Quantificação Das Superfícies Impermeáveis em Áreas Urbanas Por Meio de Sensoriamento Remoto Rafael Lucio Esteves - Esteves - 2006

UNIVERSIDADE DE BRASLIA
FACULDADE DE TECNOLOGIA
DEPARTAMENTO DE ENGENHARIA CIVIL E AMBIENTAL
QUANTIFICAO DAS SUPERFCIES IMPERMEVEIS

EM REAS URBANAS POR MEIO DE SENSORIAMENTO
REMOTO
RAFAEL LUCIO ESTEVES
ORIENTADOR: NSTOR ALDO CAMPANA
DISSERTAO DE MESTRADO EM TECNOLOGIA AMBIENTAL E

RECURSOS HDRICOS
PUBLICAO: PTARH.DM 091/06

BRASLIA/DF: FEVEREIRO-2006
UNIVERSIDADE DE BRASLIA
FACULDADE DE TECNOLOGIA
DEPARTAMENTO DE ENGENHARIA CIVIL E AMBIENTAL
QUANTIFICAO DAS SUPERFCIES IMPERMEVEIS EM

REAS URBANAS POR MEIO DE SENSORIAMENTO REMOTO
RAFAEL LUCIO ESTEVES
DISSERTAO
SUBMETIDA
AO
DEPARTAMENTO
DE
ENGENHARIA CIVIL E AMBIENTAL DA FACULDADE DE
TECNOLOGIA DA UNIVERSIDADE DE BRASLIA COMO PARTE
DOS REQUISITOS NECESSRIOS PARA A OBTENO DO GRAU
DE MESTRE EM TECNOLOGIA AMBIENTAL E RECURSOS
HDRICOS.
APROVADA POR:
_________________________________________________
PROF. NSTOR ALDO CAMPANA, DOUTOR (ENC-UnB)
(Orientador)
_________________________________________________
PROF. NABIL JOSEPH EID, DOUTOR (ENC-UnB)
(Examinador Interno)
_________________________________________________
PROF. EDUARDO MARIO MENDIONDO, DOUTOR (SHS-EESCUSP)
(Examinador Externo)
BRASLIA/DF, 06 DE FEVEREIRO DE 2006.
ii
FICHA CATALOGRFICA
ESTEVES, RAFAEL LUCIO
Quantificao das Superfcies Impermeveis em reas Urbanas por Meio de
Sensoriamento Remoto.
xiv, 106p., 210 x 297 mm (ENC/FT/UnB, Mestre, Tecnologia Ambiental e Recursos
Hdricos, 2006). Dissertao de Mestrado Universidade de Braslia. Faculdade de
Tecnologia.
Departamento de Engenharia Civil e Ambiental.
1. reas Impermeveis
2. Classificao Sub-pixel
3. Classificao Fuzzy
4. Modelo de Mistura
I. ENC/FT/UnB
II. Ttulo (srie)
REFERNCIA BIBLIOGRFICA
ESTEVES, R. L. (2006). Quantificao das Superfcies Impermeveis em reas Urbanas
por Meio de Sensoriamento Remoto. Dissertao de Mestrado em Tecnologia Ambiental e
Recursos Hdricos, Publicao PTARH.DM-091/06, Departamento de Engenharia Civil e
Ambiental, Universidade de Braslia, Braslia, DF, 106p.
CESSO DE DIREITOS
AUTOR: Rafael Lucio Esteves.
TTULO: Quantificao das Superfcies Impermeveis em reas Urbanas por Meio de
Sensoriamento Remoto.
GRAU: Mestre
ANO: 2006
concedida Universidade de Braslia permisso para reproduzir cpias desta dissertao

de mestrado e para emprestar ou vender tais cpias somente para propsitos acadmicos e
cientficos. O autor reserva outros direitos de publicao e nenhuma parte dessa dissertao
de mestrado pode ser reproduzida sem autorizao por escrito do autor.
___________________________
Rafael Lucio Esteves
SHIN QI 04 conjunto 11 casa 02,
Lago Norte, Braslia DF CEP: 71510-310
rafaesteves@hotmail.com
iii

Aos meus pais, Oscar e Lenia.
Aos meus irmos, Luciana e Leonardo.
minha namorada, Cacau.
iv
AGRADECIMENTOS
Agradeo ao professor Nstor Campana, que me orientou nessa pesquisa, sempre de forma
clara, sensata e precisa.
Aos professores do PTARH, Koide, Cristina, Nabil, Oscar e Marco Antnio, pelos
conhecimentos transmitidos com dedicao, dentro e fora da sala de aula.
Ao professor Mario Mendiondo, pelas valiosas contribuies para melhorar este trabalho.
Aos companheiros de sala, Cludia, Simoneli e Thales, pela convivncia no dia-a-dia da

pesquisa, tornando-o mais agradvel.
Aos colegas de turma, Ana Elisa, Andria, Bianca, Cristina, Dbora, Dborah, Edson,
Flvia, Gustavo, Jos Ricardo, Marco e Renata, que compartilharam as dificuldades das
disciplinas, trabalhos e provas.
Aos meus pais, Oscar e Lenia, e aos meus irmos, Luciana e Leonardo, pelo apoio e
conforto proporcionado no ambiente familiar.
Cacau, pelo carinho, incentivo e amor, por suportar meus momentos de impacincia e
preocupao.
Ao INPE, pela disponibilizao gratuita das imagens do satlite CBERS.
CNPq, pela bolsa de mestrado durante a pesquisa.
RESUMO
QUANTIFICAO DAS SUPERFCIES IMPERMEVEIS EM REAS URBANAS
POR MEIO DE SENSORIAMENTO REMOTO.
Autor: Rafael Lucio Esteves
Orientador: Nstor Aldo Campana
Programa de Ps-Graduao em Tecnologia Ambiental e Recursos Hdricos
Braslia, Fevereiro de 2006.
O crescimento descontrolado das superfcies impermeveis em reas urbanas tem
conseqncias diretas na quantidade e qualidade do escoamento pluvial. O conhecimento
da impermeabilidade do solo das bacias hidrogrficas possibilita sua utilizao como
indicador da qualidade das guas urbanas e como instrumento de planejamento e regulao
no sistema de gerenciamento dos recursos hdricos urbanos. Alm disso, os estudos
hidrolgicos necessitam de parmetros, dentre os quais a porcentagem de rea
impermevel talvez seja um dos mais importantes.
A difuso das tcnicas de Sensoriamento Remoto e seu grande potencial motivaram a
realizao dessa pesquisa, a fim de buscar mtodos mais eficientes de estimao da
impermeabilidade do solo de bacias hidrogrficas.
Foram utilizados trs diferentes algoritmos de classificao de imagens de satlite para
calcular a impermeabilidade de reas de controle localizadas no Plano Piloto de BrasliaDF. Os algoritmos foram o Modelo Linear de Mistura, j disponvel no software SPRING
verso 4.1, o classificador Fuzzy com funo de pertinncia baseada na distncia de
Mahalanobis e o classificador tradicional MaxVer. Estes dois ltimos foram
implementados computacionalmente em linguagem JAVA no software Image J. Os
algoritmos foram avaliados com imagens digitais de diferentes resolues espaciais:
IKONOS, SPOT, CBERS e LANDSAT.
Para efeito de comparao, as reas impermeveis foram digitalizadas manualmente na
imagem IKONOS e validadas com visitas a campo. Os valores de impermeabilidade assim
estimados foram considerados a verdade de campo. Os resultados mostraram que os
melhores desempenhos foram obtidos pelo Modelo de Mistura e pelo classificador Fuzzy,
que obtiveram erros mdios de 21,2% e 23,7%, respectivamente. O classificador MaxVer
obteve um erro mdio maior, de 31,8%. O Modelo de Mistura apresentou algumas
deficincias, como a superestimao das reas da classe sombra, tendncia de subestimar
as reas impermeveis e tempo de processamento computacional muito alto. A influncia
da resoluo espacial das imagens foi importante apenas para o classificador MaxVer.
vi
ABSTRACT
QUANTIFICATION OF IMPERVIOUS SURFACES IN URBAN AREAS USING
REMOTE SENSING TECHNIQUES.
Author: Rafael Lucio Esteves

Adviser: Nestor Aldo Campana
Programa de Ps-Graduao em Tecnologia Ambiental e Recursos Hdricos
Braslia, February, 2006.
Impervious surface coverage growth has direct consequences in quantity and quality of
stormwater runoff, such as floods and nonpoint source pollution. The quantification of
basins imperviousness makes possible to use it as a water quality indicator for urban areas
and as an important planning and managing instrument in the urban water resources
management system. Furthermore, hydrologic studies need parameters, among which
impervious surface percentage may be one of the most important.
The diffusion of Remote Sensing techniques and their great potential motivated this
research, in order to find more efficient methods for estimating impervious surface
coverage in basins.
Three different algorithms were used to classify satellite images and to calculate
imperviousness in control areas located in the city of Brasilia-DF, Brazil. The algorithms
used were the Linear Mixture Model, available in software SPRING version 4.1, the Fuzzy
classifier with membership function based on Mahalanobis distance, and the traditional
Maximum Likelihood classifier (MaxVer). The last two were implemented in JAVA
software language as a plugin for the software Image J. The three algorithms were tested
with different spatial resolution digital imageries: IKONOS, with 1 meter; SPOT, with 10
meters; CBERS, with 20 meters, and LANDSAT, with 30 meters. To compare with the
reality, impervious surfaces were manually digitized over IKONOS imagery and validated
with field visits, so that the imperviousness obtained was considered the ground truth.
Results showed that best performances were obtained by Linear Mixture Model and by
Fuzzy classifier, which had mean errors of 21,2% and 23,7%, respectively. MaxVer
classifier obtained greater mean error of 31,8%. Linear Mixture Model, however, showed
some deficiencies, such as high values for shadow classes, tendency to underestimate
impervious surfaces, and very high computer processing times. The influence of spatial
resolution was important only to the MaxVer classifier.
vii
SUMRIO
1 - INTRODUO................................................................................... 1
2 - OBJETIVOS....................................................................................... 4
3 - REVISO BIBLIOGRFICA.......................................................... 5
3.1 -
REAS IMPERMEVEIS....................................................................... 5
3.2 -
O PROBLEMA DO PIXEL MISTURA.................................................. 9
3.3 -
MTODOS TRADICIONAIS
DE ESTIMAO
DA
REA
IMPERMEVEL...................................................................................... 12
3.4 -
3.3.1 -
Medio direta em fotos areas............................................... 12
3.3.2 -
Coeficientes de relao............................................................. 13
ESTIMAO DE REAS IMPERMEVEIS COM IMAGENS DE

SATLITE................................................................................................. 15
3.4.1 -
Classificadores tradicionais: um pixel uma classe............. 15
3.4.2 -
Modelo linear de mistura........................................................ 18
3.4.3 -
Lgica fuzzy.............................................................................. 20
3.4.4 -
Sistemas especialistas............................................................... 22
3.4.5 -
Redes neurais artificiais.......................................................... 24
3.4.6 -
Seleo dos mtodos para o presente estudo......................... 27
4 - FUNDAMENTAO TERICA..................................................... 29
4.1 -
CLASSIFICADOR MXIMA VEROSSIMILHANA........................ 29
4.2 -
MODELO LINEAR DE MISTURA........................................................ 31
4.3 -
LGICA FUZZY...................................................................................... 32
4.3.1 -
Conjuntos fuzzy........................................................................ 32
4.3.2 -
Funo de pertinncia fuzzy................................................... 36
5 - MATERIAIS E MTODOS.............................................................. 38
5.1 -
REA DE ESTUDO.................................................................................. 38
5.1.1 -
5.2 -
reas de controle..................................................................... 39
MATERIAIS.............................................................................................. 45
5.2.1 -
Imagens de satlite................................................................... 45
5.2.2 -
Cartas planialtimtricas.......................................................... 46
5.2.3 -
Softwares................................................................................... 47
viii
5.3 -
METODOLOGIA...................................................................................... 48
5.3.1 -
Registro das imagens................................................................ 48
5.3.2 -
Anlise de Componentes Principais........................................ 49
5.3.3 -
Realce das imagens................................................................... 49
5.3.4 -
Escolha das classes e aquisio de amostras........................... 51
5.3.5 -
Classificao.............................................................................. 53
5.3.6 -
Digitalizao da verdade de campo......................................... 55
5.3.7 -
Anlise de acurcia das classificaes..................................... 58
6 - RESULTADOS E DISCUSSO........................................................ 60
6.1 -
CLASSIFICAES COMPLETAS........................................................ 60
6.1.1 -
rea de controle 1..................................................................... 60
6.1.2 -
rea de controle 2..................................................................... 62
6.1.3 -
rea de controle 3..................................................................... 63
6.1.4 -
rea de controle 4..................................................................... 65
6.1.5 -
Avaliao geral.......................................................................... 66
6.1.6 -
Tempos de processamento....................................................... 67
6.2 -
CLASSIFICAES COM COMPONENTES PRINCIPAIS............... 67
6.3 -
CLASSIFICAES COM NMERO REDUZIDO DE CLASSES.... 69
7- CONCLUSES E RECOMENDAES......................................... 73
REFERNCIAS BIBLIOGRFICAS.................................................... 76
APNDICES.............................................................................................. 81
A- PARMETROS ESTATSTICOS DA TRANSFORMAO DE
COMPONENTES PRINCIPAIS....................................................... 82
B- PARMETROS DAS CLASSES AMOSTRADAS......................... 85
C- RESULTADOS DAS CLASSIFICAES COMPLETAS............ 93
D- IMAGENS
RESULTANTES
DAS
CLASSIFICAES
COMPLETAS..................................................................................... 101
D.1 - REA DE CONTROLE 1........................................................................ 102
D.2 - REA DE CONTROLE 2........................................................................ 103
D.3 - REA DE CONTROLE 3........................................................................ 104
D.4 - REA DE CONTROLE 4........................................................................ 105
E- CONTEDO DO CD QUE ACOMPANHA A DISSERTAO.. 106
ix
LISTA DE TABELAS
Tabela 3.1 -
Resolues espaciais dos diversos sensores............................................. 10
Tabela 3.2 -
Coeficientes de impermeabilidade em funo do tipo de uso do solo

(SCS, 1986).............................................................................................. 14
Tabela 5.1 -
Coordenadas do retngulo envolvente das reas de controle................... 40
Tabela 5.2 -
Caractersticas das imagens selecionadas................................................ 46
Tabela 5.3 -
Matriz de correlao das bandas da imagem SPOT................................. 50
Tabela 5.4 -
Matriz de correlao das bandas da imagem CBERS.............................. 50
Tabela 5.5 -
Matriz de correlao das bandas da imagem LANDSAT........................ 50
Tabela 5.6 -
Quantidade de pixels das amostras.......................................................... 53
Tabela 6.1 -
Porcentagem de rea impermevel obtida nas classificaes completas. 60
Tabela 6.2 -
Erros das classificaes da rea de controle 1......................................... 61
Tabela 6.3 -
Erros das classificaes da rea de controle 2. ....................................... 62
Tabela 6.4 -
Erros da rea de controle 2 desconsiderando as telhas cermicas........... 63
Tabela 6.5 -
Tabela 6.6 -
Tabela 6.7 -
Erro mdio das classificaes das reas de controle. .............................. 66
Tabela 6.8 -
Tempos de classificao das imagens do Plano Piloto............................ 67
Tabela 6.9 -
Erros das classificaes com componentes principais e diferena em

relao aos erros das classificaes completas........................................ 68
Tabela 6.10 -
Porcentagens impermeveis da rea de controle 2 calculadas com

reduo do nmero de classes.................................................................. 70
Tabela 6.11 -
Comparao entre a rea das classes eliminadas e a reduo da

impermeabilidade. ......................................... ......................................... 72
Tabela A.1 -
Estatstica das componentes principais da imagem IKONOS................. 82
Tabela A.2 -
Estatstica das componentes principais da imagem SPOT....................... 82
Tabela A.3 -
Estatstica das componentes principais da imagem CBERS.................... 83
Tabela A.4 -
Estatstica das componentes principais da imagem LANDSAT.............. 84
Tabela B.1 -
Mdias das reflectncias das classes na imagem IKONOS..................... 85
Tabela B.2 -
Matrizes de covarincias das classes na imagem IKONOS..................... 85
Tabela B.3 -
Mdias das reflectncias das classes na imagem SPOT.......................... 86
Tabela B.4 -
Matrizes de covarincias das classes na imagem SPOT.......................... 87
Tabela B.5 -
Mdias das reflectncias das classes na imagem CBERS........................ 88
Tabela B.6 -
Matrizes de covarincias das classes na imagem CBERS....................... 88
Tabela B.7 -
Mdias das reflectncias das classes na imagem LANDSAT.................. 90
Tabela B.8 -
Matrizes de covarincias das classes na imagem LANDSAT................. 91
Tabela C.1 -
rea de controle 1, imagem IKONOS..................................................... 93
Tabela C.2 -
rea de controle 1, imagem SPOT.......................................................... 93
Tabela C.3 -
rea de controle 1, imagem CBERS....................................................... 94
Tabela C.4 -
rea de controle 1, imagem LANDSAT................................................. 94
Tabela C.5 -
Tabela C.6 -
Tabela C.7 -
Tabela C.8 -
Tabela C.9 -
Tabela C.10 -
Tabela C.11 -
Tabela C.12 -
Tabela C.13 -
Tabela C.14 -
Tabela C.15 -
Tabela C.16 -
xi
LISTA DE FIGURAS
Figura 3.1 -
Alteraes no ciclo hidrolgico associadas impermeabilizao.......... 7
Figura 3.2 -
Relao entre a impermeabilidade da bacia e o estado do corpo

dgua...................................................................................................... 9
Figura 3.3 -
Quatro causas da ocorrncia do pixel mistura......................................... 11
Figura 3.4 -
Exemplo de uma arquitetura de rede neural artificial............................. 25
Figura 3.5 -
Operao de um neurnio artificial tpico............................................... 26
Figura 4.1 -
Possvel funo de pertinncia para o conjunto fuzzy dos nmeros

reais prximos de zero............................................................................. 34
Figura 4.2
(a) Partio rgida do espao espectral. (b) Partio fuzzy do espao

espectral................................................................................................... 35
Figura 5.1 -
Localizao do Distrito Federal e Regio Administrativa de Braslia.... 38
Figura 5.2 -
Regies Administrativas I Braslia e XI Cruzeiro............................. 39
Figura 5.3-
rea de controle 1, superquadras norte SQN 103 e 104...................... 41
Figura 5.4 -
Vista da rea de controle 1...................................................................... 41
Figura 5.5 -
rea de controle 2, bairro Cruzeiro......................................................... 42
Figura 5.6 -
Figura 5.7 -
rea de controle 3, setor de armazenagem e abastecimento norte

SAAN...................................................................................................... 43
Figura 5.8 -
Figura 5.9 -
rea de controle 4, setor comercial norte- SCN..................................... 44
Figura 5.10 -
Figura 5.11 -
Programa desenvolvido para classificao Fuzzy e MaxVer.................. 47
Figura 5.12 -
Visualizao das amostras no espao espectral das imagens.................. 52
Figura 5.13 -
Resultado da digitalizao da verdade de campo da rea de controle 1.. 56
Figura 5.14 -
Figura 5.15 -
Figura 5.16 -
Figura 6.1 -
Caladas sob as copas das rvores.......................................................... 62
Figura 6.2 -
Fontes de confuso na rea de controle 3................................................ 64
Figura 6.3 -
Porcentagens impermeveis da rea de controle 2 calculadas com

reduo do nmero de classes................................................................. 71
xii
LISTA DE SMBOLOS, NOMENCLATURA E ABREVIAES

i ...............................................................................................................Erro para a banda i
(wi | wj) ........................................................................................................Funo de perda
i ...............................................................................................Vetor de mdias da classe wi
|i | .......................................Determinante da matriz de varincia e covarincia da classe wi
i-1 .................................................Inversa da matriz de varincia e covarincia da classe wi
AVHRR ...Advanced Very High Resolution Radiometer
AVIRIS ..Airborne Visible/Infrared Imaging Spectrometer
CBERS ......................................................................China-Brazil Earth Resources Satellite
d(x,i) .............................................................Distncia do pixel x ao prottipo da classe i
Er..Erro relativo
EPA ...................................................................................Environmental Protection Agency
ESRI.....Environmental Systems Research Institute
ETM+..................................................................................Enhanced Thematic Mapper Plus
EUA ............................................................................................Estados Unidos da Amrica
f(s)...........................................................................Funo de ativao do neurnio artificial
f A (x) ...................................................................Funo de pertinncia fuzzy do conjunto A
gi(x).......................................Funo discriminante a ser maximizada no algoritmo MaxVer
HRV ..................................................................................................High Visible Resolution
IBGE................................................Fundao Instituto Brasileiro de Geografia e Estatstica
IMPclass.............................Frao de reas impermeveis obtida na classificao da imagem
IMPdigit..............Frao de reas impermeveis obtida na digitalizao da verdade de campo
INPE ......................................................................Instituto Nacional de Pesquisas Espaciais
IRMSS ....................................................................................Infrared Multispectral Scanner
IRS .....................................................................................................Indian Remote Sensing
ki...................................................................................Sinal de entrada do neurnio artificial
Lx (wi) .....................................Perda resultante de classificar x como pertencente classe wi
LISS ...........................................................................................Linear Imaging Self Scanner
m ................................................................................................................Nmero de classes
MaxVer ......................................................................................Mxima Verossimilhana
MIR ..............................................................................................................Medium Infrared
MLM .............................................................................................Modelo Linear de Mistura
xiii
MSS ......................................................................................................Multispectral Scanner

NIR ....................................................................................................................Near Infrared
NOAA ....................................................National Oceanic and Atmospheric Administration
p j .........................................................................................Porcentagem da classe j no pixel
p(wj) ......................Probabilidade de a classe wj ocorrer na imagem (probabilidade a priori)
p(x) ............................................................Funo densidade de probabilidade associada a x
p(wj | x) ..........Probabilidade condicional a posteriori de ocorrer a classe wj , dado o pixel x
p(x | wj) .........................................Funo densidade de probabilidade associada classe wj
POES ....................................................................Polar Operational Environmental Satellite
Ri ..........................................................................................Reflectncia do pixel na banda i
Ri,j ....................................................................Reflectncia conhecida da classe j na banda i
RGB .........................................................................................................Red Green Blue
RMS............................................................................................................Root Mean Square
s..............................................................Soma ponderada das entradas do neurnio artificial
SCS ................................................................................................Soil Conservation Service
SIG ...................................................................................Sistema de Informao Geogrfica
SPOT ..............................................................Systeme Probatoire dObservation de la Terra
SPRING ................................Sistema de Processamento de Informaes Georreferenciadas
SWIR ......................................................................................................Short Wave Infrared
TM ..............................................................................................................Thematic Mapper
UDFCD ..............................................................Urban Drainage and Flood Control District
VIS ............................................................................Vegetation Impervious surface Soil
wi .................................................................................................................................Classe i
WFI ...........................................................................................................Wide Field Imager
WiFS ..........................................................................................................Wide Field Sensor
x ........................................................................................................................Vetor do pixel
xn ........................................................................Contador digital do pixel na ensima banda
XS .......................................................................................................................Multispectral
y...............................................................................................Ativao do neurnio artificial
zi...............................................................................Peso da conexo i do neurnio artificial
xiv
1 INTRODUO
As reas impermeveis so reas constitudas de qualquer material que impea a infiltrao
de um fluido no solo. No escopo dessa pesquisa, o fluido de interesse a gua, e as
superfcies impermeveis resultantes da ocupao humana e do processo de urbanizao,
tais como ruas, telhados, caladas e estacionamentos, tm uma maior importncia, pois
esto relacionadas a impactos na quantidade e na qualidade da gua, impactos fsicos e
ecolgicos.
A impermeabilizao das superfcies causa impactos na quantidade da gua pela alterao

do ciclo hidrolgico, na medida em que aumenta o volume de escoamento superficial e
diminui a infiltrao e a evapotranspirao. Conseqentemente, um dos principais fatores
que vm agravando a ocorrncia de enchentes em cidades. Para se compreender o
funcionamento do balano hdrico, os processos que controlam o movimento da gua e os
impactos de mudanas do uso do solo sobre a quantidade da gua, necessria a realizao
de estudos hidrolgicos em bacias hidrogrficas. A utilizao de modelos hidrolgicos
nesses estudos permite representar, entender e simular o comportamento de uma bacia
hidrogrfica. Entretanto, os modelos matemticos dos processos hidrolgicos necessitam
de parmetros, dentre os quais a porcentagem de rea impermevel talvez seja um dos mais
importantes.
As superfcies impermeveis tambm esto relacionadas a alteraes na qualidade da gua.

