sid.inpe.br/mtc-m21b/2014/06.17.11.

32-TDI

MODELO DE CLASSIFICAO PARA O

MAPEAMENTO DE COBERTURA E USO DA TERRA
EM REAS-TESTE DE SANTO ANDR (SP), USANDO
IMAGENS DO WORLDVIEW-2 E O APLICATIVO
INTERIMAGE

Thiago Frank

Dissertao de Mestrado do Curso

de Ps-Graduao em Sensoria-
mento Remoto, orientada pelo Dr.
Hermann Johann Heinrich Kux,
aprovada em 29 de abril de 2014.

URL do documento original:

<http://urlib.net/8JMKD3MGP5W34M/3GG385P>

INPE
So Jos dos Campos
2014
PUBLICADO POR:

Instituto Nacional de Pesquisas Espaciais - INPE

Gabinete do Diretor (GB)
Servio de Informao e Documentao (SID)
Caixa Postal 515 - CEP 12.245-970
So Jos dos Campos - SP - Brasil
Tel.:(012) 3208-6923/6921
Fax: (012) 3208-6919
E-mail: pubtc@sid.inpe.br

CONSELHO DE EDITORAO E PRESERVAO DA PRODUO

INTELECTUAL DO INPE (RE/DIR-204):
Presidente:
Marciana Leite Ribeiro - Servio de Informao e Documentao (SID)
Membros:
Dr. Gerald Jean Francis Banon - Coordenao Observao da Terra (OBT)
Dr. Amauri Silva Montes - Coordenao Engenharia e Tecnologia Espaciais (ETE)
Dr. Andr de Castro Milone - Coordenao Cincias Espaciais e Atmosfricas
(CEA)
Dr. Joaquim Jos Barroso de Castro - Centro de Tecnologias Espaciais (CTE)
Dr. Manoel Alonso Gan - Centro de Previso de Tempo e Estudos Climticos
(CPT)
Dra Maria do Carmo de Andrade Nono - Conselho de Ps-Graduao
Dr. Plnio Carlos Alval - Centro de Cincia do Sistema Terrestre (CST)
BIBLIOTECA DIGITAL:
Dr. Gerald Jean Francis Banon - Coordenao de Observao da Terra (OBT)
REVISO E NORMALIZAO DOCUMENTRIA:
Maria Tereza Smith de Brito - Servio de Informao e Documentao (SID)
Yolanda Ribeiro da Silva Souza - Servio de Informao e Documentao (SID)
EDITORAO ELETRNICA:
Maria Tereza Smith de Brito - Servio de Informao e Documentao (SID)
Andr Luis Dias Fernandes - Servio de Informao e Documentao (SID)
sid.inpe.br/mtc-m21b/2014/06.17.11.32-TDI

MODELO DE CLASSIFICAO PARA O

MAPEAMENTO DE COBERTURA E USO DA TERRA
EM REAS-TESTE DE SANTO ANDR (SP), USANDO
IMAGENS DO WORLDVIEW-2 E O APLICATIVO
INTERIMAGE

Thiago Frank

Dissertao de Mestrado do Curso

de Ps-Graduao em Sensoria-
mento Remoto, orientada pelo Dr.
Hermann Johann Heinrich Kux,
aprovada em 29 de abril de 2014.

URL do documento original:

<http://urlib.net/8JMKD3MGP5W34M/3GG385P>

INPE
So Jos dos Campos
2014
 Dados Internacionais de Catalogao na Publicao (CIP)

Frank, Thiago.
F851m Modelo de classificao para o mapeamento de cobertura e uso
da terra em reas-teste de Santo Andr (SP), usando imagens do
WorldView-2 e o aplicativo InterIMAGE / Thiago Frank. So
Jos dos Campos : INPE, 2014.
xviii + 96 p. ; (sid.inpe.br/mtc-m21b/2014/06.17.11.32-TDI)

Dissertao (Mestrado em Sensoriamento Remoto) Instituto

Nacional de Pesquisas Espaciais, So Jos dos Campos, 2014.
Orientador : Dr. Hermann Johann Heinrich Kux.

1. Cobertura da terra. 2. Uso da terra. 3. Minerao de dados.

4. InterIMAGE. 5. GEOBIA. I.Ttulo.
CDU 528.88(815.6)

Esta obra foi licenciada sob uma Licena Creative Commons Atribuio-NoComercial 3.0 No
Adaptada.

This work is licensed under a Creative Commons Attribution-NonCommercial 3.0 Unported Li-
cense.

ii
iv
 AGRADECIMENTOS

Primeiramente, agradeo a Deus pelas oportunidades que tive at aqui e por

ter condies de concluir mais uma etapa de minha vida. Agradeo
especialmente tambm aos meus pais e minhas irms, por terem me apoiado
de forma incondicional durante a realizao deste sonho.

Ao Professor Dr. Hermann Johann Heinrich Kux, pelo apoio, conselhos e

amizade construda desde o meu ingresso no curso. Estendo meus
agradecimentos tambm aos professores e funcionrios do INPE,
especialmente do Sensoriamento Remoto, que de alguma forma agregaram
valor para pesquisa e para minha formao profissional e pessoal. Em
especial, gostaria de citar a Professora Cludia Almeida, que em momentos
difceis contribuiu com boas sugestes, e ao Professor Paulo Csar Gurgel de
Albuquerque, que alm de trazer importantes ensinamentos durante o trabalho
de campo, mostrou ser uma pessoa agradvel e preocupada com o prximo.

Coordenao de Aperfeioamento de Pessoal de Nvel Superior CAPES,

pelo apoio financeiro durante o mestrado.

Ao pessoal da PUC-RJ, pelo auxlio e disposio em trocar ideias, seja

pessoalmente ou pela internet.

Aos que sempre me auxiliaram em eventuais dvidas e foram essenciais para

a concluso deste trabalho, em especial s colegas Graziela Meneghetti e
Tassa Caroline Rodrigues.

Ao pessoal do SEMASA, que nos ajudou com informaes valiosas e apoio

logstico durante a realizao do trabalho de campo.

Aos meus amigos de turma, Bruno Schultz, Bruno Oliveira, Carlos Antnio,
Gabriel, Guilherme e Renato, que alm de terem sido muito importantes no
cotidiano acadmico me auxiliando de diversas formas, so excelentes
pessoas.

v
 minha querida Natlia, que mesmo estando longe (um pouco menos longe
desta vez), sempre me apoiou e foi uma pessoa extremamente agradvel e
parceira para que tudo ocorresse da melhor forma possvel.

vi
 RESUMO

O principal objetivo deste trabalho desenvolver um modelo de mapeamento

para o uso e cobertura da terra em duas reas-teste no municpio de Santo
Andr (SP) para facilitar avaliaes estratgicas, principalmente do ponto de
vista ambiental. Foram utilizadas imagens do sistema sensor orbital
WorldView-2, classificao baseada em objeto e tcnicas de minerao de
dados a partir do algortmo C4.5, disponvel no aplicativo InterIMAGE. Alm
disso, foi efetuado um estudo do uso do solo a partir da classificao da
cobertura intra quadras, tendo como base leis de zoneamento do municpio.
Os resultados indicaram elevada preciso estatstica atravs dos ndices
Kappa e visual para estudos de cobertura da terra em ambas as reas-teste.
Com relao ao produto referente ao uso da terra pode se dizer que na rea-
teste A, mesmo no havendo dados estatsticos para comprovar, a tendncia
que os resultados sejam satisfatrios, tendo como base os mapas municipais.
J na rea-teste B, visualmente possvel notar que se trata de uma rea de
invases e que est consolidada. No obstante, ficou demonstrado que um
estudo deste tipo extremamente interessante e importante dentro de uma
avaliao ambiental estratgica, que busca ser proativa, minimizando riscos e
prejuzos ao meio ambiente e s pessoas.

vii
viii
 MODEL OF CLASSIFICATION FOR THE MAPPING OF USE AND LAND
COVER IN TEST AREAS OF SANTO ANDR (SP), USING WORLDVIEW-2
IMAGES AND THE INTERIMAGE SYSTEM

ABSTRACT

The main objective of this study is to develop a classification model to map land
use/land cover in two test-sites within Santo Andr (So Paulo State, Brazil)
municipality, contributing to strategic evaluations in the urban domain,
especially from the environmental point of view. Were used WorldView-2
satellite images, object-based image approaches and data mining techniques,
considering the C4.5 algorithm, available at the InterIMAGE software.
Furthermore a study was done on land use based on the intra-block land cover
classification, was executed the zoning for this municipality. The results indicate
a high statistical precision by visual and Kappa indices for this land cover study
at both test-sites. Referring to the classification product obtained for test-site A,
the results are satisfactory, if compared with the municipal maps. Test-site B it
is visually possible to verify that this is an already stablished equalther
settllement area. Nevertheless, it was demonstrated that such a study is
extremely important within a strategic environmental evaluation, which must be
proactive, minimizing risks both to environment and the people.

ix
x
 LISTA DE FIGURAS

Pg.

Figura 2.1 - Intervalos espectrais das bandas do sensor WorldView-2. ........................ 09

Figura 2.2 Modelo de classificao baseado em objeto.............................................. 12
Figura 2.3 - Processo de interpretao no sistema InterIMAGE. ................................... 15
Figura 2.4 - Processo de minerao de dados. ............................................................... 16
Figura 3.1 Localizao do municpio de Santo Andr (SP). .......................................... 19
Figura 3.2 - Mapa de localizao das reas-teste........................................................... 23
Figura 3.3 - rea-teste A, Imagem WorldView-2 R(5) G(3) B(2)..................................... 24
Figura 3.4 - rea-teste B, Imagem WorldView-2 R(5) G(3) B(2). .................................... 25
Figura 4.1 - Fluxograma metodolgico geral. ................................................................. 28
Figura 4.2 Detalhe de resultado de fuso Gram-Schmidt utilizada no estudo. .......... 30
Figura 4.3 Ponto base, posicionado no topo do edifcio do SEMASA. ........................ 31
Figura 4.4 - Exemplos de feies escolhidas para a implantao dos pontos Rovers. .. 32
Figura 4.5 - Localizao dos 50 pontos de controle coletados no trabalho de campo. . 34
Figura 4.6 - Ordem sequencial de anlise de interpretao da imagem. ...................... 41
Figura 4.7 - Exemplo de segmentao para a classe telhado cermico ......................... 45
Figura 4.8. Exemplo de rede semntica utilizada (rea-teste A)................................... 49
Figura 4.9 - Fluxograma para a obteno de uso da terra. ............................................ 51
Figura 5.1 - Mapa de classificao da cobertura da terra da rea-teste A. ................... 53
Figura 5.2 - Mapa de classificao da cobertura da terra da rea-teste B..................... 54
Figura 5.3 - Kappa-condicional para as classes de cobertura da terra da rea-teste A . 56
Figura 5.4 - Kappa-condicional para as classes de cobertura da terra da rea-teste B . 56
Figura 5.5 Mapa de classificao do uso da terra da rea-teste A. .............................. 58
Figura B.1 - rvores de deciso para classificao dos alvos asfalto, concreto e telhado
metlico. ......................................................................................................................... 81
Figura B.2 - rvores de deciso para classificao dos alvos fibrocimento e solo
exposto. .......................................................................................................................... 82
Figura B.3 - rvores de deciso para classificao dos alvos vegetao rasteira,
vegetao arbrea, sombra e telhado cermico. .......................................................... 83
Figura B.4 - rvores de deciso para classificao dos alvos reas midas, sombra e
corpo hdrico................................................................................................................... 84
Figura B.5 - rvores de deciso para classificao dos alvos vegetao arbrea,
vegetao rasteira, solo exposto e via no pavimentada. ............................................. 85
Figura B.6 - rvores de deciso para classificao dos alvos asfalto, fibrocimento e
telhado metlico. ............................................................................................................ 86

xi
Figura B.7 - rvores de deciso para classificao dos alvos concreto e concreto virio.
........................................................................................................................................ 87
Figura D.1 - Redes semnticas utilizadas neste trabalho.. ............................................. 91
Figura E.1 - Valores de pertinncia das classes nas reas-testes A e B. ......................... 93

xii
 LISTA DE TABELAS

Pg.

Tabela 2.1 - Caractersticas do satlite WorldView-2 e sua carga til. .......................... 09

Tabela 2 - Estatsticas da ortoimagem ......................................................................... 35
Tabela 3 - Resultados para a anlise de tendncia...................................................... 35
Tabela 4.1 - Chaves de interpretao das classes de cobertura da terra. ..................... 41
Tabela 5.1 - Estatsticas das classificaes da cobertura da terra para as reas-teste. . 55
Tabela A.1 - Parmetros utilizados na rea-teste A. ...................................................... 79
Tabela A.2 - Parmetros utilizados na rea-teste B. ...................................................... 79
Tabela C.1 Lista de atributos (e suas abreviaes) utilizados no estudo. ................... 89
Tabela F.1 - Matriz de confuso da classificao da rea-teste A. ................................. 95
Tabela F.2 - ndices Kappa-condicional para as classes de cobertura da terra da rea-
teste A. ............................................................................................................................ 95
Tabela F.3 - Matriz de confuso da classificao da rea-teste B. ................................. 96
Tabela F.4 - ndices Kappa-condicional para as classes de cobertura da rea-teste B. . 96

xiii
xiv
 LISTA DE SIGLAS E ABREVIATURAS

INPE Instituto Nacional de Pesquisas Espaciais

IBGE Instituto Brasileiro de Geografia e Estatstica
PUC Pontifcia Universidade Catlica
MSS Multispectral Scanner Subsystem
MDE Modelo Digital de Elevao
AAE Avaliao Ambiental Estratgica
DSR Diviso de Sensoriamento Remoto
RMSP Regio Metropolitana de So Paulo
OBIA Object-Based Image Analysis
DPI Diviso de Processamento de Imagens
PMSA Prefeitura Municipal de Santo Andr
SEMASA Servio Municipal de Saneamento Ambiental de Santo
Andr
DCBD Descoberta de Conhecimento em Banco de Dados
CNDU Conselho Nacional de Desenvolvimento Urbano

GNSS Global Navigation Satellite System

GPS Global Positioning System

DGPS Differential Global Positioning System

xv
xvi
 SUMRIO

Pg.

1 INTRODUO ............................................................................................................... 01

1.1 Objetivo geral ........................................................................................................... 03

1.2 Objetivos especficos ................................................................................................ 03
1.3 Organizao da dissertao ..................................................................................... 04
2. FUNDAMENTAO TERICA ..................................................................................... 05

2.1 reas urbanas ........................................................................................................... 05

2.2 Uso de recursos de sensoriamento remoto para estudos urbanos ......................... 06
2.3 Classificao da cobertura e uso da terra ................................................................ 07
2.4 O satlite WorldView-2 ............................................................................................ 08
2.5 Anlise de imagens baseada em objetos geogrficos (GEOBIA) .............................. 10
2.6 Sistemas de interpretao de imagens baseados em conhecimento ...................... 12
2.7 InterIMAGE ............................................................................................................... 13
2.8 Minerao de dados e rvores de deciso ............................................................... 15
3. REA DE ESTUDO ........................................................................................................ 19

3.1 Localizao e caracterizao .................................................................................... 19

3.2 reas-testes .............................................................................................................. 22
4. MATERIAL E MTODOS .............................................................................................. 27

4.1 Material .................................................................................................................... 27

4.1.1 Aplicativos.............................................................................................................. 27
4.1.2 Equipamentos ........................................................................................................ 28
4.2 Mtodos.................................................................................................................... 28
4.2.1 Etapa de preparao dos dados ............................................................................ 29
4.2.1.1 Fuso das imagens.............................................................................................. 29
4.2.1.2 Ortorretificao .................................................................................................. 30
4.2.2 Classificao da cobertura da terra ....................................................................... 35

xvii
4.2.2.1 Definio e caracterizao das classes, parmetros e atributos utilizados para o
mapeamento de cobertura da terra............................................................................... 36
4.2.2.2 Rede semntica .................................................................................................. 43
4.2.2.3 Segmentao ...................................................................................................... 43
4.2.2.4 Minerao de dados ........................................................................................... 45
4.2.3 Modelo de classificao da cobertura da terra ..................................................... 46
4.2.4 Modelo de classificao do uso da terra ............................................................... 49
5. RESULTADOS E DISCUSSO ....................................................................................... 53

5.1 Classificao da cobertura da terra .......................................................................... 53

5.2 Classificao do uso da terra .................................................................................... 57
5.3 Anlise da Imagem WorldView-2 ............................................................................. 59
5.4 Avaliao do sistema InterIMAGE ............................................................................ 60
5.5 Viabilidade do estudo para aplicaes ambientais .................................................. 63
6. CONCLUSES ............................................................................................................. 65

6.1 Recomendaes para trabalhos futuros ................................................................. 66

REFERNCIAS BIBLIOGRFICAS....................................................................................... 69

APNDICE A - PARMETROS DE SEGMENTAO ........................................................... 79

APNDICE B - PARMETROS DE CLASSIFICAO ........................................................... 81

APNDICE C LISTA DE ATRIBUTOS ............................................................................... 89

APNDICE D - REDE SEMNTICA .................................................................................... 91

APNDICE E - MODELO DE CLASSIFICAO.................................................................... 93

APNDICE F - AVALIAO DAS CLASSIFICAES ............................................................ 95

xviii
 1 INTRODUO

Devido ao humana, as reas urbanas e as regies de seu entorno sofrem

significativas transformaes dos recursos naturais, uma vez que mais reas
construdas ocupam espaos antes naturais e desencadeiam profundas
mudanas nos ecossistemas (POWELL et al., 2007; CONTI, 2011).

No Brasil, aproximadamente 85% da populao se encontra em reas urbanas

(IBGE, 2010), o que potencializa impactos, como, por exemplo, ocupaes em
locais imprprios e a impermeabilizao do solo, que acabam por agravar
problemas de ordem socioeconmica. Tais afirmaes corroboram com as
pressuposies de Coelho (2001), segundo as quais quanto maior for a
quantidade de pessoas dispostas em uma mesma localidade, maiores sero os
danos paisagem natural em questo. O aumento expressivo da
impermeabilizao do solo, da densidade demogrfica e de construes em
locais imprprios ocorre costumeiramente acompanhado por graves problemas
socioeconmicos, alm de impactos negativos na infraestrutura urbana e no
meio ambiente (ARAJO, 2006).

Para nortear aes e servir como base de sustentao para rgos de

planejamento foram institudos os Planos Diretores. Na prtica, so
documentos obrigatrios em cidades com mais de 20 mil habitantes que
sintetizam e tornam pblicos os objetivos traados para o municpio e
estabelecem princpios, diretrizes e normas a serem utilizadas para que as
decises dos agentes envolvidos (tanto pblicos como privados) no processo
de desenvolvimento urbano se concentrem na mesma direo (SABOYA,
2007).

Os produtos derivados de Sensoriamento Remoto orbital para a anlise

urbana, como os mapas de monitoramento do uso e ocupao da terra,
apresentam grande potencial devido ao seu carter multitemporal, tendo de
modo geral uma boa relao custo-benefcio.

