Você está na página 1de 133

DIOGO NOSES SPINOLA

GENERALIZAO CARTOGRFICA EM SIG APLICADA


A UM MAPA DE USO E COBERTURA DO SOLO EM
FORMATO VETORIAL E MATRICIAL

VIOSA, MG BRASIL
JUNHO 2010

UNIVERSIDADE FEDERAL DE VIOSA


CENTRO DE CINCIAS HUMANAS, LETRAS E ARTES
DEPARTAMENTO DE GEOGRAFIA

GENERALIZAO CARTOGRFICA EM SIG APLICADA


A UM MAPA DE USO E COBERTURA DO SOLO EM FORMATO
VETORIAL E MATRICIAL

Monografia apresentada disciplina GEO


481 Monografia e seminrio, do curso de
Geografia da Universidade Federal de
Viosa, como parte das exigncias para
obteno

do

ttulo

de

Bacharel

em

Geografia.
Autor: Diogo Noses Spinola

Orientador: Elpdio Incio Fernandes


Filho

Co-Orientadora: Fernanda Ayaviri Matuk

Viosa, MG Brasil
Junho de 2010

Monografia defendida e aprovada em 28 de Junho de 2010 pela banca examinadora:

Elpdio Incio Fernandes Filho


Orientador
Departamento de Solos
UFV

Fernanda Ayaviri Matuk


Co-Orientadora
Departamento de Geografia
UFV

Bruno de Carvalho Resck


Departamento de Solos
UFV

SUMRIO

1.
2.

3.

4.

INTRODUO .......................................................................................................6
REVISO BIBLIOGRFICA ...............................................................................8
2.1. Generalizao Cartogrfica ..................................................................... 8
2.2. Objetivos da Generalizao .................................................................... 8
2.3. Tipos de Generalizao ........................................................................... 9
2.3.1. Generalizao do Modelo ou Conceitual .......................................... 11
2.3.2. Generalizao Geomtrica ................................................................ 11
2.4. Estruturas de Dados em Formato Vetorial x Formato Matricial .......... 11
2.4.1. Formato Vetorial ............................................................................... 11
2.4.2. Formato Matricial .............................................................................. 12
2.5. Operadores em Dados Vetoriais ........................................................... 13
2.5.1. Operadores Conceituais..................................................................... 13
2.5.2. Operadores Geomtricos ................................................................... 15
2.6. Operadores em Dados Matriciais .......................................................... 24
2.7. Trabalhos realizados ............................................................................. 26
MATERIAIS E MTODOS .................................................................................32
3.1. Caracterizao do mapa a ser generalizado .......................................... 32
3.2. Mtodo para generalizao em formato vetorial .................................. 33
3.3. Mtodo para generalizao em formato matricial ................................ 38
3.3.1. 1o Cenrio .......................................................................................... 41
3.3.2. 2 Cenrio.......................................................................................... 47
3.3.3. 3 Cenrio.......................................................................................... 51
RESULTADOS E DISCUSSO ..........................................................................52
4.1. Dados vetoriais ..................................................................................... 52
4.1.1. Operadores Classificao/Agregao ................................................ 52
4.1.2. Operador Eliminao......................................................................... 56
4.1.3. Operador Suavizao......................................................................... 58
4.1.3.1. Variao de rea mdia ................................................................... 58
4.1.3.2. Variao de permetro mdio .......................................................... 59
4.1.3.3. Variao de Kc mdio ..................................................................... 61
4.1.4. Grau de pureza das classes ................................................................ 62
4.2. Dados Matriciais ................................................................................... 63
4.2.1. 1o Cenrio .......................................................................................... 63
4.2.1.1. Operador Categorizao.................................................................. 63
4.2.1.2. Operadores Dilatao/Eroso e Amalgamao ............................... 67
4.2.1.3. Operador Eliminao ...................................................................... 70
4.2.1.4. Operador Numrico ........................................................................ 72
4.2.1.4.1 Variao de rea mdia ................................................................. 72
4.2.1.4.2 Variao de permetro mdio ........................................................ 74
4.2.1.4.3 Variao de Kc mdio ................................................................... 75
4.2.1.5. Grau de pureza das classes .............................................................. 78
4.2.2. 2o Cenrio .......................................................................................... 80
4.2.2.1. Operadores Dilatao/Eroso e Amalgamao ............................... 80
4

4.2.2.2.
4.2.2.3.
4.2.2.3.1
4.2.2.3.2
4.2.2.3.3

Operador Eliminao ...................................................................... 83


Operador Numrico ........................................................................ 85
Variao de rea mdia ................................................................. 85
Variao de permetro mdio ........................................................ 86
Variao de Kc mdio ................................................................... 88

4.2.2.4. Grau de pureza das classes .............................................................. 90


4.2.3. 3o Cenrio .......................................................................................... 93
4.2.3.1. Operador Eliminao ...................................................................... 93
4.2.3.2. Operador Numrico ........................................................................ 96
4.2.3.2.1 Variao de rea mdia ................................................................. 96
4.2.3.2.2 Variao de permetro mdio ........................................................ 97
4.2.3.2.3 Variao de Kc mdio ................................................................... 99
4.2.3.3. Grau de pureza das classes ............................................................ 101
5. CONCLUSO .....................................................................................................104
6. REFERNCIAS BIBLIOGRFICAS ..............................................................107
ANEXO 1 Resultado das variveis para dados vetoriais ......................................110
ANEXO 2 Grau de pureza para dados vetoriais ...................................................111
ANEXO 3 Mapas resultantes dos dados vetoriais .................................................112
ANEXO 4 Resultado das variveis para dados matriciais - 1 Cenrio..............113
ANEXO 5 Grau de pureza para dados matriciais - 1 Cenrio ...........................115
ANEXO 6 Mapas resultantes dos dados matriciais - 1 Cenrio .........................118
ANEXO 7 Resultado das variveis para dados matriciais - 2 Cenrio............120
ANEXO 8 Grau de pureza para dados matriciais - 2 Cenrio ...........................122
ANEXO 9 Mapas resultantes dos dados matriciais - 2 Cenrio .........................125
ANEXO 10 Resultado das variveis para dados matriciais - 3 Cenrio............127
ANEXO 11 Grau de pureza de dados matriciais - 3 Cenrio .............................129
ANEXO 12 Mapas resultantes dos dados matriciais 3 Cenrio ......................132

1. INTRODUO
A generalizao cartogrfica em meio digital, hoje uma possibilidade de
automao de processos antes realizados manualmente, otimizando a relao
custo/beneficio na produo de mapas multi-escala. A traduo do conhecimento
cartogrfico para formas digitais assentada no desenvolvimento dos Sistemas de
Informaes Geogrficas (SIG), o que exige dos profissionais que desenvolvem
produtos cartogrficos a formalizao e padronizao destes conhecimentos, para desta
forma, os expressar em forma algortmica, caracterizando a sua automatizao.
No entanto, muitos autores discutem a problemtica da automao completa de
mtodos de generalizao cartogrfica. McMaster e Shea (1992) realizaram uma
perspectiva histrica a respeito do assunto, discutindo a possibilidade de automao.
Primeiramente, os autores recorrem a um trabalho da Sociedade Americana de
Cartografia, publicado em 1908 pelo cartgrafo alemo Max Eckert, que discute as
dificuldades da generalizao e das formas de representao da superfcie terrestre.
Eckert afirmava que a generalizao cartogrfica parte de uma interpretao subjetiva
do profissional. Os autores citam ainda o trabalho de J.K Wright, que em 1942,
considerava o processo de produo de mapas parte da imaginao do profissional, o
que concorda com a idia de subjetividade de Max Eckert.
O trabalho escrito por Raisz (1962) ainda mais enftico, quando afirma que
no existem regras para generalizao cartogrfica, no entanto, devem consistir em
processos de combinao, omisso e simplificao. O autor julga que para se
generalizar um mapa de forma coerente, deve-se ter bons conhecimentos geogrficos e
senso de proporo.
McMaster e Shea no mesmo trabalho ressaltam que nos ltimos vinte anos,
acadmicos e a indstria investem em pesquisa para a automao da generalizao,
porm vem encontrando muitas dificuldades. Imhof (1982) afirmava que computadores
e a inteligncia artificial nunca tero o poder de julgamento e a sensibilidade grfica e
esttica para essa finalidade, que os contedos e a criao grfica esto essencialmente
ligados a um trabalho crtico.
6

Pode-se observar ento, que a questo da subjetividade da generalizao de


mapas, possivelmente o maior empecilho para a automatizao, pois a generalizao,
mesmo realizada de forma manual, no segue a critrios rgidos de execuo.
Em artigo mais recente Shen e Lin (2005) discutem a respeito da problemtica,
questionando como descrever e representar informao geogrfica e como converter o
conhecimento e experincia de profissionais para o meio digital e fazer com que
computadores sintetizem a subjetividade.

Discute-se que o ideal para um sistema

automtico de generalizao, necessita de qualidade e quantidade de conhecimento


cartogrfico, o que depende da formalizao da representao dos objetos geogrficos e
um acordo sobre regras cartogrficas bem definidas.
A ausncia de uma formalidade padro de como deve ser realizada a
generalizao proporcionou a produo de diversos trabalhos que abordam a utilizao
de determinados operadores que tem a mesma finalidade, generalizar um mapa em
ambiente digital. Entretanto, o reflexo da falta de padro gerou trabalhos com modelos
de conjunto de operadores divergentes.
Os conjuntos de operadores propostos pelos autores so, em outras palavras, as
tcnicas necessrias para se alcanar a generalizao, realizada em etapas. Muitos
desses operadores esto disponveis em SIGs comerciais em forma de algoritmos, com
o pressuposto de tornarem automticas as tarefas executadas manualmente.
Ressalta-se que nenhum desses conjuntos de operadores so processados de
forma totalmente automtica, pois, requerem que o usurio tenha senso crtico,
conhecimento da rea e esttica suficientes para interferirem no processo.
Assim, o objetivo desta pesquisa explorar os operadores para generalizar de
forma semi-automtica o mapa de uso e cobertura do solo na bacia hidrogrfica do
Crrego So Joaquim, Araponga MG, em escala original 1:20.000 para 1:50.000 em
formato vetorial e formato matricial ou raster.
A escolha da rea foi devido heterogeneidade de classes apresentadas, onde,
utilizando os operadores para generalizao, pode-se verificar com clareza visual os
efeitos da generalizao cartogrfica. Alm disso, um dos objetivos da pesquisa
quantificar a quantidade de informao perdida no processo. A razo da reduo de
escala procurou obedecer a princpios cartogrficos, onde redues de escala muito
abruptas no so aconselhadas.

2. REVISO BIBLIOGRFICA
2.1. Generalizao Cartogrfica
Segundo Lopes (2005) generalizao cartogrfica definida como um processo
de adequao da base de dados e de sua representao grfica, transformando o uso de
dados geogrficos a diferentes nveis de abstrao, permitindo o uso da mesma
informao a diferentes objetivos e usurios.
De acordo com DAlge (2007) por generalizao cartogrfica se considera um
processo cartogrfico que capaz de apresentar os dados em diferentes escalas
(reduzidas), e tambm por transformaes da base de dados, diminuindo desta forma a
complexidade.
Para Meng (1997), a generalizao de um mapa um processo cognitivo, que
deve criar visibilidade e legibilidade adaptveis ao espao de apresentao do mapa, em
tela ou papel, aumentando sua percepo, o nmero de aplicaes e usurios possveis.
Pode-se citar mais um sem nmero de conceitos sobre o que generalizao
cartogrfica, pois, ir notar-se que h uma grande convergncia sobre este conceito. Por
outro lado, sabe-se tambm que o conceito de generalizao cartogrfica no recente,
sendo desenvolvido e estudado em paralelo com a cincia cartogrfica.
O conceito de generalizao digital e sua conseqente automatizao so
relativamente recentes em relao cartografia em geral. Nos ltimos vinte anos a
questo vem recebendo destaque e est no bojo das discusses por especialistas da rea
(McMaster e Shea, 1992). Segundo Meng (1997) esta problemtica foi formulada pela
primeira vez nos anos 1960, onde recebeu respaldo at o incio dos anos de 1980, onde
surgiram s contestaes e divergncias at 1990, onde permaneceu estagnado por meia
dcada, havendo em 1995 uma nova retomada das pesquisas.
2.2. Objetivos da Generalizao
Em geral, o maior objetivo da generalizao reduzir a complexidade de base de
dados e a geometria dos objetos, pressupondo uma visualizao menos poluda do
contedo geogrfico, preservando as caractersticas e integridade dos dados geogrficos,
reduzindo o nvel de detalhe na sua representao (ESRI, 1996).

Segundo Lopes (2005) a generalizao cartogrfica possibilita abstrair a


representao da realidade, apresentando apenas a informao essencial, o que varia do
grupo de usurios ou a finalidade do mapa, ou seja, realando as informaes relevantes
de forma legvel para a escala reduzida. Atualmente, um dos objetivos da generalizao
em relao manuteno, atualizao e distribuio dos dados geogrficos, pois, com
o aumento de nmero de usurios da internet e SIG a demanda cada vez maior por
dados geogrficos em diferentes escalas.
As tcnicas aplicadas em SIGs so capazes de gerar novas informaes a partir
do cruzamento de mapas, por exemplo, ao se avaliar temporalmente uma srie de mapas
de uso e cobertura do solo, porm necessrio que os mapas se encontrem na mesma
escala (Caetano et al, 2001). Sendo assim, um objetivo que vai alm da visualizao dos
dados.
Outra questo abordada em relao ao custo/beneficio. Ao realizar um novo
mapeamento em escala reduzida, demanda-se mais tempo e gastos (Meng, 1997).
2.3. Tipos de Generalizao
So reconhecidos na literatura dois tipos bsicos de generalizao, divididos
entre Generalizao do Modelo e Generalizao Geomtrica.
O primeiro se trata da reestrurao do banco de dados, da semntica dos objetos
e suas relaes, adaptando-os a escala reduzida, isto seguindo todos os preceitos de
generalizao, que depende do usurio e objetivos (Muller, Lagrange & Weibel 1995;
ESRI, 2000). Um exemplo deste tipo de generalizao a reduo de escala de um
mapa pedolgico, no qual as classes de solos que possuem informao at o 5 nvel
categrico, passariam para o 3 nvel categrico.
Generalizao geomtrica corresponde ao tratamento grfico dos objetos, para
adequao de sua apresentao em um novo espao grfico devido a redues de escala,
o que torna o mapa mais legvel, reduzindo os possveis efeitos da reduo de escala,
como poluio visual (Muller, Lagrange & Weibel 1995; ESRI, 2000) (Erro! Fonte de
referncia no encontrada.). Um exemplo a reduo das nuances de uma linha
correspondente a um rio, para uma forma geomtrica mais simples.
Cabe lembrar que no so completamente independentes, pois, determinadas
operaes sobre o modelo acarretam em alteraes geomtricas, assim como algumas
operaes geomtricas alteram os atributos do banco de dados.
9

Figura 1.

Reduo de escala sem e com aplicao de tcnicas de generalizao. (Fonte: Adaptado

de McMaster e Shea 1992)

A Figura 2 apresenta a relao entre a Generalizao do modelo e Generalizao


geomtrica.

Figura 2.

Relao entre generalizao do modelo e generalizao geomtrica (Fonte: Adaptado de

Lopes, 2005)

10

2.3.1.

Generalizao do Modelo ou Conceitual

A generalizao do modelo a possibilidade de manipulao da base de dados,


independente da sua apresentao no mapa. Por vezes, objetos espaciais podem, devido
a diferentes objetivos e usurios, ter representaes em diversas escalas, o que altera sua
representao interna, denominada modelo. Um dos motivos para este tipo de operao
possibilitar o acesso ao banco de dados de forma mais simples, como consultas
analticas mais especficas (Lopes, 2005; Muller et al 1995).
2.3.2.

Generalizao Geomtrica

Este tipo de generalizao esta ligado principalmente a seleo de objetos que


esto apresentados em um mapa com escala grande e selecionar quais objetos so
essenciais para serem apresentados em um mapa com escala reduzida, assim como a
reduo de detalhes geomtricos desses objetos, filtrando o excesso de detalhes.
Considera-se nesse caso a razo de reduo de escala, o propsito do mapa, usurios, o
tamanho de apresentao dessas informaes, tanto em tela (digital) quando em papel
(analgico). Porm, para tanto, requisitado do profissional bom senso esttico e
conhecimento do espao e dos objetos apresentados assim como suas relaes de
importncia, no momento de operacionalizar esse tipo de generalizao (Davis Junior e
Laender, 1999).
2.4. Estruturas de Dados em Formato Vetorial x Formato Matricial
Antes de abordar os operadores para generalizao cartogrfica, importante
ressaltar que em SIG trabalha-se com dois formatos de dados, vetorial e matricial.
Assim, a generalizao pode ser realizada para os dois formatos, utilizando diferentes
operadores para ambos, devido distino das estruturas.
2.4.1.

Formato Vetorial

Os dados em formato vetorial correspondem a trs elementos grficos: linhas,


pontos e polgonos ou rea (Figura 3).
Um ponto representado por sua coordenada espacial (x,y), alm de dados noespaciais, chamado atributos, que a codificao interna desse ponto, indicando o que
11

ele representa. As linhas so um conjunto de pontos conectados em cada um de seus


vrtices, cada um com sua coordenada espacial e tambm tem sua codificao interna,
indicando o atributo associado a esta linha. Um polgono ou rea definido por arcos e
ns, delimitando sua regio no plano, onde o ultimo ponto de uma linha idntico ao
primeiro da prxima, ele se fecha em si mesmo e tambm h um atributo associado a
cada polgono (Cmara, 2005).

Figura 3.

2.4.2.

Representaes de dados vetoriais (Fonte: Adaptado de Cmara, 2005)

Formato Matricial

A estrutura de dados em formato matricial representada por uma grade regular


(Figura 4), onde cada quadrado dessa grade denominado clula ou pixel, que
representa um ou mais atributos. A cada uma dessas clulas atribudo um cdigo que
se refere ao atributo ou objeto especifico, da maneira que o SIG reconhea qual
elemento ou objeto essa clula pertence. Neste tipo de estrutura, o espao representado
por uma matriz P(m.n) que composta por m colunas e n linhas, e cada clula possui
uma localizao nessa coluna e linha que recebe um valor correspondente ao atributo
especfico, alm de conterem um par de coordenadas.
Este tipo de representao entende que o espao pode ser tratado como uma
superfcie plana, recortada por essa malha regular, e cada recorte, no caso, a clula
ou pixel, representa uma poro do terreno. A resoluo espacial, que corresponde ao
12

tamanho (lado x lado) de cada clula o tamanho em rea que essa clula corresponde a
uma rea no terreno. Por exemplo, uma clula com resoluo espacial de 20 metros,
representa uma rea de 400m2 no terreno (Cmara, 2005).
Uma das formas mais usuais de formatos matriciais so as imagens obtidas por
sensoriamento remoto, ou dados onde necessitam de representaes em gradientes,
como nveis de poluio do ar, modelos digitais de altitude, declividade do terreno,
entre outros.

Figura 4.

Estrutura Matricial (Fonte: Cmara, 2005)

2.5. Operadores em Dados Vetoriais


Entende-se por operadores, as tcnicas empregadas com uma finalidade
especfica que, reunidas alcanam o objetivo, a generalizao.
Como j foi apresentado, existem dois tipos de generalizao, generalizao do
modelo e generalizao geomtrica. Assim, os operadores so separados de acordo
esses dois tipos, um grupo atuando sobre os atributos dos objetos e os outros sobre a
geometria dos objetos, ressaltando que determinados tipos de operadores podem ao
mesmo tempo, alterar os atributos e a geometria e vice-versa.
2.5.1.

Operadores Conceituais

Classificao Classifica objetos que tem caractersticas idnticas ou


semelhantes passiveis de serem classificadas em uma nica classe mais genrica
(Robinson e Sale, 1969; McMaster e Shea, 1992; Davis, 1999). Exemplo: Em um mapa
de solos detalhado originalmente at o 3o nvel categrico, agrupam-se as classes com

13

caractersticas semelhantes at o 1o nvel categrico, os reunindo em uma nova classe


(Figura 5).

Figura 5.

Operador Classificao

Agregao: Este operador agrega reas adjacentes que tem o mesmo atributo,
mas que so consideradas como indivduos, transformando-os em um nico objeto.
(Lee, 1993; ESRI, 1996). Este operador pode ser considerado tanto do modelo quanto
geomtrico, atuando tanto nos atributos dos objetos quanto em sua geometria.
Exemplo: Classes de uso do solo so agrupadas de acordo com caractersticas de
cultivo semelhantes (Figura 6).

14

Figura 6.

2.5.2.

Operador Agregao

Operadores Geomtricos

Colapso: Relativo mudana de dimenso do objeto aps a reduo de escala.


Um objeto polgono de dimenso 2-D, aps a reduo, seria representado por uma linha
1-D ou ponto 0-D. (McMaster e Shea, 1992; ESRI, 1996; Davis, 1999) Exemplo: Um
polgono representando uma mancha urbana escala de origem seria representado por um
ponto na escala reduzida (Figura 7).

15

Figura 7.

Operador Colapso

Exagero: Objetos importantes, porm, relativamente pequenos, e que na escala


reduzida ficariam despercebidos e/ou eliminados, tem sua dimenso aumentada
propositalmente para ganhar maior destaque. (McMaster e Shea, 1992; Davis, 1999).
Exemplo: Num mapa hidrogrfico, lagoas e/ou lagos que so relativamente pequenos,
mas de importncia para a finalidade so exagerados para constarem no mapa reduzido
(Figura 8).

16

Figura 8.

Operador Exagero

Deslocamento: Muda-se intencionalmente a posio de um objeto, objetivando


no sobrepor outra feio adjacente. (McMaster e Shea, 1992; Davis, 1999). Exemplo:
deslocamento da linha de divisa entre bairros para destacar uma rua ou avenida, que so
limitantes. No entanto, segundo Muller et al (1995) este o operador mais difcil de
implementar e apesar de algumas solues disponveis, elas no cobrem a gama de
conflitos possveis.

17

Figura 9.

Operador Deslocamento

Eliminao: Quando um determinado objeto tem rea inferior rea mnima


mapevel (AMM) ele eliminado do mapa final (Peng, 2000). Exemplo: Um mapa
temtico qualquer tem para a escala reduzida rea mnima mapevel de 1 hectare, se
qualquer polgono estiver abaixo deste valor, eliminado (Figura 10).

18

Figura 10. Operador Eliminao

Refinamento: Este operador refere-se manuteno do aspecto geral de um


grupo de objetos a partir da reduo de sua complexidade, da densidade, como
conseqncia pode-se eliminar, deslocar ou exagerar os objetos. No entanto, se preserva
o aspecto geral do grupo (McMaster e Shea, 1992; ESRI, 1996; Davis, 1999). Exemplo:
Em um mapa hidrogrfico, eliminam-se os cursos dgua menos significativos de uma
bacia hidrogrfica (Figura 11).

19

Figura 11. Operador Refinamento

Simplificao: Retira-se do polgono e/ou linha os vrtices considerados


redundantes, desnecessrios, e retm os vrtices considerados essenciais, que preservam
o aspecto caracterstico do objeto. (McMaster e Shea, 1992; ESRI, 1996; Davis, 1999;
Peng, 2000; Lopes, 2005). Exemplo: Eliminam-se vrtices desnecessrios para
representao de curvas de nvel (Figura 12).

20

Figura 12. Operador Simplificao

Suavizao: Os vrtices so deslocados de forma a reduzir a angularidade dos


objetos, diminuindo as quinas nas bordas, garantindo uma representao
esteticamente mais agradvel. Este operador comumente utilizado aps a
simplificao, pois, aps a eliminao de vrtices comum observar uma maior
angularidade (McMaster e Shea, 1992; Davis, 1999; Lopes, 2005). Exemplo: Aps
eliminar os vrtices das curvas de nvel, aplica-se este operador para garantir um
aspecto mais natural (Figura 13).

21

Figura 13. Operador Suavizao

Unificao: Quando duas linhas paralelas, de mesmo atributo, se encontram


muito prximas, so unidas em uma nica linha. (McMaster e Shea, 1992; Davis, 1999).
Exemplo: Quando duas rodovias paralelas, de sentidos opostos, so representadas com
um pequeno espao entre si, na reduo de escala este pequeno espao torna-se
impossvel de ser representado, assim, as linhas se unem (Figura 14).

22

Figura 14. Operador Unificao

Destaque: Altera a maneira de apresentar um objeto, ou seja, o seu smbolo,


porm, no modifica suas dimenses, apenas o torna mais adequado ao novo espao de
visualizao, tornando-o mais legvel. (McMaster e Shea, 1992 e Davis, 1999).
Exemplo: num mapa turstico, os smbolos relativos localizao de restaurantes,
bancos, postos de gasolina e outros servios so destacados (Figura 15).

