Você está na página 1de 245

Verso digital

Portable Document File

Idrisi
Idrisi
for Windows
verso 2

Manual do usurio

Introduo
Exerccios tutoriais

J. Ronald Eastman
Clark Labs forCartographic
Technology andAnalysis

Editores da verso em portugus:

Heinrich Hasenack
Eliseu Weber

Porto Alegre
1998

Centro de Recursos Idrisi, Brasil


1998 by Graduate School of Geography, Clark University.

Este texto parte integrante de:


EASTMAN, J. R. 1997. IDRISI for Windows Userss Guide version 2.0. Introduction. Worcester-MA,
Graduate School of Geography, Clark University. p. 1-1 to 3-19.
EASTMAN, J. R. 1997. IDRISI for Windows Userss Guide version 2.0. Tutorial Exercises. Worcester-
MA, Graduate School of Geography, Clark University. 192 p.

Traduo:
Eliseu Weber
lvio Giasson
Fernando Jos de Frana
Heinrich Hasenack
Rodrigo Agra Balbueno

Reviso tcnica e editorao:


Heinrich Hasenack
Eliseu Weber

Agradecimentos:
Ao Prof. Robin Thomas Clarke, do Instituto de Pesquisas Hidrulicas da UFRGS, pelo auxlio na
traduo e adaptao para o portugus de termos relativos estatstica de dados espaciais.

Realizao:
Universidade Federal do Rio Grande do Sul
Instituto de Biocincias - Centro de Ecologia
Centro de Recursos Idrisi

Solicitaes:
UFRGS Centro de Ecologia
Centro de Recursos Idrisi
Caixa postal, 15007
CEP 91.501-970 Porto Alegre RS Brasil
Tel.: (051) 316 6909
Fax: +55 (51) 319 1568
E-mail: cridrisi@ecologia.ufrgs.br
http://www.ecologia.ufrgs.br/~cridrisi

Eastman, J. R.

IDRISI for Windows: Introduo e Exerccios tutoriais. J. Ronald Eastman. Editores da verso
em portugus, Heinrich Hasenack e Eliseu Weber. Porto Alegre, UFRGS Centro de Recursos
Idrisi, 1998.

240p.: 45 figuras, 10 tabelas

Palavras-chave: 1. Sistemas de informao geogrfica; 2. Geoprocessamento; 3. GIS; 4. SIG;


I. Eastman, J.R. II. Ttulo

Todos os direitos reservados. Reproduo, mesmo parcial, proibida sob qualquer forma ou meio, sem
autorizao por escrito do editor.

IMPRESSO NO BRASIL
PRINTED IN BRAZIL

Centro de Recursos Idrisi, Brasil


Introduo 3

O software descrito neste documento fornecido sob licena e pode ser usado ou copiado somente de
acordo com os termos desta licena (veja os termos da licena no Guia de instalao). O IDRISI
pretende ser basicamente um veculo de baixo custo para o ensino e a pesquisa acadmica. Em
conformidade com esta inteno, um grande nmero de licenas para pesquisa, acadmicas e para
estudantes j esto disponveis.

GARANTIA
Este software vendido tal qual e a informao contida neste manual est sujeita a modificaes sem
prvia notificao. Alm disso, a Graduate School of Geography da Clark University no assume
responsabilidade por quaisquer erros que possam aparecer neste documento ou no software que ele
descreve.

A Graduate School of Geography da Clark University d uma garantia pelo perodo de 30 dias a partir
da data da compra sobre os disquetes ou CD-ROM atravs dos quais este software distribudo de que
eles esto livres de defeitos no material ou na mo-de-obra. No caso de notificao e devoluo dos
disquetes ou CD-ROM defeituosos no perodo de garantia, a Graduate School of Geography da Clark
University os substitui. Em nenhuma outra circunstncia haver reposio ou devoluo.

A GRADUATE SCHOOL OF GEOGRAPHY - CLARK UNIVERSITY DESCONSIDERA


QUALQUER OUTRA GARANTIA EXPLCITA OU IMPLCITA, INCLUINDO MAS NO
LIMITADA A GARANTIAS IMPLCITAS DE MERCABILIDADE E AJUSTE PARA FINS
PARTICULARES, COM RELAO A DEFEITOS NOS DISQUETES E/OU NA DOCUMENTAO,
E A LICENA DO PROGRAMA CONCEDIDA AQUI EM PARTICULAR E SEM OPERAO
LIMITANTE DO PROGRAMA LICENCIADO. COM RESPEITO A QUALQUER APLICAO, USO
OU PROPSITO PARTICULAR. EM NENHUM CASO A GRADUATE SCHOOL OF GEOGRAPHY
- CLARK UNIVERSITY DEVE SER RESPONSVEL POR QUALQUER PERDA DE LUCRO OU
QUALQUER OUTRO DANO COMERCIAL, INCLUINDO E NO RESTRINGINDO-SE APENAS A
DANOS ESPECIAIS, ACIDENTAIS, CONSEQENTES OU OUTROS PREJUZOS.

MARCA REGISTRADA
O Windows uma marca registrada da Microsoft Corporation. Todos os outros nomes mencionados
neste volume podem ser marcas registradas ou marcas registradas em suas respectivas companhias e
recebem aqui os nossos agradecimentos.

GRATOS POR ADQUIRIREM O IDRISI FOR WINDOWS


Bem vindo verso 2.0 do Sistema de Anlise Geogrfica IDRISI for Windows.

Veja no Guia de instalao uma lista dos contedos do pacote bem como os termos da licena.

O seu carto de registro includo nestes materiais deve ser preenchido e enviado de volta ao nosso
escritrio. Ele assegurar a voc o envio da revista bi-anual do IDRISI e de informao sobre
atualizaes.

Aps findos seus 60 dias de assistncia tcnica gratuita, sugerimos que voc faa um contrato de
assistncia tcnica. Um formulrio do contrato de assistncia tcnica acompanha seu software. Quando
necessitar assistncia tcnica, por favor fique com o nmero de srie de sua licena mo, uma vez que
a Clark University no fornece servio sem este nmero.

Ns do projeto IDRISI esperamos satisfaz-lo com este software. Sugestes que vocs tenham para
desenvolvimento futuro so sempre bem vindas.
A CAPA DO MANUAL

A rvore apresentada na capa do Manual do usurio do IDRISI for Windows parte de uma fotografia
area de um sistema fluvial na Tanznia. rvores individuais nesta foto compreendem o que aparenta
serem folhas, enquanto o padro de drenagem forma os galhos e o tronco. A colocao da rvore do
IDRISI como uma janela sob forma de vitral anuncia o lanamento do IDRISI for Windows.

Contatos com o Projeto IDRISI

Para contactar o projeto IDRISI o endereo :

The IDRISI Project


The Clark Labs for Cartographic
Technology and Geographic Analysis
Clark University
950, Main Street
Worcester, MA 01610-1477
USA

Para contatos por telefone, fax ou correio eletrnico, ou para visitar-nos na Internet:

Vendas e solicitaes em geral (1) 508-793-7526


Assistncia tcnica (1) 508-793-7528
Fax (1) 508-793-8842
Bitnet Idrisi@clarku
Internet Idrisi@vax.clarku.edu
Web site www.idrisi.clarku.edu

Nosso horrio de funcionamento vai das 9h s 17h no horrio da Costa Atlntica dos Estados Unidos (-5
horas GMT no inverno e -4 horas GMT no vero) de segundas a sextas-feiras. As mensagens fora deste
horrio so recebidas por secretria eletrnica.

Agradecimentos
Este produto resultado do esforo coletivo de um time de profissionais srios. O software e a
documentao foram concebidos e definidos por Ron Eastman. O time de programadores foi composto
por Ron Eastman, Tammy Woodard, Diane Denner, Jim Hagan, Hong Jiang e Kristin Schneider. O time
de documentao foi composto por Ron Eastman, Michele Fulk, Laurie Canavan, Karen Lehrach, Chris
Allen e Kelly Davis. O sistema de Ajuda foi desenvolvido por Laurie Canavan. O design grfico foi feito
por Anne Gibson. O desenvolvimento de novos exerccios tutoriais e a converso dos exerccios
existentes foi feito por Ron Eastman, Michele Fulk, John Auble, Kevin St. Martin e Gary Votour. Testes
locais foram coordenados por James Toledano com contribuio substancial de Stephanie Hulina,
Mahadevan Ramachandran, Maggie Robertson, Mathilde Snel, Assaf Anyamba, Rhonda Davis, Nick
Haan, Sandra Johnson, Dmitry Varlyguin, Amadou Thiam, Sarah Williams e Rita Young.