Os estudos urbanos com dados de sistemas sensores orbitais iniciaram-se na

dcada de 1970 a partir de dados do sensor Multispectral Scanner Subsystem

1
(MSS), porm devido a sua baixa resoluo espacial, os estudos eram em
mbitos regionais e no focalizados na anlise intra-urbana (MOELLER, 2005).

Mais recentemente, novos sistemas sensores com resoluo espacial mais

refinada, como o Ikonos-2 e o QuickBird, foram lanados em 1999 e 2001
respectivamente. Posteriormente o sistema sensor WorldView-2 (lanado em
2009) aliou refinada resoluo espacial com oito bandas multiespectrais,
abrindo-se ento novas perspectivas para estudos das propriedades espectrais
dos alvos urbanos.

Por tratar-se de imagens mais com grande volume de informaes, tornou-se

invivel utilizar os classificadores pixel a pixel convencionais, sendo necessrio
desenvolver novos algoritmos para seu estudo. Assim, surgiu a anlise
orientada a objeto (Object-Based Image Analysis - OBIA), que realiza uma
abordagem, entre outras finalidades, para classificao da cobertura da terra
em imagens de alta resoluo espacial que permite a simulao da
interpretao visual humana atravs da modelagem do conhecimento
(BLASCHKE, 2010).

O uso da anlise orientada a objeto foi consolidado na dcada passada e, por

possibilitar diferentes alternativas de extrao de informaes, tornou-se uma
sada eficiente na classificao das feies da superfcie terrestre, sobretudo
em reas urbanas (MATHENGE, 2011; ELSHARKAWY et al., 2012; KOHLI et
al., 2013), apresentando bons resultados quanto exatido temtica (PINHO,
2005; NOVACK, 2009; RIBEIRO, 2010; CARVALHO, 2011; MENEGHETTI,
2013). Ao explorar as potencialidades da anlise de imagens baseada em
objeto e utilizando dados do sistema sensor WorldView-2, Ribeiro (2010)
obteve elevados ndices de preciso e reduo no nmero de confuses em
comparao com dados do sistema sensor QuickBird. Alm disso, esta autora
concluiu que, com o uso das bandas Yellow e Red-Edge, possvel uma
melhoria na discriminao de alvos similares, como telhas cermicas e solo
exposto.

Para processar e extrair informaes de imagens foram desenvolvidos

programas computacionais que aliam o conhecimento do intrprete com regras

2
de classificao e proporcionam melhor distino dos alvos. Um exemplo o
InterIMAGE, desenvolvido conjuntamente pelo Instituto Nacional de Pesquisas
Espaciais (INPE) e pela Pontifcia Universidade Catlica do Rio de Janeiro
(PUC/RJ), em cooperao com a Leibniz Universitt de Hannover (Alemanha).

1.1 Objetivo geral

O objetivo geral deste trabalho desenvolver um modelo de classificao para

o mapeamento do uso e da cobertura da terra em duas reas testes no
municpio de Santo Andr (SP), a fim de facilitar avaliaes estratgicas,
principalmente do ponto de vista ambiental, utilizando imagens do sistema
sensor WorldView-2, classificao baseada em objeto e tcnicas de minerao
de dados a partir do operador C4.5, disponvel no aplicativo InterIMAGE. Alm
disso, faz parte do objetivo principal agregar valor a estudos anteriores, no que
diz respeito classificao do uso da terra a partir da classificao da
cobertura intra quadras, tendo como base as leis de zoneamento do municpio.

1.2 Objetivos especficos

Para atender ao objetivo geral, os seguintes objetivos especficos foram

propostos:

Elaborar, discutir e detalhar um modelo de classificao para cobertura e

uso da terra para as reas de estudo em questo, observando os resultados
obtidos e que podem, de alguma forma, servir de base para estudos futuros.

Analisar o desempenho e o potencial do sistema InterIMAGE para

aplicaes ambientais e sugestes que permitam otimiz-lo.

Avaliar a qualidade do resultado da classificao.

Fornecer um mtodo de classificao de uso e cobertura da terra vivel

(indicando as potencialidades e dificuldades a serem superadas), para ser
aplicado por parte do corpo tcnico responsvel pela gesto do territrio,
especificamente em reas urbanas.

3
 1.3 Organizao da dissertao

Este documento est organizado em seis captulos:

O Captulo 1 introduz a pesquisa desenvolvida, revelando seu contexto e

as motivaes para seu desenvolvimento.

O Captulo 2 apresenta a fundamentao terica, acompanhada de

reviso da literatura e contextualizando os principais temas do estudo.

O Captulo 3 descreve a rea de estudo de modo geral e, mais

detalhadamente as reas-testes.

O Captulo 4 refere-se ao material e mtodos utilizados.

No Captulo 5, so analisados e discutidos os resultados obtidos durante

a pesquisa.

O Captulo 6 apresenta as concluses deste estudo e faz

recomendaes para pesquisas futuras.

4
 2 FUNDAMENTAO TERICA

2.1 reas urbanas

De acordo com o Instituto Brasileiro de Geografia e Estatstica (IBGE, 2013), o

termo rea urbana ou zona urbana refere-se regio interna do permetro
urbano de um municpio ou vila. Essas reas devem possuir edificaes
contnuas e apresentar aparelhos sociais destinados s funes urbanas
bsicas, como habitao, trabalho, lazer e transporte.

No Brasil, a Lei N 5.172/66 define que todas as reas urbanas devem

obedecer aos requisitos mnimos de pelo menos dois dos incisos seguintes,
construdos ou mantidos pelo Poder Pblico:

I - meio-fio ou calamento, com canalizao de guas pluviais;

II - abastecimento de gua;

III - sistema de esgotos sanitrios;

IV - rede de iluminao pblica, com ou sem posteamento para

distribuio domiciliar;

V - escola primria ou posto de sade a uma distncia mxima de trs

quilmetros do local considerado.

importante salientar que, em uma esfera local, existe a possibilidade da

atuao da Legislao Municipal, que pode considerar reas urbanizveis ou
em expanso urbana, desde que sejam aprovadas por rgos competentes e
obviamente respeitem instncias superiores.

De modo geral, a urbanizao vista como sinnimo de desenvolvimento

econmico. Esse desenvolvimento acarreta um crescimento vertical da
localidade e, infelizmente, em boa parte das cidades brasileiras, essa expanso
urbana no planejada e provoca distrbios ambientais e socioeconmicos.

5
 2.2 Uso de recursos de Sensoriamento Remoto para estudos urbanos

O Sensoriamento Remoto um importante instrumento para pesquisas

urbanas, pois possibilita uma viso sinptica do territrio, fornecendo dados em
resolues temporais e espaciais adequadas a estes tipo de estudo,
principalmente do ponto de vista da diversidade de alvos e transformao da
paisagem (JENSEN, 2009; LANG; BLASCHKE, 2009).

Os dados obtidos por Sensoriamento Remoto, associados a informaes

previamente existentes, possibilitam a integrao de diferentes anlises que
podem ser importantes para estudos relativos ao uso e cobertura da terra
(NELLIS et al., 1997; HENDERSON; XIA, 1997).

As aplicaes para estudos urbanos envolvem a estimativa da cobertura

vegetal existente, reas de expanso urbana, reas de risco devido
localizao (enchentes, deslizamentos etc.), reas invadidas (como, por
exemplo, reas de Proteo Ambiental e reas de Preservao Permanente).

Do ponto de vista da gesto ambiental, ter acesso a dados multitemporais com

razovel intervalo pode ser muito interessante para o monitoramento de
fenmenos inerentes ao contexto observado.

Recentemente, com o advento de sistemas sensores com adequada resoluo

espacial e radiomtrica, ampliaram-se as aplicaes urbanas, como, por
exemplo, estudos usandos estimativa de imposto baseado na sombra das
edificaes; identificao mais detalhada de classes de uso; inferncia
populacional; gerao de modelos em tridimensionais; estudos de ilhas de
calor urbanas; deteco de assentos informais (DURIEUX et al., 2008;
HOFMANN et al., 2008; MARCHESI et al., 2006; YUAN; BAUER, 2007; ZHOU;
TROY, 2008; ZHOU et al., 2012).

O conjunto de informaes resultantes dessas aplicaes permite a

identificao de reas prioritrias do ponto de vista ambiental e
socioeconmico, fatores que refletem diretamente na qualidade de vida da
populao local, alm de colaborar no momento de tomada decises
estratgicas.

6
 2.3 Classificao da cobertura e uso da terra

Os termos uso da terra e cobertura da terra referem-se, respectivamente, ao

modo como a terra utilizada e aos materiais biofsicos e antrpicos presentes
na superfcie terrestre (JENSEN; COWEN, 1999).

Para extrair e identificar informaes relativas superfcie terrestre e produzir

pesquisas de qualidade sobre o uso e a cobertura da terra, o OBIA utiliza
tcnicas para manipular atributos espectrais e chaves de interpretao, como,
por exemplo, forma e textura. De modo geral, as reas urbanas podem ser
consideradas regies de difcil discriminao e interpretao a partir de
imagens de satlite, uma vez que esto inseridas em uma realidade de alvos
diversificados, com diferentes respostas espectrais e muitas vezes com
pequenas dimenses espaciais.

As informaes provenientes da cobertura da terra podem ser consideradas

valiosas para certos estudos, como mapeamento de reas verdes e
impermeveis, estudos de conforto trmico e levantamento da qualidade
ambiental (GRIMMOND, 2007; VOOGT; OKE, 1997).

O uso da terra est relacionado diretamente com as dinmicas

socioeconmicas e culturais que ocorrem em um lote, quadra ou rea (DI
GREGRIO, 2005). Na prtica as classes de uso do solo urbano foram criadas
com a finalidade de classificar as atividades e tipos de assentamento para
efeito de sua regulao e controle atravs de leis de zoneamento, ou leis de
parcelamento e uso do solo (DEK, 2001). Esta legislao, em conjunto com
os equipamentos de infraestrutura urbana, so os principais meios de
interveno do Estado na organizao espacial da cidade.

Ainda com relao ao uso da terra, um exemplo de estudo bem sucedido o

trabalho de Hu e Wang (2013), cujo resultado mostrou que, por meio de um
mtodo de rvore de deciso, os fatores mais influentes entre as variveis
utilizadas para classificao de uso da terra foram a rea construda e a altura
das edificaes. O mtodo utilizado mostrou-se promissor, mesmo
apresentando confuses entre as finalidades de uso industrial e comercial,

7
sendo que foram registrados avanos com relao a pesquisas anteriores
deste tipo.

2.4 O satlite WorldView-2

A disponibilizao de imagens de sistemas sensores com resoluo espacial

mais refinada permitiu estudos mais detalhados de reas urbanas, uma vez
que foi possvel obter uma melhor distino dos alvos (maior preciso dos
resultados e possibilidade de se criar novas classes de uso e cobertura da
terra) e detectar suas caractersticas e eventuais mudanas, elementos de
fundamental importncia para a gesto e o planejamento urbano.

Dentre os satlites comerciais que ofereceram imagens consideradas de alta

resoluo espacial, podem ser citados: o Ikonos-2 (lanado em 1999);
Quickbird-2 (lanado em 2001, tendo sido o primeiro a oferecer resoluo
submtrica no modo pancromtico); WorldView-1 (lanado em 2007 e
caracterizado por sua agilidade para realizar o imageamento); GeoEye-1
(lanado em 2008); WorldView-2 (lanado em 2009).

O satlite WorldView-2 o primeiro sensor orbital comercial de alta resoluo

espacial com oito bandas espectrais. As imagens obtidas por este sistema
imagerador possibilitam boa discriminao e maior preciso para a anlise de
diferentes tipos de alvos (EMBRAPA, 2009). As suas bandas espectrais e
respectivos intervalos so apresentados na Figura 2.1.

As imagens deste sistema sensor apresentam resoluo espacial de 0,46 m na

banda pancromtica e 1,84 m nas bandas multiespectrais, alm de uma
resoluo radiomtrica de 11 bits. Ao adicionar novas bandas multiespectrais,
como, por exemplo, a Red Edge (vermelho borda), foi possvel identificar o
estgio fenolgico da vegetao com maior detalhamento. A banda Yellow
(amarelo) possibilitou a deteco de amarelo em diversos locais, tanto em terra
quanto na gua. J a banda Near-infrared-2 (infravermelho prximo 2) menos
influenciada pela atmosfera, permitindo estudos de biomassa da vegetao.
Por possuir grande influncia do espalhamento atmosfrico, a banda Coastal
colaborou com o desenvolvimento de tcnicas de correo atmosfrica, alm

8
de estudos batimtricos, devido sua pouca absoro pela gua
(DIGITALGLOBE, 2010).

Figura 2.1 - Intervalos espectrais das bandas do sensor WorldView-2.

Fonte: Padwick et al., (2010).

Tabela 2.1 - Caractersticas do satlite WorldView-2 e sua carga til.

Misso WorldView

Instituio Responsvel Digital Globe

Pas/Regio Estados Unidos
Satlite WorldView-2
Lanamento 08/10/2009
Local de Lanamento Vandenberg Air Force Base
Veculo Lanador Delta 76920
Situao Atual Ativo
rbita Heliossncrona
Altitude 770 km
Inclinao +/- 45 off-nadir
Tempo de durao de rbita 100 min
Horrio de passagem no
10:30 am
Equador
Perodo de Revisita 1,1 dias no nadir 3,7 dias a 20 off-nadir
Tempo de vida til projetado 7,25 anos
Instrumentos Sensores PAN, MS
Fonte: Adaptado de Digital Globe (2009).

9
Vale ressaltar ainda que, alm de refinada resoluo espacial, as oito bandas
multiespectrais (cinco delas localizadas na faixa do visvel e trs na faixa do
infravermelho prximo) so muito teis em estudos urbanos, na medida em que
estas caractersticas permitem maior distino de alvos com comportamento
espectral semelhante, como, por exemplo, ruas pavimentadas com asfalto e
edificaes com cobertura de telhas de cimento de amianto escuro (PINHO,
2005).

2.5 Anlise de imagens baseada em objetos geogrficos (GEOBIA

Geographic Object-based Image Analysis)

Frequentemente, mesmo em imagens com alta resoluo espacial, a extrao

de informaes no uma tarefa fcil, uma vez que um mesmo objeto pode ser
formado por representativa quantidade de pixels. Por esse motivo, a variao
interna dos nmeros digitais dentro de uma mesma classe ampliada. Assim
sendo, para maior preciso dos resultados, de fundamental importncia o
conhecimento do intrprete aliado a regras de classificao para proporcionar
melhor distino dos alvos (PINHO, 2005).

A anlise baseada em objetos geogrficos consistiu em uma nova abordagem

na dcada de 1990 com o intuito de aproximar o mundo computacional do real,
embora ela tenha recebido essa designao apenas na dcada seguinte.

Nesse sentido, foram desenvolvidos mtodos que envolvem aprendizagem

humana, ancorados o paradigma de orientao a objeto, como, por exemplo, o
objeto, o atributo, a classe, os membros, o contexto e seus componentes
(COAD; YOURDON, 1992; FICHMAN; KEMERER, 1992). O termo GEOBIA foi
utilizado para enfatizar o vis geogrfico da anlise (JOHANSEN et al., 2010).
Vale ressaltar que GEOBIA uma abordagem ampl e no se restringe apenas
ao uso de imagens de alta resoluo espacial ou para aplicaes urbanas,
podendo ser aplicado com eficincia em outros setores do conhecimento,
como, por exemplo, estimativa de reas agrcolas (SILVA JUNIOR et al., 2014).

O desenvolvimento de tecnologias para a distino de alvos com imagens de

alta resoluo espacial acabou por alterar os trabalhos de mapeamento de uso
e cobertura da terra, uma das maiores demandas do Sensoriamento Remoto

10
em contextos urbanos (RIBEIRO et al., 2009). Isto ocorreu devido ao
refinamento da resoluo espacial, medida em que os objetos passaram a
ser constitudos por um conjunto de pixels e no mais como anteriormente,
quando possuam tamanho maior ou igual aos objetos de interesse
(BLASCHKE, 2010).

Como as imagens de alta resoluo espacial apresentam grande diversidade e

variao de classes em uma mesma cena, as novas tcnicas, alm de
considerarem os nveis de cinza, levam em conta tambm a forma dos objetos
e suas relaes de vizinhana (SCHIEWE; TUFTE, 2007). Para atender a essa
demanda, foram desenvolvidos modelos matemticos que se utilizam da lgica
fuzzy (ou lgica nebulosa, que permite que um mesmo objeto esteja
associado a vrias classes com diferentes graus de pertinncia), os quais, em
conjunto com as redes semnticas, possuem recursos que permitem a
introduo do conhecimento do especialista. O ganho no uso da lgica fuzzy
est precisamente no grau de pertinncia, que rene todas as incertezas
trazidas durante a definio das classes dos objetos e dos erros das amostras
de treinamento, alm de erros inerentes aos sensores e sistemas de
classificao (BENZ et al., 2004).

O conceito de objeto pea-chave neste tipo de anlise de imagens, j que a

informao semntica necessria no se encontra apenas no pixel, mas
tambm nos objetos da imagem e nas relaes existentes entre eles
(DEFINIENS, 2007). A Figura 2.2 mostra um exemplo de modelo conceitual de
classificao baseada em objeto, proposto por Antunes (2003).

A anlise orientada a objeto parte de alguns pr-requisitos, como por exemplo,

o uso de redes semnticas que podem conter um ou mais nveis de
classificao relacionados, de modo a emular o processo cognitivo do
intrprete humano (ALMEIDA, 2010).

11
 Figura 2.2 Modelo de classificao baseada em objeto.
Fonte: Antunes (2003).

2.6 Sistemas de Interpretao de imagens baseadas sistemas

especialistas

A funo de sistemas de interpretao de imagens baseados em conhecimento

simular, em um ambiente computacional, o conhecimento humano. Isso
ocorre a partir da combinao de diferentes tipos de dados de diversas fontes
para a anlise de imagens de sensores remotos (FEITOSA et al., 2005).

A abordagem baseada em conhecimento procura identificar objetos do mundo

real a partir de caractersticas como cor, forma, textura e contexto da imagem
analisada, diferentemente de algoritmos classificadores que procuram definir
grupos de pixels com caractersticas semelhantes, mas que muitas vezes no
se traduzem em objetos reais. Portanto, o resultado da classificao nada mais
do que o reflexo do conhecimento e do poder de compreenso do
classificador, uma vez que os sistemas se baseiam no conhecimento sobre a
cena (PINHO, 2005; PINHO et al., 2012).

Os principais requisitos para o processo de extrao de informaes nesses

sistemas so: (a) compreenso das caractersticas do sensor; (b) compreenso

12
das escalas de anlise adequadas e sua combinao; (c) identificao do
contexto tpico e das dependncias hierrquicas; (d) considerao das
incertezas inerentes a todo o sistema de extrao de informao, iniciando-se
pelo sensor e culminando com conceitos fuzzy para as informaes solicitadas
(BENZ et al., 2004).

Normalmente esse tipo de sistema possui algoritmos de segmentao

integrados que esto estruturados nos tipos de classe e na forma das redes
semnticas, alm de possurem classificaes baseadas em regras e
permitirem a integrao de imagens multi-sensores e dados vetoriais.