23

Figura 15. Operador Destaque

2.6. Operadores em Dados Matriciais


Enquanto a generalizao dos dados vetoriais pode ser dividida no campo de
atributos e no campo geomtrico, a generalizao de dados em formato matricial
essencialmente ligada ao campo dos atributos, onde a unidade lgica a clula (ou
pixel) que atribuda um conjunto de propriedades (Nunes e Barreiro, 2001).
Um modelo de generalizao matricial foi desenvolvido por McMaster e
Monmonier em 1989 (Mcmaster e Veregin 1996; Muller 1991), onde propuseram
quatro operadores bsicos:
Estrutural: Esta ligada a reestruturao da matriz, diminuindo o nmero de
pixels e aumentando seu tamanho. Porm, a estrutura mantida. Com o aumento do
tamanho dos pixels de 20 metros para 50 metros, por exemplo, a rea do terreno
representada pelo pixel passar de 400 m2 para 2.500 m2, desta forma, alterando a
24

representao do terreno. Exemplo: Num mapa de uso e cobertura com tamanho de


pixel de 20 metros, ou 400m2, este pixel representa uma rea no terreno que corresponde
a 100m2 de plantio de caf e 300m2 de mata, num pixel de 50 metros, abrangendo uma
rea maior, o pixel corresponde no terreno 200m2 plantio de caf, 2.000 m2 de mata e
300 m2 plantio de cana.
Numrica: Tambm denominada filtros espaciais, este tipo de generalizao
atua principalmente reduo da complexidade da imagem reduzindo as variaes de
valores da matriz. Este operador causa uma espcie de borramento na imagem,
diminuindo os contrastes, atravs de uma mscara ou janela que percorre toda a imagem
tendo um ncleo (pixel) central e alterando seu valor de acordo com os valores vizinhos.
Exemplo: Aplicao de um filtro majoritrio, ou de maioria, onde o pixel central recebe
o valor mais frequente dos seus vizinhos, isso varia de acordo com o tamanho da
mscara aplicada.
Categorizao: Envolve mtodos de reduo de detalhes atravs do
agrupamento em classes mais genricas como o agrupamento por temas (uso, tipo de
solo) ou por intervalos de valor. Exemplo: Em um mapa municipal, ruas, avenidas,
edificaes, etc, seriam categorizadas como malha urbana.
Categorizao numrica: Este operador denominado na literatura de
sensoriamento remoto como classificao de imagens. Ao invs da imagem ter no valor
do pixel o valor de nvel de cinza, esses valores so classificados em classes,
transformando a imagem em um mapa temtico, facilitando sua visualizao e
interpretao. Trs tcnicas so bem conhecidas no campo do Sensoriamento Remoto, o
algoritmo da Mxima Verossimilhana (MaxVer); Paraleleppedo e Distncia Mnima.
H ainda outros tipos de operadores, como abordados por Meng (1997):
Eliminao: Segue o mesmo principio do operador de mesmo nome para dados
vetoriais, no entanto, aqui se considera o conjunto de pixels que determinam uma rea,
sendo assim, o conjunto de pixels que no correspondem a AMM so excludos.
Amalgamao: Pixels de mesmo valor que esto prximos, porm, no esto
conectados, passam a se conectar. usualmente aplicado a grupo de pixels que tem a
AMM insuficiente, pois, aps esta operao podem passar a ter rea superior e no
serem excludos.
Dilatao: Os agrupamentos de pixels so expandidos de acordo com o limiar
proposto, em numero de pixels.
Eroso: Aplica-se este operador aps a dilatao, removendo pixels esprios.
25

Os operadores propostos por Meng (1997) costumam operar de forma


seqencial, da seguinte forma: Aplica-se o operador dilatao em agrupamentos de
pixels com rea mnima mapevel inferior ao exigido, aps, aplica-se o operador eroso
que retorna com o valor de pixel proposto no operador anterior, os pixels dilatados pelo
operador dilatao que no se conectaram, so excludos pelo operador eroso, os que
conectaram foram amalgamados, e por fim, o operador eliminao, onde grupos de
pixels que no tem rea superior AMM so excludos.
importante ressaltar que no necessrio o emprego de todos os operadores
(tanto em vetorial como matricial) para se generalizar um mapa, isto ir depender
essencialmente das caractersticas dos objetos contidos no mapa.
2.7. Trabalhos realizados
Alguns trabalhos chegaram concluso sobre o uso de um conjunto de
operadores e diferentes algoritmos.
O trabalho realizado por D Alge (2007) faz uma adaptao do conjunto de
operadores propostos por McMaster e Shea (1992). realizado aqui a generalizao do
mapa de vegetao da Amaznia brasileira na escala original 1:250.000 para
1:1.000.000; 1:5.000.000 e 1:15.000.000 de forma gradativa, sem mudana de escala
abrupta.
Seu mtodo baseado em trs etapas: limpeza de dados, onde utiliza o operador
simplificao; simplificao da base de dados, utilizando o operador classificao e
agregao e a ultima etapa denominada simplificao cartogrfica, onde faz o uso dos
operadores de eliminao e novamente simplificao. Porm, neste caso, simplifica-se
as linhas utilizando diferentes tolerncias baseadas na razo de mudana de escala. Os
operadores foram utilizados separadamente nas quatro folhas que unidas constituem o
mapa da rea de estudo
Para tanto, aplicou-se na ltima etapa de simplificao trs diferentes
algoritmos: Douglas e Peucker; Razo rea-Permetro e Distncia Acumulada. Os
softwares utilizados foram TERRAVIEW e SPRING.
Antes de continuar, cabe explicar o funcionamento dos trs algoritmos.
Douglas e Peucker (Figura 16): um algoritmo disponvel em quase todos os
SIGs comerciais. um mtodo de avaliao global, pois a avalia a linha como um
todo. Este mtodo baseado no uso de distncias perpendiculares entre um segmento de
26

reta que liga o primeiro e o ultimo ponto da linha e os pontos que constituem essa reta.
Desta forma, se nenhum ponto da linha encontra-se mais afastado do que certa distncia
vertical ao segmento de reta que liga os extremos da linha, esse segmento de reta
ento, suficiente para representar a linha. O valor da distncia vertical a tolerncia
definida pelo usurio. No entanto, um mtodo que peca por no ter uma relao direta
entre a tolerncia definida e a razo de mudana de escala pretendida.

Figura 16. Mtodo de simplificao de linhas de Douglas e Peucker (Fonte: DAlge, 2007).

Razo rea-Permetro: Utiliza o mesmo procedimento de analise global da


linha utilizado no mtodo de Douglas-Peucker. No entanto, diferencia-se por adotar a
razo rea/permetro que calculada a partir da tolerncia definida. O uso deste mtodo
permite que tringulos formados por trs pontos que tenha um ngulo agudo (>0o<90o)
muito pequeno possam ser detectados de modo mais eficiente que no mtodo de
Douglas e Peucker.
Distncia Acumulada: Neste mtodo, o primeiro ponto ancora e a partir
dele so calculados os somatrios das distancias entre os pontos, segmentos de reta,
subseqentes at que esse somatrio seja maior que a tolerncia determinada,
eliminando todos os pontos nesse trecho. Quando ultrapassa a tolerncia, o ultimo ponto
lido o novo ancora e recomea o somatrio. Diferentemente dos algoritmos anteriores,
este no considera a linha em sua totalidade.
No entanto, o autor ressalta que no existem regras definidas na escolha das
tolerncias, para tanto, criou duas diferentes regras, uma para as rotinas Douglas e
Peucker e Razo rea Permetro e outra para a rotina de Distancia Acumulada.
Para as duas primeiras rotinas, estipulou-se que a tolerncia mnima para
eliminar redundncia nas linhas digitais seria de 0,1 mm, sendo assim, a regra
considerada foi multiplicar essa tolerncia mnima pela razo de escala adotada, na
27

primeira generalizao de 1:250.000 para 1:1.000.000 a tolerncia foi ento de 0,4 mm.
O autor, subjetivamente, adiciona mais um valor de tolerncia para as duas rotinas, pela
soma e subtrao de 0,1 mm tolerncia bsica usada para a mudana de escala que se
pretende fazer.
Para a rotina de Distncia acumulada, baseou-se na idia de acuidade visual,
estipulada pelo Padro de Exatido Cartogrfica (PEC) como sendo 0,2 mm. Utilizado
ento, como a tolerncia mnima, e como nas rotinas anteriores, multiplica-se esse valor
pela razo de escala pretendida. Novamente, o autor testa o valor de tolerncia definido
pela soma e subtrao de 0,1 pela tolerncia bsica usada na mudana de escala que se
pretende fazer.
A maneira de analisar os dados foi de forma quantitativa, a partir das estatsticas
geradas de: nmero de polgonos por plano de informao; nmero de linhas por plano
de informao; nmero de vrtices no total de linhas de um plano de informao.
Tambm foi analisada de forma qualitativa, comparando visualmente por sobreposio
os mapas gerados com mapas j publicados com a mesma escala, obtidos no IBGE.
A primeira etapa de anlise dos resultados foi de acordo com a seqncia de
operadores utilizados.
O primeiro, limpeza de dados, utilizando o operador simplificao de linhas,
com tolerncia padro de 0,1 mm, foi avaliado estatisticamente a partir do nmero de
vrtices eliminados. Constatou-se que houve reduo de vrtices superior a 20% em
todos os quatro mapas, com um mnimo de 23,7% e mximo de 40,6%. Esta variao
normal, pois, a reduo de vrtices considerados redundantes varia de acordo com o
contedo de cada mapa. Pode-se notar que no houve mudana relevante na esttica dos
mapas apresentados, o que corrobora a idia da redundncia dos pontos (ou vrtices).
Na segunda etapa de anlise dos dados, utilizando os operadores classificao e
agregao. Nesta etapa, segundo o autor, foram definidas algumas regras para classificar
e agregar as diferentes taxonomias apresentadas em seus mapas, cada uma de acordo
com a mudana de escala, quanto mais reduzida a escala, mais generalizada,
conseqentemente, ser a taxonomia adotada. Pode-se perceber que houve uma
homogeneizao dos mapas, pois, classes taxonomicamente idnticas ou semelhantes
foram agregadas.
Na ultima etapa, simplificao cartogrfica, foram utilizados os operadores de e
eliminao de polgonos e simplificao de linhas de acordo com tolerncia definida
pela razo de escala. Para eliminar os polgonos, foi adotado um padro proposto pelo
28

PEC de 0,25 mm na escala do mapa e outro critrio, mais subjetivo, de 1 mm na escala


do mapa, onde polgonos menores que essas medidas (na escala alvo) so eliminados.
As quantidades de polgonos eliminados aumentaram numa proporo direta da reduo
de escala.
No ultimo operador de simplificao de linhas, onde foram comparadas as
rotinas para os trs algoritmos verificou-se que se manteve o padro de diminuio de
vrtices de acordo com o aumento da tolerncia e a diminuio de escala para todos os
casos.
A rotina utilizada no algoritmo Douglas e Peucker foi a que eliminou o maior
nmero de vrtices, seguido da Razo rea-Permetro e Distncia Acumulada.
Na anlise dos resultados visuais, notou-se que na reduo de escala de
1:250.000 para 1:1.000.000 foi satisfatrio, mas, a medida que se reduzia a escala,
foram detectados problemas topolgicos, isto para os trs algoritmos. A rotina para o
algoritmo Distncia acumulada foi a que apresentou a menor quantidade de problemas
topolgicos, no entanto, como no analisa a linha em sua totalidade, deixou de
selecionar vrios pontos considerados crticos pelos dois outros algoritmos.
No trabalho publicado por Dal Santo e Loch (2008) foram aplicados dois
algoritmos de simplificao de linhas disponveis no SIG ArcGis para avaliao dos
resultados.
Os algoritmos foram Douglas e Peucker e uma adaptao do algoritmo de Wang
(ESRI, 1996). Este ltimo um algoritmo que trabalha com reconhecimento de arcos,
analisando suas caractersticas e eliminando os mais insignificantes, porm, preserva a
forma principal do objeto.
Neste trabalho no foram utilizados outros operadores, apenas o de
simplificao. A escolha das tolerncias foi definida de forma subjetiva, trabalhando-se
com as tolerncias de 10 m e 20 m para ambos os algoritmos.
Na rotina aplicada sobre o algoritmo Douglas e Peucker observou-se uma grande
reduo de vrtices, com 94% de reduo para tolerncia de 10 m e 97% para tolerncia
de 20 m. A rotina aplicada sobre o algoritmo Wang preservou uma quantidade muito
elevada de vrtices, eliminando 35% com tolerncia de 10 m e 45% com tolerncia de
20 m.
Na anlise visual, pode-se perceber que a linha original sofreu grande
perturbao geomtrica e topolgica utilizando as rotinas do algoritmo Douglas e
Peucker, e no algoritmo de Wang, as rotinas utilizadas apresentaram menor eliminao
29

de pontos, assim, a forma da linha original no sofreu grandes modificaes, e


apresentou melhores resultados visuais e topolgicos.
O trabalho produzido por Carvalho Junior et al (2005) objetivou generalizar o
mapa de solos de Minas Gerais na escala original de 1:500.000 para 1:1.000.000. Para
tanto, utilizou-se de trs operadores, um operador geomtrico, eliminao, e dois
operadores de generalizao do modelo, classificao e agregao.
Em princpio, o autor reclassificou as classes de solos do mapa original de
acordo com a taxonomia do Sistema Brasileiro de Classificao de Solos, proposto pela
Embrapa em 1999. Nesta fase, as unidades de mapeamento foram ajustadas em relao
ao primeiro componente de cada unidade de mapeamento, reduzindo de 297 para 114
unidades.
O passo seguinte, foi a agregao de polgonos adjacentes com o mesmo valor
de atributo especifico, diminuindo de 3.067 polgonos para 2.388.
O operador geomtrico utilizado eliminou polgonos que estivessem abaixo do
limite estipulado de rea mnima mapevel, reduzindo a quantidade de polgonos para
1.262.
O autor considerou que a generalizao empregada apresentou bons resultados,
pois, manteve a proporo de rea dos solos, no alterando de forma expressiva a
ocorrncia de cada classe de solo, sendo assim, coerente com o mapa original.
O Grupo de Deteco Remota (sensoriamento remoto) do Instituto Geogrfico
Portugus, elaborou uma extenso para ambiente ArcView 3.2 (ESRI) para
generalizao em formato matricial, denominada RasterGen (Nunes e Caetano, 2006)
Essa extenso se baseia nos operadores de generalizao numrica e categrica
definidos por McMaster e Monmonier (1989) em forma seqencial, que tambm utiliza
operadores descritos por Meng (1997).
Existem trs mdulos disponveis, Custom Boundary Clean, Gen Min e Gen
Max, cada um operando de acordo com uma determinada seqncia de operaes. Aqui,
cabe uma observao importante, nesta extenso, feita uma tabela de prioridade entre
as classes (isso para todos os trs mdulos), que ajudam cada algoritmo a realizar suas
operaes, por exemplo, quando tem sobreposio de classes, a que tiver maior
prioridade prevalece.
No primeiro mdulo, utilizado o operador de eliminao de grupos de pixels
com rea inferior AMM determinada. Pode-se ainda aplicar um filtro de maioria,
aplicando uma janela 3x3 com quatro ou oito vizinhos, onde o pixel central tem seu
30

valor alterado de acordo com os pixels predominantes na vizinhana. A operao de


expanso e eroso tambm disponibilizada neste modulo, atuando apenas sobre os
grupos de pixels com rea inferior a rea mnima mapevel, que no final dessa operao,
podem obter valores superiores e no serem eliminados.
No segundo mdulo, Gen Min, tambm adotado o operador eliminao.
Enquanto o primeiro mdulo atua sobre todo o mapa ou sobre as reas inferiores a
AMM, o modulo Gen Min atua sobre as reas inferiores AMM at um limiar definido
pelo usurio. Alm disso, existe uma diferena fundamental em relao ao primeiro
mdulo, pois, se houve um grupo de pixels de rea inferior a AMM, mas no houver
pixels prximos pertencentes mesma classe, permitido aproveitar a existncia de
pixels contguos de outras classes para fazer a generalizao, levando em conta a
prioridade de uma classe sobre a outra.
O modulo Gen Max semelhante aos outros dois, no entanto, a diferena
fundamental que o ponto de partida do algoritmo sobre os grupos de pixels com rea
igual ou superior AMM. O algoritmo aproveita a existncia de grupos de pixels
contguos com rea inferior AMM, assim, esses grupos de pixels so agregados
grupos de reas maiores, eliminando o grupo menor, no entanto, tambm utilizada a
prioridade de uma classe sobre a outra.
Podemos observar diante dos trabalhos expostos, que cada autor utiliza de sua
prpria experincia, subjetividade e induo no momento de escolher e aplicar seus
operadores, e obtm diferentes resultados. Desta forma, fica explcito que quando se vai
generalizar um mapa no existe um conjunto correto de operadores e algoritmos, pois,
depende do objetivo, do contedo do mapa, da razo de mudana de escala e outros
fatores que implicam nesta deciso.
H certa carncia de trabalhos que aplicaram os operadores de generalizao em
seus trabalhos, principalmente em dados matriciais. O trabalho desenvolvido pelo
Instituto Geogrfico Portugus, descrito anteriormente, elaborou a extenso Raster Gen,
onde agrupa algoritmos existentes nos SIGs da ESRI em trs mdulos, contribui de
forma expressiva para padronizar de forma coerente a generalizao, buscando a
automatizao completa do processo.

31

3. MATERIAIS E MTODOS
3.1. Caracterizao do mapa a ser generalizado
Para a realizao desta pesquisa, foi adquirida uma imagem em formato
matricial de uso e cobertura do solo da bacia hidrografia do Crrego So Joaquim,
Araponga Minas Gerais, que foi produto da dissertao de Portes (2010). Esta imagem
foi classificada automaticamente utilizando o classificador por regies Bhattacharya e
foram geradas 15 classes.
Esse produto foi gerado a partir de imagem de satlite IKONOS com resoluo
espacial de 4 metros em escala 1:20.000. Esta imagem ento, j foi generalizada de
acordo com o operador categorizao proposto por McMaster e Monmonier (1989),
pois, cada pixel da imagem original corresponde a um nvel de cinza, que foram
agrupados nas 15 classes, onde cada uma destas classes correspondiam a um
determinado intervalo de valor de nvel de cinza.
Mapas derivados de imagem de satlites com alta resoluo espacial so em
geral para publicaes em escalas grandes, com contedos mais especficos e
detalhados, como neste caso, em que Portes (2010) obteve um mapa de classificao do
uso e cobertura do solo em reas que ocorrem manejo convencional e agroecolgico. No
sistema agroecolgico encontra-se uma maior variedade de culturas nas propriedades
rurais do que nos sistemas convencionais, gerando assim, maior heterogeneidade de
grupos de pixels no resultado da classificao.
A bacia hidrogrfica est localizada na Zona da Mata mineira, regio dos mares
de morros, apresentando relevo bastante acidentado (RESENDE, 1996), desta forma,
condiciona o uso agrcola em pequenas propriedades, sendo assim, mais outro fator que
contribui para a heterogeneidade da classificao.
A Tabela 1 apresenta as classes de uso e cobertura do solo, com suas respectivas
reas totais (hectares) e em relao ao total da rea da bacia.

32

Tabela 1.

rea total e relativa ao total da rea da bacia

CLASSES

rea total (ha)

rea relativa (%)

Nmero de polgonos

Aflor.rochoso
gua
Caf com rvore
Caf solteiro
Cana
Cana queimada
Eucalipto
Eucalipto clonado
Mata
Milho
Pastagem
S/Classificao
Solo exposto
Sombra
Taboa
TOTAL

74
7
59
264
14
1
70
11
76
41
386
13
25
12
30
1.083

6,27
0,47
2,84
25,80
0,94
0,11
4,61
0,95
6,15
3,55
43,45
0,82
1,80
0,82
1,42
100

182
23
244
363
38
5
224
29
192
91
169
44
77
42
98
1.821

Todo o trabalho foi executado em ambiente ArcGis 9.3 (ESRI, 2007). Este SIG
disponibiliza uma variada gama dos operadores necessrios para a realizao desta
pesquisa.
A metodologia ser descrita em duas partes, onde a primeira sero abordados os
mtodos e operadores utilizados no formato vetorial e na segunda parte sero descritos
os mtodos e operadores para o formato matricial.
3.2. Mtodo para generalizao em formato vetorial
O incio dos trabalhos no formato vetorial consistiu em transformar a base de
dados original, que se encontrava em formato matricial, para vetorial. Antes de executar
esse procedimento, um primeiro operador, que pode ser utilizado para os dois tipos de
dados, foi executado, o operador classificao (em raster a nomenclatura
categorizao), onde a tabela de atributos do arquivo original, foi reclassificada de
forma a diminuir a quantidade de classes originais. Para executar esses passos, utilizouse a caixa de ferramentas Spatial Analyst com a ferramenta Reclassify (Figura 17).

33

Figura 17. Ferramenta Reclassify.

A reclassificao das classes objetivou classificar os semelhantes tipos de uso do


solo em classes mais genricas.
O prximo passo foi converter o formato de dados, utilizando a caixa de
ferramentas Spatial Analyst executando a ferramenta Convert Raster to Feature.
Naturalmente, quando se reclassifica as classes em um grupo maior, em dados
formato raster, o operador agregao executado, pois, no formato raster, no existe
limite entre classes como nos arquivos vetoriais, a agregao feita no momento da
reclassificao, e quando so exportados para vetor, os limites entre classes
semelhantes, que seriam eliminados, j no existem mais.
Estes dois operadores, classificao e agregao, so parte dos operadores
conceituais, que operam sobre a tabela de atributo dos dados.
O primeiro operador geomtrico utilizado foi eliminao, onde as reas que
tinham rea inferior AMM foram eliminadas. Para determinar a AMM foi utilizada a
Lado = escala alvo x acuidade visual
Lado = escala alvo x acuidade visual

(Equao 1:
(Equao 1)

Onde:
34

rea em m2 = lado x lado/ 100m;

AMM em hectares = rea/10.000 m.

Neste caso aplica-se:

Lado = 50.000 x 0,2 /100 = 100 m;

rea em m = 100x100 = 10.000 m;

AMM em hectares = 10.000/10.000 = 1 ha.

O algoritmo disponvel no SIG utilizado encontra-se na caixa de ferramentas


Data Management Tools Generalization, na ferramenta Eliminate (Figura 18). Este
algoritmo elimina a classe com a rea inferior a tolerncia aplicada, AMM, e a substitui
pela classe vizinha de maior rea.

Figura 18. Ferramenta Eliminate.

O prximo operador geomtrico foi suavizao, este operador suaviza as bordas


rearranjando os vrtices dos polgonos e/ou adicionando novos vrtices. Neste caso,
como o arquivo foi produto de uma importao de formato raster, verificou-se que os
polgonos gerados apresentaram muitas quinas, demandando o uso deste operador.
Foram aplicados dois diferentes algoritmos, disponveis na caixa de ferramentas
Data Management Tools - Generalization, ferramenta Smooth Polygon (Figura 19). So
encontrados aqui dois diferentes algoritmos:

35

Figura 19. Ferramenta Smooth Polygon

PAEK: sigla para Polynomial Approximation with Exponential Kernel,


produz polgonos suavizados e podem ser adicionados novos vrtices na linha original,
a tolerncia especificada determina a localizao de novos vrtices ou deslocamento dos
existentes. No nosso caso foi especificada uma tolerncia de 30 metros (Figura 20).
Bezier: Neste algoritmo so geradas curvas entre os vrtices e no necessita
definir tolerncia (Figura 20).

Figura 20. Algoritmo PAEK e Bezier

Para avaliar qual algoritmo produziu melhores resultados, que no nosso


entendimento significa o que menos alterou as formas dos polgonos, foram adotados
quatro valores de variao: rea mdia, permetro mdio, coeficiente de compacidade
(Kc) e o desvio-padro mdio (para cada parmetro) para cada classe. Cada uma destas
variveis foram extradas do mapa anterior suavizao, ou seja, o mapa aps aplicar o
36

operador eliminao. Estas variveis extradas foram a base de valores para comparao
entre os dois algoritmos de suavizao. Desta maneira, foi elaborado um grfico
comparativo com as variveis: rea mdia, permetro mdio e coeficiente de
compacidade mdio. O desvio-padro um dado complementar e no foi exposto em
grfico, apenas em tabela. Entende-se que o algoritmo que menos provocou
modificaes nas variveis em estudo foi o mais eficaz.
O parmetro Coeficiente de compacidade (Kc) usualmente utilizado para
anlise morfomtrica de bacias hidrogrficas. Esta equao permite conhecer o grau de
irregularidade de um polgono. O valor mais prximo de 1 tende para forma de crculo,
formas irregulares so superiores este valor (Villela e Matos, 1975) Kc = 0,28 x P/A
(Equao 2).
Kc = 0,28 x P/A

(Equao 2)

Onde:
P = Permetro
A = rea
Terminada a utilizao dos operadores, o passo seguinte foi quantificar as reas
perdidas de cada classe que ao longo do processo de generalizao foram a incorporadas
em outras classes.
O arquivo original, em formato raster, foi novamente exportado para vetorial,
porm, sem reclassificar, ou seja, o arquivo foi exportado com os dados brutos, sem a
execuo de qualquer tipo de operador.Foi realizada uma tabulao cruzada,
comparando o mapa original com o final, aps a utilizao de todos os operadores
descritos e aplicao dos dois algoritmos de suavizao. A ferramenta para executar
essa operao encontra-se na caixa de ferramentas Spatial Analyst Zonal Tabulate
rea.
Por ltimo, foi realizada uma anlise visual dos resultados em escala reduzida,
comparando o mapa original, com os dois produtos finais, resultantes dos algoritmos
PAEK e Bezier. O esquema da Figura 21 apresenta a sequncia dos operadores
utilizados.

37

Figura 21. Sequncia para formato vetorial.

3.3. Mtodo para generalizao em formato matricial


Para generalizao em formato matricial, foram aplicados os operadores:
categorizao, dilatao e eroso, amalgamao, eliminao e numrica.
Foram realizados trs cenrios distintos, os dois primeiros alterando a aplicao
dos operadores dilatao e eroso e o ultimo no utilizando estes operadores. Nesta
pesquisa, entendeu-se que o operador amalgamao resultado da aplicao destes
operadores, assim, o ltimo cenrio uma contra-prova, verificando a real necessidade
do uso de tais operadores, se a amalgamao preservou grupos de pixels que poderiam
ser eliminado mas, que aps este operador, apresentaram rea superiores AMM.
Na Figura 22 apresentado um modelo da atuao dos operadores dilatao,
eroso e amalgamao. Na figura da esquerda, a cor amarela representa os pixels
dilatados, a figura da direita representa os pixels erodidos e amalgamados.

