Geoprocessamento unidade 3

Prévia do material em texto

24/10/2020 Ead.br
https://fmu.blackboard.com/webapps/late-Course_Landing_Page_Course_100-BBLEARN/Controller 1/60
GEOPROCESSAMENTOGEOPROCESSAMENTO
GEOPROCESSAMENTO EGEOPROCESSAMENTO E
SENSORIAMENTO REMOTO:SENSORIAMENTO REMOTO:
TÉCNICAS E APLICAÇÕESTÉCNICAS E APLICAÇÕES
Autor: Me. Francieli Sant’ana Marcatto
R e v i s o r : K e l l y C r i s t i n a d e M e l o
I N I C I A R
24/10/2020 Ead.br
https://fmu.blackboard.com/webapps/late-Course_Landing_Page_Course_100-BBLEARN/Controller 2/60
introduçãoIntrodução
A evolução tecnológica das últimas décadas e a obtenção de imagens de satélites e dados geográ�cos cada
vez mais precisos enriqueceram a possibilidade de utilização das imagens de sensoriamento remoto (SR) e
das técnicas de geoprocessamento, sendo crescente o seu uso no monitoramento socioambiental, no
planejamento urbano e na gestão pública.
Nesta unidade, conheceremos um pouco mais sobre algumas técnicas utilizadas no tratamento de imagens
de sensoriamento remoto e de que maneira elas podem ser interpretadas e classi�cadas com a �nalidade de
mapeamentos diversos. Além disso, estudaremos algumas aplicações do SR e das técnicas de
geoprocessamento para a elaboração de mapas de uso e ocupação do solo, a obtenção dos dados de
altimetria, a produção de mapas de declividade e a geração de per�s de elevação e curvas de nível.
24/10/2020 Ead.br
https://fmu.blackboard.com/webapps/late-Course_Landing_Page_Course_100-BBLEARN/Controller 3/60
As imagens obtidas por meio dos sensores remotos precisam ser processadas para melhorar a sua qualidade
espectral e espacial, para, posteriormente, serem analisadas. A necessidade do pré-processamento se dá em
função de erros e defeitos que ocorrem no momento da coleta da imagem, seja por defeitos apresentados no
sensor, pela instabilidade da plataforma onde o sensor se localiza ou por fontes externas, como a atmosfera.
Pré-Processamento dePré-Processamento de
Imagens: Correções dasImagens: Correções das
DistorçõesDistorções
24/10/2020 Ead.br
https://fmu.blackboard.com/webapps/late-Course_Landing_Page_Course_100-BBLEARN/Controller 4/60
O pré-processamento das imagens busca reduzir tais erros, introduzindo correções nas imagens, entre elas a
correção geométrica, que será estudada no item a seguir.
Correção Geométrica de Imagens
A correção geométrica das imagens de satélite de sensoriamento remoto é uma forma de remover os erros
sistemáticos que ocorrem nas imagens. Essas correções são realizadas em duas fases distintas, segundo
Meneses e Almeida (2012):
Primeira fase: são corrigidas as distorções geométricas sistemáticas ocasionadas no momento da
coleta de imagens. Essas distorções podem ser ocasionadas pela rotação, inclinação e curvatura da
Terra ou pela instabilidade da plataforma. Como a correção geométrica exige o conhecimento das
fontes de erro, no momento da aquisição da imagem, a sua correção é realizada pelos laboratórios
de produção de imagens, e não pelo usuário, que não tem acesso a elas.
Segunda fase: refere-se à correção das distorções ocasionadas pela visão cônica dos sensores.
Essa fase é realizada pelo usuário e tem por objetivo inserir um sistema de projeções na imagem,
para que o alvo possa ser localizado geogra�camente. Esse é o processo que chamamos de
georreferenciamento de imagens, no qual ocorrem transformações geométricas que relacionam
as coordenadas espaciais da imagem e as coordenadas geográ�cas de cartas topográ�cas.
Reconhecidas as duas fases de correções de imagens de satélite, vamos conhecer um pouco mais sobre a
correção geométrica.
24/10/2020 Ead.br
https://fmu.blackboard.com/webapps/late-Course_Landing_Page_Course_100-BBLEARN/Controller 5/60
As distorções geométricas ocorrem quando há uma mudança de posição do pixel dentro da grade. O pixel
representa uma amostragem do terreno (uma área unitária) onde foi medida a radiância dos alvos contidos,
sendo que o valor digital do pixel é a medida da radiância, emitância ou retroespelhamento dos alvos
(MENESES; ALMEIDA, 2012).
Para compreender melhor, é necessário entender que uma imagem é formada por linhas sequenciais de
pixels, dispostas umas sobre as outras, sucessivamente. De acordo com Meneses e Almeida (2012), como,
geralmente, a resolução espacial de determinado terreno é quadrada, a formatação de uma imagem ocorre
com o arranjo dos pixels em uma grade.
Como vimos, as fontes de distorções geométricas têm origens diversas e as suas correções ocorrem a partir
de modelos matemáticos que corrigem a localização do pixel. Como a correção do pixel exige conhecimento
especí�co das fontes de distorção, abordaremos, nesta unidade, somente as correções por meio de
coordenadas geográ�cas, que são realizadas pelo próprio usuário, sendo um procedimento de fácil execução
e que não requer conhecimentos especí�cos acerca dos erros inerentes à obtenção da imagem.
Georreferenciamento de Imagens
Para realizar a correção geométrica por meio de coordenadas geográ�cas, o usuário seleciona pontos da
área de estudo e associa cada um deles às coordenadas geográ�cas, em um determinado sistema de
referência. Esse processo é denominado de georreferenciamento e, após a sua realização, os pixels terão
coordenadas geográ�cas.
24/10/2020 Ead.br
https://fmu.blackboard.com/webapps/late-Course_Landing_Page_Course_100-BBLEARN/Controller 6/60
Segundo Meneses e Almeida (2012), o georreferenciamento pode ser realizado de diversas formas, sendo
que a mais comum consiste em relacionar a posição dos pixels de uma imagem às suas coordenadas
correspondentes no terreno, feito com a utilização de cartas topográ�cas. Os pontos selecionados para essa
relação são chamados de pontos de controle e devem ter feições claras e facilmente identi�cáveis nas
imagens de satélite e nas cartas topográ�cas, como as curvas de uma estrada, as obras urbanas de
engenharia e as feições agrícolas (Figura 3.1).
É interessante que tenha um grande número de pontos de controle e que eles estejam bem distribuídos ao
longo da imagem, para aumentar a con�abilidade do resultado. Após relacionar os pontos de controle na
imagem e na carta topográ�ca, são estabelecidas relações matemáticas polinomiais entre os pontos de
controle de ambas, gerando uma imagem geometricamente corrigida.
O estabelecimento de relações entre os pontos de controle da carta e da imagem possuem erros associados
à localização dos pontos, porque, ao localizar um ponto, em ambos os produtos, ela não é exatamente a
mesma. Assim, é possível veri�car quais os pontos de controle se ajustam melhor no processo de
transformação e possuem menor erro.
Figura 3.1 - Seleção de pontos de controle na imagem e no mapa. 
Fonte: Meneses e Almeida (2012, p. 95).
24/10/2020 Ead.br
https://fmu.blackboard.com/webapps/late-Course_Landing_Page_Course_100-BBLEARN/Controller 7/60
Para isso, é calculado o erro quadrático médio (EQM), mais conhecido como RMS (root mean square), que
calcula a distância de cada um dos pontos de controle em relação à curva polinomial. Meneses e Almeida
(2012) a�rmam que o resultado é expresso em pixels, ou seja, o pixel transformado está a x pixels do de
referência.
Para resolver esse problema pode-se adicionar mais pontos de controle próximos ao local onde o valor RMS
é elevado ou descartar o ponto de menor precisão, considerando que o número de pontos de controle
realizados na imagem é su�ciente.