Os poluentes e sedimentos que ficam depositados sobre as superfcies impermeveis
acabam sendo transportados aos corpos dgua pelas guas das chuvas, caracterizando a
poluio difusa. Outros problemas como eroso e assoreamento de rios tambm podem ser
causados em parte pela impermeabilizao das superfcies, que geram escoamentos com
maior volume e maior velocidade do que o escoamento natural. Por estar associada a esses
problemas, a porcentagem de reas impermeveis na rea urbana pode ser usada como
indicador da qualidade das guas urbanas e como importante instrumento de planejamento
e regulao no sistema de gerenciamento dos recursos hdricos urbanos.
Os mtodos tradicionais de determinao de reas impermeveis, como a medio direta

em fotografias areas e o uso de coeficientes obtidos em tabelas, geralmente no
conseguem conciliar acurcia, baixo custo e praticidade. Ou consegue-se uma alta acurcia
s custas de muito tempo de trabalho e altas despesas, ou conseguem-se baixo custo e
praticidade em detrimento de uma boa acurcia. A escolha de determinada tcnica ir ento
depender de vrios fatores, como os requisitos de preciso do trabalho, o tamanho da rea a
ser estudada e a disponibilidade de recursos. A necessidade de um mtodo de determinao
de reas impermeveis que tentasse agregar esses trs elementos estimulou a pesquisa de
mtodos associados ao Sensoriamento Remoto e ao processamento de imagens digitais.
Esta dissertao pretende analisar a potencialidade das tcnicas de Sensoriamento Remoto

na quantificao das superfcies impermeveis em reas urbanas. As tcnicas de
Sensoriamento Remoto, com a utilizao de imagens de satlite e programas
computacionais de processamento de imagens, possibilitam o monitoramento de grandes
reas com maior rapidez e a intervalos de tempo reduzidos. A classificao de imagens de
satlite permite a determinao de reas impermeveis de maneira mais rpida e
econmica. Entretanto, a preciso dessa tcnica para a determinao de reas
impermeveis ainda objeto de muitos estudos, tendo sido obtidos tanto resultados de
sucesso como resultados insatisfatrios.
As reas urbanas apresentam muitas dificuldades para classificao de imagens digitais. A

grande variabilidade espectral dos alvos e a pequena dimenso dos elementos presentes
numa cena urbana so fatores que limitam a acurcia dos classificadores de imagens
tradicionais. Muitas vezes um pixel registra a reflectncia de uma rea em que h
ocorrncia de mais de um tipo de cobertura, ocorrendo o problema do pixel mistura.
Para melhorar a acurcia da classificao de imagens de satlite, novas tcnicas foram

desenvolvidas para a classificao de imagens a nvel sub-pixel, com o uso de modelos
lineares de mistura, lgica fuzzy, redes neurais artificiais e sistemas especialistas.
O presente texto est estruturado em sete captulos. No captulo dois so apresentados os

objetivos gerais e especficos. No captulo trs feita uma reviso bibliogrfica, onde se
definem reas impermeveis e sua importncia e os mtodos existentes para determinao
de reas impermeveis. Ainda, no final do captulo trs, feita a seleo dos mtodos a
serem utilizados no presente estudo.
No captulo quatro apresentada a fundamentao terica dos trs mtodos selecionados

para a classificao das imagens. No captulo cinco feita a apresentao da metodologia
utilizada na pesquisa e os materiais empregados para sua implementao. O captulo seis
contm a apresentao e discusso dos resultados obtidos e, finalmente, no captulo sete
so apresentadas as concluses e as recomendaes para trabalhos futuros.
2 OBJETIVOS
Este trabalho tem por objetivo geral avaliar o potencial de tcnicas de Sensoriamento
Remoto na quantificao de superfcies impermeveis em reas urbanas. Pretende-se
analisar diferentes tcnicas de determinao de reas impermeveis e a influncia da
resoluo espacial da imagem na acurcia dos resultados.
Os objetivos especficos so:

Realizar um levantamento dos mtodos existentes para determinao de reas

impermeveis.
Selecionar os mtodos mais vantajosos para serem utilizados, considerando a

acurcia, praticidade e complexidade dos mtodos.
Aplicar os mtodos selecionados em uma rea experimental, utilizando imagens de

diferentes resolues espaciais.
Avaliar a acurcia dos mtodos escolhidos comparando seus resultados com a

verdade de campo, obtida pela digitalizao manual das reas impermeveis na
imagem de melhor resoluo espacial.
3 REVISO BIBLIOGRFICA
3.1 REAS IMPERMEVEIS
Segundo Arnold e Gibbons (1996), reas impermeveis podem ser definidas como reas
constitudas de qualquer material que impea a infiltrao da gua no solo. Enquadram-se
nesta definio ruas, telhados, caladas, estacionamentos, solos compactados e
afloramentos rochosos.
Schueler (1994) divide as reas impermeveis em dois componentes primrios: as

coberturas (telhados e lajes) e os sistemas virios (ruas, caladas, estacionamentos etc).
Levantamentos realizados em reas urbanas nos Estados Unidos indicam que o
componente dominante das reas impermeveis o sistema virio, compreendendo de 63%
a 70% das reas impermeveis (City of Olympia, 1995). Entretanto, no se pode deduzir
que essa caracterstica possa ser atribuda realidade do Brasil.
Uma tentativa de se refinar a classificao das reas impermeveis a diviso em reas

conectadas e no-conectadas (Alley e Veenhuis, 1983). As reas impermeveis conectadas
so aquelas que direcionam o fluxo diretamente para algum tipo de sistema de drenagem,
que, por sua vez, drena para o corpo dgua. Essas reas, tambm chamadas de reas
impermeveis efetivas, geram rapidamente grandes volumes de escoamento, com pouca
possibilidade de evaporao e infiltrao. As reas no-conectadas so superfcies
impermeveis completamente cercadas por reas permeveis ou que drenam para reas
permeveis onde pode haver a infiltrao do escoamento.
O conhecimento da impermeabilidade de uma bacia hidrogrfica muito importante para a

realizao de estudos hidrolgicos. O modelo hidrolgico uma ferramenta extremamente
til que permite, por meio do equacionamento dos processos, representar, entender e
simular o comportamento de uma bacia hidrogrfica (Tucci, 1998). Na modelao
matemtica dos processos hidrolgicos, preciso conhecer algumas caractersticas da
bacia tais como: rea, declividade, cobertura do solo, porcentagem de reas impermeveis,
canais de drenagem e relevo da bacia. Devem-se conhecer, ainda, os dados hidrolgicos
tais como vazo, precipitao e evapotranspirao (Campana, 1992). Ragan e Jackson
(1975) consideram a porcentagem impermevel como talvez o mais importante desses

parmetros hidrolgicos.
A importncia do conhecimento da impermeabilidade de uma bacia no est limitada

apenas sua utilizao como parmetro em modelos hidrolgicos. A impermeabilidade
est relacionada a impactos na quantidade e na qualidade da gua, impactos fsicos e
ecolgicos e, por isso, pode ser utilizada como um indicador da qualidade dos recursos
hdricos urbanos (Schueler, 1994, Arnold e Gibbons, 1996).
Com a impermeabilizao das superfcies na rea urbana, h uma alterao do ciclo

hidrolgico local. O volume de escoamento superficial aumenta, enquanto diminuem a
infiltrao e a evapotranspirao, conforme a Figura 3.1. O aumento no escoamento
superficial observado mesmo nas precipitaes menos intensas, pois as superfcies
impermeveis, alm de impedir a infiltrao, tambm apresentam menos depresses onde
poderia haver reteno da gua. A velocidade do escoamento superficial tambm aumenta,
porque, sendo menos rugosas, as superfcies impermeveis oferecem menos resistncia ao
escoamento. Conseqentemente, ocorrem cheias com maior volume, maior pico de vazo e
menor tempo de concentrao, em comparao com as cheias naturais. Dentre os maiores
problemas relacionados aos recursos hdricos nas grandes metrpoles, destaca-se a
impermeabilizao crescente do solo urbano, com reduo nos tempos de concentrao e
interferncia nas condies naturais de drenagem, amplificando os efeitos de cheias a
jusante (Costa, 2003).
Associada diminuio na infiltrao, pode haver um rebaixamento do lenol fretico e

uma reduo do escoamento de base dos rios (Dunne and Leopold, 1978, Harbor, 1994
apud Arnold e Gibbons, 1996). Entretanto, importante considerar que em reas urbanas
h outros fatores que interferem na hidrologia subterrnea, como as perdas dos sistemas de
abastecimento de gua e a retirada de gua em poos.
Figura 3.1 Alteraes no ciclo hidrolgico associadas impermeabilizao.

Environmental Protection Agency EPA (1993), traduzido.
A impermeabilizao das superfcies tambm gera impactos relacionados qualidade da

gua. As superfcies impermeveis acumulam poluentes depositados da atmosfera, do
trfego de veculos e de outras fontes. A gua de escoamento superficial transporta aos
corpos receptores os poluentes que antes estavam depositados nas superfcies
impermeveis. Tais contaminantes podem ser organismos patognicos, matria orgnica,
nutrientes (nitrognio e fsforo), pesticidas, metais txicos, leos e graxas. (Schueler,
1994). Essa poluio da gua chamada de poluio difusa, e foi considerada a maior
ameaa qualidade das guas nos Estados Unidos (EPA, 1994 apud Arnold e Gibbons,
1996).
Ainda como efeitos da impermeabilizao das superfcies, ocorrem impactos fsicos e

ecolgicos. Schueler (1994) destaca a alterao da forma dos canais, o aquecimento da
gua e o prejuzo biodiversidade. O escoamento superficial de maior vazo e maior
velocidade provoca a eroso de solos expostos e das margens dos canais. Posteriormente,
os slidos suspensos na gua iro se depositar e causar o assoreamento dos rios. O contato
da gua com as superfcies aquecidas pela radiao solar provoca um aumento na
temperatura da gua dos rios. Os impactos ecolgicos caracterizam-se pela perda de
habitats devida eroso e ao assoreamento dos rios, e poluio resultante do carreamento

de contaminantes.
importante ressaltar que a impermeabilizao das superfcies est intimamente

relacionada ao processo de urbanizao e ocupao humana, tanto que estudos indicam
que a porcentagem de rea impermevel est correlacionada densidade populacional
(Tucci et al., 1989; Campana e Tucci, 1994). Dessa forma, os efeitos da impermeabilizao
devem ser analisados em conjunto com os efeitos da ocupao humana, dentre os quais a
poluio merece destaque. Entretanto, as superfcies impermeveis no geram poluio em
si, mas esto intimamente ligadas a ela, pois: (1) contribuem para alteraes hidrolgicas,
(2) so conseqncias do uso do solo que gera poluio, (3) impedem que os poluentes
sejam degradados no solo e (4) servem como sistema de transporte dos poluentes para a
gua (Arnold e Gibbons, 1996).
Diante dessa relao entre reas impermeveis e urbanizao, a porcentagem de rea

impermevel foi proposta como um indicador de qualidade dos recursos hdricos urbanos
(Schueler, 1994, Arnold e Gibbons, 1996). Os estudos mostram uma relao linear
diretamente proporcional entre a impermeabilidade da bacia e o grau de degradao dos
corpos dgua (Figura 3.2). Entretanto, o uso de uma relao como a da Figura 3.2 deve ser
feita tendo em mente que h um certo grau de incerteza associado a esses nmeros e no h
uma diviso rgida entre as classes do estado do corpo dgua.
O fato de a impermeabilidade de uma bacia ser mensurvel e estar relacionada a todos

esses efeitos resultantes da urbanizao e da ocupao humana qualifica seu uso como
instrumento de planejamento e regulao. Segundo Porto (2003), um conceito
indispensvel para uma poltica consistente de drenagem urbana o da outorga do direito
de impermeabilizao das reas em processo de urbanizao das bacias hidrogrficas. O
conhecimento da porcentagem impermevel de uma bacia , portanto, uma importante
informao para os analistas e tomadores de deciso no gerenciamento e na regulao dos
recursos hdricos urbanos.
Figura 3.2 Relao entre a impermeabilidade da bacia e o estado do corpo dgua.

Arnold e Gibbons (1996), traduzido.
3.2 O PROBLEMA DO PIXEL MISTURA
Os sensores remotos a bordo dos satlites que orbitam a Terra possuem diferentes
resolues espaciais (Tabela 3.1). Esses sensores captam a radiao refletida pelos objetos
na superfcie da Terra e registram um nico valor para cada pixel. Dependendo da
resoluo espacial do sensor e das caractersticas da cena, h casos em que o valor de
reflectncia medido ser devido a mais de uma cobertura, pois o sensor far a integrao
das diferentes coberturas contidas dentro do pixel. Neste caso, diz-se que houve uma
mistura no pixel. Strahler et al. (1986) apud Lu e Weng (2004) definiram as cenas de alta
resoluo (H-resolution) e de baixa resoluo (L-resolution) baseados na relao entre os
objetos da cena e a resoluo espacial do sensor. Os objetos da cena de alta resoluo so
maiores que a resoluo espacial do sensor e podem, portanto, ser diretamente detectados.
Ao contrrio, os objetos da cena de baixa resoluo so menores que a resoluo espacial
do sensor e no so detectveis.
Tabela 3.1 Resolues espaciais dos diversos sensores. (Fontes diversas)

Satlite
Sensor
Landsat 5
TM (Termal)
TM
ETM+ (Termal)
ETM+
ETM+ (Pancromtico)
WFI
IRMSS (Termal)
IRMSS
CCD
XS
Pancromtico
Infra Mdio (SWIR)
XS
Pancromtico
LISS 1
LISS 2
WiFS
LISS 3 MIR
LISS 3
Pancromtico
MSS
Pancromtico
AVHRR
XS
Pancromtico
Landsat 7
CBERS 1 e 2
SPOT 1 a 4
SPOT 5
IRS-1 AB
IRS-1 CD
IKONOS
NOAA-POES
QuickBird
Resoluo
espacial (m)
120
30
60
30
15
260
160
80
20
20
10
20
10
2,5 ou 5,0
72,5
36,3
189
70,8
23,5
5,8
4,0
1,0
1090
2,44
0,61
Fisher (1997), identificou quatro causas para a ocorrncia do pixel mistura (Figura 3.3):
Fronteiras entre duas ou mais coberturas: quando o pixel registra o encontro entre
duas ou mais coberturas.
Transio gradual entre diferentes coberturas: quando a fronteira entre as

coberturas no bem definida, mas sim feita gradualmente.
Objetos sub-pixel lineares: objetos que tm uma das dimenses menor que a
resoluo do sensor. o caso ruas, estradas e rios de pequeno porte.
Objetos sub-pixel: objetos que tm ambas as dimenses menores que a resoluo

do pixel, estando completamente inseridos dentro deste.
10
Figura 3.3 Quatro causas da ocorrncia do pixel mistura. Fisher (1997), modificado.
Percebe-se que, quanto maior a resoluo do sensor, menor ser a ocorrncia de pixels
misturados, pois o problema ser restrito ao caso da fronteira entre elementos. Alm da
resoluo do sensor, as caractersticas da cena tambm so determinantes na ocorrncia do
problema da mistura. reas que apresentam grande variabilidade de elementos e elementos
de pequenas dimenses esto mais sujeitas a apresentar pixels misturados. Esse o caso
das reas urbanas, onde se intercalam edificaes, ruas, gramados, terrenos baldios e outros
elementos.
Na classificao e interpretao de imagens obtidas por Sensoriamento Remoto, a

informao tradicionalmente representada no mtodo um-pixel-uma-classe. A expressiva
limitao desse mtodo tem causado inevitavelmente perda de informao, o que leva a
uma acurcia insatisfatria na classificao da imagem e uma pobre extrao da
informao (Wang, 1990a). Um pixel mistura apresenta resposta espectral que no ,
provavelmente, caracterstica de nenhuma das classes componentes e poder ocorrer,
portanto, uma classificao errada.
11
Segundo Phinn et al. (2002), as tcnicas de classificao pixel-a-pixel no produzem

resultados precisos para a classificao de reas urbanas em cenas de baixa resoluo. Isso
ocorre porque a maioria das classificaes de uso e cobertura do solo em reas urbanas
usando classificadores pixel-a-pixel assumem que a cena de alta resoluo, ou seja,
consideram que os pixels so menores que os alvos de interesse, possibilitando a definio
de alvos espectralmente homogneos. Entretanto, mesmo imagens de reas urbanas com
moderada resoluo espacial, como as imagens SPOT e Landsat, so cenas de baixa
resoluo, onde vrios tipos de cobertura do solo ocorrem dentro de um pixel. Para
resolver esse problema em reas urbanas, as imagens precisam ter alta ou muito alta
resoluo espacial para a classificao pixel-a-pixel, ou deve-se aplicar uma rotina de
processamento baseada num algoritmo que considere a baixa resoluo.
Alguns estudos mostram que, com sensores de alta resoluo espacial, os classificadores
tradicionais pixel-a-pixel no apresentam necessariamente uma maior acurcia, ou
apresentam at uma reduo na acurcia (Barnsley e Barr, 1996; Gong e Howarth, 1990).
Com o aumento da resoluo espacial, os elementos individuais da cena dominam a
resposta espectral do pixel, e a resposta espectral da rea urbana como um todo fica mais
variada. Essa maior variabilidade torna o processo de treinamento mais complexo e a
classificao mais problemtica.
As superfcies impermeveis em reas urbanas so, muitas vezes, fraes de pixels

mistura. Diante dos problemas relacionados classificao tradicional de pixels mistura,
foi necessria a aplicao de novas tcnicas de classificao, que sero vistas no prximo
item, aplicadas estimao de reas impermeveis.
3.3 MTODOS TRADICIONAIS DE ESTIMAO DA REA IMPERMEVEL
3.3.1 Medio direta em fotos areas
O mtodo mais tradicional de determinao de reas impermeveis por meio de medio

direta em fotografias areas. A escala deve ser apropriada para visualizao das reas
impermeveis e a medio feita manualmente sobre a imagem. Usam-se geralmente
escalas de 1:2000 a 1:5000. O mtodo apresenta boa acurcia, mas, dependendo da
extenso da rea avaliada, trabalhoso e tem alto custo. Para pequenas reas de estudo, a
12
determinao de reas impermeveis a partir de fotografias areas mais prtica do que a

maioria dos mtodos que utilizam dados de satlites (Sleavin et al., 2000). Devido sua
acurcia, as fotografias areas so muito usadas como referncia para avaliar a eficincia
de outros mtodos de classificao (Phinn et al., 2002; Hung e Ridd, 2002; Ji e Jensen,
1999; Wang, 1990a; Ragan e Jackson, 1975).
Alley e Veenhuis (1983) utilizaram valores de rea impermevel da cidade de Denver

(Estados Unidos da Amrica - EUA), medidos de fotografias areas e inspees de campo
para avaliar a diferena nos resultados de simulaes hidrolgicas quando se utilizam
como parmetros a rea impermevel total ou a rea impermevel efetiva. Deguchi e Sugio
(1994) propuseram um mtodo de regresso mltipla entre a porcentagem impermevel e a
porcentagem de trs classes (reas de alta, mdia e baixa densidades urbanas), para
determinar os coeficientes de uma equao para clculo de porcentagens impermeveis. As
reas impermeveis utilizadas na regresso foram obtidas em fotos areas e os erros de
estimao foram menores que 10%. Forster (1980) tambm utilizou dados de fotos areas
para calibrar um modelo de regresso mltipla entre a reflectncia do pixel e as
porcentagens de rea de cada classe de ocupao do solo em uma rea residencial de
Sydney (Austrlia).
Kienegger (1992) utilizou fotografias areas na escala de 1:3600 integradas a um Sistema

de Informao Geogrfica SIG para determinar reas impermeveis de Denver (EUA),
visando o clculo da tarifa do servio de esgoto. A avaliao da acurcia a partir de
amostras selecionadas indicou um erro mdio quadrtico RMS (Root Mean Square) de
3,5%.
3.3.2 Coeficientes de Relao
Outra forma tradicional de determinao de reas impermeveis feita com o uso de

coeficientes de impermeabilidade. Esses coeficientes, determinados a partir de diversas
medies precisas das reas impermeveis, so relacionados s classes de uso e ocupao
do solo e indicam a impermeabilidade mdia das classes. Aps a determinao dos
coeficientes, a utilizao do mtodo prtica, por meio da utilizao de tabelas, e o maior
trabalho restringe-se a determinar as reas de cada classe de uso e ocupao do solo.
13
Entretanto, a utilizao desses coeficientes em reas com caractersticas diferentes

daquelas onde eles foram determinados pode acarretar erros significativos.
Tabelas com coeficientes de impermeabilidade podem ser encontradas em Soil

Conservation Service SCS (1986) (Tabela 3.2) e Urban Drainage and Flood Control
District UDFCD (2001). importante estar ciente que os valores apresentados nessas
tabelas so valores mdios e tm um grau de incerteza associado. Em um estudo mais
recente, Sleavin et al. (2000) calcularam coeficientes de impermeabilidade em trs cidades
de Connecticut (EUA), com reas de cerca de 60 km2, e obtiveram sucesso na estimativa
total de impermeabilidade ao nvel da cidade e de sub-regies, porm, entre as classes,
ocorreram alguns erros significativos e, por isso, no sugerem a aplicao desses valores a
outras cidades at que mais estudos sejam realizados. Deguchi e Sugio (1994), conforme
relatado no item anterior, estimaram os coeficientes de impermeabilidade utilizando uma
regresso mltipla para trs tipos de cobertura urbana: alta densidade, mdia densidade e
baixa densidade, obtendo erros de estimao menores que 10% para uma rea de 3,54 km2.
Tabela 3.2 Coeficientes de impermeabilidade em funo do tipo de uso do solo. (SCS,

1986)
Classe de Uso e Ocupao do Solo
Porcentagem
Impermevel
Distritos Urbanos
Comercial
85 %
Industrial
72 %
Distritos residenciais, em funo do tamanho mdio dos lotes
506 m2
65 %
1012 m2
38 %
1349 m2
30 %
2023 m2
25 %
2
4047 m
20 %
8094 m2
12 %
Os coeficientes de impermeabilidade no precisam ser necessariamente relacionados ao
uso e ocupao do solo. Estudos realizados tambm tentaram relacionar a
impermeabilidade densidade populacional (Tucci et al., 1989; Campana e Tucci, 1994).
14
3.4 ESTIMAO DE REAS IMPERMEVEIS COM IMAGENS DE SATLITE
Os mtodos que utilizam imagens de satlite para determinar superfcies impermeveis

podem ser considerados prticos e economicamente vantajosos, principalmente quando
devem ser analisadas grandes reas. Aps certo estudo para escolha da melhor metodologia
de classificao das imagens, pode-se estabelecer uma rotina na qual em poucas horas uma
imagem bruta classificada e sua rea impermevel calculada. Devido a essa rapidez e
popularizao das imagens de satlite, os custos so reduzidos. Atualmente, imagens de 20
metros de resoluo espacial do satlite CBERS 2 podem ser obtidas gratuitamente do site
do INPE (www.dgi.inpe.br/CDSR).
A acurcia desses mtodos, entretanto, ainda a maior desvantagem para sua utilizao
com segurana. A diversidade de algoritmos de classificao e os diferentes tipos de
imagem de satlite levam a resultados com acurcias muito variveis.
Os trabalhos descritos a seguir buscaram avaliar os diferentes mtodos de classificao de

imagens para determinao de reas impermeveis. No item 3.4.1 so descritos trabalhos
que utilizaram classificadores que determinam uma classe para cada pixel, denominados
neste trabalho de classificadores tradicionais. J nos itens 3.4.2 a 3.4.5 so descritos
trabalhos que utilizaram mtodos de classificao sub-pixel, em que diversas classes
podem ser componentes de um pixel.
3.4.1 Classificadores tradicionais: um pixel - uma classe
Um dos primeiros trabalhos a avaliar a potencialidade das imagens de satlite para

determinao de reas impermeveis foi feito por Ragan e Jackson (1975). Nesse trabalho,
os autores classificaram a rea urbana em sete classes, a partir de uma imagem LandsatMSS, e atriburam uma porcentagem impermevel para cada classe. A acurcia foi
verificada pela comparao com fotos areas na escala 1:4800 e obteve-se um coeficiente
de correlao de 0,93 e erro de 5,29%, para uma rea de 9,30 km2. Foram necessrios
aproximadamente 94 homens-dia para realizar o estudo a partir das fotografias areas,
enquanto o estudo usando a imagem Landsat demandou menos de 4 homens-dia.
15
No trabalho de Ragan e Jackson (1975) a determinao das reas impermeveis ainda

dependeu do uso de coeficientes de impermeabilidade, como os propostos em SCS (1986)
e UDFCD (2001), mas a grande vantagem foi a rapidez introduzida pelo uso de imagens de
satlite na determinao das classes de uso e ocupao do solo.
Conforme visto no item 3.2, os classificadores tradicionais, que atribuem cada pixel a uma
classe, tm acurcia insatisfatria quando h a ocorrncia de pixels mistura (Wang, 1990a,
Phinn et al., 2002). Previa-se que a nova gerao de satlites de muito alta resoluo
espacial, como o IKONOS e o QuickBird, traria uma melhora na acurcia das
classificaes de reas urbanas. Entretanto, apesar de a melhor resoluo espacial diminuir
a ocorrncia de pixels mistura, o novo problema encontrado foi a grande variabilidade das
respostas espectrais (Barnsley e Barr, 1996; Gong e Horwarth, 1990). Para superar esse
problema, foram propostas vrias tcnicas auxiliares s tcnicas tradicionais de
classificao.
Harris e Ventura (1995), aps a classificao supervisionada de uma imagem Landsat-TM

da cidade de Beaver Dam (EUA), realizaram uma ps-classificao com base em dados de
zoneamento e densidade habitacional e obtiveram um aumento na acurcia global da
classificao de 77% para 85%. A acurcia global calculada como a relao entre o
nmero pixels corretamente classificados e o total de pixels da amostra. A psclassificao permite o refinamento da classificao baseado em regras de deciso
derivadas de dados auxiliares.
Barnsley e Barr (1996) realizaram uma reclassificao aps a classificao tradicional por
mxima verossimilhana. Essa reclassificao considera o arranjo espacial e a distribuio
de freqncia das classes circundantes de cada pixel e a compara com a distribuio de
reas de cobertura do solo conhecidas. O resultado obtido com a reclassificao
praticamente no alterou a acurcia global da classificao inicial, pois provavelmente essa
j havia sido bem alta (97%). A imagem utilizada foi obtida do satlite SPOT-HRV XS.
Mesev (1998) utilizou dados do censo populacional do Reino Unido de 1991 para auxiliar
a classificao de reas urbanas de Bristol (Reino Unido) com o algoritmo MaxVer. As
informaes populacionais do censo foram espacializadas para produzir uma superfcie de
densidade populacional, e as imagens utilizadas foram SPOT-HRV XS e Landsat-TM.
16
Antes da classificao, os dados do censo auxiliaram a seleo de amostras de treinamento.

