretao possa ser depurado e melhorado, atravs da introduo de mais
conhecimento acerca das classes de interesse. Alm disso, uma vez que o
conhecimento est explicitamente representado, o modelo pode ser disseminado,
analisado e criticado por uma comunidade de usurios.

g)

Para comparao de abordagens subjetivas, ou seja, que tm alguma interferncia do


profissional (seleo de amostras de treinamento, definio de rea e similaridade,
construo de regras de deciso), se faz necessria uma rigorosa anlise estatstica
(construo e anlises de matrizes de confisso e clculos de variados coeficientes de
variao) para que tudo deixe de ser subjetivo e passe a demonstrar que os dados so
consistentes.

h)

Finalmente, pode-se concluir que a utilizao de um software baseado em objetos


apresenta uma srie de vantagens em relao aos classificadores tradicionais,
97

contemplando: classificao em diferentes nveis de escalas na mesma cena, relaes


com objetos vizinhos, explorao de parmetros de forma, cor e textura, rea,
comprimento, largura, direo, insero de informaes auxiliares como dados
vetoriais, e a possibilidade da criao de regras de deciso integrando todos estes
atributos.

6.1

Recomendaes e sugestes

A partir do desenvolvimento e aplicaes das ferramentas disponveis no software


InterIMAGE, sugerimos:

a) Melhoria do processo de realizao de anlises em grandes reas, pois o software


apresenta uma limitao quanto ao nmero de segmentos gerados, obrigando uma
reduo no tamanho do recorte da imagem estudada.
b) Desenvolvimento de uma ferramenta dinmica de fatiamento de histograma no recurso
Analysis Manager resultaria em um ganho de tempo na construo de regras de deciso.
c) Insero de ferramenta para verificao de acurcia.
d) Desenvolvimento de ferramentas para aprendizado de mquina e minerao de dados, a
fim de se reduzir tempo na construo manual de regras de deciso. Uma alternativa de
ferramenta para este recurso o software WEKA, pois alm de ser uma iniciativa de
desenvolvimento open source possui ferramentas para aprendizado de mquina e
minerao de dados e um conjunto de regras de classificao, regresso, associao e
algoritmos de agrupamento.

6.2

Propostas para trabalhos futuros

a) Aplicar regras de deciso para anlises multitemporais, aplicando tcnicas de inferncia


espacial no intuito de indicar crescimento urbano.

98

b) Comparar classificaes baseadas em objeto feitas neste trabalho com outras


classificaes baseadas em objeto feitas com regras geradas a partir de minerao de
dados, uma vez que neste trabalho as regras foram construdas de forma manual.

c) Desenvolvimento de aplicao baseada em objetos e integrao com anlise fractal


objetivando analise ambientais.