24/10/2020 Ead.br
https://fmu.blackboard.com/webapps/late-Course_Landing_Page_Course_100-BBLEARN/Controller 8/60
A tolerância de erro RMS depende da resolução da imagem. De acordo com Meneses e Almeida (2012), para
imagens ópticas com pixel de 30 m, o erro RMS deve ser ≤ 2 pixels (60 metros); para mapas na escala de
reflitaRe�ita
Após a realização do georreferenciamento de uma
imagem e o cálculo do RMS total (de todos os pontos),
você deve re�etir: qual o melhor caminho a tomar para
resolver a imprecisão dos pontos? Se os valores RMS
estiverem fora dos padrões tolerados, conformecitado
acima, pode-se adicionar mais pontos de controle.
Entretanto, é muito difícil um ajuste perfeito dos
pontos de controle, assim, o recomendável é tolerar
certa quantidade de erro.
Fonte: Elaborado pela autora.
24/10/2020 Ead.br
https://fmu.blackboard.com/webapps/late-Course_Landing_Page_Course_100-BBLEARN/Controller 9/60
1:25.000, a precisão deve ser de 20 m; no GPS deve ser de, aproximadamente, 10 m.
praticarVamos Praticar
A correção geométrica de imagens de sensoriamento remoto tem por objetivo principal a correção de erros
sistemáticos associados à obtenção da imagem. Sobre esse tipo de correção, assinale a alternativa correta.
a) Na correção geométrica, o usuário é o responsável por corrigir distorções causadas pela rotação,
inclinação e curvatura da Terra.
b) O georreferenciamento é o processo no qual são identi�cados os elementos presentes na imagem e são
atribuídos signi�cados a eles.
c) Os pontos de controle utilizados no georreferenciamento de uma imagem devem ser concentrados em
uma única área, para minimizar erros.
d) O georreferenciamento de uma imagem é um processo de grande exatidão e, após a sua realização, os
erros de posição dos pixels é inexistente.
24/10/2020 Ead.br
https://fmu.blackboard.com/webapps/late-Course_Landing_Page_Course_100-BBLEARN/Controller 10/60
e) O RMS é utilizado para avaliar o erro de localização dos pixels e o seu resultado é expresso em números de
pixels.
24/10/2020 Ead.br
https://fmu.blackboard.com/webapps/late-Course_Landing_Page_Course_100-BBLEARN/Controller 11/60
A interpretação de uma imagem de satélite requer conhecimentos especí�cos sobre o comportamento
espectral do alvo e de elementos essenciais à interpretação, como as formas, a textura, a tonalidade, a cor, o
padrão, entre outros. A partir da interpretação de uma imagem, parte-se para a sua classi�cação, atribuindo
a cada objeto um signi�cado e inserindo-os em classes com as mesmas signi�cações.
Princípios daPrincípios da
Interpretação eInterpretação e
Classi�cação de ImagensClassi�cação de Imagens
24/10/2020 Ead.br
https://fmu.blackboard.com/webapps/late-Course_Landing_Page_Course_100-BBLEARN/Controller 12/60
Interpretação de Imagens e Comportamento
Espectral de Alvos
As imagens de satélite contêm uma série de informações que, quando corretamente interpretadas, possuem
utilidades diversas. Assim, os elementos contidos em uma imagem possuem signi�cados e, ao interpretar as
imagens, são dados signi�cados aos elementos representados, gerando um mapa temático. Por exemplo,
quando se reconhece, em uma imagem, uma cidade ou um determinado tipo de cultivo agrícola, signi�ca
dizer que a imagem está sendo interpretada e, ao �nal, poderá ser elaborado um mapa de uso da terra.
Segundo Florenzano (2011), a interpretação de imagens pode ocorrer em formato digital, utilizando um
software de imagem e um SIG, em que os objetos são identi�cados diretamente no computador, ou feita à
mão, colocando uma folha transparente sobre uma imagem impressa e fazendo os contornos dos elementos
identi�cados sobre o papel. Entretanto, existem softwares que fazem a interpretação de imagens, gerando
mapas automaticamente, mas é necessário que o usuário saiba interpretar uma imagem para avaliar a
classi�cação automática.
Para interpretar uma imagem, é necessário reconhecer alguns elementos essenciais à interpretação, como:
textura, tonalidade, cor, tamanho, forma, sombra, localização e padrão. Esses elementos comportam-se de
maneira distinta, dependendo do comportamento espectral do alvo.
Vamos conhecer um pouco mais sobre cada um desses elementos, a seguir.
24/10/2020 Ead.br
https://fmu.blackboard.com/webapps/late-Course_Landing_Page_Course_100-BBLEARN/Controller 13/60
Textura: segundo Florenzano (2011), percebemos a textura quando se associa ao aspecto liso ou
rugoso dos objetos; e é muito utilizada para identi�car as formas de relevo. Por exemplo, um
relevo dissecado resultará em uma imagem com textura rugosa, enquanto um relevo plano terá
um aspecto liso. Também é possível identi�car as diferenças em relação à cobertura vegetal. Uma
área de cultivo agrícola tem textura mais lisa do que uma área de mata, por exemplo.
Tonalidade: segundo Florenzano (2011), a tonalidade é utilizada para a interpretação de imagens
em preto e branco. Nesse produto, os objetos são representados por diferentes tons, que variam
entre o branco e o preto. A tonalidade vai depender da quantidade de luz que o objeto vai re�etir
(re�ectância), ou seja, quanto mais luz re�etir, mais próximo �cará do branco.
Cor: é utilizada na interpretação de imagens coloridas. Assim, como a tonalidade, a cor depende
da re�ectância do objeto e da mistura entre cores.
Tamanho: o tamanho também é utilizado para distinguir os objetos, dependendo da escala da
imagem. Por exemplo, é possível perceber a diferença entre uma casa e uma indústria ou entre
uma cidade pequena e uma grande.
Forma: segundo Florenzano (2011), a forma refere-se às distintas formas que os objetos possuem
e que facilitam a sua identi�cação. As casas e indústrias possuem formas geométricas (quadrados
ou retângulos) regulares, e os rios possuem formas lineares. Em geral, as formas regulares se
associam a elementos humanos e as formas irregulares a elementos naturais.
Sombra: é utilizada para estimar a altura de objetos.
Localização: segundo Florenzano (2011), saber a localização geográ�ca dos objetos facilita a
interpretação da imagem e torna possível interpretá-la com muito mais detalhes. É possível
distinguir, por exemplo, uma área de vegetação de cerrado de uma área de vegetação de caatinga,
visto que ocorrem em áreas geográ�cas distintas.
24/10/2020 Ead.br
https://fmu.blackboard.com/webapps/late-Course_Landing_Page_Course_100-BBLEARN/Controller 14/60
Padrão: associa-se ao arranjo dos objetos. Em imagens de boa resolução espacial, é possível
identi�car uma área ocupada por uma favela e uma área residencial de luxo, pois a organização das
casas e das ruas possui padrões distintos.
Como vimos, a identi�cação dos objetos em uma imagem de satélite depende muito do seu comportamento
espectral. Os objetos re�etem diferentes quantidades de energia, dependendo das suas características
físicas, químicas e biológicas, em determinadas faixas do espectro eletromagnético (azul, verde, vermelho e
infravermelho próximo). Assim, conhecer o comportamento espectral dos alvos facilita a escolha das bandas
a serem utilizadas para estudar um objeto.
De acordo com Ponzoni e Shimabukuro (2009), a re�ectância refere-se à capacidade de re�exão da radiação
eletromagnética de um determinado objeto. Ela é obtida a partir do cálculo de fatores de re�ectância, que
consideram a intensidade de radiação re�etida e a intensidade de radiação incidente em determinada faixa
do espectro eletromagnético.
Para entender melhor, observe a Figura 3.2, que retrata o percentual de re�ectância de alvos em diferentes
comprimentos de ondas. Ao analisar a areia, por exemplo, veri�ca-se que ela re�ete menos energia na faixa
do vermelho (600 – 700 nm), com cerca de 25% comparados ao infravermelho próximo (700 – 900 nm), que
chega a re�etir 35%. Se quisermos diferenciar um solo argiloso de um arenoso, sabemos que, na faixa do
infravermelho próximo, o solo arenoso irá re�etir mais energia do que o solo argiloso. 