Os laboratrios da Clark University


O projeto IDRISI uma das vrias atividades de Clark Labs for Cartographic Technology and
Analysis, um dos quatro centros localizados no George Perkins Marsh Institute da Graduate School of
Geography na Clark University. Em 1 de maio de 1997, a equipe do Clark Labs era composta pelas
seguintes pessoas:
Centro de Recursos Idrisi, Brasil
Introduo 5

Anne Gibson (USA), Gerente do laboratrio de cartografia


Assaf Anyamba (Qunia), Pesquisador associado
Chris Allen (USA), Analista de assistncia tcnica
Diane Denner (USA), Programador
Garry Votour (USA), Analista de assitncia tcnica
Hong Jiang (China), Analista de pesquisa
James Toledano (USA), Diretor assistente para o desenvolvimento de produtos
Jessica Hilyard (USA) , Assistente de servio ao cliente
Jim Hagan (USA), Programador
John Auble (USA), Pesquisador associado Senior
Karen Lehrach (USA), Vice-coordenadora dos Centros de Recursos/especialista de servio ao cliente
Kelly Davis (USA), Coordenador de marketing e de produo
Kelly Harvey (USA), Servio ao cliente e agente de arquivo
Kevin St. Martin (USA), Coordenador dos Centros de Recursos
Korey Darling (USA), Assistente estudante de servio ao cliente
Kristin Schneider (USA), Analista de pesquisa
Laurie Canavan (USA), Diretor assistente de operaes
Maggie Parry (USA), Assistente de pesquisa K-12
Maggie Robertson (USA), Especialista em assistncia tcnica
Mahadevan Ramachandran (ndia), Pesquisador associado
Marianna Pavlovskaya (Rssia), Assistente de pesquisa
Mathilde Snel (Holanda), Vice-coordenador de treinamento
Michele Fulk (USA), Diretor assistente para programas
Nancie Consolie (USA), Assistente de servio ao cliente
Nick Haan (USA), Vice-coordenador de treinamento
Rita Young (USA), Assistente de servio ao cliente
Rhonda Davis (USA), Testes
Ron Eastman (Canad), Diretor/programador
Sandra Johnson (USA), Testes
Sarah Williams (USA), Assistente de servio ao cliente estudante
Srinivas Emani (ndia), Pesquisador associado
Stephanie Hulina (USA), Assistente de pesquisa
Stephanie Wood (USA), Assistente de pesquisa
Tammy Woodard (USA), Programadora/gerente do laboratrio de desenvolvimento de sistemas
Thomas Gabrielle (USA), Analista de sistemas de informao
Ying Li (China), Assistente de pesquisa
Yelena Ogneva-Himmelberger (Rssia), Assistente de pesquisa

Os Centros de Recursos IDRISI


ustria
Salzburg University
Dept. of Geography, Hellbrunnerstrasse 34, A-5020 Salzburg
Contato: Drs. Josef Strobl, Eric J. Lorup
Email:Idrisi@geo.sbg.ac.at http://www.edvz.sbg.ac.at/geo/idrisi/irchome/htm
Fax: (+43) 662 8044 525

Brasil
Universidade Federal do Rio Grande do Sul
Centro de Ecologia, Caixa Postal 15.007, 91.501-970 Porto Alegre
Contato: MSc Heinrich Hasenack, MSc Eliseu Weber
Email: cridrisi@ecologia.ufrgs.br
http://www.ecologia.ufrgs.br/idrisi
Fax: (+55) 51 319 1568
China
Beijing Normal University
College of Resource & Environmental Science, N 19 Xinjieikouwai St., 100875 Beijing
Contato: Dr. Yang Ming Chuan, Dr. Peng Wanglu, Dr. Shi Peijun
Email: idrisi@ns.bnu.edu.cn
Fax: (+86) 10 6220 0667

Costa Rica
Universidad Nacional
Escuela de Ciencias Geogrficas
Email: robinson@irazu.una.ac.cr
http://www.una.ac.cr/geog/Isigae/frames/irc_cr/index.html
Fax: (+506) 261 0028

Eslovquia
(administrado em conjunto com o centro de recursos da Repblica Tcheca)
Technicka Univerzita vo Zvolene Lesnicka Fakulta
Email: tucek@vsld.tuzvo.sk
Fax: (+42) 855 22654

Espanha
Universitat de Girona
Servei de SIG, Place Ferrater Mora, 1, 17071 Girona
Contato: Mr. David Comas, Ms. Irene Compte
Email: idrisi@skywalker.udg.es
http://www.sigte.udg.es
Fax: (+34) 72 418230

administrado em conjunto com

Universidad de Alcal
Departamento de Geografa, C/. Colegios, 2, Alcal
Contato: Dr. Emilio Chuvieco, Dr. Javier Salas
Email: ggecs@geogra.alcala.es

Hungria
University of Sopron
College of Surveying & Land Managment, P.O . Box 52, Pirosalma u. 1-3, H-8000 Szek-esfehervar
Contato: Dr. Bela Markus, Mr. Andras Dioszegi
Email:mb@geo.cslm.hu
http://geo.cslm.hu/geoinfo.idrisi.htm
Fax: (+36) 22 327 697

Polnia
Jagiellonian University
Institute of Geography
GIS laboratory
31-044, Krakow
Email: jkosak@arsenal.geo.uj.edu.pl

Reino Unido
Manchester Metropolitan University
Dept. of Environmental & Geographic Sciences, John Dalton Building, Chester St., M15GD Manchester
Contato: Dr. Ian Heywood, Mr. Bruce Carlisle, Mr. Bruce Carlisle, Mr. Simon Kenton
Email: idrisi@mmu.ac.uk
http://ehlana.mmu.ac.uk/docs/Idrisi/index.html
Fax: (+44) 0161 247 6344

Centro de Recursos Idrisi, Brasil


Introduo 7

Repblica Tcheca
(administrado em conjunto com o centro de recursos da Eslovquia)
Mendel University of Agriculture and Forestry
Dept. of Geomatics
Email: idrisi@mendelu.cz
Fax: (+42) 5 4521 1422

Rssia
Russian Academy of Sciences
Institute of Geography
Coastal Systems Laboratory, Staromonetny per. 29, 109017 Moscow
Contato: Dr. Anatoly Mandych, Mr. Andrei Ptichnikov
Email: idrisi.rc@g23.relcom.ru
Fax: (+7) 095 487 6301

Sua
cole Polytechnique Fdrale de Lausanne
Chaire de Systmes dInformation Rfrence Spatiale
GR-Ecublens, CH-1015, Lausanne
Contato: Dr. Guillemette Willemin
Email:Guillemette. Willemin@dgr.epfl.ch
http://dgrwww.epfl.ch/sirs/documents/idrisi_fr.html
Fax: (+41) 21 693 57 40

administrado em conjunto com

University of Fribourg
Dept. of Geography, Perolles, Fribourg
Contato: Dr. Claude Collet
Email: Claude.Collet@unifr.ch
Fax: (+41) 37 29 97 46

Nota especial
O corpo deste material dedicado a uma srie de tpicos avanados. O tratamento dado aqui
necessariamente mais acadmico e temos tentado oferecer a voc um conjunto genrico de referncias
para estabelecer o contexto adequado pesquisa. Caso seja iniciante em SIG, voc poder achar estes
materiais um tanto desafiadores. Entretanto, a maior parte dos temas cobertos tornar-se-o muito
significativos quando voc tiver adquirido uma maior familiaridade no uso de SIG como ferramenta de
desenvolvimento de bancos de dados analticos e espaciais. Como sempre, os comentrios sobre este
produto e a respeito da direo de nossa pesquisa so bem vindos. Esperamos que o sistema IDRISI for
Windows represente um acrscimo produtivo ao seu conjunto de ferramentas para a explorao e o
gerenciamento de fenmenos geogrficos.
Centro de Recursos Idrisi, Brasil
Introduo 9

Prefcio

com satisfao que apresentamos a voc a traduo da Introduo do Manual do usurio e dos
Exerccios tutoriais introdutrios e Exerccios tutoriais avanados do IDRISI for Windows v.2.0.
Sempre no intuito de acompanhar a evoluo do software, o Centro de Recursos Idrisi sente-se
gratificado pela crescente procura do material em portugus. Isto deve-se ao aumento do nmero de
usurios de geoprocessamento em pases de lngua portuguesa mas tambm evidencia o quanto
importante haver material disponvel na lngua me, possibilitando aplicaes mais efetivas aos
propsitos de seu idealizador, o professor Ron Eastman: o ensino e a pesquisa de geoprocessamento de
qualidade e com preos acessveis.
A incluso da introduo do manual do usurio deve-se em grande parte s solicitaes daqueles que j
fizeram uso dos Exerccios tutoriais da verso 1.0, para que estes fossem acompanhados de alguns
conceitos bsicos de geoprocessamento. A bibliografia em portugus tambm no muito ampla.
Muito interessantes sobretudo so os Exerccios tutoriais avanados. Atravs deles possvel avanar
sobre temas bastante novos na rea do geoprocessamento. Os conceitos existem h algum tempo, mas
sua implementao como mdulos de programa pioneira no IDRISI.
Os nomes originais dos arquivos foram mantidos no texto traduzido para no criar confuso com relao
a verses do programa e, em especial, de dados dos exerccios. importante lembrar tambm que no
texto em portugus o separador decimal a vrgula, mas ao introduzir dados no IDRISI o separador
decimal a usar deve ser o ponto.
Esperamos satisfazer a comunidade usuria desta ferramenta desejando a todos bons frutos em seu
trabalho. Continuem a nos estimular, contactando-nos sobre dvidas e trazendo-nos sugestes. O Centro
de Recursos Idrisi para os pases de lngua portuguesa procurar atend-los da melhor maneira possvel.