2.7 InterIMAGE

O aplicativo InterIMAGE um projeto em parceria entre as Divises de

Sensoriamento Remoto (DSR) e Processamento de Imagens (DPI) do Instituto
Nacional de Pesquisas Espaciais (INPE) com o Departamento de Engenharia
Eltrica da Pontifcia Universidade Catlica do Rio de Janeiro (PUC-RJ) e com
a Universidade de Hannover (Alemanha). Constitui um novo sistema de
interpretao de imagens de cdigo aberto e gratuito (COSTA et al., 2008;
COSTA, 2009).

Ele se baseia no sistema alemo GeoAIDA (BCKNER, et al., 2001), do qual

herdou elementos relacionados sua estrutura de conhecimento e
mecanismos de controle (COSTA et al., 2007; COSTA, 2009).

A interpretao de imagens neste sistema estrutura-se em uma rede semntica

que definida pelo usurio, onde os "ns" representam as classes
possivelmente encontradas na cena e os "arcos" representam a relao entre
as classes (PAHL, 2008). Cada "n" representa um conceito do mundo real e
os "arcos" representam a relao entre os "ns" (NOVACK, 2009).

O procedimento de interpretao de imagens no InterIMAGE realizado em

duas etapas: a primeira denominada Top-Down (TD), na qual a rede
semntica pr-definida pelo usurio, sendo estabelecidas hipteses sobre a
existncia de elementos na imagem objeto de estudo. Assim, o sistema
percorre a rede semntica de cima para baixo disparando os operadores
holsticos, caracterizados como programas executveis especializados na
13
deteco de certo conceito da rede semntica. Para a deteco destes
conceitos os operadores holsticos realizam processamentos na imagem, tais
como segmentao, extrao de atributos e classificao ou simplesmente
podem importar dados vetoriais j existentes (KUX et al., 2011).

A etapa seguinte denominada Bottom-up (BU) executa trs tarefas, a saber: (a)
validar ou descartar as hipteses geradas no primeiro momento; (b) corrigir
possveis conflitos espaciais entre as hipteses; (c) caso necessrio, remodela
geometricamente as hipteses. Na etapa BU o sistema percorre a rede
semntica no sentido contrrio, de baixo para cima. Dessa forma so
resolvidos possveis conflitos espaciais entre hipteses e o sistema pode
aceit-las parcial ou totalmente, transformando-as posteriormente em
instncias (hipteses validadas) (KUX et al., 2011).

A Figura 3 apresenta esquematicamente o processo de classificao realizado

pelo sistema InterIMAGE, no qual o usurio deve fornecer os dados de entrada
(raster ou vetoriais), um modelo de conhecimento (rede semntica), alm de
inserir os operadores holsticos TD e as regras BU aos ns da rede semntica.
No comando do sistema, so criadas classes presentes na cena atravs do
processo Top-Down, sendo tais hipteses avaliadas pelos operadores Bottom-
Up e transformadas em instncias. Ao final do processo, os resultados obtidos
pelo usurio correspondem a um mapa temtico e a descrio simblica da
cena (NOVACK; KUX, 2010).

Sobre os operadores existentes dentro do sistema, vale lembrar que esto

associados aos ns da rede semntica e, na prtica, ficam responsveis por
analisar uma regio da imagem e repassar o resultado aos ns a eles
conectados. Alm do caso citado anteriormente, existem operadores que
apenas repassam a informao para frente, como por exemplo, o Dummy Top
Down (TD), no qual nenhuma hiptese criada. O mesmo ocorre com o
operador Dummy Bottom-up (BU), que apenas repassa as informaes j
validadas anteriormente (COSTA et al., 2010).

14
 Figura 2.3 - Processo de interpretao no sistema InterIMAGE.
Fonte: Adaptado de Pahl, (2008).

2.8 Minerao de dados e rvores de deciso

O termo minerao de dados segundo Han e Kamber (2001) um

subconjunto da Descoberta de Conhecimento em Banco de Dados (DCBD). Tal
processo consiste na identificao de padres que podem ser teis e facilitar a
tomada de decises pelo sistema (FAYYAD et al., 1996). Assim so
procurados padres de interesse em paralelo com o melhor ajuste de
parmetros do algoritmo para executar determinada tarefa (SILVA, 2006).

Os algoritmos, alm de buscar produzir modelos de conhecimento (que

representam padres de comportamento dos dados), podem ser transportados
para a classificao. Ou seja, os modelos de conhecimento podem ser usados
para a classificao ou tomada de deciso em caso de se utilizar um conjunto
de dados diferentes dos existentes na etapa de aprendizado, o que caracteriza
um conhecimento sobre determinado fenmeno (WITTEN et al., 2011). Estes
mesmos autores afirmam que, para realizar a minerao de dados de maneira
satisfatria, necessrio construir um conjunto de treinamento (etapa de pr-
processamento).

15
No momento da escolha dos algoritmos de minerao de dados
recomendado conhecer os tipos de variveis envolvidas e a inteligibilidade do
modelo de conhecimento que ser gerado. Os algoritmos podem ser: (a)
supervisionados, em que o modelo de conhecimento gerado a partir de um
conjunto de treinamento e avaliado por um conjunto de teste; (b) no-
supervisionados. Neste caso, quando no houver a informao de sada
desejada, os algoritmos procuram estabelecer relao entre os prprios dados
(GOLDSCHMIDT; PASSOS, 2005).

O processo de minerao de dados em Sensoriamento Remoto realizado em

diferentes etapas (Figura 2.4). Em cada uma delas, so obtidas informaes
essenciais para o prximo passo, j que respeitado o contexto dos dados e a
dependncia do domnio, o que evita ambiguidades de informaes.

Figura 2.4 - Processo da descoberta de conhecimento em bancos de dados.

Fonte: Adaptado de Zhang et al., (2002).

As ferramentas de minerao de dados podem melhorar a preciso de estudos

com dados de Sensoriamento Remoto, j que possibilitam a partir de certa
quantidade de amostras, uma representativa anlise de uma cena com
diversos alvos, o que facilita a sua distino e interpretao e demanda
tcnicas para a extrao de informaes (KORTING et al., 2008). Portanto, a
minerao de dados permite a classificao de imagens sendo um
procedimento mais eficiente do ponto de vista de economia de tempo utilizado

16
para realizar outras tarefas se comparado com a anlise manual (KORTING,
2012).

Uma boa seleo de amostras fundamental para qualquer tipo de pesquisa,

j que cada segmento gerado possui atributos espectrais, geomtricos e de
textura (com valores numricos associados a eles) que sero utilizados para a
classificao por anlise baseada em objeto (NOVACK et al., 2011).

Carvalho (2011) realizou o mapeamento do uso e cobertura da terra de um

setor da Zona Oeste de So Paulo (SP), a partir da minerao de dados por
rvores de deciso com imagens WorldView-2. Os resultados mostraram que
se trata de uma ferramenta rpida e eficaz para a classificao de imagens
alm de possuir fcil aplicao e interpretao.

O termo rvore de Deciso na prtica uma espcie de fluxograma

estruturado em forma de rvore, na qual cada n interno (que deve receber o
nome de um dos atributos) designa um teste em um atributo, cada ramo
representa um resultado do teste e cada n-filho possui um rtulo da classe
(HAN; KAMBER, 2001).

Para que o processo de rvores de deciso seja realizado, necessrio, em

um primeiro momento, definir as classes que sero utilizadas. Posteriormente,
necessrio considerar um conjunto de amostras de referncia para cada um
dos elementos na cena (ou das classes de interesse). Dessa forma, a rvore
estruturada em ramos que saem do n interno e que so rotulados com valores
do atributo daquele n, e a folha recebe como rtulo o nome da classe
(NOVACK et al., 2011).

17
18
 3 REA DE ESTUDO

3.1 Localizao e caracterizao

O municpio de Santo Andr est localizado na Regio Metropolitana de So

Paulo (Figura 3.1) e faz parte do Grande ABC (formado por Santo Andr, So
Bernardo do Campo e So Caetano do Sul). Alm dos municpios citados,
Santo Andr limita-se com So Paulo, Mau, Ribeiro Pires, Rio Grande da
Serra, Suzano, Mogi das Cruzes, Santos e Cubato. A rea de estudo deste
trabalho abrange a poro situada entre a Macrozona Urbana e a Macrozona
de Proteo Ambiental de Santo Andr (PMSA, 2013).

Figura 3.1 Localizao do municpio de Santo Andr (SP).

Distante 22 km da capital paulista, Santo Andr um dos 39 municpios da

Regio Metropolitana de So Paulo (RMSP). Segundo o IBGE (2010), o
municpio possui aproximadamente 676 mil habitantes e 175 km de extenso.

O clima classificado como subtropical (Cfa na classificao climtica de

Kppen-Geiger), com as mdias das temperaturas mnimas e mximas de
16,1C e 23,1C, respectivamente (UNICAMP, 2013).

19
A economia andreense foi alavancada em meados do sculo XX por
investimentos estatais e de capital estrangeiro que fortaleceram a instalao de
indstrias de diversos setores (principalmente do setor automobilstico,
mecnico, metalrgico e de material eltrico) que sustentaram um acelerado
ritmo de crescimento, o qual durante a dcada de 1970 fez parte do perodo
conhecido como "milagre econmico".

Tal fato contribuiu para um intenso fluxo migratrio de pessoas interessadas

em novas oportunidades de trabalho, sendo que no perodo entre 1960 e 2000
a populao quadruplicou. No entanto, em meados da dcada de 1980, devido
guerra fiscal entre municpios, muitas empresas deixaram a cidade e o setor
de comrcio e servios ganhou corpo e importncia, sendo considerado
atualmente o principal setor da economia local.

Devido intensa e desordenada ocupao do solo, o municpio caracterizado

por um profundo processo de alterao da paisagem natural. So frequentes
grandes reas impermeabilizadas, poucas reas verdes, ocupao para
diversos fins de reas de Preservao Permanente (APP`s) de setores de
proteo ambiental, como por exemplo, as reas de mananciais. Uma das
hipteses que explica a densa ocupao de reas de proteo a diviso do
territrio municipal, uma vez que 62% do mesmo se encontra em rea de
proteo ambiental, o que causou a falta de terra nas reas urbanizadas e
aumentou o avano da mancha urbana sobre a rea de mananciais (PMSA,
2013).

Apesar do ecossistema original fortemente alterado, Santo Andr possui

resqucios da vegetao nativa e, por isso, foram criadas duas grandes reas
que dividem o territrio: a Macrozona Urbana e a Macrozona de Proteo
Ambiental. De acordo com o primeiro captulo do Plano Diretor de Santo Andr
(PMSA, 2014) (Lei Municipal n8696/2004), o Macrozoneamento fixa as regras
de ordenamento do territrio, tendo como ponto de partida as caractersticas do
ambiente natural e construdo. Deste modo, vale ressaltar que a rea de
interesse da pesquisa abrange um setor situado entre as duas Macrozonas
mencionadas.

20
A Macrozona Urbana abrange basicamente a poro urbanizada do territrio,
situada na poro norte do municpio. A Macrozona de Proteo Ambiental
corresponde s reas de proteo do ambiente natural, que inclui a regio do
Parque Natural do Pedroso.

A definio da Macrozona Urbana tem por objetivo: controlar e direcionar o

adensamento urbano, adequando-o infraestrutura disponvel; garantir a
utilizao dos imveis no edificados, subutilizados e no utilizados; possibilitar
a instalao de usos mltiplos do territrio, desde que atendidos os requisitos
de instalao.

Por outro lado, o objetivo da Macrozona de Proteo Ambiental garantir a

produo de gua e a proteo dos recursos naturais; permitir a recuperao
das reas ambientalmente degradadas e promover a regularizao urbanstica
e fundiria dos assentamentos existentes, bem como contribuir com o
desenvolvimento econmico sustentvel. Portanto, o zoneamento que consta
no Plano Diretor institui regras gerais para uso e ocupao do solo em cada
uma das duas Macrozonas.

Neste contexto, das leis ambientais vigentes, como tambm da rea de estudo,
est o Parque Natural do Pedroso, rea com rica flora e fauna. Trata-se de
uma Unidade de Conservao de Proteo Integral com uma rea de 842
hectares. Apresenta uma vegetao tpica de Mata Atlntica, com a presena
de diversas espcies arbreas, como: manac da serra, cedro, ing e
embaba. Em relao fauna, o parque abriga preguias, saguis, gambs,
jararacas e diversas espcies de gavies ameaados de extino (SEMASA,
2013).

Com relao ao aspecto natural, o Parque convive com constantes problemas

relacionados no apenas ao uso de suas terras, como tambm de seu entorno.
So vrios os relatos sobre a extrao irregular de recursos naturais, alm de
ocupaes ilegais e desmatamentos, muitas vezes promovidos ou no
monitorados pelo Poder Pblico, como, por exemplo, as obras de infraestrutura
viria ou a omisso em relao s ocupaes ilegais em reas de mananciais.

21
Alm do Parque Natural do Pedroso, existem outros importantes elementos
dentro da rea de estudo que garantem diversidade e do ainda maior
relevncia para esta pesquisa.

Entre os exemplos, podem ser citados adensamentos urbanos, principalmente

na regio sul da Macrozona Urbana, apresentando situaes e dinmicas
relativas s cidades de grande porte, reunindo diferentes tipos de elementos e
alvos como: galpes industriais, residncias, parques, edificaes comerciais,
terminais urbanos, ruas e avenidas, praas, terrenos baldios.

Nesse cenrio, observam-se algumas consequncias da intensa ocupao de

reas urbanas, como, por exemplo, a forte impermeabilizao do solo, fato que
contribui para fortes enxurradas e enchentes no perodo chuvoso. Tambm se
inferem elementos que degradam intensamente a natureza e a paisagem
urbana, como, por exemplo, a poluio do solo, do ar e da gua, bem como a
ocupao irregular de reas de Preservao Permanente.

A rea de estudo abrange ainda parte da Represa Billings (Sistema Rio

Grande/Billings), um dos maiores e mais importantes reservatrios de gua da
RMSP, e parte do trecho sul do Rodoanel Mrio Covas, gigantesca e
controversa obra viria promovida pelo Governo Estadual em conjunto com a
iniciativa privada, que resultou em multas transformadas em medidas
ambientais compensatrias devido aos prejuzos ocasionados ao meio
ambiente pela sua construo.

3.2 reas-testes

A rea de estudo est localizada na regio que abrange parte das duas
Macrozonas do municpio (Figura 3.2). Para viabilizao dos processamentos
das imagens e melhor discriminao das classes de cobertura e uso da terra, a
rea de estudo est dividida em duas reas-teste.

Para a escolha das reas-testes, foi levada em considerao a quantidade de

elementos presentes (quanto maior a diversidade de classes de cobertura da
terra, mais interessante o setor para este estudo), mas que, ao mesmo tempo
representasse de forma fiel a realidade usualmente observada no municpio.
Ou seja, procurou-se explorar reas em que a paisagem se repetia com
22
frequncia, para que o modelo se tornasse mais aplicvel a outros bairros da
cidade ou a reas com caractersticas semelhantes. Outros aspectos
analisados foram: disponibilidade de dados e viabilidade para a realizao do
trabalho de campo.

Figura 3.2 - Mapa de localizao das reas-teste. Imagem OLI/Landsat-8

rbita: 219 Ponto: 76 R(5)G(4)B(3) de 19/10/2013.

No entanto, importante destacar a limitao gerada pelo InterIMAGE no que

diz respeito seleo das reas. Como j apresentado em estudos anteriores,
como os de Novack (2009) e de Meneghetti (2013) e constatado no presente
trabalho, mesmo nas verses mais recentes da plataforma InterIMAGE, so
aceitas somente imagens com dimenses reduzidas, principalmente quando
apresentam grande massa de dados, como o caso das cenas do satlite
WorldView-2. Alm disso, aps vrios testes de classificao da cobertura da
terra em diferentes reas, ficou estabelecido que as caractersticas da
superfcie fossem fundamentais para que os processamentos tivessem algum
xito. Em outras palavras, era necessrio no haver um elevado nmero de
objetos na cena e de preferncia, com pequena variedade entre si, pois os
resultados parciais obtidos eram muito discrepantes em termos qualitativos.

23
Por isso, a seleo das reas-testes atendeu a esses requisitos, buscando-se
um equilbrio, at porque alguns dos aspectos abordados so divergentes. Se
por um lado, na busca por uma anlise mais elaborada, seria interessante uma
rea mais diversificada, por outro, do ponto de vista computacional o oposto
seria mais adequado.

A rea-teste A (Figura 3.3) tem maior diversidade de alvos por ser um setor
densamente urbanizado (Macrozona Urbana), na qual foi possvel observar
classes de cobertura como Asfalto, Vegetao rasteira, Concreto, Telhados,
Solo exposto etc.

Alm de diferentes tipos de cobertura, foram observados, durante o trabalho de

campo, diversos usos da terra. Como se trata de uma regio densamente
povoada, diferentes atividades foram notadas, desde o uso residencial, at o
uso comercial (ou uso misto), bem como uso institucional (como por exemplo,
cemitrio e rea de servido, que abriga parte da linha de transmisso de
energia que atende o municpio).

Figura 3.3 - rea-teste A, Imagem WorldView-2 R(5) G(3) B(2).

24
 Figura 3.4 - rea-teste B, Imagem WorldView-2 R(5) G(3) B(2).

A rea-teste B, (Figura 3.4) faz parte de um ambiente natural menos alterado

(regio do Parque do Pedroso, na Macrozona de Proteo Ambiental). Essa
rea possui vegetao de maior porte, um trecho do Rodoanel, diferentes tipos
de edificaes (em relao rea A), gua, vegetao aqutica etc. Observa-
se ainda que toda a regio, de acordo com o Plano Diretor municipal, no
deveria ter uso residencial, porm no foi o que se observou na imagem
analisada e no trabalho de campo, havendo ainda uma rea de invaso com
alta densidade populacional.

25
26
 4 MATERIAL E MTODOS

Neste captulo, so descritos os dados, aplicativos e equipamentos usados,

bem como so detalhados os procedimentos metodolgicos adotados na
pesquisa.

4.1 Material

Imagem WorldView-2; bandas pancromtica e multiespectrais (Coastal

Blue, Blue, Green, Yellow, Red, Red Edge, Near-Infrared-1 e Near-Infrared-2),
com 0,5 m e 2,0 m de resoluo espacial, respectivamente, e resoluo
radiomtrica de 11 bits, obtida em 10 de julho de 2010.

Pontos de controle coletados em campo.

Dados altimtricos correspondentes rea de estudo pertencentes ao

municpio de Santo Andr, disponibilizados pelo SEMASA, destinados
gerao do modelo digital de elevao (MDE).

Limites territoriais do municpio de Santo Andr, no formato ESRI

Shapefile (shp).

4.1.1 Aplicativos

ArcGIS 10.0: Edio de dados vetoriais e execuo da unio dos

arquivos de atributos exportados no InterIMAGE. Foi usado para a realizao
do modelo visando obteno dos mapas de uso da terra, alm de ter servido
de plataforma-base para os mapas apresentados no documento e gerao de
pontos aleatrios, que possibilitaram o clculo do ndice Kappa.