24/10/2020 Ead.br
https://fmu.blackboard.com/webapps/late-Course_Landing_Page_Course_100-BBLEARN/Controller 15/60
Além disso, ao comparar dois objetos em uma mesma faixa espectral, eles podem ter comportamentos iguais,
mas, ao mudar a faixa espectral, podem re�etir quantidades de energia distintas, diferenciando-se na
imagem. Dessa forma, reconhecer o comportamento espectral do objeto que deseja identi�car e mapear
facilita a interpretação da imagem e a geração do mapa.
Comportamento Espectral da Vegetação e os Índices de
Vegetação
Como vimos, cada objeto da superfície terrestre possui distintos comportamentos espectrais, e com avegetação não é diferente. Ela constitui-se em um dos alvos mais complexos analisados pelas técnicas de
sensoriamento remoto. Parte dessa complexidade se dá pela estrutura interna das folhas e sua composição
química, que respondem à indecência da radiação eletromagnética de formas distintas.
Partindo dessa complexidade, os estudiosos da área buscaram propor índices de vegetação capazes de
explorar as características espectrais da vegetação. Esses índices relacionam-se a parâmetros biofísicos da
vegetação, como o índice de área foliar e a biomassa foliar, e buscam corrigir outros fatores que interferem
sobre a re�ectância, como a declividade da superfície, a geometria da aquisição e os efeitos de iluminação da
imagem (PONZONI; SHIMABUKURO, 2009).
24/10/2020 Ead.br
https://fmu.blackboard.com/webapps/late-Course_Landing_Page_Course_100-BBLEARN/Controller 16/60
Para Jensen (2009), é importante entender que os índices de vegetação são medidas radiométricas
adimensionais que buscam avaliar as propriedades da vegetação, utilizando as regiões do vermelho e do
infravermelho, em função da menor interferência atmosférica e da absorção da cloro�la nessas bandas. O
seu desenvolvimento parte do princípio de que a vegetação responde de forma distinta nas bandas do
vermelho e do infravermelho próximo, fazendo com que esses índices combinem as informações obtidas
nessas duas regiões (PONZONI; SHIMABUKURO, 2009).
São diversos os índices de vegetação disponíveis, sendo que os mais conhecidos e utilizados são: índice de
vegetação da razão simples (SR); índice de vegetação da diferença normalizada (NDVI); índice de vegetação
melhorado (EVI); índice global de monitoramento ambiental (GEMI), e índice de vegetação ajustado para o
solo (SAVI). Conheceremos, a seguir, um pouco mais sobre cada um deles.
Índice de vegetação da razão simples (SR): foi o primeiro índice de vegetação utilizado. Segundo
Ponzoni e Shimabukuro (2009), esse índice é determinado pela divisão do fator de re�ectância
bidirecional (FRB) na região do infravermelho próximo, pelo fator de re�ectância bidirecional na
região do vermelho. É determinado por meio da seguinte equação:
Sendo:
IVP = re�ectância no infravermelho próximo
V = re�ectância no vermelho
SR = IV P
V
24/10/2020 Ead.br
https://fmu.blackboard.com/webapps/late-Course_Landing_Page_Course_100-BBLEARN/Controller 17/60
Índice de vegetação da diferença normalizada (NDVI): foi proposto por Rouse et al. (1973) e é um
dos índices mais utilizados, pois realiza a normalização da razão simples. É encontrado pela divisão
entre a re�ectância da banda no infravermelho próximo pela re�ectância na região do vermelho,
variando entre os intervalos de -1 e +1, sendo que, quanto maior o valor, mais densidade e vigor a
vegetação apresentará.
É determinado pela equação:
Sendo:
IVP = re�ectância no infravermelho próximo
V = re�ectância no vermelho
Índice de vegetação melhorado (EVI): segundo Ponzoni e Shimabukuro (2009), esse índice foi
desenvolvido com o objetivo de melhorar o sinal da vegetação, aumentando a sensibilidade na
detecção de regiões com maior densidade de biomassa. Além disso, buscou reduzir a in�uência da
atmosfera e do solo na resposta do dossel.
O cálculo do índice é determinado por:
NDV I  =
(IV P   V )
(IV P+V )
EV I =
G (IV P   V )
IV P  + C1 ∗ V  − C2 ∗ A + L
24/10/2020 Ead.br
https://fmu.blackboard.com/webapps/late-Course_Landing_Page_Course_100-BBLEARN/Controller 18/60
Sendo:
G = fator de ganho, utiliza-se, geralmente, 2,5
IVP = re�ectância no infravermelho próximo
V = re�ectância no vermelho
C1 e C2 = coe�cientes de correção da atmosfera nas bandas do vermelho e do azul, respectivamente
A = re�ectância no azul
L = fator de ajuste do solo
Os coe�cientes C1, C2 e L foram empiricamente determinados com valores iguais a: C1 = 6,0; C2 = 7,5 e L =
1,0 (JENSEN, 2009).
Índice global de monitoramento ambiental (GEMI): foi criado a partir de estudos sobre a
in�uência da atmosfera no NDVI e no SR e tem como objetivo reduzir essa in�uência no resultado
�nal desse índice. Segundo Ponzoni e Shimabukuro (2009), esse índice tem como características: a
transmissão (razão entre o índice de vegetação no topo da atmosfera e o seu valor na superfície
terrestre) deve ser insensível aos diferentes valores do índice e às variações de espessura óptica
da atmosfera; deve ter uma ampla faixa de variação e ser representativo empiricamente da
cobertura vegetal, sendo comparável ao NDVI e ao SR.
24/10/2020 Ead.br
https://fmu.blackboard.com/webapps/late-Course_Landing_Page_Course_100-BBLEARN/Controller 19/60
Sua equação é dada por:
Sendo:
IVP = re�ectância no infravermelho próximo
V = re�ectância no vermelho
Índice de vegetação ajustado para o solo (SAVI): buscou reduzir o efeito do solo sobre o resultado
�nal do índice. Para isso, criou um fator de ajuste (L) que atuaria nessa correção.
A equação para sua determinação é dada por:
Sendo:
IVP = re�ectância no infravermelho próximo
V = re�ectância no vermelho
GEMI  =  n  (1  0, 25n)   ∗ ( )(V  − 0,125)
(1 − V )
N   =  2 ∗  
(IV P  − V ) + 2,5 IV P  + 0,5 V
(IV P  + V  + 0,5)
SAV I  =   [ ] ∗   (1  +  L)(IV P   V )
(IV P  + V  + L)
24/10/2020 Ead.br
https://fmu.blackboard.com/webapps/late-Course_Landing_Page_Course_100-BBLEARN/Controller 20/60
L = fator de correção do solo, que varia entre 0 e 1.
Segmentação e Classi�icação de Imagens
A segmentação e classi�cação de imagens são processos que estão diretamente relacionados. De acordo
com Costa (1998), muitos métodos utilizados na classi�cação de imagens usam a segmentação, e o mesmo
ocorre em sentido contrário, isto é, a segmentação pode utilizar as técnicas de classi�cação.
Segundo Florenzano (2011), a segmentação é realizada antes de classi�car uma imagem e tem por objetivo
separá-la em regiões espectrais que tenham homogeneidade, ou seja, é realizada a junção dos pixels que
tenham características semelhantes.
A segmentação pode ocorrer manualmente ou de forma automática. A forma manual consiste em criar na
imagem polígonos com regiões homogêneas, como é feita na fotointerpretação de imagens. Segundo Brites,
Bias e Rosa (apud MENESES; ALMEIDA, 2012), em relação à forma automática, ela é realizada a partir de
dados quantitativos e produz bons resultados, sendo a mais utilizada para processar uma imagem.
Para realizar a segmentação é utilizado um algoritmo que de�ne regiões homogêneas na imagem e a prepara
para ser classi�cada com base nas regiões, e não nos valores dos pixels. A partir da segmentação, a
classi�cação pode gerar produtos com maior exatidão, pois utiliza as condições texturais da imagem,
tornando-se mais qualitativa.