Aps a classificao, pixels erroneamente classificados eram verificados com base nos
dados de densidade populacional. Durante a classificao, as probabilidades globais das
classes de densidade populacional foram utilizados como probabilidades a priori para
modificar a classificao por mxima verossimilhana. Com esse mtodo, a acurcia
medida com o coeficiente Kappa aumentou de 0,607 para 0,737. O coeficiente Kappa um
coeficiente de concordncia para escalas nominais e indica a qualidade da classificao,
variando de 0 a 1, sendo que quanto mais se aproxima do valor 1, mais a classificao se
aproxima da realidade (Congalton et al., 1983).
Bruzzone et al. (1997) utilizaram dados texturais e dados do terreno, como cota,
declividade e aspecto, para alterar as probabilidades a priori do algoritmo de mxima
verossimilhana e aplicaram a imagens Landsat-TM. As medidas de textura utilizadas so
derivadas da matriz de co-ocorrncia de nveis de cinza (Haralick et al., 1973), e a
probabilidade a priori foi calculada a partir dos histogramas de freqncia do nvel de
cinza das classes. O processo de estimao das probabilidades a priori pode ser estudado
com maior detalhe em Maselli et al. (1994) e Skidmore e Turner (1988). A melhora de
acurcia, medida com o coeficiente Kappa, passou de 0,529 para 0,653.
Gong e Howarth (1990) utilizaram um filtro Laplaciano para gerar uma imagem,
denominada de informao estrutural, que foi usada como uma banda adicional no
classificador mnima distncia de Mahalanobis. Essa informao estrutural consistia numa
imagem de densidade de bordas produzida a partir do filtro de deteco de bordas. A rea
de estudo foi a fronteira urbana-rural de Toronto (Canad), com uma rea de 100 km2, e
empregaram-se imagens SPOT-XS. A acurcia global aumentou de 77% para 86%.
Verifica-se, portanto, que h a possibilidade de utilizar os classificadores tradicionais para

a determinao de reas impermeveis, desde que sejam utilizadas imagens de maior
resoluo espacial, para reduzir o problema do pixel mistura, e tcnicas auxiliares que
melhorem o desempenho desses classificadores frente maior variabilidade das imagens.
Outra tentativa de melhorar a classificao de imagens frente ao problema do pixel mistura

utiliza tcnicas de classificao sub-pixel. Na classificao sub-pixel busca-se identificar
17
as porcentagens das classes que compem um pixel. Nos itens a seguir so apresentadas
algumas tcnicas utilizadas na classificao sub-pixel de reas impermeveis.
3.4.2 Modelo linear de mistura
O modelo linear de mistura MLM supe que a reflectncia do pixel o resultado da

combinao linear das reflectncias das classes componentes (classes puras) ponderadas
pela respectiva porcentagem da rea ocupada no pixel. Uma classe pura aquela que
representa uma superfcie homognea, composta de um nico material.
A reflectncia das classes puras pode ser identificada a partir de dados de treinamento em
experimentos de laboratrio ou em regies da prpria imagem que sejam compostas de
pixels puros. Conhecendo-se a reflectncia das classes puras, podem-se determinar as
fraes ocupadas pelas classes dentro de cada pixel. Dessa forma, o modelo resulta num
sistema de equaes, que pode ser resolvido de diferentes formas, dependendo do nmero
de bandas espectrais e do nmero de classes puras. Dentre os mtodos mais utilizados para
a resoluo desse sistema esto o mtodo dos mnimos quadrados e o mtodo da matriz
inversa.
Segundo Small (2002), a eficcia do MLM reside no fato de que ele considera
explicitamente os processos fsicos responsveis pela reflectncia observada. O sucesso do
modelo depende da determinao de classes puras distintas e separveis. Lu e Weng (2004)
destacaram as condies necessrias para a utilizao do MLM:
As classes componentes selecionadas devem ser independentes umas das outras.
O nmero de classes componentes deve ser menor ou igual ao nmero de bandas

espectrais utilizadas.
As bandas espectrais selecionadas no devem ter alta correlao.
Lu e Weng (2004) utilizaram o MLM para classificar a rea da cidade de Indianpolis

(EUA), a partir de imagens Landsat ETM+. A rea impermevel foi uma das classes puras
escolhidas, a partir das quais foi realizada uma classificao por mxima verossimilhana.
A acurcia global da classificao da cena Landsat completa aumentou de 80% para 89%
com o MLM.
18
Phinn et al. (2002) aplicaram o MLM para determinar as componentes do modelo VIS
(vegetao superfcie impermevel solo), proposto por Ridd (1995), na cidade de
Brisbane (Austrlia), a partir de imagens Landsat-TM.
Muitos trabalhos de determinao de reas impermeveis foram realizados utilizando o

Classificador Sub-pixel do software ERDAS-Imagine (Ji e Jensen, 1999; Flanagan e
Civco, 2001; Justice e Rubin, 2003). Esse classificador tambm tem como base o MLM,
com algumas particularidades. O pixel separado em apenas dois componentes: o material
de interesse e o material de fundo. Aps a derivao da assinatura espectral de cada um dos
materiais, a frao do material de interesse calculada de modo a minimizar o erro.
Experimentos com esse classificador relataram dificuldades em lidar com amostras
espectralmente muito extremas (Ji e Jensen, 1999). Os trs trabalhos citados foram
aplicados a imagens Landsat-TM e utilizaram dados auxiliares para ps-classificao,
obtendo acurcias globais variando de 71% a 98%.
O software SPRING (Cmara et al., 1996), fornecido gratuitamente pelo INPE

(www.dpi.inpe.br/spring), possui um mdulo onde est implementado um MLM. O
SPRING (Cmara et al., 1996) um SIG com funes de processamento de imagens,
anlise espacial, modelagem numrica de terreno e consulta a bancos de dados espaciais. O
modelo de mistura do software permite a escolha entre trs mtodos para estimar a
proporo das classes:
Mnimos Quadrados com Restries
Mnimos Quadrados Ponderado
Combinao entre Transformao de Principais Componentes e Mnimos

Quadrados
O MLM tambm muito utilizado para outras classificaes alm da determinao de

reas impermeveis em reas urbanas. Caimi (1993) utilizou o MLM para classificar os
componentes de uma rea litornea em trs classes: gua, vegetao e areia. Alm do
mtodo dos mnimos quadrados, foi utilizada uma abordagem que considera a reflectncia
das classes como variveis aleatrias, mas o melhor desempenho foi obtido com o mtodo
dos mnimos quadrados.
19
Adams et al. (1995) fizeram a classificao da cobertura do solo na Amaznia com base
nas classes puras geradas pelo MLM e estimaram a acurcia em mais de 90%. Lu et al.
(2003) tambm aplicaram o modelo MLM para a classificao da vegetao amaznica e
verificaram um aumento de acurcia global de 71% para 78% frente ao classificador
mxima verossimilhana. Small (2002) empregou o MLM rea metropolitana de Nova
Iorque (EUA) para observar as mudanas na componente de vegetao e tambm obteve
bons resultados. Nos trs ltimos trabalhos citados, foram utilizadas imagens Landsat-TM.
3.4.3 Lgica fuzzy
A lgica fuzzy fornece novas maneiras de lidar com a incerteza e a impreciso nos
modelos. A maneira tradicional de lidar com a incerteza a aplicao das teorias da
probabilidade e da estatstica obteve sucesso em um grande nmero de casos. Entretanto,
o uso dessas teorias para modelos complexos requer uma grande quantidade de hipteses
tericas e geralmente torna-se extremamente difcil e inaplicvel a propsitos prticos
(Brdossy e Duckstein, 1995).
Um dos elementos bsicos da lgica fuzzy o conjunto fuzzy. Um conjunto fuzzy um

conjunto sem fronteiras bem definidas. Ao contrrio da teoria clssica dos conjuntos, onde,
para cada elemento, pode-se decidir se ele pertence ao conjunto ou no, em um conjunto
fuzzy possvel uma pertinncia parcial. Ou seja, um elemento pode pertencer
parcialmente a mais de um conjunto fuzzy ao mesmo tempo.
Um conjunto fuzzy pode ser definido matematicamente pela existncia de um valor que
representa o grau de pertinncia de cada possvel elemento do universo. Esse valor
equivale ao grau com que o elemento similar ou compatvel com o conceito representado
pelo conjunto fuzzy. Portanto, os elementos podem pertencer ao conjunto fuzzy em maior
ou menor grau, de acordo com o maior ou menor grau de pertinncia. Esse grau de
pertinncia geralmente representado por um nmero real no intervalo entre 0 e 1 (Klir e
Folger, 1988). Se o grau de pertinncia for calculado por uma funo, essa chamada de
funo de pertinncia.
Uma vez que as variaes nas respostas espectrais de um pixel podem ser causadas pelo
fenmeno da mistura, os conceitos de lgica e conjuntos fuzzy parecem ser mais
20
adequados do que os da teoria clssica dos conjuntos no processo de classificao digital

de uma imagem (Caimi, 1993). Na representao fuzzy, as classes so definidas como
conjuntos fuzzy, e os pixels como elementos do conjunto. Cada classe representada por
uma matriz, cujos elementos representam os pixels da imagem e o valor numrico
respectivo descreve o grau de pertinncia do pixel na classe, que interpretado como a
frao da rea do pixel ocupada pela classe.
De modo geral, pode-se considerar que todas as tcnicas de classificao sub-pixel so

tcnicas de classificao fuzzy, pois permitem atribuir porcentagens de mais de uma classe
a um mesmo pixel. Entretanto, neste trabalho ser considerada classificao fuzzy aquela
que se caracteriza pela existncia de uma funo de pertinncia que atribui o grau de
pertinncia dos pixels s classes.
Uma das primeiras aplicaes completas da abordagem fuzzy classificao de imagens

de satlite foi proposta por Wang (1990b). A funo de pertinncia utilizada foi baseada no
algoritmo de Bayes, do classificador mxima verossimilhana, sendo que as matrizes
convencionais de mdia e covarincia foram substitudas pela mdia fuzzy e covarincia
fuzzy. O mtodo proposto visava melhorar a classificao das imagens e a representao
da informao geogrfica. A representao tradicional, com cada pixel pertencendo a uma
classe apenas, causa uma grande perda de informaes espectrais.
A abordagem fuzzy de Wang (1990a) possibilitou a representao de mistura entre classes

e de condies intermedirias que ocorrem na maioria das imagens de Sensoriamento
Remoto. Quanto estimao de parmetros das classes, a representao fuzzy possibilitou
o clculo de parmetros estatsticos mais prximos realidade, por meio de medidas
probabilsticas dos eventos fuzzy. O mtodo foi aplicado classificao de uma imagem
Landsat MSS de Hamilton City (Canad), e observou-se um aumento de acurcia de 86%
para 91%, em comparao com o classificador mxima verossimilhana.
Campana (1992) avaliou uma metodologia para estimar a frao de reas impermeveis
baseada na representao fuzzy. Foram testadas duas funes de pertinncia: uma funo
linear baseada na distncia de Mahalanobis e uma funo exponencial baseada na
probabilidade Gaussiana. Os algoritmos foram testados em imagens SPOT da cidade de
Porto Alegre, e a acurcia foi analisada com base na imagem pancromtica, de resoluo
21
espacial de 10 metros. O erro da funo linear foi de 8,4% e da funo exponencial foi de
14,7%. Campana (1992) advertiu sobre a dificuldade de escolha de classes puras bem
diferenciadas na rea urbana e aconselhou o uso da funo de pertinncia linear e a escolha
de classes com varincias e covarincias da mesma ordem de grandeza. O uso da
metodologia proposta foi justificado pela acurcia obtida e a rapidez com que foram
obtidos os resultados.
Hung e Ridd (2002) propuseram um classificador sub-pixel baseado em um sistema

especialista, em que a primeira estimativa da porcentagem das classes era calculada com
uma abordagem fuzzy baseada no algoritmo de Bayes. Em seguida, o sistema especialista
ajustava os pixels possivelmente calculados erroneamente. Entretanto, os resultados no
foram satisfatrios para as componentes impermeveis.
Em uma anlise de alguns classificadores sub-pixel, Caimi (1993) empregou a abordagem

da lgica fuzzy, com duas funes de pertinncia. Assim como Campana (1992), foi
utilizada uma funo baseada na distncia de Mahalanobis e outra baseada na
probabilidade Gaussiana. Foi estudada uma rea litornea, por meio de imagens LandsatTM. A anlise dos resultados indicou melhor desempenho da funo de pertinncia com a
distncia de Mahalanobis em comparao outra funo de pertinncia. Porm, em
comparao aos algoritmos do MLM, os modelos fuzzy apresentaram resultados inferiores.
Eastman e Laney (2002) realizaram uma avaliao do classificador fuzzy com funo de
pertinncia baseada no algoritmo de Bayes. O teste foi feito com uma imagem sinttica de
duas classes com misturas conhecidas. Observou-se que o algoritmo de Bayes no
consegue estimar a proporo, a menos que exista uma importante sobreposio na
distribuio das classes componentes nas amostras de treinamento. A incluso de amostras
de treinamento com pixels mistura aumenta a acurcia do mtodo, pela tendncia de
aumentar a sobreposio entre as distribuies das classes componentes.
3.4.4 Sistemas especialistas
Segundo Levine (1988), um sistema de inteligncia artificial criado para resolver

problemas em um determinado domnio chamado de sistema especialista. A inteligncia
artificial imita o processo bsico de aprendizado humano, por meio do qual as novas
22
informaes so absorvidas e se tornam disponveis para referncias futuras. Rich (1988)

definiu a inteligncia artificial como o estudo de como fazer os computadores realizarem
tarefas em que, no momento, as pessoas so melhores. Programas de inteligncia artificial
podem ser projetados para realizar tarefas de raciocnio de bom senso, tarefas que qualquer
pessoa poderia facilmente realizar. Entretanto, tarefas que exigem muito conhecimento
especializado s podem ser realizadas por especialistas que acumularam o conhecimento
exigido. Os programas que realizam essas tarefas so denominados sistemas especialistas.
Um sistema especialista usa o conhecimento humano para solucionar problemas que

normalmente necessitariam de inteligncia humana. Para isso, o conhecimento de um
especialista extrado para formar uma base de conhecimento, composta de hipteses,
regras e condies. Cada regra de deciso fornece condies especficas que so
investigadas para testar a hiptese qual ela pertence. As regras so geralmente definidas
na forma SE condio ENTO ao.
A dificuldade est em traduzir a experincia e o conhecimento de especialistas para regras

formais e condies que compem um sistema especialista. s vezes os especialistas no
so capazes de articular seus conhecimentos explicitamente em uma forma sistemtica,
correta e completa para ser utilizada em um computador.
Os sistemas especialistas podem ser estruturados em forma ramificada, chamada de rvore

de deciso, onde vrias regras e condies so avaliadas para testar as hipteses. Tambm
so chamadas de rvores de regresso ou rvores de classificao.
Hung e Ridd (2002) desenvolveram um classificador sub-pixel baseado em um sistema

especialista que associa o algoritmo de mxima verossimilhana, o MLM e regras de
deciso. As regras foram desenvolvidas para simular a maneira que as pessoas fazem a
interpretao visual de assinaturas espectrais. Esse classificador foi aplicado a uma
imagem Landsat-TM da rea urbana de Salt Lake City (EUA). Foram definidas seis classes
componentes, dentre as quais trs eram superfcies impermeveis. Primeiramente, o
algoritmo de Bayes foi utilizado para calcular a probabilidade de o pixel pertencer a cada
uma das seis classes, e essa probabilidade foi convertida em porcentagem da classe no
pixel. As porcentagens foram verificadas aplicado o MLM a uma das bandas espectrais e,
no caso de porcentagens invlidas, as regras do sistema especialista eram aplicadas
23
iterativamente para ajust-las. A acurcia obtida para as classes impermeveis no foi

satisfatria, com um coeficiente de correlao em torno de 0,5.
Ji e Jensen (1999) aplicaram um classificador de rvore de deciso para solucionar o

problema do classificador sub-pixel ERDAS-Imagine em lidar com amostras
espectralmente muito extremas. O procedimento selecionava os pixels com valores
extremos superiores e inferiores e os analisava quanto impermeabilidade. A rea de
estudo foi a cidade de Charleston (EUA), em uma sub-cena de 170 km2 da imagem
Landsat-TM, e a acurcia global obtida da associao dos dois mtodos foi de 83%.
Lu e Weng (2004), aps o uso do MLM, empregaram um classificador de rvore de

deciso para reclassificar os pixels no classificados pelo algoritmo de mxima
verossimilhana.
Uma vantagem dos sistemas especialistas que podem ser facilmente integrados dados de
diferentes origens, como imagens de satlite, informaes sobre o terreno e dados de
censo. Cialella et al. (1997) empregaram um modelo de rvore de classificao para prever
a classe de drenagem do solo integrando informaes obtidas do modelo numrico do
terreno e dados do sensor AVIRIS (Airborne Visible/Infrared Imaging Spectrometer).
Observa-se que no existe um nico mtodo de determinao de reas impermeveis

baseado em sistemas especialistas. A definio sistemas especialistas bem abrangente,
podendo definir uma grande quantidade de sistemas que utilizam diferentes combinaes
de tcnicas de determinao de reas impermeveis. Essas tcnicas, associadas ao
conhecimento de um especialista, geram regras de deciso para a classificao das reas
impermeveis.
3.4.5 - Redes neurais artificiais
Redes neurais artificiais so sistemas computacionais que imitam as habilidades

computacionais do sistema nervoso biolgico, usando um grande nmero de neurnios
artificiais interconectados. Os neurnios artificiais so simples imitaes dos neurnios
biolgicos, que recebem informaes de sensores ou de outros neurnios artificiais,
24
produzindo operaes simples sobre estes dados, e passam o resultado para outros
neurnios artificiais (Loesch, 1996).
A estrutura de conexes entre os neurnios, chamada de arquitetura da rede neural, pode

variar. A estrutura mais comum usada em classificaes organiza os neurnios em diversas
camadas de processamento. Cada neurnio de uma camada conectado a todos os
neurnios da camada seguinte, e os neurnios de uma mesma camada no so conectados
entre si. Um exemplo de arquitetura simples, utilizado por Bruzzone et al. (1997) para a
classificao do uso e cobertura do solo, mostrado na Figura 3.4. As redes neurais
artificiais so capazes de fazer um mapeamento no linear, em que de dados na camada de
entrada so transformados em porcentagens impermeveis na camada de sada.
Figura 3.4 Exemplo de uma arquitetura de rede neural artificial. Bruzzone et al. (1997).
O funcionamento bsico de um neurnio artificial ilustrado na Figura 3.5. Esse neurnio

recebe um conjunto de sinais de entrada de outros neurnios (ki). ento computada a
mdia ponderada entre os sinais de entrada e os pesos das conexes (zi). O resultado disso
aplicado funo de ativao ( f(s) ), tambm chamada de funo de transferncia. O
resultado final chamado de ativao do neurnio (y), que transferido para os neurnios
seguintes.
25
Figura 3.5 Operao de um neurnio artificial tpico. Loesch (1996).
As redes neurais desenvolvem relaes funcionais pelo ajuste dos pesos das conexes entre
os neurnios, usando um algoritmo de aprendizado apropriado. Um tipo de algoritmo
utilizado reduz iterativamente o erro entre os dados de sada calculados e os esperados, a
partir de amostras de treinamento, at que um limiar de erro aceitvel seja atingido. Nesse
ponto, a rede considerada pronta para processar dados reais (Warner e Shank, 1997).
Civco e Hurd (1997) descreveram um mtodo de quantificao da porcentagem

impermevel baseado em uma rede neural artificial. Os autores analisaram a melhor
arquitetura para a rede e a quantidade de dados de entrada ideal. Utilizaram-se duas
imagens Landsat-TM do estado de Connecticut (EUA) e o treinamento da rede foi
realizado com valores de porcentagem impermevel calculados a partir de fotografias
areas de alta resoluo espacial. Analisou-se a acurcia pela correlao com os dados das
fotografias areas e obteve-se um coeficiente de correlao de 0,71 para as reas
impermeveis. Flanagan e Civco (2001) tambm empregaram uma rede neural artificial
para estimao das reas impermeveis em algumas cidades de Connecticut (EUA) e
obtiveram um erro RMS variando de 1,2 % a 5% .
Warner e Shank (1997) investigaram como as classes espectrais na cena determinam o

potencial para uma classificao sub-pixel, especificamente com uma rede neural.
Observou-se que certas condies de separao entre as mdias das classes, as matrizes de
covarincia e a posio relativa da mdia das classes no espao espectral so necessrias
para uma classificao eficiente. Segundo os autores, um problema das redes neurais que
no h restrio para que a classificao apresente altas porcentagens para mais de uma
classe ao mesmo tempo. Dois mtodos foram sugeridos para melhorar a classificao com
26
redes neurais: a modificao da funo de ativao e o uso de pixels mistura sintticos para
treinar o classificador.
Segundo Paola e Schowengerdt (1997), as redes neurais artificiais so classificadores no

determinsticos, pois o tamanho da camada oculta deve ser determinado por tentativa e erro
e os pesos iniciais aleatrios resultam em diferentes caminhos para o procedimento de
treinamento. Num experimento com uma imagem Landsat-TM de Tucson, Arizona, a
melhor acurcia foi obtida com uma estrutura com uma camada oculta de doze neurnios.
Entretanto, a vantagem das redes neurais que elas so classificadores no-paramtricos e,
portanto, so mais robustos quando as distribuies so fortemente no-Gaussianas.
3.4.6 Seleo dos mtodos para o presente estudo
Aps a reviso bibliogrfica dos mtodos existentes para a determinao de reas

impermeveis, os mtodos foram analisados a fim de escolher os mais vantajosos para
serem aplicados no presente estudo. Foram consideradas caractersticas como acurcia,
praticidade e complexidade dos mtodos.
Aps a anlise, foram escolhidos trs mtodos para serem utilizados neste estudo, sendo
dois mtodos de classificao sub-pixel e um mtodo de classificao tradicional um pixeluma classe. O primeiro mtodo sub-pixel foi o Modelo Linear de Mistura MLM. Este
mtodo o mais comumente utilizado em classificaes sub-pixel e tem apresentado bons
resultados frente a outros mtodos, como observado no estudo de Caimi (1993). O
funcionamento do mtodo pode ser facilmente compreendido, pois busca representar de
maneira simples o processo fsico responsvel pela mistura espectral. Uma importante
vantagem para a escolha desse mtodo que ele j se encontra implementado no software
SPRING (Cmara et al., 1996), que um programa nacional de uso gratuito.
O outro mtodo sub-pixel escolhido foi o mtodo baseado na lgica Fuzzy, com funo de
pertinncia baseada na distncia de Mahalanobis. Os trabalhos de Campana (1992) e Caimi
(1993) demonstraram que essa funo de pertinncia tem melhor desempenho que a funo
baseada na probabilidade gaussiana do algoritmo de Bayes. A potencialidade da utilizao
da lgica fuzzy na classificao de imagens foi ressaltada por Wang (1990a), e a utilizao
27
de uma funo de pertinncia baseada numa medida de distncia bem ilustrativa, quando
se analisa a posio dos pixels e das classes no espao espectral.
Alm dos dois mtodos de classificao sub-pixel, tambm se optou por aplicar um mtodo
de classificao tradicional, a ttulo de comparao. Foi escolhido, portanto, o mtodo da
Mxima Verossimilhana MaxVer, por ser um mtodo de classificao tradicional muito
utilizado e considerado como referncia para comparar as performances de diferentes
mtodos (Bruzzone et al., 1997).
O mtodo de redes neurais artificiais, apesar de tambm ter apresentado bons resultados,
no foi escolhido porque apresenta algumas desvantagens. Como foi descrito por Paola e
Schowengerdt (1997), as redes neurais artificiais dependem muito de tentativa e erro para a
escolha da melhor arquitetura da rede, dos pesos das conexes e da funo de ativao. Por
isso, esse mtodo requer uma fase muito complexa e dispendiosa para o projeto da rede e
uma fase de treinamento mais extensa, conforme advertiram Bruzzone et al. (1997).
Warner e Shank (1997) consideraram o mtodo de redes neurais um modelo do tipo caixa
preta, em que no se conhece a relao entre os dados de entrada e os dados de sada, pois
as relaes so feitas automaticamente na fase de treinamento. Quando comparado aos
outros mtodos, o mtodo das redes neurais apresenta maior complexidade, mas sua
preciso semelhante e, por isso, optou-se por no utiliz-lo.
Os mtodos que utilizam sistemas especialistas tambm no foram adotados neste trabalho,
pois se observou que so geralmente resultado da combinao de vrios mtodos,
associados experincia do analista. Apresentam uma maior complexidade e, pela alta
especializao, cada classificao necessita de metodologias prprias, de acordo com suas
caractersticas.
28
4 FUNDAMENTAO TERICA
4.1 CLASSIFICADOR MXIMA VEROSSIMILHANA
A classificao pelo mtodo da mxima verossimilhana MaxVer o mtodo mais

comumente utilizado em classificaes supervisionadas de dados de sensoriamento remoto.
A seguir ser feita uma descrio do mtodo, baseada nos trabalhos de Campana (1992) e
Caimi (1993).
Suponhamos que se deseja classificar a imagem em m classes, representadas por wi, i = 1,