ENVI 4.7: Utilizado na realizao da fuso e recorte das imagens e

vetorizao dos polgonos de quadras.

PCI Geomtica Ortho Engine 10.3: Ortorretificao das imagens.

Spectrum Survey: Para o ps-processamento dos dados em campo.

Sokkia Planning 4.21: Configurao do receptor Sokkia.

27
 Mapgeo 2010 1.0: Este aplicativo, disponibilizado pelo IBGE, foi utilizado
para determinar a ondulao geoidal dos pontos implantados em campo.

Topcon Tools V8: Usado para descarga dos dados observados do

receptor Topcon HiPer L1/L2 e posterior processamento.

InterIMAGE 1.37: Utilizado na gerao do modelo para classificao da

cobertura da terra.

4.1.2 Equipamentos

Receptor SOKKIA Modelo: Stratus Implantao de pontos em campo

mveis, utilizados no processo de ortorretificao.

Receptor Topcon Modelo: HiPer Utilizado para observao e coleta

de dados dos pontos em campo e de base para o levantamento.

4.2 Mtodos

A organizao dos procedimentos metodolgicos realizados durante este

trabalho est contida no fluxograma da Figura 4.1.

Figura 4.1 - Fluxograma metodolgico geral.

28
Podem ser observados os dados de entrada, basicamente as imagens
(multiespectrais e pancromticas), os pontos DGPS e o MDE, que serviram de
ponto de partida em diferentes momentos da pesquisa. Alm disso, foram
destacados os processos realizados, como por exemplo, os de fuso,
segmentao, extrao de atributos, minerao e classificao das imagens,
at a obteno de um mapa de cobertura e posteriormente de uso da terra.
Deve-se destacar tambm a obteno de determinados resultados que,
dependendo da concluso obtida aps sua avaliao, determinaram os rumos
da pesquisa.

4.2.1 Etapa de preparao dos dados

Durante a realizao do estudo, os seguintes procedimentos foram realizados:

(a) fuso das imagens; (b) coleta e processamento dos pontos de controle na
terra (Ground Control Points - GCPs) adquiridos durante o trabalho de campo;
(c) elaborao do modelo digital de elevao (MDE); (d) ortorretificao da
imagem.

4.2.1.1 Fuso das imagens

A fuso de imagens uma operao de processamento que combina imagens

diferentes com o objetivo de se obter um produto final de melhor qualidade,
com uma combinao da resoluo espacial mais refinada da banda
pancromtica com as cores e dados espectrais das bandas multiespectrais
(WALD, 1998).

Neste estudo, utilizou-se o mtodo de fuso Gram-Schmidt (LABEN;

BROWER, 2000). Foi escolhido este mtodo atravs da anlise visual das
imagens, uma vez que, se comparado com o mtodo de Componentes
Principais, os resultados obtidos apresentaram maior nitidez e detalhamento
espacial, como pode ser observado na Figura 4.2.

As fuses das imagens pancromticas com multiespectrais foram realizadas

utilizando o programa ENVI 4.7. O produto final deste processo uma imagem
com resoluo espacial de 0,5 m. Como ambas as imagens so adquiridas
simultaneamente, existindo assim correspondncia espacial entre os pixels

29
(DIGITALGLOBE, 2010), o processo de fuso foi realizado antes da
ortorretificao, com o intuito de facilitar a identificao das feies na imagem
que poderiam posteriormente ser utilizadas como pontos de controle.

Figura 4.2 Detalhe de resultado da fuso Gram-Schmidt utilizada no estudo.

4.2.1.2 Ortorretificao

Com a finalidade de excluir da imagem eventuais distores inerentes ao

sensor no momento da aquisio das imagens e da elevao do terreno e de
objetos que se encontram acima da superfcie, foi necessrio o processo de
ortorretificao de imagens de alta resoluo espacial.

A qualidade da ortorretificao depende diretamente da quantidade, exatido e

distribuio dos pontos de controle (GCPs) e tambm do modelo matemtico
escolhido (PCI GEOMATICS, 2007).

Os pontos de controle devem apresentar aspectos marcantes e de fcil

visualizao, tanto na imagem (no podem estar obstrudos ou modificados por
sombras e outros elementos) que est sendo utilizada, como na observao in
loco e devem estar distribudos de maneira mais uniforme possvel na rea de
interesse (TOUTIN, 2004). Assim sendo, importante utilizar o maior nmero
de pontos Rover (aqueles escolhidos em diferentes partes da rea), para que o
processo de ortorretificao tenha uma maior preciso e fidelidade da
realidade. Outro detalhe importante a necessidade de se ter um ponto-base,
que fica fixo em uma mesma posio durante a realizao do trabalho de
campo, para servir de referncia para os Rovers coletados diariamente.

30
Portanto, o ponto-base deve estar posicionado em um local seguro e distante
de curiosos ou outros elementos que podem vir a deturpar os resultados por
qualquer tipo de interferncia no equipamento. Para tanto, foi utilizado como
ponto base o topo de um prdio da prefeitura localizado no centro da cidade,
devidamente sinalizado e demarcado, como pode ser observado na Figura 4.3.

Figura 4.3 Ponto-base, posicionado no topo do edifcio do SEMASA.

importante ressaltar que, para aperfeioar qualquer trabalho de coleta de

pontos, h necessidade de um detalhado reconhecimento prvio da rea de
interesse, o que ir facilitar o planejamento, principalmente em termos de
logstica, bem como para a execuo das tarefas e seleo das feies
representativas, tanto no mundo real quanto na imagem utilizada (Figura 4.4).

Alm disso, necessrio trabalhar com imagens obtidas o mais recente

possvel, para que a paisagem no sofra grandes alteraes e prejudique a
escolha de possveis pontos e o reconhecimento da rea, principalmente em
locais ainda no consolidados e/ou que se encontram em expanso.

31
 Figura 4.4 - Exemplo de feies escolhidas para a implantao dos pontos Rovers.

Em determinados locais, como ferramenta auxiliar, algumas reas da imagem

foram observadas atravs do mdulo Street View do Google Earth (GOOGLE
EARTH, 2012), conforme realizado por Carvalho (2011).

Para a ortorretificao das imagens, foram utilizados pontos de controle obtidos

em trabalho de campo. Este procedimento foi realizado nas seguintes etapas:

Impresso em papel A1 de duas cenas das imagens WorldView-2 que

auxiliou, durante o trabalho de campo, na busca dos locais para coleta dos
GCPs (marcaes em caladas, sinalizao de trnsito, esquinas, diferentes
tipos de pisos, drenagem urbana, quinas de muros, cruzamento do sistema
virio, entre outros). Importante salientar que a maior parte dos pontos
selecionados ocorreu antes da realizao do trabalho de campo.

Realizao da jornada de campo no perodo de 27 de agosto 03 de

setembro de 2013. Como o tempo de observao de cada ponto durava em
mdia 30 minutos, era preenchido um relatrio descritivo do respectivo ponto

32
para facilitar o posterior trabalho de processamento dos dados. Neste relatrio,
consta o nome de registro do ponto, o equipamento utilizado, um croqui de
localizao, o horrio de incio e trmino da observao e outros dados
pertinentes, quando necessrio.

Para a obteno e localizao dos pontos de controle, foram utilizados dois

tipos de receptores GNSS; o Sokkia (usado alternadamente como Rover) e o
Topcon HiPer (um destes aparelhos funcionou como base fixa).

Para a realizao da ortorretificao, de fundamental importncia o Modelo

Digital de Elevao (MDE). Neste estudo, os dados utilizados foram gerados
pelo Departamento de Agrimensura do Servio Municipal de Saneamento
Ambiental de Santo Andr (SEMASA), apresentando curvas com equidistncia
de 5 m. Os dados foram importados no aplicativo ArcGis, no qual aps alguns
ajustes, foi criado o MDE no aplicativo PCI Geomatics.

Para a realizao da ortorretificao das duas cenas, foram implantados 50

pontos de controle durante o trabalho de campo. A distribuio desses pontos
foi efetuada visando a melhor qualidade cartogrfica possvel, dentro das
limitaes encontradas no terreno (havia reas sem acesso), considerando
tambm a segurana da equipe. A distribuio dos pontos se encontra na
Figura 4.5.

Os pontos coletados em campo foram processados, tendo como base de

referncia o ponto localizado no topo do prdio do SEMASA, localizado na
regio central da cidade e que teve suas coordenadas transportadas a partir da
Estao POLI, instalada na Escola Politcnica da Universidade de So Paulo
(USP).

Posteriormente, foi necessrio transformar as altitudes geomtricas obtidas em

altitudes ortomtricas (para que as altitudes fossem referidas ao elipside),
atravs do aplicativo MAPGEO 2010, disponvel na pgina do IBGE, seguido
pela converso das coordenadas geogrficas para UTM.

A avaliao da imagem, do ponto de vista de sua exatido, foi baseada no

Padro de Exatido Cartogrfica (PEC) (BRASIL, 1984).

33
Figura 4.5 - Localizao dos 50 pontos de controle coletados no trabalho de campo.

34
O clculo das estatsticas amostrais para as componentes E e N (Tabelas 2 e
3), serviram de base para a anlise de tendncia e preciso das ortoimagens
(GALO; CAMARGO, 1994).

Tabela 2 - Estatsticas da ortoimagem

Estatstica N E
Mximo (m) 2,423 2,612
Mnimo (m) -1,802 -2,246
Mdia (m) 0,824 0,576
Desvio Padro (m) 0,946 0,739
RMSE 0,208 0,216

Tabela 3 - Resultados para a anlise de tendncia

Teste Estatstico Componente E (m) Componente N (m)
t amostral -1,357 0,356
t(%) 1,422 1,422
2
x classe B -7,723 21,281
X2(24;10%) 31,448 31,448

A anlise de exatido revelou que as ortoimagens possuem qualidade

planimtrica compatvel com o Padro de Exatido Cartogrfica Classe B e
escala 1/3500. Com relao aos testes estatsticos realizados na ortoimagem,
constatou-se que no houve nenhum tipo de tendncia em nenhuma das duas
componentes analisadas.

4.2.2 Classificao da cobertura da terra

A classificao de cobertura da terra foi realizada utilizando a abordagem de

anlise de imagens baseada em objetos geogrficos (GEOBIA). Para tanto,
utilizou-se inicialmente o programa computacional InterIMAGE 1.37, no qual
foram organizados projetos independentes para cada rea-teste.

Os procedimentos realizados para a classificao das imagens foram: i)

definio e caracterizao das classes de cobertura da terra; ii) segmentao
da imagem; iii) coleta de amostras e extrao de atributos; iv) minerao de
dados; v) classificao da imagem; vi) avaliao da classificao.

35
 4.2.2.1 Definio e caracterizao das classes, parmetros e atributos
utilizados para o mapeamento de cobertura da terra

Para a definio das classes de cobertura da terra, foi utilizada a metodologia

com base na anlise visual das imagens WorldView-2 adotada por Carvalho
(2011), Ribeiro (2010), Souza (2012) e Meneghetti (2013). A nomenclatura das
classes considerou o Manual Tcnico do IBGE.

O conhecimento prvio da rea e o trabalho de campo realizado permitiram,

alm da coleta de pontos utilizados na ortorretificao, o reconhecimento mais
apurado da regio, o que auxiliou na interpretao e identificao visual de
feies e alvos existentes. Adiante, ser discutido o processo de segmentao,
no entanto, vale ressaltar que para que se obter uma boa classificao,
essencial um bom ajuste dos parmetros de segmentao (Apndice A),
principalmente em relao geometria dos objetos em questo. No Apndice
B, esto descritas as rvores de deciso e todos os atributos e limiares
utilizados pelo minerador de dados e posteriormente implementados
automaticamente na rede semntica do InterIMAGE. (As descries detalhadas
de cada um dos atributos utilizados se encontram no link
http://wiki.dpi.inpe.br/doku.php?id=interimage:attributes_description).

Neste trabalho, assim como nos experimentos conduzidos por Ribeiro (2010),
os telhados de ao galvanizado e alumnio foram agrupados na classe
"Telhado Metlico". Mesmo diferenciados em relao s bandas de absoro
na regio do infravermelho prximo, sendo 830 nm para o ao (Banda 7), e
1.030 nm para o alumnio (Banda 8) (MOREIRA, 2008), o processo natural de
envelhecimento dos materiais acaba por aproximar o comportamento espectral
de ambos. Assim sendo, para pesquisas sobre materiais de cobertura,
trabalhar com as bandas do infravermelho prximo do WorldView-2 um bom
ponto de partida. Alm disso, como se trata de um tipo de alvo com tamanho e
forma padronizados, importante incluir este tipo de atributo.

A classe "Telhado Cermico" agrupa diferentes tipos de telhas, cujo material

usado basicamente a cermica, sendo que, na regio estudada, sua
presena foi detectada apenas na rea-teste A. Para a deteco desse tipo de
alvo, a banda do vermelho dividida pela banda do azul foi muito importante
36
(PINHO, 2009). Com relao aos atributos de forma, notou-se a importncia do
squareness (que indica o grau de retangularidade de um objeto), o que faz
muito sentido, uma vez que o alvo em questo apresenta caractersticas
geomtricas padronizadas. Um trabalho que contribuiu para a busca de bons
atributos a serem utilizados foi da autoria de Zhou et. al. (2012), no qual foram
desenvolvidos e aplicados ndices com as bandas do WorldView-2 para
diferentes tipos de alvos, incluindo o Normalized Brick Roof Index (NDBRI) que
diferencia tipos de telhado, mostrando-se eficiente durante sua aplicao e,
explicado pela seguinte frmula:

A classe "Concreto" agrupa alvos como cobertura de lajes planas, caladas e

pavimentos que se utilizam de argamassa de cimento. A discriminao desses
alvos foi feita principalmente pelo brilho observado. Durante a classificao da
classe Concreto, observou-se que a banda 2 (azul) pode ser bastante til,
principalmente o atributo de moda (mode), assim como o brilho (brightness).
Outros fatores importantes para uma boa classificao deste objeto o
parmetro de escala (apresentando valores menores) e valores maiores para a
compacidade, alm da anlise de contexto. Outra classe que possui material
construtivo baseado em concreto e apresentou resultados semelhantes foi
denominada Concreto Pr-moldado (ou concreto virio), que se refere
basicamente construo existente na rea-teste B, uma parte do trecho sul
do Rodoanel Mrio Covas que no est em contato com o solo. Por possuir
caractersticas marcantes e maior dimenso espacial, no foi necessrio
trabalhar com baixos valores para parmetros de escala, podendo ser
considerada uma feio de fcil segmentao e por se diferenciar dos demais
alvos.

Os alvos compostos por telhas de fibrocimento com ou sem amianto e com

colorao mais escura constituram a classe "Fibrocimento". Esta classe
engloba uma grande quantidade de alvos, principalmente na rea-teste B, que
apresenta edificaes mais simples, sem telhados cermicos. Para a
classificao da classe Fibrocimento, destaca-se o uso adequado dos
parmetros de forma e atributos associados banda 6 (Red Edge), como, por
37
exemplo, os atributos razo (ratio) e varincia (variance), o que revela um
importante uso deste recurso adicional.

Na rea-teste B, foi necessrio criar a classe Vegetao Aqutica, localizada

junto a um brao da represa Billings (classificado como Corpo Hdrico).
Inicialmente deve-se esclarecer que o parmetro de escala utilizado para tais
classes pode ser maior, uma vez que polgonos maiores podem representar
com fidelidade suas feies, no sendo necessrio um peso elevado para cor.
Alm disso, no preciso valorizar a compacidade dos segmentos. Com
relao s bandas que podem ser utilizadas, a Digital Globe sugere o uso da
banda 7 (infravermelho prximo 1), que apresenta boa distino entre recursos
hdricos e vegetao. Tambm foram teis as bandas 3 (verde) e 8
(infravermelho prximo 2), que atuam em regies do espectro eletromagntico
de representativa reflectncia e absortncia, respectivamente. Os parmetros
que podem servir de ponto de partida para estudos em reas semelhantes so:
mdia (mean), razo (ratio), moda (mode) e valor mnimo do pixel
(MinPixelValue), alm de ndices, como, por exemplo, o Normalized Difference
Water Index (NDWI), mesmo que este ltimo no tenha sido selecionado no
processo de minerao desta pesquisa, sendo descrito pela seguinte
expresso:

A classe denominada Asfalto se refere a maior parte do material que recobre

o sistema virio das reas estudadas. Para este tipo de alvo, deve-se
considerar parmetros de segmentao que favoream a formao de
polgonos mais compactos (ou seja, valores maiores para compacidade) e,
dependendo do perfil da feio estudada, parmetros de escala sem grandes
exageros. Dependendo da localidade, pode haver outros materiais sobrepostos
ao asfalto, como, por exemplo, areia, terra, concreto, veculos. No h
exatamente um atributo espectral que possa servir como ponto de partida.
Devem ser observadas, no entanto, caractersticas recorrentes e que marcam o
cobrimento do asfalto, como, no caso da rea de estudo, o concreto. Portanto
atributos espectrais como a moda (mode) associados banda 2 (azul) so um

38
bom ponto de partida. Alm disso, podem ser utilizados atributos de forma,
como, por exemplo, o comprimento (length).

Com relao s classes Vegetao Arbrea e Vegetao Rasteira, notou-se

que os parmetros de segmentao podem ser os mesmos, necessitando to
somente de uma nova coleta de amostras para cada uma das classes em
ambas as reas de interesse. Atributos de forma no so interessantes, at
pelas caractersticas do referido tipo de alvo, que, em linhas gerais, no
apresenta padres. Por outro lado, recomenda-se o uso de atributos espectrais
associados s bandas 5 (vermelho) e 7 (infravermelho prximo 1), como, por
exemplo, o valor mnimo dos pixels (MinPixelValue), razo (ratio), varincia
(variance), soma dos pixels (SumPixelsValues), a diviso da banda 5 pela
banda 7 e o prprio Normalized Difference Vegetation Index (NDVI), expresso
por:

O uso das bandas 5 e 7 para trabalhos envolvendo vegetao vo ao encontro

da proposta do fabricante do sensor, uma vez que tal resultado j era previsto.
A banda 5 (vermelho) classificada como uma das mais importantes para
discriminao de vegetao, enquanto a banda 7 (infravermelho prximo 1)
possibilita o reconhecimento de diferentes tipos de cobertura vegetal.

As classes Solo Exposto e Via No Pavimentada (a segunda presente

apenas na rea-teste B) apresentaram parmetros de segmentao
semelhantes, especialmente no que diz respeito ao peso da cor e da
compacidade. Houve uma diferena no parmetro de escala, uma vez que se
diferenciam em rea e a classe Via No Pavimentada teve um valor menor. O
uso das bandas 2 (azul) e principalmente a 5 (vermelho), como sugere o
fabricante, um bom ponto de partida. Deve ser observado que para a
classificao da Via No Pavimentada, pode ser interessante usar atributos
de forma, uma vez que esta classe possui caractersticas mais padronizadas.
Tal classe pode apresentar resultados razoavelmente diferentes do Solo
exposto, uma vez que possui diferentes materiais em sua cobertura, colocados
pelos moradores da regio para facilitar o acesso em dias de chuva, como, por
39
exemplo, concreto, pedras etc. Por fim, utilizar o atributo espectral de valor
mximo do pixel (MaxPixelValue), moda (mode), razo (ratio) e o Normalized
Difference Bare Soil Index (NDBSI), como descrito na expresso a seguir, pode
ser de grande valia.