24/10/2020 Ead.br
https://fmu.blackboard.com/webapps/late-Course_Landing_Page_Course_100-BBLEARN/Controller 21/60
Existem, atualmente, vários tipos de algoritmos que podem ser utilizados na segmentação de imagens,
�cando a cargo do usuário a de�nição do tamanho dos polígonos gerados e do limiar de similaridade entre os
pixels. É um processo que exige várias tentativas até que o resultado seja satisfatório, sendo que quanto mais
heterogênea é a área, mais complexa se torna a classi�cação.
Em relação à classi�cação de imagens, ela é feita a partir da associação de um pixel ou grupo de pixels a um
tema, que descreve um objeto real, como a vegetação, o solo, os rios e as rochas. A de�nição dos temas é
realizada a partir dos valores numéricos de cada pixel, determinados pela maior ou menor re�ectância do
objeto. Segundo Crósta (2002), o resultado dessa classi�cação é obtido um mapa temático que mostra a
localização e distribuição geográ�ca de um tema, como a urbanização, a vegetação ou os tipos de uso da
terra.
Existem diversos métodos de classi�cação que podem ser divididos por distintos critérios, como as
classi�cações paramétricas e não paramétricas, a classi�cação supervisionada e não supervisionada e a
classi�cação espectral e espacial (MENESES; SANO apud MENESES; ALMEIDA,2012). A maioria dos
classi�cadores conhecidos hoje utiliza a classi�cação pixel a pixel, que se caracteriza por utilizar somente as
características espectrais dos pixels e, a partir disso, de�nir áreas homogêneas. Existe, também, a
classi�cação por regiões, que considera, além da informação espectral do pixel, a informação espacial e a
relação com os vizinhos (MENESES; SANO apud MENESES; ALMEIDA, 2012; INPE, 2008).
Conheceremos, nesta unidade, dois dos principais classi�cadores de imagens utilizados em softwares de
processamento de imagem: a classi�cação supervisionada e a classi�cação não supervisionada.
24/10/2020 Ead.br
https://fmu.blackboard.com/webapps/late-Course_Landing_Page_Course_100-BBLEARN/Controller 22/60
Classi�icação Supervisionada
Nesse tipo de classi�cação, é o usuário que cria as amostras (áreas de treinamento) com as classes
espectralmente representativas, identi�cando os pixels e associando-os aos temas (ou classes). Após a
escolha, é o algoritmo de classi�cação que localiza os demais pixels e os classi�ca como pertencentes às
classes prede�nidas (FLORENZANO, 2011).
A área identi�cada como pertencente a uma determinada classe é denominada área de treinamento. Essas
áreas são de�nidas pelo usuário a partir da delimitação na imagem, sendo que é possível delimitar várias
áreas de treinamento para uma mesma classe, de modo a garantir que os pixels são representativos da classe
(CRÓSTA, 2002).
Na classi�cação supervisionada, podem-se utilizar distintos métodos de classi�cação, que se diferenciam
pelas características estatísticas que atribuem às classes criadas a partir das áreas de treinamento. Os
métodos mais utilizados são: paralelepípedo, distância mínima e máxima verossimilhança.
Método do paralelepípedo: considera uma área próxima ao conjunto de treinamento, que possui a
forma de um paralelepípedo ou quadrado, onde todos os pixels situados nessa área serão
classi�cados na mesma classe (CRÓSTA, 2002). Para entender melhor, imagine que o classi�cador
cria valores de pixels para cada uma das classes, determinando um limite superior e um inferior de
valores, que serão as bordas do paralelepípedo. Quando for realizada a classi�cação, o pixel que
que estiver entre o valor superior ou inferior (ou seja, dentro do polígono de uma classe) em todas
as bandas que estão sendo classi�cadas, será destinado à determinada classe (MENESES; SANO
apud MENESES; ALMEIDA, 2012).
24/10/2020 Ead.br
https://fmu.blackboard.com/webapps/late-Course_Landing_Page_Course_100-BBLEARN/Controller 23/60
Um dos problemas relacionados a esse classi�cador é que os pixels, muitas vezes, �cam fora dos limites dos
paralelepípedos e, quando isso ocorre, eles não são classi�cados. Outra desvantagem citada por Meneses e
Sano (apud MENESES; ALMEIDA, 2012) é que os paralelepípedos possuem “cantos”, e isso faz com que um
pixel seja classi�cado em determinada classe, mesmo que tenha características espectrais distantes da média
da classe.
Um exemplo de classi�cação utilizando esse método está representado na Figura 3.3. Observe que, na
imagem a, é feita a seleção das áreas de treinamento, com a criação de polígonos com cores distintas para
cada classe. Já na imagem b, foi realizada a classi�cação utilizando como base as classes prede�nidas.
Método da distância mínima: cria-se um valor médio para cada classe, partindo da sua assinatura
espectral, sendo que os pixels serão classi�cados nas com base na proximidade que estão desse
valor médio. Assim, eles serão destinados a uma ou outra classe, considerando a distância mínima
que estão da média de um determinado agrupamento.
A principal vantagem do método é que todos os pixels são classi�cados. As desvantagens são: os pixels que
não possuem características espectrais próximas a nenhuma classe serão destinados a uma; não é
24/10/2020 Ead.br
https://fmu.blackboard.com/webapps/late-Course_Landing_Page_Course_100-BBLEARN/Controller 24/60
considerada a variabilidade espacial das classes (MENESES; SANO apud MENESES; ALMEIDA, 2012).
Na Figura 3.4, a mesma imagem classi�cada pelo método do paralelepípedo (Figura 3.3) foi utilizada para a
classi�cação utilizando o método da distância mínima. Note que a principal diferença é o aspecto de
continuidade que esse classi�cador atribui à imagem, diferentemente do paralelepípedo, que torna as classes
mais segmentadas.
Método da máxima verossimilhança (MAX VER): utiliza parâmetros estatísticos para de�nir a
ponderação das distâncias das médias. Para que tenha precisão, é necessária a escolha de um
grande número de pixels para cada área de treinamento (CRÓSTA, 2002).
Nesse método, cada pixel presente em uma imagem é designado para a classe que possui maior
probabilidade de pertencer, considerando o diagrama de dispersão dos conjuntos de treinamento. Assim,
para cada pixel são calculadas as probabilidades de pertencer a cada uma das classes, destinando-o à classe
que possuir a máxima verossimilhança (MENESES; SANO apud MENESES; ALMEIDA, 2012).
Classi�icação não Supervisionada
24/10/2020 Ead.br
https://fmu.blackboard.com/webapps/late-Course_Landing_Page_Course_100-BBLEARN/Controller 25/60
Nessa classi�cação, diferentemente da anterior, as classes não são determinadas pelo usuário, mas pelo
algoritmo utilizado, ou seja, os tipos de classes e os pixels pertencentes a cada uma delas são de�nidos pelo
computador, cabendo ao usuário a de�nição dos signi�cados de cada uma das classes identi�cadas
(FLORENZANO, 2011).
Não é um método tão preciso quanto a classi�cação supervisionada, sendo mais comumente utilizado
quando se deseja conhecer as classes que podem ocorrer em uma determinada imagem.
Os principais algoritmos utilizados na classi�cação não supervisionada são o ISODATA (Iterative Self-
Organizing Data Analysis Technique) e o K-médias, que classi�cam as imagens a partir da semelhança entre os
pixels.
ISODATA: também conhecido como método clustering, utiliza a distância espectral para de�nir as
classes. Para isso, inicialmente é feita uma classi�cação interativa dos pixels; depois, são
rede�nidos os critérios utilizados em cada classe e, por último, a imagem é reclassi�cada até que
apareçam os padrões de distância espectral. O número de iterações e o número mínimo e máximo
de classes são de�nidos pelo usuário (MENESES; SANO apud MENESES; ALMEIDA, 2012).
K-médias: o número de agrupamentos é de�nido a priori. O seu objetivo é diminuir a variabilidade
interna de agrupamentos, feita a partir da soma das distâncias ao quadrado entre cada pixel e o
centro do agrupamento ao qual ele é designado. Os demais processos são semelhantes aos do
ISODATA, exceto pela junção e separação de clusters, considerando que é realizada uma
prede�nição do número de agrupamentos (MENESES; SANO apud MENESES; ALMEIDA, 2012).