99

REFERNCIAS BIBLIOGRFICAS

AL-AHMADI, F. S.; HAMES, A. S. Comparison of four classification methods to extract land use and land cover
from raw satellite images for some remote arid areas. Journal of King Abdulaziz University - Earth
Sciences, Kingdom of Saudi Arabia, v. 20(1), p. 167-191, 2009.
ALMEIDA, W. S.; SOUZA, N. M. Avaliao das informaes espectrais dos dados WorldView 2/Digital Globe
para classificao temtica de uso e cobertura do solo. In: Anais XV Simpsio Brasileiro de Sensoriamento
Remoto
(SBSR).
Curitiba: INPE,
p.
1043-50,
2011.
Disponvel
em:
<http://urlib.net/3ERPFQRTRW/39UFC7E>. Acesso em: 31/12/2012.
ANTUNES, A. F. B. Classificao de ambiente ciliar baseada em orientao a objeto em imagens de alta
resoluo espacial. Tese (Doutorado em Cincias Geodsicas) - Universidade Federal do Paran, Curitiba.
2003.
ANTUNES, A. F. B.; LINGNAU, C. Uso dos ndices de acurcia para avaliao de mapas temticos obtidos por
meios de classificao digital. In: Congresso e feira para usurio de geoprocessamento. 3. ed. Curitiba:
Sagres, 1997.
ARCOVERDE, G. F. B.; EPIPHANIO, J. C. N.; MARTINS, V. A.; MAEDA, E. E.; FONSECA, L. M. G.
Mapeamento de citrus: avaliao de classificaes por rvore de deciso. Revista Brasileira de Cartografia,
v. 62, n. 1, p. 91-102, mar/ 2010.
BAATZ, M.; SCHPE, A. Multiresolution segmentation: an optimization approach for high quality multi-scale
image segmentation. In: XII Angewandte Geographische Informationsverarbeitung, AGIT Symposium.
Proceedings... Karlsruhe, Alemanha: Herbert Wichmann Verlag, Salzburg - ustria, p. 12-23, 2000.
BENZ U.; HOFMANN P.; WILLHAUCK G.; LINGENFELDER I.; HEYNEN M. Multi-resolution, objectoriented fuzzy analysis of remote sensing data for GIS-ready information. ISPRS Journal of
Photogrammetry & Remote Sensing, 58: 239258. 2004.
BERNARDES, T. Caracterizao do ambiente agrcola do Complexo Serra Negra por meio de sensoriamento
remoto e sistemas de informao geogrfica. Dissertao (Mestrado). Universidade Federal de Lavras, Minas
Gerais,
2006,
119p.
Disponvel
em:
<http://www.epamig.br/geosolos/MaterialSite/Teses/Tiago/Tiagodissertacao.pdf>. Acesso em: 05 de outubro de 2011.
BERNARDES, T.; ALVES, H.M.R.; VIEIRA, T.G.C. Classificao automtica de imagens de satlite no
mapeamento da regio cafeeira de Patrocnio, MG. In.: Simpsio de Pesquisa dos Cafs do Brasil, 5,2007,SP.
Anais... Minas Gerais:EPAMIG,2005.
BERNARDI, H. V. F.; DZEDZEJ, M.; CARVALHO, L. M. T.; ACERBI JR, F. W. Classificao digital do uso
do solo comparando os mtodos pixel a pixel e orientado ao objeto em imagem QuickBird. Universidade
Federal de Lavras - UFLA. In: Anais XIII Simpsio Brasileiro de Sensoriamento Remoto (SBSR).
Florianpolis: INPE, p. 5595-5602, 2007.
BIAS, Edilson de Souza ; BAPTISTA, Gustavo Macedo de Mello ; LOMBARDO, Magda Adelaide .
Potencialidades e Limitaes das Imagens de Alta Resoluo Ikonos II Para Estudos de Planejamento
Urbano. Geografia (Rio Claro. Impresso), v. 34, p. 329-346, 2009.
BICAS, H. E. A. Mensuraes em cincia. Arquivos brasileiros de oftalmologia. v. 66, n. 4, p. 531-37, 2003.
BINIS, L. S.; FONSECA, L. M. G.; ERTHAL, G. J.; II, F. M. Satellite imagery segmentation: a region growing
approach. Anais VIII Simpsio Brasileiro de Sensoriamento Remoto, Salvador: INPE, p. 677-80, 1996.
BISHOP, Y. M.; FEINBERG, S. E. & HOLLAND, P. W. Discrete Multivariate Analysis - Theory and Practice.
Cambrige, Mass., the mit press, 357 p., 1975.