Por fim, na classe denominada Sombra, procurou-se englobar todas as

regies sombreadas em ambas as reas-testes, principalmente devido
geometria de aquisio de dados que, de modo geral, podem ser consideradas
representativas em termos de rea. Ao contrrio de outros estudos avaliados,
no foi necessrio dar grande nfase ao peso da cor e, mesmo no
apresentando forma definida, foi necessrio colocar um peso elevado para
compacidade, uma vez que dentro de um contexto urbano havia pequenos
polgonos de sombra gerados pelos diferentes tipos de materiais encontrados
na superfcie. Os atributos que se mostraram mais importantes para discriminar
esta feio foram de ordem espectral, principalmente a razo (ratio), moda
(mode) e a soma dos pixels (SumPixelsValue), associados s bandas 1
(Coastal blue) e 7 (infravermelho prximo 1).

Convm ressaltar a importncia de se utilizar parmetros de segmentao

semelhantes para diferentes tipos de alvos, pois assim possvel poupar
tempo e processamento, restando apenas a coleta das amostras, facilitando a
anlise posterior. Sugere-se, assim, a formao de grupos, como por exemplo,
vegetao arbrea e rasteira, asfalto e concreto ou concreto e fibrocimento etc.
Outro ponto importante que pode contribuir em trabalhos futuros identificar as
bandas utilizadas em ndices, como, por exemplo, o NDVI, NDWI, NDBRI e
NDBSI, e desmembrar o uso das referidas bandas e associ-las com atributos
espectrais, de acordo com o foco do estudo.

As imagens de Sensoriamento Remoto so interpretadas a partir de elementos

de anlise e interpretao, como por exemplo: tonalidade/cor, textura,
tamanho, forma, sombra, altura, padro e localizao. Tais elementos
possibilitam a extrao de informaes dos objetos, reas ou fenmenos

40
(FLORENZANO, 2002). Na Figura 4.8, Jensen (2009) apresenta a ordem
sequencial dos elementos de interpretao da imagem.

Figura 4.6 - Ordem sequencial de anlise de interpretao da imagem.

Fonte: Adaptado de Jensen (2009).

A definio das classes de cobertura encontradas neste estudo e algumas de

suas caractersticas encontram-se na Tabela 4.1.

Tabela 4.1 - Chaves de interpretao das classes de cobertura da terra.

Cor Forma, Tamanho e
Classe Amostra (RGB532)
Localizao/Contexto
Textura
Forma irregular em
Vias no
terrenos, alongada
Laranja pavimentadas,
Solo em vias no
e terrenos no
Exposto pavimentadas,
marrom edificados e
tamanho varivel e
cemitrio
textura lisa

Forma irregular,
Tons Dentro de
tamanho varivel,
Vegetao mais quadras,
textura rugosa.
Arbrea escuros proximidade das
Presena de
de verde vias, praas etc.
sombras

Tons Dentro de quadras Textura lisa a

Vegetao mais (cemitrio), pouca rugosa,
Rasteira claros de canteiros ou reas forma e tamanhos
verde desocupadas variados

41
 Tons de Prximo a Textura lisa, forma
Sombra cinza e elementos com e tamanhos
preto maior altura variados

Varia-
es de No interior das
Textura lisa a
Telhado tons de quadras. Prximo
levemente rugosa,
Cermico vermelho a outros tipos de
forma retangular
e telhado ao redor.
marrom

Textura lisa, forma

Tons de retangular e
Asfalto Sistema virio
cinza alongada e
tamanho variado

Cinza Textura lisa,

Lagos e brao da
gua escuro a formato e tamanhos
represa
preto variados

Via No Prximo a ncleos Textura lisa, forma

Tons
Pavimenta- habitacionais de retangular e
claros
da baixa renda tamanhos variados.

Forma
predominantemente
Cinza Dentro de quadras
retangular, textura
Concreto claro a e caladas; vias
lisa ou pouco
branco de concreto
rugosa, tamanhos
variados

Dentro de
quadras, telhados Textura lisa ou
Branco
Telhado comerciais ou de pouco rugosa,
ou cinza
Metlico servios, referente forma retangular e
claro
ao topo da tamanhos variados
edificao

Dentro de
quadras,
Textura lisa ou
referentes a
Fibrocimen- Cinza pouco rugosa,
edificaes de
to escuro forma retangular e
baixo padro ou
tamanhos variados
para fins
comerciais

42
 Textura
Vegetao Cinza Localizada ligeiramente
Aqutica escuro prxima represa rugosa, tamanho e
forma variados

Cinza Elevado Textura lisa, forma

Concreto
claro a pertencente ao retangular e
Virio
branco. Rodoanel alongada

4.2.2.2 Rede semntica

No sistema InterIMAGE, a rede de estruturao das classes , ao mesmo

tempo hierrquica e semntica, de modo que os operadores so inseridos no
n-pai e geram segmentos que sero transmitidos e processados pelos ns-
filhos (COSTA et al., 2007).

A rede hierrquica no InterIMAGE tem o objetivo de representar o modo e a

sequencia realizada no momento da execuo da classificao. A etapa de
construo das redes hierrquicas baseou-se em Arajo (2006), Novack
(2009), Pinho (2005), Ribeiro (2010), Souza (2012) e Meneghetti (2013), cujos
nveis superiores (classes estabelecidas em um primeiro momento) possuem
maior separabilidade, enquanto que a ordem na parte inferior da rede
semntica foi relacionada s classes que apresentaram maior confuso.

Por questes operacionais e funcionais, principalmente relacionados

associao do algoritmo C4.5 no momento da minerao dos dados, a
construo da rede hierrquica seguiu o modelo utilizado por Meneghetti
(2013), no qual foi utilizada uma maior quantidade de nveis de pertinncia.

4.2.2.3 Segmentao

Baseado em semelhanas de um ou mais atributos, o processo de

segmentao procura agrupar em regies pixels existentes numa imagem
(PAL; PAL, 1993). Os mtodos de segmentao baseados em objeto vo alm
dos atributos espectrais e incluem informaes, como por exemplo, forma,
tamanho e contexto (JENSEN, 2005).

43
O processo de segmentao de fundamental importncia para o incio da
classificao de uma imagem, uma vez que permite visualizar se esto sendo
agrupados ou no um ou mais objetos semelhantes dentro de um mesmo
polgono, o que influenciar diretamente os resultados a serem obtidos
posteriormente. Portanto, para uma segmentao ser considerada boa ela
deve gerar polgonos que representem da melhor maneira a forma e a
geometria dos objetos existentes na superfcie da rea de interesse (RIBEIRO,
2010).

Para se obter o melhor resultado possvel em termos de segmentao, foram

utilizados como ponto de partida valores existentes na literatura para cada um
dos tipos de alvo. Porm, como cada cena possui caractersticas nicas, os
valores no so exatamente os mesmos. Na busca por um resultado mais
apurado, foi feito um grande nmero de testes com parmetros de
segmentao e posteriormente realizada a anlise visual de cada um dos
ambientes estudados.

Neste trabalho, o operador implementado no InterIMAGE responsvel pela

segmentao das imagens foi o TerraAida_Baatz_Segmenter. Este algoritmo,
desenvolvido por Baatz e Schpe (2000), usa o conceito do crescimento de
regies, no qual o operador faz os ajustes dos valores dos parmetros, como:
fator de escala, cor, compacidade e pesos de cada banda espectral.

O fator de escala observa a mxima heterogeneidade permitida por segmento,

ou seja, quanto maior for o valor inserido, maiores sero os segmentos
resultantes deste processo. Alm dos valores citados, necessrio inserir,
antes de executar a segmentao, as bandas existentes na imagem e o peso
de cada uma delas. Na prtica, o fator de escala tem fundamental importncia,
uma vez que dependendo do tipo do alvo a ser classificado, em sendo o
mesmo muito alto ou baixo, a sua geometria e, portanto as caractersticas de
forma do mesmo podero ser perdidas ou realadas.

J os parmetros de cor e forma so complementares e indicam a importncia,

em valores numricos, atribuda e utilizada no momento da segmentao. O
parmetro de forma dividido em compacidade e suavidade. Quando se atribui

44
um alto valor para a compacidade, so gerados segmentos mais compactos e
menores. Por outro lado, se for associado um valor maior para a suavidade,
so produzidos segmentos otimizados e com bordas suaves.

De modo geral, neste trabalho, optou-se pelo menor nmero possvel de

segmentos (sem prejudicar a identificao das feies e posterior coleta de
amostras) para um mesmo alvo para que, alm de facilitar o processamento
computacional, este procedimento contribui para a otimizao do tempo no
momento da exportao dos atributos (Figura 4.7).

Figura 4.7 - Exemplo de segmentao para a classe Telhado Cermico.

4.2.2.4 Minerao de Dados

O procedimento de minerao de dados consiste na definio, de modo

automtico, dos atributos da imagem que, uma vez exportados pelo usurio, se
tornam importantes elementos para descrever as feies que caracterizam a
cobertura da terra. Para que os resultados obtidos sejam relevantes
necessrio extrair atributos coerentes com o objetivo do estudo. Uma extrao
aleatria e sem anlise prvia pode gerar resultados discutveis ou de baixa
qualidade.

Com o intuito de utilizar apenas uma plataforma para a realizao da etapa de

minerao de dados, foi utilizado o algoritmo C4.5 implementado no prprio
InterIMAGE. Ao optar por este procedimento, o usurio no tem nenhum
acesso aos parmetros da rvore de deciso, considerando que um processo
totalmente automtico. Para seu funcionamento, basta inserir no campo

45
Training Set File e Input Shape File um arquivo (o mesmo) vlido em
formato ESRI Shapefile, contendo informaes relacionadas aos atributos e
amostras e executar o processo.

4.2.3 Modelo de classificao da cobertura da terra

O modelo descrito a seguir composto por vrios passos e, para se atingir

resultados satisfatrios, todos eles tiveram que ser completamente executados,
caso contrrio os resultados seriam diretamente afetados.

Neste trabalho, a extrao dos atributos foi realizada em diferentes etapas.

Para aperfeioar o processo de extrao de atributos, foram criados cinco
grupos aps a execuo de testes heursticos. Estes grupos de atributos
foram criados baseados na robustez do sistema. Quando o aplicativo no
suportava determinada quantidade de atributos, um novo teste com menos
informaes era feito. No total, foram utilizados 43 tipos de atributos espectrais
e de forma, alm de razes de bandas e ndices, como, por exemplo, o
Normalized Difference Vegetation Index (NDVI) e o Normalized Difference
Water Index (NDWI), como consta no Apndice C (tabela dos grupos de
atributos). Alguns desses tipos de atributos j existiam no aplicativo e outros
foram inseridos pelo usurio.

Do ponto de vista prtico, os diferentes grupos contendo todos os atributos

foram extrados aps uma segmentao da imagem e coleta de amostras de
apenas uma das classes definidas, atravs da ferramenta Samples Editor do
InterIMAGE.

No processo de segmentao calibraram-se valores (como, por exemplo, peso

de cor e de compacidade e parmetro de escala) do tipo de alvo a ser
classificado, utilizando o operador TA_Baatz_Segmenter. Esse processo
muito importante para o xito do estudo, uma vez que todos os passos
posteriores se baseiam na segmentao realizada. Ou seja, no adianta inserir
um parmetro de escala muito baixo, procurando classificar alvos pequenos
porque provavelmente o sistema entrar em colapso devido ao grande nmero
de objetos gerados ou se tornar invivel exportar tais atributos. Por outro lado,
no devem ser inseridos valores muito elevados para determinados tipos de

46
alvo por dois motivos: (a) poder ocorrer generalizao de informao, ou seja,
um mesmo segmento conter alvos distintos; (b) caso a classe sendo
classificada tenha poucos objetos na imagem, haver poucos segmentos da
referida classe para serem inseridos posteriormente no minerador de dados e
se obter um modelo, e assim, a classificao ficaria comprometida. Portanto,
a busca por um melhor ajuste dos parmetros de segmentao pode se tornar
um processo exaustivo e muitas vezes contraditrio, devido s limitaes
existentes.

importante ressaltar a importncia da coleta de amostras, devendo ser

escolhidas as melhores da classe que est sendo classificada, tanto do ponto
de vista geomtrico, como do ponto de vista da aparncia dos alvos (exemplo
da cor). Por outro lado, devem ser coletadas amostras de todos os outros alvos
que no correspondem classe desejada, que so entendidos como outros.
A quantidade de amostras pode variar de acordo com o tamanho da imagem e
o tipo de alvo, mas, como mencionado anteriormente, essencial que seja um
nmero representativo para treinar o minerador da melhor maneira possvel, o
que faz com que essa etapa seja muito importante e muitas vezes demorada.
Em geral, a classe outros apresentou um nmero consideravelmente maior de
amostras.

O procedimento de exportao de atributos gerou tabelas em formato ESRI

Shapefile, que posteriormente foram unidas no ArcGIS 10.0, conforme o
trabalho de Meneghetti (2013). Assim como colocado por essa autora, no foi
possvel utilizar atributos de textura por limitaes do InterIMAGE,
principalmente pela inviabilidade do custo computacional envolvido.

Aps a unificao de todos os grupos de atributos, o prximo passo consiste na

realizao da minerao de dados. Para a realizao dessa etapa,
fundamental que os passos anteriores tenham sido executados
cuidadosamente, caso contrrio, o resultado da classificao, aps o processo
de minerao de dados, no ser satisfatrio. Considerando que a metodologia
adotada utiliza um parmetro de segmentao especfico para cada classe, o
arquivo resultante dos processos anteriores foi importado e inserido no

47
respectivo n da rede, sendo posteriormente selecionado e executado o
algoritmo C4.5.

Desse modo, a estrutura da rede hierrquica (Figura 4.8 e Apndice D)

apresenta um n rotulado como Tudo, ao qual esto associados todos os
outros ns da rede. Este n no possui qualquer operador associado a ele,
tendo em seu processo Top-Down o operador Dummy_TopDown, e no
processo Bottom-Up, o operador Dummy BottomUp. No entanto, importante
salientar que o n Tudo de fundamental importncia, uma vez que possui
uma regra de deciso no processo Bottom-Up no qual so solucionados
eventuais conflitos espaciais entre as classes. Na prtica, foram atribudos
valores aleatrios de pertinncia (membership) para cada uma das classes
existentes, sendo que os valores maiores foram associados a classes que
tiveram, aps avaliao visual dos resultados, menor quantidade de erros
(Apndice E). Nesse momento, a anlise do pesquisador e a possibilidade de
fazer diferentes tipos de combinaes influenciam diretamente no resultado
final do mapa. Assim, uma combinao coerente (principalmente com classes
diretamente relacionadas, como por exemplo, solo exposto e telhado cermico)
vai gerar um bom produto, caso contrrio, mesmo com todos os passos
anteriores bem executados, o resultado fica comprometido.

Abaixo do n Tudo, um n-pai com o nome da classe a ser classificada

seguido de um n-filho com o mesmo nome, onde (por exemplo, o n-pai seria
Asfalto e o n-filho Asfalto1, que recebe o nmero 1 para se distinguir do
n-pai e evitar conflitos no sistema), no qual implantado o operador
TA_C45_Classifier, que possui um conjunto de amostras da referida classe e
da classe outros. A rede semntica ento formada pela repetio desta
estrutura, na qual todas as classes no processo Bottom-up tiveram o operador
Dummy BottomUp a elas associado.

Por fim, no final da rede, h uma classe chamada ''Resto'' sem qualquer
operador associado, tanto no processo Top-Down como no Bottom-Up
responsvel pela classificao do que no foi classificado por nenhum dos
algoritmos C4.5 implantados nos ns acima. Esta classe foi criada apenas para
que a imagem no ficasse com pequenos buracos devido a reas no

48
pertencentes a nenhuma classe ou pouco representativas, como, por exemplo,
veculos encontrados nas vias.

Figura 4.8. Exemplo de rede semntica utilizada (rea-teste A).

4.2.4 Modelo de classificao do uso da terra

Como j colocado anteriormente, o uso do solo est relacionado utilizao

dada pelo homem a um determinado espao. Portanto, difcil fazer qualquer
tipo de afirmao sobre determinada prtica de uso baseando-se apenas em
imagens de satlite. Assim sendo, foi necessrio usar ferramentas paralelas,
como, por exemplo, o mdulo Street View, do aplicativo Google Earth, que
mostra a fachada das edificaes. Considerando tambm o conhecimento
prvio da regio por parte do usurio, o trabalho de campo se mostrou de
grande valia no sentido da compreenso do uso.

49
Outro importante instrumento que auxiliou no reconhecimento da rea do ponto
de vista do uso da terra (porm, numa escala de anlise bem mais ampla)
foram os arquivos digitais do municpio que mostram o zoneamento (e sua
localizao) e a nomenclatura dada s diferentes classes. Baseados nos
documentos oficiais foram ento estipulados os nomes das classes de uso da
terra.

Para a avaliao no ficar restrita anlise visual do intrprete, foi

desenvolvido um modelo especfico no aplicativo ArcGis, baseado na
classificao prvia da cobertura da terra realizada por quadras. O modelo
consiste basicamente em uma entrada dos dados de cobertura da terra e o
clculo de cada uma das classes por quadra. Na prtica, os dados foram
dissolvidos e depois integrados com elementos da mesma classe, existindo
assim uma rea de cobertura de cada classe para cada quadra. A partir de
ento, foi gerado um mapa de cobertura da terra, baseado no tipo de cobertura
da terra predominante na quadra. Ou seja, foi relacionado o tipo e a quantidade
de cobertura ao tipo de uso da terra. Posteriormente, o resultado obtido foi
comparado com o das diretrizes do zoneamento municipal, pois, ainda que no
haja detalhamento no nvel de quadra, ele serve como um parmetro de
referncia. O processo possui alguns detalhes operacionais, como por
exemplo, criao de campos dentro do aplicativo ArcGis, necessrios para
cada um dos passos. Os procedimentos adotados para a obteno do uso da
terra esto descritos de forma resumida no fluxograma a seguir (Figura 4.9).

Aqui se deve ressaltar que na rea-teste B, por ser uma rea de proteo
ambiental e no existir uma padronizao das quadras, no foi possvel realizar
o processo mencionado acima. Outro detalhe: a referida rea resulta de uma
invaso e que agora constitui rea consolidada na regio. Assim sendo, trata-
se de uma rea que, para fins de zoneamento, classificada como
Reestruturao, Recuperao ou ainda de Proteo, mas na prtica trata-
se de um ncleo habitacional com baixa renda. Tal hiptese foi constatada no
trabalho de campo, confirmando o que se observa na imagem, a saber: h
poucos telhados cermicos e grande concentrao de edificaes em
pequenos lotes de terra, o que denota a ausncia de planejamento do territrio.