24/10/2020 Ead.br
https://fmu.blackboard.com/webapps/late-Course_Landing_Page_Course_100-BBLEARN/Controller 26/60
praticarVamos Praticar
O processo de classi�cação de uma imagem é muito utilizado para a produção de mapas temáticos. Existem diversas
técnicas que podem ser usadas nesse processo, entretanto, as mais comuns são a classi�cação supervisionada e a não
supervisionada. Sobre elas, assinale a alternativa correta.
a) O K-média e o ISODATA são os algoritmos mais utilizados na classi�cação supervisionada e realizam a
classi�cação da imagem pela semelhança entre os pixels.
b) A classi�cação supervisionada é mais utilizada quando se deseja fazer um reconhecimento exploratório de
uma área, sendo menos precisa do que a não supervisionada.
c) No método do paralelepípedo, os pixels são classi�cados na classe que o seu valor espectral mais se
aproximar da média obtida para toda a classe.
d) O MAX VER é o método que calcula a probabilidade que cada pixel possui de pertencer a uma
determinada classe, sendo destinado à classe que possuir a máxima verossimilhança.
e) A grande vantagem de utilização do método do paralelepípedo na classi�cação supervisionada é quetodos
os pixels da imagem são classi�cados em uma determinada classe.
24/10/2020 Ead.br
https://fmu.blackboard.com/webapps/late-Course_Landing_Page_Course_100-BBLEARN/Controller 27/60
24/10/2020 Ead.br
https://fmu.blackboard.com/webapps/late-Course_Landing_Page_Course_100-BBLEARN/Controller 28/60
O tratamento de uma imagem e a produção de dados para a posterior geração de produtos cartográ�cos
requer a utilização de diversas técnicas durante o processo. Dentre essas técnicas temos a interpolação
espacial e a análise multicritérios, que serão objeto de estudo neste item.
Instrumentalização deInstrumentalização de
Técnicas doTécnicas do
GeoprocessamentoGeoprocessamento
24/10/2020 Ead.br
https://fmu.blackboard.com/webapps/late-Course_Landing_Page_Course_100-BBLEARN/Controller 29/60
Interpolação Espacial
A interpolação é um método matemático que busca estimar os valores de determinada localização, baseado
em valores conhecidos de regiões vizinhas. Assim, a interpolação espacial cria estimativas de valores nas
áreas que não possuem pontos amostrais.
A interpolação espacial busca mapear o comportamento dos dados no espaço geográ�co, por meio do
desvio-padrão. Miranda (2005) a�rma que isso pode ocorrer em duas etapas: na primeira, são estabelecidos
os pontos vizinhos mais apropriados; na segunda, são de�nidos os métodos que serão utilizados no cálculo
dos valores desconhecidos.
Ainda segundo Miranda (2005), o processo de interpolação parte da ideia de que, em média, os valores de
amostras mais próximas são provavelmente mais parecidos do que valores de amostras distantes umas das
outras. A qualidade da interpolação dependerá da precisão, do número de pontos de distribuição, e do
quanto a função matemática modelará corretamente o fenômeno.
Os interpoladores possuem abordagens distintas, sendo que as mais comuns são as locais e as globais. Nos
métodos locais, os pontos da superfície são estimados pela interpolação das amostras que estão mais
próximas, concentrando-se em pequenas regiões. Para o método global, considera-se que há uma variação
em larga escala do fenômeno em estudo, utilizando todos os dados simultaneamente (CAMARGO; FUCKS;
CÂMARA apud CÂMARA, 2003).
24/10/2020 Ead.br
https://fmu.blackboard.com/webapps/late-Course_Landing_Page_Course_100-BBLEARN/Controller 30/60
Existem inúmeras técnicas para interpolar dados espaciais. A seguir, conheceremos as que são mais
comumente utilizadas, como os interpoladores por vizinho mais próximo, o inverso da potência da distância,
as superfícies de tendência e a krigagem.
Vizinho mais próximo: é feito a partir da escolha de uma única amostra vizinha para cada ponto. É
mais utilizado quando se deseja manter os valores de cotas, sem a produção de valores
intermediários. A principal desvantagem desse interpolador é que tende a produzir superfícies
com variações abruptas (CAMARGO; FUCKS; CÂMARA apud CÂMARA, 2003).
Inverso da potência da distância: os valores estimados para um local não amostrado são feitos
pela média dos valores dos dados da vizinhança. Para isso, utiliza uma média ponderada, que
depende da distância entre o ponto a ser interpolado e os seus vizinhos, sendo que a in�uência dos
vizinhos depende dessa distância (MIRANDA, 2005). É um interpolador que atua na suavização e
pode ser falho ao reproduzir os pontos mais altos e baixos de uma superfície, entretanto, sua
facilidade e determinação o tornam um dos mais utilizados (MIRANDA, 2005).
Superfícies de tendência: são interpoladores globais, em que uma superfície contínua é ajustada
utilizando como critério a regressão múltipla entre os valores do atributo e sua localização. A
principal vantagem desse método é a facilidade de calcular, e a desvantagem é que o modelo tende
a desconsiderar a variabilidade local, tornando-se pouco realista sobre a maioria dos fenômenos
naturais.
Krigagem: a precisão de um valor estimado é maior no local onde foi amostrado e se torna menos
preciso à medida que se distancia dos pontos interpolados. Para interpolar, é necessário seguir
alguns passos, como: a realização de uma estatística univariada da variável ambiental; a geração e
24/10/2020 Ead.br
https://fmu.blackboard.com/webapps/late-Course_Landing_Page_Course_100-BBLEARN/Controller 31/60
o ajuste de um semivariograma experimental; validação do modelo teórico e aplicação do
interpolador de Krige (MIRANDA, 2005).
A principal diferença entre a krigagem e os outros métodos é que ela estima uma matriz de covariância
espacial, na qual são determinados os pesos para as diferentes amostras, o tratamento de redundância de
dados, o erro do valor estimado e qual a vizinhança a ser considerada na inferência dos dados (CAMARGO;
FUCKS; CÂMARA apud CÂMARA, 2003). A determinação dos dados por esse interpolador é feita por uma
série de cálculos geoestatísticos, que não serão discutidos nesta unidade.
As técnicas de interpolação aqui descritas são ferramentas promissoras para compreender e estimar a
distribuição espacial de fenômenos naturais e antrópicos e podem ser aplicadas em diversas áreas, como na
saúde, no planejamento urbano e na análise de dados ambientais (geologia, solos e climatologia). A
interpolação espacial pode ser realizada pelos softwares SIGs, que dispõem de uma grande variedade de
métodos, cabendo ao usuário conhecer as especi�cidades de cada um deles para melhor representar o
fenômeno que deseja estudar.
Análise Multicritérios: a Técnica AHP
O processo hierárquico analítico, traduzido do inglês Analytic Hierarchy Process (AHP), é uma ferramenta
utilizada para auxiliar na tomada de decisões e que tem se difundido em geoprocessamento.
A AHP foi desenvolvida para solucionar problemas com múltiplos critérios, criando uma estrutura
hierárquica. Nessa estrutura, nos níveis mais altos se localiza a descrição geral (foco principal do trabalho),
24/10/2020 Ead.br
https://fmu.blackboard.com/webapps/late-Course_Landing_Page_Course_100-BBLEARN/Controller 32/60
nos níveis mais baixos estão os critérios que deverão ser considerados para solucionar o problema e, nos
últimos níveis, estão as alternativas que serão analisadas.
A AHP possui como base conhecimentos matemáticos e busca organizar e avaliar a importância dos critérios,
medindo a consistência do julgamento. Partindo de um modelo hierárquico, cria um processo de comparação
pareada, baseada na importância, preferência ou probabilidade entre critérios, em relação ao critério que se
encontra no nível superior. Realizada a comparação, são feitas ponderações dos critérios e subcritérios e
calcula-se a razão de consistência, com valores entre 0 e 1, sendo que 0 indica completa consistência
(MOREIRA et al. apud CÂMARA; DAVIS; MONTEIRO, 2001).
