unidade 3 Geoprocessamento

Prévia do material em texto

GEOPROCESSAMENTOGEOPROCESSAMENTO
GEOPROCESSAMENTO EGEOPROCESSAMENTO E
SENSORIAMENTOSENSORIAMENTO
REMOTO: TÉCNICAS EREMOTO: TÉCNICAS E
APLICAÇÕESAPLICAÇÕES
Autor: Me. Franciel i Sant ’ana Marcatto
Revisor: Kelly Cristina de Melo
INICIAR
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.
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.
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
Pré-ProcessamentoPré-Processamento
de Imagens:de Imagens:
Correções dasCorreções das
DistorçõesDistorções
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.
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.
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.
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.
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 1:25.000, a
precisão deve ser de 20 m; no GPS deve ser de, aproximadamente, 10 m.
praticar
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, conforme citado
acima, pode-se adicionar mais pontos
de controle. Entretanto, é muito difícil
um ajuste perfeito dos pontos de
controle, assim, o recomendável é
olerar certa quantidade de erro.
Fonte: Elaborado pela autora.
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, apósa sua realização, os erros de posição dos pixels é
inexistente.
e) O RMS é utilizado para avaliar o erro de localização dos pixels e o seu
resultado é expresso em números de pixels.
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.
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
Princípios daPrincípios da
Interpretação eInterpretação e
Classi�cação deClassi�cação de
ImagensImagens
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.
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.
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.
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 a vegetação 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).
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
índiceé 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
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:
SR = IV P
V
NDV I  =
(IV P   V )
(IV P+V )
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.
Sua equação é dada por:
EV I =
G (IV P   V )
IV P  + C1 ∗ V  − C2 ∗ A + L
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)
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
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.
SAV I  =   [ ] ∗   (1  +  L)(IV P   V )
(IV P  + V  + L)
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.
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.
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).
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 eSano (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 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
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).
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 que todos os pixels da imagem são
classi�cados em uma determinada classe.
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.
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.
InstrumentalizaçãoInstrumentalização
de Técnicas dode Técnicas do
GeoprocessamentoGeoprocessamento
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).
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 utilizandocomo 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 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), 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.
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 de determinada área.
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
Importância De�nição Explicação
1
Igual
importância
Ambos os fatores possuem a
mesma importância
3
Importância
moderada
Um fator é ligeiramente mais
importante
5
Importância
essencial
Um fator é claramente mais
importante
7
Importância
demonstrada
Um fator é fortemente favorecido,
com relevância demonstrada na
prática
9
Importância
extrema
O que diferencia os fatores é a
maior ordem possível
2, 4, 6 e 8
Valores
intermediários
Possibilidade de compromissos
adicionais
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).
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.
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.
Aplicações deAplicações de
Técnicas deTécnicas de
GeoprocessamentoGeoprocessamento
para apara a
Representação deRepresentação de
Fenômenos eFenômenos e
ModelosModelos
AmbientaisAmbientais
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 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 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.
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.
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.
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.
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.
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.
Classe de
declividade
Declividade (%) Cores-padrão
Plano 0-3 verde-claro
Suave ondulado 3-8 amarelo
Ondulado 8-20 laranja
Forte-ondulado 20-45 vermelho
Montanhoso 45-75 rosa-escuro
Escarpado >75 roxo
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 autilização 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.
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.
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.
indicações
Material
Complementar
L I VRO
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.
WEB
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:
ACESSAR
https://www.youtube.com/watch?v=c0j-7I_OlzQ
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.
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
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.
http://www.dpi.inpe.br/spring/portugues/tutorial/classific.html
http://www.cnpq.br/documents/10157/56b578c4-0fd5-4b9f-b82a-e9693e4f69d8
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.