Cordialmente,

Heinrich Hasenack
Eliseu Weber

Editores
Centro de Recursos Idrisi, Brasil
ndice

INTRODUO 1

O PROJETO IDRISI 1
ESTRUTURA DO MANUAL DO IDRISI FOR WINDOWS 2

INTRODUO A SISTEMAS DE INFORMAO GEOGRFICA (SIG) 4

DEFINIO DE SIG 4
COMPONENTES DE UM SIG 5
BANCO DE DADOS ESPACIAL E DE ATRIBUTOS 5
SISTEMA DE VISUALIZAO CARTOGRFICA 5
SISTEMA DE DIGITALIZAO DE MAPAS 5
SISTEMA DE GERENCIAMENTO DE BANCO DE DADOS 6
SISTEMA DE ANLISE GEOGRFICA 7
SISTEMA DE PROCESSAMENTO DE IMAGENS 8
SISTEMA DE ANLISE ESTATSTICA 8
SISTEMA DE APOIO DECISO 8
REPRESENTAO DE DADOS EM MAPAS 8
VETORIAL 8
RASTER 9
RASTER VERSUS VETORIAL 10
CONCEITOS GEOGRFICOS DE BANCO DE DADOS 10
ORGANIZAO 10
GEORREFERENCIAMENTO 12
ANLISE EM SIG 12
FERRAMENTAS ANALTICAS 12
OPERAES ANALTICAS 16

INTRODUO AO SENSORIAMENTO REMOTO E AO


PROCESSAMENTO DE IMAGENS 18

DEFINIO 18
CONSIDERAES FUNDAMENTAIS 19
FONTE DE ENERGIA 19
Centro de Recursos Idrisi, Brasil
2 IDRISI for Windows - Manual do usurio

COMPRIMENTO DE ONDA 19
MECANISMOS DE INTERAO 20
PADRES DE RESPOSTA ESPECTRAL 21
SENSORIAMENTO REMOTO MULTIESPECTRAL 23
SISTEMAS DE SENSORES MULTIESPECTRAIS 24
SISTEMAS PLATAFORMA/SENSOR 26
FOTOGRAFIA AREA 26
SISTEMAS DE SATLITES 27
GEORREFERENCIAMENTO DE IMAGENS E FOTOGRAMETRIA 29
PROCESSAMENTO DIGITAL DE IMAGENS 29
CORREO DE IMAGENS 30
REALCE DE IMAGENS 31
CLASSIFICAO DE IMAGENS 31
TRANSFORMAO DE IMAGENS 33
CONCLUSES 35

EXERCCIOS TUTORIAIS INTRODUTRIOS 35

1. O AMBIENTE DO IDRISI FOR WINDOWS 37

2. O SISTEMA DE VISUALIZAO 41

CONHECENDO AS IMAGENS DISPONVEIS: LIST E DESCRIBE 41


VISUALIZAO BSICA DE IMAGEM: LANADOR DE VISUALIZAO 42
UMA INTRODUO COMPOSIO DE MAPAS 43
TABELAS DE CORES 43
LEGENDAS 45
DIMENSIONANDO A LEGENDA E A MOLDURA DO MAPA 45
FATORES DE EXPANSO / ZOOM / JANELA 46
OUTROS ELEMENTOS INTERATIVOS DE VISUALIZAO 47
VISUALIZAO DE VETOR BSICO 48
VISUALIZAO DE RELEVO EM PERSPECTIVA E IMAGENS DE COBERTURA 49
PREFERNCIAS DE VISUALIZAO 50

3. COMPOSIO DE MAPAS 53

4. TABELAS DE CORES, SMBOLOS E AUTOESCALONAMENTO 57

OFICINA DE TABELAS DE CORES 57


OFICINA DE SMBOLOS 59
CRIANDO PLANOS DE TEXTO E ARQUIVOS DE SMBOLOS DE TEXTO 59
AUTOESCALONAMENTO 62

INTRODUO MODELAGEM CARTOGRFICA 65

Centro de Recursos Idrisi, Brasil


Introduo 3

5. CONSULTA AO BANCO DE DADOS 67

6. OPERADORES DE DISTNCIA E DE CONTEXTO 79

7. AUTOMAO DE ANLISES COM MACROS 85

8. DISTNCIAS DE CUSTO E CAMINHOS DE MENOR CUSTO 89

9. LGEBRA COM MAPAS 105

10. OFICINA DE BANCO DE DADOS 104

PARTE 1: EXPLORAO DOS DADOS 105


PARTE 2: CONSULTA AO BANCO DE DADOS POR LOCALIZAO 106
PARTE 3: VISUALIZAO DE ATRIBUTOS DO BANCO DE DADOS 107
PARTE 4: CONSULTA AO BANCO DE DADOS POR ATRIBUTO - FILTRO 109
PARTE 5: LGEBRA COM MAPAS - CALCULAR 110

11. EXPLORAO DE IMAGENS 115

12. CLASSIFICAO SUPERVISIONADA 131

13. ANLISE DE COMPONENTES PRINCIPAIS 130

14. CLASSIFICAO NO SUPERVISIONADA 133

15. GEORREFERENCIAMENTO DE IMAGENS USANDO REAMOSTRAGEM 136

16. BASES DE DADOS CARTOGRFICOS DIGITAIS 144

17. ALTERAO DO SISTEMA DE REFERNCIA COM PROJECT 148


4 IDRISI for Windows - Manual do usurio

EXERCCIOS TUTORIAIS AVANADOS 151

1. TEOREMA DE BAYES E CLASSIFICAO POR MXIMA


VEROSSIMILHANA 152

2. DESENVOLVIMENTO DE ASSINATURAS FUZZY 155

3. CLASSIFICADORES RELATIVOS I: BAYCLASS 159

4. DISCRETIZADORES 162

5. CLASSIFICADORES RELATIVOS II: BELCLASS 164

6. DEMPSTER-SHAFER MODIFICADO 166

7. ANLISE DE VEGETAO EM AMBIENTES RIDOS 169

8. AVALIAO POR CRITRIOS MLTIPLOS -- ANLISE BOOLEANA 174

DESENVOLVIMENTO DE DADOS E CRITRIOS 175


MCE USANDO OPERADORES BOOLEANOS 179

9. AVALIAO POR CRITRIOS MLTIPLOS -- COMBINAO LINEAR


PONDERADA 183

10. AVALIAO POR CRITRIOS MLTIPLOS -- MDIA PONDERADA


ORDENADA 191

11. TOMADA DE DECISO COM OBJETIVOS MLTIPLOS 199

12. MODELAGEM DE PESO DE EVIDNCIA COM BELIEF 202

Centro de Recursos Idrisi, Brasil


Introduo 5

13. INCERTEZA NO BANCO DE DADOS E RISCO NA DECISO 209

14. REGRESSO MLTIPLA EM SIG 213

15. VARIVEIS DICOTMICAS E REGRESSO LOGSTICA 218


INTRODUO

O Projeto IDRISI
O IDRISI1 um sistema de informao geogrfica e um software para processamento de imagens
desenvolvido pela Graduate School of Geography da Clark University. Ele foi projetado para ser um
instrumento para pesquisa geogrfica profissional baseado no baixo custo e sem fins lucrativos. Desde
sua introduo em 1987, o IDRISI vem crescendo e se tornando o SIG raster e de processamento de
imagens para microcomputadores de maior difuso no mercado. Este sistema vem sendo usado em cerca
de 120 pases em todo o mundo em uma ampla gama de pesquisas, em rgos pblicos, no planejamento
local, como fonte de gerenciamento e em instituies educacionais. Hoje o IDRISI sustentado por uma
equipe dedicada em tempo integral ao seu desenvolvimento, ao apoio tcnico e ao atendimento ao
usurio profissional, nos Clark Labs for Cartographic Technology and Geographic Analysis, George
Perkins Marsh Institute, Clark University.