As análises multicritérios desenvolvem uma estrutura analítica de decisão que pode ser muito útil ao
gerenciamento ambiental. O seu objetivo não é apresentar a decisão correta, mas auxiliar no entendimento
do problema, facilitando a tomada de decisão, considerando os riscos, critérios e os interesses con�itantes
(KIKER et al., 2005).
Para isso, são atribuídos pesos aos critérios, construindo-se uma matriz na qual é de�nida a importância
relativa de cada um dos critérios. Quando se consideram números de 1 a 9, por exemplo, o 1 representa o
mesmo valor entre os critérios, e o 9 indica a preferência de um critério em relação a outro. A escala de
valores AHP com a comparação pareada pode ser consultada no Quadro 3.1. 
24/10/2020 Ead.br
https://fmu.blackboard.com/webapps/late-Course_Landing_Page_Course_100-BBLEARN/Controller 33/60
Quadro 3.1 - Escala de comparação pareada dos valores AHP 
Fonte: Adaptada de Moreira et al. apud Câmara, Davis e Monteiro (2001, p. 29).
A aplicação da AHP, em conjunção com os SIGs, tem por objetivo criar alternativas para resolver um
problema por meio da análise de multicritérios. Essa análise tem sido cada vez mais aplicada no
planejamento ambiental, como a avaliação de potencialidades e vulnerabilidade dedeterminada área.
24/10/2020 Ead.br
https://fmu.blackboard.com/webapps/late-Course_Landing_Page_Course_100-BBLEARN/Controller 34/60
Entre as aplicações da AHP utilizando as geotecnologias, pode-se destacar a sua utilização para diversos �ns,
como: de�nição de áreas industriais ou loteamento urbanos; avaliação de impacto ambiental; avaliação de
vulnerabilidade à erosão de uma área; planejamento de uso da terra; conservação de estradas sem
pavimentação; de�nição de áreas prioritárias para melhoria do espaço urbano voltada a pedestres; áreas
para implantação de aterro sanitário, entre outros.
Para entender melhor como essa técnica pode ser aplicada, estudaremos um exemplo retirado de Moreira et
al. (apud CÂMARA; DAVIS; MONTEIRO, 2001), que aplicou a AHP na de�nição de áreas favoráveis à
ocorrência de minerais radioativos.
A área de estudo é um maciço alcalino localizado na região de Poços de Caldas, que é conhecida pela
presença de minerais radioativos. Para aplicar a análise multicritérios, foram levantadas as informações
prévias da área, como as formações geológicas e suas características estruturais e dados de radiometria
gama, com a radioatividade. Posterior a isso, foram criados bancos de dados com o levantamento de todas as
informações disponíveis para a área.
Para cada uma das informações, foram de�nidos pesos partindo da técnica AHP, criando um banco de dados
que demonstrava a importância relativa de cada uma das evidências. A partir das informações disponíveis e
dos pesos a elas atribuídos, foi criado um mapa delimitando graus de favorabilidade à ocorrência de minerais
com radioatividade, com classes entre o muito baixo e o muito alto (MOREIRA et al. apud CÂMARA; DAVIS;
MONTEIRO, 2001).
24/10/2020 Ead.br
https://fmu.blackboard.com/webapps/late-Course_Landing_Page_Course_100-BBLEARN/Controller 35/60
praticarVamos Praticar
A interpolação espacial é muito utilizada para mapear a distribuição de um determinado fenômeno no espaço
geográ�co, projetando dados desconhecidos a partir de valores conhecidos. Sobre a interpolação e as diferentes
técnicas utilizadas, assinale a alternativa correta.
a) A interpolação de dados espaciais é tanto mais precisa, quanto maior for o número de pontos e se a sua
distribuição for concentrada.
b) O interpolador por vizinho mais próximo utiliza os valores médios dos dados próximos para de�nir o valor
de um determinado ponto.
c) As superfícies de tendência são interpoladores locais que calculam o valor de um determinado ponto a
partir da média de dois pontos vizinhos.
d) Todos os métodos utilizados na interpolação consideram os valores dos pontos mais distantes para
projetar o valor de um determinado ponto.
e) O interpolador inverso da potência da distância é determinado pela média dos valores dos dados vizinhos,
considerando no cálculo a distância entre os pontos.
24/10/2020 Ead.br
https://fmu.blackboard.com/webapps/late-Course_Landing_Page_Course_100-BBLEARN/Controller 36/60
24/10/2020 Ead.br
https://fmu.blackboard.com/webapps/late-Course_Landing_Page_Course_100-BBLEARN/Controller 37/60
Aplicações de TécnicasAplicações de Técnicas
de Geoprocessamentode Geoprocessamento
para a Representação depara a Representação de
Fenômenos e ModelosFenômenos e Modelos
AmbientaisAmbientais
24/10/2020 Ead.br
https://fmu.blackboard.com/webapps/late-Course_Landing_Page_Course_100-BBLEARN/Controller 38/60
São inúmeras as técnicas de geoprocessamento utilizadas para a obtenção de dados e produção de
mapeamentos temáticos. Neste item, conheceremos os princípios utilizados para a elaboração de mapas de
uso e ocupação do solo, a obtenção de dados de altimetria para a geração de mapas de declividade e a
geração de curvas de nível e per�s de elevação.
Elaboração de Mapas de Uso e Ocupação do
Solo
O sensoriamento e os Sistemas de Informação Geográ�ca são ferramentas muito e�cientes no
reconhecimento e monitoramento de variáveis socioambientais. A sua utilização possibilita a elaboração de
mapeamentos temáticos, realizados a partir da interpretação e classi�cação de imagens de satélite.
Como vimos ao longo desta unidade, a interpretação e classi�cação de imagens exige o conhecimento de
técnicas, que depende do tipo de produto que se deseja obter. Entre esses produtos estão os mapas
temáticos de uso e ocupação do solo, produzidos a partir de imagens de sensoriamento remoto, em que os
objetos são identi�cados e classi�cados, criando um produto especializado com as informações referentes à
ocupação de determinada área.
A elaboração de mapas de uso e ocupação dos solos permite identi�car aspectos relacionados ao ambiente
rural e urbano. No ambiente rural, é possível localizar os tipos de cultivo agrícola, matas, cursos d’água e o
comportamento da vegetação a partir da sua resposta espectral, identi�cando se a vegetação está sadia ou
24/10/2020 Ead.br
https://fmu.blackboard.com/webapps/late-Course_Landing_Page_Course_100-BBLEARN/Controller 39/60
se sofreu algum tipo agressão inerente a fatores ambientais ou biológicos, como secas, geadas e o ataques de
pragas.
No ambiente urbano, esse tipo de mapeamento identi�ca a organização urbana, como as áreas onde ocorrem
mais prédios, a frente de expansão de uma cidade, os parques urbanos, as áreas industriais e as áreas verdes.
Em ambos os casos, a elaboração desse tipo de mapeamento se torna uma importante ferramenta ao gestor
municipal, para estabelecer estratégias de planejamento. Nesse tipo de mapeamento, é fundamental
considerar a resolução espacial e espectral dos sensores utilizados na captação da imagem, sendo que,
quanto melhor a resolução, maior será o nível de informação retirado da imagem. Por exemplo, quando se
deseja mapear a variedade de elementos presentes em um ambiente urbano em uma escala de maior
detalhe, a utilização do IKONOS 2 (resolução de 1 m) seria uma escolha que enriqueceria esse tipo de
mapeamento, pois é capaz de fornecer informações detalhadas das construções.
Para a realização de um mapa de uso e ocupação do solo, deve-se seguir alguns procedimentos que foram
trabalhados ao longo desta unidade, como a correção geométrica, o mosaico, a interpretação e a classi�cação
de imagens. A partir da de�nição do sensor (considerando a sua resolução espacial) e das bandas, o usuário
deve escolher o programa de sistema de informação geográ�ca a ser utilizado, visto que existem inúmeros
softwares disponíveis no mercado (SPRING, ArcGis, gvSIG). Realizada a escolha das bandas e da resolução, é
necessária a correção geométrica da imagem (georreferenciamento), a criação de um mosaico (caso tenha
mais de uma imagem), o recorte da área e a sua classi�cação.