38

Figura 22. Atuao dos operadores dilatao e eroso

O SIG utilizado oferece duas maneiras de utilizar esses operadores. Na caixa de


ferramentas Spatial Analyst - Generalization, ferramenta Boundary Clean encontra-se
este algoritmo que utiliza dilatao e eroso consecutivamente, permitindo o operador a
escolher trs tipos diferentes de rotinas, de acordo com prioridades, por rea ou definida
pelo usurio.
No Sort: Aqui a prioridade de uma classe dilatar e erodir sobre a outra definida
pelo usurio.
Descend: Nesta rotina a prioridade de reas maiores sobre as menores.
Ascend: Ao contrrio da ltima, a prioridade de reas menores (independente
da AMM) sobre as maiores.
Para esta pesquisa, decidiu-se utilizar a rotina Ascend, pois, o mapeamento
original na rea de estudo originou uma grande variedade de agrupamentos de pixels
com reas pequenas, que por vezes, esto prximas, porm, no conectadas.
A outra maneira de utilizao dos operadores est presente na caixa de
ferramentas Spatial Analyst - Generalization, ferramenta Expand (expanso ou
dilatao) e na ferramenta Shrink (eroso), separadamente.
A diferena fundamental entre o primeiro algoritmo descrito e os dois utilizados
de forma separada que utilizando as ferramentas Expand e Shrink separadamente, o
SIG permite que o usurio determine quais agrupamentos de pixels quer aplicar a
funo e quantos pixels quer dilatar e erodir. Em outras palavras, permite reunir os
agrupamentos de pixels com AMM inferior a tolerncia estabelecida, expandi-los e
depois os erodir, de forma que, esses agrupamentos de pixels tero uma oportunidade de
se amalgamarem a agrupamentos semelhantes que esto prximos e no conectados,
com a possibilidade da sua rea final ser superior AMM e ento no serem eliminados.
39

No primeiro cenrio proposto utilizou-se a ferramenta Bounday Clean e o


segundo cenrio utilizar as ferramentas de dilatao e eroso separadamente. Um
mtodo de avaliar qual algoritmo de dilatao e eroso foi mais eficaz verificar qual
deles permitiu menor invaso de uma classe sobre a outra. Pois, quando um grupo de
pixels expandido e erodido, clulas de diferentes classes podem sobrepor umas s
outras, acarretando em perda de rea de um grupo para outro.
Para tanto foi utilizado um mtodo comum em tcnicas de classificao de
imagens, que o ndice de Exatido Global (total) e ndice Kappa que podem ser
derivados partir de uma matriz de confuso mxm, onde m so as classes analisadas. As
linhas da matriz representam as reas derivadas do mapa de referncia enquanto as
colunas representam as classes aps a aplicao do algoritmo.
O ndice de Exatido Global ndica o nmero de pixels corretamente
classificados dividido pelo nmero total de pixels do mapa de referncia. A anlise da
matriz de confuso apresenta, para cada classe, erros de omisso e de comisso. Os
erros de omisso podem ser descritos como a omisso no mapa de determinados grupos
de pixels das classes originais, que so classificados como outra classe. Os erros de
comisso so determinados pixels que so atribudos uma classe do mapa final ao qual
no pertence, enquanto deveriam estar em outra classe. Ou seja, enquanto o erro de
omisso reflete os pixels perdidos para outra classe, o erro de comisso reflete os
pixels recebidos por outra classe.
O Indice Kappa (Equao 3) nos revela a exatido do mapa final, em referncia
ao mapa original, e derivado a partir do ndice de Exatido Total e o valor esperado
calculado usando as marginais da matriz de confuso.
De acordo com Congalton (1991) o valor apresentado pelo ndice Kappa
considerado satisfatrio na preciso de uma classificao temtica, porque considera
toda a matriz de confuso no seu clculo, incluindo os elementos da diagonal principal
(concordncia real), utilizado no ndice de Exatido Global, alm dos elementos
marginais da matriz, os quais representam as discordncias na classificao.

ndice Kappa (K) = (valor observado valor esperado)

(Equao 3)

1 valor esperado
Onde:
Valor observado = ndice de exatido total
40

Valor esperado = Valor calculado usando as marginais da matriz de erros

O ndice Kappa dividido por intervalos de valores conforme nvel de


aceitao, como indicado por SOARES (2001):
Tabela 2.

Intervalo de valores do ndice Kappa


K 0,2
0,2 K 0,4
0,4 K 0,6
0,6 K 0,8
0,8 K 1,0

Pssimo
Razovel
Bom
Muito bom
Excelente

No primeiro cenrio, as reas menores tiveram prioridade sobre as reas maiores


e no segundo, apenas as reas inferiores AMM determinada tiveram prioridade sobre
as demais, no terceiro no se utilizou estes operadores. Os outros operadores foram
utilizados da mesma forma para os trs cenrios.
Para os trs cenrios, foi realizada uma tabulao cruzada entre o mapa original
e o mapa final, aps todos os processos, para determinar o grau de pureza de cada classe
final, da mesma maneira que foi feito nos dados vetoriais.
3.3.1.

1o Cenrio

O primeiro passo foi classificar as classes originais em classes genricas que


contenham

caractersticas

semelhantes,

utilizando

operador

categorizao,

diminuindo de 15 para 10 classes de uso e cobertura do solo. Para tanto, foi utilizada a
ferramenta Reclassify (Figura 17), disponvel na caixa de ferramentas Spatial Analyst.
Em seguida foi aplicado os operadores dilatao, eroso. Aqui foi utilizada a
ferramenta Boundary Clean (Figura 23), com a rotina Ascend, priorizando as menores
reas, ressaltando que aqui independente da AMM, pois agrupamentos de pixels com
reas superiores AMM, mas, menores que os agrupamentos adjacentes, tiveram
prioridade.

41

Figura 23. Ferramenta Boundary Clean

O operador eliminao foi aplicado em seguida, com o mesmo conceito de


AMM que foi apresentado para dados vetoriais, porm, neste caso a relao ao nvel
do pixel. A AMM foi determinada como 1 hectare, que equivalente 625 pixels de
acordo com a Equao 4.

AMMp=

AMM
Ap

(Equao 4)

Onde:

AMMp = Nmero de pixels mnimo por regio;

AMM = rea mnima mapevel;

Ap = rea do pixel.

Neste caso aplica-se:

AMMp=

10000 m
= 625 pixels
16

Para utilizar esse operador no SIG foi seguida a seguinte rotina na ferramenta
Raster Calculator, da caixa de ferramentas Spatial Analyst:
regiongroup([arquivo de sada do boundary clean], #, EIGHT, WITHIN)
(Figura 24)
A ferramenta region group individualiza com novos identificadores os
agrupamentos de pixels.

42

Figura 24. Ferramenta Region Group.

Select([arquivo de sada do region group ], 'count > 625') (Figura 25)


Esta ferramenta seleciona os agrupamentos de pixels individualizados pela
ferramenta anterior que tem nmero de pixels (count) acima do valor determinado. Os
valores abaixo do determinado receberam um valor nulo.

Figura 25. Ferramenta Select

Nibble( [arquivo de sada do boundary clean],[arquivo de sada do select ])


(Figura 26)
43

Nesta ferramenta executada uma lgebra de mapas, onde o raster original


multiplicado com as reas selecionadas no passo anterior. As regies que tinham abaixo
de 625 pixels foram eliminadas e foram substitudas pelo vizinho mais prximo de
acordo com o mapa original.

Figura 26. Ferramenta Nibble.

Em seguida, com o mapa apresentando apenas as regies com rea apresentvel,


aplicou-se o operador numrico, um filtro majoritrio, onde a clula central, a partir de
uma janela de tamanho opcional, que tem uma quantidade de pixels vizinhos, cada um
com um valor. A partir dos valores predominantes dos vizinhos, o valor do pixel central
alterado de acordo com esse valor majoritrio. Este operador implica na suavizao
das bordas, tornando o mapa esteticamente mais agradvel, especialmente quando se
reduz a escala.
O algoritmo selecionado para este operador encontrado na caixa de
ferramentas Spatial Analyst Neighbordhood na ferramenta Focal Statistics (Figura
27). Utilizou-se duas tcnicas disponveis no algoritmo com trs rotinas para cada uma.
Na primeira foi aplicada uma janela espacial retangular (Figura 28) de 3x3; 6x6 e 9x9,
com 9; 36 e 81 pixels vizinhos respectivamente. A seguinte com janela espacial circular
(Figura 29) de 3x3; 6x6 e 9x9 com 9; 36 e 81 pixels vizinhos respectivamente, para a
clula central, assim, nestes grupos de vizinhos o valor mais encontrado atribudo
clula central.
44

Figura 27. Ferramenta Focal Statistics

45

Figura 28. Filtro espacial retangular

Figura 29. Filtro espacial circular

46

A proposta para a utilizao diferentes tcnicas e rotinas avaliar qual foi a que
menos modificou as formas dos objetos que compem o mapa, de forma similar
avaliao realizada sobre os dados vetoriais. Neste caso, levou-se em considerao
variao da rea mdia, permetro mdio, Kc mdio e desvio-padro mdio, para
mensurar os resultados dos filtros.
A Figura 30 demonstra o esquema utilizado na generalizao deste primeiro cenrio
em ambiente matricial ou raster.

Figura 30. Esquema para o primeiro cenrio

3.3.2.

2 Cenrio

Como foi ressaltado anteriormente, a nica diferena entre os dois cenrios foi
na escolha do algoritmo utilizado para aplicao dos operadores dilatao, eroso. Neste
cenrio, ao contrrio do anterior, estes operadores foram aplicados separadamente e
atuando apenas nas reas inferiores AMM.
De posse do mapa j classificado, utilizou-se a ferramenta Region Group da
caixa de ferramentas Spatial Analyst Generalization. Esta ferramenta individualiza os
grupos de pixels com novos identificadores, porm, na tabela de atributos existe uma
47

coluna que mostra qual classe estes grupos pertencem.


No operador dilatao, foi utilizada a ferramenta Expand da caixa de
ferramentas Spatial Analyst Generalization. Na ferramenta anterior, Region Group,
todos os grupos de pixels foram individualizados, num total de 1.296 grupos, cada um
com um identificador diferente. Esta ferramenta necessita saber para operar em
quantos pixels os grupos sero expandidos e quais destes grupos sero utilizados, ou
seja, necessrio informar quais os identificadores dos grupos que esto com rea
inferior AMM. Visto a quantidade de grupos que tem essa especificao, 1.141, o que
geraria um grande esforo manual e um maior tempo gasto, optou-se utilizar a
ferramenta Raster Calculator, da caixa de ferramentas Spatial Analyst.
Foi necessrio ento, a partir da tabela de atributos do arquivo gerado pela
ferramenta Region Group, selecionar todos os grupos que tem a rea inferior AMM. A
partir da, exportar estes grupos para formato .DBF, e no Microsoft Office Excel
transform-los para arquivo texto .TXT.
Na

ferramenta

Raster

Calculator

executa-se

( Nome arq = Expand.([output Re gion Group], np, FILE, RzSO)

seguinte

equao

(Equao 3):

Nome arq = Expand.([output Re gion Group], np, FILE, RzSO)

(Equao 3)

Onde:

Nome arq = nome do arquivo a ser criado;

Expand = funo utilizada;

Output Region Group = arquivo de sada da ferramenta Region Group;

np = quantidade de pixels;

RzSO = localizao da pasta no sistema operacional.

Neste caso, a quantidade de pixels para dilatar foi determinada em 1 (Erro!


Fonte de referncia no encontrada.).

48

Figura 31. Ferramenta Expand

De posse do arquivo de sada, foi aplicado o operador eroso. Da mesma forma


que o algoritmo anterior, este exige as mesmas especificaes e encontrado na mesma
caixa de ferramentas, utilizando a ferramenta Shrink. Assim, a mesma equao foi
utilizada, no entanto, ao invs de expandir, este algoritmo erode a mesma quantidade de
pixels

que

foram

expandidos

(um),

mas

que

no

( Nome arq = Shrink .([output Dilatacao], np, FILE, RzSO)

se

conectaram
(Equao 4 e

Figura 32). Nota-se que agora, o arquivo de entrada o arquivo de sada do ltimo
operador.
Nome arq = Shrink .([output Dilatacao], np, FILE, RzSO)

(Equao 4)

49

Figura 32. Ferramenta Shrink

Por fim, aplica-se o operador eliminao e em seguida o operador numrico.


A Figura 33 apresenta o esquema utilizado neste cenrio.

Figura 33. Esquema para o segundo cenrio

50

3.3.3.

3 Cenrio

A diferena fundamental deste ltimo caso para os demais a no utilizao dos


operadores dilatao, eroso e amalgamao.
Entende-se que o objetivo destes operadores preservar determinados objetos
que tem reas inferiores AMM, que esto prximas, mas no conectadas. Porm, para
verificar se houve necessidade da aplicao destes operadores neste mapa, eliminou-se
este passo, reduzindo as etapas do processo.
A maneira encontrada de averiguar se foi necessrio o uso desses operadores foi
realizada atravs da quantificao de nmero de grupos de pixels, ou seja, se utilizando
os operadores citados houve, aps o operador eliminao, uma quantidade maior de
agrupamentos de pixels, ento esses operadores conseguiram reter mais grupos do que
se no fossem utilizados, caso contrrio, se houve a mesma quantidade de grupos ou um
nmero inferior, podemos afirmar que para este caso, no teve a necessidade de se
dilatar, erodir e amalgamar. Sendo assim, foi seguida a sequncia de operadores:
categorizao, eliminao, numrica. Utilizando os mesmos algoritmos, rotinas,
tolerncias e avaliaes.
A Figura 34 apresenta o esquema utilizado neste cenrio.

51

Figura 34. Esquema para o terceiro cenrio

4. RESULTADOS E DISCUSSO
4.1. Dados vetoriais
4.1.1.

Operadores Classificao/Agregao

Na converso dos dados originais em formato raster para vetorial utilizou-se o


operador classificao que reclassificou as classes, o que consequentemente ocasionou a
agregao das classes.
A Tabela 3 demonstra numericamente os efeitos da aplicao desses operadores.
Houve reduo de 15 classes originais para 10 classes mais abrangentes, onde se
procurou classificar com o mesmo nome as classes que so semelhantes.

52

Tabela 3.
CLASSE

Resultado do operador Classificao.

rea total
rea
N de
(ha)
relativa (%) polgonos

Mata
Caf solteiro
Caf c/ rvore
Eucalipto
Eucalipto
clonado
Solo
exposto
Milho
Cana
Cana queimada
gua
Taboa
Pastagem
Aflor. rochoso
Sombra
S/ Classificao

76
264
59
70
11
25
41
14
1
7
30
386
74
12
13

7
24,37
5,45
6,46
1
2,33
3,79
1,30
0,1
0,64
2,77
35,64
6,85
1,1
1,2

192
363
244
224
29
77
91
38
5
23
98
169
182
42
44

TOTAL

1.083

100

1.821

Nova classe

rea total
rea
N de
(ha)
relativa (%) polgonos

Mata

76

192

Caf

323

29.82

312

Eucalipto

81

7,46

235

Solo exposto

25

2,33

77

Agricultura

56

7,52

123

gua

0,64

23

Pastagem

416

42,49

167

Aflor. rochoso
Sombra
S/ Classificao

74
12
13

6,85
1,1
1,2

182
42
44

TOTAL

1.083

100

1.397

Nota-se que as classes Caf Solteiro e Caf com rvore, apesar de serem um tipo
de agricultura no foram classificadas como tal, pois, devido a sua importncia na
regio e a sua extenso em rea, optou-se por individualizar essas classes como Caf.
O nmero de polgonos foi reduzido, como era esperado, em aproximadamente
23%. Com a diminuio de classes, e o conseqente agrupamento, determinados limites
que dividiam 2 ou mais polgonos que agora so semelhantes, se reduzem a um nico
polgono.
A Figura 35 apresenta o mapa original com 15 classes e a Figura 36 apresenta o
mapa aps aplicar o operador classificao, ambos em escala original, 1:20.000

53

Figura 35. Mapa original

54

Figura 36. Mapa resultante do operador classificao.

55

4.1.2.

Operador Eliminao

O prximo operador utilizado foi eliminao, onde as reas inferiores 1


hectare foram eliminadas. Este operador, aplicado no material desta pesquisa,
demonstrou ser o que mais influenciou no mapa original. Como pode ser observado na
Tabela 4 em termos de valores de rea e numero de polgonos em relao ao mapa
classificado.
Tabela 4.

CLASSE
Mata
Caf
Eucalipto
Solo exposto
Agricultura
gua
Pastagem
Aflor.
rochoso
Sombra
S/
classificao
TOTAL

Resultado do operador Eliminao.

rea
rea
rea Diferena
Reduo
rea total
N de
N de
relativa
CLASSE total (ha) relativa de rea
de
(ha)
polgonos
polgonos
(%)
(%)
(%)
polgonos
76
323
81
25
56
7
416

7,00
29,82
7,46
2,33
7,52
0,64
42,49

192
312
235
77
123
23
167

74

6,85

182

12

1,10

42

13

1,20

44

1.083

100,00

1.397

Mata
Caf
Eucalipto
Solo exposto
Agricultura
gua
Pastagem
Aflor.
rochoso
Sombra
S/
classificao

47
406
35
12
30
1
496

4,35
37,50
3,23
1,10
2,80
0,09
45,79

-38,15
25,69
-56,79
-25,00
-46,42
-85,71
19,23

14
30
13
6
9
1
14

92,70
90,38
94,46
92,20
92,68
95,65
91,61

40

3,69

-45,95

11

93,95

10

0,90

-16,66

92,85

0,55

-53,8

95,45

1.083

100,00

103

92,62

De acordo com os valores expostos na Tabela 4, nota-se que apenas a classe


Caf e Pastagem tiveram acrscimo de rea, justamente as classes com maior rea.
Deve-se a isto, o fato que o algoritmo utilizado elimina as reas inferiores AMM que
so substitudas pelo polgono adjacente com maior rea, justificando assim o acrscimo
de rea dessas classes.
A Figura 37 apresenta o mapa aps a aplicao deste operador em escala
original.

56

Figura 37. Mapa resultante do operador Eliminao.

57

A radical mudana da aparncia mapa aps eliminar reas menores que 1 hectare
esta diretamente e indiretamente influenciada pelos fatores fsicos da rea, histricos e
do mapeamento realizado.
A regio predominantemente montanhosa, favorece assim uma mudana de
ambientes em pequeno espao, contribuindo tambm, alm de questes histricas, o
cultivo em pequenas propriedades, predominantemente familiar, e muitas delas adotam
o manejo agroecolgico, significando mais tipos de cultivo no espao da propriedade.
Somando esses fatores particulares da regio, com o material utilizado para o
mapeamento, uma imagem de satlite de alta resoluo espacial, tem-se ento, uma
grande diversidade de mapeamento, alm de uma heterogeneidade de classes mapeadas,
uma grande quantidade de polgonos. Essa grande quantidade de informao por rea
favoreceu um mapa com muitas reas pequenas, que de acordo com o critrio utilizado,
foram excludas.
4.1.3.

Operador Suavizao

O operador suavizao foi aplicado em dois diferentes algoritmos, PAEK e


Bezier, o primeiro utilizando uma tolerncia de 30 metros e o segundo no exige
tolerncia.
A maneira numrica utilizada para mensurar o resultado desses algoritmos foi a
partir da variao de rea mdia, permetro mdio, coeficiente de compacidade mdio e
os respectivos valores de variao de desvios-padro para cada classe.
4.1.3.1.

Variao de rea mdia

A Tabela 11 no Anexo 1 demonstra os valores de variao de rea mdia e


desvio padro, a Figura 38 apresenta os valores de variao de rea mdia.

58

1- Afloramento rochoso 2- Agricultura 3- gua 4- Caf 5- Eucalpto 6- Mata 7- Sem classificao 8Pastagem 9- Solo exposto 10- Sombra
Figura 38. Variao de rea mdia

Nota-se que no houve expressiva variao de rea mdia e desvio-padro para


os dois algoritmos, que atuaram nas bordas dos polgonos, reajustando os vrtices e
retirando os ngulos demasiadamente agudos.
4.1.3.2.

Variao de permetro mdio

A Tabela 12 no Anexo 1 apresenta a variao do permetro mdio e variao do


desvio-padro e a Figura 39 apresenta os valores referentes variao do permetro
mdio.

59

Figura 39. Variao de permetro mdio

1- Afloramento rochoso 2- Agricultura 3- gua 4- Caf 5- Eucalpto 6- Mata 7- Sem classificao 8Pastagem 9- Solo exposto 10- Sombra

Podemos notar que este parmetro sofreu modificaes relevantes utilizando o


algoritmo PAEK. Exceto a classe sombra, todas as outras tiveram um decrscimo no
permetro mdio variando entre -13,67% para classe solo exposto a 20,40% para
classe mata, significando que houve reduo nos ngulos agudos, tendendo a bordas
mais suaves, esteticamente mais agradveis. No entanto, tende tambm produo de
informao errnea, pois, no terreno os limites naturais no tendem necessariamente a
ter bordas arredondadas e os cultivos (agricultura, caf, eucalipto) tambm no.
A mesma tendncia de decrscimo foi observada no parmetro de desvio-padro
para o algoritmo PAEK, excetuando a classe sem classificao e gua. Houve neste
caso uma menor disperso de valores entre os permetros dos polgonos, aproximandose da homogeneidade.
O algoritmo Bezier no apresentou valores expressivos de variao de permetro
mdio, variando entre 2,62% para classe solo exposto a 3,43% para classe sombra,
ao contrrio do algoritmo anterior foram valores positivos, o que no necessariamente
significa que houve acentuao dos ngulos agudos, pois, valores desta ordem no
permitem essa concluso. A possvel diferena entre os resultados dos algoritmos devese que o algoritmo PAEK permite a incluso de novos vrtices, alm de controle da
tolerncia, o algoritmo Bezier apenas rearranja os vrtices, a flexibilidade neste caso
menor.
60

O desvio-padro para o algoritmo Bezier tambm sofreu pequenas modificaes,


excetuando a classe pastagem.
4.1.3.3.

Variao de Kc mdio

A Tabela 13 no Anexo 1 apresenta os valores de variao do coeficiente de


compacidade (Kc) e do desvio-padro e a Figura 40 apresenta os valores de variao de
Kc.

Figura 40. Variao de Kc


1- Afloramento rochoso 2- Agricultura 3- gua 4- Caf 5- Eucalpto 6- Mata 7- Sem classificao 8Pastagem 9- Solo exposto 10- Sombra

O algoritmo PAEK, como era esperado, de acordo com os resultados da variao


do permetro mdio, apresentou expressivas variaes negativas de Kc, significando
uma tendncia ao arredondamento, com valores variando de -13,30% para classe solo
exposto -20,31% para classe mata. As bordas dos polgonos mais suavizadas pela
reduo do permetro causam essa tendncia ao arredondamento.
De maneira similar, o desvio-padro para este algoritmo seguiu a mesma
tendncia de queda, variando entre 0% para as classes gua e sem classificao 29,57% para classe mata. Esta discrepncia de valores das classes citadas, deve-se
que o valores de Kc dos polgonos para o mapa base eram homogneos para as classes
com 0% de variao no desvio-padro e apresentaram valores mais discrepantes na
classe mata. Este algoritmo ento manteve a homogeneidade para as classes com 0%
61

de variao no desvio-padro e forou uma homogeneizao para o restante dos valores,


pois, tambm apresentarem valores expressivos.
O algoritmo Bezier tambm no causou variaes expressivas neste parmetro,
pois, como o Kc uma razo entre permetro e rea, e essas duas variveis sofreram
modificaes irrelevantes, era esperado que no houvesse alteraes relevantes no Kc e
no desvio-padro.
Algumas classes fogem a tendncia do grupo, natural que haja certas
discordncias, porque cada polgono apresenta algum tipo de forma geomtrica
especifica. O algoritmo atua sobre essas formas de maneira idntica, no entanto, os
resultados produzidos podem ser diferentes.
4.1.4.

Grau de pureza das classes

Foi realizada uma tabulao cruzada entre o mapa original e o mapa final
apresentando quanto das classes originais foram perdidas para outras classes e quanto
foi preservado na classe original ou classe generalizada semelhante.
Entende-se que este tipo de dado fundamental como resultado no processo de
generalizao, deixando claro para o usurio quais classes esto contidas naquelas
representadas no mapa, e quanto isto representa no mapa final.
A Tabela 14 no Anexo 2 apresenta os resultados finais para o algoritmo PAEK.
Os valores esto expressos em porcentagem.
Os nmeros destacados em vermelho significam a porcentagem de rea da classe
original que foi preservada na classe final.
A classe final gua manteve o maior grau de pureza com 92,48% do seu
polgono contendo apenas a classe original gua e a classe sombra foi a que menos
representa a classe original com 46,68% de pureza, menos da metade desta classe , de
acordo com o mapeamento original, de fato sombra.
Em termos prticos, isto significa que em uma determinada classe representada
no mapa, no existem apenas uma s classe, coexistem diversas outras, como em nosso
caso.
A Tabela 15 no Anexo 2 apresenta os dados para o algoritmo Bezier. Os valores
esto expressos em porcentagem.
De maneira similar ao primeiro algoritmo, a classe gua se manteve mais
integra com 91,81% e a classe sombra com menor grau de pureza, 46,67%,
62

novamente, correspondendo menos da metade da representao da classe com o


mesmo nome.
A partir do exposto, podemos notar, excetuando a classe gua, que todas as
classes tiveram modificaes relevantes a partir do mapa original e nesse aspecto, os
algoritmos demonstraram pouca variao entre si.
A Figura 66 no Anexo 3 apresenta o mapa resultante do algoritmo PAEK e o
mapa resultante do algoritmo Bezier em escala reduzida. A Figura 67 no Anexo 3
apresenta os mesmos mapas para em escala ampliada.
Percebe-se que o algoritmo PAEK produziu maior suavizao das bordas,
eliminando as sinuosidades. O algoritmo Bezier menos agressivo, preservando mais a
forma original dos objetos.
4.2. Dados Matriciais
1o Cenrio

4.2.1.
4.2.1.1.

