AVALIAÇÃO DA EXATIDÃO DE CLASSIFICADORES AUTOMÁTICOS …€¦ · revestimento do solo possa utilizar com eficiência dados de sensores remotos orbitais e de grande altitude (Anderson

Anais do X Encontro de Geógrafos da América Latina – 20 a 26 de março de 2005 – Universidade de São Paulo

AVALIAÇÃO DA EXATIDÃO DE CLASSIFICADORES AUTOMÁTICOS NA CLASSIFICAÇÃO DO USO E DO REVESTIMENTO DA TERRA NA REGIÃO DE CANANÉIA

Carlos Tadeu de Carvalho Gamba1

Ailton Luchiari2

1. Introdução

O Homem sempre sentiu a necessidade de representar o mundo que o cerca. Nos

tempos em que habitava cavernas já registrava o seu legado em paredes e objetos dos mais

diversos materiais. Os antigos polinésios, por exemplo, utilizaram pequenos pedaços de

bambu para confeccionar suas cartas náuticas, e o que é considerado o mapa mais antigo

do mundo foi confeccionado sobre uma placa de barro mais de 4 mil anos atrás (Raisz,

1969, p. 9).

Desde as primeiras representações, passando pelos mapas de Ptolomeu, até

chegarmos à Projeção Transversa de Mercator, base do sistema UTM (Universal Transversa

de Mercator), a cartografia tem passado por profundas transformações. O advento de novas

tecnologias, fez com que o processo cartográfico se tornasse cada vez mais sofisticado.

Nesse contexto se destacam a fotografia, a “conquista do espaço” e os computadores

pessoais.

Contudo, se por um lado essa evolução da cartografia nos permitiu avançar em um

campo da representação cartográfica não experimentado anteriormente, também trouxe

consigo uma série de generalizações da informação.

A rapidez com que os computadores chegaram aos usuários comuns e a facilidade

operacional que lhes eram características foi silenciosamente excluindo a presença dos

especialistas em determinadas áreas, como por exemplo, da cartografia. Com isso, nos mais

diversos setores, a simples habilidade de operação de um sistema foi se tornando, cada vez

mais, uma forma de conhecimento científico.

No entanto, é preciso notar que os sistemas digitais nem sempre reproduzem a

realidade com total exatidão. O que não significa que as ferramentas fornecidas pelos

sistemas computacionais voltados à produção cartográfica sejam limitadas ou inadequadas.

O fato é que tais sistemas têm evoluído periodicamente e essa evolução traz consigo uma

1 [email protected] Departamento de Geografia/FFLCH – Universidade de São Paulo 2 [email protected]

5744


infinidade de recursos de representação e análise da paisagem, que nos remete a uma

necessidade constante de avaliação dos resultados produzidos.

Nesse sentido, este trabalho teve como proposta avaliar a acuidade das

representações do uso e do revestimento da terra, obtidas através de procedimentos

automáticos de classificação automática sobre imagens do satélite LANDSAT 7 ETM+,

utilizando-se os classificadores baseados na concepção da Máxima Verossimilhança e na

concepção Fuzzy.

Como área de estudo, foi escolhida a área abrangida pela carta topográfica do IBGE,

Ilha de Cananéia, que se insere numa parcela da região litorânea que Petrone (1960) definiu

como “a Baixada do Ribeira”. Tal escolha se baseia no fato desta área reunir características

passíveis de serem mapeadas através do sensor ETM+ (Enhanced Thematic Mapper) do

LANDSAT 7, como a sua extensão e sua homogeneidade, além de se tratar de um

importante complexo geoecológico que integra uma extensa e contínua faixa de unidades de

conservação no Estado de São Paulo.

2. A importância do processo cartográfico

O mapeamento da superfície da terra vem, já de longa data, se tornando cada vez

mais importante. Seja para nos deslocarmos, seja para nos fixarmos ou para

transformarmos o meio ambiente, os produtos cartográficos são cada vez mais requisitados.

E, ainda, à medida que evoluímos, produzimos uma série de transformações ao nosso

entorno que criam, por sua vez, uma necessidade de conhecimento de seus efeitos.

O processo mais conhecido de extração de informações utilizadas em um

mapeamento do uso e da cobertura da terra, é a interpretação de imagens. Esta técnica

consiste em “traduzir” as informações presentes numa imagem de satélite ou numa

fotografia aérea. Atualmente, as técnicas voltadas ao processamento de imagens permitem

que este processo possa ser realizado automaticamente, com o auxílio do computador.

O problema é que, como o processo cartográfico nada mais é do que uma

simplificação da realidade, essa representação da paisagem implica em generalizações.

Daí, surge a necessidade de avaliarmos os resultados obtidos no mapeamento (Antunes &

Lingnau, 1997).

Um dos procedimentos utilizados na avaliação de mapeamentos oriundos de

procedimentos automáticos têm sido a análise das matrizes de erro. Antunes & Lingnau

(1997) analisaram a exatidão da classificação de imagens multiespectrais, avaliando a

acurácia posicional e a exatidão dos dados temáticos, por meio da construção de uma

matriz de erros e da aplicação de coeficientes de aceitação como o de Kappa e o de Tau.

Estes índices também foram utilizados por Bolfe et alli (2003), que incluíram o Índice de

5745


Exatidão Global para verificar a precisão do classificador na distinção de áreas florestadas

com mata nativa, floresta de Pinus e floresta de Eucalyptus.

Fidalgo (1995) não só comparou índices de exatidão entre processos de classificação

como também o fez sobre mapeamentos oriundos de interpretação manual e automática.

Fisher (1994) utilizou matrizes de confusão para estabelecer medidas de acuidade em

imagens de sensoriamento remoto, classificadas através dos métodos Fuzzy e da Máxima

Verossimilhança. Mascaro (2004) fez uso delas para avaliar a exatidão das classificações

obtidas através do uso de três classificadores: Máxima Verossimilhança; Mínima Distância; e

Paralelepípedo.

Devemos também ressaltar que os processos de avaliação da exatidão da

classificação não se restringem apenas aos métodos estatísticos. Klöditz et alli (1998)

utilizaram imagens de maior resolução espacial, neste caso do LANDSAT 5, para verificar a

acurácia da classificação de formações vegetais obtidas através do NDVI (índice de

vegetação por diferença normalizada) sobre imagens oriundas do satélite NOAA.

Frank (1998) combinou dados oriundos de sensoriamento remoto do satélite

LANDSAT 5 (TM) com informações topográficas para gerar um modelo digital do terreno e

assim aumentar a eficácia do processo de classificação das comunidades vegetais nas

montanhas rochosas do Colorado (EUA).

Bonetti Filho (1996), além de utilizar as técnicas de sensoriamento remoto e de

processamento digital de imagens para identificar preliminarmente o comportamento

espectral das geofácies (unidades individuais da paisagem) de interesse de seu estudo, na

região da Baixada Santista, realizou vôos de helicóptero para incrementar a precisão das

informações de campo.