A interpretação e classi�cação da imagem podem ser realizadas de forma supervisionada ou não
supervisionada, dependendo do objetivo do mapeamento. Se o mapeamento a ser realizado necessita de
24/10/2020 Ead.br
https://fmu.blackboard.com/webapps/late-Course_Landing_Page_Course_100-BBLEARN/Controller 40/60
mais precisão e detalhamento, recomenda-se a escolha de uma imagem com alta resolução espacial e a
utilização da classi�cação supervisionada, atribuindo signi�cados aos pixels presentes nas imagens e criando
classes de informações. Caso o mapeamento seja apenas exploratório, em que o usuário deseja conhecer
genericamente uma determinada área, não é necessária a utilização de sensores de alta resolução, podendo-
se aplicar a classi�cação não supervisionada, que torna o processo mais rápido e de fácil execução.
Conhecer a área na qual se deseja elaborar um mapeamento desse tipo torna o produto �nal mais próximo
do real, considerando que, no momento da classi�cação, o usuário é capaz de reconhecer os objetos e de�nir
áreas de treinamento baseadas em informações obtidas em campo.
Manipulação de Dados de Altimetria para
Declividade
Os dados de altimetria são utilizados para representar o desnível topográ�co da superfície terrestre. A partir
desses dados, é possível gerar uma variedade de produtos,dentre os quais estão as curvas de nível, os mapas
de declividade, os per�s de elevação e os modelos tridimensionais.
A obtenção dos dados de altimetria pode ter origens diversas, seja por GPS, estação total, fotogrametria,
cartas topográ�cas, imagens de radar como SRTM ou de sensores como o LIDAR. A obtenção de dados
altimétricos por imagens é uma das formas mais utilizadas, como os dados obtidos a partir da SRTM.
24/10/2020 Ead.br
https://fmu.blackboard.com/webapps/late-Course_Landing_Page_Course_100-BBLEARN/Controller 41/60
A SRTM (Shuttle Radar Topographic Mission) foi uma missão espacial realizada no ano 2000, que teve por
objetivo coletar dados topográ�cos da superfície terrestre. Nessa missão, foram coletados dados por radares
acoplados em um ônibus espacial, utilizando a técnica de interferometria. A partir dessas imagens, utilizando
os softwares SIGs, foram gerados os modelos digitais de elevação (MDE) para várias áreas do globo, entre elas
a América do Sul.
24/10/2020 Ead.br
https://fmu.blackboard.com/webapps/late-Course_Landing_Page_Course_100-BBLEARN/Controller 42/60
Um dos principais produtos gerados a partir da obtenção dos dados altimétricos são os mapas de
declividade. Esses mapas podem ser utilizados para �ns diversos, tendo aplicações diretas ou indiretas, como
a de�nição de áreas mais suscetíveis à erosão e deslizamentos, áreas de risco para a ocupação humana,
orientação das vertentes, estudos de uso e ocupação do solo, entre outros.
saiba maisSaiba mais
As imagens da SRTM são amplamente utilizadas para conhecer a
topogra�a da superfície terrestre. Para entender um pouco mais
sobre as suas aplicações e acurácia, principalmente relacionado à
produção dos modelos digitais de elevação no Brasil, leia a
bibliogra�a sugerida.
ACESSAR
http://aneel.gov.br/documents/656835/14876412/DISSERTA%C3%87%C3%83O+Alex+Gois+Orlandi+2016.pdf/fa952da0-9d77-63ab-5982-b52578866b88
24/10/2020 Ead.br
https://fmu.blackboard.com/webapps/late-Course_Landing_Page_Course_100-BBLEARN/Controller 43/60
A produção de um mapa de declividade pode utilizar como base diversos produtos e, além da escolha da
base, é necessário de�nir o software SIG que se deseja utilizar para a produção do mapa, sendo que cada um
possui procedimentos distintos para a geração dos produtos.
Em geral, a geração de um mapa de declividade requer a de�nição prévia das classes de declividade. Existem
órgãos como a Empresa Brasileira de Pesquisa Agropecuária (Embrapa) e o Instituto Nacional de
Colonização e Reforma Agrária (Incra), que disponibilizam as classes, seguindo seus critérios. As classes
de�nidas pela Embrapa, segundo Santos et al. (2018), estão entre as mais utilizadas e podem ser consultadas
no Quadro 3.2.
24/10/2020 Ead.br
https://fmu.blackboard.com/webapps/late-Course_Landing_Page_Course_100-BBLEARN/Controller 44/60
Quadro 3.2 - Classes de declividade e cores-padrão para mapa de declividade 
Fonte: Adaptada de Santos et al. (2018, p. 414).
Para cada uma das classes selecionadas, são atribuídas cores que devem seguir um padrão, com tons mais
claros (geralmente o verde) nas áreas mais suaves e tons mais escuros (vermelho) para os relevos mais
movimentados. Realizado esse processo, os demais procedimentos serão gerados pelo software escolhido,
dependendo de suas características especí�cas e da base de dados de onde foram retiradas as informações
de altimetria.
24/10/2020 Ead.br
https://fmu.blackboard.com/webapps/late-Course_Landing_Page_Course_100-BBLEARN/Controller 45/60
Geração de Curvas de Nível e Per�is
Como vimos no item anterior, os dados de altimetria são utilizados para �ns diversos, entre os quais estão a
geração de curvas de nível e de per�s de elevação. A coleta dos dados de altimetria também pode ser
realizada de diversas formas, desde o levantamento de dados com GPS ou clinômetro diretamente no
terreno, ou por meio de drones, satélites e aerofotogrametria.
Dependendo da fonte dos dados, os procedimentos para geração das curvas de nível serão distintos. Para
gerar as curvas de nível a partir de dados coletados com GPS, é necessário importar os dados para o
programa que deseja utilizar e gerar um modelo digital de elevação (MDE), que interpola os valores
planialtimétricos. A partir do MDE, é possível extrair as curvas de nível e realizar os per�s topográ�cos. O
mesmo ocorre com os levantamentos realizados pelos drones, em que são selecionados os pontos da área
que se deseja gerar as curvas de nível, cria-se um modelo digital de elevação e, a partir dele, são extraídas as
curvas de nível.
Em relação à utilização das imagens do SRTM, a grande vantagem é que os MDEs já foram gerados, assim, é
necessário somente o processamento do modelo e a extração das curvas de nível. Mas é importante notar
que a principal diferença entre dados coletados diretamente sobre o terreno ou em imagens de alta
resolução e a utilização dos MDEs advindos do SRTM estão na precisão do resultado. Para estudos
detalhados de uma área, é recomendada a utilização de levantamentos planialtimétricos de alto
detalhamento, pois isso possibilita a geração de curvas de nível com até 1 m de equidistância e reduz
consideravelmente o erro.
24/10/2020 Ead.br
https://fmu.blackboard.com/webapps/late-Course_Landing_Page_Course_100-BBLEARN/Controller 46/60
Os per�s de elevação são derivados das cotas altimétricas das curvas de nível, montados a partir do traçado
de uma linha onde se deseja obter as formas do terreno. Assim como as curvas de nível, os per�s podem ser
gerados por diversos softwares SIGs e a sua importância reside na fácil interpretação da �siogra�a do relevo,
possibilitando, a partir dele, uma série de interpretações da área. Por exemplo, a construção de per�s
topográ�cos auxilia na visualização das formas de relevo de um determinado terreno, possibilitando ao
engenheiro responsável pela construção de uma obra fazer o nivelamento do terreno com a de�nição das
áreas de aterro.
A geração de per�s pode ser realizada de forma mais simpli�cada, no software Google Earth, que disponibiliza
informações planialtimétricas para a geração desses produtos. Na Figura 3.5 está representado um per�l de
elevação realizado no Google Earth Pro, para a cidade de São Paulo. Note que o eixo X apresenta a distância
e, o eixo Y, a altimetria, sendo exibida, ainda, a inclinação do relevo ao longo do caminho.
Assim, a produção das curvas de nível e dos per�s topográ�cos pode ser realizada por bases de dados
distintas e processadas por softwares distintos, cada qual com as suas peculiaridades, resultando em
produtos �nais com nível de detalhes e informações associados à base de dados e disponibilizados para �ns
diversos.
