Análise de Componente Principais

Prévia do material em texto

Geotecnologias aplicadas à caracterização de 
estruturas e tipos de rocha
Vivian Azor de Freitas 1
Paulo Roberto Alves dos Santos 1
1 Instituto Brasileiro de Geografia e Estatística – CREN/RJ
Av. República do Chile, 500 - 15º andar - Rio de Janeiro - RJ
vivian.freitas@ibge.gov.br paulo.alves@ibge.gov.br
Abstract. Identification of geological attributes by Remote Sensing is an important tool for geological mapping.
Many possibilities of image treatment for geological purpose are possible, such as RGB composition of bands,
filters, contrasts and mathematical models. This study aims to test the Principal Components Analysis as a
technique of identification of lithotypes and geological structures. For that purpose, it was selected two Landsat
TM sensor images that partly cover the states of Minas Gerais, Espiríto Santo and Bahia, in Brazil. For each
image, it was created six new Principal Components bands with the Principal Components Analysis. PC1 hold
the information of all original bands while PC6 contain the image noises present in each band separately. The
others remaining PC´s contain the intermediary information between PC1 and PC6. Multiple RGB compositions
using the PC´s bands were tested. Add to that, it was used geological maps and field observations to check the
spectral response of elements in the image composition. The best RGB composition depend on what you are
looking for. Analysis of structural components were nicely displayed using the composition
R(PC1)G(PC3)B(PC4), while sedimentary covers were better discriminated using the R(PC6)G(PC5)B(PC3)
composition. Distinction between different types of rocks as non foliated granite from gneisses or schists was
achieved with the R(PC6)G(PC5)B(PC4) composition. Overall, the advantage of using RGB compositions with
PC´s is the increase of the numbers of bands that can be used in the image processing. Therefore, exist more
ways of identifying an geological attributes using the same Landsat image. 
Palavras-chave: digital image processing, principal components analysis, geology, processamento digital de
imagens, análise de principais componentes, geologia. 
1. Introdução
Os sistemas de informações geográficas (SIG) surgem como um conjunto de técnicas
matemáticas e computacionais que possibilitam o tratamento da informação georreferenciada
permitindo a modelagem de dados espaciais e análises complexas, subsidiando as tomadas de
decisões. Tais avanços são igualmente marcantes no campo da geologia, tendo sua
contribuição aumentada pela facilidade de integração com dados de naturezas geológicas,
geoquímicas, de sensoriamento remoto e de relevo (Santos et al., 2011). 
Os SIG levam em consideração a topologia dos dados, isto é, as suas características e
relações espaciais descritas matematicamente, independentes de escala, tornando exeqüível a
produção de novos planos de informação resultante do cruzamento de dados espaciais de
origens diversas, tais como mapeamento geológico, coleta e análise de amostras, imagens
orbitais, modelos digitais de elevação, entre outros (Seoane et al., 2003). 
A integração de dados de sensoriamento remoto, geológicos e geofísicos, através de
sistema de informações geográficas (SIG) vem sendo cada vez mais utilizada nas pesquisas
geológicas, como uma nova técnica exploratória capaz de revelar informações até então não
percebidas pelo exame isolado (Cunha et al., 1992). 
O desenvolvimento de técnicas de tratamento de imagens para destacar feições estruturais
e caracterizar espectralmente tipos de rocha é importante para o estudo da geologia, sobretudo
Anais XVI Simpósio Brasileiro de Sensoriamento Remoto - SBSR, Foz do Iguaçu, PR, Brasil, 13 a 18 de abril de 2013, INPE
3736
em locais de difícil acesso. No entanto, as pesquisas para identificação de uma técnica de
tratamento de imagens devem ser feitas, primeiramente, em locais conhecidos onde há apoio
de mapas geológicos prévios e pontos de afloramento, para posteriormente ser aplicada em
outras áreas. 
Em função da extensão da série de satélites Landsat, bem como sua gratuidade, essas
imagens são amplamente utilizadas pela comunidade científica. Muitas são as aplicações a
partir das composições coloridas RGB (Red, Green e Blue) utilizadas para destacar feições
geológicas, a exemplo a R7,G5,B2 e a R5,B4,G3, entre outras. Visando facilitar a
identificação de alvos geológicos, além da simples composição RGB, é importante a
aplicação de técnicas de processamento digital de imagens (PDI) tais como aplicação de
filtros, realces e outras que ajudem a destacar elementos. 