100

BOARDMAN, J. W.; KRUSE, F. A.; GREEN, R. O. Mapping target signatures via partial unmixing of AVIRIS
data. In: JPL Airborne Earth Science Workshop, 5, Pasadena-USA. Proceedings: Jet Propulsion
Laboratory, p. 23-26, 1995.
BRITES, R.S.; SOARES, P.S.; RIBEIRO, C. A. A. S. Comparao de desempenho entre trs ndices de exatido
aplicados a classificao de imagens orbitais. In: Anais Simpsio Brasileiro de Sensoriamento Remoto, 8,
Salvador: INPE, 1996.
BRITES, R.S.; SOARES,V.P.; RIBEIRO, C.A.A.S. Efeitos da estratgia de amostragem na exatido reportada
pelo ndice de kappa na classificao de imagens orbitais. In: Anais Simpsio Brasileiro de Sensoriamento
Remoto, 8, Salvador: INPE, 1996.
BCKNER, J.; PAHL, M.; STAHLHUT, O.; LIEDTKE, C.-E. GEOAIDA A knowledge-based automatic
image data analyzer for remote sensing data. In: ICSC Congress on Computational Intelligence Methods
and Applications. Bangor, Wales-UK. Proceedings of the Congress on Computational Intelligence
Methods and Applications - CIMA 2001.
CARVALHO JR, O. A.; GUIMARES, R. F.; MARTINS, E S.; CARVALHO, A. P. F.; GOMES, R. A.
T. Anlise comparativa do processo de identificao automatizada de membros finais a partir de imagens
com diferentes resolues espectrais para a regio de Niquelndia (AVIRIS, ETM + e
ASTER). Revista Brasileira de Geografia, v. 23, n. 1, p. 39-50, 2005.
CARVALHO JR, O. A.; MENESES, P. R. Spectral Correlation Mapper (SCM): an improving Spectral Angle
Mapper. In: Annual JPL Airborne Earth Science Workshop, 9, Pasadena-USA, Proceedings - JPL
Publication, 00-18, p. 65-74, 2000.
CARVALHO, M. V. A. Classificao da cobertura e uso do solo com imagens Worldview II utilizando minerao
de dados e anlise baseada em objetos. [Dissertao de mestrado em sensoriamento remoto - Instituto
Nacional de Pesquisas Espaciais]. So Jos dos Campos, p. 201, 2011.
Disponvel em:
<http://urlib.net/8JMKD3MGP7W/3ACT3BL>. Acesso em: 31/12/2012.
CARVALHO, M. V. A.; Kux, H. J. H.; Florenzano, T G.; MOREIRA, M. A. Fuso de imagens aplicada a estudos
urbanos: avaliao de diferentes tcnicas em imagens WorldView-2. In: Simpsio brasileiro de
Sensoriamento Remoto, 15. (SBSR), 2011, Curitiba. Anais ... So Jos dos Campos: INPE, 2011. p. 941948. DVD, Internet. ISBN 978-85-17-00056-0 (Internet), 978-85-17-00057-7 (DVD). Disponvel em: <
http://urlib.net/3ERPFQRTRW/39UR8JP >. Acesso em: 10/02/2013.
CODEPLAN - Companhia de Planejamento do Distrito Federal. Pesquisa Distrital por Amostra de Domiclios.
Sobradinho PDAD 2011. Braslia-DF, out./2011.
CONEL, J. E; HOOVER, G; NOLIN, A; ALLEY, R; MARGOLIS, J. Emperical Relationships Among SemiArid Landscape Endmembers Using the Spectral Angle Mapper (SAM) Algorithm, Summaries of the 4nd
Annual JPL Airborne Geoscience Workshop, JPL Pub-92-14, AVIRIS Workshop. Jet Propulsion
Laboratory, Pasadena, CA, pp. 150-151. 1992.
CONGALTON, R. A Review of Assessing the Accuracy of Classification Remotely Sensed Data. Remote
Sensing of Environment, USA, No 37, p. 35-36, 1991.
CONGALTON, R. G.; GREEN, K. Assessing the accuracy of remotely sensed data: principles and practices. New
York: Lewis Publisher. p. 137, 1999.
CORREIA, V. R. M.; MONTEIRO, A. M. V.; CARVALHO, M. S.; WERNECK, G. L. Uma aplicao do
sensoriamento remoto para a investigao de endemias urbanas. Cadernos de Sade Pblica. Rio de
Janeiro, v. 23, n. 5, p. 1015-28, 2007.
COSTA, G. A. O. P.; FEITOSA, R. Q.; FONSECA, L. M. G.; OLIVEIRA, D. A. B.; FERREIRA, R. S.;
CASTEJON, E. F. Knowledge-Based Interpretation of Remote Sensing Data with the Interimage System:
Major Characteristics and Recent Developments. In: Proceedings of the 3rd International Conference on

101

Geographic Object-Based Image Analysis - GEOBIA 2010.