2, ..., m. Um pixel genrico da imagem ser representado pelo vetor x = {x1, x2, ..., xn},
onde xn o contador digital do pixel na ensima banda. Para determinar a classe qual
pertence o pixel, utiliza-se a probabilidade condicional p(wi | x), que estima a probabilidade
de ocorrncia da classe wi dado um pixel x. Essa probabilidade conhecida como
probabilidade a posteriori. A estratgia de classificao classificar x na classe wi para a
qual a perda seja mnima. Matematicamente, essa estratgia formulada da seguinte
forma:
m
Minimizar
L x ( wi ) = ( wi | w j ) p ( w j | x)
(4.1)
j =1
j i
Onde:
Lx (wi): perda resultante de classificar x como pertencente classe wi
(wi | wj): funo de perda. Representa o custo de tomar a deciso por uma classe wi
quando a verdadeira wj
p(wj | x): probabilidade condicional de que, dado o pixel x, ocorra a classe wj
A funo de perda (wi | wj) mais utilizada a seguinte:
0 para i = j
1 para i j
( wi | w j ) =
(4.2)
Entretanto, a probabilidade a posteriori, p(wj | x ), no conhecida. A probabilidade que

pode ser estimada, a partir de dados de treinamento, a probabilidade p(x | wj). Pelo
teorema de Bayes pode-se relacionar p(wj | x) e p(x | wj) como segue:
29
p( w j | x) =
p( x | w j ) p( w j )
p ( x)
(4.3)
Onde:
p(wj | x): probabilidade condicional de que, dado o pixel x, ocorra a classe wj
p (x | wj): funo densidade de probabilidade associada classe wj
p(wj): probabilidade de a classe wj ocorrer na imagem (probabilidade a priori)
p(x): funo densidade de probabilidade associada a x
Considerando que minimizar a funo Lx (wi) o mesmo que maximizar o negativo da

mesma funo, pode-se escrever:
g i ( x) = L x ( wi )
(4.4)
Substituindo as equaes (4.2) e (4.3) em (4.4), temos:

m
g i ( x) =
p( x | w j ) p( w j )
p ( x)
j =1
j i
g i ( x) =
1 m
p( x | w j ) p( w j )
p ( x) j =1
(4.5)
(4.6)
j i
O termo
1
da equao (4.6) pode ser ignorado, pois independente da classe:
p( x)
m
g i ( x) = p ( x | w j ) p ( w j )
(4.7)
j =1
j i
Da estatstica bsica tem-se que:

m
p( x) = p( x | w j ) p ( w j )
(4.8)
j =1
ou
m
p ( x) = p ( x | wi ) p ( wi ) + p ( x | w j ) p ( w j )
j =1
j i
Substituindo a equao 4.9 na equao 4.7, temos:

30
(4.9)
g i ( x ) = p ( x ) + p ( x | wi ) p ( wi )
(4.10)
Novamente, como p(x) independente da classe, pode ser ignorado:

g i ( x ) = p ( x | wi ) p ( wi )
(4.11)
Assume-se que o valor do pixel nas classes segue uma distribuio normal multivariada, ou
seja, uma distribuio gaussiana da forma:
p ( x | wi ) =
1
(2 ) n / 2 i
1/ 2
1
( x i ) i 1 ( x i )
2
(4.12)
Onde:
|i | : determinante da matriz de varincia e covarincia da classe wi
i-1 : inversa da matriz de varincia e covarincia da classe wi
i : vetor de mdias da classe wi

Substituindo a equao 4.12 na equao 4.11 e aplicando o logaritmo neperiano, a fim de
tornar a avaliao computacionalmente mais rpida, a funo discriminante fica:
g i ( x) = ln( p ( wi ))
1
1
n
1
ln(2 ) ln ( i ) ( x i ) i ( x i )
2
2
2
(4.13)
Como normalmente no disponvel a probabilidade a priori, p(wi), das classes, assume-se

igual probabilidade de ocorrncia para todas as classes. Assim, sem os termos constantes, a
funo discriminante finalmente fica:
g i ( x) = ln ( i ) ( x i ) i ( x i )
1
(4.14)
Portanto a funo dada pela equao 4.14 que deve ser maximizada a fim de atribuir uma
classe wi ao pixel x pelo algoritmo de classificao MaxVer.
4.2 MODELO LINEAR DE MISTURA
O modelo linear de mistura MLM supe que a reflectncia do pixel o resultado da

combinao linear das reflectncias das classes componentes (classes puras) ponderadas
pela respectiva porcentagem da rea ocupada no pixel.
31
Ri = p j Ri , j + i
(4.15)
j =1
Onde:
i = 1, 2, ..., m (m = nmero de bandas espectrais)
j = 1, 2, ..., n (n = nmero de classes de componentes)
Ri = reflectncia do pixel na banda i
p j = porcentagem da classe j no pixel
Ri,j = reflectncia conhecida da classe j na a banda i
i = erro para a banda i

A equao 4.15 aplicada s m bandas espectrais resulta num sistema de m equaes e n
incgnitas. A esse conjunto de equaes podem ser acrescentadas duas restries para que
as porcentagens tenham significado fsico. A primeira restrio que a soma das
porcentagens de todas as classes componentes no pixel deve resultar em um.
n
=1
(4.16)
j =1
A segunda restrio que o valor de cada porcentagem deve ser no negativo e menor ou
igual a um.
0 p j 1, j
(4.17)
A adio da equao 4.16 ao sistema de equaes possibilita que o nmero mximo de

classes seja igual ao nmero de bandas mais um. Aps a montagem do sistema, pode-se
resolv-lo por meio de algum mtodo numrico. Os mais utilizados so o mtodo dos
mnimos quadrados e o mtodo da matriz inversa.
4.3 LGICA FUZZY
4.3.1 Conjuntos fuzzy
Para se discutir a teoria dos conjuntos fuzzy importante antes conhecer os conceitos e
terminologias da teoria clssica dos conjuntos. Uma reviso mais aprofundada da teoria
32
clssica dos conjuntos e das propriedades dos conjuntos fuzzy pode ser encontrada em Klir
e Folger (1988). Pela teoria clssica, o processo pelo qual os elementos do universo U so
ditos pertencentes ou no pertencentes a um conjunto pode ser definido por uma funo
caracterstica, ou funo discriminante. Para um dado conjunto A, essa funo atribui um
valor f A (x) para cada elemento x U tal que:
1 se e somente se x A
f A ( x) =
0 se e somente se x A
(4.18)
f A : U {0 , 1}
(4.19)
ou:
A funo caracterstica, portanto, atribui um valor 0 ou 1 a cada elemento do universo,

discriminando entre membros e no membros do conjunto em considerao. Essa funo
pode ser generalizada tal que os valores atribudos aos elementos do universo estejam
dentro de um intervalo de variao e indiquem o grau de pertinncia desses elementos no
conjunto em questo. Tal funo chamada funo de pertinncia, e o conjunto definido
por ela chamado conjunto fuzzy. Portanto, a funo de pertinncia f A pela qual um
conjunto fuzzy A normalmente definido tem a forma:
f A : U [0 , 1]
(4.20)
Onde [0 , 1] denota o intervalo de nmeros reais de 0 a 1, inclusive.

Um conjunto fuzzy no tem fronteiras bem definidas, e um elemento pode pertencer
parcialmente a ele. Por exemplo, pode-se definir uma funo de pertinncia para o
conjunto dos nmeros reais prximos a zero como segue:
f A ( x) =
1
1 + 10 x 2
(4.21)
O grfico dessa funo mostrado na Figura 4.1. Por meio dessa funo pode-se
determinar o grau de pertinncia de cada nmero real nesse conjunto fuzzy, que significa o
grau com que o nmero est prximo de zero.
33
Figura 4.1 Possvel funo de pertinncia para o conjunto fuzzy dos nmeros reais
prximos de zero.
Em Sensoriamento Remoto, os pixels com caractersticas semelhantes formam grupos no

espao espectral. Para classificar os pixels, o espao espectral deve ser particionado em
regies, cada qual correspondendo a uma classe. Tradicionalmente as classes espectrais
so implicitamente representadas como conjuntos da teoria clssica. Superfcies de deciso
so definidas precisamente para separar as regies, e os pixels dentro dessas regies so
classificados na classe correspondente. Essa partio geralmente chamada de partio
rgida (hard partition) e representada na Figura 4.2(a).
Wang (1990b) apresentou a partio fuzzy do espao espectral. Aplicando a teoria dos
conjuntos fuzzy partio do espao espectral, as classes podem ser representadas como
conjuntos fuzzy, e, assim, o espao espectral no particionado por superfcies bem
definidas. Um pixel pode pertencer a uma classe em certo grau e, ao mesmo tempo,
pertencer a outra classe em outro grau. Assumindo que cada classe apresenta um pixel
prottipo, representativo das caractersticas espectrais dessa classe, quanto maior a
porcentagem dessa classe em um pixel genrico, mais prximo ele ser do pixel prottipo
no espao espectral. Assim, a distncia entre o pixel e o prottipo da classe pode ser usada
como funo de pertinncia da classe.
34
(a)
(b)
Figura 4.2 - (a) Partio rgida do espao espectral; (b) Partio fuzzy do espao espectral. Wang
(1990b), modificado.
Formalmente, uma partio fuzzy do espao espectral uma famlia de conjuntos fuzzy F1,
F2, ..., Fm no universo U tal que, para todo x U :
0 f Fi ( x) 1
(4.22)
Fi
( x) > 0
(4.23)
Fi
( x) = 1
(4.24)
xU
m
f
i =1
Onde F1, F2, ..., Fm representam as classes espectrais, U a totalidade de pixels, m o

nmero de classes predefinidas, x um pixel e f Fi (x) a funo de pertinncia do
conjunto fuzzy Fi ( 1 i m ).
A partio fuzzy pode ser expressa na forma de uma matriz de partio fuzzy:
f F 1 ( x1 )
f (x )
F2 1
L
f Fm ( x1 )
f F1 ( x2 ) L
f F1 ( xn )
f F 2 ( x 2 ) L f F 2 ( x n )
L
L
L
f Fm ( x 2 ) L f Fm ( x n )
35
(4.25)
Uma matriz de partio rgida pode ser derivada da matriz de partio fuzzy pela
substituio do maior valor de cada coluna por 1 e dos demais valores por 0.
Uma etapa importante na classificao supervisionada a amostragem, na qual os

parmetros do algoritmo de classificao so gerados pela aplicao de mtodos
estatsticos aos dados de treinamento. Esses parmetros so crticos na determinao da
pertinncia de um pixel a uma determinada classe. A representao fuzzy possibilita o
clculo de parmetros estatsticos mais prximos da realidade. Wang (1990b) apresentou a
formulao da mdia e da varincia de um evento fuzzy A, respectivamente:
1
x f A ( x) dP
P ( A)
(4.26)
1
( x A ) 2 f A ( x) dP
P ( A)
(4.27)
A =
2
A =
Onde x denota um ponto no espao amostral e P(A) a probabilidade do evento A. Para

o caso discreto, a mdia fuzzy e a varincia fuzzy podem ser expressas como:
n
( x i ) xi
i =1
n
(4.28)
c
( xi )
i =1
c* 2 =
( xi ) ( xi c ) ( x i c )
i =1
(4.29)
( xi )
i =1
Onde n o nmero total de pixels amostrados, fc a funo de pertinncia da classe c e xi

o pixel amostrado.
4.3.2 Funo de pertinncia fuzzy
Considerando que as classes espectrais apresentam um pixel prottipo, que representa as

caractersticas da classe no espao multiespectral, o grau de pertinncia de um pixel
qualquer ser inversamente proporcional distncia desse pixel ao pixel prottipo.
36
Assim, seja d(x,) a distncia de um pixel genrico, representado pelo vetor x = {x1, x2, ...,
xn}, ao prottipo = { 1 , 2 , ..., n} representativo de uma classe. A funo de
pertinncia proposta por Campana (1992) :
f i ( x) =
1
1 + d ( x, i )
(4.30)
Onde:
fi (x): funo de pertinncia da classe i
d(x,i): distncia do pixel x ao prottipo da classe i
A distncia empregada na equao 4.30 a distncia de Mahalanobis, que calculada da
seguinte forma:
1
d ( x, i ) = ( x i ) i ( x i )
(4.31)
Onde:
i : vetor de mdias da classe i

i-1 : inversa da matriz de varincia e covarincia da classe i
A distncia de Mahalanobis pode ser considerada uma simplificao da funo
discriminante do mtodo MaxVer, dada pela equao 4.14, quando se considera que as
matrizes de covarincia so iguais para todas as classes.
A distncia de Mahalanobis pode ser entendida de uma maneira simples como sendo a
distncia Euclidiana ponderada pelos valores da varincia e covarincia de x. Quanto
menor a distncia de Mahalanobis, maior a similaridade entre o pixel e a classe
predefinida, em termos de caractersticas espectrais (Campana, 1992).
37
5 MATERIAIS E MTODOS
5.1 REA DE ESTUDO
A rea de estudo escolhida foi a cidade de Braslia, no Distrito Federal. O Distrito Federal
est localizado entre os paralelos de 1530' e 1603' de latitude sul e os meridianos de
4725' e 4812' de longitude oeste, na Regio Centro-Oeste, ocupando o centro do Brasil e
o centro-leste do Estado de Gois (Figura 5.1). Sua rea de 5.789,16 km2, equivalendo a
0,06% da superfcie do Pas, apresentando como limites naturais o rio Descoberto a oeste e
o rio Preto a leste. Ao norte e sul, o Distrito Federal limitado por linhas retas (Secretaria
de Estado de Desenvolvimento Urbano e Habitacional SEDUH, 2002).
Figura 5.1. Localizao do Distrito Federal e Regio Administrativa de Braslia.
O Distrito Federal est dividido em dezenove Regies Administrativas - RAs. Este

trabalho concentrou-se em duas dessas Regies Administrativas: a RA I - Braslia e a RA
XI Cruzeiro (Figura 5.2) .
Segundo a SEDUH (2002), a RA I Braslia tem uma rea total de 472,12 km2, dos quais
a rea urbana corresponde a 26,31 km2 e a rea rural a 445,81 km2. Incluem-se na rea
rural, os Parques Nacionais, Reservas Florestais, reas de Proteo Ambiental, etc. A RA
XI Cruzeiro tem uma rea total de 8,9 km2, que corresponde integralmente a rea urbana.
38
A populao do Distrito Federal estimada pela Fundao Instituto Brasileiro de Geografia

e Estatstica IBGE (2000) de 2.051.146 habitantes. Deste total, 198.422 habitantes
residem na RA I Braslia, e 63.883 habitantes residem na RA XI Cruzeiro. A densidade
demogrfica, portanto, da RA I Braslia de 420 hab/km2, considerando sua rea total, e
de 7.541 hab/km2, considerando apenas a rea urbana. A RA XI Cruzeiro tem uma
densidade demogrfica de 7.178 hab/km2.
Figura 5.2. Regies Administrativas I Braslia e XI Cruzeiro (SEDUH, 2002).
5.1.1 reas de controle
Para permitir uma anlise quantitativa dos resultados, foram estabelecidas quatro reas de
controle, que tiveram suas reas impermeveis calculadas a partir da digitalizao direta da
na imagem IKONOS. Cada rea de controle apresenta caractersticas distintas, a fim de
39
possibilitar a avaliao do desempenho dos classificadores frente a diferentes tipos de

ocupao do solo.
A rea de controle 1 corresponde a uma rea residencial no Plano Piloto de Braslia,

localizada no setor de Superquadras Norte SQN 103 e 104 e composta de edifcios de
apartamentos de seis pavimentos, estacionamentos, praas e jardins (ver Figuras 5.3 e 5.4).
A rea de controle 2, localizada no bairro Cruzeiro Velho, tambm uma rea residencial,
porm composta de residncias uni-familiares (Figuras 5.5 e 5.6). A rea de controle 3
uma rea industrial, localizada no Setor de Armazenagem e Abastecimento Norte SAAN.
Nessa rea encontram-se indstrias e galpes (Figuras 5.7 e 5.8). Finalmente, a rea de
controle 4 uma rea comercial, localizada no Setor Comercial Norte SCN. Nessa rea
encontram-se shoppings, edifcios comerciais e estacionamentos (Figuras 5.9 e 5.10).
As coordenadas do retngulo envolvente de cada rea foram precisamente obtidas com

base no Sistema Cartogrfico do Distrito Federal SICAD, para que em todas as imagens
a rea de controle fosse a mesma (Tabela 5.1).
Tabela 5.1. Coordenadas do retngulo envolvente das reas de controle.

|Coordenadas Sistema SICAD
X (m)
Y (m)
X1: 190.859,3
Y1: 8.253.318,1
1. SQN
X2: 191190,2
Y2: 8.253.934,0
X1: 185.184,3
Y1: 8.252.916,4
2. Cruzeiro
X2: 185.979,2
Y2: 8.253.220,3
X1: 185.131,8
Y1: 8.255.392,3
3. SAAN
X2: 185.918,7
Y2: 8.255.699,1
X1: 190.534,4
Y1: 8.252.294,6
4. SCN
X2: 191.095,3
Y2: 8.252.650,5
Obs.: (X1, Y1) = canto inferior esquerdo
(X2, Y2) = canto superior direito
rea de
Controle
40
Figura 5.3. rea de controle 1, superquadras norte SQN 103 e 104.
Figura 5.4. Vista da rea de controle 1.

41
Figura 5.5. rea de controle 2, bairro Cruzeiro.
42
Figura 5.7. rea de controle 3, setor de armazenagem e abastecimento norte SAAN.
43
Figura 5.9. rea de controle 4, setor comercial norte - SCN.

44
5.2 MATERIAIS
5.2.1 Imagens de satlite
Um dos objetivos dessa pesquisa analisar a influncia da resoluo espacial na acurcia

dos mtodos de identificao de reas impermeveis. Para isso, foram utilizadas imagens
de quatro resolues espaciais diferentes. Supe-se que, quanto maior a resoluo espacial,
maior ser a acurcia da classificao das reas impermeveis. Porm, h fatores que
dificultam a classificao de imagens de muito alta resoluo, como o aumento da
variabilidade da reflectncia dos pixels na imagem.
Assim, pretende-se obter uma indicao da resoluo espacial mais adequada para ser
aplicada a cada mtodo. Alm disso, via de regra, quanto maior a resoluo espacial das
imagens, maior seu custo. Portanto, pretende-se fornecer, tambm, uma indicao da
relao entre a acurcia do mtodo e a resoluo espacial da imagem, para que os analistas
possam adequar suas necessidades de preciso aos recursos financeiros disponveis.
Para selecionar as imagens a serem utilizadas, procurou-se obter imagens capturadas em

datas o mais prximo possvel, para evitar erros resultantes da modificao da cobertura do
solo. Com o intuito de evitar novas aquisies de imagens, foram selecionadas imagens
dentre as j disponveis no Programa de Ps Graduao em Tecnologia Ambiental e
Recursos Hdricos PTARH.
As imagens escolhidas foram:

LANDSAT 5-TM, com resoluo de 30 metros, de 18/07/2003;
CBERS-CCD, com resoluo de 20 metros, de 08/09/2004;
SPOT 5-XS, com resoluo de 10 metros, de 29/04/2003;
IKONOS, com resoluo de 1 metro, de 29/04/2001.
importante informar que as imagens do satlite CBERS podem ser obtidas gratuitamente
do site do INPE, mediante um cadastro. A imagem do satlite IKONOS uma imagem
colorida (RGB) de resoluo 1 metro, obtida por meio de um processo de fuso entre as
bandas multiespectrais de 4 metros de resoluo com a banda pancromtica de 1 metro de
resoluo. A Tabela 5.2 fornece com detalhes as caractersticas das imagens escolhidas.
45
Tabela 5.2 Caractersticas das imagens selecionadas.