Outra técnica bastante utilizada é a Análise de Principais Componentes (APC). Esta
técnica também conhecida como transformada de Karhunen-Loeve, é uma das funções de
processamento de imagens mais poderosas na manipulação de dados multiespectrais (Crósta,
1992). É uma técnica bastante empregada em ciências naturais e tem por objetivo resumir a
informação contida em um grupo amplo de variáveis em um novo conjunto, menor, mas sem
perder a parte mais significativa da informação (Salinero, 2006). A técnica tem sido muito
utilizada para imagens hiperespectrais, mas também gera bons resultados em imagens de
satélites/sensores com menor número de bandas, tais como as do ASTER (Advanced
Spacebone Thermal Emission and Reflection Radiometer) e Landsat.
A área de estudo é a Folha Rio Doce (SE.24) limitada pelos paralelos 16º a 20º S e 36º a
42º W, abrangendo parte dos estados de Minas Gerais, Espírito Santo e Bahia e expõe
variados litotipos. Esta folha está em processo de atualização de seu mapeamento geológico
pelo Instituto Brasileiro de Geografia e Estatística (IBGE). Nela predominam rochas de
composição granítica, associadas à evolução do Orógeno Araçuaí e de sua bacia precursora,
de idade neoproterozoica-cambriana. Ocorrem também rochas arqueanas e paleoproterozoicas
do embasamento e coberturas cenozoicas. A geração do magmatismo do Orógeno Araçuaí
pode ser dividida em quatro estágios: pré-colisional (630-585 Ma), sincolisional (585-560
Ma), tardicolisional (560-535 Ma) e pós-colisional (530-490 Ma) (Castañeda et al.,2007). 
Cerca de 50% do relevo da área de estudo é relativamente plano, com altitudes máximas
de 300 m. Essa região é dominada por rochas sedimentares cenozoicas do Grupo Barreiras e
pelos gnaisses dos Complexos Kinzigíticos, Jequitinhonha, Paraíba do Sul e Nova Venécia.
Nos locais onde ocorreu intenso magmatismo associado ao Orógeno Araçuaí o relevo é
acidentado, com altitudes variando de 300 m a 1000 m, podendo ocorrer picos tipo “pão de
açúcar” de até 1.500 m 
Cada tipo rochoso apresenta composição, aspectos texturais e estruturais distintos. Essas
características aliadas com fatores externos, como intemperismo e erosão, moldam cada
litotipo de maneira diferente, possibilitando, a partir do sensoriamento remoto, a identificação
dessas diferenças. 
Esta pesquisa tem como principal objetivo a aplicação de técnicas de geoprocessamento
para extração de informações geológicas de imagens orbitais Landsat, a partir do emprego da
Análise de Principais Componentes (APC). 
2. Metodologia
Para avaliarmos a aplicação da APC na caracterização espectral dos diferentes tipos
rochosos foram utilizadas as imagens do satélite/sensor Landsat 5 TM, cenas 216_72 de
27/08/2007 e 216_73 de 31/05/2010 adquiridas através do site do Instituto de Pesquisas
Anais XVI Simpósio Brasileiro de Sensoriamento Remoto - SBSR, Foz do Iguaçu, PR, Brasil, 13 a 18 de abril de 2013, INPE
3737
Espaciais – INPE (www.inpe.br). Essas cenas recobrem parte da área de estudo (Figura 1).
Para cada cena foram usadas seis bandas - 1, 2, 3, 4, 5 e 7 todas com resolução espacial de 30
m. A banda 6, que refletea zona termal, não foi utilizada pois não é indicada para estudo. 
Figura 1. Localização da área de estudo e das imagens Landsat utilizadas, 216_72 e 216_73.
Antes da aplicação da técnica de APC, as imagens foram ortorretificadas no aplicativo
PCI Geomatics v.10.1. Para isso foram utilizados 10 pontos de controle e o Modelo Digital de
Elevação. Este último foi utilizado o SRTM (Shuttle Radar Topografic Mission) versão. 4.1.
obtido através do site da CGIAR-CSI (Consortium for Spatial Information, www.cgiar-
csi.org). Em relação aos pontos de controle foram utilizados tanto pontos coletados em campo
com GPS (Global Positioning System) como pontos obtidos em ortofotos na escala 1:25.000,
ambos pertencentes ao IBGE. No PCI a altitude de cada ponto de controle foi extraída do
SRTM, e com essas informações o programa gerou um modelo matemático, utilizando
também reamostragem por vizinhos mais próximos, para ortorretificar as imagens. Depois de
ortorretificadas as imagens foram verificadas para testar em quais escalas elas podiam ser
utilizadas. Foi verificado que as duas imagens ortorretificadas neste trabalho podem ser
utilizadas na escala 1:100.000 ou menores. 