Estes trabalhos demonstram que o processo de classificação automática de imagens

orbitais e a avaliação de seus resultados têm sido objeto de constantes investigações na

área do processamento digital e do sensoriamento remoto, e provam que os procedimentos

de classificação automática podem ser largamente utilizados, desde que haja uma

preocupação com os resultados.

3. Materiais

Como se trata de uma pesquisa que envolve a classificação automática de imagens e

a verificação da acuidade deste procedimento, nos utilizamos basicamente de quatro tipos

de material:

• a carta topográfica do IBGE, “Ilha de Cananéia”, na escala 1:50.000;

5746


• as imagens (bandas 1, 2, 3, 4, 5 e 7) geradas pelo satélite LANDSAT 7 ETM+;

• aparelho GPS (Sistema de Posicionamento Global) “portátil”;

• mosaico de fotografias aéreas na escala 1:25.000.

4. Procedimentos metodológicos

Quando falamos em classificação do revestimento da terra, não estamos falando

apenas em identificar formas e padrões de uso desta e de sua cobertura, estamos também

nos referindo à utilização de sistemas de classificação que estejam adequados a um

determinado mapeamento, em uma determinada área. A priori este processo envolve

basicamente a criação de categorias que possam, de uma maneira geral, representar

entidades ou fenômenos num local e numa escala específicos. Todavia, como tais

fenômenos guardam semelhanças em suas propriedades e em suas relações (Grigg, 1974),

os sistemas de classificação variam de um lugar para o outro, sendo conseqüência direta

dos usos e da cobertura da terra que queremos representar.

Nesse sentido adotamos, como metodologia de trabalho, a proposta estabelecida por

Anderson et alli (1979), que defende um sistema multinível de classificação do uso e do

revestimento da terra. Este procedimento também fundamenta-se no que Anderson definiu,

em 1971, como critérios básicos para que um sistema de classificação de uso da terra e

revestimento do solo possa utilizar com eficiência dados de sensores remotos orbitais e de

grande altitude (Anderson et alli, 1979):

1. o nível mínimo de precisão para interpretar e identificar as categorias de uso da terra e

revestimento do solo, a partir de dados de sensoriamento remoto deverá ser, pelo de

menos, 85%;

2. a precisão de interpretação para diferentes categorias deverá ser aproximadamente a

mesma;

3. resultados repetitivos devem ser capazes de serem obtidos de um intérprete para

outro e de um sensor para outro;

4. o sistema de classificação deve ser aplicável em áreas extensas;

5. a categorização deve permitir que a vegetação e outros tipos de revestimento do solo

sejam utilizados como substitutos de atividade;

6. o sistema de classificação deve ser passível de utilização com dados de

sensoriamento remoto obtidos em diferentes épocas do ano;

5747


7. deve ser possível o uso eficaz de subcategorias a serem obtidas de levantamentos no

campo ou a partir da utilização de maior escala ou de dados ampliados de sensores

remotos;

8. deve ser possível a agregação de categorias;

9. deve ser possível a comparação com dados de uso da terra a serem obtidos

posteriormente;

10. Os usos múltiplos da terra devem ser identificados quando possível.

No entanto, devemos ressaltar que o simples estabelecimento de uma abordagem

multinível não fornece, por si só, subsídios que garantam a eficácia deste sistema de

classificação. É necessário o desenvolvimento de técnicas de aplicação do sistema e de

avaliação de sua qualidade. Dessa maneira, a proposta de Anderson et alli (1979) serviu

como base para a aplicação das técnicas de processamento digital de imagens que são

caracterizados aqui, pelas classificações automáticas das imagens de satélite.

4.1. A definição do sistema de classificação

Anderson et alli (1979) consideram que imagens orbitais do tipo LANDSAT são de

interesse de usuários que desejam dados de âmbito nacional, interestadual ou estadual, no

entanto ressaltam que as informações obtidas de um sensor não são restritas a um

determinado nível.

Entretanto, como já foi relevado anteriormente, as categorias definidas em um sistema

variam de acordo com as características da área de estudo. Neste sentido, a proposta de

construção de níveis de classificação foi feita de acordo com as características inerentes à

área em questão. Ou seja, com base nas categorias propostas por Anderson et alli (1979),

foram estabelecidas outras, a fim de atender nossas necessidades de análise.

4.2. O processamento digital de imagens orbitais

Preliminarmente, foi feita uma retificação da imagem com o intuito de ajustá-la, com

precisão, ao sistema de projeção utilizado. Em nosso caso, o sistema UTM (Universal

Transversa de Mercator) com o datum horizontal SAD 69 (South Americam Datum of 1969).

Optamos por realizar o registro imagem x imagem, processo no qual utilizamos uma

outra imagem georeferenciada para fazer a retificação, e assim, obtivemos 32 pontos de

referência. Destes, 8 foram descartados por apresentarem erro quadrático acima de 30

metros. Ao final, ficamos com 24 pontos de referência que apresentaram erro quadrático

médio (RMS1) de 18,4 metros. Em seguida, as imagens foram transferidas para o software

5748


IDRISI 32, para que pudéssemos dar início aos procedimentos de classificação das

imagens.

Para o presente trabalho optamos por fazer uma classificação supervisionada através

dos métodos de classificação da Máxima Verossimilhança e o do método da classificação

Fuzzy.

É importante ressaltar que esta escolha decorreu do fato de pretendermos avaliar

métodos que são correntemente usados nos trabalhos de classificação automática de dados

de sensoriamento remoto, como é o caso da máxima verossimilhança, o método mais

comum utilizado (Richards, 1998). A escolha do método Fuzzy ocorreu em razão deste

procedimento realizar uma classificação relativa dos pixels.

1 Root Mean Square error - erro posicional típico de todos os pontos de controle em relação

à equação de ajuste (Eastman, 1999)

4.2.1. O método da Máxima Verossimilhança

O método da Máxima Verossimilhança considera a ponderação das distâncias entre

médias dos níveis digitais das classes (Koffler, 1992).

A partir de informações obtidas durante o treinamento, este classificador utiliza

medidas de variância e covariância, das assinaturas espectrais dos alvos, para determinar a

probabilidade de um determinado pixel pertencer a uma determinada categoria (Eastman,

1999).

O treinamento é uma fase muito importante para este método, pois a precisão da

classificação depende do volume de pixels coletados e da pureza das amostras, ou seja,

quanto mais representativas forem estas, melhor será o resultado da classificação.

Acontece que isto nem sempre é possível, principalmente em áreas que apresentam

respostas espectrais muito heterogêneas. Para separar as classes, o programa estabelece

fronteiras entre os pixels chamadas de “limites de decisão”. Estes limites denotam áreas de

igual probabilidade entre dois agrupamentos contíguas. Dessa forma, pixels de uma

determinada classe podem ser atribuídos à outra devido a sobreposição entre os

agrupamentos, gerando o que chamamos de confusão entre classes. Isto ocorre devido aos

desvios de comportamento espectral da classe em relação à sua média.