Imagem
LANDSAT 5-TM
Data de aquisio: 18/07/2003
Resoluo radiomtrica: 8 bits
rbita / ponto: 221 / 71
6792 colunas X 6000 linhas
Projeo: UTM WGS 84 zona 23
CBERS CCD
Projeo: nenhuma
SPOT 5-XS
IKONOS
Resoluo
Banda
Faixa Espectral (m)
0,45 a 0,52 (azul)
30
0,52 a 0,60 (verde)
30
0,63 a 0,69 (vermelho)
30
0,76 a 0,90 (IV prximo)
30
1,55 a 1,75 (IV mdio)
30
10,4 a 12,5
120
2,08 a 2,35
30
0,45 a 0,52 (azul)
20
0,52 a 0,59 (verde)
20
20
0,77 a 0,89 (IV prximo)
20
Pan
0,51 a 0,73 (pancromtico)
20
0,50 a 0,59 (verde)
10
10
0,78 a 0,89 (IV prximo)
10
1,58 a 1,75 (IV mdio)
10
Vermelho
Verde
Azul
Espacial (m)
5.2.2 Cartas planialtimtricas
Para realizar o registro das imagens foram utilizadas cartas planialtimtricas elaboradas
pela Companhia de Desenvolvimento do Planalto Central (CODEPLAN, 2001). As cartas
esto em formato digital, na escala 1:10.000 e baseadas no Sistema Cartogrfico do
Distrito Federal SICAD. Esse sistema o sistema padro do Distrito Federal, institudo
pelo Decreto n 4.008, de 26 de dezembro de 1977.
46
5.2.3 Softwares
Os softwares utilizados no processamento das imagens foram os seguintes:

SPRING (Cmara et al., 1996) verso 4.1, software de domnio pblico

desenvolvido pelo INPE, empregado para fazer o registro das imagens, a anlise de
Componentes Principais, a aquisio de amostras e a classificao de Modelo de
Mistura.
Image J, software de domnio pblico, utilizado para a implementao do plug-in

com os algoritmos de classificao Fuzzy e MaxVer. O Image J um software para
trabalhar com imagens, porm no voltado ao geoprocessamento. Sua grande
vantagem a possibilidade de integrao de plug-ins sua interface,
implementados em linguagem computacional JAVA com o aproveitamento da sua
biblioteca de classes. O programa e o cdigo fonte esto no CD anexo a essa
dissertao. A Figura 5.11 mostra a visualizao da tela principal do programa
desenvolvido.
Figura 5.11. Programa desenvolvido para classificao Fuzzy e MaxVer.
47
5.3 METODOLOGIA
5.3.1 Registro das imagens
O registro uma transformao geomtrica que visa a relacionar as coordenadas da

imagem (linha e coluna) com coordenadas de uma base cartogrfica. Para que as reas de
estudo fossem corretamente delimitadas em todas as imagens, escolheu-se como base
cartogrfica comum o Sistema Cartogrfico do Distrito Federal SICAD (CODEPLAN,
1991), na forma de cartas planialtimtricas na escala 1:10.000.
A etapa de registro foi executada no software SPRING (Cmara et al., 1996). O processo
de registro inicia com a escolha de pontos de controle que possam ser facilmente
identificados tanto na imagem quanto nas cartas planialtimtricas, como, por exemplo, o
cruzamento de vias. As coordenadas desses pontos de controle, obtidas nas cartas, so
inseridas no software, que recalcula as novas coordenadas dos pixels, com base no sistema
cartogrfico de referncia. Para esse clculo foi selecionado o sistema de polinmios de
primeiro grau.
O registro da imagem LANDSAT foi feito com sete pontos de controle, e obteve-se um
erro mdio de 8,0 metros. Esse erro considerado baixo em comparao com a resoluo
da imagem, que de 30 metros.
A imagem IKONOS foi registrada inicialmente com quatorze pontos de controle. O erro
mdio obtido foi de 7,6 metros, o qual foi considerado alto em relao resoluo espacial
da imagem, que de 1 metro. Para aumentar a acurcia do processo, optou-se por registrar
cada uma das quatro reas de controle separadamente, com nove pontos de controle em
cada rea. Esse procedimento reduziu o erro mdio para 1,5 metro.
As imagens SPOT e CBERS tambm foram registradas separadamente. Na imagem SPOT

foram utilizados seis pontos de controle em cada rea e o erro mdio obtido foi de 2,3
metros. Na imagem CBERS foram utilizados quatro pontos de controle em cada rea e o
erro foi prximo de zero. No foi possvel refazer o registro da imagem LANDSAT
separadamente, pois a sua baixa resoluo espacial impossibilitou a identificao de pontos
de controle suficientes em cada rea isolada.
48
5.3.2 Anlise de Componentes Principais
Foi feita uma anlise das componentes principais das bandas das imagens, para auxiliar na
etapa de seleo de bandas para a composio colorida e na etapa de escolha de classes,
conforme ser discutido nos itens 5.3.3 e 5.3.4, respectivamente. Outra aplicao das
componentes principais foi feita na etapa de classificao, onde foram realizadas algumas
classificaes das imagens com base nas componentes principais, em vez das bandas
originais.
O clculo das componentes principais foi feito no software SPRING (Cmara et al., 1996).
Os parmetros estatsticos da transformao de componentes principais esto apresentados
no Apndice A.
5.3.3 Realce das imagens
As tcnicas de realce tm o objetivo de melhorar a qualidade visual das imagens e facilitar

sua interpretao visual. Neste trabalho, foram utilizadas a composio colorida e a
ampliao de contraste linear.
Com exceo da imagem IKONOS, que j estava em composio colorida RGB, foi
necessrio selecionar as trs melhores bandas para fazer a composio. A seleo das trs
bandas foi feita com base na matriz de correlao da anlise de componentes principais.
Foram selecionadas as bandas com menor correlao, o que significa que nelas esto
contidas maior quantidade de informao.
A Tabela 5.3 apresenta a matriz de correlao entre as quatro bandas da imagem SPOT.
Como se pode observar, as menores correlaes so entre as bandas 1 e 3 e entre as bandas
2 e 3. Assim, foram escolhidas as bandas 1, 2 e 3 para a composio colorida, numa
combinao R2G3B1. A banda 1 foi associada ao azul, pois a banda onde a gua
apresenta maior reflectncia. A banda 2 foi associada ao vermelho, pois o comprimento
de onda da luz vermelha. A banda 3 foi associada ao verde, pois corresponde ao
infravermelho prximo, onde a vegetao apresenta grande reflectncia.
49
Tabela 5.3. Matriz de correlao das bandas da imagem SPOT.

Banda 1
Banda 2
Banda 3
Banda 4
Banda 1
1,000
0,920
0,377
0,617
Banda 2
0,920
1,000
0,389
0,732
Banda 3
0,377
0,389
1,000
0,768
Banda 4
0,617
0,732
0,768
1,000
Na Tabela 5.4 esto apresentadas as correlaes entre as bandas da imagem CBERS. As

bandas com menor correlao foram as bandas 1, 2 e 4. Assim a composio foi feita na
forma R2G4B1. A banda 1 foi associada cor azul, pois tem o comprimento de onda da
luz azul. A banda 4 foi associada ao verde, pois tem o comprimento de onda do
infravermelho prximo, caracterstico da vegetao. A banda 2 restante foi associada ao
vermelho.
Tabela 5.4. Matriz de correlao das bandas da imagem CBERS.

Banda 1
Banda 2
Banda 3
Banda 4
Banda 5
Banda 1
1,000
0,928
0,841
0,536
0,868
Banda 2
0,928
1,000
0,962
0,690
0,976
Banda 3
0,841
0,962
1,000
0,707
0,974
Banda 4
0,536
0,690
0,707
1,000
0,748
Banda 5
0,868
0,976
0,974
0,748
1,000
Finalmente, a tabela 5.5 apresenta as correlaes entre as bandas da imagem LANDSAT.

As bandas selecionadas foram as bandas 1, 4 e 5, que apresentaram menor correlao entre
si. A combinao feita foi R5G4B1. A banda 1 foi associada ao azul, pois tem o
comprimento de onda da luz azul. A banda 4 foi associada ao verde, pois a banda onde a
vegetao tem maior reflectncia, e a banda 5 foi associada ao vermelho, pois onde o
solo reflete mais.
Tabela 5.5. Matriz de correlao das bandas da imagem LANDSAT.

Banda 1
Banda 2
Banda 3
Banda 4
Banda 5
Banda 7
Banda 1
1,000
0,936
0,835
0,475
0,541
0,678
Banda 2
0,936
1,000
0,944
0,593
0,674
0,801
Banda 3
0,835
0,944
1,000
0,647
0,805
0,902
50
Banda 4
0,475
0,593
0,647
1,000
0,764
0,667
Banda 5
0,541
0,674
0,805
0,764
1,000
0,935
Banda 7
0,678
0,801
0,902
0,667
0,935
1,000
5.3.4 Escolha das classes e aquisio de amostras
O processo de escolha das classes foi feito em trs etapas. Primeiramente, foi feita uma
identificao inicial das classes por meio da interpretao visual das imagens em
composio colorida. Procurou-se identificar a maior quantidade de classes puras possvel,
ou seja, materiais homogneos que no fossem formados pela mistura de outros materiais.
A imagem IKONOS foi utilizada como referncia na identificao desses materiais, devido
sua alta resoluo espacial, que permite identificar facilmente pixels sem mistura.
Em seguida, foram adquiridas amostras dessas classes em todas as bandas das imagens e
nas bandas das componentes principais. A aquisio das amostras consistiu na leitura dos
valores de reflectncia de vrios pixels selecionados como sendo representativos da classe.
O nmero de pixels das amostras foi varivel, dependendo da resoluo espacial da
imagem, e as coordenadas das amostras de uma imagem no eram necessariamente as
mesmas das amostras de outra imagem. Para as imagens de alta resoluo era possvel
adquirir um maior nmero de pixels puros, enquanto as imagens de menor resoluo
permitiam identificar poucos pixels puros das classes (Tabela 5.6).
Finalmente, foi feita uma anlise das amostras das classes no espao espectral, a fim de
identificar a existncia de subclasses dentro de uma classe j existente ou a possibilidade
de unir duas classes espectralmente muito prximas. Para facilitar a anlise, foi feito um
espao espectral bidimensional, onde o eixo das abscissas correspondia aos valores da
primeira componente principal (PC1) e o eixo das ordenadas, aos valores da segunda
componente principal (PC2).
Na imagem IKONOS foram identificadas onze classes: 1) gua; 2) asfalto; 3) coberturas

claras; 4) concreto claro; 5) concreto escuro; 6) gramado; 7) coberturas metlicas; 8) solo
claro; 9) solo escuro; 10) sombra e 11) vegetao. Dessas classes, apenas cinco so
consideradas impermeveis: asfalto, coberturas claras, concreto claro, concreto escuro e
coberturas metlicas. A Figura 5.12 apresenta as amostras das classes no espao espectral
das duas componentes principais. Observou-se certa confuso entre as classes concreto
claro e concreto escuro e, principalmente, entre o asfalto e o gramado. As amostras foram
refinadas para diminuir essa confuso, porm a pouca informao espectral contida nas trs
bandas da imagem no foi suficiente para garantir a perfeita diferenciao espectral dessas
51
classes. Entretanto, esse no era o caso de se unir as duas classes em uma s, pois, na
identificao visual, estava claro que asfalto e gramado eram duas classes distintas.
Para a imagem SPOT foram selecionadas as mesmas classes da imagem IKONOS. A

disposio das classes no espao espectral pode ser vista na Figura 5.12. Houve apenas um
pouco de confuso entre as classes solo escuro e concreto escuro.
A seleo das classes na imagem CBERS resultou num total de doze classes, pois foi
necessrio subdividir a classe vegetao em duas classes: vegetao alta e vegetao baixa.
Essa necessidade foi observada no espao espectral, onde as duas classes esto bem
distintas (Figura 5.12). As demais classes tambm no apresentaram confuso entre si.
SPOT
IKONOS
CBERS
LANDSAT
Figura 5.12. Visualizao das amostras no espao espectral das imagens.
52
Na imagem LANDSAT tambm foi necessrio subdividir a classe vegetao em vegetao

alta e vegetao baixa. J a classes solo claro e solo escuro puderam ser unidas em uma s
classe de solo. A anlise do espao espectral revelou apenas certa confuso entre
coberturas metlicas e concreto claro.
Tabela 5.6. Quantidade de pixels das amostras.

IKONOS
Classes
pixels
gua
376
Asfalto
469
Coberturas
336
claras
Concreto
376
claro
Concreto
470
escuro
Gramado
470
Metlicas
376
Solo claro
470
Solo escuro
329
SPOT
Classes
gua
Asfalto
Coberturas
claras
Concreto
claro
Concreto
escuro
Gramado
Metlicas
Solo claro
Solo escuro
138
125
138
138
CBERS
Classes
pixels
gua
138
Asfalto
94
Coberturas
94
claras
Concreto
119
claro
Concreto
47
escuro
Gramado
138
Metlicas
47
Solo claro
138
Solo escuro
138
Sombra
470
Sombra
161
Sombra
Vegetao
752
Vegetao
138
pixels
137
138
138
138
92
Vegetao
alta
Vegetao
baixa
8
138
LANDSAT
Classes
pixels
gua
141
Asfalto
42
Coberturas
27
claras
Concreto
47
claro
Concreto
26
escuro
Gramado
188
Metlicas
16
Solo
94
Sombra
12
Vegetao
188
alta
Vegetao
188
baixa
138
Os parmetros calculados para as amostras de cada classe foram a mdia da reflectncia e a

matriz de covarincias entre as bandas. Esses parmetros esto no Apndice B.
5.3.5 Classificao
De posse dos parmetros das classes, as imagens foram classificadas. Trs mtodos de
classificao foram utilizados: o classificador Fuzzy, o classificador MaxVer e o
classificador Modelo de Mistura. Os mesmos parmetros estatsticos das classes foram
utilizados para os trs classificadores. As classificaes Fuzzy e MaxVer foram realizadas
no software desenvolvido para esta pesquisa. A classificao de Mistura foi realizada no
software SPRING (Cmara et al., 1996). No se optou por realizar a classificao MaxVer
no software SPRING (Cmara et al., 1996), pois o procedimento de amostragem no
permitia a aquisio dos mesmos pixels amostrados para as classificaes Fuzzy e Mistura
53
de forma prtica. Seria necessrio realizar uma nova amostragem das classes e, assim, no
haveria a certeza de usar os mesmos parmetros que nas classificaes Fuzzy e Mistura.
As classificaes Fuzzy e MaxVer foram inicialmente realizadas com todas as classes

identificadas. Posteriormente, foram feitas classificaes em que foram suprimidas
algumas classes impermeveis, a fim de avaliar a influncia de uma seleo de classes
insuficiente. Foi suprimida a classe concreto claro e realizou-se uma classificao e, em
seguida, foram suprimidas as classes concreto claro e concreto escuro para realizar mais
uma classificao.
A classificao do Modelo de Mistura no pde ser feita com todas as classes, pois o
software SPRING (Cmara et al., 1996) apresentou uma limitao quanto ao nmero de
classes ser maior que dez. Assim, na classificao inicial, foi excluda a classe gua para as
imagens IKONOS, SPOT e LANDSAT, e as classes gua e vegetao baixa na imagem
CBERS, para que o nmero de classes fosse igual a dez. Essas classes foram escolhidas
por no estarem presentes nas reas de controle. Assim como nas classificaes Fuzzy e
MaxVer, foi realizada uma classificao sem a classe concreto claro e outra sem as classes
concreto claro e concreto escuro..
Finalmente, tambm foram realizadas classificaes Fuzzy, MaxVer e Mistura utilizando

as componentes principais maiores em vez das bandas originais da imagem. A inteno de
usar as componentes principais reduzir o nmero de bandas na classificao e avaliar se a
reduo do rudo das imagens, contido nas componentes principais menores, reduz a
confuso na classificao.
Para as imagens SPOT e CBERS foram utilizadas as bandas PC1 e PC2. Para a imagem
LANDSAT foram utilizadas as bandas PC1, PC2 e PC3. Como a imagem IKONOS j
apresenta um nmero reduzido de bandas, no se optou por realizar a classificao com as
componentes principais. As bandas PC1 e PC2 da imagem SPOT concentram 95% da
informao de todas as quatro bandas originais; as bandas PC1 e PC2 da imagem CBERS
concentram 98% da informao; e as bandas PC1, PC2 e PC3 da imagem LANDSAT
tambm concentram 98% da informao das bandas originais.
54
O resultado das classificaes Fuzzy e Mistura uma imagem com pixels de 8 bits para
cada classe, onde o valor do pixel corresponde porcentagem da classe no pixel. O valor
zero corresponde a 0%, e o valor 255 corresponde a 100%. Visualizando a imagem numa
escala de cinza, o preto significa ausncia da classe no pixel, e o branco significa 100% da
classe no pixel. Para gerar uma nica imagem de porcentagem impermevel, as imagens
correspondentes s classes impermeveis foram somadas.
J a classificao MaxVer resulta em uma nica imagem, onde o valor de cada pixel
corresponde a uma classe. A imagem de porcentagem impermevel ento gerada
atribuindo o valor zero aos pixels de classes permeveis e o valor 255 aos pixels de classes
impermeveis.
5.3.6 Digitalizao da verdade de campo
Com base na interpretao visual da imagem IKONOS, de resoluo espacial de 1 metro,

as superfcies impermeveis das quatro reas de controle foram delimitadas. As reas de
controle foram digitalizadas uma vez, e aps a digitalizao vetorial das reas, foi feito o
clculo da rea dos polgonos e o somatrio das reas impermeveis. importante ressaltar
que, apesar de ser considerada a verdade de campo, as reas assim obtidas ainda podem
conter erros oriundos do processo de digitalizao, de deformaes da imagem e da escala
de visualizao.
Tambm foram realizadas visitas a campo em todas as reas para identificar melhor as
superfcies e, no caso da rea de controle 1, foram medidas reas que no estavam visveis
na imagem por estarem sob as copas das rvores.
Nas reas de controle 1, 3 e 4, as superfcies impermeveis foram separadas em trs

classes: vias, coberturas e outras superfcies. As vias correspondem a ruas e
estacionamentos asfaltados, as coberturas correspondem aos telhados e lajes e, por fim, as
outras superfcies so aquelas no enquadradas nas anteriores, principalmente caladas. Na
rea de controle 2, as superfcies impermeveis foram separadas em vias, coberturas
cermicas e outras coberturas. As coberturas cermicas foram digitalizadas parte, para
facilitar a anlise dos resultados, pois elas tm comportamento espectral muito parecido
com o do solo.
55
Nas Figuras de 5.13 a 5.16 so apresentadas as reas de controle digitalizadas, com os

quantitativos absolutos e porcentuais das reas impermeveis.
Figura 5.13. Resultado da digitalizao da verdade de campo da rea de controle 1.
56
57
5.3.7 Anlise de acurcia das classificaes
Aps a realizao das classificaes, a anlise de acurcia foi feita com base no erro
relativo da frao de reas impermeveis. O clculo do erro consistiu na relao entre a
porcentagem impermevel obtida por meio da classificao da imagem e a porcentagem
impermevel calculada por meio da digitalizao da verdade de campo, conforme a
Equao 5.1.
Er =
IMPclass IMPdigit
IMPdigit
100%
(5.1)
Onde: Er = Erro relativo (%)

IMPclass = Frao de reas impermeveis obtida na classificao da imagem
IMPdigit = Frao de reas impermeveis obtida na digitalizao da verdade de
campo
58
Para calcular a porcentagem impermevel das reas classificadas, primeiramente foram

calculadas as reas de cada classe na imagem e, em seguida, as reas das classes
consideradas impermeveis foram somadas. Entretanto, a classe sombra no pode ser
definida nem como permevel nem como impermevel, pois ela pode conter os dois tipos
de superfcies. Se a sombra fosse considerada impermevel, o resultado seria
superestimado e se fosse considerada permevel, o resultado seria subestimado. Para
minimizar essa interferncia, sups-se que as reas de sombra so compostas pela mesma
proporo de classes que o restante da imagem, o que significa distribuir a rea da classe
sombra entre as demais classes, na proporo em que elas esto presentes na imagem.
Finalmente, o somatrio de reas impermeveis foi dividido pela rea total para termos a
porcentagem impermevel da imagem.
59
6 RESULTADOS E DISCUSSO
6.1 CLASSIFICAES COMPLETAS
Na Tabela 6.1 so apresentadas as porcentagens de reas impermeveis calculadas pelos

trs mtodos de classificao, para cada imagem e cada rea de controle.
Tabela 6.1. Porcentagem de rea impermevel obtida nas classificaes completas.
rea
rea 1
rea 2
rea 3
rea 4
Imagem
IKONOS
SPOT
CBERS
LANDSAT
IKONOS
SPOT
CBERS
LANDSAT
IKONOS
SPOT
CBERS
LANDSAT
IKONOS
SPOT
CBERS
LANDSAT
Frao de reas Impermeveis (%)

Verdade de
Fuzzy MaxVer Mistura
Campo
62,4
63,1
48,2
43,0
45,0
34,0
46,9
43,7
11,8
41,1
53,3
23,5
36,3
65,3
53,3
46,7
60,0
64,4
40,2
79,3
67,0
61,3
50,4
74,5
66,6
49,9
65,1
45,3
48,8
62,5
68,1
51,7
47,0
76,2
76,6
58,8
75,6
70,7
55,8
70,8
65,7
50,8
71,2
82,0
61,5
65,1
80,1
84,4
63,1
78,2
87,0
59,5
O Apndice C contm os resultados mais detalhados, com a rea calculada de cada classe.
As imagens que representam a porcentagem impermevel das reas de controle em escala
de cinza so apresentadas no Apndice D, e as imagens das classificaes completas de
Braslia encontram-se no CD anexo a essa dissertao. A seguir, nos itens 6.1.1 a 6.1.4
sero analisados e discutidos os erros das classificaes para cada rea de controle.
6.1.1 rea de controle 1
A Tabela 6.2 apresenta os erros resultantes das classificaes da rea de controle 1 a partir
das quatro imagens. A rea de controle 1 a rea residencial composta de edifcios de
60
apartamentos de seis pavimentos, localizada no setor de Superquadras Norte SQN 103 e

104.
Tabela 6.2. Erros das classificaes da rea de controle 1.
IKONOS
SPOT
CBERS
LANDSAT
Mdia*
*em mdulo
Erro Relativo (%)

25,6
27,1
-2,9
-13,2
-9,2
-31,5
-12,0
-76,2
-17,2
7,4
-52,6
-26,8
14,6
41,3
19,6
Verificou-se que o melhor desempenho foi obtido pelo classificador Fuzzy, que foi mais
constante e obteve bons resultados para todas as imagens. O classificador de Mistura
tambm obteve alguns bons resultados, entretanto a incerteza de sua classificao maior,
pois, na maioria das classificaes, a classe sombra foi superestimada. A rea de sombra,
distribuda proporcionalmente entre as demais classes, diminuiu o erro original da
classificao de Mistura.
J o classificador MaxVer obteve bom desempenho apenas nas imagens de melhor

resoluo espacial. Mesmo assim, para a imagem IKONOS, analisando os valores das
classes individualmente e comparando com a imagem colorida da rea, observou-se que o
classificador MaxVer subestimou a classe de vegetao e superestimou a classe gua.
Como ambas as classes so permeveis, no cmputo geral da impermeabilidade, os erros
foram compensados.
A maior quantidade de erros negativos indicam uma tendncia de se subestimar a

impermeabilidade da rea 1. Essa tendncia explicvel, visto que a realidade de campo
leva em considerao as superfcies impermeveis sob as copas das rvores e essa rea
apresenta muitas caladas e vias encobertas pelas rvores, as quais no podem ser
identificadas numa imagem area (Figura 6.1)
.
61
Figura 6.1. Caladas sob as copas das rvores.
Os erros resultantes das classificaes da rea de controle 2 so apresentados na Tabela

6.3. A rea de controle 2 composta de residncias uni-familiares e localiza-se no bairro
Cruzeiro Velho.
IKONOS
SPOT
CBERS
LANDSAT
Mdia*
*em mdulo
Erro Relativo (%)

-17,6
-32,7
-41,0
-24,3
-18,7
-49,3
-15,5
-22,7
-36,5
-6,0
-16,0
-37,0
15,9
22,5
41,0
Assim como para a rea de controle 1,
o classificador Fuzzy apresentou melhores
resultados que os demais, com distribuies das classes mais coerentes com a verdade de
campo e menores erros. O classificador MaxVer foi melhor que o classificador Fuzzy
apenas para a imagem SPOT e teve erros um pouco maiores nas outras imagens. Apesar do
resultado razovel, o classificador MaxVer apresentou uma distribuio de reas entre as
classes muito concentrada, com algumas classes ficando sem nenhuma presena nas
imagens.
62
As classificaes com o Modelo de Mistura no foram bem sucedidas e subestimaram

muito a impermeabilidade da rea. Outro problema do Modelo de Mistura ainda foi a
classe sombra, que apresentou altos valores de rea.
Em todas as classificaes a impermeabilidade ficou abaixo da realidade de campo.