As seis bandas originais de cada cena foram submetidas à Analise de Principais
Componentes em dois aplicativos distintos, o ILWIS Open 3.7.2 e o ArcGIS 9.3, gerando seis
bandas PC´s cada. Estas bandas foram analisadas em meio digital separadamente e também
em composições RGB. O objetivo principal foi comparar os resultados destas análises com
mapas geológicos prévios (RADAMBRASIL, 1987; Schobbenhaus et al., 2004) e também
com pontos de afloramento obtidos pelo IBGE na Folha SE.24 (Rio Doce), entre os anos de
2011 e 2012. Desse modo foi possível avaliar as informações espectrais contidas nas bandas
PC´s e sua correlação com cada litotipo. 
Algumas possibilidades de composição RGB entre as bandas PC´s foram testadas (Tabela
1). Cada uma das composições foram avaliadas para o uso na identificação de feições lineares
e tipos de rochas.
Acrescido às análises de identificação de feições geológicas, também foram avaliadas
visualmente as melhores escalas de observação dessas características. 
 216_72
 216_73
 SE.24
Anais XVI Simpósio Brasileiro de Sensoriamento Remoto - SBSR, Foz do Iguaçu, PR, Brasil, 13 a 18 de abril de 2013, INPE
3738
Tabela 1. Composições RGB entre as bandas PC´s que foram testadas no estudo
R(PC1)G(PC2)B(PC3) R(PC4)G(PC5)B(PC6)
R(PC1)G(PC3)B(PC4) R(PC6)G(PC3)B(PC1)
R(PC2)G(PC3)B(PC4) R(PC6)G(PC5)B(PC3)
R(PC3)G(PC4)B(PC5) R(PC6)G(PC5)B(PC4)
3. Resultados e Discussão
As PC´s geradas no aplicativo ArcGIS, de um modo geral, são semelhantes às obtidas no
ILWIS. A PC1 em ambos os aplicativos são idênticas, as demais PC´s apresentam pequenas
diferenças. 
A característica geral de cada PC se mantém em ambos os aplicativos, porém foram
observadas algumas diferenças entre as composições das PC´s geradas a partir do ILWIS e
aquelas obtidas no ArcGIS. No entanto, não é possível afirmar que um aplicativo gera PC´s
que são mais apropriadas para a realização dessas composições, pois algumas feições
geológicas se destacaram melhor nas composições feitas com as imagens de um software
enquanto outras com o outro. A seguir serão destacadas as características gerais de cada PC e
posteriormente as melhores composições RGB testadas. 
Individualmente, cada PC apresenta uma característica diferente. A PC1, conforme a
literatura disponível, reuniu o que há de correlação em todas as bandas originais, por exemplo
as respostas dos elementos mais superficiais como topografia, vegetação, solo e umidade. Esta
PC apresenta feição espectral semelhante às bandas originais da imagem. A partir da PC2 as
imagens já apresentam um aspecto de ruído, embora pela definição, esta banda ainda
apresente algumas características espectrais comuns a todas as bandas originais. A PC3
destacou as feições estruturais presentes nas imagens, sobretudo as fraturas. As PC4, PC5 e
PC6 concentram as menores variabilidades dos dados, e nessas bandas apareceram as
respostas espectrais das rochas. A PC4 destacou os granitos sin e pós-orogênicos, enquanto a
PC5 fez a distinção entre o Grupo Barreiras e as demais litologias adjacentes. Por fim, a PC6,
em geral, apresentou valores radiométricos mais elevados para os paragnaisses dos
Complexos Kinzigíticos, Jequitinhonha, Paraíba do Sul e Nova Venécia.
Entre as composições RGB de PC´s testadas, três composições forneceram os melhores
resultados, cada uma para identificar feições geológicas diferentes. São elas a composição
R(PC1)G(PC3)B(PC4), a R(PC6)G(PC5)B(PC3) e a R(PC6)G(PC5)B(PC4), as duas
primeiras com as PC´s obtidas no ILWIS e a última no ArcGIS. 
A composição R(PC1)G(PC3)B(PC4) destacou as estruturas presentes nas imagens,
principalmente as fraturas. As PC´s 1, 3 e 4, individualmente conseguem tornar evidente as
estruturas, sobretudo a PC3, portanto a imagem apresenta cor verde intensa (Figura 2.).