Operador Categorizao

O primeiro operador aplicado aqui foi categorizao, diminuindo de 15 classes


originais para 10. A Tabela 5 apresenta o resultado deste operador.
Tabela 5.
CLASSE

Resultado do operador categorizao

rea
rea
Grupos de
total (ha) relativa (%)
pixels

Mata
76
Caf solteiro
264
Caf com
59
rvore
Eucalipto
70
Eucalipto
11
clonado
Solo exposto
25
Milho
41
Cana
14
Cana
1
queimada
gua
7
Taboa
30
Pastagem
386
Aflor.rochoso
74
Sombra
12
S/Classificao
13
TOTAL
1.083

Nova classe

rea
total (ha)

rea
relativa

Grupos de
pixels

7
24,37
5,45

192
363
244

Mata
Caf

76
323

7
29.82

171
281

6,46
1

224
29

Eucalipto

81

7,46

225

2,33
3,79
1,30
0,1

77
91
38
5

Solo exposto
Agricultura

25
56

2,33
7,52

70
119

0,64
2,77
35,64
6,85
1,1
1,2
100

23
98
169
182
42
44
1.821

gua
Pastagem

7
416

0,64
42,49

23
155

6,85
1,1
1,2
100

176
35
41
1.296

Aflor.rochoso
74
Sombra
12
S/Classificao
13
TOTAL
1.083

63

Como apresenta a tabela, os resultados so idnticos aos resultados sobre os


dados vetoriais.
A Figura 41 apresenta o mapa original e a Figura 42 apresenta o mapa aps o
uso deste operador, em escala original.

64

Figura 41. Mapa original

65

Figura 42. Mapa resultante do operador categorizao

66

4.2.1.2.

Operadores Dilatao/Eroso e Amalgamao

O prximo operador foi dilatao e eroso a partir do algoritmo Boundary


Clean, que aplica os dois operadores consecutivamente. A Tabela 6 apresenta o valor
relativo ao ndice de Exatido Total atravs da Matriz de Confuso. exposto o ndice
Kappa, para demonstrar o grau de pureza preservado por este algoritmo.
Adotou-se aqui o termo, grau de pureza, da mesma forma que na anlise da
tabulao cruzada, pois, o objetivo de calcular o ndice de Exatido Global e o ndice
Kappa sobre este algoritmo verificar o quanto de cada classe perdeu ou adquiriu novas
reas advindas de diferentes classes. O conveniente obter o mnimo de sobreposio
entre as classes.
Os valores das classes esto expressos em hectares.
Tabela 6.
CLASSE
Caf
Pastagem
Solo exposto
Eucalipto
Agricultura
Mata
Aflor.rochos
o
Sombra
S/classifica
o
gua
Total
E.C. (%)
IET (%)

Matriz de confuso

Caf Pastage Solo Eucalipt Agricultura Mata Aflor.rocho Sombr S/classe gua
m
exposto
o
so
a

Total

%
Corr.

E.O.
(%)

308,36

3,59

0,22

3,81

0,86

3,69

2,15

0,24

0,15

0,19

323,30

95,38

4,62

4,14

405,94

0,67

0,86

1,44

0,39

1,57

0,05

0,38

0,09

415,59

97,68

2,32

0,32

1,19

22,79

0,03

0,03

0,00

0,11

0,00

0,07

0,01

24,58

92,71

7,29

1,76

0,49

0,01

77,71

0,08

0,89

0,36

0,13

0,03

0,00

81,51

95,34

4,66

0,55

0,81

0,04

0,09

54,12

0,08

0,16

0,01

0,01

0,01

55,92

96,79

3,21

2,58

0,15

0,00

1,14

0,05

71,74

0,09

0,43

0,02

0,02

76,27

94,05

5,95

1,46

0,94

0,09

0,33

0,23

0,04

71,09

0,01

0,05

0,00

74,29

95,68

4,32

0,12

0,00

0,00

0,13

0,01

0,24

0,00

11,67

0,00

0,08

12,29

94,99

5,01

0,09

0,30

0,10

0,01

0,02

0,00

0,07

0,00

12,36

0,00

12,99

95,15

4,85

96,91

3,09

0,06

0,05

0,00

0,01

0,02

0,00

0,02

0,04

0,00

7,07

7,30

319,48

413,52

23,95

84,17

56,91

77,10

75,65

12,62

13,11

7,52

1084,08

3,48

1,83

4,86

7,67

4,89

6,96

6,03

7,52

5,73

6,03

96,20

Todas as classes apresentaram mais de 90% rea assinalados corretamente aps


a aplicao do algoritmo, a classe solo exposto com um valor ligeiramente inferior
aos demais, com 92,71% e a classe pastagem apresentou maior pureza no mapa final
com 97,68% de preservao da classe. Consecutivamente, a primeira classe apresentou
maior Erro de Omisso, com 7,29% de sua rea classificada como outra classe e a
segunda com 2,32% de sua rea classificada como outra classe
A classe que mais adquiriu reas oriundas de outras classes foi eucalipto com
7,67% e a classe pastagem foi a que menos adquiriu novas reas, com 1,83% de Erro
de Comisso. O ndice Kappa calculado para as classes foi de 94,91%.

67

De acordo com os nveis de aceitao o valor considerado excelente. Alm


deste valor, a comparao entre os ndices Kappa de cada algoritmo que define qual
foi mais eficaz.
A Figura 43 apresenta o mapa aps a aplicao deste operador, em escala
original.
O titulo do mapa est operador amalgamao, pois, como j foi dito,
entendeu-se nesta pesquisa que o operador amalgamao fruto da aplicao dos
operadores dilatao e eroso.

68

Figura 43. Mapa resultante do operador amalgamao

69

4.2.1.3.

Operador Eliminao

O prximo operador analisado eliminao que de acordo com o clculo


proposto, foi de 1 hectare ou 625 pixels. A Tabela 7 apresenta os resultados aps este
operador.
Tabela 7.
CLASSE

Resultado do operador eliminao

rea
rea
Grupos
total relativa de pixels
(ha)
(%)

Mata
77
Caf
319
Eucalipto
85
Solo exposto
25
Agricultura
56
gua
7
Pastagem
413
Aflor.rochoso 75
Sombra
13
S/Classificao 13
TOTAL
1.083

7,1
29.45
7,84
2,33
5,17
0,64
38,15
6,92
1,2
1,2
100

171
281
225
70
119
23
155
176
35
41
1.296

CLASSE

rea rea Diferena Grupos Reduo


total relativa de rea (%) de pixels de grupos
(ha)
(%)
de pixels

Mata
50
Caf
400
Eucalipto
40
Solo exposto
12
Agricultura
32
gua
2
Pastagem
490
Aflor.rochoso 41
Sombra
10
S/classificao 6
1.083

4,61
36,93
3,69
1,10
2,95
0,18
45,24
3,78
0,92
0,55
100

-35,06
25,39
-52,94
-52
-42,85
-71,42
18,64
-45,33
-23,07
-53,84

16
58
15
6
10
1
31
12
3
2
154

-90,64
-79,35
-93,33
-91,42
-91,59
-95,65
-80,00
-93,18
-91,42
-95,12
-88,11

Apesar de a rea eliminada ser a mesma dos dados vetoriais, a maneira de


eliminao ocorre de maneira diferente, enquanto as reas eliminadas em formato
vetorial so substitudas pelo polgono adjacente de maior rea, as reas eliminadas em
formato matricial recebem um atributo nulo e por lgebra de mapas recebem o atributo
do vizinho mais prximo (ao grupo de pixels eliminados) do mapa anterior
eliminao, no entanto, a alterao entre os dois tipos de dados foi pequena.
Da mesma maneira que aplicado sobre os dados vetoriais, este operador foi o
que mais causou alterao nas reas e na esttica do mapa. A classe que mais sofreu
perdas de reas foi gua com 71,42% de perda e a classe caf obteve 36,93% de
rea em relao ao mapa anterior. A classe gua tambm foi a que mais perdeu
representatividade visual, com 95,65% de seus grupos de pixels eliminados. Todas as
classes, no entanto, perderam aproximadamente 90% de sua representatividade, isto
significa que houve reduo de heterogeneidade do mapa, com grupos de pixels
maiores, como o caso da classe caf que obteve ganho de rea, mas 79,35% de perda
de grupos de pixels, alis, foi a classe que menos perdeu representatividade.
justamente este parmetro que evidencia a limpeza visual do mapa. A Figura 44
apresenta o mapa aps aplicao deste operador.

70

Figura 44. Mapa resultante do operador eliminao

71

4.2.1.4.

Operador Numrico

4.2.1.4.1

Variao de rea mdia

Foram aplicados dois tipos de filtros e para cada um foram utilizadas trs
tolerncias. Para avaliar a atuao de cada um foram utilizados as mesmas variveis que
nos dados vetoriais: variao de rea mdia; variao de permetro mdio; variao de
Kc mdio e a variao do desvio-padro para cada um, como dado auxiliar.
A Tabela 16 no Anexo 4 se refere variao de rea mdia e desvio-padro para
filtro circular com 3; 6 e 9 pixels de raio.
A Figura 45 apresenta um grfico referente ao mesmo parmetro, exceto o
desvio-padro.

1- Afloramento rochoso 2- Agricultura 3- gua 4- Caf 5- Eucalpto 6- Mata 7- Sem classificao 8Pastagem 9- Solo exposto 10- Sombra
Figura 45. Variao de rea mdia para filtro circular

Houve clara predominncia de valores positivos de variao de rea mdia para


todas as rotinas.
Pode-se notar que h uma tendncia de acentuao dos valores a medida que o
raio aumentado, com baixos valores relativos janela com 3 de raio e valores
relativamente altos produzidos pela janela com 9 de raio. Porm, a despeito da anlise
do grupo, a variao de rea relativa ao mapa anterior no foi drstica, apenas a classe
sem classificao para janela com 9 de raio apresentou valores considerados altos.
Para o parmetro desvio-padro, entretanto, chamou ateno a discrepncia entre os
72

valores apresentados, sugerindo que houve modificao nas reas dos grupos de pixels,
mas, como a variao de rea no acompanhou essa forte alterao de valores, sugere
que houve perda de rea em alguns grupos de pixels e ganho proporcional em outros, da
mesma classe.
A Tabela 17 no Anexo 4 e a Figura 46 apresentam as variaes de rea
referentes aos filtros retangulares.

1- Afloramento rochoso 2- Agricultura 3- gua 4- Caf 5- Eucalpto 6- Mata 7- Sem classificao 8Pastagem 9- Solo exposto 10- Sombra
Figura 46. Variao de rea mdia para filtro retangular

De maneira similar ao filtro circular, houve pequena alterao na rea mdia em


relao ao mapa anterior, porm, mais suave e segue-se a tendncia de aumento na rea
mdia ao aumento do tamanho da janela. Houve acrscimo de rea na classe gua
para janela 3x3 com valor superior ao filtro anterior, porm, em valores reais, o
aumento foi pequeno, apenas 0,14 hectare. A classe sem classificao novamente
obteve o maior crescimento de rea, considerando que uma classe de rea pequena, 6
ha e apenas 2 grupos de pixels, possvel que esta alterao sempre positiva e superior
as demais tenha a ver com a forma de seus dois grupos de pixels, no entanto, s
possvel concluir algo de acordo com a anlise do Kc, que veremos adiante.
Em relao ao desvio-padro, percebeu-se aqui valores menores, mas,
heterogneos da mesma forma que o anterior.

73

4.2.1.4.2

Variao de permetro mdio

A Tabela 18 no Anexo 4 apresenta os valores referentes variao de permetro


mdio e desvio-padro para filtro circular e a Figura 47 apresenta os valores referentes
as variaes de permetro mdio para o mesmo tipo de filtro.

1- Afloramento rochoso 2- Agricultura 3- gua 4- Caf 5- Eucalpto 6- Mata 7- Sem classificao 8Pastagem 9- Solo exposto 10- Sombra
Figura 47. Variao de permetro mdio para filtro circular

Para este parmetro todos os valores de raio de janela apresentaram valores


negativos, indicando que este filtro tendeu homogeneizao as formas dos grupos de
pixels.
Como era de esperar, houve reduo maior na janela com 9 de raio, um filtro
mais agressivo, pois, abarca um maior nmero de pixels em sua anlise.
Ao contrrio do desvio-padro relativo rea, aqui houve uma maioria negativa,
com anomalias na classe eucalipto com valor positivo de 3,43% para janela com 9 de
raio e a classe sem classificao com expressivos valores positivos em todas as
tolerncias, mais uma vez indicando que h nesta classe, alguma especificidade. A
classe gua no considerada anomalia, pois, s tem um grupo de polgonos. A classe
sombra para raio 6 tambm apresentou comportamento anormal, pois, fugindo da
tendncia de queda constante de acordo com o tamanho do raio, apresentou queda
superior janela com 9 de raio.

74

A Tabela 19 no Anexo 4 apresenta os valores referentes variao de permetro


mdio e desvio padro para filtro retangular e a Figura 48 apresenta os valores
referentes s variaes de permetro mdio para o mesmo tipo de filtro.

1- Afloramento rochoso 2- Agricultura 3- gua 4- Caf 5- Eucalpto 6- Mata 7- Sem classificao 8Pastagem 9- Solo exposto 10- Sombra
Figura 48. Variao de permetro mdio para filtro retangular

Na anlise dos valores, podemos notar que houve a mesma tendncia de queda
do permetro mdio, porm, ligeiramente mais suave que o filtro circular, deve-se este
fato a prpria geometria da janela, onde a primeira, circular, procura justamente
imprimir esta geometria nos objetos, assim, justificando maior queda de permetro.
Os valores de desvio-padro seguiram a queda observada nos filtros circulares,
tambm foram mais suaves e sem homogeneidade entre as classes. A classe sem
classificao novamente apresentou valores positivos e altos, diferente do resto das
classes, e a classe sombra para janela com 6 de raio tambm apresentou
comportamento diferenciado, alm de ser o nico valor positivo entre as janelas para a
mesma classe, apresentou valor consideravelmente maior que no filtro anterior.
4.2.1.4.3

Variao de Kc mdio

A Tabela 20 no Anexo 4 apresenta os valores referentes variao de Kc mdio


e desvio padro para filtro circular e a Figura 49 apresenta os valores referentes s
variaes de Kc mdio para o mesmo tipo de filtro.

75

1- Afloramento rochoso 2- Agricultura 3- gua 4- Caf 5- Eucalpto 6- Mata 7- Sem classificao 8Pastagem 9- Solo exposto 10- Sombra
Figura 49. Variao de Kc mdio para filtro circular

76

Para valores de variao de Kc mdio, houve tambm reduo em todas as


classes e para todas as janelas, novamente, apresentando queda proporcional ao
tamanho do raio.
A queda de Kc mdio para as classes era esperada, de acordo com a anlise das
variveis
A classe sem classificao, no demonstrou anomalias, pois, seu Kc mdio era
o mais baixo dentre as classes, 1,77 de mdia, o que justifica o comportamento anormal
das variveis anteriores, pois, como seus grupos de pixels tendem ao crculo, a sua
vizinhana provavelmente deve conter mais pixels da mesma classe, ao contrrio de
reas alongadas (Kc mais alto), onde a possibilidade maior de se encontrar pixels de
outras classes em sua vizinhana. Devido caracterstica deste filtro (pixel a pixel)
levando em considerao a vizinhana de cada clula, grupos de pixels com Kc baixo,
podem apresentar este tipo de comportamento.
Os valores de variao de desvio-padro no apresentaram aqui nenhum valor
positivo, e ao contrrio das outras variveis, apresentou certo padro de valores para
cada tamanho de janela.
A Tabela 21 no Anexo 4 apresenta os valores referentes variao de Kc mdio
e desvio padro para filtro retangular e a Figura 50 apresenta os valores referentes s
variaes de Kc mdio para o mesmo tipo de filtro.

1- Afloramento rochoso 2- Agricultura 3- gua 4- Caf 5- Eucalpto 6- Mata 7- Sem classificao 8Pastagem 9- Solo exposto 10- Sombra
Figura 50.

Variao de Kc mdio para filtro retangular

77

Neste tipo de filtro, os valores para todas as janelas foram menos acentuados que
o anterior, circular. Os valores apresentados para janela 3x3 so em alguns casos
inexpressivos. Demonstrando que apenas a janela 9x9 fora a geometria dos objetos
com mais severidade. Significa que no houve alteraao drstica nas formas originais
dos objetos, apenas um suave arredondamento.
Os valores de desvio-padro tambm apresentaram valores menos acentuados,
apenas a classe sombra sofreu uma queda maior na janela com 3 de raio, em relaao
ao filtro anterior.
4.2.1.5.

Grau de pureza das classes

A prxima anlise demonstra o grau de pureza de cada classe final em relao


original, indicando quais classes foram mais preservadas em termos de rea aps a
aplicao dos operadores. A Tabela 22 no Anexo 5 apresenta os valores, expressos em
porcentagem, para os filtros circulares com 3 de raio.
Os nmeros destacados em vermelho significam a porcentagem de rea da classe
original que foi preservada na classe final.
Cabe ressaltar que este resultado fruto de todos os operadores, diferenciando
apenas no tipo de filtro e a tolerncia especificada, neste caso, 3 de raio.
Podemos notar que as classes foram sensivelmente alteradas, pois, nenhuma
delas contem acima de 80% de sua classe original. A classe sombra foi a mais
alterada, com 50,93% de pureza, ou seja, nesta classe, apenas 50,93% de fato sombra.
A classe mais conservada foi pastagem com 77,21% de pureza.
A Tabela 23 no Anexo 5 apresenta o mesmo ndice para o filtro circular com 6
de raio.
De acordo com os resultados expostos nesta tabela, pode-se notar que houve
ligeira queda dos valores de grau de pureza em relao a primeira tolerncia.
Novamente a classe sombra apresentou menor grau de pureza com 50,61% e a classe
pastagem 71,84% com maior pureza na classe final.
A Tabela 24 no Anexo 5 apresenta o mesmo ndice para o filtro circular com 9
de raio.
Acompanhando o resultado anterior, e mantendo a coerncia, observa-se
novamente tendncia de ligeira queda nos valores de pureza. A classe sombra com
menor valor, 50,71% e a classe pastagem com o maior, 75,59%.

78

Apesar do filtro com 9 de raio ser o filtro que mais modifica os valores das
variveis estabelecidas anteriormente, em relao ao grau de pureza das classes no o
modifica de forma acentuada.
A Tabela 25 no Anexo 5 apresenta os valores, expressos em porcentagem, para
os filtros retangulares de janela 3x3.
Pode-se dizer que estes resultados continuam demonstrando estabilidade, apesar
de ter havido um pequeno acrscimo no grau de pureza em relao ao filtro circular com
3 de raio, que consideramos o equivalente para este filtro. Parece que este ndice no
depende da atuao dos filtros.
As classes sombra e pastagem, novamente apresentaram os valores mais
baixos e altos, com 50,83% e 77,49% respectivamente.
A Tabela 26 no Anexo 5 apresenta o mesmo ndice para o filtro retangular de
janela 6x6.
De forma semelhante tabela anterior, os resultados para esta tolerncia so
coerentes entre si. Apresentando ligeira tendencia de queda para as classes, continuando
com a classe sombra com 50,89% e a classe pastagem 77,05% com os menores e
maiores valores respectivamente.
A Tabela 27 no Anexo 5 apresenta o mesmo ndice para o filtro retangular de
janela 9x9.
Estes resultados tambm so coerentes, porque preservam a caracteristica que
foi observada ao longo das outras variveis, que foi a pequena variao dos valores.
Com as mesmas classes apresentando menor e maior grau de pureza, sombra com
50,63% e pastagem com 76,67% respectivamente.
Realizada a anlise numrica, a Figura 68 no Anexo 6 demonstra o mapa
original, que foi o mapa aps a aplicao do operador eliminao e os mapas resultantes
dos filtros circulares em escala original, porm, devido a rea de apresentao, optou-se
por capturar apenas uma rea da bacia.
clara a diferena entre as tolerncias, a janela com 3 de raio suaviza as bordas
de maneira pouco perceptvel em certas reas, causando pouca modificao em relao
ao mapa anterior.
Com 6 de raio as mudanas comeam a ficar mais notveis, as sinuosidades das
reas so mais preenchidas, com menos ngulos agudos.

79

J com 9 de raio, a diferena abrupta em relao ao mapa original, as reas so


alteradas a ponto de eliminar alguns pequenos grupos de pixels e arredondar por
completo alguns outros.
A Erro! Fonte de referncia no encontrada.no Anexo 6 apresenta o mesmo
modelo para as tolerncias com o filtro retangular.
Nas tolerncias para filtro retangular, nota-se pouca diferena entre a janela 3x3
e o mapa original, assim como a diferena entre a janela 6x6 para a primeira no to
drstica como para o filtro circular, para janela 9x9 a diferena em relao aos demais e
ao mapa original grande, os objetos se apresentam mais suaves, porm, a diferena
no foi to expressiva quanto constatada no filtro circular.
De acordo com as anlises numricas, este resultado era esperado, pois,
podemos notar de acordo com as alteraes das variveis que o filtro retangular sempre
apresentou menores variaes.
4.2.2.

2o Cenrio

De acordo com a metodologia empregada, a diferena bsica entre este cenrio


com o anterior foi a diferena na aplicao dos operadores dilatao, eroso e
amalgamao, no sendo necessrio expor novamente os resultados para o operador
categorizao.
Cabe lembrar que a maneira de utilizar os operadores em questo foi diferente
devido o uso de outro algoritmo, que trata de maneira separada, primeiro dilatando,
depois outro algoritmo erode e consequentemente amalgama.
4.2.2.1.

Operadores Dilatao/Eroso e Amalgamao

A Tabela 8 apresenta o valor relativo ao ndice de Exatido Total e ndice


Kappa, para demonstrar o grau de pureza deste algoritmo.
Adotou-se aqui o termo, grau de pureza, da mesma forma que na anlise da
tabulao cruzada, pois, o objetivo de calcular o ndice de Exatido Global e o ndice
Kappa sobre este algoritmo verificar o quanto de cada classe perdeu ou adquiriu novas
reas advindas de diferentes classes. O conveniente obter o mnimo de sobreposio
entre as classes.
Os valores das classes esto expressos em hectares.

80

Tabela 8.
CLASSE

Caf Pastagem

315,12
Caf
Pastagem 2,13
Solo exposto 0,04
Eucalipto 0,30
Agricultura 0,15
0,50
Mata
Aflor.roch 0,28
0,05
Sombra
0,00
S/classe
0,01
gua
318,64
Total
E.C. (%) 1,10
IET (%) 98,43

Matriz de confuso
Solo Eucalipt
Agricultura Mata Aflo.rochoso Sombra S/classe gua Total
exposto
o

%
Corr.

E.O.
(%)

1,20

0,16

2,59

0,53

2,04

1,26

0,14

0,07

0,09

32,32

97,49

2,51

410,26

0,35

0,45

0,84

0,22

0,89

0,02

0,27

0,10

415,57

98,72

1,28

0,08

24,39

0,00

0,00

0,00

0,02

0,00

0,01

0,01

24,58

99,24

0,76

0,10

0,00

80,72

0,03

0,21

0,03

0,06

0,02

0,00

81,50

99,04

0,96

0,11

0,01

0,03

55,56

0,00

0,02

0,00

0,00

0,00

55,91

99,37

0,63

0,02

0,00

0,42

0,01

75,05

0,02

0,20

0,00

0,00

76,25

98,42

1,58

0,12

0,07

0,17

0,02

0,00

73,58

0,00

0,00

0,00

74,28

99,06

0,94

0,00

0,00

0,04

0,01

0,08

0,00

11,99

0,00

0,08

12,29

97,62

2,38

0,01

0,04

0,00

0,00

0,00

0,00

0,00

12,93

0,00

12,99

99,38

0,62

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

7,28

7,30

99,80

0,20

411,94

25,03

84,45

57,04

77,64

75,85

12,44

13,31

7,58 1083,96

0,41

2,58

4,42

2,59

3,33

3,00

3,60

2,99

3,98

Todas as classes apresentaram mais de 95% da rea assinalados corretamente


aps a aplicao do algoritmo, a classe caf com um valor ligeiramente inferior aos
demais, com 97,49% e a classe gua apresentou maior pureza no mapa final com
99,80% de preservao da classe. Consecutivamente, a primeira classe apresentou maior
Erro de Omisso, com 2,51% de sua rea classificada como outra classe e a segunda
com 0,20% de sua rea classificada como outra classe.
A classe que mais adquiriu reas oriundas de outras classes foi eucalipto com
4,42% e a classe pastagem foi a que menos adquiriu novas reas, com 0,41% de Erro
de Comisso. O ndice Kappa calculado para as classes foi de 97,90%
De acordo com os nveis de aceitao o valor considerado excelente. Este valor
ento superior ao analisado no primeiro cenrio, um aumento na acurcia de 2,99%.
A Figura 51 apresenta o mapa aps a aplicao deste operador, em escala
original.
O titulo do mapa est operador amalgamao, pois, como j foi dito,
entendeu-se nesta pesquisa que o operador amalgamao fruto da aplicao dos
operadores dilatao e eroso.

81

Figura 51. Mapa resultante do operador amalgamao

82

4.2.2.2.