O método da verossimilhança é considerado um processo tradicional de classificação

e pode ser descrito matematicamente da seguinte forma:

— Dado o universo X cujo os elementos são denotados por x. Com isso, temos X =

{x}. A associação do pixel em uma amostra A, por exemplo, num cenário clássico é

5749


freqüentemente vista como uma função característica xA onde X, corresponde ao universo

[0, 1], que representa o conjunto de possibilidades. Desta forma, xA (x) = 1 se e somente se

x � A. Ou seja, esta função descreve uma situação em que há somente duas possibilidades:

ou o pixel será associado a uma determinada classe, ou não será [xA (x) = 0] (Jensen,

1996).

O primeiro passo para realizar este procedimento foi extrair as assinaturas espectrais

de cada classe no IDRISI 32, utilizando a operação MAKESIG, destinada à classificação

pelo método da Máxima Verossimilhança. A extração das assinaturas consiste na criação de

um arquivo de referência no qual são especificadas todas as classes de uso. Essas classes,

definidas preliminarmente no treinamento, servem como referência para o software

classificar as imagens.

A classificação foi realizada por meio do classificador MAXLIKE, do qual obtivemos, então,

os mapas finais com a classificação do uso e da cobertura da terra.

4.2.2. O método Fuzzy

Distintamente do processo anterior, no método Fuzzy a classificação é descrita pela

probabilidade de um pixel pertencer a uma determinada classe, a partir do grau de associação

que ele tem com os seus vizinhos. Neste caso, temos como produto final uma imagem na qual

o pixel apresenta diferentes probabilidades de pertencer a uma determinada classe. Esta

característica faz com que o treinamento seja um pouco mais simples, pois as amostras não

precisam ser tão homogêneas como no procedimento anterior. Além disso, ao contrário do

que acontece no método da Máxima Verossimilhança, obtemos como resultado, uma imagem

para cada classe. As diferenças entre os métodos de classificação automática utilizados são

demonstradas graficamente na figura 1.

5750


No método Fuzzy, uma amostra B no universo X é caracterizada por uma função de

associação fB na qual associa-se cada elemento (x) a um número real no conjunto {0, 1}.

Essa função fB, representa uma grade de associação desse elemento (x) em B. O valor final

de fB (x) é 1, mas x sempre pertence a B (Jensen, 1996). Isso ocorre, porque não há um

limite de decisão nitidamente definido e um elemento da cena, – por exemplo, um pixel na

imagem – terá uma associação parcial com todas as classes. Ou seja, nos métodos

clássicos, se x = 1, ele é associado a uma dada classe; se x = 0, não é associado a esta.

Dentro do cenário Fuzzy, x representa o grau de associação e será mais

representativo o quão mais próximo estiver do valor 1. Como x sempre pertence à classe,

haverá um grau de participação de dentro das diversas classes. Podendo ser de 70% em

relação a uma e 30% em relação à outra.

Esse grau de associação é determinado por meio da criação de uma matriz

denominada “partição Fuzzy”. Nela são inseridos os índices de pertinência de cada classe,

que representam a probabilidade de um pixel ser associado a uma classe ou outra durante o

treinamento.

Segundo Wang (1990), o método Fuzzy pode providenciar a melhor representação

para a informação geográfica, fornecendo o que não pode ser descrito por uma simples

classe.

O primeiro passo para a realização desta etapa foi definir os índices de pertinência

das classes, realizado no software IDRISI 32 por meio da operação DATABASE

WORKSHOP. Em seguida, os valores de cada classe foram exportados e vinculados,

através da operação ASSIGN, a uma imagem que continha amostras de todas as classe, ou

seja, à imagem do treinamento. Neste processo gera-se uma imagem para cada classe e a

esta, vincula-se a assinatura espectral correspondente. Somente a partir daí é que o

processo de extração das assinaturas espectrais, agora, através da operação FUZSIG, pôde

ser iniciado.

A classificação, propriamente dita, foi realizada por meio da operação BAYCLASS,

quando finalmente pudemos obter um conjunto de imagens classificadas para cada

categoria de uso e cobertura da terra.

Para que o resultado final deste processo pudesse ser apresentado em uma única

carta, nos utilizamos de um novo procedimento de classificação, agora com o MAXLIKE,

para chegarmos ao mapa final do uso e do revestimento da terra pelo o método Fuzzy.

Apesar deste procedimento adicional estar sendo feito com um classificador absoluto, os

resultados produzidos são distintos do anterior pois, além de estarmos utilizando as

assinaturas obtidas pela operação FUZSIG, a classificação foi feita com base nas imagens

5751


de cada classe de uso, ou seja, com base nas partições obtidas pelo método Fuzzy na

definição das probabilidades do processo de classificação.

4.3. A avaliação da exatidão da representação

TABELA 1 – MATRIZ DE CONFUSÃO Amostra da Amostra da Amostra da Amostra da Total Exatidão classe A classe B classe C classe D do usuário

Classe A 2842 3 4 0 2849 99,7%

Classe B 1 31874 596 0 32471 98,5%

Classe C 2 1063 72487 23 73575 98,5%

Classe D 0 8742 328 53221 62291 85,4%

Total 2845 41682 73415 53244 171186

Exatidão do produtor 99,9% 76,4% 98,7% 99,9% Fonte: Eastman et alli (1995) N

ossa proposta foi realizá-la através da construção de matrizes de erros, método que também

foi utilizado por Valeriano (1984) e que consiste em estabelecer uma tabela da classificação

que apresente a distribuição de pixels classificados correta ou incorretamente.

Os resultados obtidos na coluna da matriz, apresentam os pixels que foram

amostrados como pertencentes a esta classe, e os resultados obtidos na linha apresentam

os pixels que foram efetivamente atribuídos à classe. Na coluna 1, da Tabela 1, de um total

de 2845 pixels classificados como classe A, 1 pixel foi atribuído a classe B e 2 foram

atribuídos a classe C. Assim, os valores na diagonal principal apresentam os pixels

corretamente classificados. Observando a somatória da linha 1, constatamos que 2849

foram mapeados como classe A, ainda que somente 2842 destes pixels pertencessem de

fato à classe A. Isso significa dizer que nas colunas tem-se a verdade terrestre, ou a

referência mais próxima dela e, nas linhas, a imagem classificada. Com isso, o total da

coluna exemplifica a verdade terrestre, de maneira que, de 2845 pixels, 3 foram omitidos na

classificação, enquanto que o total da linha exemplifica a realidade no mapa, ou seja, de

2849 pixels, 7 foram inseridos equivocadamente na classe.

Os lapsos produzidos nas amostras de verdade terrestre são chamados de “erros de

omissão”. Eles são importantes, pois nos indicam a probabilidade de um pixel ser

classificado corretamente. Esta probabilidade é chamada de “exatidão do produtor”. Na

imagem classificada, os lapsos de classificação são denominados “erros de comissão” e

indicam a probabilidade de um pixel, classificado na imagem, representar a verdade

5752


terrestre. Esta probabilidade é denominada “exatidão do usuário” (Story e Congalton, 1986

apud Jensen, 1996).