The International Archives of the
Photogrammetry, Remote Sensing and Spatial Information Sciences XXXVII. ITC, Enshede. 2010.
COSTA, G. A. O. P.; PINHO, C. M. D.; FEITOSA, R. Q.; ALMEIDA, C. M., KUX, H. J. H.; FONSECA, L. M.
G.; OLIVEIRA, D. A. B. INTERIMAGE: Uma Plataforma Cognitiva Open Source para a Interpretao
Automtica de Imagens Digitais. Revista Brasileira de Cartografia 60, 331-337. 2008.
COUTINHO, A. C. Segmentao e classificao de imagens Landsat-TM para o mapeamento dos usos da terra na
regio de Campinas, SP. [Dissertao de mestrado em cincias Instituto de Biocincias]. Universidade de
So Paulo, So Paulo, p. 150, 1997.
CRUZ, C. B. M. Classificao orientada a objetos no mapeamento dos remanescentes da cobertura vegetal do
bioma Mata Atlntica, na escala 1:250.000. In. Anais III Simpsio de Sensoriamento Remoto,
Florianpolis, p. 5691-98, 2007.
DEFINIENS
IMAGING.
eCognition:
user
guide.
p.468,
2004.
<http://www.definiensimaging.com/down/ecognition>. Acesso em: 31/12/ 2012.

Disponvel

em:

DEMATTE, J. A. M.; TOLEDO, A. M. A.; SIMOES, M. S. Metodologia para reconhecimento de trs solos por
sensores: laboratorial e orbital. Revista Brasileira de Cincia do Solo., vol.28, n.5, pp. 877-889, 2004.
DIGITAL GLOBE. Spectral response for Digital Globe WorldView 1 and WorldView 2 Earth imaging
instruments. 2012b. Disponvel em: <http://www.satimagingcorp.com/media/pdf/WV1_WV2_SpectralResponse.pdf>.
DIGITAL GLOBE. Worldview II. 2012. Disponvel em: <http://www.digitalglobe.com/downlo-ads/WorldView2DS-WV2-Web.pdf> Acesso em: 13/08/2012.
DLUGOSZ, F. L.; ROSOT, N. C.; ROSOT, M. A. D.; OLIVEIRA, Y. M. M. ndice para a avaliao de
segmentao de imagens. Revista Floresta, Curitiba, v. 39, n. 1, p. 131-43, jan./mar. 2009.
ECKERT, S. Improved forest biomass and carbon estimations using texture measures from Worldview II satellite
data. Remote Sensing, n. 4, p. 810-29, 2012.
EHLERS, M. Sensoriamento remoto para usurios de SIG sistemas e mtodos: as exigncias e a realidade. In:
BLASCHKE, T.; KUX, H. (ed.) Sensoriamento remoto e SIG avanados. So Paulo: Oficina de Textos,
cap. 2, p. 20-32, 2005.
ENVIRONMENTAL SYSTEMS RESEARCH INSTITUTE (ESRI). ArcGIS Professional GIS for the desktop,
verso 9.3, 2008.
FEITOSA, R. Q.; MATTOS, C.; SANTOS, R. V.; REGO, L. F. G.; PEREIRA, A. A. C. Impacto de tcnicas
baseadas em conhecimento na anlise de imagens de mdia resoluo para mapeamento do
desflorestamento na Amaznia. In: Anais Simpsio Brasileiro de Sensoriamento Remoto, 12, Goinia:
INPE, p. 4065-72, 2005.
FERNANDES, R. E. F.; SANTOS, A. P.; COSTA, M. F.; COSTA, F. F. Avaliao da acurcia em levantamentos
cinemticos em tempo real aplicando a tcnica RTK. Anais do III Simpsio Brasileiro de Geomtica,
Presidente Prudente-SP, v. 1. p. 240-45, 2012.
FERREIRA, R. S. Uma Abordagem multiescalar, multicritrio para a segmentao de imagens. [Dissertao de
mestrado de engenharia eltrica - Pontifcia Universidade Catlica do Rio de Janeiro, Departamento de
Engenharia Eltrica]. Rio de Janeiro, 2011.
FIGUEIREDO, G. C.; VIEIRA, C.A.O. Estudo do comportamento dos ndices de exatido global, Kappa e Tau,
comumente usados para avaliar a classificao de imagens de sensoriamento remoto. In: Anais Simpsio
Brasileiro de Sensoriamento Remoto, 13, Florianpolis: INPE, p. 5755-62, 2007.