Operador Eliminao

O prximo operador analisado eliminao que de acordo com o clculo proposto,


foi de 1 hectare ou 625 pixels. A Tabela 9 apresenta os resultados aps este operador.
Tabela 9.
CLASSE

Resultado do operador eliminao

rea
rea
Grupos
total relativa de pixels
(ha)
(%)

Mata
77
Caf
318
Eucalipto
85
Solo exposto
25
Agricultura
57
gua
7
Pastagem
412
Aflor. rochoso 76
Sombra
13
S/Classificao 13
TOTAL
1.083

7
29,40
7,84
2,30
5,30
0,64
38,12
7
1,2
1,2
100

171
281
225
70
119
23
155
176
35
41
1.296

CLASSE

rea rea Diferena Grupos Reduo


total relativa de rea (%) de pixels de grupos
(ha)
(%)
de pixels
(%)

Mata
50
Caf
406
Eucalipto
40
Solo exposto
13
Agricultura
31
gua
1
Pastagem
491
Aflor.rochoso 36
Sombra
9
S/classificao 6
1.083

4,61
37,48
3,70
1,2
2,86
0.1
45,35
3,32
0,83
0,55
100

-35,06
27,67
-52,94
-48,00
-45,61
-85,71
19,17
-52,63
-30,76
-53,84

16
59
15
6
10
1
31
10
3
2
153

-90,64
-79,00
-93,33
-91,42
-91,59
-95,65
-80,00
-94,31
-91,42
-95,12
-88,19

Semelhante ao primeiro cenrio e aos dados vetoriais, este operador foi o que
mais causou alterao nas reas e na esttica do mapa. A classe que mais sofreu perda
de reas foi novamente gua, porm, aqui a perda foi maior em relao ao primeiro
cenrio, com 85,71%, a classe caf obteve ganhos de 27,67%, tambm superior ao
primeiro cenrio. A classe gua e sem classificao foram as que mais perderam
representatividade no mapa, com perdas de grupos de pixels de 95,65% e 95,12%
respectivamente. Neste cenrio, a perda de representatividade foi parecida com ao
primeiro, com a maioria das classes perdendo acima de 90% de grupos de pixels e aqui
houve a perda de um grupo de pixel a mais em relao ao cenrio anterior. Este fato,
alm do ndice Kappa, indica que no houve clara superioridade entre um algoritmo ou
outro para o operador amalgamao.
A Figura 52 apresenta o mapa aps aplicao deste operador.

83

Figura 52. Mapa resultante do operador eliminao

84

4.2.2.3.

Operador Numrico

Foram aplicados dois tipos de filtros e para cada um foram utilizadas trs
tolerncias. Para avaliar a atuao de cada um foram utilizados as mesmas variveis que
nos dados vetoriais: variao de rea mdia; variao de permetro mdio; variao de
Kc mdio e a variao do desvio-padro para cada um, como dado auxiliar.
4.2.2.3.1

Variao de rea mdia

A Tabela 28 no Anexo 7 se refere variao de rea mdia e desvio-padro para


filtro circular com 3; 6 e 9 pixels de raio, a Figura 53 apresenta a variao de rea
mdia.

1- Afloramento rochoso 2- Agricultura 3- gua 4- Caf 5- Eucalpto 6- Mata 7- Sem classificao 8Pastagem 9- Solo exposto 10- Sombra
Figura 53. Variao de rea media para filtro circular

Observa-se no grfico que houve predominncia de valores positivos para todas


as tolerncias. A medida que o raio aumentado, tem-se o aumento na variao de rea,
exceto para as classes gua, onde houve uma forte anomalia negativa para janela com
9 de raio, com -20,44% de rea, solo exposto com -6,54% para janela com 3 de raio .
Em relao ao primeiro cenrio, os valores so prximos, no entanto, a variao
negativa da classe gua aqui foi mais brusca e a classe solo exposto no apresentou
valor negativo.

85

Para valores de desvio-padro, algumas classes apresentaram valores crescentes


mais retilneos, outros mais abruptos, denotando que em alguns casos houve forte
variao rea entre os grupos de pixels em comparao com o mapa anterior.
A Tabela 29 no Anexo 7 e a Figura 54 apresentam as variaes de rea
referentes aos filtros retangulares.

1- Afloramento rochoso 2- Agricultura 3- gua 4- Caf 5- Eucalpto 6- Mata 7- Sem classificao 8Pastagem 9- Solo exposto 10- Sombra
Figura 54. Variao de rea mdia para filtro retangular

Assim como no primeiro cenrio, para este tipo de filtro as variaes so mais
tnues em relao ao filtro circular. No se nota aqui nenhuma forte anomalia negativa
ou positiva. Apenas as classes gua e sombra apresentaram valores negativos,
porm, da mesma maneira que os a maioria valores positivos, foram inferiores a 5%.
Novamente, a classe sem classificao, como no primeiro cenrio, apresentou
um acrscimo superior aos demais, para janela 9x9.
Em relao ao desvio-padro, nota-se aqui valores menores e mais coerentes
com o aumento da tolerncia, mas, heterogneos entre as classes da mesma forma que o
filtro anterior.
4.2.2.3.2

Variao de permetro mdio

A Tabela 30 no Anexo 7 apresenta os valores referentes a variao de permetro


mdio e desvio padro para filtro circular e a Figura 55 apresentam os valores referentes
as variaes de permetro mdio para o mesmo tipo de filtro.
86

1- Afloramento rochoso 2- Agricultura 3- gua 4- Caf 5- Eucalpto 6- Mata 7- Sem classificao 8Pastagem 9- Solo exposto 10- Sombra
Figura 55. Variao de rea mdia para filtro circular

Para este parmetro todos os valores de raio de janela apresentaram valores


negativos, indicando que este filtro tendeu homogeneizao as formas dos grupos de
pixels. Em relao ao primeiro cenrio, as variaes negativas foram maiores para todas
as tolerncias, indicando que houve reduo mais acentuada dos ngulos agudos,
inclusive para janela com 3 de raio que costuma ser mais branda. A fins de comparao,
enquanto no primeiro cenrio (para 3 de raio) a classe afloramento rochoso variou 4,79, neste cenrio a variao foi de -30,43%.
Permanece aqui a coerncia entre as tolerncias, com a mais alta, 9 de raio,
apresentando valores mais expressivos.
O desvio-padro apresentou valores negativos com mais intensidade que no
primeiro cenrio, porm, apresentando variao constante de acordo com a tolerncia
assim como o cenrio anterior. Apenas a classe sem classificao apresentou valores
positivos

87

A Tabela 31 no Anexo 7 apresenta os valores referentes variao de permetro


mdio e desvio padro para filtro retangular e a Figura 56 apresenta os valores
referentes s variaes de permetro mdio para o mesmo tipo de filtro.

1- Afloramento rochoso 2- Agricultura 3- gua 4- Caf 5- Eucalpto 6- Mata 7- Sem classificao 8Pastagem 9- Solo exposto 10- Sombra
Figura 56. Variao de permetro mdio para filtro retangular

Podemos notar que houve a mesma tendncia de queda do permetro mdio,


porm, ligeiramente mais suave que o filtro circular
Os valores de desvio-padro seguiram a queda observada nos filtros circulares e,
assim como os valores de permetro, tambm foram mais suaves e sem homogeneidade
entre as classes.
Em relao ao primeiro cenrio, ocorreu maior variao negativa dos valores
para todas as tolerncias e para valores de desvio-padro tambm.
4.2.2.3.3

Variao de Kc mdio

A Tabela 32 no Anexo 7 apresenta os valores referentes variao de Kc mdio


e desvio padro para filtro circular e a Figura 57 apresenta os valores referentes s
variaes de Kc mdio para o mesmo tipo de filtro.

88

1- Afloramento rochoso 2- Agricultura 3- gua 4- Caf 5- Eucalpto 6- Mata 7- Sem classificao 8Pastagem 9- Solo exposto 10- Sombra
Figura 57. Variao de Kc mdio para filtro circular

O comportamento dos valores de Kc so coerentes com a variao observada


para o permetro mdio, pois, aqui houve forte tendncia ao circulo principalmente para
a janela com 9 de raio. Concordando com isto, estes valores so mais expressivos que
para o primeiro cenrio.
As classes mata e afloramento rochoso para janela com 9 de raio
apresentaram forte declnio para este parmetro, sendo as mais alteradas na forma final.
Chama ateno a variao de desvio-padro para classe sem classificao para
janela com 9 de raio, onde no houve alterao em relao ao mapa anterior, indicando
que a atuao do filtro, nesta tolerncia para esta classe foi absolutamente idntica para
os dois grupos de pixels da classe. A classe sombra fugiu ao padro para janela com 6
de raio, ao apresentar valor de desvio-padro inferior janela com 9 de raio. O restante
das classes apresentaram variaes constantes de acordo com o tamanho de raio.
A Tabela 33 no Anexo 7 apresenta os valores referentes variao de Kc mdio
e desvio padro para filtro retangular e a Figura 58 apresenta a variao de Kc mdio
para o mesmo tipo de filtro

89

1- Afloramento rochoso 2- Agricultura 3- gua 4- Caf 5- Eucalpto 6- Mata 7- Sem classificao 8Pastagem 9- Solo exposto 10- Sombra
Figura 58. Variao de Kc mdio para filtro retangular

Os resultados aqui so coerentes com o que j foi discutido, tendo para filtro
retangular valores mais brandos de variao negativa para Kc mdio. Em relao ao
primeiro cenrio tambm houve maior queda nos valores.
Para valores de desvio-padro no foi observado nenhum valor anmalo,
seguindo a tendncia de queda de acordo com o raio da janela.
Na anlise do conjunto das variveis, podemos notar que a mudana do
algoritmo para o operador amalgamao resultou em valores negativos mais acentuados
para o parmetro permetro mdio e Kc mdio, em relao a variao de rea mdia no
houve grandes diferenas. Indicando que o algoritmo utilizado aqui causa mais
alteraes na forma e no na rea dos grupos de pixels. A prpria anlise do ndice
Kappa tambm nos revela este fato, pois, os valores entre os cenrios foram prximos.
4.2.2.4.

Grau de pureza das classes

A prxima anlise demonstra o grau de pureza de cada classe final em relao


original, indicando quais classes foram mais preservadas em termos de rea aps a
aplicao dos operadores. A Tabela 34 no Anexo 8 apresenta os valores, expressos em
porcentagem, para os filtros circulares com 3 de raio.

90

Os nmeros destacados em vermelho significam a porcentagem de rea da classe


original que foi preservada na classe final.
Cabe ressaltar que este resultado fruto de todos os operadores, diferenciando
apenas no tipo de filtro e a tolerncia especificada, neste caso, 3 de raio.
Podemos notar que as classes foram alteradas sensivelmente, pois, a maioria
delas no apresentou valores acima de 80% de sua classe original, apenas a classe
gua. A classe sombra foi a mais alterada, com 51,45% de pureza, a classe mais
conservada foi gua com 87,69% de pureza.
Em relao ao primeiro cenrio para o mesmo filtro, usando a mesma tolerncia,
os resultados variaram pouco, apenas a classe gua obteve uma pureza bem superior.
A Tabela 35 no Anexo 8 apresenta o mesmo ndice para o filtro circular com 6
de raio.
De acordo com os resultados expostos nesta tabela, pode-se notar que houve
ligeira queda dos valores de grau de pureza em relao a primeira tolerncia.
Novamente a classe sombra apresentou menor grau de pureza com 51,13% e a classe
gua 76,26% com maior pureza na classe final.
Em relao ao primeiro cenrio tambm houve uma modificaao inexpressiva,
com a maioria das classes neste cenrio apresentando pequeno aumento no grau de
pureza.
A Tabela 36 Anexo 8 apresenta o mesmo ndice para o filtro circular com 9 de
raio.
Acompanhando o resultado anterior, e mantendo a coerncia, observa-se
novamente tendncia de ligeira queda nos valores de pureza. A classe sombra com
menor valor, 50,95% e a classe gua com o maior, 81,66%.
Em relaao ao primeiro cenrio tambm houve aqui melhora pouco significativa
no grau de pureza.
Apesar do filtro com 9 de raio ser o filtro que mais modifica os valores das
variveis estabelecidas anteriormente, em relao ao grau de pureza das classes no o
modifica de forma acentuada, houve neste cenrio, como no primeiro, pequenas
variaes entre as tolerncias, tendendo a diminuir com o aumento da tolerncia.
Para os filtros circulares, na comparao entre os dois cenrios, a variao para o
grau de pureza tambm foi insignificante.
A Tabela 37 no Anexo 8 apresenta os valores, expressos em porcentagem, para
os filtros retangulares de janela 3x3
91

Os resultados continuam demonstrando estabilidade, apesar de ter havido um


pequeno acrscimo no grau de pureza em relao ao primeiro cenrio e em relao ao
filtro circular de janela com 3 de raio. Parece que este ndice neste cenrio tambm no
depende da atuao dos filtros.
As classes sombra e gua, novamente apresentaram os valores mais baixos e
altos, com 51,48% e 90,53% respectivamente.
A Tabela 38 no Anexo 8 apresenta o mesmo ndice para o filtro retangular de
janela 6x6.
De forma semelhante tabela anterior, os resultados para esta tolerncia so
coerentes entre si. Apresentando ligeira tendencia de queda para as classes, continuando
com a classe sombra com 51,40% e a classe gua 87,37% com os menores e
maiores valores respectivamente.
A Tabela 39 no Anexo 8 apresenta o mesmo ndice para o filtro retangular de
janela 9x9.
Estes resultados tambm so coerentes, porque preservam a caracteristica que
foi observada ao longo das outras variveis, que foi a pequena variao dos valores.
Com as mesmas classes apresentando menor e maior grau de pureza, sombra com
51,07% e gua com 84,61% respectivamente.
Realizada a anlise numrica, a Figura 70 no Anexo 9demonstra o mapa
original, que foi o mapa aps a aplicao do operador eliminao e os mapas resultantes
dos filtros circulares em escala original, porm, devido a rea de apresentao, optou-se
por capturar apenas uma rea da bacia.
clara a diferena entre as tolerncias, a janela com 3 de raio suaviza as bordas
de maneira pouco perceptvel em certas reas, causando pouca modificao em relao
ao mapa anterior.
Com 6 de raio as mudanas comeam a ficar mais notveis, as sinuosidades das
reas so mais preenchidas, com menos ngulos agudos.
J com 9 de raio, a diferena abrupta em relao ao mapa original, as reas so
alteradas a ponto de eliminar alguns pequenos grupos de pixels, arredondar por
completo alguns outro e tambm agregar grupos de pixels antes separados.
Em relao ao primeiro cenrio as diferenas visuais so poucas, apesar da
conhecida mudana de valores das variveis.
A Figura 71 no Anexo 9 apresenta o mesmo modelo para as tolerncias com o
filtro retangular.
92

Nas tolerncias para filtro retangular, nota-se pouca diferena entre a janela 3x3
e o mapa original, assim como a diferena entre a janela 6x6 para a primeira no to
drstica como para o filtro circular, para janela 9x9 a diferena em relao aos demais e
ao mapa original grande, os objetos se apresentam mais suaves, porm, a diferena
no foi to expressiva quanto constatada no filtro circular. Da mesma maneira que no
primeiro cenrio.
De acordo com as anlises numricas, este resultado era esperado, pois,
podemos notar de acordo com as alteraes das variveis que o filtro retangular sempre
apresentou menores variaes, tanto neste cenrio quanto no primeiro. As diferenas
visuais tambm no se fazem notar com muita clareza em relao ao primeiro cenrio.
Para tamanho de janela 6x6 notou-se alguns rudos no mapa, pixels que foram
erroneamente eliminados e esto sem atributo.
4.2.3.

3o Cenrio

A diferena basica neste cenrio dos anteriores que aqui no foi aplicado o
operador amalgamao, procurando determinar se para nosso caso houve a necessidade
de uso deste operador. Para os demais operadores foram utilizados os mesmos
algoritmos e tolerncias.
4.2.3.1.

Operador Eliminao

O primeiro operador utilizado foi categorizaao, da mesma maneira que os


anteriores, no sendo necessario exibir novamente, adiante aplicou-se o operador
eliminao. Neste resultado que exibiremos que ser possivel determinar o uso ou no
do operador amalgamao, de acordo com o nmero de grupo de pixels, se houver mais
grupos de pixels ou nmero igual, entende-se que, para nosso caso, no houve a
necessidade de utilizar tal operador.
A Tabela 10 apresenta os valores relativos ao mapa categorizado e eliminado.

93

Tabela 10.
CLASSE

Tabela resultante do operador eliminao

rea
rea
Grupos
total relativa de pixels
(ha)
(%)

Mata
76
Caf
325
Eucalipto
81
Solo exposto
24
Agricultura
55
gua
7
Pastagem
416
Aflor.rochoso 75
Sombra
12
S/Classificao 12
TOTAL
1.083

7
30,00
7,50
2,21
5,10
0,64
38,42
6,93
1,10
1,10
100

171
281
225
70
119
23
155
176
35
41
1.296

CLASSE

rea rea Diferena Grupos Reduo


total relativa de rea (%) de pixels de grupos
(ha)
(%)
de
pixels(%)

Mata
49
Caf
400
Eucalipto
37
Solo exposto
12
Agricultura
30
gua
2
Pastagem
496
Aflor.rochoso 42
Sombra
9
S/classificao 6
1.083

4,52
36,95
3,43
1,10
2,77
0,18
45,80
3,87
0,83
0,55
100

-35,52
23,07
-54,32
-50,00
-45,45
-71,42
19,23
-44,00
-25,00
-50,00

16
59
15
6
9
1
32
12
3
2
155

-90,64
-79,00
-93,33
-91,42
-92,43
-95,65
-79,35
-93,18
-91,42
-95,12
-88,04

Semelhante aos dois primeiros cenrios, este operador foi o que mais causou
alteraao nas reas e nos grupos de pixels, provocando grande alterao esttica no
mapa. A classe que mais perdeu reas foi gua e a classe caf foi a que mais obteve
ganhos, com 23,07%.
Novamente

classe

gua

sem

classificao

perderam

mais

representatividade no mapa, com 95,65% e 95,12% respectivamente. Seguindo a mesma


tendencia, todas as classes tiveram perdas expressivas em seus grupos de pixels.
De acordo com o exposto houve, ao contrrio do que era esperado, aumento no
grupo de pixels, de um grupo de pixel a mais em relao ao primeiro cenrio e dois
grupos em relao ao segundo cenrio, indicando que no houve a necessidade do uso
do operador amalgamao.
A Figura 59 apresenta o mapa aps aplicao deste operador.

94

Figura 59. Mapa resultante do operador eliminao

95

4.2.3.2.

Operador Numrico

Foram aplicados dois tipos de filtros e para cada um foram utilizadas trs
tolerncias. Para avaliar a atuao de cada um foram utilizados as mesmas variveis que
nos dados vetoriais: variao de rea mdia; variao de permetro mdio; variao de
Kc mdio e a variao do desvio-padro para cada um, como dado auxiliar. Idntico aos
dois cenrios anteriores.
4.2.3.2.1

Variao de rea mdia

A Tabela 40 no Anexo 10 apresenta a variao de rea mdia e desvio-padro e


a Figura 60

1- Afloramento rochoso 2- Agricultura 3- gua 4- Caf 5- Eucalpto 6- Mata 7- Sem classificao 8Pastagem 9- Solo exposto 10- Sombra
Figura 60. Variao de rea mdia para filtro circular

Os dados revelam que houve predominncia de valores positivos, exceto para as


classes gua e sombra. Os valores so muito parecidos com os dois cenrios
anteriores. Onde para um pouco mais da metade houve leve aumento de rea mdia para
todos os filtros e um pequeno declnio para as outras classes. Indicando que para este
parmetro os valores, para os trs filtros so relativamente estveis.
Os valores de desvio-padro variaram pouco entre as classes e de forma
gradativa, tendendo a um suave acrscimo de acordo com o aumento das tolerncias.
Em relao aos cenrios anteriores, os valores foram consideravelmente mais baixos.

96

A Tabela 41 no Anexo 10 e a Figura 61 apresentam as variaes de rea


referentes aos filtros retangulares.

1- Afloramento rochoso 2- Agricultura 3- gua 4- Caf 5- Eucalpto 6- Mata 7- Sem classificao 8Pastagem 9- Solo exposto 10- Sombra
Figura 61. Variao de rea mdia para filtro retangular

Para este filtro, tambm houve leve acrscimo na rea mdia, mais tnue que no
filtro circular. Este comportamento coerente com os dois cenrios anteriores, e os
valores para este filtro em relao aos outros cenrios tambm so muito prximos.
Houve para a classe sem classificao comportamento parecido como nos
cenarios anteriores, com um acrescimo superior a mdia dos demais para janela 9x9.
Para as janelas 3x3 a variaao foi em certos casos praticamente nula.
4.2.3.2.2

Variao de permetro mdio

A Tabela 42 no Anexo 10 apresenta os valores referentes a variao de


permetro mdio e desvio padro para filtro circular e a Figura 62 apresentam os valores
referentes as variaes de permetro mdio para o mesmo tipo de filtro.

97

1- Afloramento rochoso 2- Agricultura 3- gua 4- Caf 5- Eucalpto 6- Mata 7- Sem classificao 8Pastagem 9- Solo exposto 10- Sombra
Figura 62. Variao de permetro mdio para filtro circular

Para este parmetro todos os valores de raio de janela apresentaram valores


negativos, indicando que este filtro tendeu homogeneizao as formas dos grupos de
pixels.
Como era de esperar, houve reduo maior na janela com 9 de raio. Ao contrrio
do desvio-padro relativo rea, aqui houve uma maioria negativa, com anomalias na
classe sem classificao com forte variao positiva para todas as tolerncias.
Em relao aos cenrios anteriores, aqui os valores foram muito mais
expressivos em relao ao primeiro cenrio, inclusive de desvio-padro, e em relao ao
segundo cenrio, houve uma leve reduo na queda dos valores, inclusive de desviopadro.
A Tabela 43 no Anexo 10 apresenta os valores referentes variao de
permetro mdio e desvio-padro para filtro retangular e a Figura 63 apresenta os
valores referentes s variaes de permetro mdio para o mesmo tipo de filtro.

1- Afloramento rochoso 2- Agricultura 3- gua 4- Caf 5- Eucalpto 6- Mata 7- Sem classificao 8Pastagem 9- Solo exposto 10- Sombra
Figura 63. Variao de permetro mdio para filtro retangular

O comportamento observado coerente, mantendo a tendncia de queda do


perimetro mdio, porm, mais suave que o filtro anterior, apresentando certa constncia
de valores entre as as tolerncias e as classes.
Em relao ao primeiro cenrio houve tambm maior reduo, e em relao ao
segundo os valores no variaram muito, aqui apresentando valores um pouco mais
brandos. Isto sinaliza que o comportamento para este cenrio tende a gerar resultados
mais prximos do segundo cenrio.
Os valores de desvio-padro tambm so coerentes entre si, mantendo o mesmo
comportamento analisado no filtro circular, com valores menos expressivos, e mais
semelhantes ao segundo cenrio.
4.2.3.2.3

Variao de Kc mdio

A Tabela 44 no Anexo 10 apresenta os valores referentes variao de Kc


mdio e desvio padro para filtro circular e a Figura 64 apresenta os valores referentes
s variaes de Kc mdio para o mesmo tipo de filtro.

99

1- Afloramento rochoso 2- Agricultura 3- gua 4- Caf 5- Eucalpto 6- Mata 7- Sem classificao 8Pastagem 9- Solo exposto 10- Sombra
Figura 64.

Variao de Kc mdio para filtro circular

O comportamento dos valores de Kc so coerentes com a variao observada


para o permetro mdio, pois, aqui houve forte tendncia ao circulo principalmente para
a janela com 9 de raio. As classes mata e afloramento rochoso para janela com 9 de
raio apresentaram forte declnio para este parmetro, sendo as mais alteradas na forma
final.
Concordando com os valores apresentados no permetro mdio, em relao aos
cenrios anteriores, a variao de Kc mdio aqui foi muito superior ao primeiro cenrio
e praticamente idntico ao segundo.
A classe sombra fugiu ao padro para janela com 6 de raio, ao apresentar valor
de desvio-padro inferior janela com 9 de raio. O restante das classes apresentaram
variaes constantes de acordo com o tamanho de raio. Guardando as mesmas
disparidades entre o primeiro cenrio e semelhanas com o segundo.
A Tabela 45 no Anexo 10 apresenta os valores referentes variao de Kc
mdio e desvio padro para filtro retangular e a Figura 65 apresenta os valores
referentes s variaes de Kc mdio para o mesmo tipo de filtro.

100

1- Afloramento rochoso 2- Agricultura 3- gua 4- Caf 5- Eucalpto 6- Mata 7- Sem classificao 8Pastagem 9- Solo exposto 10- Sombra
Figura 65. Variao de Kc mdio para filtro retangular

Preservando a coerncia, os valores para filtro retangular foram mais suaves para
todas as tolerancias em relao ao filtro circular. Os valores para janela 3x3 em alguns
casos foram inferiores 10% de alterao.
Em relao ao primeiro cenrio houve, novamente, significativa diferena de
valores, aqui apresentando redues mais severas. Como era previsto, em relao ao
segundo cenrio as variaes foram pequenas, sendo aqui um pouco menos acentuadas.
Para valores de desvio-padro nota-se valores decrescentes e gradativos de
acordo com a tolerncia. Em relao ao primeiro cenrio, as variaes so abruptas e em
relao ao segundo so bem discretas, permanece assim, a tendencia de alteraes da
forma dos objetos mais proximas do segundo cenrio.
4.2.3.3.

Grau de pureza das classes

A prxima anlise demonstra o grau de pureza de cada classe final em relao


original, indicando quais classes foram mais preservadas em termos de rea aps a
aplicao dos operadores. A Tabela 46 no Anexo 11 apresenta os valores, expressos em
porcentagem, para os filtros circulares com 3 de raio.