Durante seu desenvolvimento inicial, houve apoio parcial do Programa das Naes Unidas para o Meio
Ambiente - Banco de Dados sobre Recursos Globais (UNEP-GRID), do Instituto das Naes Unidas para
Treinamento e Pesquisa (UNITAR) e da Agncia para Desenvolvimento Internacional dos Estados
Unidos (USAID). Hoje, todo o apoio vem da venda do software, mas relaes estreitas com estas e outras
agncias de desenvolvimento ainda so mantidas, na tentativa de prover um custo acessvel aos
instrumentos de anlise geogrfica.

O IDRISI lder na funcionalidade analtica raster, cobrindo todo o espectro de necessidades de SIG e
de sensoriamento remoto, desde consulta a banco de dados e modelagem espacial at realce e
classificao de imagens. Facilidades especiais esto includas para monitoramento ambiental e
gerenciamento de recursos naturais, incluindo anlise de sries temporais/mudanas, apoio deciso por
critrios mltiplos e por objetivos mltiplos; anlise de incerteza (incluindo anlises Bayesianas,
Dempster Shafer e de conjuntos fuzzy) e modelagem de simulao (incluindo modelagem de fora e
anlise de atrito anisotrpico). Apesar da natureza altamente sofisticada destas funes, o sistema
muito fcil de usar.

Hoje, o IDRISI est disponvel nas verses para MS-DOS e Windows2. Embora as duas verses sejam
muito similares em sua funcionalidade analtica, o IDRISI for Windows oferece amplos recursos de
anlise em Bancos de dados. Este manual descreve a verso 2.0 for Windows. O IDRISI for Windows
consiste de uma programa de interface principal (contendo o menu e o sistema de barra de ferramentas)
e uma coleo de mais de 150 mdulos de programas que oferecem funes para a entrada, a exibio e
a anlise de dados geogrficos. Veja o captulo Mdulos do IDRISI for Windows para uma viso geral
da estrutura de menus e uma listagem de todos os mdulos e suas capacidades. Informaes detalhadas
sobre cada mdulo, assim como uma variedade de outras informaes tcnicas, podem ser encontradas
no Sistema de ajuda on-line.

1
IDRISI uma marca registrada da Clark University
2
MS-DOS e Windows so marcas registradas da Microsoft Coorporation

Centro de Recursos Idrisi, Brasil


2 IDRISI for Windows - Manual do usurio

Estrutura do Manual do IDRISI for Windows


A instalao do sistema de software IDRISI for Windows est descrita em detalhes em um Guia de
Instalao que vem em separado. Uma vez instalado, a mais rpida introduo ao IDRISI for Windows
pode ser feita com os Exerccios Tutoriais. Em paralelo ao trabalho de exerccios voc deveria ler o
restante do manual (especialmente a seo FUNDAMENTOS DO SISTEMA).

A INTRODUO deste manual contm uma viso geral do IDRISI for Windows, Sistemas de
Informao Geogrfica, sensoriamento remoto e processamento de imagens.

A parte de FUNDAMENTOS DO SISTEMA, como denominada a parte introdutria deste programa,


fornece instrues especficas quanto ao uso do IDRISI for Windows e oferece um resumo de toda a
estrutura dos menus. O captulo Uso do IDRISI for Windows especialmente importante, uma vez que
descreve a natureza do uso da interface, a estrutura do IDRISI for Windows em arquivos de dados e
edies relacionadas exibio de dados geogrficos. O captulo Mdulos do IDRISI for Windows d
um resumo das suas habilidades e usos mais comuns. Este captulo tambm resume a lgica da estrutura
dos menus. A Oficina de banco de dados um captulo que descreve o sistema de gerenciamento de
banco de dados, dando informao detalhada em todas as suas funes, incluindo a possibilidade de
ligar-se o banco de dados a um mapa e sua habilidade de usar uma linguagem estruturada.

A seo TPICOS ESPECIAIS contm informaes sobre uma srie de tpicos especficos. O captulo
de georreferenciamento especialmente importante, j que muitos projetos de utilizao de SIG e
processamento de imagens requerem georreferenciamento para um sistema geodsico e integrao de
dados com mapeamento de governos locais e nacionais. O captulo que se refere a Apoio deciso ser
de particular interesse para aqueles envolvidos com a distribuio de recursos e com o planejamento. Ele
cobre os procedimentos especficos solicitados para experimentar critrios mltiplos/anlise por
objetivos mltiplos, assim como tomada de deciso na presena de incerteza. O captulo relacionado
Anlise de sries temporais/mudana trata de um aumento importante no conjunto de instrumentos
para o monitoramento ambiental. Alguns tpicos incluem comparaes, procedimentos para distinguir
uma mudana real da variabilidade natural, perfil temporal e sries temporais atravs de anlise de
componentes principais. No captulo sobre Anlise anisotrpica de custo faz-se uma breve discusso dos
procedimentos abordados na seo FUNDAMENTOS DO SISTEMA para considerar o caso dos atritos
e foras (isto , foras e atritos que atuam de forma distinta em diferentes direes). Estas ferramentas
so experimentais, mas oferecem oportunidades para a modelagem de fenmenos dinmicos como o
fluxo de gua subterrnea, o deslocamento do fogo nas florestas, o derramamento de leo e assim por
diante. No captulo de Produo cartogrfica, uma considerao especial feita aos procedimentos de
produo cartogrfica e acerca do trabalho de pr-impresso. O captulo Criao de macros
especialmente til para aqueles que repetidamente usam seqncias de comandos. A macro um
procedimento que pode ser chamado para recriar uma seqncia. Este captulo contm informaes
sobre a estrutura do arquivo macro, a criao e a execuo de comandos macro.

Os Exerccios tutoriais so destinados ao aprendizado do IDRISI for Windows, dos instrumentos bsicos
usados em SIG e no processamento de imagens. Eles foram desenhados em formato adequado para sala
de aula, assim como para a instruo auto-didtica. Temos literalmente milhares de usurios que tm
aprendido os conceitos bsicos de SIG por meio destes exerccios.

A seo Apndices contm informao detalhada dos tpicos apresentados nos captulos preliminares.
Os mais importantes so aqueles com as tabelas contendo as constantes usadas para transformao entre
datums de mapas (sim, em geodsia, o plural de datum datums, e no data). Nesta seo voc tambm
encontrar o Glossrio.

Como parte adicional do volume impresso, o IDRISI for Windows tambm possui um Sistema de ajuda
on-line. Isto no duplica a informao contida no Manual do usurio, mas funciona como um
suplemento muito importante dele. Especificamente, o sistema de ajuda contm informao detalhada
sobre o uso de cada mdulo do IDRISI. Isto inclui informao sobre operaes, notas especiais,
explicaes sobre erros e assim por diante. Para cada finalidade, o mdulo tem um boto que pode ser

Centro de Recursos Idrisi, Brasil


Introduo 3

acionado para obter-se ajuda para o mdulo desejado. O sistema de ajuda tambm pode ser acessado
acionando o item respectivo no menu de ajuda. Voc encontrar uma lista geral dos contedos, bem
como uma palavra-chave para a busca de funes. O sistema de ajuda tambm contm um glossrio
bsico assim como os fundamentos de como operar o sistema.
Introduo a Sistemas de Informao
Geogrfica (SIG)
A tecnologia SIG tem tido um enorme impacto em virtualmente todos os campos que gerenciam e
analisam dados espacialmente distribudos. Para aqueles que no esto familiarizados com a tecnologia
fcil v-la como uma caixa mgica. A velocidade, consistncia e preciso com a qual ela opera
realmente impressionante e difcil resistir sua forte caracterstica grfica. Entretanto, para analistas
experimentados, a filosofia de SIG muito diferente, pois com a experincia o SIG torna-se uma simples
extenso do pensamento analtico. O sistema no tem respostas inerentes, apenas aquelas do analista.
somente uma ferramenta, assim como a estatstica uma ferramenta. uma ferramenta para pensar.

Investir em SIG requer mais que um investimento em hardware e software. De fato, em muitos
momentos este o ltimo item a se pensar. A maioria das pessoas lembra tambm que um investimento
substancial necessita ser direcionado para o desenvolvimento da base de dados. Entretanto, um dos
investimentos menos considerados, embora dos mais importantes, relaciona-se aos analistas que iro
usar o sistema. O sistema e o analista no podem ser separados -- um simplesmente uma extenso para
o outro. Alm disso, o processo de incorporao de um SIG em uma instituio requer um investimento
em educao e treinamento a longo prazo e envolvendo toda a organizao.

Em muitos casos aprender SIG envolve aprender a pensar -- aprender a pensar sobre padres, sobre
espao e sobre processos que atuam no espao. Como voc aprendeu sobre procedimentos especficos,
eles iro frequentemente ser encontrados no contexto de exemplos especficos. Eles tambm
frequentemente tero nomes que sugerem sua aplicao tpica. Mas ateno, resista tentao de
categorizar essas rotinas. A maioria dos procedimentos tem aplicaes muito mais gerais e pode ser
usada de muitas formas novas e inesperadas. Explore! Desafie o que voc v! O que voc aprender vai
muito alm do que este ou qualquer pacote de software pode oferecer.