102

GREEN, A. A.; BERMAN, M.; SWITZER, P.; CRAIG, M. D. A transformation for ordering multispectral data in
terms of image quality with implications for noise removal. IEEE Transactions on Geoscience and Remote
Sensing, v. 26, n.1, p. 65-74, 1988.
GREEN, K. The potential and limitations of remote sensing and GIS in providing ecological information. In:
SAMPLE, V. A. (ed). Remote sensing and GIS in ecosystem management. Washington: Island Press, part.
4, cap. 19, p. 327-36, 1994.
IMMITZER, M.; ATZBERGER, C.; KOUKAL, T. Tree species classification with random forest using very high
spatial resolution 8-band Worldview II satellite data. In: Remote Sensing, v. 4(9), p. 2661-93, 2012.
INSTITUTO NACIONAL DE PESQUISAS ESPACIAIS (INPE) - Manuais: tutorial de geoprocessamento
SPRING, 2008.
JENSEN, J. R. Remote sensing of vegetation. In: Remote sensing of the environment, an Earth resource
perspective. Upper Saddle River-NJ: Prentice Hall, p. 333-377, 2000.
KAMAGATA, N.; AKAMATSU, Y.; MORI, M.; QING LI, Y.; HOSHINOY, Y.; HARA, K. Comparison of
pixel-based and object-based classifications of high resolution satellite data in urban fringe areas. In:
Proceedings of the 26th Asian Conference on Remote Sensing. Hanoi, Vietnam. Nov./2005.
KLECKA, W. R. Discriminant Analysis. SAGE Publications, Inc., Beverly Hills, California, 71 p., 1980.
KRTING, T. S. Classificao de imagens por regies. So Jos dos Campos, 2006.
KRUSE, F. A.; BOARDMAN, J. W.; HUNTINGTON, J. F. Comparison of airborne hyperspectral data and EO-1
Hyperion for mineral mapping. IEEE Transactions on Geoscience and Remote Sensing, v. 41, n.6, p. 13881400, 2003.
KRUSE, F. A.; BOARDMAN, J. W.; LEFKOFF, A. B.; HEIDEBRECHT, K. B.; SHAPIRO, A.T.; BARLOON,
P. J.; GOETZ, A. F. H. The spectral image processing system (SIPS) interactive visualization and
analysis of imaging spectrometer data. Remote Sensing of Environment, v. 44, p.145-163, 1993.
KURY, E. B.; VIEIRA , C. A. O. Classificao automtica de imagens de alta resoluo. Viosa-MG, Disponvel
em: <http://www.ufv.br/nugeo/ufvgeo2002/resumos/9-eduardo.pdf> acesso em: 06 de maro de 2013.
KUX, H. J. H.; SOUZA, U. D. V. Object-based image analysis of Worldview II satellite data for the classification
of mangrove areas in the city of So Lus, Maranho State, Brazil. ISPRS Annals of the Photogrammetry,
Remote Sensing and Spatial Information Sciences, v. I-4, n. 2012, p. 95-100, 2012.
LANDIS, J. R; KOCH, G. G. The measurement of observer agreement for categorical data. Biometrics, v.33,
n.1,p. 159-174, 1977.
LEONARDI, F. Abordagens cognitivas e minerao de dados aplicadas a dados pticos orbitais e de laser para a
classificao de cobertura do solo urbano. (sid.inpe.br/mtc-m19@80/2010/03.17.11.42-TDI). [Dissertao
de mestrado em sensoriamento remoto - Instituto Nacional de Pesquisas Espaciais]. So Jos dos Campos,
p. 162, 2010. Disponvel em: <http://urlib.net/8JMKD3MGP7W/376H8M2>. Acesso em: 30/12/2012.
LEVADA, A. L. M. Combinao de modelos de campos aleatrios markovianos para classificao contextual de
imagens multiespectrais. 146p. Tese (Doutorado) - Instituto de Fsica de So Carlos, Universidade de So
Paulo, So Carlos, 2010.
LIOTTE, S.V; MACEDO, A. B. Utilizao de tcnicas de geoprocessamento para apoio ao planejamento fsicoterritorial do municpio de Pariquera-Au. Universidade de So Paulo. So Paulo, 2000.
LUIZ, N. B.; ANTUNES, A. F. B.; TAVARES JR, J. B. Segmentao multirresoluo e classificao orientada a
objetos aplicados a imagens Spot-5 para o mapeamento do uso da terra. Revista Floresta, Curitiba-PR, v.
40, n. 2, p. 429-46, abr./jun. 2010.