50
Figura 4.9 - Fluxograma para a obteno da classificao do uso da terra.

51
52
 5 RESULTADOS E DISCUSSO

5.1 Classificao da cobertura da terra

Os resultados das classificaes da cobertura da terra nas reas-teste A e B

so apresentados respectivamente nas Figuras 5.1 e 5.2. Vale lembrar que as
classes foram criadas com base em uma anlise prvia das cenas que foram
utilizadas e tambm por observaes realizadas durante o trabalho de campo.

Figura 5.1 - Mapa de classificao da cobertura da terra da rea-teste A.

53
 Figura 5.2 - Mapa de classificao da cobertura da terra da rea-teste B.

Para comprovar a preciso do estudo foram produzidas matrizes de confuso,

ndices de exatido global Kappa (COHEN, 1960; ROSENFIELD;
FITZPATRICK-LINS, 1986), para cada uma das reas-teste, alm de uma
avaliao visual ao trmino de cada processo.

A matriz de confuso geralmente utilizada para avaliar os erros e a qualidade

da classificao final, se comparados com uma base de referncia, pois
54
apresenta a exatido de cada classe com seus erros de comisso e omisso
(CONGALTON; GREEN, 1999). A partir da matriz de confuso, possvel
calcular a exatido global, que representa a razo entre a soma de todos os
elementos classificados corretamente pelo nmero total de elementos. J o
Kappa condicional, valor tambm obtido atravs da matriz de confuso que
permite avaliar uma determinada classe.

A Tabela 5.1 apresenta os valores de exatido global e ndice Kappa para as

diferentes classificaes realizadas. Os grficos das Figuras 5.3 e 5.4
apresentam os valores obtidos para o ndice Kappa condicional das classes de
cobertura da terra para cada rea-teste de estudo.

Tabela 5.1 - Estatsticas das classificaes da cobertura da terra para as reas-

testes.

rea-teste ndice Kappa Exatido Global

A 0,8244 0,8467
B 0,8449 08783

As avaliaes e seus respectivos comentrios a seguir foram baseados nas

matrizes de confuso de cada rea-teste. Para a realizao da estatstica
Kappa, foram criadas 150 amostras aleatrias para a rea-teste A e 230 para a
rea-teste B que representativamente maior.

Com relao aos resultados das classificaes das duas reas, os nmeros
foram considerados satisfatrios, tanto do ponto de vista visual, como do
estatstico. Vale lembrar que a rea-teste B possui trs classes de cobertura a
mais, at porque se optou por trabalhar em diferentes regies do municpio,
que apresentam caractersticas distintas uma da outra. Ainda sobre as
diferenas das reas-testes, como visto na comparao entre ambas
estatsticas, a rea-teste B possui resultados mais satisfatrios, o que de certa
forma j era esperado, uma vez que se trata de uma regio mais simples para
se classificar e distinguir os alvos, alm de ter demandado menor quantidade
de refinamentos durante a realizao do estudo.

55
 Figura 5.3 - Kappa-condicional para as classes de cobertura da terra rea-teste A.

Figura 5.4 - - Kappa-condicional para as classes de cobertura da terra rea-teste B.

Por possurem comportamento espectral semelhante, observou-se nas duas

reas-testes, certa confuso entre as classes Fibrocimento e Asfalto.
Porm, para sua melhor diferenciao, sugere-se o uso de atributos de forma,
uma vez que os objetos da classe Fibrocimento apresentam menor dimenso.
Especialmente na rea-teste A, houve confuso entre a classe Fibrocimento e
Concreto, o que pode ser explicado pela existncia de mais caladas na
regio, caracterizada por ser mais urbanizada, organizada em quadras
padronizadas e apresentar maior fluxo de pessoas nas ruas.

As classes Vegetao Arbrea e Vegetao Rasteira, mesmo apresentando

alguma semelhana espectral entre si, foram discriminadas com sucesso,
56
principalmente por se tratar de espcies vegetais com portes e estgios de
desenvolvimento diferentes, especialmente na rea-teste B, que apresenta
elevada densidade de vegetao de maior porte. No entanto, h confuso com
outras classes, como, por exemplo, Solo Exposto, na qual pode haver tipos
de vegetao rala ou esparsa, ou at mesmo na classe reas midas, em
que foi possvel observar a existncia de vegetao em meio aqutico. Alm
disso, podem-se associar reas identificadas como Sombra com altos valores
na faixa do infravermelho prximo, por se tratar de cobertura vegetal
sombreada. A classe Sombra apresentou excelentes resultados nas duas
localidades estudadas, mesmo na rea-teste A, onde h maior quantidade de
edificaes, houve poucas confuses.

As classes Telhado Cermico e Solo Exposto apresentaram confuso entre

si, o que denota a falha dos atributos de forma, uma vez que a classe Solo
Exposto no possui caractersticas geomtricas definidas. Apesar dos
resultados razoveis, deve-se salientar que a possibilidade de usar atributos de
textura poderia refinar ainda mais os resultados. Houve tambm algumas
confuses na rea-teste B, como, por exemplo, entre as classes Solo Exposto
e Via No Pavimentada. Isto ocorreu pela existncia de terra batida na via
em combinao com outros elementos, como, por exemplo, cascalho, na
tentativa de deixar a rea transitvel em dias chuvosos.

Principalmente na rea-teste B, a classe Telhado Metlico apresentou

algumas confuses com as classes Solo Exposto e Concreto,
provavelmente pelo brilho apresentado pelas feies.

Por fim houve duas classes na rea-teste B, que devido as suas caractersticas
nicas do ponto de vista espectral e/ou de forma, no apresentaram nenhuma
confuso: Concreto Pr-moldado (concreto virio) e Corpo hdrico.

5.2 Classificao do uso da terra

Diferentemente da classificao da cobertura da terra, o estudo relacionado ao

uso no apresenta validao estatstica, at porque no h uma referncia no
mbito de quadras, nvel adotado neste estudo.

57
Assim sendo, em um primeiro momento, foi avaliada a porcentagem do tipo de
cobertura da terra em cada quadra e, posteriormente delimitado o tipo de uso.
Foram usados, como referncias, mapas e leis de zoneamento da Prefeitura de
Santo Andr.

Como pode ser observado na Figura 5.5, foi obtido um mapa de classificao
do uso da terra na rea-teste A. Como j mencionado anteriormente, devido
ausncia de quadras padronizadas e tambm por ser resultado de uma invaso
j consolidada, essa parte do estudo no foi realizada na rea-teste B.

Figura 5.5 Mapa de classificao do uso do solo da rea-teste A.

Em linhas gerais, pode-se dizer que a classificao baseada nos tipos de

materiais encontrados em superfcie faz sentido, uma vez que podem ser

58
estabelecidos padres, como, por exemplo, a associao de reas cobertas
por telhados cermicos com reas de uso residencial. Alm disso, ao observar
as referncias de uso e ocupao da terra, foi indicado que, para a rea
estudada a classificao foi considerada como Zona de recuperao urbana,
caracterizada pelo uso predominantemente residencial, com alta densidade
populacional, carncia de infraestrutura e equipamentos pblicos e alta
incidncia de loteamentos irregulares e ncleos habitacionais de baixa renda.
Ainda com relao ao uso da terra na rea-teste A, notou-se a existncia de
duas quadras com uso institucional, que correspondem a um cemitrio e uma
linha de servido, contendo linhas de transmisso de energia e que atravessa
boa parte do municpio.

Portanto, com relao ao uso da terra, foi possvel observar duas aes
distintas do poder pblico no territrio andreense. Na regio da rea-teste A,
verificou-se que, mesmo com as dificuldades existentes no gerenciamento de
grandes cidades, houve ordenamento da regio e, pelo que foi observado nas
imagens, nas classificaes e tambm no trabalho de campo, esto sendo
seguidas as medidas dispostas no Plano Diretor e em outros documentos
oficiais. Por outro lado, na regio da rea-teste B, notrio o descontrole, uma
vez que se trata de uma de rea de proteo ambiental e verificou-se que de
fato uma rea consolidada de ocupao do territrio, fato que pode causar
desde problemas ambientais, como, por exemplo, a falta de saneamento
bsico, at problemas sociais, como acentuada criminalidade (visto que se
trata de um local afastado, densamente povoado e de difcil acesso por parte
do Estado).

5.3 Anlise da Imagem WorldView-2

O conjunto de cenas de 10 de julho de 2010, gentilmente disponibilizadas pela

empresa Digital Globe, devido as suas caractersticas, possui grande potencial
para aplicaes urbanas, como mapeamento de uso e cobertura da terra, para
diferentes tipos de reas como as analisadas no presente estudo (vale
ressaltar aqui que rea-teste A tem dimenso de 1300x800 pixels e a rea-
teste B 1700x1700 pixels). Alm disso, possibilita uma vasta gama de testes,

59
como, por exemplo, razes entre bandas, possibilitando atingir diferentes tipos
de objetivos e gerar outros estudos.

Outro fator importante que deve ser relacionado diretamente imagem a data
de sua obteno. Como a rea de estudo uma regio em expanso e as
imagens so de 2010, muitas das feies observadas na imagem estavam
profundamente alteradas no mundo real atual (agosto de 2013), o que
prejudicou o reconhecimento durante o trabalho de campo. Isto tambm
significa que o trabalho tem suas limitaes em termos de representao da
realidade.

5.4 Avaliao do Sistema InterIMAGE

Sobre a avaliao do sistema InterIMAGE para a classificao da cobertura e

uso da terra em reas urbanas, devem ser feitas algumas consideraes. No
decorrer deste estudo, vrias limitaes e dificuldades relacionadas a este
aplicativo foram encontradas e sero descritas a seguir. Isto importante como
contribuio ao direcionamento de estudos futuros, visando o desenvolvimento
no que diz respeito a modelos de classificao baseado em minerao de
dados (utilizando o minerador C4.5)..

A primeira limitao do InterIMAGE diz respeito ao tamanho das imagens que

podem ser utilizadas. Como as imagens WorldView-2 constituem uma grande
massa de dados, aps vrios testes constatou-se que o sistema no carrega
recortes fusionados superiores a 2500x2500 pixels. Alm disso, mesmo
imagens menores, passiveis de serem aceitas pelo aplicativo, podem
apresentar problemas no momento da segmentao, devido aos parmetros
utilizados pelo usurio. Dependendo do caso, quanto maior a quantidade de
objetos gerados, maiores sero as chances do sistema entrar em colapso.
Ainda com relao questo da imagem, outro problema foi encontrado:
mesmo com recortes de dimenses reduzidas, aps inmeros testes
constatou-se que os tipos de alvos existentes na cena influenciavam
diretamente de forma negativa o resultado da classificao, fato que restringiu
consideravelmente as opes de reas de estudo. Em outras palavras, foi
observado que no poderia haver grande variedade e quantidade de alvos,

60
uma vez que isso poderia comprometer a qualidade da classificao. Por isso,
foi necessrio reduzir ainda mais o recorte, alm de se trabalhar com uma
poro da cena contendo uma considervel rea de vegetao, o que ajudou a
atenuar o problema.

Como citado anteriormente, o processo de segmentao foi de fundamental

importncia para o xito deste estudo. Porm, conforme descrito, os
parmetros utilizados refletem-se diretamente nos processamentos posteriores.
Em relao etapa da segmentao, o sistema apresenta grandes limitaes
no que diz respeito exportao de amostras e atributos (que realizada em
formato ESRI Shapefile). Quanto maior a quantidade de dados, ou seja,
nmero de objetos formados (dos quais so coletadas as amostras) e de
atributos selecionados, maiores sero as chances de mais uma vez o sistema
entrar em colapso, o que acarreta perda de dados e a necessidade de se
rafazer os processamentos. Outro agravante refere-se necessidade de se
escrever todos os dados a serem usados pelo aplicativo, o que demanda um
tempo razovel para a sua execuo.

Para realizar um estudo com grandes quantidades de atributos de forma e

espectrais, razes de bandas e ndices, como foi o caso desta pesquisa,
recomenda-se a extrao dos dados em pequenas partes ou grupos e, atravs
do aplicativo ArcGis, a execuo das compilaes das informaes.
importante salientar aqui que muito importante excluir colunas das tabelas
que no sero utilizadas posteriormente pelo minerador, o que apenas
aumenta o custo computacional envolvido e ainda pode prejudicar o processo
de minerao dos dados.

Aps a execuo da exportao das informaes, o problema encontrado foi

executar o processo da minerao de dados para diversas classes
simultaneamente. Ou seja, mesmo que todos os processos anteriores fossem
considerados satisfatrios e o resultado do processo de minerao de dados
para uma dada classe fosse considerado um sucesso, por vrias vezes o
sistema no apresentava o resultado de vrios processos paralelos, ou
processava a rede semntica de forma parcial. Assim sendo, para contornar
essa limitao, foi necessrio gerar um novo projeto e importar os resultados

61
em formato ESRI Shapefile das mineraes realizadas, fazendo uma
sobreposio de layers e, ao associ-los aos ns de uma rede semntica
simplificada, eventuais conflitos espaciais foram resolvidos por regras de
pertinncia (membership).

Fica registrado ento que h uma srie de detalhes (s vezes, tais detalhes
so pequenos, como, por exemplo, a ordem dos memberships, que alteram
drasticamente os resultados para se atingir a melhor combinao, muitos
testes foram feitos, at em vista da grande quantidade de combinaes
possveis ou at mesmo de uma melhor coleta de amostras e seleo mais
adequada dos atributos para determinada classe), que durante a execuo do
processo podem prejudicar o resultado do estudo. Alguns desses detalhes
devem ser observados e manipulados pelo usurio, mas outros frequentemente
esto embutidos nos processos e podem passar despercebidos.

Com relao aos pontos positivos vale ser destacado que o InterIMAGE um
sistema com interface grfica e de navegao connsideravelmente simples. Em
linhas gerais, pode-se dizer que em sua essncia, no um programa difcil de
se operar, porm a sua avaliao prejudicada devido aos vrios problemas
observados e grande quantidade de manobras necessrias para resolver
tais problemas.

Mesmo demandando uma grande quantidade de amostras para o treinamento,

o minerador C4.5 pode ser considerado funcional. No entanto, deve ser feita
uma considerao relacionada ao problema dos tipos de alvos existentes na
cena em questo. Como no h indcios de que o problema esteja associado
ao minerador em si, o processo de minerao interna pode ser considerado
um ponto positivo.

Um grande ponto positivo deste aplicativo a ser destacado o processo de

implementao da(s) rvore(s) de deciso. Este procedimento realizado de
maneira automtica ao se associar o arquivo ao n da referida classe, uma vez
que os arquivos foram unidos e contam com as informaes das amostras e
demais atributos. Ao executar o algoritmo C4.5, gerado um documento de
texto com a rvore de deciso utilizada para a feio. Isto significa uma grande

62
economia de tempo e uma simplificao de um processo que muitas vezes
pode ser complexo em outras plataformas.

5.5 Viabilidade do estudo para aplicaes ambientais

Este estudo e os recursos envolvidos para a sua execuo so de grande

interesse e tm grande potencial de uso por parte de rgos ambientais, como
por exemplo, o Departamento de Gesto Ambiental do SEMASA, no caso
particular deste trabalho.

Ficou evidente que para uma avaliao ambiental de suma importncia

conhecer melhor o territrio abrangido e as suas caractersticas e, um estudo
como este, permite o levantamento de diversas variveis. possvel fazer uma
comparao dos estgios de um determinado atributo por meio de uma anlise
multitemporal (caso se tenha acesso a imagens de um mesmo sensor em
diferentes datas de obteno), ou ento, com acesso a outro tipo de referncia,
como, por exemplo, as diretrizes de um Plano Diretor. Com base nisso, pode
ser feito um monitoramento de uma regio, ou at mesmo de uma feio ou
elemento, como, por exemplo, diminuio de reas verdes, ocupao de reas
irregulares etc. Como a imagem utilizada tem grande detalhamento, o estudo
facilitado e, em conjunto com tcnicas de minerao de dados e de
geoprocessamento, abre-se um amplo leque de aplicaes.

No entanto, devido complexidade de alguns procedimentos e s dificuldades

citadas anteriormente, infelizmente no possvel afirmar que o corpo tcnico,
por mais qualificado que seja, estar apto a conduzir alguns experimentos,
mesmo que tenha o material em mos, uma vez que dependendo da demanda
de tarefas e da disponibilidade de tempo, as limitaes do sistema usado
podem afastar o usurio final, mesmo em se tratando de um aplicativo livre.
Assim sendo, entende-se que, a menos que haja um profissional ou uma
equipe de pessoas dedicadas em tempo integral somente ao desenvolvimento
do aplicativo os estudos baseados no mesmo permanecero em carter
experimental

63
64
 6. CONCLUSES

Atendendo s demandas propostas no objetivo geral deste trabalho, as

principais concluses observadas, baseando-se nos resultados obtidos, foram:

Sobre o uso do InterIMAGE, ficou claro que se trata de um projeto ainda em

desenvolvimento e que apresenta forte potencial, haja vista o modelo
desenvolvido a partir do mesmo. A interface grfica simples e navegao
intuitiva e de seus recursos, como o algoritmo C4.5, podem ser considerados
pontos positivos do aplicativo.

No entanto, deve-se salientar que, devido s vrias limitaes e problemas

observados durante a execuo das tarefas deste estudo, ele infelizmente
ainda no pode ser considerado um sistema apto para uso operacional, como,
por exemplo, para rgos pblicos que fazem uso desse tipo de recurso para
tomada de decises estratgicas. Alm disso, mesmo em se tratando de um
sistema livre, muitos dos aplicativos necessrios para corrigir ou complementar
alguns passos no so gratuitos, o que pode ser visto como grande
desvantagem em relao a outras plataformas mais robustas, que mesmo
sendo pagas, no precisam de aes complementares em outros aplicativos e
ainda podem ser consideradas geralmente mais confiveis e robustas.

Mesmo com todas as restries existentes na execuo deste trabalho pode-se

considerar o InterIMAGE como uma ferramenta com potencial para diferentes
aplicaes ambientais. Para reforar essa ideia, ficam como exemplos os
resultados dos estudos de uso e cobertura da terra que, mesmo apresentando
srias dificuldades para sua realizao, se mostraram aceitveis. Porm,
existem muitos detalhes a serem aprimorados para que o sistema fique mais
prximo dos potenciais usurios, caso contrrio, outras plataformas mesmo
que pagas, acabam sendo mais teis. De qualquer modo, fica claro que um
estudo deste tipo auxilia de forma eficaz o gerenciamento do territrio,
possibilitando um monitoramento de vrias reas do municpio que apresentam
diferentes dinmicas. Ainda sobre esse assunto, pode-se dizer que na rea-
teste A, o poder pblico tem exercido seu papel de organizador do territrio
com maior sucesso, uma vez que foram observadas prticas de uso e

65
ocupao da terra j previstas em documentos oficiais. No entanto, a rea-
teste B inspira muito mais cuidado e ateno por parte dos rgos
governamentais, pois como observado, trata-se de uma rea invadida e que se
encontra consolidada e, pelo que foi observado e apurado, se encontra neste
processo h vrios anos.

Sobre os modelos de classificao gerados para cobertura da terra em ambas

as reas-testes, chegou-se concluso que estatisticamente os resultados tm
grande concordncia. Visualmente, pode-se dizer que os resultados tambm
foram coerentes e, ao se comparar com as imagens de referncia, foi possvel
observar a sua qualidade.