Definio de SIG
Um SIG um sistema auxiliado por computador para a aquisio, armanezamento, anlise e
visualizao de dados geogrficos. Atualmente uma variedade de ferramentas de software est disponvel
para auxiliar nesta atividade, muitas das quais definem a si prprias como um SIG. Entretanto, elas
podem diferir significativamente umas das outras, em parte pela maneira como representam e trabalham
com dados geogrficos, em parte pela nfase dada s vrias operaes. Neste captulo estudaremos estas
diferenas para entender as caractersticas especiais do sistema IDRISI for Windows.
Introduo a sistemas de informao geogrfica (SIG) 5

Componentes de um SIG
Embora imaginemos um SIG como uma pea de software nica, ele composto de uma variedade de
elementos distintos. A figura 2-1 d uma viso geral dos componentes encontrados num SIG. Nem todos
os sistemas tm todos esses elementos, mas para ser um verdadeiro SIG, um grupo essencial deve estar
presente.

Banco de dados espacial e de atributos


No centro do sistema est o banco de dados -- uma coleo de mapas e informaes associadas na forma
digital. Como o banco de dados trata feies da superfcie terrestre, ele compreende dois elementos -- um
banco de dados espacial descrevendo a geografia (forma e posio) das feies e um banco de dados de
atributos descrevendo as caractersticas ou qualidades dessas feies. Podemos, por exemplo, ter uma
propriedade rural definida no banco de dados espacial e qualidades como seu uso do solo, proprietrio,
avaliao e outros no banco de dados de atributos.

Em alguns sistemas, os bancos de dados espacial e de atributos so rigidamente separados um do outro,


enquanto em outros esto integrados em uma nica entidade -- por isso a linha se estendendo apenas
meio caminho atravs do crculo central da figura 2-1. O IDRISI for Windows do tipo que integra estes
dois componentes em um. Entretanto, ele tambm oferece a opo de manter separados alguns elementos
do banco de dados de atributos. Isto ser explorado mais adiante quando examinarmos tcnicas para a
representao digital de dados de mapas.

Sistema de visualizao cartogrfica


Circundando o banco de dados central temos uma srie de componentes de software. O mais bsico deles
o sistema de visualizao cartogrfica. O sistema de visualizao cartogrfica permite, a partir de
elementos selecionados do banco de dados, produzir mapas de sada na tela ou em alguns dispositivos de
sada em meio slido como uma impressora ou plotter. A variao de possibilidades de produo
cartogrfica entre software SIG bastante grande. A maioria oferece apenas uma sada cartogrfica
muito bsica, e recomenda o uso de software de editorao de alta qualidade para satisfazer necessidades
de produo mais sofisticadas, como a separao de cores.

O IDRISI for Windows permite composio cartogrfica na tela altamente interativa e flexvel, incluindo
a especificao de mltiplos planos de dados, o dimensionamento e posicionamento de elementos do
mapa como titulo, texto, barra de escala, imagens secundrias e outros, bem como configuraes de
smbolos e cores. As composies de mapa do IDRISI for Windows podem ser gravadas para
visualizao posterior, impressas em dispositivos compatveis com Windows e exportadas em vrios
formatos desktop publishing comuns.

Sistemas de software que oferecem apenas a possibilidade de acessar e visualizar elementos de um banco
de dados so freqentemente citados como Atlas eletrnicos.

Sistema de digitalizao de mapas


Aps a visualizao cartogrfica, o prximo elemento mais essencial o sistema de digitalizao de
mapas. Com um sistema de digitalizao de mapas pode-se converter mapas existentes em papel para
uma forma digital, desenvolvendo mais o banco de dados. No mtodo de digitalizao mais comum o
mapa em papel fixado sobre uma mesa digitalizadora, traando-se depois as feies de interesse com
um cursor, de acordo com os procedimentos exigidos pelo software. Muitos sistemas de digitalizao de
mapas tambm permitem alguma edio dos dados digitalizados. Existem vrios pacotes de software de
digitalizao independentes que so compatveis com o formato do IDRISI.

Os scanners tambm podem ser usados para digitalizar dados, como fotografias areas, por exemplo. O
resultado uma imagem grfica, ao contrrio das linhas de contorno de feies que so criadas com uma
6 IDRISI for Windows - Manual do usurio

mesa digitalizadora. O software para escanear normalmente oferece aos usurios uma variedade de
formatos padro de arquivos grficos para exportao. Estes arquivos podem ser importados para um
SIG. O IDRISI for Windows permite a entrada de formatos de arquivos grficos TIF e BMP.

Os software do tipo Computer Assisted Design (CAD) e Coordinate Geometry (COGO) so dois
exemplos de programas que possibilitam adicionar informao digitalizada de mapas ao banco de dados,
alm de oferecerem possibilidades de visualizao cartogrfica.

Imagens

Sistema de
processamento
de imagens
Relatrios
Mapas estatsticos

Sistema de
Sistema de
anlise
digitalizao
estatstica
de mapas

Banco de Banco de
dados dados de
espacial atributos
Sistema de Sistema de
anlise gerencia-
geogrfica mento de
banco de
dados Base
de dados
tabular
Sistema de
visualizao
cartogrfica

Mapas

Figura 2-1. Componentes de um SIG

Sistema de gerenciamento de banco de dados


O prximo componente lgico de um SIG um sistema de gerenciamento de banco de dados (SGBD).
Tradicionalmente, este termo se refere a um tipo de software que usado para entrada, gerenciamento e
anlise de dados de atributo. Ele tambm usado neste sentido aqui, embora necessitemos reconhecer
que tambm se faz necessrio o gerenciamento de dados espaciais. Assim, um SIG usualmente incorpora
no apenas um SGBD tradicional, mas tambm uma variedade de utilitrios para gerenciar os
componentes espaciais e de atributos dos dados geogrficos armanezados.

Centro de Recursos Idrisi, Brasil


Introduo a sistemas de informao geogrfica (SIG) 7

Com um SGBD, possvel introduzir dados de atributo como informao tabular e estatstica e
subseqentemente extrair tabulaes especializadas e sumrios estatsticos para gerar novos relatrios
tabulares. Entretanto, mais importante o fato de que um sistema de gerenciamento de banco de dados
nos permite analisar dados de atributo. Muitas anlises de mapas no tm um componente espacial
verdadeiro, e para elas um SGBD freqentemente funciona muito bem. Por exemplo, podemos solicitar
ao sistema para encontrar todas as parcelas onde o chefe de famlia solteiro, mas com uma ou mais
crianas dependentes, e produzir um mapa com o resultado. O produto final (um mapa) certamente
espacial, mas a anlise em si no tem qualidades espaciais. Dessa forma, as setas duplas entre o SGBD e
o banco de dados de atributos na figura 2-1 significam essa forma distintamente no espacial de anlise
de dados.

No IDRISI for Windows, um SGBD provido pela Oficina de banco de dados. Um extenso conjunto de
mdulos de programas tambm est disponvel para o gerenciamento de dados espaciais e de atributo.
possvel realizar anlises na Oficina de banco de dados e ento imediatamente aplicar os resultados ao
dado espacial correspondente, visualizando os resultados na forma de um mapa.

Os software que oferecem visualizao cartogrfica, digitalizao de mapas e capacidades de consulta ao


banco de dados so freqentemente chamados de sistemas AM/FM (Automated Mapping and Facilities
Management).

Sistema de anlise geogrfica


At este ponto, descrevemos um conjunto abrangente de funes -- a digitalizao de dados espaciais e a
ligao de atributos s feies armazenadas, a anlise deste dados baseados nestes atributos e a
visualizao dos resultados na forma de mapa. Existe no mercado uma gama de sistemas que tm
exatamente estas possibilidades, muitos dos quais ns denominamos de SIG. Embora estas funes
sejam teis, tal conjunto de funes no constitui necessariamente um SIG. O componente que falta a
possibilidade de analisar dados baseado em suas caractersticas espaciais reais. Para isso necessitamos de
um Sistema de anlise geogrfica.