Afim de poder avaliar os resultados das classificações obtidas, utilizamos como

verdade terrestre, uma coleção de referências da superfície obtidas em campo por meio de

um aparelho GPS Garmin X12.

5. Avaliação dos resultados

5.1. Quanto à classificação do uso e do revestimento da terra no nível I

As imagens resultantes apresentaram boa separação entre as classes. Em ambos os

processos de classificação, seja com o algoritmo MAXLIKE ou com o BAYCLASS,

obtivemos mapas com classes bem individualizadas e coerentes tanto com as imagens,

como com as observações feitas em campo. Do ponto de vista estatístico, os índices de

exatidão global estiveram sempre acima dos 80% (Tabelas 2 e 3). A exceção ficou por conta

da classe Terra Desnuda, que apresentou, em ambos os métodos, muita mistura com a

classe Terra Urbana. Como as áreas preenchidas pela categoria Terra Urbana são

dominadas por usos mistos, foi possível encontrarmos uma variedade de alvos com

comportamento espectral similar àqueles de outras classes. Por exemplo, a presença de

vias recobertas por calçamento ou solo exposto fez com que estas áreas fossem

freqüentemente confundidas com a categoria Terra Desnuda. Aliás, a rugosidade das áreas

de solo exposto presentes nos sítio urbanos ocasionou um aumento sensível da reflexão

difusa (Campbell, 1987), o que dificultou em demasia a individualização destes alvos

durante o treinamento. Lotes preenchidos por vegetação de transição também produziram

confusão com as terras de uso agropastoril, mas a confusão entre esses alvos já havia sido

salientada nos trabalhos de Bonetti Filho (1996). Estas misturas podem ser observadas nas

Tabelas 2 e 3.

Tabela 2 – Matriz de confusão das amostras de campo

Classificação pela Máxima Verossimilhança (nível 1 / legenda A) Referências de campo (colunas: verdade terrestre) e imagem classificada (linhas: classes mapeadas) Classes 1 2 3 4 5 6 Total Exatidão do usuário 1. Água 3 0 0 0 0 0 3 100% 2. Terra úmida 1 13 1 0 0 0 15 87% 3. Terra florestada 0 0 17 0 0 0 17 100% 4. Terra desnuda 0 0 0 3 0 0 3 100% 5. Terra urbana 2 0 0 2 11 3 18 61% 6. Terra agropastoril 0 0 0 1 0 25 26 96% Total 6 13 18 6 11 28 82 Exatidão do produtor: 50% 100% 95% 50% 100% 89% ÍNDICE DE EXATIDÃO GLOBAL: 72 / 82 = 0,88 (88%)

5753



Classificação Fuzzy (nível 1 / legenda A)

Referências de campo (colunas: verdade terrestre) e imagem classificada (linhas: classes mapeadas) Classes 1 2 3 4 5 6 Total Exatidão do usuário 1. Água 3 0 0 0 0 0 2 100% 2. Terra úmida 1 13 1 0 0 1 16 81% 3. Terra florestada 0 1 17 0 0 1 19 89% 4. Terra desnuda 0 0 0 3 0 0 3 100% 5. Terra urbana 2 0 0 2 11 3 18 61% 6. Terra agropastoril 0 0 0 1 0 23 24 96% Total 6 13 18 6 11 28 82 Exatidão do produtor: 50% 93% 94% 50% 100% 82% ÍNDICE DE EXATIDÃO GLOBAL: 70 / 82 = 0,86 (86%)

A categoria Água também apresentou muita mistura, fato que pode ser observado na

Tabela 3. Como se trata de uma região sujeita aos regimes de maré, podemos observar com

freqüência o afloramento de bancos de areia nas áreas imersas. Quando muito, estes

bancos se encontram timidamente cobertos por água. Além disso, também pudemos

observar a presença de lagos artificiais destinados à captação de água e ao criadouro de

espécies aquáticas.

Como os materiais de natureza sedimentar e orgânica interferem diretamente na

reflexão dos corpos d’água na região do visível (Campbell, 1987), estas áreas foram, na

maioria dos casos, confundidas pelos classificadores com áreas de Terra Urbana e Terra

Úmida. Tais acontecimentos comprometeram severamente os resultados da classificação

destes alvos na Legenda A.

Dessa maneira, para minimizar estas misturas, decidimos juntar as classes Terra

Urbana e Terra Desnuda que, particularmente em nossa área de estudo, não apresentam

grandes diferenças entre si. Esta nova classe, que chamamos de Água Rasa, compreendeu

as áreas ocupadas por corpos d’água de pequena profundidade e ficou separada da

categoria Terra Úmida por estar coberta por água na maior parte do tempo.

Tal mudança produziu resultados positivos, tanto no quadro estatístico – a exatidão da

categoria saltou de 50% para 100% –, como no aspecto visual. Se, por um lado, as matrizes

de confusão referentes ao treinamento apresentam uma variação muito pequena no que diz

respeito à exatidão das amostras por classes, quando passamos à realidade terrestre as

diferenças são consideráveis, principalmente no que diz respeito à classificação Fuzzy. Isso

pode ser observado quando comparamos a exatidão do produtor obtida por classe na

Legenda A e na Legenda B. Utilizando-se o algoritmo MAXVER com a primeira legenda

proposta (A) conseguimos uma exatidão global de 88%. Na legenda B, a exatidão global

saltou para 91%. No método Fuzzy, os índices de exatidão global saltaram,

respectivamente, de 86% na legenda A, para 90% na Legenda B, como podemos observar

nas Tabelas 4 e 5.

5754



Classificação pela Máxima Verossimilhança (nível 1 / legenda B) Referências de campo (colunas: verdade terrestre) e imagem classificada (linhas: classes mapeadas) Classes 1 2 3 4 5 6 Total Exatidão do usuário 1. Água 2 0 0 0 0 0 2 100% 2. Terra úmida 0 13 0 1 0 0 14 93% 3. Terra florestada 0 0 18 3 1 0 22 82% 4. Terra agropastoril 0 0 0 24 2 0 26 92% 5. Terra desnuda 0 0 0 0 14 0 14 100% 6. Água rasa 0 0 0 0 0 4 4 100% Total: 2 13 18 28 17 4 82 Exatidão do produtor: 100% 100% 100% 86% 82% 100% ÍNDICE DE EXATIDÃO GLOBAL: 75 / 82 = 0,91 (91%)