103

MENESES, P. R.; ALMEIDA, T. Introduo ao processamento de imagens de sensoriamento remoto. 1. ed.


Braslia: CNPq, v. 1, p. 256, 2012.
MIKHAIL, E.; ACKERMAN, F. Observations and least squares. United States: University Press of America, p.
497, 1976.
MONICO, J. F. G.; POZ, A. P. D.; GALO, M.; SANTOS, M. C.; OLIVEIRA, L. C. Acurcia e preciso: revendo
os conceitos de forma acurada. Boletim de Cincias Geodsicas, sec. Comunicaes, Curitiba, v. 15, n. 3,
p. 469-83, jul.-set./2009.
MOREIRA, M. A; CARDOSO, V; FREITAS, R. M; RUDORFF, B. F. Comparao da resposta espectral de alvos
em imagens CBERS-2/CCD e LANDSAT-5/TM. Anais XII Simpsio Brasileiro de Sensoriamento
Remoto, Goinia: INPE, p. 1027-34, 2005.
MOREIRA, R. C.; GALVO, L. S. Identificao espectral SAM em reas urbanas com imagem do sensor HSS.
In: Simpsio Brasileiro de Sensoriamento Remoto, 14., 2009, Natal. Anais... So Jos dos Campos: INPE,
p. 1159-1166, 2009.
MUTANGA, O.; ADAM, E.; CHO, M. A. High density biomass estimation for wetland vegetation using
Worldview II imagery and random forest regression algorithm. International Journal of Applied Earth
Observation and Geoinformation, v. 18, p. 399406, 2012.
NAVULUR, K. Multispectral image analysis using the object-oriented paradigm. Boca Raton: Taylor & Francis
Group, p. 165, 2006.
NOVACK, T. Classificao da cobertura da terra e do uso do solo urbano utilizando o sistema InterIMAGE e
imagens do sensor Quickbird. 214p. INPE-16594-TDI/1580. [Dissertao de mestrado em sensoriamento
remoto. INPE Instituto Nacional de Pesquisas Espaciais]. So Jos dos Campos, 2009. Disponvel em:
<http://mtc-m18.sid.inpe.br/col/sid.inpe.br/mtcm18%4080/200-9/08.31.21.23/doc/publicacao.pdf>. Acesso
em: 07/01/2013.
NOVACK, T. et al. Anlise dos dados do satlite Worldview II para a discriminao de alvos urbanos
semelhantes com base em algoritmos de seleo de atributos. Anais XV Simpsio Brasileiro de
Sensoriamento Remoto SBSR, Curitiba-PR, 2011.
OLIVEIRA, J. C.; SILVA, J.M.F. Influncia da segmentao no processo de classificao por regio. In: Anais
XII Simpsio Brasileiro de Sensoriamento Remoto, Goinia-GO, 2005.
PAHL, M. Arquitetura de um sistema baseado em conhecimento para a interpretao de dados de sensoriamento
remoto de mltiplos sensores. 95 p. (INPE-15211-TAE/71). PhD Thesis - Universidade de Hannover, So
Jos dos Campos. 2008.
PEDROSA, S. A. Discriminao espectral de variaes faciolgicas de carbonatos por meio de
espectrorradiometria e imagens ASTER na regio de Serra do Ramalho-BA. [Dissertao de Mestrado
UNB]. Braslia-DF, 2010.
PINHEIRO, E. S.; KUX, H. J. H. Imagens Quickbird aplicadas ao mapeamento do uso e cobertura da terra do
centro de pesquisas e conservao da natureza pr-mata. In: Sensoriamento Remoto e SIG avanados:
novos sistemas sensores, mtodos inovadores. So Paulo: Oficina de Textos, p. 286, 2005.
PINHO, C. M. D. Anlise orientada a objetos de imagens de satlite de alta resoluo espacial aplicada
classificao de cobertura de solo no espao intra-urbano: o caso de So Jos dos Campos - SP.
[Dissertao de mestrado em sensoriamento remoto - Instituto Nacional de Pesquisas Espaciais] So Jos
dos Campos, p. 180, 2006.
PINHO, C. M. D.; FEITOSA, F. F.; KUX, H. J. H. Classificao automtica de cobertura do solo urbano em
imagens IKONOS: comparao entre a abordagem pixel a pixel e orientada a objetos. In: XII Simpsio
Brasileiro de Sensoriamento Remoto, Goinia: INPE, p. 4217-24, 2005.