101

Os nmeros destacados em vermelho significam a porcentagem de rea da classe


original que foi preservada na classe final.
Todas as classes apresentaram graus de pureza abaixo de 80%, sendo a classe
sombra a que teve menor grau, com 50,09%, a classe pastagem foi a mais
preservada.
Em um aspecto geral, os resultados so prximos aos observados nos cenrios
anteriores, em algumas classes teve reduo e em outras teve acrscimo, mas sempre
foram variaes pequenas, exceto para a classe gua em relao ao segundo cenrio,
que apresentou 87,69% e aqui 72,05%.
A Tabela 47 no Anexo 11 apresenta o mesmo ndice para o filtro circular com 6
de raio.
Mantendo a tendncia observada nos outros cenrios, houve ligeira queda no
grau de pureza a medida que o raio aumentado.
A classe sombra pela primeira vez em todos os cenrios apresentou menos da
metade de grau de pureza, significando que mais da metade da classe, no de fato
sombra, sendo uma mistura de outras classes.
Em relao aos outros cenrios, os resultados mantiveram a coerncia e no
apresentaram nenhuma discrepncia, apenas ligeiras quedas ou acrscimos.
A Tabela 48 no Anexo 11 apresenta o mesmo ndice para o filtro circular com 9
de raio.
Mantendo a coerncia observada, os valores acompanham a queda no grau de
pureza de acordo com o aumento da tolerncia. Acompanhando os resultados anteriores,
a classe sombra apresentou o menor grau de pureza e a classe pastagem o maior.
Em relao aos cenrios anteriores os resultados so estveis e de acordo com as
tolerncias menores, pois, no houve superioridade absoluta de menor ou maior grau de
pureza para as classes, sempre uma ligeira variao de valores.
Como foi ressaltado anteriormente, apesar do filtro com 9 de raio apresentar
maiores variaes na forma dos objetos, em relao rea, este no parece intervir
demasiadamente.
A Tabela 49 no Anexo 11 apresenta os valores, expressos em porcentagem, para
os filtros retangulares de janela 3x3.

102

Para este tipo de filtro os valores mantm o mesmo padro de grau de pureza,
com todas as classes apresentando menos de 80%.
Permanece a superioridade para classe pastagem com 77,26% e menor grau
para classe sombra com 50,25.
Em relao aos cenrios anteriores, no houve um padro demonstrando queda
ou superioridade, variando entre as classes, com pequenas alteraes.
A Tabela 50 no Anexo 11 apresenta o mesmo ndice para o filtro retangular de
janela 6x6.
Permanece aqui a coerencia observada ao longo dos outros cenrios e filtros,
com tendencia a ligeira queda nos valores em relao tolerncia anterior e para filtro
retangular a queda permanece menor do que o filtro circular.
Em relao aos cenrios anteriores so mantidas as pequenas alteraes, com
algumas classes apresentando desvios positivos e outras negativos, porm,
insignificantes em termos de rea.
A Tabela 51 no Anexo 11 apresenta o mesmo ndice para o filtro retangular de
janela 9x9.
Preservando a caracteristica notada em todas as situaoes apresentadas, esta
ultima tolerancia analisa mantem a tendencia de suave queda nos valores em relaao s
outras tolerncias para o mesmo filtro e em relacao aos cenrios anteriores tambm no
apresenta variaoes relevantes, algumas classes com variacoes positivas e outras
negativas.
Como foi discutido no primeiro e no segundo cenrio, os filtros, circulares e
retangulares, no demonstraram grande influncia sobre as reas das classes,
consequentemente no interferindo muito no grau de pureza. Neste cenrio, ainda
podemos verificar que o operador amalgamao tambm no interfere de maneira
significativa na pureza das classes, indicando que os operadores categorizao e
eliminao so os que mais modificam o contedo de cada classe.
Realizada a anlise numrica, a Figura 72 no Anexo 12 demonstra o mapa
original, que foi o mapa aps a aplicao do operador eliminao e os mapas resultantes
dos filtros circulares em escala original, porm, devido a rea de apresentao, optou-se
por capturar apenas uma rea da bacia.
103

Fica clara a diferena entre as tolerncias, com a janela com 3 de raio


suavizando ligeiramente as bordas sem alterar a forma das reas, a janela com 6 de raio
apresenta modificaes mais severas, em relao anterior, preenchendo as
sinuosidades em alguns casos quase por completo, a janela com 9 de raio apresenta as
maiores modificaes, apresentando clara tendncia forma circular.
Em relao aos mapas anteriores, visualmente a diferena no clara, todos
apresentando o mesmo comportamento de acordo com o raio da janela, apesar dos
valores das variveis apontarem para maior coincidncia com o segundo cenrio e
menor com o primeiro, na observao do mapa esta distino no bvia.
A Figura 73 no Anexo 12 apresenta o mesmo modelo para as tolerncias com o
filtro retangular.
Para este tipo de filtro, concordando com os valores das variveis, as alteraes
visuais so mais incipientes. Para janela 3x3 imperceptvel a diferena com o mapa
original, comeando a se notar modificaes na janela 6x6, e apenas na janela 9x9 podese perceber uma alterao nas sinuosidades com mais clareza.
Em relao aos cenrios anteriores, o comportamento parecido, pois no houve
nestes, mudanas to agudas quanto no filtro circular. Na comparao visual tambm
no se observa grandes disparidades.
5. CONCLUSO
Na anlise e discusso dos dados vetoriais, podemos notar que ao longo do
processo, cada operador atuou de forma diferente sobre o mapa. Os primeiros
operadores aplicados, classificao e agregao, reduziram o excesso de informaes
contidas nos atributos do mapa, tornando as consultas analticas mais leves
computacionalmente e mais fceis de serem manipuladas, alm de reduzirem o excesso
de informao visual.
O operador eliminao foi o que mais causou modificaes no mapa, reduzindo
drasticamente o nmero de polgonos, eliminando aquelas reas que seriam inadequadas
na escala 1:50.000. Este operador tambm alterou sensivelmente no grau de pureza do
mapa final, pois, ao eliminar as reas, estas foram sobrepostas pelas reas adjacentes
que foram conservadas.
Os algoritmos utilizados para aplicao do operador suavizao no causaram
modificaes expressivas nas reas dos polgonos e no acarretou alteraes
104

significativas no grau de pureza das classes. Porm, estes algoritmos atuaram


diretamente na geometria dos objetos, os tornando visualmente mais agradveis ao se
reduzir os ngulos agudos. O algoritmo PAEK causou a modificao mais expressiva
nas variveis que dizem respeito forma dos objetos, permetro e Kc. O algoritmo
Bezier provocou alteraes menos sensveis, preservando a caracterstica original dos
polgonos.
De acordo com o contedo do mapa e a razo de mudana de escala, entende-se
que o algoritmo Bezier foi mais satisfatrio. Este algoritmo preservou mais o aspecto
dos objetos, alterando menos seu permetro e Kc. O grau de pureza para os dois
algoritmos foi praticamente idntico, sendo assim, o fator determinante foram as
variveis relacionados forma.
Para os dados matriciais, o operador categorizao, assim como, classificao e
agregao nos dados vetoriais, causou modificaes tanto nos atributos das classes
quanto na sua visualizao, a tornando mais clara.
Para o primeiro e segundo cenrio, onde se aplicou os operadores dilatao,
eroso e amalgamao, com diferentes algoritmos, no se notou diferenas entre tais,
que foram constatadas pelo ndice Kappa e pela anlise visual. O terceiro cenrio, onde
no se aplicou estes operadores, preservou mais grupos de pixels que os cenrios
anteriores, demonstrando que neste caso, no houve necessidade de uso de tais
operadores.
O operador que causou as diferenas mais agudas nos mapas finais, de maneira
semelhante aos dados vetoriais, foi eliminao. Mesmo atuando de maneira diferente
aos dados vetoriais, aqui as alteraes se fizeram da mesma intensidade, provocando
sensvel reduo dos grupos de pixels e no grau de pureza das classes finais.
Os filtros aplicados, no operador numrico, no causaram modificaes
relevantes nas reas, mas na geometria dos grupos de pixels houve grandes
modificaes. O filtro circular apresentou, para todos os cenrios, as alteraes mais
significantes no permetro e Kc e de maneira diretamente proporcional ao tamanho do
raio da janela estabelecido. O filtro retangular apresentou este mesmo comportamento
de acordo com o tamanho da janela, porm, sempre com valores menos acentuados em
relao ao filtro circular. De uma maneira geral, os dois filtros apresentaram
comportamento semelhante apesar da divergncia de valores. Por vezes verificou-se
valores anmalos, que se justifica pela diversidade de formas contidas no mapa.
105

A acentuao de valores no filtro circular pode ser justificado de duas maneiras,


este filtro tenta imprimir a forma circular nos grupos de pixels onde atua, alm disso,
um filtro circular com 3 de raio possui mais pixels vizinhos do que um filtro retangular
de janela 6x6.
No aspecto visual, pde-se observar que as tolerncias para filtro circular
tambm apresentaram maiores modificaes no mapa, apesar da discrepncia entre os
valores numricos, visualmente essas diferenas no foram to drsticas, indicando que
as variaes percentuais, na prtica, no resultam em grandes alteraes.
O cenrio considerado mais satisfatrio foi o terceiro utilizando o filtro
retangular 3x3. Apesar de apresentar variao nas variveis relacionadas forma,
permetro e Kc, superior ao primeiro cenrio e praticamente idntica ao segundo. Para o
grau de pureza, houve maior pureza em grande parte das classes em relao ao primeiro
cenrio e a metade das classes apresentando maior pureza em relao ao segundo
cenrio, porm, essas variaes foram insignificantes. Visualmente as diferenas foram
pequenas para a escala adotada. O fator preponderante para a escolha deste mtodo foi
por no utilizar o operador amalgamao, o que tornou o processo mais gil. A escolha
do filtro retangular com janela 3x3 foi em funo da menor alterao da forma dos
objetos e a maior preservao do maior grau de pureza das classes.
Nesta pesquisa procurou-se compreender o funcionamento dos operadores
aplicados sobre um mapa temtico de uso e cobertura do solo, mapeado sobre uma
imagem de satlite de alta resoluo espacial, na escala de 1:20.000, objetivando
adequar o mapa para representao em escala 1:50.000.
A proposta em dividir esta pesquisa em dois tipos de dados, e em trs cenrios
diferentes, foi testar o comportamento das feies do mapa para cada tipo de operador,
algoritmo e tolerncias utilizadas.
Podemos perceber que h no meio cientifico brasileiro, carncia em trabalhos
que testam com profundidade as tcnicas para generalizao em meio digital e os meios
para avaliar sua eficcia. Para tanto, aplicou-se aqui mtodos pouco explorados para
este tipo de pesquisa e, portanto, se v a necessidade de novos testes aplicados a outros
tipos de mapas temticos e outras redues de escalas.

106

6.

REFERNCIAS BIBLIOGRFICAS

CMARA, G. Representao computacional de dados geogrficos. Em:


Banco de Dados Geogrficos Disponvel em
Http://www.dpi.inpe.br/livros/bdados/cap1.pdf>, acesso: 25/04/2010
CARVALHO JUNIOR, W.; KER, J. C.; FERNANDES FILHO, E. I.; PORTES,
R. C.; MARQUES, A. Banco de Geodados Digital e Generalizao do Mapa de
Solos de Minas Gerais. In: XXII Congresso Brasileiro de Cartografia, 2005, Maca RJ. XX EXPOSICARTA, 2005.
CLODOVEU A. D.; LAENDER, A.H.F. Multiple Representations in GIS:
Materialization Through Map Generalization, Geometric, and Spatial Analysis
Operations. ACM-GIS 1999: 60-65
D'ALGE, J. C. L. Generalizao cartogrfica em sistemas de informao
geogrfica: aplicao aos mapas de vegetao da Amaznia Brasileira. 2007.132p.
Tese (Doutorado) - Escola Politcnica da Universidade de So Paulo. So Paulo, 2007.
Disponvel em: http://www.dpi.inpe.br/~julio/arquivos/Tese_JulioDalge.pdf. Acesso:
29/03/2010
DAVIS JUNIOR, C. A.; LAENDER, A. H. F. Multiple representations in
GIS: materialization through map generalization, geometric, and spatial analysis
operations. In: 7th International Symposium on Advances in Geographic Information
Systems (ACM GIS 99), 1999, Kansas City, Missouri, EUA. Proceedings, 1999. p. 6065.
DAVIS, C. Generalizao em GIS. InfoGeo, l(5): 40-42, 1999.
ESRI, Environmental Systems Research Institute, Inc. Automation of Map
Generalization The Cutting-Edge Technology. California, 1996.
ESRI, Environmental Systems Research Institute, Inc. Map Generalization in
GIS: Practical Solutions with Workstation ArcInfo Software, technical paper.
Disponvel em: <http://arconline.esri.com>, acesso: 20/04/2010
IMHOF, E. Cartographic relief representation. In: De Gruyter, Berlin (1982),
p. 389.
LEE, D. From Master Database to Multiple Cartographic Representations.
Proceedings 16th International Cartographic Conference, Huntsville, 1993.
LOPES, J. Generalizao Cartogrfica. 2005.120p. Dissertao (Mestrado)
Universidade de Lisboa. Lisboa, 2005.
NUNES, C; CAETANO.M. RasterGen: uma aplicao para a generalizao
de mapas temticos em formato raster. Lisboa. 2006, 16p.

107

MCMASTER, R. B.; SHEA, K. S. Generalization in Digital Cartography. 1.


ed. Washington: Association of American Geographers, 1992. 133p. il. ISBN 8-89291209- X.
MCMASTER. R. B.; VEREGIN, H. Multiple Representations of Spatial
Data(1996). Disponvel em: http://www.geog.umn.edu/umucgis/nomination4.html.
Acesso: 01/05/2010
MCMASTER, R. B.; MONMONIER, M.S. A conceptual framework for
quantitative and qualitative raster-mode generalization. Proceedings of GIS/LIS
89. ACSM ASPRS, Orlando, Florida. pp. 390-403.
MENG, L. Automatic generalization of geographic data. Technical Report.
VBB Viak, Stockholm, Sweden (1997).
MLLER, J. C.; WEIBEL, R.; LAGRANGE, J. P.; Salg, F. Generalization:
State of the Art and Issues. In: Mller, J. C.; Lagrange, J. P.; Weibel, R. (eds.) GIS
and Generalization - Methodology and Practice, London, Taylor & Francis, 1995.
MLLER, J. C. Generalization of Spatial Databases. In: Geographical
Information System : Principles and Applications, ed. David Maguire, Michael
Goodchild, David Rhind. P.475. London: Longman, Ltd. 1991
PENG, W. 2000. Database generalization: concepts, problems, and operatio
ns. Proceedings of XIX Congress of the International Society for Photogrammetry and
Remote Sensing (ISPRS), Vol. XXXIII, 826-833.
PORTES, R. C. Classificao do uso e cobertura do solo sob manejo
agroecologico. 2010. 63p. Dissertao (mestrado). Universidade Federal de Viosa.
Viosa, 2010.
RAIZ, E. Principles of Cartography. New York, McGraw-Hill BookCompany,
Inc. 1962
RESENDE, M.; CURI, N.; REZENDE, S. B.; CORRA, G. F.. Pedologia:
Base Para A Distino de Ambientes. 2. ed. VIOSA, MG: NEPUT - Ncleo de
Estudo e Planejamento do Uso da Terra, 1997. 334 p.
ROBINSON, A. H.; SALE, R. Elements of Cartography. 3rd Edition. New
York: John Wiley & Sons, Inc. 1969.
ROBINSON, A. H.; SALE, R.; Morrison, J. L..; Muehrcke, P. C. Elements of
Cartography. 5th.Edition.New York: John Wiley & Sons, Inc.1984
SANTO, M. A. D.; LOCH, C. Algoritmos de Generalizao Vetorial em SIG.
In: COBRAC 2008, 2008, Florianopolis. 8o. Congresso Brasileiro de Cadastro Tcnico
Multifinalitrio. Florianopolis : UFSC, 2008. v. 1. p. 1-8.
SOARES, V. P. Sensoriamento Remoto: Notas de Aulas Prticas. Universida
de Federal de Viosa. Viosa - MG, 2001.
108

VILLELA, S. M.; MATTOS, A. Hidrologia Aplicada. So Paulo, McGrawHill, 1975. 245p.

109

ANEXO 1 Resultado das variveis para dados vetoriais


Tabela 11.

Variao de rea mdia e desvio padro (%)

CLASSE

Variao de rea
mdia (PAEK)

Variao de rea
mdia (Bezier)

Aflor.rochoso
Agricultura
gua
Caf
Eucalipto
Mata
S/ classificao
Pastagem
Solo exposto
Sombra

0
0
0
0
0
0
0
0
0
0

0
0
0
-0,51
-2,81
0
0
-0,19
0
0

Tabela 12.

Variao de
desvio-padro
(PAEK)
2,01
0
0
0
0
0
0
0
0
0

Variao de desviopadro (Bezier)


0
0
0
-0,03
+2,79
0
0
0,03
0
0

Variao de permetro mdio e desvio-padro (%)

CLASSE

Variao de
permetro mdio
(PAEK)

Variao de
permetro mdio
(Bezier)

Variao de
desvio-padro
(PAEK)

Variao de desviopadro (Bezier)

Aflor. rochoso
Agricultura
gua
Caf
Eucalipto
Mata
S/ classificao
Pastagem
Solo exposto
Sombra

-18,46
-17,34
-14,93
-17,37
-17,19
-20,40
-16,06
-16,30
-13,67
19,24

3,14
2,87
2,74
2,91
2,87
3,11
2,92
2,80
2,62
3,43

-16,7
-22,95
0
-17,19
-20,97
-23,92
14,97
-15,68
-22,32
-32,11

2,64
3,19
0
2,98
3,11
3,24
-6,95
10,17
3,02
3,05

Tabela 13.

Variao de Kc e desvio-padro (%)

CLASSE

Variao de Kc
mdio (PAEK)

Variao de Kc
mdio(Bezier)

Variao de
desvio padro
(PAEK)

Variao de desvio
padro (Bezier)

Aflor. rochoso
Agricultura
gua
Caf
Eucalipto
Mata
S/classificao
Pastagem
Solo exposto
Sombra

-18,93
-16,66
-14,89
-17,42
-17,42
-20,31
-16,17
-16,66
-13,30
-18,91

2,88
2,5
1,77
2,78
2,48
2,73
3,43
2,72
2,46
3,15

-21,66
-26,15
0
-20,17
-28,57
-29,57
0
-16,26
-26,56
-22,85

3,33
3,07
0
3,50
6,12
4,22
0
3,61
4,68
0

110

ANEXO 2 Grau de pureza para dados vetoriais


Tabela 14.
CLASSE
Caf solteiro
Eucalipto
Pastagem
Taboa
Cana
Solo exposto
Mata
Caf com rvore
Eucalipto clonado
Sombra
Aflor. rochoso
S/ classificao
gua
Milho
Cana queimada
GRAU DE
PUREZA

Grau de pureza para o algoritmo PAEK (%)

gua Caf Eucalipto Pastagem Agricultura Solo exposto Mata


53,48

10,96

6,41

7,70

4,44

10,44

4,75

7,41

8,45

0,00

8,36

48,67

2,12

1,15

0,33

8,35

11,23

7,13

5,01

5,10

5,14

2,53

72,13

5,98

10,60

1,34

0,13

7,76

0,18

0,85

1,21

1,68

4,59

0,55

0,11

1,02

0,00

1,34

0,00

0,00

1,04

0,04

0,63

20,67

0,03

0,00

0,00

0,00

0,00

0,00

1,42

0,05

1,69

4,15

59,08

0,02

0,00

4,33

7,87

0,00

7,32

7,22

2,10

0,90

0,03

66,75

18,96

0,08

2,50

0,36

10,91

4,60

1,45

2,40

0,08

6,41

3,11

3,49

2,71

0,00

0,94

16,32

0,27

0,04

0,00

0,52

0,03

0,01

0,00

0,00

0,89

3,69

0,15

0,53

0,00

3,42

46,68

0,00

1,88

0,36

6,26

2,16

3,51

2,16

16,99

1,25

0,22

67,15

5,40

0,00

0,62

0,47

1,08

1,42

2,94

0,02

0,00

0,37

66,01

92,48

0,36

0,92

0,47

0,00

5,39

0,02

11,59

0,38

0,00

0,00

2,08

0,70

3,21

52,35

0,00

0,42

3,30

0,56

0,00

0,00

0,00

0,00

0,19

0,00

0,00

0,00

0,00

0,00

0,00

76,72%

73,03%

59,08%

66,75%

46,68%

67,15%

66,01%

92,48% 64,38% 64,99%

Tabela 15.
CLASSE

Sombra Aflor.rochoso S/classificao

0,85

gua

Caf solteiro
0,36
Eucalipto
0,00
Pastagem
6,64
Taboa
0,95
Cana
0,00
Solo exposto
0,00
Mata
0,00
Cafe com rvore
0,00
Eucalipto clonado 0,00
Sombra
0,00
Aflor. rochoso
0,24
S/classificao
0,00
gua
91,81
Milho
0,00
Cana queimada
0,00
GRAU DE PUREZA 91,81%

Grau de pureza para o algoritmo Bezier (%)


Caf Eucalipto Pastagem Agricultura Solo exposto Mata Sombra Aflor.rochoso S/classificao
53,52

10,99

6,37

7,70

4,64

10,03

4,64

7,13

8,92

8,35

48,51

2,11

1,00

0,45

8,38

11,51

7,07

4,96

5,14

2,57

72,18

6,05

10,38

1,33

0,19

7,79

0,13

1,21

1,71

4,61

0,50

0,03

1,04

0,05

1,33

0,00

1,06

0,02

0,63

20,89

0,00

0,00

0,00

0,00

0,00

1,42

0,05

1,69

4,13

59,07

0,03

0,00

4,24

8,24

7,24

7,22

2,09

0,84

0,00

67,32

18,51

0,05

2,31

10,93

4,50

1,46

2,44

0,08

6,20

3,19

3,47

2,73

0,95

16,38

0,27

0,03

0,00

0,52

0,00

0,05

0,00

0,89

3,74

0,15

0,56

0,00

3,36

46,67

0,00

1,94

6,26

2,29

3,49

2,08

16,92

1,30

0,28

67,56

5,17

0,61

0,45

1,08

1,40

3,01

0,03

0,00

0,41

65,61

0,36

0,90

0,47

0,00

5,42

0,02

11,74

0,39

0,00

2,07

0,67

3,22

52,37

0,00

0,43

3,22

0,51

0,00

0,00

0,00

0,19

0,00

0,00

0,00

0,00

0,00

0,00

64,44%

64,88%

76,79%

73,27%

59,07%

67,56%

65,61%

67,32% 46,67%

111

ANEXO 3 Mapas resultantes dos dados vetoriais

Figura 66. Mapa resultante do algoritmo PAEK e Bezier em escala reduzida

Figura 67. Mapa ampliado resultante do algoritmo PAEK e Bezier

112

ANEXO 4 Resultado das variveis para dados matriciais - 1 Cenrio


Tabela 16.
CLASSE

Aflor.rochoso
Agricultura
gua
Caf
Eucalipto
Mata
S/classificao
Pastagem
Solo exposto
Sombra

Variao de rea mdia e desvio-padro para filtro circular (%)

Variao de Variao de Variao de Variao de Variao de Variao de


rea mdia 3 rea mdia 6 rea mdia 9 desvio-padro desvio-padro desvio-padro
raio
raio
raio
3 raio
6 raio
9 raio
2,02
1,25
-1,08
2,31
2,69
4,17
7,47
1,52
2,84
-0,32

Tabela 17.

4,32
2,51
-3,23
4,62
5,00
7,69
14,94
3,36
5,21
-0,32

5,84
1,35
0
1,57
3,50
10,53
38,10
1,47
11,54
0,00

12,01
2,69
0
3,41
8,39
22,11
77,78
3,30
28,85
2,82

18,83
2,69
0
5,51
14,69
36,84
119,05
5,42
44,23
5,63

Variao de rea mdia e desvio-padro para filtro retangular (%)

CLASSE

Variao de
rea mdia
3x3

Variao de
rea mdia
6x6

Aflor.rochoso
Agricultura
gua
Caf
Eucalipto
Mata
S/classificao
Pastagem
Solo exposto
Sombra

0,86
0,63
7,53
1,01
1,15
1,92
3,25
0,70
1,42
0

1,15
0,31
-3,23
1,59
1,92
3,53
7,14
1,20
2,37
-0,96

Tabela 18.

6,05
2,51
-8,60
6,94
6,92
10,58
21,75
5,38
6,16
-0,96

Variao de Variao de Variao de Variao de


rea mdia desvio-padro desvio-padro desvio-padro
9x9
3x3
6x6
9x9
3,46
2,51
-2,69
3,90
4,62
7,05
12,34
2,72
4,74

2,27
0,45
0
0,66
1,40
4,21
15,87
0,60
5,77
0,00

5,19
0,45
0
1,31
3,50
11,58
41,27
1,25
13,46
0,00

9,42
2,24
0
3,02
6,99
18,95
66,67
2,60
26,92
2,82

Variao de permetro mdio e desvio-padro para filtro circular (%)

CLASSE

Variao de
permetro
mdio 3 raio

Variao de
perimetro
medio 6 raio

Aflor. rochoso
Agricultura
gua
Caf
Eucalipto
Mata
S/ classificao
Pastagem
Solo exposto
Sombra

-4,79
-5,43
-6,21
-4,52
-5,21
-6,53
-1,08
-4,24
-3,63
-5,40

-11,61
-10,97
-15,53
-10,93
-11,55
-14,52
-2,51
-10,52
-8,26
-9,39

Variao
Variao de Variao de Variao de
perimetro desvio-padro desvio-padro desvio-padro
medio 9 raio
3 raio
6 raio
9 raio
-16,20
-15,59
-21,74
-14,84
-14,65
-18,65
-3,58
-14,93
-12,02
-12,21

-7,68
-4,93
0
-6,18
-0,61
-15,45
14,29
-3,87
-2,48
-0,79

-19,51
-9,98
0
-13,27
-1,53
-29,84
30,61
-10,67
-10,25
-10,20

-23,82
-16,99
0
-16,73
3,43
-34,04
44,90
-16,18
-17,46
-5,86

113

Tabela 19.