Observou-se que a principal causa dessa subestimao foi a classificao das coberturas
cermicas como classes de solo. Pela digitalizao da verdade de campo, as coberturas
cermicas tiveram uma rea de 36.203 m2, correspondendo a 15% da rea de controle 2.
Para avaliar o desempenho dos classificadores sem o erro causado pelas coberturas
cermicas, calculou-se novamente a acurcia das classificaes desconsiderando a parcela
de impermeabilidade dessas coberturas. Assim, a impermeabilidade real foi reduzida de
79,3% para 64,3% e os novos erros reduziram bastante, como se v na Tabela 6.4.
Tabela 6.4. Erros da rea de controle 2 desconsiderando as telhas cermicas.
IKONOS
SPOT
CBERS
LANDSAT
Mdia*
*em mdulo
Erro Relativo (%)

1,7
-17,0
-27,3
-6,7
0,2
-37,5
4,2
-4,7
-21,7
15,9
3,5
-22,3
7,1
6,4
27,2
Para a rea de controle 3, rea industrial localizada
no Setor de Armazenagem e
Abastecimento Norte SAAN, os melhores resultados foram obtidos pelo Modelo de

Mistura, conforme pode-se observar na Tabela 6.5. Entretanto, esse modelo continuou a
superestimar a classe de sombra, visto que, em todas as imagens, a sombra foi a classe com
maior rea.
O classificador MaxVer teve um bom desempenho para a imagem IKONOS, apesar de

classificar grande parte das reas de vegetao como gua, o que no interferiu no clculo
da impermeabilidade. J para as demais imagens, o desempenho foi ruim, superestimando
a impermeabilidade da rea, principalmente devido s classes de concreto claro e escuro. O
63
classificador Fuzzy tambm superestimou as classes de concreto, ficando com erros muito
altos nas quatro imagens.
IKONOS
SPOT
CBERS
LANDSAT
Mdia*
*em mdulo
Erro Relativo (%)

38,6
-3,5
3,9
33,2
45,2
10,1
62,4
63,1
25,2
61,2
50,6
18,9
48,9
40,6
14,5
O fato de os classificadores Fuzzy e MaxVer terem superestimado as classes de concreto

podem ter sido causados por algumas caractersticas da rea 3. Havia alguns
estacionamentos nos canteiros centrais das vias que eram cobertos de brita. Esses
estacionamentos no foram considerados impermeveis na digitalizao da verdade de
campo, porm a aparncia da brita permite a confuso com a classe concreto escuro. Havia
tambm uma fbrica de concreto usinado, cujo ptio era de solo, porm em muitas reas
estava coberto de p de cimento e areia, facilitando a confuso da superfcie com o
concreto claro (Figura 6.2).
Figura 6.2. Fontes de confuso na rea de controle 3.
64
A Tabela 6.6 apresenta os erros das classificaes da rea de controle 4, rea comercial
localizada no Setor Comercial Norte SCN. O classificador de Mistura apresentou os
melhores resultados para a maior parte da imagens, mas continuou com valores muito altos
de rea da classe sombra. Os valores de impermeabilidade calculados pela classificao de
Mistura ficaram abaixo da impermeabilidade real, enquanto os classificadores Fuzzy e
MaxVer resultaram em valores acima.
Para a imagem IKONOS, o classificador MaxVer teve o menor erro, mas, ao analisarmos
as reas das classes, observamos que a maioria das reas de sombra foram classificadas
como gua. Se elas tivessem sido classificadas realmente como sombra, o erro da
classificao aumentaria, ficando em cerca de 10 %.
IKONOS
SPOT
CBERS
LANDSAT
Mdia*
*em mdulo
Erro Relativo (%)

8,8
0,9
-21,9
9,5
26,0
-5,4
23,2
29,8
-2,9
20,2
33,7
-8,6
15,4
22,6
9,7
Assim como na rea de controle 3, a tendncia de os classificadores Fuzzy e MaxVer

superestimarem as reas impermeveis pode ser explicada aps uma anlise da rea.
Existem alguns estacionamentos de brita, que no so considerados impermeveis, mas
que visualmente so parecidos com as classes asfalto ou concreto escuro. Outra
caracterstica interessante encontrada foi devido modificao da cobertura do solo com o
tempo. Na imagem IKONOS, que do ano 2001, h uma rea de cerca de 9.000 m2 que
um canteiro de obras, mas que nas imagens mais recentes j uma rea construda. Como a
digitalizao da verdade de campo foi feita com base na imagem IKONOS, a classificao
da outras imagens mais recentes fica superestimada.
65
6.1.5 Avaliao geral
Fazendo uma mdia dos desempenhos dos classificadores nas quatro reas, podemos obter
uma viso geral do resultado das classificaes, independente da area de controle. A
Tabela 6.7 apresenta a mdia dos erros nas quatro reas de controle, para cada classificador
e cada imagem, assim como as mdias globais para cada classificador e cada imagem.
Tabela 6.7. Erro mdio das classificaes das reas de controle.

Erro Mdio (%)
IKONOS
SPOT
CBERS
LANDSAT
Mdia
22,7
20,1
28,3
23,7
16,1
24,8
48,0
38,2
17,4
24,1
20,5
22,8
23,7
31,8
21,2
Mdia
18,7
23,0
32,2
28,3
Observamos que o classificador de Mistura apresentou o menor erro na mdia geral, com
21,2%. O classificador Fuzzy teve um erro mdio um pouco maior, com 23,7%, e o
classificador MaxVer foi o que teve maior erro mdio geral, com 31,8%. Esse valores nos
do um desempenho mdio, mas, no entanto, no devemos nos esquecer da variabilidade
dos resultados apresentados nos itens anteriores e das discusses feitas a respeito das
dificuldade encontradas em cada classificador.
Uma nova observao que pode ser feita ao analisarmos os dados da Tabela 6.7 a
influncia da resoluo espacial. Na mdia dos trs mtodos de classificao, os menores
erros foram obtidos para as imagens de melhor resoluo espacial, as imagens IKONOS e
SPOT. Porm, ao analisarmos o desempenho de cada mtodo, observamos que a maior
influncia da resoluo espacial ocorreu no desempenho do classificador MaxVer, que
apresentou erros maiores medida que piorava a resoluo espacial. J os classificadores
sub-pixel, Fuzzy e Mistura, no se mostraram influenciados pela resoluo espacial da
imagem.
66
6.1.6 Tempos de processamento
Foram realizadas classificaes de toda a rea do Plano Piloto de Braslia, a fim de avaliar
o tempo de processamento dos classificadores. Para a classificao das imagens foi
utilizado um computador com processador PENTIUM IV 3,0 GHz , memria RAM DDR
de 512 MB e sistema operacional Windows XP.
Os classificadores Fuzzy e MaxVer apresentaram tempos de processamento iguais e bem

mais baixos que o classificador Mistura. A Tabela 6.8 apresenta os tempos de classificao
das imagens do Plano Piloto e as caractersticas das imagens classificadas. No foi possvel
realizar a classificao Mistura da imagem IKONOS, pois o tempo necessrio estimado
seria cerca de 9 dias. Os tempos de processamento com os classificadores Fuzzy e MaxVer
foram mais de 95% menores do que com o classificador Mistura.
Tabela 6.8. Tempos de classificao das imagens do Plano Piloto.

Imagem
IKONOS
SPOT
CBERS
LANDSAT
Tamanho
255,0 MB
16,2 MB
6,6 MB
3,7 MB
rea
89 km2
424 km2
551 km2
576 km2
Tempos de Classificao
Fuzzy e MaxVer Mistura
2,3 horas
-9 minutos
13 horas
5 minutos
3,5 horas
3 minutos
1,4 hora
6.2 CLASSIFICAES COM COMPONENTES PRINCIPAIS
As classificaes utilizando as bandas das componentes principais foram realizadas para as

imagens SPOT, CBERS e LANDSAT. Os erros das impermeabilidades obtidas com essas
classificaes esto apresentados na Tabela 6.9. Essa tabela tambm apresenta a diferena
entre os erros das classificaes completas e os erros das classificaes com as
componentes principais.
O que se pode observar que a classificao com componentes principais alterou pouco os
resultados para o classificador de Mistura. J para os classificadores Fuzzy e MaxVer as
alteraes foram significativas. Nas reas de controle 1 e 2 os erros aumentaram, enquanto
nas reas de controle 3 e 4 houve diminuio dos erros.
67
O que ocorreu realmente para os classificadores Fuzzy e MaxVer foi uma maior
dificuldade em identificar as classes impermeveis, resultando em valores de
impermeabilidade mais baixos. Como as classificaes completas das reas 1 e 2 j
estavam subestimadas, os erros aumentaram. Entretanto, as classificaes das reas 3 e 4
estavam superestimadas e, portanto, os valores mais baixos das classificaes com
componentes principais resultaram em erros menores.
Tabela 6.9. Erros das classificaes com componentes principais e diferena em relao
aos erros das classificaes completas.
rea
rea 1
rea 2
rea 3
rea 4
Imagem
SPOT
CBERS
LANDSAT
SPOT
CBERS
LANDSAT
SPOT
CBERS
LANDSAT
SPOT
CBERS
LANDSAT
Erro Relativo(%)
-15,4
-39,3
-28,7
-51,3
-90,7
-22,2
-10,5
-68,7
-27,8
-42,0
-64,5
-33,2
-47,1
-51,7
-35,6
-23,9
-44,3
-34,8
9,4
-28,8
18,8
24,8
31,8
22,4
37,4
7,9
22,4
-0,4
-10,2
1,0
-1,2
11,2
-8,4
5,4
-1,2
-9,3
Diferena (%)
+2,2
+30,1
-2,8
+39,3
+14,5
+5,0
+3,1
+16,1
+1,0
+17,7
+45,8
-16,1
+31,6
+29,0
-0,9
+17,9
+28,3
-2,2
-23,8
-16,4
+8,7
-37,6
-31,3
-2,8
-23,8
-42,7
3,5
-9,1
-15,8
-4,4
-22,0
-18,6
+5,5
-14,8
-32,5
+0,7
6.3 CLASSIFICAES COM NMERO DE CLASSES REDUZIDAS
A etapa de seleo de classes e aquisio de amostras a etapa que exige maior

participao do analista humano, dependendo de sua experincia e sua capacidade de
anlise. Devido a essa subjetividade, maiores erros podem ser introduzidos durante essa
fase do processo de classificao. Para analisar o desempenho dos classificadores frente a
uma seleo de classes deficiente, foram realizadas classificaes com menos classes do
que as classificaes completas.
Para as classificaes completas, a etapa de seleo e amostragem das classes foi feita de
forma detalhista, com o maior nmero de classes capazes de serem diferenciadas na
68
imagem. A seleo de classes feita assim trabalhosa e consome grande parte do tempo
gasto para a classificao da imagem. Por essa dificuldade, o analista pode ser levado a
dedicar menos ateno do que deveria a essa fase da classificao e realizar uma seleo de
classes insuficiente. Assim, optou-se por fazer essa anlise com nmero reduzido de
classes para avaliar a importncia da etapa de definio das classes no resultado final da
classificao.
A reduo de classes foi feita para as classes impermeveis, que so o foco da atual
pesquisa. Dessa forma, as classes selecionadas para serem eliminadas da classificao
foram o concreto claro e o concreto escuro, pois espectralmente so classes intermedirias
entre o asfalto e as coberturas claras. Eliminando essas classes intermedirias, podemos
avaliar a capacidade dos classificadores em compensar a ausncia das classes de concreto
pelas outras classes impermeveis presentes, sem alterar o resultado final da
impermeabilidade da rea. Teoricamente, essa capacidade de compensao maior para os
classificadores sub-pixel, Fuzzy e Mistura, que podem considerar as classes eliminadas
como uma combinao ponderada das demais classes impermeveis.
So apresentados os resultados de impermeabilidade das classificaes com nmero

reduzido de classes para a rea de controle 2. As demais reas apresentaram resultados
semelhantes e, para evitar a exibio de informaes redundantes, optou-se por apresentar
apenas a rea de controle 2, a ttulo de exemplo. A Tabela 6.10 apresenta os resultados de
impermeabilidade em forma numrica, e a Figura 6.3 apresenta os resultados em forma
grfica.
Observa-se que a eliminao da primeira classe, o concreto claro, no causa muita

alterao na impermeabilidade da rea. Com exceo da classificao MaxVer da imagem
IKONOS, as alteraes no foram maiores que 5% para mais ou para menos.
Quando retiramos a segunda classe, o concreto escuro, as alteraes so mais

significativas. O classificador mais sensvel eliminao dessa classe foi o MaxVer, com
redues em torno de 20% no valor da impermeabilidade. O classificador Fuzzy veio em
seguida, com redues de cerca de 15% e o classificador Mistura foi o que sofreu menos
interferncia, com redues em torno de 7%.
69
Tabela 6.10. Porcentagens impermeveis da rea de controle 2 calculadas com reduo do

nmero de classes.
Classificador
Fuzzy
MaxVer
Mistura
Imagem
IKONOS
SPOT
CBERS
LANDSAT
IKONOS
SPOT
CBERS
LANDSAT
IKONOS
SPOT
CBERS
LANDSAT
Impermeabilidade (%)
Sem Concreto
Sem Concreto
Completa
Claro
Claro e Escuro
65,3
62,0
52,0
60,0
58,5
39,6
67,0
64,2
52,9
74,5
70,3
58,7
53,3
66,1
53,5
64,4
64,1
45,0
61,3
61,3
43,8
66,6
66,6
37,7
46,7
44,0
38,3
40,2
42,3
37,7
50,4
50,5
42,8
49,9
51,3
42,3
70
Fuzzy
80
75
70
65
60
55
50
45
40
35
30
Completa
Sem Concr. Claro
Sem Concr. Claro e

Escuro
MaxVer
70
65
60
55
50
45
40
35
30
Completa
Sem Concr. Claro
Sem Concr. Claro e

Escuro
Modelo de Mistura
55
50
45
40
35
30
Completa
Sem Concr. Claro
Sem Concr. Claro e

Escuro
Figura 6.3. Porcentagens impermeveis da rea de controle 2 calculadas com reduo do

nmero de classes.
71
As maiores redues na impermeabilidade ocorreram quando suprimimos a classe concreto

escuro, pois, na maior parte das imagens, essa classe apresentava maior rea que a classe
concreto claro. A Tabela 6.11 mostra a relao entre a porcentagem de rea ocupada pelas
classes na classificao completa e a reduo na impermeabilidade da rea quando a classe
foi eliminada da classificao. A anlise dessa tabela indica que a ausncia de uma classe
impermevel importante causa uma subestimao da impermeabilidade, pois a rea que
deveria ser classificada como essa classe impermevel ausente no totalmente transferida
para outras classes impermeveis. Parte dessa rea tambm atribuda a classes
permeveis, causando uma reduo da impermeabilidade.
Tabela 6.11. Comparao entre a rea das classes eliminadas e a reduo da

impermeabilidade.
Classificador
Fuzzy
MaxVer
Mistura
Imagem
IKONOS
SPOT
CBERS
LANDSAT
IKONOS
SPOT
CBERS
LANDSAT
IKONOS
SPOT
CBERS
LANDSAT
Concreto Claro
Concreto Escuro
% de rea na
Reduo da
% de rea na
Reduo da
classificao impermeabilidade classificao impermeabilidade
completa
quando ausente
completa
quando ausente
11,7
-3,3
19,1
-10,0
4,0
-1,5
37,3
-18,9
9,0
-2,8
28,8
-11,3
15,7
-4,2
26,1
-11,6
11,4
12,8
5,4
-12,6
1,5
-0,3
60,2
-19,1
1,2
0,0
56,6
-17,5
2,6
0,0
56,5
-28,9
7,8
-2,7
8,2
-5,7
8,4
2,1
10,1
-4,6
8,5
0,1
13,1
-7,7
8,3
1,4
13,5
-9,0
72
7 CONCLUSES E RECOMENDAES
Esta pesquisa buscou avaliar o potencial de mtodos de classificao de imagens de satlite
para a quantificao das superfcies impermeveis, frente a imagens de diferentes
resolues espaciais e diferentes tipos de ocupao do solo. Foram utilizados trs
classificadores, sendo dois classificadores a nvel sub-pixel (Fuzzy e Modelo de Mistura) e
um classificador tradicional um pixel uma classe (MaxVer).
Para cada classificador, foram realizadas dezesseis classificaes (4 imagens x 4 reas de

controle). Dessas dezesseis classificaes feitas com cada classificador, os resultados
mostraram erros mdios em torno de 20% a 30 % em relao realidade de campo. Os
melhores resultados foram obtidos pelos classificadores sub-pixel, o Modelo de Mistura e
o classificador Fuzzy, que obtiveram erros mdios de 21,2% e 23,7%, respectivamente. O
classificador MaxVer obteve um erro mdio maior, com 31,8%.
Apesar do melhor resultado, o classificador de Mistura apresentou algumas deficincias,

como a superestimao das reas da classe sombra na maioria das classificaes,
independentemente da rea de controle ou da resoluo espacial da imagem. A
predominncia da classe sombra aumenta a incerteza dos resultados, j que no se pode
determinar com certeza a partir da imagem qual o material componente da rea sombreada.
O Modelo de Mistura tambm apresentou uma tendncia de subestimar as reas
impermeveis.
O classificador MaxVer, alm de ter apresentado maiores erros relativos, apresentou maior
confuso entre as classes. Se tivesse sido realizada uma anlise de acurcia classe a classe,
seu desempenho seria sensivelmente reduzido. Como a anlise de acurcia do presente
estudo foi direcionada determinao das reas impermeveis, a confuso entre classes
teve menor influncia no seu desempenho. Por exemplo, se uma rea de concreto escuro
fosse classificada como asfalto, o erro da classificao no seria alterado, pois ambas as
classes so impermeveis. Observou-se tambm que, em algumas classificaes, as reas
ficaram muito concentradas em algumas classes, enquanto as demais classes tiveram pouca
ou nenhuma participao na classificao.
73
Quanto resoluo espacial das imagens, apenas o classificador MaxVer apresentou

melhores resultados medida em que se melhorava a resoluo espacial da imagem. J os
classificadores Fuzzy e Mistura no apresentaram variaes significativas de resultado em
funo da resoluo espacial da imagem, o que demonstra a capacidade dos classificadores
sub-pixel em lidar com o problema do pixel mistura.
O classificador de Mistura apresentou tempos de processamento muito altos em

comparao com os classificadores Fuzzy e MaxVer, sendo de 30 a 90 vezes mais
demorados para a classificao da rea do Plano Piloto, com cerca de 500 km2. Isso
dificulta e at mesmo impossibilita sua utilizao em reas muito grandes ou com imagens
de alta e muito alta resolues, como SPOT e IKONOS, respectivamente.
As classificaes realizadas utilizando as componentes principais no apresentaram melhor

desempenho do que as classificaes realizadas com as bandas originais. Para os
classificadores Fuzzy e MaxVer houve uma maior dificuldade em identificar as classes
impermeveis, resultando em valores de impermeabilidade mais baixos. Para o
classificador Mistura os resultados foram pouco alterados.
Observou-se que uma escolha insuficiente de classes impermeveis pode causar a

subestimao do valor da impermeabilidade. Essa anlise com reduo de classes
impermeveis foi feita, pois se julgava que os classificadores sub-pixel seriam capazes de
compensar a ausncia de uma classe impermevel a partir de uma mistura de outras
classes. Entretanto, mesmo com a capacidade dos classificadores sub-pixel de fazer uma
composio entre as classes impermeveis existentes para simular a classe ausente, no foi
possvel manter os valores de porcentagem impermevel das classificaes completas. Ao
eliminarmos duas classes impermeveis houve reduo da porcentagem impermevel final
das reas de controle, pois as reas que deveriam ser classificadas dentro dessa classe
ausente foram classificadas em outras classes, que no eram necessariamente
impermeveis. A escolha e a amostragem das classes so, portanto, etapas de grande
relevncia para a classificao.
Outras fontes de erros identificadas nas classificaes esto fora do alcance da metodologia
dos classificadores, e devem ser considerados erros da tcnica de Sensoriamento Remoto.
A existncia de superfcies impermeveis sob as copas das rvores uma delas, j que as
74
imagens utilizadas no contm informao espectral dos materiais que se encontram

abaixo da vegetao. Outra causa de erros a alterao da ocupao do solo entre a data da
obteno da imagem classificada e a data de averiguao da verdade de campo. Tal erro s
pode ser minimizado com a obteno de imagens de datas o mais prximo possvel.
Finalmente, outro erro que no pode ser considerado uma deficincia do classificador, so
as superfcies com caractersticas espectrais muito parecidas, mas que correspondem a
classes diferentes. o caso das superfcies de telhas cermicas, que tm caractersticas de
solo, mas so superfcies impermeveis, e dos estacionamentos de brita, que tm
caractersticas de asfalto, mas so permeveis.
Como recomendao para futuros trabalhos, sugere-se uma averiguao mais detalhada da
acurcia dos classificadores, realizando aferies classe a classe e clculo de parmetros a
partir da matriz de erro, como erro de omisso, erro de comisso e coeficiente kappa. Tal
anlise detalhada da acurcia no foi realizada no presente estudo, pois o foco da pesquisa
era a anlise dos classificadores para determinao das reas impermeveis, e no a anlise
do desempenho dos classificadores de forma geral. Sugere-se tambm a anlise de acurcia
em reas de controle maiores, pois h a tendncia de reduo do erro ao aumentar a rea de
estudo (Campana e Tucci, 1994).
Recomenda-se, ainda, uma anlise da sensibilidade dos modelos hidrolgicos aos erros
resultantes da estimao da impermeabilidade por meio da classificao de imagens de
satlite. Os erros obtidos com os classificadores sub-pixel podem ser considerados
aceitveis para estudos hidrolgicos preliminares, porm necessria uma avaliao mais
aprofundada para se conhecer a sensibilidade dos modelos a esses erros.
75
REFERNCIAS BIBLIOGRFICAS
Adams, J.B., Sabol, D.E., Kapos, V., Filho, R.A., Roberts, D.A., Smith, M.O. e Gillespie, A.R.
(1995). Classification of multispectral images based on fractions of endmembers:
Application to land cover change in the Brazilian Amazon. In: Remote Sensing of
Environment, 52, 137-154.
Alley, W.M. e Veenhuis, J.E. (1983). Effective impervious area in urban runoff modeling.
In: Journal of the Hydraulic Division, American. Society of Civil Engineers, 109, 313-319.
Arnold, C.L.Jr. e Gibbons, C.J. (1996). Impervious surface coverage: the emergence of a
key environmental indicator. In: Journal of the American Planning Association, 62(2),
243-258.
Brdossy, A. e Duckstein ,L. (1995). Fuzzy rule-based modeling with applications to
geophysical, biological and engineering systems. Florida, CRC Press, 232p.
Barnsley, M.J. e Barr, S.L. (1996). Inferring urban land use from satellite sensor images
using kernel-based spatial reclassification. In: Photogrammetric Engineering &
Remote Sensing, 62(8), 949-958.
Bruzzone, L., Conese, C., Maselli, F. e Roli, F. (1997). Multisource classification of
complex
rural
areas
by
statistical
and
neural-network
approaches.
In:
Photogrammetric Engineering & Remote Sensing, 63(5), 523-533.

Caimi, D. (1993). O problema do pixel mistura: um estudo comparativo. Dissertao de
Mestrado, Curso de Ps-graduao em Sensoriamento Remoto, Centro Estadual de
Pesquisas em Sensoriamento Remoto e Meteorologia, Universidade Federal do Rio
Grande do Sul, Porto Alegre, 81 p.
Cmara, G., Souza, R.C.M., Freitas, U.M., Garrido, J. (1996). SPRING: Integrating
remote sensing and GIS by object-oriented data modeling. In: Computers & Graphics,
20(3), 395-403.
Campana, N.A., Tucci, C.E.M. (1994). Estimativa de rea impermevel de macro-bacias
urbanas In: Revista Brasileira de Engenharia Caderno de Recursos Hdricos, 12(2),
79-94.
Campana, N.A. (1992). Estimativa de parmetros fsicos de bacias utilizando tcnicas de
sensoriamento remoto e o sistema de informaes geogrficas. Dissertao de
Mestrado, Instituto de Pesquisas Hidrulicas, Universidade Federal do Rio Grande do
Sul, Porto Alegre, 83 p.
76
Cialella, A.T., Dubayah, R., Lawrence, W. e Levine, E. (1997). Predicting soil drainage
class using remotely sensed data and digital elevation data. In: Photogrammetric
Engineering & Remote Sensing, 62(2), 171-178.
City of Olympia (1995). Impervious surface reduction study: technical and policy analysis
final
report.
Public
Works
Department,
Olympia,
Washington.
http://depts.washington.edu/cwws/Research/Reports/ipds.pdf . Acesso em: 24/03/2005,

11:32 h.
Civco, D.L. e Hurd, J.D. (1997). Impervious surface mapping for the state of
connecticut. In: Proceedings of the 1997 ASPRS Annual Conference, Seattle, WA, 3,
124-135.
CODEPLAN (1991). Sistema Cartogrfico do Distrito Federal SICAD. Cartas
planialtimtricas
em
formato
vetorial,
na
escala
1:10.000.
Companhia
de
Desenvolvimento do Planalto Central. Braslia, 1991.