Anais XVI Simpósio Brasileiro de Sensoriamento Remoto - SBSR, Foz do Iguaçu, PR, Brasil, 13 a 18 de abril de 2013, INPE
3739
Figura 2. Recorte da imagem Landsat 216_73 na composição R(PC1)G(PC3)B(PC4), com
bandas PC´s obtidas no ILWIS. (a) Feições lineares ficam evidentes nessa combinação de
bandas PC´s. (b) As feições lineares foram realçadas em preto. 
A composição R(PC6)G(PC5)B(PC3) foi capaz de evidenciar as coberturas sedimentares
cenozoicas, como o Grupo Barreiras e as Coberturas Detrito-Lateríticas. Nessas unidades a
informação espectral se concentrou na PC3 e na composição R(PC6)G(PC5)B(PC3), aparece
destacada com a cor azul (Figura 3.)
 a
 b
Anais XVI Simpósio Brasileiro de Sensoriamento Remoto - SBSR, Foz do Iguaçu, PR, Brasil, 13 a 18 de abril de 2013, INPE
3740
Figura 3. Recorte da imagem Landsat 216_72 na composição R(PC6)G(PC5)B(PC3) feita
com bandas PC´s obtidas no ILWIS. As coberturas sedimentares são destacadas em azul. 
A diferenciação entre as rochas bem foliadas e os granitos mais homogêneos pode ser
realizada em alguns locais através da composição R(PC6)G(PC5)B(PC4), devido às feições
lineares marcantes nas primeiras. Com o auxílio da imagem, da Carta Geológica do Brasil ao
milionésimo (Schobbenhaus et al., 2004) e de pontos de campo foi possível notar que a
resposta espectral dos granitos maciços nesta composição apresentaram cores rosa e roxa
(Figura 4). Do mesmo modo, os paragnaisses foliados dos Complexos Kinzigíticos,
Jequitinhonha, Paraíba do Sul e Nova Venécia, apresentaram cor verde e azul. Na figura 4,
temos a cena na composição R(PC6)G(PC5)B(PC4) e os pontos de afloramento. No ponto 1,
a cor que predomina é a roxa, onde ocorre um granito cinza escuro esverdeado, maciço,
inequigranular de granulação grossa e sua ocorrência é coerente com o mapa geológico. Nos
pontos 2 e 5 é possível notar que há predominância da cor rosa e no afloramento observou-se
que ocorrem granitos maciços, de cor cinza claro, granulação média, equigranular a porfirítico
e estão de acordo com o mapa geológico. Os pontos 3 e 4 apresentam cor predominante verde
azulada, onde ocorre um gnaisse cinza bandado de granulação fina a média e foliado, também
em concordância com o mapa da CPRM. Por fim, no ponto 6 o mapa geológico mostra um
granito maciço pós-colisional, igual ao ponto 5. No entanto, neste ponto a cor em destaque na
imagem é o verde, a mesma dos paragnaisses, e o ponto de afloramento mostra um relevo
plano, sem afloramentos e nenhuma evidência de um corpo granítico. Este último ponto,
mostra que a composição colorida pode auxiliar na checagem da localização de litologias,
principalmente corpos graníticos maciços que se destacam no relevo e apresentam uma boa
característica espectral. 
Em relaçãoàs escalas para a identificação das feições geológicas, foi observado que
escalas entre 1:250.000 e 1:500.000 são as que apresentam os melhores resultados. No
entanto, feições lineares e litologias que cobrem grandes áreas também podem ser
identificadas para escalas menores, até 1:1.000.000.
Anais XVI Simpósio Brasileiro de Sensoriamento Remoto - SBSR, Foz do Iguaçu, PR, Brasil, 13 a 18 de abril de 2013, INPE
3741
Figura 4. Comparação entre o mapa geológico e a resposta espectral dos litotipos, com a
localização de seis pontos de afloramento. (a) recorte da cena Landsat 216_73 na
composição R(PC6)G(PC5)B(PC4), com bandas PC´s obtidas no ArcGIS. (b) recorte do
mapa geológico Schobbenhaus et al. (2004). Legenda do Mapa: em amarelo o Grupo
Barreiras, em cinza o Complexo Paraíba do Sul, em laranja granito sincolisional e em
vermelho e rosa granitos tardi e pós-colisionais.
 a
 b
Anais XVI Simpósio Brasileiro de Sensoriamento Remoto - SBSR, Foz do Iguaçu, PR, Brasil, 13 a 18 de abril de 2013, INPE
3742
4. Conclusões
O emprego da técnica de Análise dos Principais Componentes em imagens do sensor TM
do Landsat foi importante no processo de diferenciação e identificação das feições geológicas
por abrir um leque de novos elementos. Isso porque além das 7 bandas espectrais presentes do
sensor TM, com a APC puderam ser geradas mais 6 bandas (PC´s) com outras características.