Variao de permetro mdio e desvio-padro para filtro retangular (%)

CLASSE

Variao de
permetro
mdio 3x3

Variao de
permetro
mdio 6x6

Variao
permetro
mdio 9x9

Variao de
desviopadro 3x3

Variao de
desviopadro 6x6

Variao de
desviopadro 9x9

Aflor.rochoso
Agricultura
gua
Caf
Eucalipto
Mata
S/classificao
Pastagem
Solo exposto
Sombra

-0,80
-1,09
-1,24
-0,91
-1,71
-1,24
0,72
-0,82
-1,13
-2,11

-5,38
-5,03
-6,21
-4,65
-5,62
-6,99
-1,08
-4,56
-3,38
-4,23

-9,17
-8,28
-12,42
-8,41
-9,21
-11,48
-1,79
-8,01
-5,26
-8,45

-0,25
0,01
0
-0,56
-0,82
-2,25
4,08
-0,92
-1,85
-6,56

-9,57
-4,93
0
-5,75
-1,88
-18,74
18,37
-4,51
-1,86
6,63

-17,01
-6,90
0
-10,42
0,66
-25,44
30,61
-8,20
-6,06
-2,17

Tabela 20.

Variao de Kc mdio e desvio-padro para filtro circular (%)

CLASSE

Variao de
Kc mdio 3
raio

Variao de
Kc mdio 6
raio

Aflor.rochoso
Agricultura
gua
Caf
Eucalipto
Mata
S/classificao
Pastagem
Solo exposto
Sombra

-5,24
-6,33
-5,68
-5,31
-6,51
-8,00
-4,52
-5,56
-4,46
-5,00

-11,90
-12,22
-14,39
-12,83
-13,49
-16,89
-9,04
-12,39
-9,90
-8,89

Tabela 21.
CLASSE

Aflor.rochoso
Agricultura
gua
Caf
Eucalipto
Mata
S/classificao
Pastagem
Solo exposto
Sombra

Variao Kc Variao de Variao de Variao de


mdio 9 raio desvio-padro desvio-padro desvio-padro
3 raio
6 raio
9 raio
-16,67
-16,74
-18,18
-17,70
-17,21
-21,78
-11,86
-17,09
-13,37
-11,67

-12,28
-8,00
0
-6,90
-11,11
-18,75
-8,33
-5,56
0,00
0,00

-29,82
-16,00
0
-18,97
-19,44
-37,50
0,00
-16,67
-9,76
-16,67

-36,84
-24,00
0
-25,86
-19,44
-50,00
-16,67
-25,00
-19,51
-33,33

Variao de Kc mdio e desvio-padro para filtro retangular (%)

Variao de Variao de Variao Kc Variao de Variao de Variao de


Kc mdio 3x3 Kc mdio 6x6 mdio 9x9 desvio-padro desvio-padro desvio-padro
3x3
6x6
9x9
-1,43
-1,81
-1,14
-1,33
-2,33
-1,78
-0,56
-1,28
-1,49
-1,67

-5,24
-5,43
-4,92
-5,31
-6,51
-8,00
-4,52
-5,13
-3,96
-3,89

-9,52
-9,95
-11,36
-10,18
-11,16
-13,78
-7,34
-9,40
-6,44
-8,33

-1,75
0,00
0
0,00
-2,78
-4,17
-8,33
-1,39
0
-16,67

-12,28
-8,00
0
-6,90
-13,89
-20,83
0
-6,94
2,44
-16,67

-26,32
-12,00
0
-15,52
-13,89
-31,25
8,33
-12,50
-4,88
-33,33

114

ANEXO 5 Grau de pureza para dados matriciais - 1 Cenrio


Tabela 22.
CLASSE
S/classificao
Mata
Caf solteiro
Eucalipto
Eucalipto clonado
Solo exposto
Milho
Cana
Cana queimada
gua
Taboa
Sombra
Aflor.rochoso
Pastagem
Caf com rvore
Grau de pureza

S/classificao Mata

Caf

Eucalipto

Solo
Agricultura gua
exposto

Pastagem Sombra Aflor.rochoso

65,36

0,16

0,69

0,33

2,48

0,73

0,00

1,04

0,00

0,81

0,68

64,50

6,88

10,00

1,34

2,51

0,00

2,04

14,45

0,27

8,22

10,74

54,04

11,57

5,69

6,52

18,21

6,13

7,40

7,72

5,28

8,33

7,65

48,29

4,07

2,51

0,00

2,24

7,84

7,59

0,00

0,51

0,79

14,91

0,00

0,25

0,00

0,35

0,72

0,33

7,59

0,04

1,63

0,19

54,68

2,46

0,00

1,68

0,00

3,72

0,00

0,53

2,22

0,60

0,06

51,07

0,00

3,06

2,63

0,75

0,00

0,00

0,78

0,68

0,62

21,91

0,00

0,66

0,00

0,00

0,00

0,05

0,02

0,00

0,00

0,00

0,00

0,17

0,00

0,00

0,00

0,15

0,50

0,53

4,77

0,00

67,13

0,42

10,59

0,31

0,00

0,74

1,23

1,88

0,68

0,26

0,35

4,64

0,22

1,38

0,00

2,37

1,01

2,62

0,00

0,26

0,00

0,23

50,93

0,17

9,15

2,86

6,00

2,27

12,54

2,88

1,65

3,40

1,91

66,99

1,95

2,28

5,51

2,73

9,83

5,86

6,59

72,57

1,08

6,71

1,77

6,72

11,06

3,40

3,23

2,78

6,07

1,36

2,24

3,27

63,20%

54,68%

72,98%

67,13%

77,21%

50,93%

66,99%

65,36%

Tabela 23.
CLASSE

Grau de pureza para filtro circular com 3 de raio (%)

64,50% 65,10%

Grau de pureza para filtro circular com 6 de raio (%)

S/classificao Mata

Caf

Eucalipto

Solo
Agricultura gua Pastagem Sombra Aflor.rochoso
exposto

S/classificao
Mata
Caf solteiro
Eucalipto
Eucalipto clonado
Solo exposto
Milho
Cana
Cana queimada
gua
Taboa
Sombra
Aflor.rochoso
Pastagem
Caf com rvore

64,61

0,17

0,70

0,35

2,57

0,75

0,00

1,03

0,00

0,84

0,94

62,95

7,09

10,13

1,34

2,46

0,00

2,05

14,85

0,24

8,42

11,62

53,16

12,21

5,65

6,86

18,33

6,65

7,73

8,43

5,14

8,33

7,77

47,18

3,95

2,64

0,00

2,25

7,63

7,77

0,00

0,54

0,80

14,80

0,00

0,25

0,00

0,36

0,70

0,31

7,67

0,04

1,65

0,17

53,90

2,34

0,00

1,70

0,00

3,74

0,00

0,51

2,23

0,66

0,05

50,25

0,00

3,11

2,53

0,74

0,00

0,00

0,81

0,67

0,56

21,42

0,00

0,67

0,00

0,00

0,00

0,03

0,02

0,00

0,00

0,00

0,00

0,18

0,00

0,00

0,00

0,14

0,49

0,55

4,85

0,00

64,75

0,44

10,49

0,30

0,00

0,75

1,29

1,85

0,74

0,33

0,80

4,58

0,24

1,33

0,00

2,43

1,01

2,62

0,00

0,23

0,00

0,23

50,61

0,16

9,49

2,81

6,09

2,37

12,50

2,92

1,42

3,46

1,88

65,60

2,06

2,38

6,01

2,84

10,68

6,84

7,97

71,84

1,13

7,22

1,67

7,31

10,88

3,59

3,21

2,72

6,73

1,44

2,22

3,33

Grau de pureza

64,61%

61,98%

53,90%

71,67%

64,75%

76,42%

50,61%

65,60%

62,95% 64,04%

115

Tabela 24.

Grau de pureza para filtro circular com 9 de raio (%)

CLASSE

S/classifica
o

Mata

Caf

S/classificao
Mata
Caf solteiro
Eucalipto
Eucalipto clonado
Solo exposto
Milho
Cana
Cana queimada
gua
Taboa
Sombra
Aflor.rochoso
Pastagem
Caf com rvore
Grau de pureza

64,44

0,18

0,71

0,36

2,68

0,73

0,00

1,03

0,00

0,88

1,00

61,49

7,32

10,34

1,49

2,42

0,00

2,05

14,65

0,19

8,41

12,35

52,33

12,42

5,46

7,30

19,53

7,20

8,17

8,93

4,85

8,34

7,93

46,09

3,74

2,82

0,00

2,24

7,29

8,04

0,00

0,56

0,82

14,69

0,00

0,27

0,00

0,37

0,72

0,28

7,78

0,03

1,68

0,16

52,85

2,31

0,00

1,71

0,00

3,82

0,00

0,47

2,25

0,70

0,04

49,20

0,00

3,20

2,46

0,75

0,00

0,00

0,85

0,64

0,41

21,23

0,00

0,68

0,00

0,00

0,00

0,01

0,01

0,00

0,00

0,00

0,00

0,18

0,00

0,00

0,00

0,10

0,48

0,59

4,98

0,00

62,72

0,47

10,40

0,29

0,00

0,79

1,33

1,84

0,85

0,37

1,03

4,52

0,28

1,28

0,00

2,49

1,01

2,65

0,00

0,23

0,00

0,23

50,71

0,13

9,65

2,77

6,18

2,56

12,59

2,93

0,75

3,53

1,89

64,25

2,19

2,52

6,40

2,96

11,75

7,51

8,17

71,07

1,22

7,80

1,66

7,88

10,69

3,99

3,16

2,69

7,79

1,52

2,20

3,36

64,44%

61,49%

63,03%

60,78%

52,85%

70,44%

62,72%

75,59%

50,71%

64,25%

Tabela 25.
CLASSE

Eucalipto

Solo
Agricultura gua Pastagem Sombra Aflor.rochoso
exposto

Grau de pureza para filtro retangular 3x3 (%)

S/classificao Mata

Caf

Eucalipto

Solo
Agricultura
exposto

gua Pastagem Sombra Aflor.rochoso

S/classificao
Mata
Caf solteiro
Eucalipto
Eucalipto clonado
Solo exposto
Milho
Cana
Cana queimada
gua
Taboa
Sombra
Aflor.rochoso
Pastagem
Caf com rvore

65,49

0,16

0,69

0,32

2,44

0,73

0,00

1,04

0,00

0,78

0,62

65,18

6,79

9,98

1,34

2,52

0,00

2,04

14,51

0,27

8,10

10,41

54,39

11,23

5,68

6,27

18,50

5,95

7,22

7,45

5,54

8,32

7,60

48,94

4,14

2,50

2,24

8,00

7,52

0,00

0,51

0,78

14,97

0,00

0,25

0,35

0,73

0,35

7,56

0,04

1,62

0,18

55,00

2,51

1,67

0,00

3,68

0,53

2,21

0,58

0,06

51,50

3,04

2,62

0,76

0,77

0,69

0,62

22,12

0,65

0,00

0,01

0,06

0,02

0,00

0,00

0,17

0,00

0,15

0,50

0,53

4,76

0,00

68,16

0,41

10,64

0,31

0,73

1,20

1,89

0,66

0,22

0,17

4,67

0,22

1,39

2,36

1,01

2,60

0,26

0,23

50,83

0,15

9,01

2,83

5,97

2,25

12,55

2,89

1,81

3,38

1,87

67,63

1,94

2,25

5,30

2,63

9,51

5,46

5,25

72,82

1,11

6,43

1,73

6,46

11,15

3,21

3,24

2,78

6,11

1,33

2,23

3,28

Grau de pureza

65,49%

65,18%

65,54%

63,91%

55%

73,62%

68,16%

77,49%

50,83%

67,63%

116

Tabela 26.
CLASSE

Grau de pureza para filtro retangular 6x6 (%)

S/classificao Mata

Caf

Eucalipto

Solo
Agricultura gua Pastagem Sombra Aflor.rochoso
exposto

S/classificao
Mata
Caf solteiro
Eucalipto
Eucalipto clonado
Solo exposto
Milho
Cana
Cana queimada
gua
Taboa
Sombra
Aflor.rochoso
Pastagem
Caf com rvore

65,59

0,16

0,70

0,33

2,50

0,70

1,04

0,76

0,71

64,13

6,92

10,18

1,02

2,62

2,03

14,35

0,25

8,44

10,96

53,82

11,50

5,67

6,51

17,06

6,30

7,59

7,80

5,32

8,28

7,72

47,76

3,65

2,37

2,24

8,08

7,72

0,54

0,79

14,84

0,29

0,36

0,64

0,34

7,49

0,04

1,61

0,21

54,88

2,50

1,67

3,77

0,53

2,21

0,65

0,05

50,72

3,08

2,52

0,65

0,77

0,70

0,68

21,75

0,67

0,04

0,02

0,00

0,18

0,18

0,50

0,51

4,74

67,99

0,41

10,62

0,30

0,76

1,24

1,83

0,55

0,34

0,53

4,62

0,26

1,35

2,36

1,02

2,57

0,27

0,22

50,89

0,17

8,87

2,87

6,03

2,36

12,57

2,96

1,15

3,39

1,87

66,67

1,99

2,38

5,62

3,15

10,28

6,17

7,07

72,42

0,98

6,91

1,59

6,76

11,04

3,41

3,40

2,80

6,19

1,36

2,20

3,30

Grau de pureza

65,59%

64,13%

64,86%

62,60%

54,88%

72,48%

67,99%

77,05%

50,89%

66,67%

Tabela 27.
CLASSE

Grau de pureza para filtro retangular 9x9 (%)

S/classificao Mata

Caf

Eucalipto

Solo
Agricultura gua
exposto

Pastagem Sombra Aflor.rochoso

S/classificao
Mata
Caf solteiro
Eucalipto
Eucalipto clonado
Solo exposto
Milho
Cana
Cana queimada
gua
Taboa
Sombra
Aflor.rochoso
Pastagem
Caf com rvore

64,76

0,17

0,70

0,35

2,52

0,74

1,03

0,82

0,81

63,40

7,03

10,09

1,31

2,46

2,04

14,80

0,25

8,36

11,34

53,43

12,01

5,66

6,76

18,06

6,49

7,61

8,22

5,18

8,29

7,74

47,49

3,94

2,60

2,25

7,75

7,68

0,53

0,79

14,81

0,00

0,25

0,36

0,72

0,31

7,63

0,03

1,64

0,19

54,25

2,38

1,69

3,72

0,51

2,23

0,64

0,05

50,51

3,09

2,56

0,74

0,00

0,80

0,68

0,57

21,56

0,67

0,04

0,02

0,00

0,18

0,14

0,50

0,55

4,86

65,29

0,43

10,49

0,30

0,75

1,27

1,85

0,71

0,30

0,79

4,60

0,22

1,34

2,39

1,01

2,61

0,00

0,26

0,23

50,63

0,17

9,51

2,84

6,06

2,36

12,58

2,89

1,50

3,44

1,89

66,05

2,06

2,38

5,85

2,86

10,34

6,53

8,02

72,07

1,11

7,10

1,69

7,19

10,93

3,53

3,21

2,76

6,34

1,41

2,21

3,30

Grau de pureza

64,76%

63,4%

64,36%

62,3%

54,25%

72,07%

65,29%

76,67%

50,63%

66,05%

117

ANEXO 6 Mapas resultantes dos dados matriciais - 1 Cenrio

Figura 68. Mapa original e mapas resultantes do filtro circular

118

Figura 69. Mapa original e mapas resultantes do filtro retangular

119

ANEXO 7 Resultado das variveis para dados matriciais - 2 Cenrio


Tabela 28.
CLASSE

Aflor.rochoso
Agricultura
gua
Caf
Eucalipto
Mata
S/classificao
Pastagem
Solo exposto
Sombra

Variao da rea mdia e desvio-padro (%)

Variao de Variao de Variao de Variao de Variao de Variao de


rea mdia 3 rea mdia 6 rea mdia 9 desvio-padro desvio-padro desvio-padro
raio
raio
raio
3 raio
6 raio
9 raio
1,65
1,28
0,00
2,33
2,68
3,88
7,12
1,51
-6,54
-0,32

Tabela 29.

3,58
2,24
-4,38
4,65
4,98
7,12
14,89
3,40
5,14
0

5,99
1,33
0
1,81
3,09
11
38,46
1,44
-7,84
0

11,98
3,54
0
3,75
7,41
23,00
76,92
3,30
33,33
2,82

19,16
2,65
0
5,82
12,35
37
116,92
5,61
50,98
5,63

Variao de rea mdia e desvio-padro para filtro retangular (%)

CLASSE

Variao de
rea mdia
3x3

Variao de
rea mdia
6x6

Aflor.rochoso
Agricultura
gua
Caf
Eucalipto
Mata
S/classificao
Pastagem
Solo exposto
Sombra

0,83
0,64
0,73
1,02
1,15
1,94
3,24
0,63
1,40
0

0,83
0,32
-2,19
1,74
1,92
3,56
7,12
1,20
2,34
-0,97

Tabela 30.

5,23
1,28
-20,44
6,98
6,90
10,03
21,68
5,55
6,07
-0,65

Variao de Variao de Variao de Variao de


rea mdia desvio-padro desvio-padro desvio-padro
9x9
3x3
6x6
9x9
3,03
2,56
-2,19
3,92
4,60
6,47
12,30
2,77
4,67

2,40
0,44
0
0,78
1,23
5,00
16,92
0,57
5,88
0,00

5,69
0,88
0
1,55
3,09
13,00
41,54
1,24
15,69
0,00

9,28
3,10
0
3,36
5,56
20,00
66,15
2,61
29,41
2,82

Variao de permetro mdio para filtro circular (%)

CLASSE

Variao de
permetro
mdio 3 raio

Variao
permetro
mdio 6 raio

Aflor.rochoso
Agricultura
gua
Caf
Eucalipto
Mata
S/classificao
Pastagem
Solo exposto
Sombra

-30,43
-22,11
-20,53
-19,93
-17,55
-29,35
-12,10
-19,64
-19,62
-12,01

-32,60
-26,48
-28,42
-25,27
-23,85
-35,06
-12,42
-24,18
-20,77
-16,81

Variao de Variao de Variao de Variao de


permetro desvio-padro desvio-padro desvio-padro
mdio 9 raio
3 raio
6 raio
9 raio
-36,54
-32,36
-33,16
-29,14
-27,21
-39,73
-14,33
-28,36
-25,37
-19,43

-36,43
-32,48
0
-29,29
-10,07
-50,46
7,69
-20,31
-31,85
-40,82

-41,88
-35,51
0
-32,27
-11,26
-57,68
28,85
-24,88
-35,87
-44,26

-44,79
-42,73
0
-36,08
-7,15
-61,65
36,54
-30,77
-44,82
-44,26

120

Tabela 31.

Variao de permetro mdio e desvio-padro para filtro retangular (%)

CLASSE

Variao de
permetro
mdio 3x3

Variao
permetro
mdio 6x6

Aflor.rochoso
Agricultura
gua
Caf
Eucalipto
Mata
S/classificao
Pastagem
Solo exposto
Sombra

-14,12
-11,81
-5,79
-9,77
-8,72
-14,82
-6,37
-9,41
-8,25
-6,55

-26,40
-20,56
-17,37
-18,37
-17,44
-27,37
-9,87
-17,68
-15,76
-11,14

Tabela 32.

Variao de
Kc mdio 3
radio

Variao Kc
mdio 6 raio

Aflor.rochoso
Agricultura
gua
Caf
Eucalipto
Mata
S/classificao
Pastagem
Solo exposto
Sombra

-25,17
-20,37
-16,30
-18,89
-18,90
-27,67
-14,07
-18,21
-17,36
-12,37

-32,52
-26,67
-26,80
-26,67
-27,17
-36,67
-18,09
-26,07
-22,31
-15,98

CLASSE

Aflor.rochoso
Agricultura
gua
Caf
Eucalipto
Mata
S/classificao
Pastagem
Solo exposto
Sombra

-30,20
-24,46
-25,79
-23,09
-21,58
-32,68
-11,15
-22,04
-18,89
-15,94

-16,22
-19,86
0
-13,00
-11,04
-23,74
7,69
-9,91
-16,49
-29,59

-31,71
-29,57
0
-24,46
-15,61
-47,08
17,31
-18,31
-28,96
-37,01

-38,90
-33,94
0
-29,87
-12,97
-55,65
28,85
-23,21
-34,39
-45,49

Variao de Kc mdio e desvio-padro para filtro circular (%)

CLASSE

Tabela 33.

Variao de Variao de Variao de Variao de


permetro desvio-padro desvio-padro desvio-padro
mdio 9x9
3x3
6x6
9x9

Variao de Variao de Variao de Variao de


Kc mdio 9 desvio-padro desvio-padro desvio-padro
raio
3 raio
6 raio
9 raio
-36,01
-31,85
-25,14
-31,11
-31,10
-42,00
-22,11
-30,36
-26,86
-18,56

-42,27
-42,86
0
-34,44
-45,31
-50,00
18,18
-24,47
-37,33
-72,22

-57,73
-51,19
0
-45,56
-56,25
-65,12
18,18
-35,11
-44,00
-88,89

-60,82
-58,33
0
-52,22
-59,38
-74,42
0
-42,55
-54,67
-77,78

Variao de Kc mdio e desvio-padro para filtro retangular (%)

Variao de Variao Kc Variao de Variao de Variao de Variao de


Kc mdio 3x3 mdio 3x3 Kc mdio 3x3 desvio-padro desvio-padro desvio-padro
3x3
3x3
3x3
-14,34
-11,48
-6,08
-10
-9,84
-15,67
-7,54
-10
-8,68
-6,19

-26,22
-20
-16,30
-18,89
-19,69
-28
-13,07
-18,57
-16,53
-10,31

-30,07
-24,44
-24,86
-24,44
-24,80
-34
-16,08
-23,57
-20,25
-15,46

-21,65
-29,76
0
-20
-23,44
-26,74
9,09
-13,83
-20
-55,56

-44,33
-44,05
0
-35,56
-48,44
-51,16
18,18
-25,53
-36
-72,22

-54,64
-50
0
-43,33
-54,69
-61,63
27,27
-32,98
-44
-88,89

121

ANEXO 8 Grau de pureza para dados matriciais - 2 Cenrio


Tabela 34.
CLASSE

Grau de pureza para filtro circular com 3 de raio (%)

S/classifica Mata
o

Caf

Eucalipto

Solo
exposto

Agricultura

gua

Pastagem Sombra Aflor.rochoso

S/classificao
Mata
Caf solteiro
Eucalipto
Eucalipto clonado
Solo exposto
Milho
Cana
Cana queimada
gua
Taboa
Sombra
Aflor.rochoso
Pastagem
Caf com rvore

65,48

0,17

0,69

0,27

2,19

0,73

1,04

0,90

0,62

65,01

6,95

8,93

1,44

2,57

2,02

14,43

0,08

7,95

10,35

53,86

11,58

5,32

6,63

1,05

6,06

6,86

6,22

5,25

8,28

7,74

48,05

4,09

2,55

2,28

7,87

6,26

0,00

0,50

0,80

14,83

0,26

0,35

0,73

0,23

7,77

0,04

1,63

0,19

53,02

2,45

1,68

0,00

4,28

0,53

2,09

0,58

0,06

53,19

3,09

2,65

0,61

0,87

0,68

0,62

21,01

0,66

0,06

0,02

0,17

0,13

0,50

0,52

4,66

87,69

0,42

10,66

0,36

0,74

1,29

1,60

0,67

0,30

0,46

4,62

0,02

1,07

2,39

2,64

0,27

0,23

51,45

0,08

9,38

2,92

6,18

3,92

14,96

2,35

1,39

3,53

1,94

70,01

1,79

2,28

5,37

2,98

9,87

4,86

6,62

72,49

1,13

6,17

1,74

6,59

11,00

3,24

3,10

2,83

2,79

1,35

2,27

3,74

Grau de pureza

65,48%

65,01%

64,85%

62,88%

53,02%

74,20%

87,69%

77,11%

51,45%

70,01%

Tabela 35.
CLASSE

Grau de pureza para filtro circular com 6 de raio (%)

S/classificao Mata

Caf

Eucalipto

Solo
Agricultura
exposto

gua

Pastagem Sombra Aflor.rochoso

S/classificao
Mata
Caf solteiro
Eucalipto
Eucalipto clonado
Solo exposto
Milho
Cana
Cana queimada
gua
Taboa
Sombra
Aflor.rochoso
Pastagem
Caf com rvore