Congalton, R.G., Oderwald, R.G. e Mead, R.A. (1983). Assessing Landsat classification
accuracy using discrete multivariate analysis statistical techniques. Photogrammetric
Engineering and Remote Sensing, 49(12), 1671-1678.
Costa, F.J.L. (2003). Estratgias de gerenciamento de recursos hdricos no Brasil: reas
de cooperao com o Banco Mundial, Banco Mundial, 1 edio, Braslia, 204p.
Deguchi, C. e Sugio, S. (1994). Estimations for impervious areas by the use of remote
sensing imagery. In: Water Science and Technology, 29(1-2), 135-144.
Dune, T. e Leopold, L.B. (1978). Water in environmental planning. San Francisco, CA, W.
H. Freeman and Company.
Environmental Protection Agency EPA (1993). Guidance specifying management
measures for sources of nonpoint source pollution in coastal waters. United States
Environmental Protection Agency #840-B-92-002, Washington, DC: USEPA Office of
Water.
Environmental Protection Agency EPA (1994). The quality of our nations water: 1992.
United States Environmental Protection Agency #841-B-93-001, Washington, DC:
USEPA Office of Water.
Eastman, J.R. e Laney, R.M. (2002). Bayesian soft classification for sub-pixel analysis: a
critical evaluation. In: Photogrammetric Engineering & Remote Sensing, 68(11),
1149-1154.
Fisher, P. (1997). The pixel: a snare and a delusion. In: International Journal of Remote
Sensing, 18, 679-685.
77
Flanagan, M. e Civco, D.L. (2001). Subpixel impervious surface mapping. In:

Proceedings of the ASPRS Annual Convention, 23 a 27 de abril de 2001, St. Louis,
MO.
Forster, B.C. (1980). Urban residential ground cover using Landsat digital data. In:
Fundao Instituto Brasileiro de Geografia e Estatstica IBGE (2000). Censo
Demogrfico de 2000.
Gong, P. e Howarth, P.J. (1990). The use of structure information for improving landcover classification accuracies at the rural-urban fringe. In: Photogrammetric
Haralick, R.M., Shanmugan, K. e Dinstein, I. (1973). Textural features for image
classification. In: IEEE Transactions on Systems, Man and Cybernetics, 3(6), 610621.
Harbor, J.M. (1994). A practical method for estimating the impact of land use change on
surface runoff, groundwater recharge and wetland hydrology. In: Journal of the
American Planning Association, 60(1), 95-108.
Harris, P.M. e Ventura, S.J. (1995). The integration of geographic data with remotely
sensed imagery to improve classification in an urban area. In: Photogrammetric
Engineering & Remote Sensing, 61(8), 993998.
Hung, M. e Ridd, M.K. (2002). A subpixel classifier for urban landcover mapping based
on a maximum-likelihood approach and expert system rules. In: Photogrammetric
Ji, M.H. e Jensen, J.R. (1999). Effectiveness of subpixel analysis in detecting and
quantifying urban imperviousness from Landsat Thematic Mapper imagery. In:
Geocarto International, 14(4), 31-39.
Justice, D. e Rubin, F. (2003). Developing impervious surface estimates for coastal New
Hampshire Final Report.
http://www.nh.gov/nhep/publications/pdf/developingimpervioussurface-unh-02.pdf
Acesso em: 29/03/2005, 15:30h.
Kienegger, E.H. (1992). Assessment of a wastewater service charge by integrating aerial
photography and GIS. In: Photogrammetric Engineering and Remote Sensing, 58(11),
1601-1606.
Klir, G.J. e Folger, T.A. (1988). Fuzzy sets, uncertainty, and information. Prentice Hall,
Englewood Cliffs, New Jersey, 1988, 353p.
78
Levine, R.I. (1988). Inteligncia artificial e sistemas especialistas. Robert I. Levine, Diane
E. Drang, Barry Edelson; traduo Maria Claudia Santos Ribeiro Ratto; reviso tcnica
Jos Carlos Damski. So Paulo: McGraw-Hill, 1988. 264p.
Loesch, C. (1996). Redes neurais artificiais: fundamentos e modelos. Claudio Loesch,
Solange Teresinha Sari. Blumenau. Editora da FURB, 1996. 166p.
Lu, D. e Weng, Q. (2004). Spectral mixture analysis of the urban landscape in
Indianpolis with Landsat ETM+ imagery. In: Engineering and Remote Sensing,
70(9), 1053-1062.
Lu, D., Moran, E. e Batistella, M. (2003). Linear mixture model applied to Amazonian
vegetation classification. In: Remote Sensing of Environment, 87, 456-469.
Maselli, F., Conese, C., De Fillipis, T. e Romani, M. (1994). Integration of ancillary data
into a maximum likelihood classifier with nonparametric priors. In: ISPRS Journal of
Photogrammetry and Remote Sensing, 50(2), 2-11.
Mesev, V. (1998). The use of census data in urban image classification. In:
Paola, J.D. e Schowengerdt, R.A. (1997). The effect of neural-network structure on a
multispectral land-use/land-cover classification. In: Photogrammetric Engineering &
Remote Sensing, 63(5), 535-544.
Phinn, S., Stanford, M., Scarth, P. (2002). Monitoring the composition of urban
environments based on the vegetation impervious surface soil (VIS) model by
subpixel analysis techniques. In: International Journal of Remote Sensing, 23(20),
4131-4153.
Porto, M. (2003), Recursos hdricos e saneamento na regio metropolitana de So Paulo:
um desafio do tamanho da cidade. Banco Mundial, 1 edio, Braslia, 84p.
Ragan, R.M. e Jackson, T.J. (1975). Use of satellite data in urban hydrologic models. In:
Journal of the Hydraulics Division, ASCE, 101(HY12), 1469-1475.
Rich, E. (1988). Inteligncia Artificial. Traduo Newton Vasconcelos; reviso tcnica
Nizan Osmar. So Paulo: McGraw-Hill, 1988. 503p.
Ridd, M.K. (1995). Exploring a V-I-S (vegetation impervious surface soil) model for
urban ecosystem anlisis through remote sensing: comparative anatomy for cities. In:
International Journal of Remote Sensing, 16(12), 2165-2185.
Schueler, T.R. (1994). The importance of imperviousness. In: Watershed Protection
Techniques, 1(3), 100-111.
79
Skidmore, A.K. e Turner, B.J. (1988). Forest mapping accuracies are improved using a
supervised non parametric classifier with SPOT data. In: Photogrammetric
Engineering and Remote Sensing, 54, 1415-1421.
Sleaving, W.J., Civco, D.L., Prisloe, S., Giannotti, L. (2000). Measuring impervious
surfaces for non-point source pollution modeling. In: Proceedings of the ASPRS
Annual Conference, 22 a 26 de maio de 2000, Washington D.C.
Small, C. (2002). Multitemporal analysis of urban reflectance. In: Remote Sensing of
Environment, 81, 427-442.
Strahler, A.H., Woodcock, C.E., Smith, A.J. (1986). On the nature of models in remote
sensing. In: Remote Sensing of Environment, 77, 173-185
Tucci, C.E.M. (1998). Modelos hidrolgicos. Porto Alegre, Ed. Universidade UFRGS.
Tucci, C.E.M., Braga Jr, B.P.F. e Silveira, A. (1989). Avaliao do impacto da
urbanizao nas cheias urbanas. In: Revista Brasileira de Engenharia Caderno de
Recursos Hdricos, 7(1), 77-101.
SEDUH (2002). Anurio Estatstico do Distrito Federal 2002. Secretaria de Estado de
Desenvolvimento Urbano e Habitao, Governo do Distrito Federal, Braslia - DF.
Soil Conservation Service SCS (1986). Urban hydrology for small watersheds. Natural
Resources Conservation Service, Conservation Engineering Division, Technical
Release 55, 210-VI-TR-55. http://www.wcc.nrcs.usda.gov/hydro/hydro-tools-modelstr55.html. Acesso em: 24/03/2005 9:43h
Urban Drainage and Flood Control District UDFCD (2001). Urban storm drainage
criterial manual. Volume 1, Captulo 5 Runoff , Denver, Colorado.
http://www.udfcd.org/usdcm/vol1&2.htm . Acesso em: 24/03/2005, 11:11 h
Wang, F. (1990a). Improving remote sensing image analysis through fuzzy information
representation. In: Photogrammetric Engineering and Remote Sensing, 58(8), 11631169.
Wang, F. (1990b). Fuzzy supervised classification of remote sensing images. In: IEEE
Transactions on Geoscience and Remote Sensing, 28(2), 194-201.
Warner, T.A. e Shank, M. (1997). An evaluation of the potential for fuzzy classification
of multispectral data using artificial neural netwoks. In: Photogrammetric
Engineering and Remote Sensing, 63(11), 1285-1294.
80
APNDICES
81
APNDICE A PARMETROS ESTATSTICOS DA

TRANSFORMAO DE COMPONENTES PRINCIPAIS
Tabela A.1. Estatstica das componentes principais da imagem IKONOS
PC1
PC2
PC3
424,05
341,62
213,12
1,000
0,941
0,858
0,70
-0,68
0,24
Auto-valor
Porcentagem
839,42
95,35 %
37,71
4,28 %
3,19
0,36 %
Matriz de Covarincia
341,62
213,12
310,70
205,26
205,26
145,57
Matriz de Correlao
0,941
0,858
1,000
0,965
0,965
1,000
Matriz de Auto-vetores
0,60
0,39
0,37
0,64
-0,71
0,66
Tabela A.2. Estatstica das componentes principais da imagem SPOT

PC1
PC2
PC3
PC4
619,31
914,39
281,53
470,49
1,000
0,920
0,377
0,617
0,40
-0,31
-0,52
0,69
Auto-valor
Porcentagem
3041,56
75,02 %
811,06
20,01 %
156,40
3,86 %
45,10
1,11 %
914,39
281,53
1596,59
466,43
466,43
898,97
896,88
705,35
Matriz de Correlao
0,920
0,377
1,000
0,389
0,389
1,000
0,732
0,768
0,68
0,36
-0,47
0,75
0,06
-0,50
-0,56
-0,25
82
470,49
896,88
705,35
939,25
0,617
0,732
0,768
1,000
0,50
0,34
0,69
0,39
Tabela A.3. Estatstica das componentes principais da imagem CBERS

PC1
PC2
PC3
PC4
PC5
66,43
154,20
108,98
123,99
114,87
154,20
415,18
311,30
399,12
322,92
1,000
0,928
0,841
0,536
0,868
0,928
1,000
0,962
0,690
0,976
0,17
0,24
-0,64
-0,28
0,66
0,48
0,46
-0,36
-0,02
-0,65
Auto-valor
Porcentagem
1520,52
84,26 %
256,71
14,23 %
18,76
1,04 %
5,16
0,29 %
3,33
0,18 %
108,98
123,99
311,30
399,12
252,48
318,92
318,92
806,55
251,41
345,21
Matriz de Correlao
0,841
0,536
0,962
0,690
1,000
0,707
0,707
1,000
0,974
0,748
0,38
0,66
0,32
-0,75
0,64
-0,07
-0,57
-0,05
0,17
0,01
83
114,87
322,92
251,41
345,21
263,84
0,868
0,976
0,974
0,748
1,000
0,40
0,28
0,22
0,77
0,34
Tabela A.4. Estatstica das componentes principais da imagem LANDSAT

PC1
PC2
PC3
PC4
PC5
PC6
76,14
47,46
76,52
48,19
106,56
70,08
47,46
33,75
57,60
40,06
88,36
55,11
1,000
0,936
0,835
0,475
0,541
0,678
0,936
1,000
0,944
0,593
0,674
0,801
0,20
0,65
0,14
-0,64
0,17
-0,27
0,16
0,36
0,09
0,03
-0,11
0,91
Auto-valor
Porcentagem
851,31
84,67 %
85,45
8,50 %
53,05
5,28 %
9,77
0,97 %
5,02
0,50 %
0,90
0,09 %
76,52
48,19
57,60
40,06
110,27
78,96
78,96
135,00
190,80
200,34
112,26
91,90
Matriz de Correlao
0,835
0,475
0,944
0,593
1,000
0,647
0,647
1,000
0,805
0,764
0,902
0,667
0,32
0,32
0,45
-0,23
0,00
0,90
0,55
0,12
-0,53
0,14
-0,32
-0,04
84
106,56
88,36
190,98
200,34
509,92
250,33
70,08
55,11
112,26
91,90
250,33
140,43
0,541
0,674
0,805
0,764
1,000
0,935
0,678
0,801
0,902
0,667
0,935
1,000
0,76
-0,41
-0,29
-0,33
-0,25
0,04
0,39
0,13
-0,28
0,40
0,77
-0,01
APNDICE B PARMETROS DAS CLASSES AMOSTRADAS

Tabela B.1. Mdias das reflectncias das classes na imagem IKONOS.
Classe
gua
Asfalto
Cobertura clara
Concreto claro
Concreto escuro
Gramado
Metlicas
Solo claro
Solo escuro
Sombra
Vegetao
Banda 1
7,16
34,71
162,93
112,14
91,94
39,21
56,95
98,46
65,98
12,70
27,55
Banda 2
23,14
43,59
174,24
118,99
95,09
49,28
74,71
72,76
47,92
22,99
36,02
Banda 3
27,10
41,33
131,19
89,51
69,71
39,27
65,62
48,48
36,50
28,19
33,61
PC1
89,55
126,62
255,00
243,11
208,76
132,39
170,35
191,38
149,11
93,79
114,07
Tabela B.2. Matrizes de covarincias das classes na imagem IKONOS.
Banda 1
Banda 2
Banda 3
Banda 1
1,58
1,68
0,90
Banda 1
Banda 2
Banda 3
Banda 1
46,27
40,59
25,12
Banda 1
Banda 2
Banda 3
Banda 1
227,81
211,73
137,56
Banda 1
Banda 2
Banda 3
Banda 1
134,40
126,53
75,23
Banda 1
Banda 2
Banda 3
Banda 1
132,06
134,38
86,48
Banda 1
Banda 1
20,91
gua
Banda 2
1,68
2,41
1,10
Asfalto
Banda 2
40,59
37,28
23,34
Coberturas claras
Banda 2
211,73
257,39
205,26
Concreto claro
Banda 2
126,53
130,26
80,29
Concreto escuro
Banda 2
134,38
143,52
92,97
Gramado
Banda 2
15,38
85
Banda 3
0,90
1,10
0,71
Banda 3
25,12
23,34
15,47
Banda 3
137,56
205,26
213,78
Banda 3
75,23
80,29
65,80
Banda 3
86,48
92,97
63,92
Banda 3
8,31
PC2
132,99
130,95
149,88
136,83
129,23
128,80
142,95
103,12
108,32
129,98
128,09
Banda 2
Banda 3
15,38
8,31
Banda 1
Banda 2
Banda 3
Banda 1
63,19
67,46
45,07
Banda 1
Banda 2
Banda 3
Banda 1
76,39
49,05
23,73
Banda 1
Banda 2
Banda 3
Banda 1
17,31
15,20
7,04
Banda 1
Banda 2
Banda 3
Banda 1
13,00
11,93
8,97
Banda 1
Banda 2
Banda 3
Banda 1
14,70
9,41
5,63
17,38
9,26
Metlicas
Banda 2
67,46
77,95
57,74
Solo claro
Banda 2
49,05
40,16
21,91
Solo escuro
Banda 2
15,20
17,23
8,27
Sombra
Banda 2
11,93
13,76
10,18
Vegetao
Banda 2
9,41
9,93
5,39
9,26
5,35
Banda 3
45,07
57,74
50,17
Banda 3
23,73
21,91
13,26
Banda 3
7,04
8,27
4,32
Banda 3
8,97
10,18
9,16
Banda 3
5,63
5,39
3,64
Tabela B.3. Mdias das reflectncias das classes na imagem SPOT.

Classe
gua
Asfalto
Cobertura clara
Concreto claro
Concreto escuro
Gramado
Metlicas
Solo claro
Solo escuro
Sombra
Vegetao
Banda 1
66,20
109,37
253,04
234,75
143,38
82,12
178,26
127,23
97,08
58,04
73,46
Banda 2
42,79
113,55
217,10
251,43
171,68
151,59
193,60
233,89
170,49
48,00
61,88
Banda 3
16,07
53,46
252,55
127,53
88,42
96,80
76,42
116,98
84,26
27,80
90,43
86
Banda 4
13,90
70,32
200,10
141,60
113,79
114,33
106,27
158,25
108,14
48,99
67,41
PC1
12,43
119,35
255,00
255,00
206,76
150,67
225,92
252,11
183,21
34,57
82,06
PC2
77,00
77,44
133,65
52,85
80,35
185,16
47,50
92,71
90,46
97,93
139,72
Tabela B.4. Matrizes de covarincias das classes na imagem SPOT.
Banda 1
Banda 2
Banda 3
Banda 4
Banda 1
Banda 2
Banda 3
Banda 4
Banda 1
6,64
5,44
2,10
3,99
Banda 1
47,89
Banda 1
Banda 2
Banda 3
Banda 4
Banda 1
3,37
-0,03
1,44
-8,84
Banda 1
Banda 2
Banda 3
Banda 4
Banda 1
385,20
68,40
184,96
258,66
Banda 1
Banda 2
Banda 3
Banda 4
Banda 1
135,97
139,10
64,75
-1,20
Banda 1
Banda 2
Banda 3
Banda 4
Banda 1
30,72
-11,07
18,97
38,47
Banda 1
Banda 2
Banda 3
Banda 4
Banda 1
165,23
214,93
78,01
60,31
Banda 1
Banda 2
Banda 1
144,27
153,71
gua
Banda 2
Banda 3
5,44
2,10
5,61
2,08
2,08
1,05
4,01
1,85
Asfalto
Banda 2
Banda 3
55,46
22,00
73,31
28,45
16,87
Coberturas claras
Banda 2
Banda 3
-0,03
1,44
235,53
3,47
3,47
5,96
192,52
-1,24
Concreto claro
Banda 2
Banda 3
68,40
184,96
27,10
36,59
36,59
171,41
52,44
213,14
Concreto escuro
Banda 2
Banda 3
139,10
64,75
161,39
77,48
77,48
49,55
35,71
46,36
Gramado
Banda 2
Banda 3
-11,07
18,97
75,08
5,46
5,46
20,02
-22,76
29,67
Metlicas
Banda 2
Banda 3
214,93
78,01
367,84
152,24
152,24
73,75
132,46
66,55
Solo claro
Banda 2
Banda 3
153,71
76,24
213,69
98,54
87
Banda 4
3,99
4,01
1,85
4,33
Banda 4
13,37
24,64
16,27
80,51
Banda 4
-8,84
192,52
-1,24
560,84
Banda 4
258,66
52,44
213,14
565,79
Banda 4
-1,20
35,71
46,36
207,53
Banda 4
38,47
-22,76
29,67
85,16
Banda 4
60,31
132,46
66,55
123,03
Banda 4
134,82
188,42
Banda 3
Banda 4
76,24
137,82
Banda 1
Banda 2
Banda 3
Banda 4
Banda 1
14,45
16,87
12,50
28,61
Banda 1
Banda 2
Banda 3
Banda 4
Banda 1
33,84
36,40
13,29
19,45
Banda 1
Banda 2
Banda 3
Banda 4
Banda 1
19,83
39,68
5,06
73,21
98,54
59,72
188,42
100,75
Solo escuro
Banda 2
Banda 3
16,87
12,50
118,05
19,14
19,14
24,99
-8,79
41,81
Sombra
Banda 2
Banda 3
36,40
13,29
52,52
18,61
18,61
103,74
39,79
38,17
Vegetao
Banda 2
Banda 3
39,68
5,06
85,44
7,81
7,81
13,14
164,41
14,27
100,75
257,77
Banda 4
28,61
-8,79
41,81
199,38
Banda 4
19,45
39,79
38,17
157,50
Banda 4
73,21
164,41
14,27
362,00
Tabela B.5. Mdias das reflectncias das classes na imagem CBERS.

Classe
gua
Asfalto
Cobertura clara
Concreto claro
Concreto escuro
Gramado
Metlicas
Solo claro
Solo escuro
Sombra
Vegetao alta
Vegetao baixa
Banda
1
49,18
65,29
125,47
92,61
74,00
63,11
80,38
59,04
55,62
58,63
47,24
52,64
Banda
2
59,28
93,59
231,01
164,84
126,47
105,67
138,40
125,07
104,17
73,50
66,03
76,33
Banda
3
28,16
55,36
144,14
100,66
79,62
69,83
84,81
103,69
80,62
43,50
32,88
45,41
Banda
4
31,28
79,06
196,22
137,84
119,87
131,14
112,45
153,72
118,15
62,13
148,72
105,09
Banda
5
44,54
75,35
161,37
121,76
98,66
88,67
104,47
113,34
93,66
63,75
56,01
65,46
PC1
PC2
32,55
105,89
255,00
219,37
168,70
156,64
174,85
202,85
152,11
74,75
119,41
104,91
150,57
151,74
193,96
174,43
152,70
126,26
168,51
134,91
138,25
146,50
70,44
115,54
Tabela B.6. Matrizes de covarincias das classes na imagem CBERS.
Banda 1
Banda 2
Banda 3
Banda 4
Banda 5
Banda 1
2,44
2,94
0,14
0,81
1,12
gua
Banda 3
0,14
1,52
3,51
2,81
1,33
Asfalto
Banda 2
2,94
7,87
1,52
3,99
5,10
88
Banda 4
0,81
3,99
2,81
4,54
3,61
Banda 5
1,12
5,10
1,33
3,61
5,10
Banda 1
Banda 2
Banda 3
Banda 4
Banda 5
Banda 1
4,40
8,00
4,72
6,01
5,26
Banda 1
Banda 2
Banda 3
Banda 4
Banda 5
Banda 1
430,87
297,38
321,61
221,75
260,01
Banda 1
Banda 2
Banda 3
Banda 4
Banda 5
Banda 1
17,43
25,80
10,52
15,86
15,92
Banda 1
Banda 2
Banda 3
Banda 4
Banda 5
Banda 1
10,55
19,66
10,77
10,98
11,28
Banda 1
Banda 2
Banda 3
Banda 4
Banda 5
Banda 1
4,60
10,52
6,89
13,77
6,75
Banda 1
Banda 2
Banda 3
Banda 4
Banda 5
Banda 1
8,36
16,95
8,14
6,15
10,97
Banda 1
Banda 2
Banda 3
Banda 4
Banda 5
Banda 1
1,98
5,06
3,92
5,45
3,63
Banda 2 Banda 3 Banda 4

8,00
4,72
6,01
24,03
14,15
21,24
14,15
9,98
13,98
21,24
13,98
24,12
15,20
9,44
13,92
Coberturas claras
297,38
321,61
221,75
363,20
265,52
213,01
265,52
366,93
254,35
213,01
254,35
254,19
245,80
206,95
156,36
Concreto claro
25,80
10,52
15,86
74,34
41,53
76,53
41,53
28,49
51,80
76,53
51,80
127,02
48,55
28,83
61,95
Concreto escuro
19,66
10,77
10,98
42,84
23,16
26,02
23,16
13,68
14,59
26,02
14,59
20,75
25,78
13,57
16,55
Gramado
10,52
6,89
13,77
36,81
24,92
41,27
24,92
19,02
28,59
41,27
28,95
62,80
24,74
17,76
27,59
Metlicas
16,95
8,14
6,15
47,43
26,78
18,24
26,78
20,45
13,89
18,24
13,89
13,65
29,73
17,39
13,96
Solo claro
5,06
3,92
5,45
22,28
19,06
26,53
19,06
19,45
25,40
26,53
25,40
36,41
17,83
16,39
22,75
89
Banda 5
5,26
15,20
9,44
13,92
11,84
Banda 5
260,01
245,80
206,95
156,36
223,17
Banda 5
15,92
48,55
28,83
61,95
41,49
Banda 5
11,28
25,78
13,57
16,55
18,14
Banda 5
6,75
24,74
17,76
27,59
18,24
Banda 5
10,97
29,73
17,39
13,96
23,61
Banda 5
3,63
17,83
16,39
22,75
17,20
Banda 1
Banda 2
Banda 3
Banda 4
Banda 5
Banda 1
0,85
1,16
0,44
1,47
0,64
Banda 1
Banda 2
Banda 3
Banda 4
Banda 5
Banda 1
5,48
8,44
6,81
6,67
8,78
Banda 1
Banda 2
Banda 3
Banda 4
Banda 5
Banda 1
1,69
2,70
1,70
1,80
2,21
Banda 1
Banda 2
Banda 3
Banda 4
Banda 5
Banda 1
1,10
1,49
1,30
0,19
1,37
Solo escuro
Banda 3 Banda 4
0,44
1,47
6,17
7,85
7,14
5,37
5,37
11,53
6,01
5,86
Sombra
8,44
6,81
6,67
20,00
14,75
21,69
14,75
13,75
17,81
21,69
17,81
29,61
15,00
11,63
12,28
Vegetao alta
2,70
1,70
1,80
6,06
3,61
6,86
3,61
3,31
1,46
6,86
1,46
66,00
4,62
2,87
6,54
Vegetao baixa
1,49
1,30
0,19
3,55
2,77
1,23
2,77
3,24
-2,66
1,23
-2,66
33,49
2,95
2,55
1,39
Banda 2
1,16
7,76
6,17
7,85
6,43
Banda 5
0,64
6,43
6,01
5,86
6,80
Banda 5
8,78
15,00
11,63
12,28
15,94
Banda 5
2,21
4,62
2,87
6,54
4,49
Banda 5
1,37
2,95
2,55
1,39
3,21
Tabela B.7. Mdias das reflectncias das classes na imagem LANDSAT.