Figura 3.5 - Captura do Google Earth Pro - Per�l de elevação de um trecho da cidade de São Paulo 
Fonte: Elaborada pela autora.
24/10/2020 Ead.br
https://fmu.blackboard.com/webapps/late-Course_Landing_Page_Course_100-BBLEARN/Controller 47/60
praticarVamos Praticar
A obtenção de dados de altimetria para a geração de curvas de nível, per�s de elevação ou mapas de declividade
podem ter origens diversas, dependendo de qual utilização será dada ao produto. Sobre as distintas formas de
obtenção de dados de altimetria e os produtos que podem ser gerados, assinale a alternativa correta.
a) A obtenção de dados altimétricos para a produção de um mapa de declividade utiliza como base,
exclusivamente, os MDEs produzidos a partir de imagens da SRTM.
b) A utilização dos MDEs gerados a partir da SRTM ou obtidos a partir de imagens de alta resolução
produzem resultados com a mesma precisão.
c) A SRTM foi uma missão espacial que teve por objetivo coletar dados altimétricos da superfície terrestre de
várias áreas do globo.
d) Na elaboração de um mapa de declividade, as cores mais claras representam as classes de maior
declividade.
e) O principal �m de um per�l de elevação é veri�car a maior cota altimétrica de uma determinada área.
24/10/2020 Ead.br
https://fmu.blackboard.com/webapps/late-Course_Landing_Page_Course_100-BBLEARN/Controller48/60
24/10/2020 Ead.br
https://fmu.blackboard.com/webapps/late-Course_Landing_Page_Course_100-BBLEARN/Controller 49/60
indicações
Material
Complementar
24/10/2020 Ead.br
https://fmu.blackboard.com/webapps/late-Course_Landing_Page_Course_100-BBLEARN/Controller 50/60
L I V R O
Sensoriamento remoto no estudo da vegetação
Flávio Jorge Ponzoni e Yosio Edemir Shimabukuro
Editora: Parêntese
ISBN: 978-85-60507-02-3
Comentário: O livro retrata o comportamento espectral da vegetação,
mostrando como ocorre a interação eletromagnética entre folhas isoladas e
dosséis vegetais. Traz ainda, diversos conceitos e aplicações das imagens de
sensoriamento remoto para o estudo da vegetação, como os índices de
vegetação. Em seu último capítulo, a obra mostra a elaboração de produtos
cartográ�cos a partir das informações obtidas pelas imagens e índices
aplicados.
24/10/2020 Ead.br
https://fmu.blackboard.com/webapps/late-Course_Landing_Page_Course_100-BBLEARN/Controller 51/60
W E B
Ciência sem limites: sensoriamento remoto
Ano: 2017
 Comentário: O vídeo traz uma entrevista com a professora Maria de Lourdes
Bueno Trindade Galo e o seu grupo de pesquisa, que retratam a importância
do sensoriamento remoto nos estudos de monitoramento ambiental e
mostram algumas pesquisas que estão sendo realizadas utilizando essas
técnicas.
Para conhecer mais, acesse o vídeo disponível em:
A C E S S A R
https://www.youtube.com/watch?v=c0j-7I_OlzQ
24/10/2020 Ead.br
https://fmu.blackboard.com/webapps/late-Course_Landing_Page_Course_100-BBLEARN/Controller 52/60
conclusão
Conclusão
Nesta unidade, conhecemos um pouco mais sobre a importância das imagens de sensoriamento remoto e das
técnicas utilizadas pelo geoprocessamento para representar os fenômenos socioambientais. Conhecemos as
técnicas utilizadas para corrigir, interpretar e classi�car imagens de satélite, aprendemos sobre a
interpolação de dados espaciais e sobre a utilização das análises multicritérios. Além das técnicas, vimos
como elas podem ser utilizadas na elaboração de mapas de uso e ocupação dos solos, na produção de mapas
de declividade e na geração de curvas de nível e per�s de elevação.
Diante do vasto campo de aplicação das técnicas de geoprocessamento, conhecê-las torna-se fundamental
para o pro�ssional que deseja se inserir no mercado de trabalho, pois é uma ferramenta essencial ao estudo
de variáveis ambientais e sociais e ao planejamento e ordenamento territorial.
24/10/2020 Ead.br
https://fmu.blackboard.com/webapps/late-Course_Landing_Page_Course_100-BBLEARN/Controller 53/60
referências
Referências
Bibliográ�cas
CÂMARA, G. (org.). Análise espacial de dados geográ�cos. São Paulo: INPE, 2003.
CÂMARA, G.; DAVIS, C.; MONTEIRO, A. M. V. (org.). Introdução à ciência da geoinformação. São José dos
Campos: INPE, 2001.
COSTA, C. A. R. Introdução a processamento digital de imagens: uma abordagem voltada para o
sensoriamento remoto e funcionalidades do sistema SPRING. Campinas: Embrapa, 1998.
CRÓSTA, A. P. Processamento digital de imagens de sensoriamento remoto. 4 ed. Campinas: IG/UNICAMP,
2002.
FLORENZANO, T. G. Iniciação em sensoriamento remoto. 3 ed. São Paulo: O�cina de Textos, 2011.
INPE - INSTITUTO NACIONAL DE PESQUISAS ESPACIAIS. Manuais: tutorial de geoprocessamento
SPRING. 2008. Disponível em: http://www.dpi.inpe.br/spring/portugues/tutorial/classi�c.html. Acesso em: 7
http://www.dpi.inpe.br/spring/portugues/tutorial/classific.html
24/10/2020 Ead.br
https://fmu.blackboard.com/webapps/late-Course_Landing_Page_Course_100-BBLEARN/Controller 54/60
dez. 2019.
JENSEN, J. R. Sensoriamento remoto do ambiente: uma perspectiva em recursos terrestres. São José dos
Campos: Parêntese, 2009.
KIKER, G. A. et al. Application of multicriteria decision analysis in environmental decision making. Integrated
Environmental Assessment and Management, v.1, n.2, 2005.
MENESES, P. R.; ALMEIDA, T. (org.). Introdução ao processamento de imagens de sensoriamento remoto.
Brasília: UNB, 2012. Disponível em: http://www.cnpq.br/documents/10157/56b578c4-0fd5-4b9f-b82a-
e9693e4f69d8. Acesso em: 18 dez. 2019.
MIRANDA, J. I. Fundamentos de sistemas de informações geográ�cas. Brasília: Embrapa, 2005.
PONZONI, F. J.; SHIMABUKURO, Y. E. Sensoriamento remoto no estudo da vegetação. São José dos
Campos: Parêntese, 2009.
ROUSE, J.W.; SCHELL, J.A.; DEERING, D.W. Monitoring vegetation systems in the great plains with ERTS.
Earth Resources Techonology Satellite-1 Symposium, 3, 1973. Proceedings. Washington, v.1, p.309-317,
1973.
SANTOS, H. G. et al. Sistema brasileiro de classi�cação dos solos. Brasília: Embrapa, 2018.
http://www.cnpq.br/documents/10157/56b578c4-0fd5-4b9f-b82a-e9693e4f69d8
24/10/2020 Ead.br
https://fmu.blackboard.com/webapps/late-Course_Landing_Page_Course_100-BBLEARN/Controller 55/60
24/10/2020 Ead.br
https://fmu.blackboard.com/webapps/late-Course_Landing_Page_Course_100-BBLEARN/Controller 56/60
24/10/2020 Ead.br
https://fmu.blackboard.com/webapps/late-Course_Landing_Page_Course_100-BBLEARN/Controller 57/60
24/10/2020 Ead.br
https://fmu.blackboard.com/webapps/late-Course_Landing_Page_Course_100-BBLEARN/Controller 58/60
24/10/2020 Ead.br
https://fmu.blackboard.com/webapps/late-Course_Landing_Page_Course_100-BBLEARN/Controller 59/60
24/10/2020 Ead.br
https://fmu.blackboard.com/webapps/late-Course_Landing_Page_Course_100-BBLEARN/Controller 60/60