Classificação Fuzzy (nível 1 / legenda B) Referências de campo (colunas: verdade terrestre) e imagem classificada (linhas: classes mapeadas) Classes 1 2 3 4 5 6 Total Exatidão do usuário 1. Água 2 0 0 0 0 0 2 100% 2. Terra úmida 0 11 0 1 0 0 12 92% 3. Terra florestada 0 1 18 2 0 0 21 86% 4. Terra agropastoril 0 0 0 24 2 0 25 96% 5. Terra desnuda 0 0 0 1 15 0 16 94% 6. Água rasa 0 1 0 0 0 4 5 80% Total: 2 13 18 28 17 4 82 Exatidão do produtor: 100% 85% 100% 86% 88% 100% Índice de exatidão global: 74 / 82 = 0,90 (90%)

No que tange aos aspectos visuais (Anexo 01), pudemos observar, principalmente nas

partições Fuzzy, uma boa individualização das classes de uso propostas em ambas as

legendas. Ainda assim, é visível a melhora produzida pela união das classes Terra Urbana e

Terra Desnuda na Legenda B, quando levamos em conta a exatidão da classificação. Um

outro resultado interessante foi a partição Fuzzy na Legenda A das classes Terra Urbana,

onde as vias principais podem ser facilmente identificadas, e Terra Úmida, onde podemos

notar uma distinção considerável das áreas continentais, mais altas, para aquelas

influenciadas pelos domínios oceânicos e estuarinos.

5.2. A classificação do uso e do revestimento da terra para o nível II

As imagens resultantes da classificação automática pelos métodos da Máxima

Verossimilhança e Fuzzy (Anexo 02) apresentaram resultados bem diferentes no nível II. O

que mais se mostrou prejudicial ao processo foi a dificuldade encontrada pelos

classificadores na separação das categorias. Acreditamos que o incremento do número de

classes de uso tenha influenciado diretamente estes resultados, pois houve uma queda

5755


sensível na qualidade das amostras de treinamento, quando o número de classes

aumentou.

Os problemas de mistura entre áreas urbanas e áreas de solo exposto novamente

apareceram – o que já era esperado – mas, o que mais apresentou confusão neste nível

foram as áreas revestidas por vegetação.

Como destacam Cibula e Nyquist (1987), o relevo exerceu forte influência no

comportamento dos alvos de nossa área de estudo. Ao observarmos os mapas finais para este

nível, é possível notar o quanto as misturas são mais intensas conforme o relevo é mais

dissecado. Tal situação só encontra paralelo nas áreas de usos mistos, nas quais a variedade

de usos prejudicou sensivelmente a classificação.

No caso da vegetação, ficou evidente o quanto é difícil individualizarmos tipos distintos

de cobertura vegetal. A diferença entre as áreas de mata, sejam elas de restinga, de

encosta ou ciliar, é basicamente estrutural e, em alguns casos, foi muito difícil obtermos

amostras representativas de uma cobertura ou de outra durante o treinamento. Este tipo de

mistura ficou evidente ao observarmos as matrizes de confusão das amostras de

treinamento (Tabelas 6 e 7).


Classificação pela Máxima Verossimilhança (nível 2 / legenda A)

Referências de campo (colunas: verdade terrestre) e imagem classificada (linhas: classes mapeadas)

Classes 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 Total E. U.*

1. Áreas urbanas 4 1 0 0 0 0 0 0 0 1 0 0 0 0 0 1 0 7 57%

2. Vias de circulação 1 2 0 1 0 0 0 1 0 0 0 0 0 0 0 1 1 8 25%

3. Mata de restinga 0 0 7 0 1 0 0 0 0 0 0 0 0 0 0 0 0 8 87%

4. Mata de restinga alterada 0 0 1 5 0 1 0 0 0 0 0 0 0 0 0 0 0 7 71%

5. Mata de encosta 0 0 1 0 5 0 0 0 0 0 0 0 0 0 0 0 1 7 71%

6. Mata de encosta alterada 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 1 100%

7. Mata ciliar 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 1 100%

8. Culturas agrícolas 0 0 0 0 0 0 0 7 1 0 0 0 0 0 0 0 1 9 78%

9. Campos 1 0 0 0 0 0 0 0 6 0 0 0 0 0 0 2 1 10 60%

10. Águas fluviais 0 0 0 0 0 0 0 0 0 2 0 1 2 0 0 0 0 5 40%

11. Reservatórios e lagos 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 1 100%

12. Águas estuarinas e oceânicas 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 1 100%

13. Terra úmida 0 0 0 1 0 0 0 0 0 0 0 0 4 0 0 0 0 5 80%

14. Terra úmida florestada 0 0 0 0 0 0 0 0 0 0 0 0 0 4 0 0 0 4 100%

15. Terra úmida florestada arbórea 0 0 0 0 0 0 0 0 0 0 0 0 0 0 3 0 0 3 100%

16. Terra desnuda 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 2 0 3 67%

17. Áreas de transição 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 2 3 67%

Total: 6 3 9 7 6 2 1 9 8 3 1 2 6 4 3 6 6 82

Exatidão do produtor: 67% 67% 78% 71% 83% 50% 100% 78% 75% 67% 100% 50% 67% 100% 100% 33% 33% ÍNDICE DE EXATIDÃO GLOBAL: 57 / 82 = 0,69 (69%) * E. U. - Exatidão do usuário

5756



Classificação Fuzzy (nível 2 / legenda A)

Referências de campo (colunas: verdade terrestre) e imagem classificada (linhas: classes mapeadas)

Classes 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 Total E. U.*

1. Áreas urbanas 4 0 0 0 0 0 0 0 0 1 0 0 0 0 0 1 0 6 67%

2. Vias de circulação 1 2 0 0 0 0 0 1 0 0 0 0 0 0 0 1 1 6 33%

3. Mata de restinga 0 0 7 0 1 0 0 0 0 0 0 0 0 0 0 0 0 8 87%

4. Mata de restinga alterada 0 0 1 5 0 0 0 0 0 0 0 0 0 0 0 0 0 6 83%

5. Mata de encosta 0 0 0 0 4 0 0 0 0 0 0 0 0 0 0 0 0 4 100%

6. Mata de encosta alterada 0 0 0 0 0 2 0 0 0 0 0 0 0 0 0 0 0 2 100%

7. Mata ciliar 0 0 1 0 1 0 1 0 0 0 0 0 0 0 0 0 0 3 33%

8. Culturas agrícolas 0 0 0 0 0 0 0 6 1 0 0 0 0 0 0 0 0 7 86%

9. Campos 1 0 0 0 0 0 0 0 6 0 0 0 0 0 0 1 0 8 75%

10. Águas fluviais 0 0 0 0 0 0 0 0 0 3 0 1 1 0 0 0 0 5 60%

11. Reservatórios e lagos 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 1 100%

12. Águas estuarinas e oceânicas 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 1 100%