Com um sistema de anlise geogrfica, ampliamos as possibilidades de consulta a bancos de dados


tradicionais para incluir a possibilidade de analisar dados baseados em sua posio geogrfica. Talvez o
exemplo mais simples disto considerar o que acontece quando estamos envolvidos com a ocorrncia
concomitante de feies com distribuio espacial diferente. Por exemplo, suponha que desejamos
encontrar todas as reas residenciais sobre tipos de rocha associados com altos nveis de gas radnio.
Este um problema que um SGBD tradicional no pode solucionar porque tipos de rocha e divises do
uso do solo no compartilham os mesmos limites geogrficos. As consultas aos SGBD tradicionais
funcionam bem enquanto tratamos de atributos associados s mesmas feies. Quando as feies so
diferentes isso no possvel. Para tal necessitamos um SIG. De fato, a possibilidade de comparar
feies diferentes baseadas em sua ocorrncia espacial comum a marca registrada dos SIG. Esta anlise
realizada pelo processo de overlay (sobreposio), assim denominada por ser idntica em carter
sobreposio de mapas transparentes dos dois tipos de entidades.

Assim como o SGBD, o Sistema de anlise geogrfica visto (Fig. 2-1) como tendo duas formas de
interao com o banco de dados -- o processo distinto analticamente e quanto ao carter. Assim,
enquanto ele acessa dados do banco de dados, ele pode contribuir de modo a oferecer os resultados desta
anlise como um novo acrscimo ao banco de dados. Por exemplo, podemos ter como objetivo
determinar reas que simultaneamente tenham declividades acentuadas e solos suscetveis eroso sob
uso agrcola e denominar o resultado como um mapa de risco de eroso do solo. Este mapa de risco no
existia no banco de dados original, mas foi derivado com base nos dados existentes e num conjunto de
relacionamentos especificados. Assim o potencial analtico de um Sistema de anlise geogrfica e de um
SGBD tm um papel importante em ampliar o banco de dados atravs da adio de conhecimento dos
relacionamentos entre feies.

Enquanto overlay a marca registrada de um SIG, a anlise geogrfica em computador amadureceu


enormemente durante a ltima dcada. Um captulo em separado explorar isso com maior detalhe.
8 IDRISI for Windows - Manual do usurio

Entretanto, por enquanto, estas observaes so suficientes para verificar que este componente
geogrfico distinto que d ao SIG sua identidade. No IDRISI for Windows, estas funes so amplas e
so a razo da criao deste sistema de software.

Sistema de processamento de imagens


Em adio a esses elementos essenciais a um SIG -- um sistema de visualizao cartogrfica, um sistema
de digitalizao de mapas, um sistema de gerenciamento de banco de dados e um sistema de anlise
geogrfica -- alguns sistemas de software incluem tambm a possibilidade de analisar imagens de
sensoriamento remoto e oferecem anlises estatsticas especficas. O IDRISI for Windows um sistema
deste tipo. Software de processamento de imagens permitem tomar uma imagem de sensoriamento
remoto (tal como imagens de satlite LANDSAT ou SPOT) e convert-las em dados interpretados na
forma de mapa de acordo com vrios procedimentos de classificao. O IDRISI for Windows oferece um
amplo conjunto de ferramentas para a interpretao de dados de sensoriamento remoto com o
computador, da maior importncia como tcnica de aquisio de dados, particularmente nos pases em
desenvolvimento.

Sistema de anlise estatstica


Para a anlise estatstica, o IDRISI for Windows oferece procedimentos estatsticos tradicionais como
tambm algumas rotinas especficas para a descrio de dados espaciais, em parte pelo carter especial
dos dados espaciais, mas tambm porque os dados espaciais colocam problemas especiais com relao a
inferncias descritas a partir de procedimentos estatsticos.

Sistema de apoio deciso


Enquanto o apoio deciso uma das mais importantes funes de um SIG, as ferramentas desenhadas
especialmente para este fim existem em nmero relativamente pequeno na maior parte dos software de
SIG. Contudo, o IDRISI for Windows inclui vrios mdulos especialmente desenvolvidos para auxiliar
no processo de tomada de deciso. So mdulos que incorporam o erro no processo, ajudam na
construo de mapas de aptido atravs de critrios mltiplos e atendem decises sobre localizao
quando objetivos mltiplos esto envolvidos. Usados em conjunto com outros componentes do sistema,
estes mdulos oferecem uma ferramenta poderosa para tomadores de deciso na alocao de recursos.

Representao de dados em mapas


Um aspecto que diferencia os vrios sistemas de informao geogrfica existentes a forma com a qual
os componentes de software mencionados acima so combinados. Entretanto, uma distino ainda mais
fundamental se refere a como eles representam dados de mapas em forma digital.

Um sistema de informao geogrfica armazena dois tipos de dados que so encontrados em um mapa --
as definies geogrficas das feies da superfcie da Terra e os atributos ou qualidades que essas feies
possuem. Nem todos os sistemas usam a mesma lgica para fazer isto, mas quase todos usam uma ou a
combinao das duas tcnicas fundamentais de representao de mapas: vetorial e raster.

Vetorial
Com a representao vetorial, os limites ou o curso das feies so definidos por uma srie de pontos
que, quando unidos com linhas retas, formam a representao grfica de cada feio. Os prprios pontos
so codificados com um par de nmeros representando as coordenadas X e Y em sistemas como
latitude/longitude ou a grade de coordenadas Universal Transversa de Mercator. Os atributos das feies
so ento armazenadas num software de gerenciamento de banco de dados tradicional (SGBD). Por
exemplo, um mapa vetorial de parcelas de propriedades rurais pode ser vinculado a um banco de dados

Centro de Recursos Idrisi, Brasil


Introduo a sistemas de informao geogrfica (SIG) 9

de atributos de informaes contendo o endereo, nome do proprietrio, avaliao da propriedade e uso


da terra. A ligao entre estes dois arquivos de dados pode ser um simples nmero identificador que
dado a cada feio no mapa (figura 2-2).

Raster
A segunda maior forma de representao conhecida como raster. Com sistemas raster, a representao
grfica das feies e os atributos que elas possuem so fundidas em arquivos de dados unificados. Na
verdade, ns no definimos feies de fato. Ao contrrio, a rea de estudo subdividida em uma fina
malha de clulas de grade, nas quais registramos a condio ou o atributo da superfcie terrestre naquele
ponto (figura 2-2). A cada clula dado um valor numrico que pode representar tanto um identificador
da feio quanto um cdigo de atributo qualitativo ou um valor de atributo quantitativo. Por exemplo,
uma clula pode ter o valor 6 para indicar que ela pertence ao distrito 6 (identificador de feio), que
coberta por tipo de solo 6 (atributo qualitativo) ou que est 6 metros acima do nvel do mar (valor de
atributo quantitativo).

802 812
3
801 810
806

803 809
804 2
1
808 805
807

+
ID Uso rea 0 0 0 0 0 3 3 3
0 0 0 0 3 3 3 0
801 201 6305 0 0 2 3 3 3 3 0
802 202 6412
0 0 2 2 3 3 0 0
803 112 7221
1 0 0 2 2 0 0 0
804 201 12532
805 312 14638 1 1 1 2 2 2 0 0
806 201 6120 1 1 2 2 2 0 0 0
807 111 8914 1 1 0 0 2 0 0 0

Vetorial Raster
Figura 2-2. Representao de dados nos formatos vetorial e raster.

Embora os dados que armazenamos nestas clulas de grade no necessariamente correspondam a um


fenmeno que possa ser visto no ambiente, as grades de dados podem ser pensadas elas prprias como
imagens - imagens de algum aspecto do ambiente -- ou como planos -- cada um dos quais armazenando
um tipo de informao sobre a regio mapeada -- que podem ser feitos visveis atravs do uso de um
dispositivo de visualizao raster. Num dispositivo raster, como a tela de seu computador, h tambm
uma grade de pequenas clulas chamadas pixels. A palavra pixel uma contrao do termo picture
element. Os pixels podem ser submetidos uma variao em suas cores, forma ou tons de cinza. Para
formar uma imagem visvel, os valores das clulas so usados para regular diretamente a aparncia de
seus pixels correspondentes no dispositivo de visualizao. Assim, em um sistema raster, o dado
armazenado controla diretamente a forma visvel que vemos.
10 IDRISI for Windows - Manual do usurio

Raster versus vetorial


Os sistemas raster so tipicamente intensos em dados (embora existam boas tcnicas de compactao de
dados) uma vez que eles precisam registrar dados em cada posio de clula independentemente da
clula ter ou no informao de interesse. Entretanto, a vantagem que o espao geogrfico
uniformemente definido em uma forma simples e previsvel. Como resultado, sistemas raster tm
substancialmente maior poder analtico do que os sistemas vetoriais na anlise do espao contnuo3 e so
mais aptos para o estudo de dados que variam continuamente no espao, como o relevo, a biomassa
vegetal e a pluviosidade, por exemplo. A segunda vantagem de sistemas raster que a sua estrutura se
aproxima muito da arquitetura dos computadores digitais. Como resultado, sistemas raster tendem a ser
muito rpidos na avaliao de problemas que envolvem vrias combinaes matemticas de dados em
mltiplos planos. Por isso ele so excelentes para a avaliao de modelos ambientais como a eroso
potencial do solo e o manejo de florestas. Adicionalmente, como as imagens de satlite empregam uma
estrutura raster, a maioria dos sistemas raster pode facilmente incorporar esses dados e alguns oferecem
plena capacidade de processamento de imagens.