Com relao ao potencial das imagens utilizadas, destacam-se os usos das

bandas Coastal Blue (para melhor identificao de telhados metlicos), Yellow
(que auxiliou na identificao da classe solo exposto e, como previsto pelo
fabricante, no reconhecimento de vegetao arbrea) e Red Edge (que alm
da prevista distino da vegetao, auxiliou na separao da classe asfalto).
Ainda com relao s imagens, ficou clara a importncia de se realizar
trabalhos de campo coleta de pontos de controle e reconhecimento da regio
de interesse. No entanto vale ressaltar que muito importante utilizar imagens
as mais recentes possveis, principalmente em reas de expanso, como a
regio estudada. Alm disso, as imagens so arquivos extremamente pesados
de se manipular, at porque diferentes processos so aplicados elas, o que
dificulta seu armazenamento e posterior processamento no InterIMAGE.

6.1 Recomendaes para trabalhos futuros

Para o aperfeioamento do sistema InterIMAGE: (a) desenvolver um

modo de se utilizar imagens maiores e com maior quantidade e diversidade de
alvos; (b) simplificar e tornar mais robusto o modelo de exportao de atributos
e amostras, para que no seja necessrio fazer a unio das informaes em
outro aplicativo, talvez, como medida paliativa, um mtodo de exportar atributos
em pacotes espectrais, de forma e textura previamente testados e que
respeitem as limitaes do sistema seja uma alternativa interessante; (c)
procurar uma forma para tornar os atributos de textura viveis para uso; (d)

66
deixar o sistema mais confivel ao se realizar diferentes processos de
minerao de dados simultaneamente em uma mesma rede semntica; (e)
possibilidade de se trabalhar com um maior nmero de extenses de arquivos.

Desenvolver uma rotina para realizar a classificao de uso da terra

basicamente no InterIMAGE, a partir de um processo de minerao de dados
que possibilite uma eventual comparao dos resultados obtidos.

Adaptar o modelo de classificao desenvolvido neste trabalho para

cenas de outras regies, mas que apresentem caractersticas semelhantes.

Utilizar imagens mais recentes, principalmente em regies em expanso

como a estudada neste projeto, uma vez que muitos elementos da paisagem
se encontram profudamente alterados, o que prejudicou o reconhecimento e a
realizao do trabalho de campo.

Desenvolver uma pesquisa que foque mais nos resultados e, possveis

aplicaes, utilizando informaes (como, por exemplo) limiares e atributos
obtidos anteriormente, com o intuito de se economizar tempo e processamento.

67
68
 REFERNCIAS BIBLIOGRFICAS

ALMEIDA, C. M. Aplicao dos sistemas de sensoriamento remoto por

imagens e o planejamento urbano e regional. Arq. Urb - Revista Eletrnica de
Arquitetura e Urbanismo (USJT), v. 3, p. 98-123, 2010.

ANTUNES, A. F. B. Classificao de ambiente ciliar baseada em orientao

a objeto em imagens de alta resoluo espacial. 2003. 146p. Tese
(Doutorado em Cincias Geodsicas) - Universidade Federal do Paran,
Curitiba. 2003.

ARAJO, E. H. G. Anlise multi-temporal de cenas do satlite Quickbird

usando um novo paradigma de classificao de imagens e inferncias
espaciais: estudo de caso Belo Horizonte (MG). 2006. 159 p. INPE-13956-
TDI/1062. Dissertao (Mestrado em Sensoriamento Remoto). INPE -Instituto
Nacional de Pesquisas Espaciais, So Jos dos Campos, 2006. Disponvel em:
<http://mtc-m17.sid.inpe.br/col/sid.inpe.br/MTC-
m13%4080/2006/07.24.19.43/doc/publicacao.pdf >. Acesso em: 30 Out. 2013.

BAATZ, M.; SCHPE, A. Multiresolution segmentation: an optimization

approach for high quality multiscale image segmentation. In: ANGEWANDTE
GEOGRAPHISCHE INFORMATIONSVERARBEITUNG, 12. (AGIT
Symposium), Salzburg, ustria, 2000. Proceedings... Karlsruhe, Alemanha:
Herbert Wichmann Verlag, 2000. p. 12-23. Disponvel em:
<http://www.ecognition.cc/download/baatz_schaepe.pdf>. Acesso em: 30 Out.
2013.

BENZ, U. C., P. HOFMANN, G. WILLHAUCK, I. LINGENFELDER, M. HEYEN.

Multi-resolution, object-oriented fuzzy analysis of remote sensing data for GIS-
ready information. ISPRS Journal of Photogrammetry & Remote Sensing, v.
58, p. 23958, 2004.

BLASCHKE, T. Object based image analysis for remote sensing. ISPRS

Journal of Photogrammetry & Remote Sensing, n. 65, p. 2-16, ago 2010.

BRASIL. Presidncia da Repblica Casa Civil. Lei N 5.172, de 25 de outubro

de 1966. Disponvel em:< http://www.planalto.gov.br/ccivil_03/leis/l5172.htm>
Acesso em: 13 nov. 2013.

_______. Decreto n. 89.817, de 20 de junho de 1984. Dispe sobre as

instrues reguladoras das normas tcnicas da cartografia nacional. Dirio
Oficial da Repblica Federativa do Brasil, Braslia, 22 de junho de 1984.

BCKNER, J.; STAHLHUT, O.; PAHL, M.; LIEDTKE., C.-E. GeoAIDA - A

knowledge based automatic image data analyser for remote sensing data. In:
INTERNATIONAL ICSC CONGRESS ON COMPUTATIONAL INTELLIGENCE:
METHODS & APPLICATIONS, 2. 2001, Bangor, Wales,United Kingdom.
Proceedings... Millet, Alberta: ICSC, 2001. p.19-22.

CARVALHO, M. V. A. Classificao da cobertura e uso do solo com

imagens Worldview-2 utilizando minerao de dados e anlise baseada

69
em objetos. 2011. 201 p. (sid.inpe.br/mtc-m19/2011/09.05.20.27-TDI).
Dissertao (Mestrado em Sensoriamento Remoto) - Instituto Nacional de
Pesquisas Espaciais, So Jos dos Campos, 2011. Disponvel
em: <http://urlib.net/8JMKD3MGP7W/3ACT3BL>. Acesso em: 20 fev. 2013.

COAD, P.; YOURDON, E. Anlise baseada em objetos. 2 ed. Rio de Janeiro:

Campus, 1992. 225 p.

COELHO, M. C. N. Impactos ambientais em reas urbanas. GUERRA, A. J. T.

e CUNHA, S. B. (Orgs.). In: Impactos ambientais urbanos no Brasil. Rio de
Janeiro: Bertrand Russell. 2001.

COHEN, J.A. Coefficient of agreement for nominal scales. Educational and

Psychological Measurement, n. 20, p. 37-46, 1960.

CONGALTON, R. G.; GREEN, R. Assessing the accuracy of remotely

sensed data: principles and practices. Boca Raton: Lewis Publishers, 1999.
137 p.

CONTI, J. B. Clima e meio ambiente. 7 ed. So Paulo: Atual, 2011. 96 p.

COSTA, G.; FEITOSA, R.; FONSECA, L.; OLIVEIRA, D.; FERREIRA,

R.;CASTEJON, E. Knowledge-based interpretation of remote sensing data with
the interimage system: major characteristics and recent developments. In: In:
GEOGRAPHIC OBJECT-BASED IMAGE ANALYSIS CONFERENCE (GEOBIA
2010), 2010, Gent. Proceedings... 2010. v. 38-4/C7. ISSN 1682-1777.

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: an open
source platform for automatic image interpretation. In: SIMPSIO BRASILEIRO
DE GEOMTICA E V COLQUIO BRASILEIRO DE CINCIAS GEODSICAS,
2., UNESP - Presidente Prudente. Anais... Presidente Prudente: UNESP, 2007.
2 ed. p. 735-739. 2007. Disponvel em: <http://www2.fct.unesp.br/sbg-cbcg/>.
Acesso em: 25 Out 2013.

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.
RBC. Revista Brasileira de Cartografia, v. 60, p. 331-337, 2008.

COSTA, G.A.O.P. A knowledge-based approach for automatic

interpretation of multidate remote sensing data. 2009. 149 p. Tese
(Doutorado em Engenharia Eltrica) Pontifcia Universidade Catlica do Rio
de Janeiro (PUC-Rio), Rio de Janeiro, 2009.

DEK, C. busca das categorias da produo do espao. 289 p. 2001.

Tese (Doutorado em Filosofia) Cambridge University, Cambridge, 1985. Disp.
em:<http://www.usp.br/fau/docentes/depprojeto/c_deak/CD/3publ/01LD-
categ/MC-categ-esp.pdf> Acesso em: 14 Nov. 2013.

70
DEFINIENS Imaging GMBH. Definiens Developer 7 - reference book.
Mnchen, Alemanha: Definiens (The Imaging Intelligence Company), 2007. 195
p.

DIGITAL GLOBE. Design and specifications. Agosto, 2009. Disponvel

em:<http://www.digitalglobe.com/downloads/WorldView2-DS-WV2-Web.pdf>.
Acesso em: 29 Jan. 2013.

DIGITAL GLOBE. WhitePaper - the benefits of the 8 spectral bands of

WorldView-2. 2010. Disponvel em:
<http://www.digitalglobe.com/sites/default/files/DG-8SPECTRAL-WP_0.pdf>
Acessado em: 29 Jan. 2013.

DI GREGORIO, A. Land cover classification system (LCCS), version 2

classification concepts and user manual. Rome: FAO, 2005. 208 p. ISBN 92-05-
10-5327-8.

DURIEUX, L.; LAGABRIELLE, E.; NELSON, A. A method for monitoring

building construction in urban sprawl areas using object-based analysis of
SPOT 5 images and existing GIS data. ISPRS Journal of Photogrammetry &
Remote Sensing, n. 63, p. 399-408, mai 2008.

ELSHARKAWY A,; ELHABIBY, M; EL-SHEIMY, N. Improvement in the

detection of land cover classes using the WorldView-2 imagery. In: ASPRS
2012 ANNUAL CONFERENCE, 2012, Sacramento. Proceedings...
Sacramento, ASPRS, 2012.

EMBRAPA. Sistemas orbitais de monitoramento e gesto territorial.

Campinas: Embrapa Monitoramento por Satlite, 2009. Disponvel em:
<http://www.sat.cnpm.embrapa.br>. Acesso em: 2 Fev. 2013.

FAYYAD, U.; PIATESKY-SHAPIRO, G.; SMYTH, P.; UTHURUSAMY, R.

Advances in knowledge discovery and Data mining. Cambridge: MIT Press,
1996. 560 p.

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:
SIMPSIO BRASILEIRO DE SENSORIAMENTO REMOTO, 12. (SBSR), 2005,
Goinia. Anais... So Jos dos Campos: INPE, 2005. p. 4065-4072. CD-ROM,
On-line. ISBN 85-17-00018-8. Disponvel em:
<http://urlib.net/ltid.inpe.br/sbsr/2004/11.16.18.14>. Acesso em: 15 Fev. 2013.

FICHMAN, R.; KEMERER, C. Object-Oriented and Conventional Analysis and

Design Methodologies: Comparison and Critique. IEEE Computer, v. 25, n.10,
p.22-39, October, 1992.

FLORENZANO, T. G. Imagens de satlite para estudos ambientais. So

Paulo, SP: Oficina de Textos, 2002. 97 p.

71
GALO, M.; CAMARGO, P. O. Utilizao do GPS no controle de qualidade de
carta. In: CONGRESSO BRASILEIRO DE CADASTRO TCNICO
MULTIFINALI-TRIO, 1. (COBRAC), 7- 10 ago 1994, Florianpolis Brasil.
Anais... Florianpolis: Universidade Federal de Santa Catarina, 1994. Tomo II,
p. 41-48.

GOOGLE EARTH. Google Earth. 2012. Disponvel em: <

http://www.google.com.br/intl/pt-BR/earth/index.html>. Acesso em: 30, 06,
2012.

GOLDSCHMIDT, R.; PASSOS, E. Data mining - um guia prtico. Rio de

Janeiro: Elsevier, 2005. 257 p. ISBN (85-352-1877-7).

GRIMMOND, S. Urbanization and global environmental change: local effects of

urban warming. Geographical Journal, n. 173, p. 8388, 2007.

HAN, J.; KAMBER, M. Data mining: concepts and techniques. San Francisco:
Morgan Kaufmann Publishers, 2001.

HENDERSON, F. M.; XIA, Z.-G. SAR applications in human settlement

detection, population estimation and urban land use pattern analysis - A status
report. IEEE Transactions on Geoscience and Remote Sensing, v. 35, n. 1,
p. 79-85, 1997.

HOFMANN, P.; STROBL, J.; KUX, H. J. H. Detecting informal settlements from

Quickbird data in Rio de Janeiro using an object based approach. In:
BLASCHKE, T.; LANG, S.; HAY, G. J. (Eds.) Object-based image analysis
spatial concepts for knowledge-driven remote sensing applications.
Berlim: Springer-Verlag, 2008. 817 p. Cap. 6.1, p. 531-553

HU, S.; WANG, L. Automated urban land-use classification with remote

sensing. International Journal of Remote Sensing, vol. 34, 790-803, 2013.

INSTITUTO BRASILEIRO DE GEOGRAFIA E ESTATSTICA (IBGE). Censo

demogrfico de 2010. Disponvel em:
<http://www.ibge.gov.br/cidadesat/link.php?codmun=210945>. Acesso em: 03
Out. 2013.

INSTITUTO BRASILEIRO DE GEOGRAFIA E ESTATSTICA (IBGE). Site

principal do IBGE. Disponvel em:
<http://www.ibge.gov.br/home/geociencias/cartografia/manual_nocoes/element
os_representacao.html>, Acesso em: 22 ago. 2013.

JENSEN, J. R.; COWEN, D. C. Remote sensing of urban/suburban

infrastructure and socioeconomic attributes. Photogrammetric Engineering &
Remote Sensing, v. 65, n. 5, p. 611-622. Mai 1999.

JENSEN, J. R. Introductory digital image processing a remote sensing

perspective. Englewood Cliffs, NJ: Prentice-hall, 2005. 3 ed. 526 p.

JENSEN, J. R. Sensoriamento remoto do ambiente: uma perspectiva em

recursos terrestres. Traduo: EPIPHANIO, J. C. N. So Jos dos Campos:
72
Parntese, 2009. 598 p . Traduo de Remote sensing of the environment: an
Earth resource perspective.

JOHANSEN, K.; BARTOLO, R.; PHINN, S. Geographic object-based image

analysis. Journal of Spatial Science. v. 55, n. 1, p. 3-7, 2010.

KOHLI, D.; WARWADEKAR, P; KERLE, N.; SLIUZAS, R.; STEIN, A.

Transferability of object-oriented image analysis methods for slum identification.
Remote Sensing. v. 5, n. 9, p. 4209-4228, 2013. doi:10.3390/rs5094209

KORTING, T. S. GeoDMA: a toolbox integrating data mining with object-based

and multi-temporal analysis of satellite remotely sensed imagery. 2012. 119 p.
(sid.inpe.br/mtc-m19/2012/07.31.18.22-TDI). Tese (Doutorado em
Sensoriamento Remoto) - Instituto Nacional de Pesquisas Espaciais (INPE),
So Jos dos Campos, 2012. Disponvel
em: <http://urlib.net/8JMKD3MGP7W/3CCH86S>. Acesso em: 02 fev. 2013.

KORTING,T. S.; FONSECA, L. M. G.; ESCADA, M. I. S.; SILVA, F. C.; SILVA,

M. P. S. GeoDMA - a novel system for spatial Data mining. In: DATA MINING
WORKSHOPS, 2008. ICDMW '08. IEEE INTERNATIONAL CONFERENCE,
2008, Pisa, Italy. Proceedings... Pisa: IEEE, 2008.

KUX, H. J. H.; NOVACK, T.; FERREIRA, R.; OLIVEIRA, D. A.; RIBEIRO, B. M.

G. Classificao da cobertura do solo urbano usando imagens pticas de
altssima resoluo e o sistema InterIMAGE baseado em conhecimento. In:
SIMPSIO BRASILEIRO DE SENSORIAMENTO REMOTO, 15. (SBSR), 2011,
Curitiba. Anais... So Jos dos Campos: INPE, 2011. p. 822-829. DVD,
Internet. ISBN 978-85-17-00056-0 (Internet), 978-85-17-00057-7 (DVD).
Disponvel em: <http://urlib.net/3ERPFQRTRW/39UGE8S>. Acesso em: 28
Fev. 2013.

LABEN, C. A., BROWER, B. V. Process for enhancing the spatial resolution

of multispectral imagery using pan-sharpening. United States Patent No.
6011875.

LANG, S.; BLASCHKE, T. Anlise da paisagem com SIG. Traduo: KUX, H.

J. H. So Paulo: Oficina de Textos, 2009. 424 p. Traduo de
Landschaftsanalyse mit GIS.

MARCHESI, A.; COLOMBO, R.; VALENTINI, P. Application of high spatial

resolution satellite imagery for urban environment mapping. In:
INTERNATIONAL CONFERENCE ON OBJECT-BASED IMAGE ANALYSIS, 1.
(OBIA'06), 4-5 jul 2006, Salzburg, ustria. Proceedings Viena: IAPRS
ISPRS Commission VI, WG VI/4, 2006. Disponvel em:
<http://www.isprs.org/proceedings/XXXVI/4-
C42/Papers/16_Automated%20classification%20IC%20II%20-
%20Settlements%20Infrastructure/OBIA2006_Marchesi_Colombo_Valentini.pdf
> Acesso em: 13 nov. 2013.

MATHENGE, C. W.; Application of object oriented image analysis in slum

identification and mapping - the case of Kisumu, Kenya. Thesis (Master of

73
Science in Geo-Information Science and Earth Observation) - University of
Twente Faculty of Geo-Information and Earth Observation (ITC), Enschede,
2011.

MENEGHETTI, G. T. Classificao da cobertura da terra do municpio de

Raposa (MA) com imagens WorldView-2 utilizando o aplicativo
InterIMAGE e minerao de dados. 2013. 114 p. (sid.inpe.br/mtc-
m19/2013/04.09.12.17-TDI). Dissertao (Mestrado em Sensoriamento
Remoto) - Instituto Nacional de Pesquisas Espaciais (INPE), So Jos dos
Campos, 2013. Disponvel em:<http://urlib.net/8JMKD3MGP7W/3DSF9PP>.
Acesso em: 08 maio 2014.

MOELLER, M. Remote sensing for the monitoring of urban growth patterns.

The International Archives of the Photogrammetry, Remote Sensing and
Spatial Information Sciences, v. 54, n. 4, p. 221233, 2005. Disponvel em:
<http://www.isprs.org/proceedings/XXXVI/8-W27/moeller.pdf>. Acesso em: 27
Fev. 2013.