13. Terra úmida 0 0 0 1 0 0 0 0 0 0 0 0 5 0 0 0 0 6 83%

14. Terra úmida florestada 0 0 0 0 0 0 0 0 0 0 0 0 0 3 0 0 0 3 100%

15. Terra úmida florestada arbórea 0 0 0 0 0 0 0 0 0 0 0 0 0 1 3 0 1 5 60%

16. Terra desnuda 0 0 0 0 0 0 0 1 1 0 0 0 0 0 0 3 1 6 50%

17. Áreas de transição 0 1 0 1 0 0 0 1 0 0 0 0 0 0 0 0 3 6 50%

Total: 6 3 9 7 6 2 1 9 8 3 1 2 6 4 3 6 6 82

Exatidão do produtor: 67% 67% 78% 71% 67% 100% 100% 67% 75% 100% 100% 50% 83% 75% 100% 50% 50%

ÍNDICE DE EXATIDÃO GLOBAL: 59 / 82 = 0,72 (72%) * E. U. - Exatidão do usuário

Outra questão relevante é que, apesar de ser comum a presença de substratos

arbóreos nas matas de encosta – uma vez que elas são mais desenvolvidas – , em alguns

casos, o ângulo de incidência da luz solar teve grande interferência no comportamento

destes alvos na imagem. Isto fez com que algumas parcelas dominadas por mata de

encosta fossem confundidas com áreas de mata alterada e restinga, seja esta alterada ou

não. Daí, julgamos que duas hipóteses podem ser estabelecidas para este caso: numa

delas, a mata poderia estar num estágio de sucessão e, pela ausência de vários estratos

arbóreos, teria apresentado um comportamento especular que elevou os índices de reflexão

(Campbell, 1987); noutra, teria prevalecido o comportamento espectral das folhas (Ponzoni

in Menezes & Netto, 2001), havendo, assim, um aumento da transmitância e

consequentemente da reflexão difusa. Mesmo observando o mosaico de fotografias aéreas,

fica difícil identificar quais processos predominaram. Na escolha das amostras prevaleceram

as informações que pudemos observar ao visitar nossa área de estudo.

As áreas de transição, devido à grande participação dos solos no comportamento

espectral do conjunto, foram freqüentemente confundidas com outras áreas mistas, como

campos destinados ao pastoreio e vias de circulação. Estas áreas, que por sua vez, também

se assemelham às áreas agrícolas (Anderson et alli, 1979), não permitiram a obtenção de

amostras suficientemente representativas para o processo de classificação e tal fato acabou

comprometendo os resultados para este tipo de cobertura. Ainda que Novo (1992)

argumente que dados orbitais do sistema LANDSAT permitam identificar culturas perenes

de anuais, optamos por agrupar as áreas agrícolas dentro de uma só classe, denominada

5757


Culturas Agrícolas, pois a única cultura bem destacada dentro da área de estudo é a da

Banana. Outra variável importante que pudemos observar em campo é que muito usos

agrícolas se encontram dentro de outras classes de uso, fato que aumentou as chances de

erro do classificador.

A classe Água também apresentou o mesmo comportamento do nível I, ou seja,

totalmente influenciada pela presença de sedimentos depositados no fundo ou em

suspensão. Esse tipo de mistura se repetiu nas classes abrangidas por terras úmidas e, por

esta razão, optamos novamente por criar uma legenda alternativa (B) para contornar os

problemas de mistura apresentados na legenda (A), proposta inicialmente.

Figura 2 – Partição Fuzzy da classe “vias de circulação”(Nível 2, legenda A), na qual é

possível identificar claramente as principais estradas da região.

Os critérios utilizados foram os mesmos do nível I, ou seja, aglutinamos as classes

que apresentaram misturas mais acentuadas. No entanto, esta decisão não foi tomada

apenas com base nas confusões apresentadas nas matrizes. Também levamos em conta os

resultados obtidos na primeira classificação do nível II, pois, em alguns casos, os resultados

apresentados nos mapas foram tão ou mais importantes do que os apresentados nas

matrizes de confusão. Tal fato pode ser observado na partição Fuzzy da classe Vias de

Circulação (figura 2). Apesar de ter apresentado muita mistura de pixels durante o

treinamento, as principais vias da área de estudo foram bem destacadas na imagem

classificada.

Assim, obtivemos uma Segunda legenda com 14 classes (Tabelas 8 e 9) mas ao

contrário do que aconteceu no do nível I, Áreas Urbanas e Terra Desnuda ficaram

separadas. Como as matas de restinga e de encosta são delimitadas basicamente pelo

5758


relevo, optamos por manter as classes que tratam das alterações em ambas. De certo

modo, estas áreas terminaram incluindo a categoria Áreas de Transição, categoria esta

muito difícil de ser definida na região. As áreas de mata de encosta também foram incluídas

numa categoria composta pelas sombras produzidas pelo relevo, uma vez que onde ele é

mais dissecado, predomina a mata de encosta.

Tabela 8 – Matriz de confusão das amostras de Campo Classificação pela Máxima Verossimilhança (nível 2 / legenda B) Referências de campo (colunas: verdade terrestre) e imagem classificada (linhas: classes mapeadas) Classes 1 2 3 4 5 6 7 8 9 10 11 12 13 14 Total E. U.* 1. Áreas urbanas 5 0 0 0 0 0 0 0 0 0 0 0 0 1 6 83% 2. Vias de circulação 1 3 0 1 0 0 0 0 0 0 0 0 0 1 6 50% 3. Mata de restinga 0 0 8 1 1 0 0 0 0 0 0 0 0 0 10 80% 4. Mata de restinga alterada 0 0 2 6 0 0 1 0 0 0 0 0 0 0 9 67% 5. Mata de encosta 0 0 0 0 5 0 0 0 0 0 0 0 0 0 5 100% 6. Mata de encosta (sombra) 0 0 0 0 0 1 0 0 0 0 0 0 0 0 1 100% 7. Mata de encosta alterada 0 0 0 0 0 0 1 1 0 0 0 0 0 0 2 50% 8. Culturas agrícolas 0 0 0 0 0 0 0 7 2 0 0 0 0 0 9 78% 9. Campos 1 0 0 0 0 0 0 3 6 0 0 0 0 0 10 60% 10. Água 0 0 0 0 0 0 0 0 0 2 0 0 0 0 2 100% 11. Água rasa 0 0 0 0 0 0 0 0 0 0 4 0 0 0 4 100% 12. Terra úmida 0 0 0 0 0 0 0 1 0 0 0 8 1 0 10 80% 13. Terra úmida florestada 0 0 0 0 0 0 0 0 0 0 0 0 3 0 3 100% 14. Terra desnuda 0 0 0 0 0 0 0 1 0 0 0 0 0 4 5 80% Total: 7 3 10 8 6 1 2 13 8 2 4 8 4 6 82 Exatidão do produtor: 71% 100% 80% 75% 83% 100% 50% 54% 75% 100% 100% 100% 75% 67% ÍNDICE DE EXATIDÃO GLOBAL: 63 / 82 = 0,77 (77%) * E. U. - Exatidão do usuário