104

PRADO, F. A. Sistema hierrquico de classificao para mapeamento da cobertura da terra nas escalas regional e
urbana. [Dissertao de mestrado da Universidade Estadual Paulista, Campus de Presidente Prudente]. So
Paulo, p. 164, 2009.
PU, R.; LANDRY, S. A comparative analysis of high spatial resolution IKONOS and Worldview II imagery for
mapping urban tree species. In: Remote Sensing of Environment, v. 124, p. 516533, 2012.
RIBEIRO, B. M. G. Avaliao das imagens Worldview II para o mapeamento da cobertura do solo urbano
utilizando o sistema InterIMAGE. INPE-16761-TDI/1689. [Dissertao de mestrado em sensoriamento
remoto - INPE - Instituto Nacional de Pesquisas Espaciais]. So Jos dos Campos, p. 177, 2010.
Disponvel em: <http://urlib.net/sid.inpe.br/mtc-19@80/2010/08.03.12.52.20>. Acesso em: 31/12/2012.
RIBEIRO, S. R. A; SANTOS, D. R.; CENTENO, J. A. S. Aplicao da metodologia de dados orientada a objeto
na classificao de uma rea urbanizada, utilizando uma imagem digital obtida por meio da tecnologia do
laser scanner. In: Anais em CD-ROM do Simpsio Brasileiro de Geomtica, Presidente Prudente, 2002.
RICHARDS, J. A.; JIA, X. Remote sensing digital image analysis: an introduction. 4. ed. New York: Springer, p.
476, 2006.
RUDORFF, C. M. Estudo da composio das guas da Plancie Amaznica por meio de dados de reflectncia do
sensor Hyperion/EO-1 e de espectrmetro de campo visando compreenso da variao temporal dos seus
constituintes opticamente ativos / C. M. Rudorff. So Jos dos Campos: INPE, 2006.
SHIMABUKURO, M. T. Avaliao de classificadores espectrais de imagens Lansat-TM em reas rurais
densamente ocupadas: o caso da regio de Brotas e Torrinha - So Paulo. [Dissertao de mestrado em
biologia vegetal - Universidade Estadual de Campinas]. Campinas, p. 193, 1996.
SILVA, A. F. Geoeststica e sensoriamento remoto na classificao de imagens em reas cultivadas com citros.
[Dissertao de mestrado em agronomia - Faculdade de Cincias Agronmicas, Universidade Estadual
Paulista]. Botucatu, p. 83, 2011.
SOUZA, U. D. V. Classificao da cobertura e do uso do solo urbano de So Lus (MA), com imagens Worldview
II utilizando minerao de dados e o sistema Interimage. (sid.inpe.br/mtc-m19/2012/10.17.17.34-TDI).
[Dissertao de mestrado em sensoriamento remoto - Instituto Nacional de Pesquisas Espaciais]. So Jos
dos Campos, p. 112, 2012. Disponvel em: <http://mtc-m19.sid.inpe.br/col/sid.inpe.br/mtcm19/2012/10.17.17.34/doc/publicacao.pdf>. Acesso em: 02/01/2013.
SOUZA, U. D. V.; ALFAYA, F. A. V. S.; KUX, H. J. H. Contribuio das novas bandas espectrais do satlite