MOREIRA, R. C. Estudo espectral de alvos urbanos com imagens do

sensor HSS (Hyperspectral Scanner System). 237p. INPE-15339-TDI/1375.
Tese (Doutorado em Sensoriamento Remoto) INPE - Instituto Nacional de
Pesquisas Espaciais, So Jos dos Campos, 2008. Disponvel em: <http://mtc-
m18.sid. inpe.br/col/sid.inpe.br/mtc-
m18@80/2008/07.03.20.00/doc/publicacao.pdf> Acesso em: 21 jan 2014.

NELLIS, M. D.; BUSSING, C. E.; NKAMBWE, M.; COLEMAN, T. L. Urban land

use and morphology in a developing country using SPOT HRV data: Gaborone,
Botswana. Geocarto International, v. 12, n. 1, p. 91-97, 1997.

NOVACK, T. Classificao da cobertura da terra e do uso do solo urbano

utilizando o sistema InterIMAGE e imagens do sensor QuickBird. 2009.
214 p. (INPE-16594-TDI/1580). Dissertao (Mestrado em Sensoriamento
Remoto) - Instituto Nacional de Pesquisas Espaciais, So Jos dos Campos,
2009. Disponvel em: <http://urlib.net/sid.inpe.br/mtc-
m18@80/2009/08.31.21.23>. Acesso em: 07 jan. 2013.

NOVACK, T.; ESCH, T.; KUX, H.J.H.; STILLA, U. Machine learning

comparison between WorldView-2 and QuickBird-2 simulated imagery
regarding object-based urban land cover classification. Remote Sensing, v. 3,
p. 2263-2282, 2011.

NOVACK, T.; KUX, H. J. H. Urban land cover and land use classification of an
informal settlement area using the open-source knowledge-based system
InterIMAGE. Journal of Spatial Science, v. 55, n. 1, p. 23 -41, June 2010.

NOVACK, T.; RIBEIRO, B. M. G.; KUX, H. J. H. Anlise dos dados do satlite

WorldView-2 para a discriminao de alvos urbanos semelhantes com base em
algoritmos de seleo de atributos. In: SIMPSIO BRASILEIRO DE
SENSORIAMENTO REMOTO, 15. (SBSR), 2011, Curitiba. Anais... So Jos
dos Campos: INPE, 2011. p. 7815-7821. DVD, Internet. ISBN 978-85-17-

74
00056-0 (Internet), 978-85-17-00057-7 (DVD). Disponvel em:
<http://urlib.net/3ERPFQRTRW/3A2L5KH>. Acesso em: 28 jan. 2013.

PADWICK, C.; DESKEVICH, M.; PACIFICI, F. SMALLWOOD, Scott.

Worldview-2 Pan Sharpening. In: ASPRS 2010 ANNUAL CONFERENCE,
2010, San Diego, California. Proceedings... San Diego: ASPRD, 2010.

PAHL, M. Arquitetura de um sistema baseado em conhecimento para a

interpretao de dados de sensoriamento remoto de mltiplos sensores.
2008. 95 p. (INPE-15211-TAE/71). PhD Thesis - Universidade de Hannover,
[S.l.] . Disponvel em: <http://urlib.net/sid.inpe.br/mtc-
m17@80/2008/03.07.18.31>. Acesso em: 14 Nov. 2013.

PAL, N.; PAL, S. A review on image segmentation techniques. Pattern

Recognition, v. 26, n. 9, p. 1277-1294, 1993.

PCI GEOMATICS. Geomatica OrthoEngine v10.3 tutorial orthorectifying

WV-1 and WV-2 data rigorous and RPC modeling, 2007. Disponvel em:
<http://www.pcigeomatics.com/support/tutorials/pdf/Geomatica_v103_OrthoEng
ine_Tutorial_Worldview_1_and_2_v1.2.pdf> Acesso em: 20 jul. 2012.

PINHO, C. M. D. Anlise orientada a objetos de imagens de satlites de

alta resoluo espacial aplicada classificao de cobertura do solo no
espao intra-urbano: o caso de So Jos dos Campos-SP. 2005. 178 p.
(INPE-14183-TDI/1095). Dissertao (Mestrado em Sensoriamento Remoto) -
Instituto Nacional de Pesquisas Espaciais, So Jos dos Campos, 2005.
Disponvel em: <http://urlib.net/sid.inpe.br/MTC-m13@80/2005/11.23.13.40>.
Acesso em: 28 Nov. 2012.

PINHO, C. M. D. ; UMMUS, M. E. ; NOVACK, T. Simulao do comportamento

espectral de alvos urbanos em sensores multiespectrais. In: SIMPSIO
BRASILEIRO DE SENSORIAMENTO REMOTO, 14. (SBSR), 2009,
Natal. Anais... So Jos dos Campos: INPE, 2009. p. 803-810. DVD, On-line.
ISBN 978-85-17-00044-7. (INPE-15986-PRE/10595). Disponvel
em: <http://urlib.net/dpi.inpe.br/sbsr@80/2008/11.12.19.11>. Acesso em: 08
maio 2014.

PINHO, C. M. D; FONSECA, L. M. G; KORTING, T. S.; ALMEIDA, C. M.; KUX,

H. J. H. Land-cover classification of an intra- urban environment using high-
resolution images and object-based image analysis. International Journal of
Remote Sensing, v. 33, n. 19, p. 59735995, 2012.

Prefeitura Municipal de Santo Andr (PMSA). Atlas do Parque Natural do

Pedroso. Disponvel em:
<http://www.santoandre.sp.gov.br/pesquisa/ebooks/353394.pdf> Acesso em:
19 Jan. 2014.

Prefeitura Municipal de Santo Andr (PMSA). Dados histricos de Santo

Andr. Disponvel em: < http://www2.santoandre.sp.gov.br/index.php/cidade-
de-santo-andre/historia> Acesso em: 19 Nov. 2013.

75
POWELL, R.; ROBERTS, D.A.; DENNISON, P.E.; HESS, L. Sub pixel mapping
of urban land cover using multiple endmember spectral mixture analysis:
Manaus, Brazil. Remote Sensing of Environment. v.106, n. 2, p. 253-267, jan
2007.

RIBEIRO, B. M. G. Avaliao das imagens WorldView-II para o

mapeamento da cobertura do solo urbano utilizando o sistema
InterIMAGE. 2010. 177 p. (sid.inpe.br/mtc-m19@80/2010/08.03.12.52.20-TDI).
Dissertao (Mestrado em Sensoriamento Remoto) - Instituto Nacional de
Pesquisas Espaciais, So Jos dos Campos, 2010. Disponvel em:
<http://urlib.net/8JMKD3MGP7W/3826JHA>. Acesso em: 09 fev. 2013.

RIBEIRO, B. M. G.; KUCK, T. N.; FONSECA, L. M. G.; KUX, H. J. H.; ALVES,

D. S. Avaliao da influncia do efeito atmosfrico na identificao do estado
de conservao da cobertura vegetal intra-urbana em imagens de alta
resoluo espacial. In: SIMPSIO BRASILEIRO DE SENSORIAMENTO
REMOTO, 14. (SBSR), 2009, Natal. Anais... So Jos dos Campos: INPE,
2009. p. 827-834. DVD, On-line. ISBN 978-85-17-00044-7. (INPE-15996-
PRE/10605). Disponvel em:
<http://urlib.net/dpi.inpe.br/sbsr@80/2008/11.12.18.47>. Acesso em: 15 nov
2012.

ROSENFIELD, G. H.; FITZPATRICK-LINS, K. A coefficient of agreement as a

measure of thematic classification accuracy. Photogrammetric Engineering &
Remote Sensing, v. 52, n. 2, p. 223-227, 1986.

SABOYA, R. Concepo de um sistema de suporte elaborao de planos

diretores participativos. 2007. Tese de Doutorado apresentada ao Curso de
Ps-Graduao em Engenharia Civil Universidade Federal de Santa
Catarina.

SCHIEWE, J.; TUFTE, L. O potencial de procedimentos baseados em regies

para a avaliao integrada de dados de SIG e sensoriamento remoto. In:
BLASCHKE, T.; KUX, H. (Orgs.). Sensoriamento remoto e SIG avanados.
So Paulo: Editora Oficina de Textos, 2007. Cap. 05, p.56-65.

SEMASA, Servio Municipal de Saneamento Ambiental de Santo Andr.

Parque Natural do Pedroso. Disponvel em:
<http://www2.semasa.sp.gov.br/node/55 >. Acesso em: 27 Jan. 2013.

SILVA, M. P. S. Minerao de padres de mudanas em imagens de

sensoriamento remoto. 2006. 128 p. (INPE-14429-TDI/1130). Tese
(Doutorado em Computao Aplicada) - Instituto Nacional de Pesquisas
Espaciais, So Jos dos Campos, 2006. Disponvel em:
<http://urlib.net/sid.inpe.br/MTC-m13@80/2006/02.14.17.12>. Acesso em: 10
Fev. 2013.

SILVA JUNIOR, C. A.; FRANK, T.; RODRIGUES, T. C. S. Discriminao de

reas de soja por meio de imagens EVI/MODIS e anlise baseada em geo-
objeto. Revista Brasileira de Engenharia Agrcola e Ambiental, v.18, n.1,
p.44-53, 2014.

76
SOUZA, U. D. V. Classificao da cobertura e do uso do solo urbano de
So Lus (MA), com imagens Worldview-2 utilizando minerao de dados
e o sistema Interimage. 2012. 132 p. (sid.inpe.br/mtc-m19/2012/10.17.17.34-
TDI). Dissertao (Mestrado em Sensoriamento Remoto) - Instituto Nacional de
Pesquisas Espaciais (INPE), So Jos dos Campos, 2012. Disponvel
em:<http://urlib.net/8JMKD3MGP7W/3CR8EL8>. Acesso em: 02 nov 2012.

TOUTIN, T. Review article: geometric processing of remote sensing images:

models, Algorithms and Methods. International Journal of Remote Sensing,
v. 25, n. 10, p. 1893-1924, mai 2004.

Universidade Estadual de Campinas (UNICAMP). Dados climatolgicos de

Santo Andr. Disponvel em: < http://www.cpa.unicamp.br/outras-
informacoes/clima_muni_537.html>. Acesso em: 11 Fev. 2013.

VOOGT, J. A.; OKE, T. R. Complete urban surface temperatures. Journal of

Applied Meteorology, n. 36, p. 11171132, 1997.

WALD, L. Data Fusion: A conceptual approach for an efficient exploitation of

remote sensing images. In: EARSel Conference on Fusion of Earth Data,
1998, Sophia, Antipolis, France. Proceedings Sophia, Antipolis, France,
1998. p. 17 - 23.

WITTEN, I.; FRANK, E.; HALL, M. A. Data mining: practical machine learning
tools and techniques. 3. ed. San Francisco, CA: Morgan Kaufmann Publishers,
2011. 629 p.

YUAN, F.; BAUER, M. E. Comparison of impervious surface area and

normalized difference vegetation index as indicators of surface urban heat
island effects in Landsat imagery. Remote Sensing of Environment, v. 106, n.
3, p. 375-386, 2007.

ZHANG, J.; HSU, W.; LEE, M. Image mining: trends and developments.
Journal of Intelligent Information, n. Special Issue on Multimedia Data
Mining, 2002.

ZHOU, W.; TROY, A. An object-oriented approach for analyzing and

characterizing urban landscape at the parcel level. International Journal of
Remote Sensing, v. 29, n. 11, p. 3119-3135, 2008.

ZHOU, X.; JANCSO, T.; CHEN, C.;VERON, M. W. Urban land cover mapping
based on object oriented classification using WorldView2 sattelite remote
sensing images. In: INTERNATIONAL SCIENTIFIC CONFERENCE ON
SUSTAINABLE DEVELOPMENT & ECOLOGICAL FOOTPRINT. Sopron,
Hungary, 2012. Electronic Proceeidings... Disponvel
em:<https://palyazat.nyme.hu/fileadmin/dokumentumok/palyazat/tamop421b/Int
Conference/Papers/Articles/PDF/Xiaocheng_UrbanLandCoverMappingBasedO
nObjectOrientedClassificationUsingWorldView2SatelliteRemoteSensingImages.
pdf> Acesso em: 11 Dez. 2013.

77
78
 APNDICE A - PARMETROS DE SEGMENTAO

As Tabelas A.1 e A.2 apresentam os parmetros usados para a segmentao

das imagens WorldView-2 para cada uma das classes de cobertura da terra em
cada rea-teste. Na coluna ''Peso: Bandas'', esto inseridos os pesos relativos
s oito bandas do sensor (Coastal, Blue, Green, Yellow, Red, Red-Edge, Near
Infra-Red1, Near Infra-Red 2).

Tabela A.1 - Parmetros utilizados na rea-teste A.

Peso - Fator de
Classe Peso - Banda Peso - Compacidade Cor Escala
Vegetao Arbrea 1,1,1,1,1,1,1,1 0,9 0,3 50
Vegetao Rasteira 1,1,1,1,1,1,1,1 0,9 0,3 50
Telhado Metlico 1,1,1,1,1,1,1,1 0,8 0,4 70
Concreto 1,1,1,1,1,1,1,1 0,9 0,5 80
Fibrocimento 1,1,1,1,1,1,1,1 0,9 0,5 60
Sombra 1,1,1,1,1,1,1,1 0,9 0,3 80
Solo Exposto 1,1,1,1,1,1,1,1 0,8 0,7 80
Asfalto 1,1,1,1,1,1,1,1 0,9 0,3 80
Telhado Cermico 1,1,1,1,1,1,1,1 0,8 0,4 60

Tabela A.2 - Parmetros utilizados na rea-teste B.

Peso - Fator de
Classe Peso - Banda Peso - Compacidade Cor Escala
Vegetao Arbrea 1,1,1,1,1,1,1,1 0,9 0,3 60
Vegetao Rasteira 1,1,1,1,1,1,1,1 0,9 0,3 60
Telhado Metlico 1,1,1,1,1,1,1,1 0,9 0,5 80
Concreto 1,1,1,1,1,1,1,1 0,9 0,5 80
Fibrocimento 1,1,1,1,1,1,1,1 0,8 0,4 60
Sombra 1,1,1,1,1,1,1,1 0,9 0,3 80
Solo Exposto 1,1,1,1,1,1,1,1 0,9 0,7 100
Asfalto 1,1,1,1,1,1,1,1 0,9 0,5 80
Corpo Hdrico 1,1,1,1,1,1,1,1 0,9 0,3 200
rea mida 1,1,1,1,1,1,1,1 0,9 0,6 60
Via no Asfaltada 1,1,1,1,1,1,1,1 0,9 0,7 80
Concreto virio 1,1,1,1,1,1,1,1 0,9 0,4 250

79
80
 APNDICE B - PARMETROS DE CLASSIFICAO

As Figuras B.1, B.2 e B.3 apresentam as rvores de deciso criadas pelo minerador C4.5 para a classificao da cobertura
da terra na rea-teste A.

Figura B.1 - rvores de deciso para classificao dos alvos asfalto, concreto e telhado metlico.

81
Figura B.2 - rvores de deciso para classificao dos alvos fibrocimento e solo exposto.

82
Figura B.3 - rvores de deciso para classificao dos alvos vegetao rasteira, vegetao arbrea, sombra e telhado cermico.

83
As Figuras B.4, B.5, B.6 e B.7 apresentam as rvores de deciso criadas pelo minerador C4.5 para a classificao da
cobertura da terra na rea-teste B.

Figura B.4 - rvores de deciso para classificao dos alvos reas midas, sombra e corpo hdrico.

84
Figura B.5 - rvores de deciso para classificao dos alvos vegetao arbrea, vegetao rasteira, solo exposto e via no pavimentada.

85
Figura B.6 - rvores de deciso para classificao dos alvos asfalto, fibrocimento e telhado metlico.

86
Figura B.7 - rvores de deciso para classificao dos alvos concreto e concreto virio.

87
88
 APNDICE C LISTA DE ATRIBUTOS

A Tabela C.1 apresenta os 43 atributos (e suas abreviaes) utilizados no

estudo.

GRUPO 1 GRUPO 2 GRUPO 3 GRUPO 4 GRUPO 5 GRUPO 6

Brigthness
Compacity Entropy Mean (M) NDWI B5/B2
(BRILHO)

Perimeter Min Pixel

Amplitude
Area Ratio Value Mode (MD) NDBRI B7/B2
Value (AV)
(PAR) (MINPV)

Max Pixel
Sum Pixels
Angle Value Variance (V) NDVI B4/B6
(SP)
(MAXPV)

Density Ratio (R) NDVI2 B5/B7

Standard
Contiguity Deviation NDBSI B4/B3
(SD)
Circleness B6/B3
Area B2/B3
Perimeter B7/B6
Length B3/B4
Width B8/B3

Squareness

Fractal
Dimension
(FD)

Elliptic Fit
(EF)

Length Width
Ratio (LWR)

Shape Index
(SI)

bBoxArea

Gyration
Radius (GR)

89
90
 APNDICE D - REDE SEMNTICA

A Figura D.1 apresenta as redes semnticas utilizados nas duas reas-teste

deste trabalho.

Figura D.1 - Redes semnticas utilizadas no estudo.

91
92
 APNDICE E - MODELO DE CLASSIFICAO

A Figura E.1 mostra os valores de pertinncia para cada classe em ambas as

reas testes.

Figura E.1 - Valores de pertinncia das classes nas reas-testes A e B.

93
94
 APNDICE F - AVALIAO DAS CLASSIFICAES

A Tabela F. 1 apresenta a matriz de confuso da classificao da rea-teste A.

A Tabela F.2 apresenta os ndices Kappa-condicional para as classes de
cobertura da terra da rea-teste A.

Tabela F.1 - Matriz de confuso da classificao da rea-teste A.

Tabela F.2 - ndices Kappa-condicional para as classes de cobertura da terra

da rea-teste A.

Kappa - Varincia
Classe condicional do Kappa
Asfalto 0,813432836 0,009263477
Cermica 0,906015038 0,007982842
Concreto 0,617346939 0,017550882
Fibrocimento 0,694002448 0,012830716
Solo Exposto 0,702380952 0,030780541
Sombra 0,951219512 0,002250693
Telhado Metlico 1 0
Veg. Arbrea 0,951612903 0,002214679
Veg. Rasteira 0,89010989 0,005307175
Resto 0,387755102 0,047990208

95
A Tabela F.3 apresenta a matriz de confuso da classificao da rea-teste B.
A Tabela F.4 apresenta os ndices Kappa condicional para as classes de
cobertura das terra da rea-teste B.

Tabela F.3 - Matriz de confuso da classificao da rea-teste B.

Tabela F.4 - ndices Kappa-condicional para as classes de cobertura da rea-

teste B.

Kappa - Varincia
Classe condicional do Kappa
rea mida 0,688262402 0,01311265
Asfalto 0,660766962 0,037689608
Concreto 0,705317104 0,030469129
Corpo Hdrico 1 0
Fibrocimento 1 0
Resto 0,096069869 0,008380672
Rodoanel (concreto
virio) 1 0
Solo Exposto 0,868721461 0,014945847
Sombra 1 0
Telhado Metlico 0,545813586 0,023006783
Veg. Arbrea 1 0
Veg. Rasteira 0,878883623 0,006401782
Via no Pavimentada 0,742152466 0,024493869

96