Classificação Fuzzy (nível 2 / legenda B) Referências de campo (colunas: verdade terrestre) e imagem classificada (linhas: classes mapeadas) Classes 1 2 3 4 5 6 7 8 9 10 11 12 13 14 Total E. U.** 1. Áreas urbanas 5 1 0 0 0 0 0 0 0 0 0 0 0 1 7 71% 2. Vias de circulação 1 2 0 1 0 0 0 0 0 0 0 0 0 1 5 40% 3. Mata de restinga 0 0 8 0 1 0 1 0 0 0 0 0 0 0 9 89% 4. Mata de restinga alterada 0 0 2 6 0 0 0 1 0 0 0 0 0 0 10 60% 5. Mata de encosta 0 0 0 0 5 0 0 0 0 0 0 0 0 0 7 71% 6. Mata de encosta (sombra) 0 0 0 0 0 1 0 0 0 0 0 0 0 0 1 100% 7. Mata de encosta alterada 0 0 0 0 0 0 1 0 0 0 0 0 0 0 1 100% 8. Culturas agrícolas 0 0 0 0 0 0 0 9 3 0 0 0 0 0 12 75% 9. Campos 1 0 0 1 0 0 0 2 5 0 0 0 0 0 9 56% 10. Água 0 0 0 0 0 0 0 0 0 2 0 0 0 0 2 100% 11. Água rasa 0 0 0 0 0 0 0 0 0 0 4 0 0 0 4 100% 12. Terra úmida 0 0 0 0 0 0 0 1 0 0 0 8 0 0 9 89% 13. Terra úmida florestada 0 0 0 0 0 0 0 0 0 0 0 0 4 0 4 100% 14. Terra desnuda 0 0 0 0 0 0 0 0 0 0 0 0 0 4 4 100% Total: 7 3 10 8 6 1 2 13 8 2 4 8 4 6 82 Exatidão do produtor: 71% 67% 80% 75% 83% 100% 50% 69% 62% 100% 100% 100% 100% 67% ÍNDICE DE EXATIDÃO GLOBAL: 64 / 82 = 0,78 (78%) * E. U. - Exatidão do usuário

Por conta do fraco desempenho durante o treinamento, a categoria Mata Ciliar foi

suprimida e terminou sendo automaticamente incluída junto às áreas de Mata de Encosta.

Isto decorre do fato de que o comportamento espectral de ambas as áreas é praticamente o

5759


mesmo, restando como critérios de separação a textura e a forma, que são muito difíceis de

serem identificadas na resolução espacial que estamos trabalhando.

É importante salientar que a opção por esta nova hierarquia também foi uma maneira

de não nos distanciarmos tanto da proposta estabelecida por Anderson et alli (1979) para o

segundo nível de classificação.

Com relação aos índices de exatidão obtidos, houve uma queda sensível em relação

ao nível I, principalmente quando comparamos a classificação com as referências de campo.

Os índices globais que, no nível I, ficaram acima da casa dos 80%, caíram sensivelmente.

Utilizando-se o algoritmo MAXVER, obtivemos um índice de exatidão global de 69% com a

legenda A, e de 77% com a legenda B. Contrariando os resultados do primeiro nível, o

método Fuzzy apresentou melhor desempenho do que o método da Máxima

Verossimilhança. Mesmo assim, os índices globais de exatidão ficaram em 72% na legenda

A, e 78% na legenda B. As misturas mais acentuadas foram observadas nas classes

preenchidas por usos mistos – como as terras urbanas, as terras desnudas e as vias de

circulação – e as áreas cobertas por vegetação transitória – como campos e plantações.

5.4. Quanto ao sistema de classificação

O sistema proposto por Anderson et alli (1972) para nível I se mostrou de certa

maneira adequado, pois verificamos que a separação de 6 classes de uso e revestimento da

terra feita a partir de imagens oriundas do satélite LANDSAT é perfeitamente possível. Além

disso, na Legenda A, todos os índices de exatidão estiveram acima de 85%, valor que

Anderson et alli (1979) consideram aceitável para que o sistema de classificação seja viável.

A questão que se levanta é o uso de uma legenda adequada à região que se quer mapear,

pois, em nosso caso, a implantação de uma legenda alternativa exerceu grande influência

no aumento da exatidão final do mapa.

Com relação à proposta inicial para o nível II, não foi possível estabelecer índices

acima de 85% e entendemos que, em nossa área de estudo, é praticamente impossível

identificar e classificar com precisão, todas as categorias propostas por Anderson et alli

(1972) para este nível, utilizando-se de imagens geradas pelo satélite LANDSAT.

5760


Figura 3 – Imagens resultantes da partição Fuzzy das classe Tera Úmida e Terra Úmida

Florestada, que apresentaram boa individualização das coberturas.

Esta afirmação se deve ao fato de acreditarmos que o aumento da resolução espacial,

diferente da espectral, seja crucial para atender a legenda proposta pela USGS. Mesmo

porque, com este incremento podemos melhorar a qualidade das amostras, diminuindo,

assim, as chances de mistura que foi o maior problema encontrado na classificação.

Isto não quer dizer que temos de trabalhar apenas com 6 categorias. Devemos, sim,

trabalhar com aquelas que permitem separação, como mostraram as terras úmidas (figura

3). Além do mais, a construção da legenda depende basicamente do fenômeno que

queremos mapear e sempre irá variar de acordo com o que o pesquisador julgar ser mais

necessário.

Considerações finais

Consideramos que os resultados obtidos com as classificações foram amplamente

satisfatórios sendo, em alguns casos, surpreendentes. Principalmente no que diz respeito às

imagens geradas pelo classificador BAYCLASS. Comparando-se os dois níveis, observamos

que os resultados ficaram muito próximos, tanto num método de classificação como no

outro. Entretanto, diferente do que afirma Wang (1990), não foi possível obter com o método

Fuzzy um acréscimo significativo em relação ao método tradicional. Ele só superou o

método da Máxima Verossimilhança no nível II, nas legendas A e B. Como os índices de

exatidão do processo de classificação foram inferiores tanto na Legenda C do nível II, como

no nível I, é muito provável que o número de classes tenha interferido nos resultados. Ou

seja, o desempenho da classificação baseada na concepção Fuzzy foi melhor quando o

número de classes foi maior.

5761


O que mais nos chamou a atenção neste método de classificação foram as partições

Fuzzy, imagens de cada classe de uso e revestimento da terra geradas pelo classificador. É

possível identificar facilmente, por exemplo, nas partições que compreendem as vias de

circulação, o traçado das principais estradas do da região, principalmente as vias

pavimentadas.

As categorias abrangidas por terrenos alagados também apresentaram resultados que

nos surpreenderam. Distintamente das experiências de Stewart e Brooks (1980), estas

classes puderam ser bem individualizadas, tanto no nível I como no nível II, apresentando,

inclusive, um alto grau de exatidão nas matrizes. Além disso, as terras desnudas presentes

nos banhados puderam ser bem individualizadas em razão da diminuição da reflectância do

solo, causada pela presença da água (Netto, 2001). Isso pode ser observado na classe

Água Rasa. Com a obtenção de apenas algumas amostras, os bancos de areia presentes

no mar de Cananéia e alguns tanques de criação mais interiores foram destacados quase

que por completo.