Classe
gua
Asfalto
Cobert. clara
Concreto
claro
Concreto
escuro
Gramado
Metlicas
Solo
Sombra
Vegetao
alta
Vegetao
baixa
Banda
1
45,59
68,07
136,37
Banda
2
17,60
30,48
77,74
Banda
3
12,70
34,50
105,93
Banda
4
8,94
30,90
96,63
Banda
5
9,15
48,88
154,70
Banda
7
4,64
28,21
85,11
51,04 136,52
111,10 146,17
252,26 196,11
104,72
60,32
80,89
70,60
111,53
59,89
210,55 173,47
79,77
42,54
55,38
55,42
103,65
58,08
182,77 146,62
63,94
94,50
51,53
52,08
29,96
50,44
24,07
20,25
38,54
65,13
35,54
20,42
48,49
54,00
36,71
17,33
107,19
99,31
100,03
24,08
48,06
62,56
44,68
14,00
168,96
187,88
154,54
72,75
121,97
166,88
112,06
138,33
48,34
20,89
18,94
54,68
41,47
14,26
96,60
125,29
44,23
18,85
19,32
36,39
54,85
20,36
102,82 116,43
90
PC1
PC2
Tabela B.8. Matrizes de covarincias das classes na imagem LANDSAT.
Banda 1
Banda 2
Banda 3
Banda 4
Banda 5
Banda 7
Banda 1
2,68
0,82
1,03
0,86
1,24
0,63
Banda 2
0,82
1,09
0,75
0,44
0,46
0,36
Banda 1
Banda 2
Banda 3
Banda 4
Banda 5
Banda 7
Banda 1
6,30
2,30
3,15
3,10
3,32
1,48
Banda 2
2,30
2,30
1,69
1,90
2,25
1,18
Banda 1
Banda 2
Banda 3
Banda 4
Banda 5
Banda 7
Banda 1
291,42
133,39
127,95
75,40
67,81
52,92
Banda 2
133,39
70,04
69,02
50,76
44,66
29,51
Banda 1
Banda 2
Banda 3
Banda 4
Banda 5
Banda 7
Banda 1
61,01
33,54
49,23
40,23
80,25
15,86
Banda 2
33,54
32,39
50,69
44,11
80,21
27,23
Banda 1
Banda 2
Banda 3
Banda 4
Banda 5
Banda 7
Banda 1
10,72
5,97
8,59
6,79
8,50
1,33
Banda 2
5,97
4,86
5,72
4,08
5,07
0,96
Banda 1
Banda 2
Banda 3
Banda 1
11,87
5,02
6,35
Banda 2
5,02
3,11
3,68
gua
Banda 3 Banda 4
1,03
0,86
0,75
0,44
1,16
0,57
0,57
1,01
0,74
1,19
0,37
0,35
Asfalto
Banda 3 Banda 4
3,15
3,10
1,69
1,90
2,77
2,95
2,95
4,23
3,23
5,85
1,68
3,23
Coberturas claras
Banda 3 Banda 4
127,95
75,40
69,02
50,76
89,70
70,60
70,60
91,64
92,31
79,93
52,71
17,37
Concreto claro
Banda 3 Banda 4
49,23
40,23
50,69
44,11
87,37
73,60
73,60
65,77
133,42
121,79
48,58
42,32
Concreto escuro
Banda 3 Banda 4
8,59
6,79
5,72
4,08
10,39
7,84
7,84
8,24
10,86
11,42
3,97
4,85
Gramado
Banda 3 Banda 4
6,35
1,86
3,68
1,56
6,19
2,66
91
Banda 5
1,24
0,46
0,74
1,19
2,78
0,39
Banda 7
0,63
0,36
0,37
0,35
0,39
1,29
Banda 5
3,32
2,25
3,23
5,85
18,34
10,14
Banda 7
1,48
1,18
1,68
3,23
10,14
7,74
Banda 5
67,81
44,66
92,31
79,93
778,50
640,59
Banda 7
52,92
29,51
52,71
17,37
640,59
600,02
Banda 5
80,25
80,21
133,42
121,79
287,14
90,40
Banda 7
15,86
27,23
48,58
42,32
90,40
49,29
Banda 5
8,50
5,07
10,86
11,42
28,30
12,95
Banda 7
1,33
0,96
3,97
4,85
12,95
10,53
Banda 5
-0,40
0,98
4,33
Banda 7
2,45
1,84
4,02
Banda 4
Banda 5
Banda 7
1,86
-0,40
2,45
1,56
0,98
1,84
Banda 1
Banda 2
Banda 3
Banda 4
Banda 5
Banda 7
Banda 1
13,75
7,72
4,13
0,00
10,16
4,22
Banda 2
7,72
7,37
3,76
1,19
7,86
5,44
Banda 1
Banda 2
Banda 3
Banda 4
Banda 5
Banda 7
Banda 1
4,06
2,34
4,64
5,25
7,48
2,17
Banda 2
2,34
3,20
6,28
5,90
8,91
3,51
Banda 1
Banda 2
Banda 3
Banda 4
Banda 5
Banda 7
Banda 1
4,41
2,81
4,38
1,64
5,41
2,33
Banda 2
2,81
4,02
5,48
0,25
1,98
0,58
Banda 1
Banda 2
Banda 3
Banda 4
Banda 5
Banda 7
Banda 1
17,16
7,51
9,33
14,92
18,86
8,40
Banda 2
7,51
4,00
4,53
7,88
9,85
4,18
Banda 1
Banda 2
Banda 3
Banda 4
Banda 5
Banda 7
Banda 1
1,35
0,09
0,11
0,05
0,67
0,16
Banda 2
0,09
0,24
0,07
0,02
0,21
0,11
2,66
4,54
4,33
4,77
4,02
2,45
Metlicas
Banda 3 Banda 4
4,13
0,00
3,76
1,19
5,23
2,19
2,19
1,50
5,09
1,50
4,87
2,06
Solo
Banda 3 Banda 4
4,64
5,25
6,28
5,90
16,87
13,49
13,49
13,42
24,53
21,53
11,02
9,27
Sombra
Banda 3 Banda 4
4,38
1,64
5,48
0,25
9,08
2,61
2,61
6,72
6,22
9,22
3,92
7,00
Vegetao alta
Banda 3 Banda 4
9,33
14,92
4,53
7,88
5,87
8,72
8,72
36,91
11,84
24,94
5,12
9,35
Vegetao baixa
Banda 3 Banda 4
0,11
0,05
0,07
0,02
0,80
-0,12
-0,12
1,13
1,06
-0,06
0,52
-0,13
92
4,77
34,54
14,62
2,45
14,62
8,75
Banda 5
10,16
7,86
5,09
1,50
18,46
12,01
Banda 7
4,22
5,44
4,87
2,06
12,01
14,87
Banda 5
7,48
8,91
24,53
21,53
55,01
26,49
Banda 7
2,17
3,51
11,02
9,27
26,49
15,88
Banda 5
5,41
1,98
6,22
9,22
28,08
13,75
Banda 7
2,33
0,58
3,92
7,00
13,75
13,17
Banda 5
18,86
9,85
11,84
24,94
42,95
15,77
Banda 7
8,40
4,18
5,12
9,35
15,77
7,16
Banda 5
0,67
0,21
1,06
-0,06
5,64
1,92
Banda 7
0,16
0,11
0,52
-0,13
1,92
1,78
APNDICE C RESULTADOS DAS CLASSIFICAES

COMPLETAS
C.1 rea de controle 1, imagem IKONOS
Fuzzy
gua
1973
Asfalto
45705
Cobert.claras
8772
Concr. claro
16079
Concr. escuro
18144
Gramado
20706
Metlicas
20794
Solo claro
5934
Solo escuro
1948
Sombra
28341
Vegetao
35524
Total Classif
203922
% Impermevel
53,7
% Imp S/ Sombra
62,4
ERRO %
25,6
rea (m2)
MaxVer Mistura
52011
-61895
21189
35742
7331
21725
7666
158
7643
13193
14730
8514
9925
9342
7319
248
10118
1040
88412
28
25606
203896 199939
62,8
26,9
63,1
48,2
27,1
-2,9
C.2 - rea de controle 1, imagem SPOT
gua
Asfalto
Cobert. clara
Concr. claro
Concr. escuro
Gramado
Metlicas
Solo claro
Solo escuro
Sombra
Vegetao
Total Classif
% Impermevel
% Imp S/ Sombra
ERRO %
Fuzzy
201
21220
357
6987
27396
12844
15886
11033
18460
47120
52525
214029
33,6
43,0
-13,2
93
rea (m2)
MaxVer Mistura
0
-19800 15636
0
9429
4200 13321
39900
9292
3300
8575
3400 12469
100
4460
2900
7125
64800 42811
75800 96613
214200 219731
31,4
27,4
45,0
34,0
-9,2
-31,5
C.3 - rea de controle 1, imagem CBERS
gua
Asfalto
Cobert. Clara
Concr. Claro
Concr. Escuro
Gramado
Metlicas
Solo claro
Solo escuro
Sombra
Vegetao Alta
Vegetao Baixa
Total Classif
% Impermevel
% Imp S/ Sombra
ERRO %
Fuzzy
1084
14205
34447
13404
17645
62182
20072
7308
11810
1962
13614
32632
230367
43,3
43,7
-12,0
rea (m2)
MaxVer Mistura
0
-8800 27827
5200
4344
0
6695
3200 12155
170800 15611
10000 11245
0
7219
0 10558
0 74381
0 55926
32400
230400 225962
11,8
27,6
11,8
41,1
-76,2
-17,2
C.4 - rea de controle 1, imagem LANDSAT
gua
Asfalto
Cobert. clara
Concr. Claro
Concr. Escuro
Gramado
Metlicas
Solo
Sombra
Vegetao Alta
Vegetao Baixa
Total Classif
% Impermevel
% Imp S/ Sombra
ERRO %
Fuzzy
2153
16500
41485
28507
19853
41058
9769
15971
19694
36667
5905
237561
48,9
53,3
7,4
94
rea (m2)
MaxVer Mistura
0
-16200
24964
16200
6840
18900
8873
1800
14100
90900
16952
0
10984
0
16235
11700
51819
81900
44425
0
37779
237600 232970
22,3
28,2
23,5
36,3
-52,6
-26,8
C.5- rea de controle 2, imagem IKONOS
gua
Asfalto
Cobert. Claras
Concr. Claro
Concr. Escuro
Gramado
Metlicas
Solo claro
Solo escuro
Sombra
Vegetao
Total Classif
% Impermevel
% Imp S/ Sombra
ERRO %
Sem telhas
rea (m2)
783 32238
-44953 71469 26093
16585
8065 11011
26978 27338 13722
44100 12969 14472
25421 67121 20702
18409
7698 16734
18007
5667 18869
8248
14 21601
10558
2481 61448
27675
6620 32319
241715 241680 236973
62,5
52,8
34,6
65,3
53,3
46,7
-17,6
-32,7
-41,0
1,7
-17,0
-27,3

Fuzzy
gua
35
Asfalto
15648
Cobert_clara
344
Conc_claro
9516
Conc_escuro
87903
Gramado
21650
Metlicas
28027
Solo_claro
20991
Solo_escuro
33553
Sombra
23048
Vegetao
18188
Total Classif
258905
% Impermevel
54,6
% Imp S/ Sombra
60,0
ERRO %
-24,3
Sem telhas:
-6,7
95
rea (m2)
MaxVer Mistura
0
-1100 18231
0 14982
3600 19765
144500 23940
29000 34980
5400 17834
5600 34472
31700 19625
19200 29342
19100 52152
259200 265325
59,6
35,7
64,4
40,2
-18,7
-49,3
0,2
-37,5
C.7- rea de controle 2, imagem CBERS
gua
Asfalto
Cobert. Clara
Concr. Claro
Concr. Escuro
Gramado
Metlicas
Solo claro
Solo escuro
Sombra
Vegetao Alta
Vegetao Baixa
Total Classif
% Impermevel
% Imp S/ Sombra
ERRO %
Sem telhas:
rea (m2)
915
0
-14632
0 25250
36135
8000 11280
23289
3200 18439
74279 148400 28558
59183 101200 33645
24527
1200 26337
6802
0 19862
8002
0 22995
4414
0 39026
4185
400 31776
6182
0
262544 262400 257169
65,8
61,3
42,7
67,0
61,3
50,4
-15,5
-22,7
-36,5
4,2
-4,7
-21,7
gua
Asfalto
Cobert. clara
Concr. Claro
Concr. Escuro
Gramado
Metlicas
Solo
Sombra
Vegetao Alta
Vegetao Baixa
Total Classif
% Impermevel
% Imp S/ Sombra
ERRO %
Sem telhas
Fuzzy
960
16789
51572
42018
69766
48427
18826
8696
10380
8396
1496
277327
71,7
74,5
-6,0
15,9
96
rea (m2)
MaxVer Mistura
0
-900
19860
18900
18685
7200
20541
156600
33311
90000
27995
900
31115
0
36974
0
24462
2700
26629
0
32273
277200 271846
66,6
45,4
66,6
49,9
-16,0
-37,0
3,5
-22,3
C.9 - rea de controle 3, imagem IKONOS
gua
Asfalto
Cobert. claras
Concr. Claro
Concr. Escuro
Gramado
Metlicas
Solo claro
Solo escuro
Sombra
Vegetao
Total Classif
% Impermevel
% Imp S/ Sombra
ERRO %
rea (m2)
842 31267
-35666 47709 26549
14452
8562 10631
25479 41425 13139
40034
4297 14843
29964 56652 21885
34311
7163 17857
14025 35913 14904
7768
56 19655
11342
792 66637
27729
7773 30800
241612 241609 236900
62,1
45,2
35,0
65,1
45,3
48,8
38,6
-3,5
3,9
gua
Asfalto
Cobert_clara
Conc_claro
Conc_escuro
Gramado
Metlicas
Solo_claro
Solo_escuro
Sombra
Vegetao
Total Classif
% Impermevel
% Imp S/ Sombra
ERRO %
rea (m2)
186
0
-23407 12400 22071
380
0 11222
9077
3700 18665
57732 98200 16386
19159 24500 20007
46279 36900 34000
16771
1800 12393
24809 19200 14074
25593 23000 53164
21232 25200 49254
244625 244900 251235
56,0
61,7
40,7
62,5
68,1
51,7
33,2
45,2
10,1
gua
Asfalto
Cobert. Clara
Concr. claro
rea (m2)
976
0
-21517
4000 29448
35189
7200 13222
28213
2000 19805
97
Concr. escuro
Gramado
Metlicas
Solo claro
Solo escuro
Sombra
Vegetao Alta
Vegetao Baixa
Total Classif
% Impermevel
% Imp S/ Sombra
ERRO %
63881 125600 28391

35879 54400 28050
42814 57200 30850
5647
0 15161
6013
0 19892
4723
0 43865
3666
0 22351
7550
5600
256067 256000 251035
74,8
76,6
48,5
76,2
76,6
58,8
62,4
63,1
25,2
gua
Asfalto
Cobert. clara
Concr. Claro
Concr. Escuro
Gramado
Metlicas
Solo
Sombra
Vegetao Alta
Vegetao Baixa
Total Classif
% Impermevel
% Imp S/ Sombra
ERRO %
Fuzzy
1246
23605
57159
63339
47771
47005
20495
9032
10881
9459
1684
291674
72,8
75,6
61,2
rea (m2)
MaxVer Mistura
0
-11700
30565
23400
23181
99000
25436
72000
26739
82800
22472
0
29647
0
23442
0
42988
2700
28154
0
33321
291600 285946
70,7
47,4
70,7
55,8
50,6
18,9
C.13 - rea de controle 4, imagem IKONOS
gua
Asfalto
Cobert. claras
Concr. Claro
Concr. Escuro
Gramado
Metlicas
rea (m2)
1057 17175
-46913 70421 22511
14599 18815 12880
20909 19883 10075
28539
8075 11033
17349 36750 15422
18798 10366 13156
98
Solo claro
Solo escuro
Sombra
Vegetao
Total Classif
% Impermevel
% Imp S/ Sombra
ERRO %
11588 10616 12179

4451
99 14417
16376
5517 58702
19118
1999 25456
199697 199716 195831
65,0
63,9
35,6
70,8
65,7
50,8
8,8
0,9
-21,9
gua
Asfalto
Cobert_clara
Conc_claro
Conc_escuro
Gramado
Metlicas
Solo_claro
Solo_escuro
Sombra
Vegetao
Total Classif
% Impermevel
% Imp S/ Sombra
ERRO %
rea (m2)
263
0
-34124 37500 29688
306
0
7301
14643 12200 24633
51194 79500 13216
10345
5900 12113
31422 15400 31085
15919
9200 12347
16935 10700 10966
25887 34500 43955
9683
6000 30827
210720 210900 216131
62,5
68,6
49,0
71,2
82,0
61,5
9,5
26,0
-5,4
gua
Asfalto
Cobert. Clara
Concr. Claro
Concr. Escuro
Gramado
Metlicas
Solo claro
Solo escuro
Sombra
Vegetao Alta
Vegetao Baixa
Total Classif
rea (m2)
1049
0
-24599 19200 30102
36184 18800 13354
27689
7600 15925
34664 54400 20891
20913 30000 19060
38985 75600 22739
4860
0 11181
4119
0 13892
6413
800 41558
4362
1200 16022
4935
1200
208772 208800 204723
99
% Impermevel
% Imp S/ Sombra
ERRO %
77,7
80,1
23,2
84,1
84,4
29,8
50,3
63,1
-2,9
gua
Asfalto
Cobert. clara
Concr. claro
Concr. escuro
Gramado
Metlicas
Solo
Sombra
Vegetao Alta
Vegetao Baixa
Total Classif
% Impermevel
% Imp S/ Sombra
ERRO %
Fuzzy
1560
32802
44905
46119
23149
24025
12480
6169
18381
11227
1496
222314
71,7
78,2
20,2
100
rea (m2)
MaxVer Mistura
0
-63000
33067
46800
14933
63000
16179
6300
16380
21600
12487
900
15688
0
11876
15300
56227
5400
22715
0
18469
222300 218022
81,0
44,1
87,0
59,5
33,7
-8,6
APNDICE D - IMAGENS RESULTANTES DAS CLASSIFICAES

COMPLETAS
101
D.1- IMAGENS RESULTANTES DAS CLASSIFICAES COMPLETAS

REA DE CONTROLE 1
Classificao FUZZY
LANDSAT
CBERS
SPOT
IKONOS
Composio Colorida
102
Classificao Mistura
Classificao
MaxVer
IKONOS
SPOT
CBERS
LANDSAT
Composio Colorida
Classificao FUZZY
103
REA DE CONTROLE 2
Classificao Mistura
D.2 - IMAGENS RESULTANTES DAS CLASSIFICAES COMPLETAS
Classificao MaxVer
IKONOS
SPOT
CBERS
LANDSAT
Composio Colorida
Classificao FUZZY
104
REA DE CONTROLE 3
Classificao Mistura
Classificao MaxVer
IKONOS
SPOT
CBERS
LANDSAT
Composio Colorida
Classificao FUZZY
105
Classificao Mistura
REA DE CONTROLE 4
Classificao MaxVer
APNDICE E CONTEDO DO CD QUE ACOMPANHA A

DISSERTAO
Esta dissertao possui um CD em anexo contendo:
Programa de instalao do software Image J
Cdigo fonte do plug-in com os algoritmos de classificao Fuzzy e MaxVer em

linguagem JAVA.
Manual de instalao e utilizao do plug-in.
Imagens de porcentagem impermevel de Braslia, resultantes das classificaes

completas das imagens IKONOS, SPOT, CBERS e LANDSAT
Texto completo da dissertao em formato PDF.
106

Quantificação Das Superfícies Impermeáveis em Áreas Urbanas Por Meio de Sensoriamento Remoto Rafael Lucio Esteves - Esteves - 2006

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Quantificação Das Superfícies Impermeáveis em Áreas Urbanas Por Meio de Sensoriamento Remoto Rafael Lucio Esteves - Esteves - 2006

Enviado por

Direitos autorais:

Formatos disponíveis

UNIVERSIDADE DE BRASLIA

QUANTIFICAO DAS SUPERFCIES IMPERMEVEIS

RAFAEL LUCIO ESTEVES

ORIENTADOR: NSTOR ALDO CAMPANA

DISSERTAO DE MESTRADO EM TECNOLOGIA AMBIENTAL E

PUBLICAO: PTARH.DM 091/06

QUANTIFICAO DAS SUPERFCIES IMPERMEVEIS EM

RAFAEL LUCIO ESTEVES

BRASLIA/DF, 06 DE FEVEREIRO DE 2006.

concedida Universidade de Braslia permisso para reproduzir cpias desta dissertao

Aos companheiros de sala, Cludia, Simoneli e Thales, pela convivncia no dia-a-dia da

Ao INPE, pela disponibilizao gratuita das imagens do satlite CBERS.

CNPq, pela bolsa de mestrado durante a pesquisa.

Author: Rafael Lucio Esteves

O PROBLEMA DO PIXEL MISTURA.................................................. 9

Medio direta em fotos areas............................................... 12

ESTIMAO DE REAS IMPERMEVEIS COM IMAGENS DE

Classificadores tradicionais: um pixel uma classe............. 15

Modelo linear de mistura........................................................ 18

Redes neurais artificiais.......................................................... 24

Seleo dos mtodos para o presente estudo......................... 27

CLASSIFICADOR MXIMA VEROSSIMILHANA........................ 29

MODELO LINEAR DE MISTURA........................................................ 31

Funo de pertinncia fuzzy................................................... 36

Registro das imagens................................................................ 48

Anlise de Componentes Principais........................................ 49

Realce das imagens................................................................... 49

Escolha das classes e aquisio de amostras........................... 51

Digitalizao da verdade de campo......................................... 55

Anlise de acurcia das classificaes..................................... 58

rea de controle 1..................................................................... 60

rea de controle 2..................................................................... 62

rea de controle 3..................................................................... 63

rea de controle 4..................................................................... 65

CLASSIFICAES COM COMPONENTES PRINCIPAIS............... 67

CLASSIFICAES COM NMERO REDUZIDO DE CLASSES.... 69

E- CONTEDO DO CD QUE ACOMPANHA A DISSERTAO.. 106

Resolues espaciais dos diversos sensores............................................. 10

Coeficientes de impermeabilidade em funo do tipo de uso do solo

Coordenadas do retngulo envolvente das reas de controle................... 40

Caractersticas das imagens selecionadas................................................ 46

Matriz de correlao das bandas da imagem SPOT................................. 50

Matriz de correlao das bandas da imagem CBERS.............................. 50

Matriz de correlao das bandas da imagem LANDSAT........................ 50

Quantidade de pixels das amostras.......................................................... 53

Porcentagem de rea impermevel obtida nas classificaes completas. 60

Erros das classificaes da rea de controle 1......................................... 61

Erros das classificaes da rea de controle 2. ....................................... 62

Erros da rea de controle 2 desconsiderando as telhas cermicas........... 63

Erros das classificaes da rea de controle 3. ....................................... 64

Erros das classificaes da rea de controle 4. ....................................... 65

Erro mdio das classificaes das reas de controle. .............................. 66

Tempos de classificao das imagens do Plano Piloto............................ 67

Erros das classificaes com componentes principais e diferena em

Porcentagens impermeveis da rea de controle 2 calculadas com

Comparao entre a rea das classes eliminadas e a reduo da

Estatstica das componentes principais da imagem IKONOS................. 82

Estatstica das componentes principais da imagem SPOT....................... 82

Estatstica das componentes principais da imagem CBERS.................... 83

Estatstica das componentes principais da imagem LANDSAT.............. 84

Mdias das reflectncias das classes na imagem IKONOS..................... 85

Matrizes de covarincias das classes na imagem IKONOS..................... 85

Mdias das reflectncias das classes na imagem SPOT.......................... 86