64,67

0,18

0,70

0,33

2,32

0,75

1,04

0,97

0,86

63,43

7,20

9,03

1,41

2,52

2,04

14,82

0,05

8,27

11,22

52,93

12,25

5,27

7,00

2,31

6,61

7,17

6,92

5,11

8,25

7,88

46,75

3,83

2,73

2,29

7,71

6,51

0,53

0,81

14,71

0,00

0,25

0,36

0,71

0,18

7,93

0,03

1,64

0,17

52,10

2,36

1,71

4,28

0,51

2,12

0,63

0,05

52,02

3,15

2,56

0,63

0,89

0,67

0,58

20,66

0,67

0,03

0,02

0,18

0,11

0,51

0,53

4,73

83,92

0,44

10,55

0,35

0,76

1,34

1,61

0,73

0,45

1,10

4,55

0,02

1,03

2,49

1,00

2,65

0,24

0,23

51,13

0,09

9,68

2,87

6,27

4,04

15,03

2,35

0,49

3,59

1,90

68,43

1,83

2,35

5,90

3,12

10,83

5,91

8,28

71,71

1,18

6,76

1,64

7,22

10,80

3,51

3,11

2,77

3,90

1,44

2,25

3,81

Grau de pureza

64,67%

61,46%

52,10%

72,68%

83,92%

76,26%

51,13%

68,43%

63,43% 58,83%

122

Tabela 36.
CLASSE

Grau de pureza para filtro circular com 9 de raio (%)

S/classificao Mata

Caf

Eucalipto

Solo Agricultura
exposto

gua

Pastagem Sombra Aflor.rochoso

S/classificao
Mata
Caf solteiro
Eucalipto
Eucalipto clonado
Solo exposto
Milho
Cana
Cana queimada
Agua
Taboa
Sombra
Aflor.rochoso
Pastagem
Caf com rvore

64,52

0,18

0,71

0,33

2,32

0,75

1,03

1,03

0,92

61,90

7,43

9,19

1,47

2,54

2,04

14,87

0,03

8,23

12,11

52,04

12,71

5,33

7,43

4,51

7,17

7,73

7,54

4,85

8,28

8,03

45,47

3,46

2,99

2,29

7,24

6,88

0,55

0,83

14,62

0,00

0,28

0,36

0,73

0,12

8,12

0,02

1,66

0,16

51,29

2,37

1,73

4,35

0,45

2,16

0,68

0,04

50,69

3,27

2,52

0,64

0,92

0,63

0,29

20,66

0,69

0,01

0,01

0,18

0,09

0,51

0,57

4,85

81,66

0,49

10,41

0,31

0,81

1,38

1,63

0,83

0,45

1,60

4,48

0,16

1,01

2,53

1,01

2,69

0,23

0,23

50,95

0,05

9,73

2,82

6,36

4,26

15,28

2,36

0,15

3,66

1,92

66,91

1,98

2,46

6,34

3,23

11,76

6,49

7,71

70,85

1,24

7,30

1,64

7,78

10,61

3,81

3,07

2,77

4,37

1,53

2,23

3,83

Grau de pureza

64,52%

60,10%

51,29%

71,35%

81,66%

75,34%

50,95%

66,91%

Tabela 37.
CLASSE

61,90% 62,64%

Grau de pureza para filtro retangular 3x3 (%)

S/classificao Mata

Caf

Eucalipto

Solo
Agricultura
exposto

gua

Pastagem Sombra Aflor.rochoso

S/classificao
Mata
Caf solteiro
Eucalipto
Eucalipto clonado
Solo exposto
Milho
Cana
Cana queimada
gua
Taboa
Sombra
Aflor.rochoso
Pastagem
Caf com rvore

65,69

0,16

0,69

0,27

2,08

0,73

1,04

0,86

0,52

66,46

6,79

8,80

1,43

2,59

2,02

14,49

0,09

7,81

9,51

54,47

11,15

5,26

6,28

0,46

5,77

6,66

5,54

5,51

8,20

7,67

49,02

4,14

2,52

2,28

8,01

6,15

0,00

0,48

0,79

14,93

0,26

0,35

0,74

0,25

7,68

0,04

1,62

0,18

53,90

2,50

1,66

4,22

0,53

2,08

0,57

0,06

53,90

3,05

2,65

0,57

0,86

0,68

0,61

21,28

0,65

0,06

0,02

0,17

0,14

0,50

0,52

4,65

90,53

0,41

10,67

0,37

0,74

1,23

1,61

0,65

0,17

0,23

4,68

1,08

2,36

1,00

2,61

0,27

0,23

51,48

0,09

9,31

2,91

6,11

3,80

14,90

2,38

2,08

3,49

1,90

71,33

1,76

2,22

5,04

2,82

9,19

4,30

4,27

72,88

1,14

5,77

1,73

6,17

11,13

3,03

3,11

2,82

2,42

1,31

2,27

3,68

Grau de pureza

65,69%

63,95%

53,90%

75,18%

90,53%

77,56%

51,48%

71,33%

66,46% 65,59%

123

Tabela 38.
CLASSE

Grau de pureza para filtro retangular 6x6 (%)

S/classificao Mata

Caf

Eucalipto

Solo
Agricultura
exposto

gua

Pastagem Sombra Aflor.rochoso

S/classificao
Mata
Caf solteiro
Eucalipto
Eucalipto clonado
Solo exposto
Milho
Cana
Cana queimada
Agua
Taboa
Sombra
Aflor.rochoso
Pastagem
Caf com rvore

65,61

0,16

0,70

0,22

2,22

0,70

1,04

0,87

0,66

64,75

6,98

9,10

1,12

2,69

2,02

14,41

0,06

8,23

10,54

53,65

11,49

5,16

6,66

0,48

6,22

6,96

6,20

5,28

8,18

7,80

47,59

3,67

2,40

2,28

8,20

6,40

0,00

0,52

0,79

14,79

0,00

0,30

0,35

0,65

0,28

7,63

0,04

1,61

0,21

53,56

2,54

1,67

4,30

0,53

2,09

0,65

0,05

52,68

3,12

2,55

0,55

0,86

0,69

0,69

20,83

0,68

0,04

0,02

0,17

0,16

0,51

0,50

4,60

87,37

0,41

10,68

0,35

0,77

1,30

1,63

0,55

0,42

0,72

4,60

0,02

1,02

2,40

1,02

2,60

0,27

0,22

51,40

0,09

9,29

2,94

6,20

3,88

15,07

2,41

0,72

3,52

1,90

69,66

1,74

2,38

5,50

3,40

9,96

5,26

7,75

72,35

1,01

6,45

1,56

6,59

10,97

3,26

3,34

2,82

2,98

1,36

2,23

3,75

Grau de pureza

65,61%

62,37%

53,56%

73,51%

87,37%

76,95%

51,40%

69,66%

Tabela 39.
CLASSE

64,75% 64,62%

Grau de pureza para filtro retangular 9x9 (%)

S/classificao Mata

Caf

Eucalipto

Solo Agricultura
exposto

gua

Pastagem Sombra Aflor.rochoso

S/classificao
Mata
Caf solteiro
Eucalipto
Eucalipto clonado
Solo exposto
Milho
Cana
Cana queimada
gua
Taboa
Sombra
Aflor.rochoso
Pastagem
Caf com rvore

64,92

0,18

0,70

0,29

2,23

0,74

1,04

0,94

0,73

63,96

7,13

9,04

1,41

2,52

2,03

14,74

0,06

8,17

11,00

53,20

12,04

5,26

6,95

2,03

6,45

7,10

6,71

5,17

8,21

7,83

47,13

3,88

2,66

2,30

7,85

6,45

0,52

0,81

14,74

0,00

0,26

0,36

0,73

0,19

7,91

0,03

1,63

0,18

52,49

2,39

1,70

4,28

0,51

2,11

0,63

0,05

52,34

3,13

2,59

0,62

0,88

0,67

0,60

20,74

0,67

0,04

0,02

0,18

0,12

0,50

0,53

4,71

84,61

0,44

10,58

0,35

0,76

1,33

1,60

0,70

0,42

0,84

4,57

0,02

1,04

2,44

1,00

2,65

0,26

0,23

51,07

0,10

9,66

2,91

6,24

3,99

15,01

2,34

0,60

3,57

1,92

68,89

1,80

2,33

5,74

3,09

10,56

5,58

8,71

71,94

1,16

6,60

1,64

6,99

10,87

3,42

3,10

2,80

3,22

1,41

2,25

3,77

Grau de pureza

64,92%

61,87%

52,49%

73,08%

84,61%

76,51%

51,07%

68,89%

63,96% 64,07%

124

ANEXO 9 Mapas resultantes dos dados matriciais - 2 Cenrio

Figura 70. Mapa original e mapas resultantes do filtro circular

125

Figura 71. Mapa original e mapas resultantes do filtro retangular

126

ANEXO 10 Resultado das variveis para dados matriciais - 3 Cenrio


Tabela 40.
CLASSE

Aflor.rochoso
Agricultura
gua
Caf
Eucalipto
Mata
S/classificao
Pastagem
Solo exposto
Sombra

Variao de rea mdia e desvio-padro para filtro circular (%)

Variao de Variao de Variao de Variao de Variao de Variao de


rea mdia 3 rea mdia 6 rea mdia 9 desvio-padro desvio-padro desvio-padro
raio
raio
raio
3 raio
6 raio
9 raio
3,56
3,47
1,68
6,94
2,58
3,06
3,29
15,74
2,1
3,19

Tabela 41.

3,63
3,51
1,63
7,1
2,64
3,15
3,52
16,02
2,14
3,18

3,22
2,24
0
7,8
1,5
1,22
0,89
40,38
0,53
0,94

3,42
2,29
0
7,95
1,57
1,34
1,15
41,11
0,62
0,95

3,62
2,26
0
8,12
1,65
1,48
1,4
42,03
0,72
0,97

Variao de rea mdia e desvio-padro para filtro retangular (%)

CLASSE

Variao de
rea mdia
3x3

Variao de
rea mdia
6x6

Aflor.rochoso
Agricultura
gua
Caf
Eucalipto
Mata
S/classificao
Pastagem
Solo exposto
Sombra

0,86
0,58
0
1,03
1,20
1,69
3,26
0,65
1,47
0,86

1,15
0,58
-4,12
1,92
1,99
3,39
6,84
1,23
1,96
-0,94

Tabela 42.

3,68
3,48
1,51
7,26
2,69
3,24
3,74
16,35
2,17
3,18

Variao de Variao de Variao de Variao de


rea mdia desvio-padro desvio-padro desvio-padro
9x9
3x3
6x6
9x9
3,45
2,63
-4,12
4,13
4,78
6,44
12,38
2,77
4,90
0

2,30
0
0
0,78
1,37
4,50
16,67
0,58
6,38
0

5,25
0,45
0
1,57
3,42
11,71
39,39
1,23
14,89
0

9,18
2,70
0
3,39
6,16
18,02
60,61
2,61
29,79
1,08

Variao de permetro mdio e desvio-padro para filtro circular (%)

CLASSE

Variao de
permetro
mdio 3 raio

Variao de
perimetro
medio 6 raio

Aflor.rochoso
Agricultura
gua
Caf
Eucalipto
Mata
S/classificao
Pastagem
Solo exposto
Sombra

-23,63
-19,87
-16,86
-18,29
-19,11
-26,77
-10,75
-16,53
-15,33
-12,21

-30,01
-26,21
-25,00
-25,52
-26,20
-35,67
-12,70
-23,52
-19,56
-17,56

Variao
Variao de Variao de Variao de
perimetro desvio-padro desvio-padro desvio-padro
medio 9 raio
3 raio
6 raio
9 raio
-34,19
-31,66
-30,23
-29,31
-29,81
-40,22
-14,01
-27,65
-23,00
-20,13

-29,85
-29,45
0
-23,16
-14,58
-44,74
23,40
-17,35
-23,46
-32,09

-40,60
-36,04
0
-31,84
-13,39
-56,43
36,17
-24,85
-31,79
-40,45

-44,49
-43,97
0
-35,48
-8,84
-60,89
48,94
-30,56
-35,67
-38,36

127

Tabela 43.

Variao de permetro mdio e desvio-padro para filtro retangular (%)

CLASSE

Variao de
permetro
mdio 3x3

Variao de
permetro
mdio 6x6

Variao
permetro
mdio 9x9

Aflor.rochoso
Agricultura
gua
Caf
Eucalipto
Mata
S/classificao
Pastagem
Solo exposto
Sombra

-13,18
-11,59
-8,14
-9,87
-9,97
-15,05
-6,51
-8,94
-7,56
-7,07

-24,18
-20,51
-16,28
-18,60
-19,61
-27,69
-10,75
-17,14
-14,89
-12,21

-27,78
-24,31
-22,67
-23,22
-24,04
-33,29
-10,42
-21,26
-17,56
-15,63

Tabela 44.

Variao de
Kc mdio 3
radio

Variao Kc
mdio 6 raio

Aflor.rochoso
Agricultura
gua
Caf
Eucalipto
Mata
S/classificao
Pastagem
Solo exposto
Sombra

-23,88
-19,64
-16,61
-19,19
-21,51
-28,10
-14,29
-17,15
-16,38
-11,34

-30,22
-26,18
-23,39
-26,94
-29,43
-37,58
-18,37
-24,82
-20,69
-16,49

CLASSE

Aflor.rochoso
Agricultura
gua
Caf
Eucalipto
Mata
S/classificao
Pastagem
Solo exposto
Sombra

-15,39
-20,50
0
-12,67
-11,25
-23,81
17,02
-9,55
-13,01
-22,08

-31,77
-30,40
0
-23,76
-17,00
-46,59
23,40
-18,08
-24,18
-26,43

-37,63
-34,91
0
-29,34
-14,93
-53,96
34,04
-22,90
-27,73
-36,88

Variao de Kc mdio e desvio-padro para filtro circular (%)

CLASSE

Tabela 45.

Variao de Variao de Variao de


desvio-padro desvio-padro desvio-padro
3x3
6x6
9x9

Variao de Variao de Variao de Variao de


Kc mdio 9 desvio-padro desvio-padro desvio-padro
raio
3 raio
6 raio
9 raio
-34,33
-31,27
-26,10
-31,37
-33,58
-42,48
-21,94
-29,20
-24,57
-19,07

-38,89
-41,46
0
-35,23
-46,15
-51,58
50,00
-24,73
-28,33
-61,90

-53,33
-50,00
0
-46,59
-58,46
-67,37
37,50
-35,48
-38,33
-76,19

-57,78
-57,32
0
-52,27
-60,00
-76,84
37,50
-43,01
-45,00
-71,43

Variao de Kc mdio e desvio-padro para filtro retangular (%)

Variao de Variao de Variao Kc Variao de Variao de Variao de


Kc mdio 3x3 Kc mdio 6x6 mdio 9x9 desvio-padro desvio-padro desvio-padro
3x3
6x6
9x9
-13,43
-11,27
-8,47
-10,33
-10,94
-15,69
-8,16
-9,12
-7,76
-6,19

-23,88
-20,00
-14,58
-19,19
-21,51
-28,76
-13,78
-17,52
-15,52
-11,34

-27,99
-24,36
-21,02
-24,72
-27,17
-34,97
-15,82
-22,26
-18,97
-14,95

-21,11
-29,27
0
-20,45
-24,62
-27,37
50,00
-13,98
-15,00
-38,10

-42,22
-43,90
0
-36,36
-49,23
-53,68
37,50
-25,81
-30,00
-52,38

-50,00
-48,78
0
-44,32
-58,46
-64,21
50,00
-32,26
-35,00
-71,43

128

ANEXO 11 Grau de pureza de dados matriciais - 3 Cenrio


Tabela 46.
CLASSE

Grau de pureza para filtro circular com 3 de raio (%)

S/classificao Mata

Caf

Eucalipto

Solo
Agricultura
exposto

gua

Pastagem Sombra Aflor.rochoso

S.classificao
Mata
Caf solteiro
Eucalipto
Eucalipto clonado
Solo exposto
Milho
Cana
Cana queimada
Agua
Taboa
Sombra
Aflor.rochoso
Pastagem
Caf com rvore

65,69

0,07

0,70

0,29

2,22

0,75

1,05

0,82

0,68

67,10

7,06

10,56

1,10

2,56

2,00

14,19

0,30

7,89

9,57

54,42

9,44

5,60

7,67

18,06

6,19

6,43

7,67

5,25

8,00

7,75

49,55

3,71

2,53

2,22

8,78

8,01

0,51

0,81

15,40

0,00

0,34

0,33

0,75

0,34

7,70

0,03

1,56

0,21

56,05

2,71

1,73

3,63

0,52

2,07

0,65

0,09

51,14

3,23

2,57

1,17

0,92

0,82

0,56

21,32

0,62

0,06

0,02

0,00

0,00

0,17

0,13

0,48

0,56

4,93

72,05

0,42

11,27

0,24

0,74

1,20

1,92

0,71

0,64

0,38

4,60

0,02

1,33

2,71

0,99

2,66

0,30

0,22

50,09

0,12

8,62

2,75

5,79

2,42

12,19

2,24

3,66

2,64

66,41

2,51

1,22

5,06

2,53

9,49

4,98

3,04

72,19

0,93

6,99

1,67

6,58

11,18

2,99

3,34

2,83

6,46

1,38

2,34

2,98

Grau de pureza

65,69%

64,95%

56,05%

72,45%

72,05%

76,79%

50,09%

66,41%

Tabela 47.

67,10% 65,60%

Grau de pureza para filtro circular com 6 de raio (%)

CLASSE

S/classificao

Mata

Caf

S/classificao
Mata
Caf solteiro
Eucalipto
Eucalipto clonado
Solo exposto
Milho
Cana
Cana queimada
gua
Taboa
Sombra
Aflor.rochoso
Pastagem
Caf com rvore
Grau de pureza

Eucalipto

Solo Agricultura
exposto

gua

Pastagem Sombra Aflor.rochoso

64,86

0,08

0,70

0,34

2,48

0,78

1,04

0,87

0,73

65,17

7,33

10,64

1,15

2,54

2,01

14,59

0,27

8,29

10,62

53,42

10,26

5,56

8,06

17,92

6,76

6,83

8,35

5,01

8,01

7,90

48,04

3,64

2,69

2,23

8,47

8,22

0,54

0,82

15,28

0,00

0,36

0,34

0,75

0,32

7,92

0,02

1,58

0,21

54,94

2,55

1,75

3,70

0,51

2,09

0,71

0,05

50,06

3,28

2,51

1,14

0,94

0,80

0,50

20,91

0,63

0,04

0,02

0,17

0,10

0,48

0,59

5,03

69,25

0,45

11,19

0,23

0,76

1,26

1,88

0,77

0,76

0,88

4,53

0,02

1,29

2,79

0,99

2,69

0,00

0,29

0,22

49,82

0,12

9,00

2,77

5,88

2,51

12,22

2,18

3,72

2,64

64,98

2,60

1,31

5,61

2,75

10,34

6,02

5,39

71,42

0,97

7,44

1,60

7,29

10,98

3,28

3,32

2,79

6,56

1,46

2,21

3,06

64,86%

65,17%

64,40%

63,32%

54,94%

70,97%

69,25%

75,95%

49,82%

64,98%

129

Tabela 48.

Grau de pureza para filtro circular com 9 de raio (%)

CLASSE

S/classificao

Mata

Caf

S/classificao
Mata
Caf solteiro
Eucalipto
Eucalipto clonado
Solo exposto
Milho
Cana
Cana queimada
gua
Taboa
Sombra
Aflor.rochoso
Pastagem
Caf com rvore
Grau de pureza

64,44

0,09

0,72

0,36

2,57

0,76

1,02

0,95

0,82

63,46

7,54

10,90

1,27

2,56

2,03

14,67

0,24

8,32

11,58

52,49

10,67

5,60

8,52

18,88

7,32

7,41

9,02

4,85

8,01

8,07

46,65

3,45

2,83

2,23

8,25

8,42

0,55

0,84

15,22

0,36

0,34

0,69

0,35

8,16

0,01

1,61

0,19

53,93

2,51

1,76

3,78

0,46

2,14

0,77

0,04

48,93

3,39

2,48

1,04

0,97

0,79

0,34

20,87

0,65

0,01

0,01

0,00

0,18

0,10

0,46

0,62

5,12

66,56

0,49

10,98

0,23

0,80

1,32

1,88

0,88

0,79

1,16

4,46

0,15

1,25

2,82

1,00

2,76

0,26

0,22

49,51

0,10

9,19

2,77

5,99

2,69

12,39

2,24

3,77

2,70

63,61

2,65

1,42

6,06

2,91

11,15

6,56

5,80

70,59

1,01

7,89

1,56

7,93

10,80

3,59

3,24

2,81

7,59

1,54

2,15

3,12

64,44%

63,46%

63,29%

61,87%

53,93%

69,79%

66,56%

75,05%

49,51%

63,61%

Tabela 49.
CLASSE

Eucalipto

Solo Agricultura
exposto

gua

Pastagem Sombra Aflor.rochoso

Grau de pureza para filtro retangular 3x3 (%)

S/classificao Mata

Caf

Eucalipto

Solo
Agricultura
exposto

gua

Pastagem Sombra Aflor.rochoso

S/classificao
Mata
Caf solteiro
Eucalipto
Eucalipto clonado
Solo exposto
Milho
Cana
Cana queimada
gua
Taboa
Sombra
Aflor.rochoso
Pastagem
Caf com rvore

66,21

0,05

0,69

0,31

2,14

0,75

1,05

0,79

0,55

68,70

6,88

10,37

1,09

2,57

2,00

14,11

0,30

7,76

8,62

55,06

8,84

5,55

7,42

18,09

5,89

6,18

7,01

5,18

7,96

7,67

50,71

3,69

2,47

2,21

8,86

7,88

0,49

0,81

15,48

0,33

0,33

0,75

0,33

7,58

0,03

1,55

0,20

57,00

2,77

1,71

3,58

0,53

2,05

0,64

0,10

51,86

3,19

2,62

1,16

0,91

0,82

0,56

21,59

0,61

0,06

0,02

0,17

0,14

0,49

0,56

4,94

73,95

0,41

11,29

0,24

0,73

1,14

1,93

0,68

0,50

0,19

4,66

1,33

2,68

0,99

2,65

0,32

0,22

50,25

0,11

8,49

2,77

5,71

2,32

12,16

2,23

3,62

2,65

67,69

2,60

1,17

4,71

2,36

8,78

4,35

1,31

72,60

0,93

6,62

1,64

6,06

11,32

2,81

3,31

2,83

6,47

1,34

2,35

2,94

Grau de pureza

66,21%

66,19%

57,00%

73,45%

73,95%

77,26%

50,25%

67,69%

68,70% 66,38%

130

Tabela 50.

Grau de pureza para filtro retangular 6x6 (%)

CLASSE

S/classificao

Mata

Caf

S/classificao
Mata
Caf solteiro
Eucalipto
Eucalipto clonado
Solo exposto
Milho
Cana
Cana queimada
gua
Taboa
Sombra
Aflor.rochoso
Pastagem
Caf com rvore
Grau de pureza

66,08

0,06

0,70

0,26

2,38

0,72

1,04

0,79

0,56

66,73

7,09

10,66

0,80

2,66

0,00

1,99

14,14

0,29

8,25

9,73

54,19

9,40

5,51

7,86

16,37

6,38

6,49

7,57

5,03

7,93

7,80

49,06

3,15

2,33

2,21

9,01

8,21

0,54

0,82

15,34

0,36

0,33

0,67

0,29

7,61

0,03

1,54

0,23

56,59

2,69

1,71

3,72

0,54

2,07

0,73

0,07

50,71

3,24

2,45

1,09

0,00

0,91

0,81

0,64

21,12

0,64

0,04

0,02

0,17

0,16

0,50

0,54

4,87

72,94

0,41

11,30

0,23

0,75

1,22

1,84

0,57

0,74

0,59

4,58

0,02

1,29

2,70

1,00

2,64

0,34

0,21

50,20

0,13

8,44

2,83

5,80

2,46

12,12

2,29

3,65

2,60

66,16

2,56

1,33

5,21

2,96

9,76

5,33

3,63

72,03

0,83

7,21

1,46

6,62

11,16

3,07

3,54

2,86

6,47

1,39

2,29

3,02

66,08%

66,73%

65,34%

64,40%

56,59%

71,82%

72,94%

76,61%

50,20%

66,16%

Tabela 51.
CLASSE

Eucalipto

Solo Agricultura
exposto

gua

Pastagem Sombra Aflor.rochoso

Grau de pureza para filtro retangular 9x9 (%)

S/classificao Mata

Caf

Eucalipto

Solo Agricultura
exposto

gua

Pastagem Sombra Aflor.rochoso

S/classificao
Mata
Caf solteiro
Eucalipto
Eucalipto clonado
Solo exposto
Milho
Cana
Cana queimada
gua
Taboa
Sombra
Aflor.rochoso
Pastagem
Caf com rvore

64,98

0,08

0,70

0,34

2,42

0,77

1,04

0,84

0,71

65,74

7,25

10,63

1,09

2,54

2,00

14,36

0,28

8,12

10,37

53,70

10,01

5,60

7,95

17,94

6,59

6,79

8,13

5,13

7,96

7,85

48,46

3,70

2,62

2,23

8,69

8,13

0,53

0,82

15,31

0,34

0,34

0,74

0,33

7,86

0,02

1,57

0,21

55,22

2,59

1,75

3,69

0,53

2,09

0,70

0,07

50,39

3,26

2,51

1,14

0,94

0,81

0,53

21,01

0,63

0,05

0,02

0,00

0,17

0,12

0,48

0,59

4,99

70,20

0,44

11,20

0,24

0,76

1,25

1,88

0,74

0,74

0,69

4,54

0,02

1,30

2,78

0,99

2,70

0,30

0,22

49,85

0,12

8,93

2,76

5,86

2,46

12,22

2,22

3,70

2,64

65,45

2,57

1,29

5,44

2,70

10,07

5,70

4,71

71,66

0,95

7,32

1,70

7,03

11,05

3,19

3,35

2,81

6,47

1,43

2,26

3,02

Grau de pureza

64,98%

63,77%

55,22%

71,41%

70,20%

76,20%

49,85%

65,45%

65,74% 64,75%

131

ANEXO 12 Mapas resultantes dos dados matriciais 3 Cenrio

Figura 72. Mapa original e mapas resultantes dos filtros circulares

132

Figura 73. Mapa original e mapas resultantes dos filtros retangulares

133