Enquanto sistemas raster so predominantemente orientados para a anlise, os sistemas vetoriais tendem
a ser mais orientados para o gerenciamento de bancos de dados. Sistemas vetoriais so muito eficientes
no armazenamento de dados de mapas porque armazenam apenas os limites das feies e no o que est
dentro desses limites. Em funo da representao grfica das feies estar diretamente ligada ao banco
de dados de atributos, os sistemas vetoriais geralmente permitem o deslocamento em torno do
visualizador grfico com o mouse e a consulta dos atributos associados feio visualizada, tais como a
distncia entre pontos ou ao longo de linhas, as reas de regies definidas na tela e assim por diante.
Alm disso, eles podem produzir mapas temticos simples de consultas a banco de dados, como todas as
sees de linhas de esgoto com mais de um metro de dimetro instaladas antes de 1940.

Comparado com seus similares raster, os sistemas vetoriais no tm uma ampla gama de funes para
anlise sobre um espao contnuo. Eles levam vantagem, entretanto, em problemas que envolvem
movimentos sobre uma rede e podem empreender a mais fundamental das operaes de SIG que ser
esboada abaixo. Para muitos, a simples funo de gerenciamento de banco de dados e as excelentes
possibilidades de mapeamento que tornam sistemas vetoriais atraentes. Por causa da forte afinidade
entre a lgica da representao vetorial e a produo tradicional de mapas, um plotter de pena pode ser
usado para produzir um mapa muito parecido com aqueles produzidos por meios tradicionais. Como
resultado, sistemas vetoriais so muito populares em aplicaes municipais onde predominam questes
de produo de mapas para engenharia e gerenciamento de bancos de dados.

Sistemas raster e vetoriais tm cada um seus pontos fortes. O IDRISI for Windows incorpora elementos
de ambas as tcnicas de representao. Embora seja um sistema analtico raster, o IDRISI for Windows
emprega a estrutura de dados vetorial como uma das principais formas de visualizao e intercmbio de
dados de mapas. Aspectos fundamentais de gerenciamento de banco de dados vetorial esto tambm
presentes no IDRISI.

Conceitos geogrficos de banco de dados


Organizao
Independente da lgica usada para a representaco espacial, raster ou vetorial, comeamos a ver que um
banco de dados geogrfico -- um banco de dados completo para uma dada regio -- organizado de
maneira similar a uma coleco de mapas (figura 2-3). Sistemas vetoriais podem chegar mais prximo
desta lgica, com o que conhecido como Coverages -- colees similares a mapas que contm as
definies geogrficas de um conjunto de feies e suas tabelas de atributos associadas. Entretanto, eles

3
A estrutura bsica de dados de sistemas vetoriais pode ser melhor descrita como uma rede. Como resultado, no surpresa o fato de
sistema vetoriais terem excelente capacidade para a anlise de redes. Assim a diferena entre raster e vetorial menor em termos de
habilidades inerentes do que nos tipos de espao que eles descrevem.

Centro de Recursos Idrisi, Brasil


Introduo a sistemas de informao geogrfica (SIG) 11

diferem dos mapas em duas coisas. Primeiro, cada uma conter informao de apenas um nico tipo de
feio, como parcelas de propriedades, polgonos de solos e outros temas. Segundo, eles podem conter
um conjunto completo de atributos que pertencem a essas feies, como um conjunto de informaes de
censo para vrios setores da cidade.

gua

Estradas

Solos

Elevao

Figura 2-3

Sistemas raster tambm usam essa lgica parecida com a de um mapa, mas geralmente dividem os
conjuntos de dados em planos unitrios. Um plano contm todos os dados para um nico atributo. Dessa
maneira, pode haver um plano de solos, um plano de estradas e um plano de uso da terra. Em alguns
sistemas raster, como no IDRISI for Windows, tambm possvel ligar um plano identificador de feies
(um plano que contm os identificadores das feies localizadas em cada clula de grade) com tabelas de
atributos. Mais comumente, existiro planos separados para cada atributo a partir dos quais, isolados ou
em combinao, sero feitas visualizaes em tela ou mapas em papel.

Embora haja diferenas sutis, para todas as tentativas e propsitos, planos raster e coverages vetoriais
podem ser entendidas simplesmente como diferentes manifestaes do mesmo conceito -- a organizao
do banco de dados em mapas temticos elementares. Planos e coverages diferem dos mapas comuns e
tradicionais em um aspecto importante. Quando dados de um mapa so codificados em forma digital
(digitalizao) diferenas de escala so removidas. O dado digital pode ser visualizado ou impresso em
qualquer escala. Mais importante ainda, planos de dados digitais derivados de mapas de papel de
diferentes escalas, mas cobrindo a mesma rea geogrfica, podem ser combinados.
12 IDRISI for Windows - Manual do usurio

Adicionalmente, muitos SIG, incluindo o IDRISI for Windows, oferecem utilitrios para mudar o
sistema de projeo cartogrfica e de referncia de planos digitais. Isto permite que mltiplos planos,
digitalizados a partir de mapas com vrias projees e sistemas de referncia, sejam convertidos a um
sistema comum.

Com a possibilidade de gerenciar diferenas de escala, projeo e sistema de referncia, os planos podem
ser fundidos com facilidade, eliminando um problema que tem tradicionalmente dificultado o
planejamento de atividades com mapas em papel. importante observar, entretanto, que a questo da
resoluo da informao nos planos de dados permanece. Embora feies digitalizadas de um mapa
mundial em escala pequena possam ser combinadas em um SIG com feies digitalizadas a partir de um
mapa local de escala grande, como um mapa de ruas de uma cidade, isto normalmente no deveria ser
feito. O nvel de exatido e detalhe do dado digital pode ser apenas to bom quanto o dos mapas
originais.

Georreferenciamento
Todos os arquivos de dados espaciais em um SIG so georreferenciados. O georreferenciamento refere-se
localizao de um plano ou coverage no espao definida por um sistema refernciamento de
coordenadas. Com imagens raster, uma forma comum de georreferenciamento indicar o sistema de
referncia (p.ex. latitude/longitude), as unidades de referncia (p. ex.; graus) e as coordenadas das
bordas esquerda, direita, superior e inferior da imagem. O mesmo vlido para os arquivos de dados
vetoriais, embora as bordas esquerda, direita, superior e inferior se refiram ao que comumente
chamado de Retngulo envolvente da coverage -- um retngulo que define os limites da rea mapeada4.
Esta informao particularmente importante num SIG integrado como o IDRISI for Windows, uma vez
que isto permite que arquivos raster e vetoriais sejam relacionados um ao outro de uma maneira
significativa e segura. Tambm vital para o referenciamento de valores de dados s posies reais no
terreno.

O Georreferenciamento uma considerao extremamente importante no uso de SIG. Por isso, um


captulo separado a respeito de Georreferenciamento na seo TPICOS ESPECIAIS trata
detalhadamente este tpico.

Anlise em SIG
A organizao dos bancos de dados em planos no feita simplesmente por razes de clareza
organizacional, mas para prover acesso rpido aos elementos de dados requeridos para anlise
geogrfica. De fato, a raison dtre5 do SIG prover um instrumento para a anlise geogrfica. As
caractersticas analticas de um SIG podem ser vistas de duas formas. Primeiro, do ponto de vista das
ferramentas que o SIG oferece. Segundo, dos tipos de operao que o SIG executa. Independente de
usarmos sistemas raster ou vetoriais, podemos agrupar as ferramentas em quatro grupos bsicos e as
operaes efetuadas em trs.

Ferramentas analticas
Consulta ao banco de dados
As mais fundamentais de todas as ferramentas oferecidas por um SIG so aquelas envolvidas com
consulta ao banco de dados. A consulta ao banco de dados simplesmente solicita para ver a informao
armazenada. Em alguns casos ns consultamos pela localizao -- que tipo de uso da terra existe neste
local? Em outros casos consultamos por atributo -- que reas possuem alto nvel de gs radnio?
4
Convm explicar aqui que o retngulo envolvente definido pela regio de estudo de interesse e no se refere s coordenadas mnimas
e mximas reais no arquivo de dados.
5
Raison dtre, do francs: a prpria razo de ser ou existir, expresso emprestada do francs para reforar certas afirmaes e usado
com regularidade no ingls.

Centro de Recursos Idrisi, Brasil


Introduo a sistemas de informao geogrfica (SIG) 13

Algumas vezes efetuamos consultas simples como estas que acabamos de ilustrar, e outras vezes fazemos
uma combinao complexa de condies -- mostre-me todas as reas sujeitas inundao maiores que
1 hectare e que estejam prximas a reas industriais.