A combinação RGB nessas novas bandas possibilitou distinguir feições que não poderiam ser
destacadas nas composições das bandas originais. 
Através da composição de bandas PC´s foi possível fazer alguma diferenciação entre
unidades e estruturas. Como exemplo, as feições lineares foram bem destacadas na
composição R(PC1)G(PC3)B(PC4). Os granitos tardi a pós-orogênicos foram reconhecidos
por apresentarem áreas com picos mais proeminentes, vales encaixados e feições circulares,
resultando nas cores rosa e roxa na composição R(PC6)G(PC5)B(PC4). Do mesmo modo,
foram destacadas as regiões relativamente planas e com padrões de drenagem dentrítica-
retangulares das coberturas sedimentares, destacadas em azul na composição
R(PC6)G(PC5)B(PC3). Outros tipos de rocha foram identificadas por apresentarem
características morfológicas e consequentemente espectrais intermediárias entre as duas
feições anteriormente citadas. Este foi o caso dos paragnaisses dos Complexos Kinzigíticos,
Nova Venécia e Paraíba do Sul, que apresentaram cor verde na composição
R(PC6)G(PC5)B(PC4). O melhor aproveitamento da técnica foi verificado para escalas de
trabalho entre 1:250.000 e 1:500.000, porém pode ser utilizada para destacar feições também
para escalas menores, até 1:1.000.000.
E, finalmente, recomenda-se a utilização desta técnica em apoio aos mapeamentos
geológicos com escalas e características litológicas semelhantes. 
 
5. Agradecimentos
Ao Instituto Brasileiro de Geografia e Estatística, à organização do XVI Simpósio
Brasileiro de Sensoriamento Remoto e aos colegas Mario Ivan Cardoso de Lima, Aurélio da
Silva de Souza, José Duarte Correia, Sidney Ribeiro Gonzalez e Thiago Piacentini.
6. Referências Bibliográficas
Castañeda, C.; Pedrosa-Soares, A.C.; Belém, J.; Dias, P.H.D.; Gradim, D.; Medeiros, S.R.; Oliveira, O.
2007. Geologia da Folha Ecoporanga 1:100.000, Espírito Santo, CPRM/UFMG
Crósta, A.P. & Moore, J.McM., 1989. Enhancement of Landsat Thematic Mapper imagery for residual
soil mapping in SW Minas Gerais State, Brazil: A prospecting case history in Greenstone Belt Terrain. In:
Thematic Conference on Remote Sensing for Exploration Geology, Calgary, p. 1173-1187. 
Crósta, A.P., 1992. Processamento digital de imagens de sensoriamento remoto. Instituto de Geociências,
Universidade de Campinas, Campinas-SP. 
Cunha, F.M.B.; Fonseca, L.E.N. & Aragão, M.A.N.F., 1992. Integração digital de dados morfológicos,
geológicos e geofísicos da Bacia do Recôncavo. In: Congresso Brasileiro de Geologia, 37, São Paulo, Anais.
São Paulo, SBG. 1992, v. 1, p. 158
RADAMBRASIL, 1987. Folha SE.24 Rio Doce: geologia, geomorfologia, pedologia, vegetação, uso
potencial da terra. Rio de Janeiro, IBGE. 548p.(Levantamento de Recursos Naturais; v. 34).
Salinero, E.C., 2006. Teledetección Ambiental. La Observación de La Terra Desde El Espácio. Segunda
Edição, Editora Ariel Ciencia, Barcelona, Espanha.
Schobbenhaus, C. et al. Carta Geológica do Brasil ao Milionésimo: Sistema de Informações
Geográficas - SIG e 46 folhas na escala 1:1.000.000. Brasília: CPRM, 2004. 41 CD-ROM’s.
Santos, P. R. A. Sensoriamento remoto aplicado à identificação de sítios de exploração mineral com
características de alteração hidrotermal na região de Parauapebas-Pará. Tese de doutorado, Instituto de
Geociências-IGEO,UFRJ 2011, Rio de Janeiro-RJ.
Seoane, J.C.S.; Osako, L.S. & Silva Filho, A.F., 2003. Prospecção de rochas ornamentais auxiliada por
sistema de informação geo-referenciada. Revista Brasileira de Geociências, v. 33: p. 73-82.
Anais XVI Simpósio Brasileiro de Sensoriamento Remoto - SBSR, Foz do Iguaçu, PR, Brasil, 13 a 18 de abril de 2013, INPE
3743