Worldview II para a classificao de tipos vegetais em habitats costeiros: resultados iniciais. In: Anais do
Simpsio Brasileiro de Sensoriamento Remoto (SBSR), 15, Curitiba: INPE, p. 9040-47, 2011. DVD,
Internet. ISBN 978-85-17-00056-0 (Internet), 978-85-17-00057-7 (DVD). Disponvel em:
<http://urlib.net/3ERPFQRTRW/3A58J35>. Acesso em: 31/12/2012.
SPRING. (1996) - Sistema de Processamento de Informaes Georeferenciadas, Instituto Nacional de Pesquisas
Espaciais, INPE Disponvel em, Disponvel em <http://www.inpe.br/spring> Acesso em: 02/01/2013.
STORY, M.; CONGALTON, R. G. Accuracy assessment: a users perspective. Photogrammetric Engineering and
Remote Sensing, v. 52: p. 397-99, 1986.
TORRIJOS CADENA, G. Classificao dos tipos de pavimentos das vias urbanas a partir de imagem de alta
resoluo espacial por meio de anlise orientada a objeto. [Dissertao de mestrado em cincias
cartogrficas, Universidade Estadual Paulista - Faculdade de Cincias e Tecnologia]. So Paulo, 2011.
Disponvel em: <http://www4.fct.unesp.br/pos/cartografia/docs/teses/d_cadena_gt.pdf> Acesso em:
02/01/2013.
VIEIRA, M. A. Anlise de imagem orientada a objeto e minerao de dados aplicadas ao mapeamento da cultura
da cana-de-acar. (sid.inpe.br/mtc-m19@/2010/04.08.17.43-TDI). [Dissertao de mestrado em
sensoriamento remoto - Instituto Nacional de Pesquisas Espaciais]. So Jos dos Campos, p. 110, 2010.
Disponvel em: <http://urlib.net/8JMKD3MGP7W/37A6SQ8>. Acesso em: 02/01/2013.

105

XIAOXIA, S.; JIXIAN, Z.; ZHENGJUN, L. A comparison of object-oriented and pixel-based classification
approachs using quickbird imagery. Proceedings ISPRS - International Society of Photogrammetry and
Remote Sensing, 2005.
YUHAS, R. H; GOETZ, AFH; BOARDMAN, J. W. Discrimination Among Semi-Arid Landscape Endmembers
Using Spectral Angle Mapper (SAM) Algorithm, Summaries of the 4th Annual JPL Airborne Geoscience
Workshop, JPL Pub-92-14, AVIRIS Workshop. Jet Propulsion Laboratory, Pasadena, CA, pp. 147-150.
1992
ZANARDO, F. H.; SILVA, H. R.; ZOCOLLER, J. V. S.; MAGALHES, N. A. Avaliao e comparao de
mtodos de classificao de imagens de satlites, utilizados pelo software Spring no estudo da microbacia
hidrogrfica do Crrego Acampamento, em Dirce Reis (SP). In: XXI Congresso de Iniciao Cientfica
(CIC) - UNESP, So Jos do Rio Preto, 2009.
ZENGEYA, F. M.; MUTANGA, O.; MURWIRA, A. Linking remotely sensed forage quality estimates from
Worldview II multispectral data with cattle distribution in a savanna landscape. In: International Journal of
Applied Earth Observation and Geoinformation, v. 21, p. 513-24, 2013.

106

You might also like