Outra questão inerente a estes domínios refere-se ao fato de que a confusão entre

extratos arbóreos foi muito menor nas planícies dominadas por manguezais. A confusão

entre classes ligadas à terra úmida e às áreas de mata foi praticamente nula. Nas áreas

florestais que não se encontram sob o efeito das marés há muita mistura. Nas áreas

florestais freqüentemente banhadas, a mistura é muito pequena.

Estes resultados também mostraram que a definição dos índices de pertinência, que

determinam o grau de associação de uma classe com outra, foram bastante coerentes com

as características da área em estudo, o que demonstra que a soma das informações de

campo com as informações geradas nas matrizes de erros dos treinamentos fornecem

informações suficientes para a realização da classificação Fuzzy.

Agradecimentos

Ao CNPQ pelo apoio financeiro dado para a realização desta pesquisa.

REFERÊNCIAS ANDERSON, J. R.; HARDY, E. E.; ROACH, J. T.; WITMER. Sistemas de classificação do uso da terra e do revestimento do solo para utilização com dados de sensores remotos. Rio de Janeiro: IBGE, 1979, p. 13-62.

ANTUNES, A. F. B. & LINGNAU, C. O uso de índices de acurácia para avaliação de mapas temáticos obtidos por meio de classificação digital. Centro integrado de estudos em geoprocessamento, Curitiba, 1997. Disponível em: <http://www.cieg.ufpr.br> Acesso em: 28 out. 2004.

BOLFE, E. L. ; FONSECA, E. L. ; PEREIRA, R. S. ; MADRUGA, P.R.A. Verificação da exatidão em classificação digital de povoamentos florestais em imagem orbital mediante três índices. SIMPÓSIO BRASILEIRO DE SENSORIAMENTO REMOTO, 11.; 2003, Belo Horizonte. Anais... Belo Horisonte: INPE, 2003, p. 2671-2677.

5762


BONETTI FILHO, J. Sensoriamento remoto aplicado à análise de ambientes costeiros impactados – avaliação metodológica: baixada santista. 1996. Tese (doutorado em oceanografia) – Faculdade de Filosofia, Letras e Ciências Humanas, Universidade de São Paulo.

CAMPBELL, J. B. Introduction to remote sensing. New York: Guilford Press, 1987, 550 p.

CIBULA, W. G. & NYQUIST, M. O. Use of topographic and climatlogical models in a geographical data base to improve LANDSAT MSS classification for Olympic National Park. Photogrammetric Engineering and Remote Sensing, Bethesda, v. 53, n. 1, p. 67-95, 1987.

EASTMAN, J. R. Idrisi 32: guide to GIS and image processing, v. 1. Worcester: Clark Labs, 1999, 191 p.

EASTMAN, J. R. ; McKENDRY, J. E. ; FULK, M. A. Change and time series analysis. In: Information in geographic information sytems technology. 2. ed. Genebra: UNITAR, v. 1, p. 21-34, 1995.

FISHER, Peter F. Visualization of reliability in classified remotely sensed images. Photogrammetric Engineering and Remote Sensing, Bethesda, v. 60, n. 7, p. 905-910, 1994.

FRANK, Rhoms D. – Mapping dominat vegetation communities in Colorado Rocky Mountain front range with LANDSAT Thematic Mapper and digital terrain data. Photogrammetric Engineering and Remote Sensing, Bethesda, v. 54, n. 12, p. 1727-1734, 1988.

ILHA DE CANANÉIA: carta topográfica, folha SG-23-V-A-IV-3. Rio de Janeiro: IBGE, 1974. Escala 1:50.000

INSTITUTO FLORESTAL (São Paulo, SP). Programa de Proteção da Mata Atlântica: fotografias aéreas. São Paulo, Fx. 2829, n. 31, 32, 33, 34. Escala 1:25.000.

JENSEN, John R. Introductory digital image processing: a remote sensing perspective. 2. ed. Upper Saddle River: Prentice-Hall, 1996, 318 p.

KLÖDITZ, C.; Boxtel, A.; Carfagna, E.; Deursen, W. – Estimating the accuracy of coarse scale classification using high scale information. Photogrammetric Engineering and Remote Sensing, Bethesda, v. 64, n. 2, p. 127-133, 1998.

KOFFLER, Natalio F. Técnicas de sensoriameno remoto orbital aplicadas ao mapeamento de vegetação e uso da terra. Geografia, Rio Claro, v. 17, n. 2, p. 1-26, 1992.

LANDSAT 7 ETM +. São José dos Campos: Instituto Nacional de Pesquisas Espaciais, 2000. Imagem de Satélite. Canais 1, 2, 3, 4, 5 e 7. Resolução espacial 30 m.

MASCARO, S. A. Evolução espaço-temporal do uso e cobertura do solo nas estâncias turísticas de Avaré e Paranapanema, no reservatório de Jurumirim (SP). 2004. Dissertação (Mestrado em Geografia) – Instituto de Geociências e Ciências Extas, Universidade Estadual Paulista.

MENEZES, R & NETTO, J. S. M. (ORG.). Sensoriamento remoto: reflectância dos alvos naturais. 1. ed. Brasília: Editora Universidade de Brasília/Embrapa Cerrados, 2001, 262 p.

NOVO, Evelyn M. L. M. Sensoriamento remoto. 2. ed. São Paulo: Edgard Blücher, 1992, 308 p.

PETRONE, Pasquale. A baixada do Ribeira: estudo de geografia humana. São Paulo: FFLCH/USP, 1966, 366 p.

RAISZ, Erwin. Cartografia Geral. Rio de Janeiro: Editora Científica, 1969, p.7-46.

RICHARDS, J. A. & JIA, X. Remote sensing digital image analysis: an introduction. 3. ed. Berlin: Springer, 1998, 363 p.

STEWART, W. R. & Brooks, P. D. – Inland (non-tidal) wetland mapping. Photogrammetric Engineering and Remote Sensing, Bethesda, v. 46, n. 5, p. 617-628, 1980.

VALERIANO, Dalton M. Processamento digital de dados do MSS-LANDSAT aplicado ao mapeamento da cobertura da terra da planície costeira do rio Tubarão, S.C.: metologogia e estimativa de exatidão de classificação. 1985. Dissertação (Mestrado em Sensoriamento Remoto) – Insituto Nacional de Pesquisas Espaciais de São José dos Campos. 73 p.

WANG, F. – Fuzzy supervised classification of remote sensing images. IEEE Transactions on Geoscience and Remote Sensing, New York, v. 28, n. 2, p. 194-201, 1990.

ANEXOS

5763


5764


5765

Documents

AVALIAÇÃO DA EXATIDÃO DE CLASSIFICADORES AUTOMÁTICOS …€¦ · revestimento do solo possa utilizar com eficiência dados de sensores remotos orbitais e de grande altitude (Anderson