Na maioria dos sistemas, incluindo o IDRISI for Windows, essas operaes de consulta so efetuadas em
dois passos. O primeiro passo, chamado de reclassificao, cria uma novo plano para cada condio
individual de interesse (figura 2-4). Por exemplo, se algum estivesse procurando por reas residenciais
sobre rochas associadas a altos nveis de gs radnio, o primeiro passo seria criar um plano de reas
residenciais reclassificando todos os cdigos de uso da terra em apenas dois - um cdigo 1 para reas
residenciais e um cdigo 0 para todos os outros casos. O plano resultante conhecido como plano
Booleano, uma vez que mostra apenas aquelas aquelas reas que preenchem a condio (1 = verdadeiro,
residencial) e aquelas que no preenchem (0 = falso, no residencial). Planos Booleanos so tambm
chamados planos lgicos, uma vez que eles mostram apenas a relao verdadeiro/falso. Eles so algumas
vezes chamados binrios, pois contm apenas zeros e uns, mas evitaremos usar este termo porque ele
tambm descreve um tipo particular de formato armazenamento de dados. Neste texto ns chamaremos
estes planos de planos Booleanos.

Uma vez tendo sido criado o plano residencial, um plano de geologia ento tambm reclassificado para
criar um plano Boleano mostrando reas com rochas associadas com altos nveis de gs radnio. A
partir deste ponto podemos combinar as duas condies usando uma operao de sobreposio, tambm
chamada de overlay (figura 2-4). Como mencionado anteriormente, sobreposio a marca registrada
dos SIG na qual somente um SIG pode combinar condies como estas que envolvem feies com
diferentes geografias. Tipicamente, uma operao de sobreposio em SIG permitir a produo de
novos planos com base em algumas combinaes lgicas ou matemticas de dois ou mais planos de
entrada. No caso de consulta ao banco de dados, as operaes lgicas principais de maior interesse so
os operadores realacionais AND e OR, tambm conhecidos respectivamente como as operaes de
INTERSECO e UNIO. Aqui estamos procurando por casos de reas residenciais AND (e) alto nvel
de gs radnio -- a interseco lgica de nossos dois planos Booleanos.

lgebra com mapas


O segundo conjunto de ferramentas que um SIG geralmente oferece destina-se a combinar
matematicamente planos de mapas. A modelagem requer a possibilidade de combinar planos de acordo
com vrias equaes matemticas. Por exemplo, podemos ter uma equao que prediz a temperatura
mdia anual em funo da altitude. Como outro exemplo, temos tambm a possibilidade de criar um
mapa de eroso potencial do solo com base em fatores de erodibilidade do solo, de gradiente de
declividade e de intensidade pluviomtrica. Para isso necessitamos modificar os valores dos dados em
nossos planos de mapa atravs de vrias operaes e transformaes matemticas e combinar fatores
matematicamente para produzir o resultado final.
As ferramentas de lgebra com mapas geralmente possibilitam trs diferentes tipos de operaes:

1. modificar aritmeticamente valores de dados de atributos sobre o espao por uma constante (isto
, aritmtica escalar);
2. transformar matematicamente valores de dados de atributos por uma operao padro. (como
funes trigonomtricas, transformaes logartmicas e assim por diante);
3. combinar matematicamente (como adicionar, subtrair, multiplicar, dividir) diferentes planos de
dados pra produzir um resultado composto.

Esta terceira operao simplesmente outra forma de sobreposio - sobreposio matemtica, diferente
da sobreposio lgica de consulta ao banco de dados.

Para ilustrar isso, considere um modelo para derretimento da neve em reas densamente florestadas6

M= (0.19T + 0.17D)

onde M a taxa de derretimento em cm/dia, T a temperatura do ar e D a temperatura do ponto de

6
Equao tomada de Dune, T.; Leopold, L. B. 1978. Water in Environmental Planning. W.H. Freeman and Co. San Francisco. 480p.
14 IDRISI for Windows - Manual do usurio

orvalho. Tendo planos de temperatura do ar e ponto de orvalho para uma regio desse tipo, poderamos
facilmente produzir um mapa de taxa de derretimento da neve. Para tanto seria necessrio multiplicar o
plano de temperatura por 0,19 (uma operao escalar), o plano do ponto de orvalho por 0,17 (outra
operao escalar) e ento empregar uma operao de sobreposio para adicionar aos dois resultados.
Apesar de simples em conceito, esta possibilidade de tratar planos de mapas como variveis em frmulas
algbricas extremamente poderosa.

Solos Limites

Reclassificao

Cruzamento

Figura 2-4

Operadores de distncia
O terceiro grupo de ferramentas oferecidas por um SIG consiste de Operadores de distncia. Como o
nome sugere, eles so um conjunto de tcnicas onde a distncia desempenha um papel fundamental na
anlise. Virtualmente todos os sistemas provm ferramentas para criar faixas tampo -- reas dentro de
uma distncia a partir de um tipo de feio determinado (figura 2-5). Alguns podem tambm avaliar a
distncia de todos os locais feio de um conjunto mais prxima (figura 2-6), enquanto outras podem
incorporar efeitos de atrito (figura 2-7) e barreiras (figura 2-8) nas distncias calculadas.

Quando efeitos de atrito so incorporados, a distncia calculada freqentemente referida como


distncia de custo. Este nome usado porque o movimento atravs do espao considerado estar sujeito
a custos, medidos em dinheiro, tempo ou esforo. Os atritos aumentam estes custos. Quando os custos de
movimento de um ou mais locais so avaliados para uma regio inteira, freqentemente nos referimos ao
resultado como uma superfcie de custo (figura 2-7). Neste caso, reas de baixo custo (presumivelmente

Centro de Recursos Idrisi, Brasil


Introduo a sistemas de informao geogrfica (SIG) 15

prximas ao ponto de partida da anlise) podem ser vistas como vales, e reas de alto custo podem ser
vistas como elevaes. Uma superfcie de custo tem seus pontos mais baixos no local ou locais de partida
da anlise e seus pontos mais altos nos locais que esto mais afastados (no sentido do maior custo
acumulado)7.

Podem haver casos em que os atritos no afetem o custo do movimento da mesma forma em todas as
direes. Em outras palavras, eles atuam anisotropicamente. Um exemplo disso o movimento atravs
de uma paisagem onde os atritos dependem da declividade. Subir uma rampa ngreme resultaria em um
custo mais alto do que descer esta mesma rampa. A direo do movimento atravs do atrito importante
e deve ser levado em conta no desenvolvimento da superfcie de atrito. O IDRISI for Windows prov
mdulos para modelar esse tipo de superfcie de custo que est explicada em detalhe no captulo Anlise
anisotrpica de custo na seo TPICOS ESPECIAIS do Manual do usurio.

Dado o conceito de uma superfcie de custo, os sistemas de informao geogrfica usualmente tambm
oferecem anlise de caminho de menor custo -- outra importante operao de distncia. Como o nome
sugere, nosso objetivo avaliar o caminho de menor custo entre dois locais. a superfcie de custo que
d a informao necessria a essa avaliao (figura 2-8).

Figura 2-5 Figura 2-6

Figura 2-7 Figura 2-8

7
Convm esclarecer aqui que uma superfcie de custo somente pode ser avaliada com um sistema raster. Para sistemas vetoriais, o
equivalente mais prximo poderia ser as distncias avaliadas sobre uma rede. Ns vimos uma simples mas eficaz ilustrao das
diferenas entre sistemas raster e vetoriais quanto maneira como eles concebem o espao.
16 IDRISI for Windows - Manual do usurio

Independente da forma como a distncia avaliada, por distncia em linha reta ou por distncia de
custo, outra ferramenta geralmente disponvel a distribuio. Com a distribuio, ns atribumos locais
mais prxima de um conjunto de feies determinadas. Por exemplo, devemos estabelecer um conjunto
de postos de sade e ento distribuir residentes seu posto mais prximo, onde prximo pode ser
expresso em distncia linear ou distncia de custo, como tempo de viagem, por exemplo.

Operadores de contexto
Finalmente, a maioria dos sistemas de informao geogrfica prov uma variedade de operadores de
contexto (tambm conhecidos como operadores de vizinhana ou operadores locais). Com os
operadores de contexto possvel criar novos planos com base na informao de um mapa existente e no
contexto no qual ele se encontra. Um dos exemplos mais simples disso a anlise de superfcie, onde
um modelo digital de elevao usado para produzir um plano de declividades atravs da avaliao da
altitude de um local em comparao com a altitude dos locais vizinhos. De forma similar, a orientao
(ou aspecto -- a direo da mxima declividade) tambm pode ser avaliada.

Um segundo bom exemplo de operador de contexto um filtro digital. Filtros digitais operam mudando
os valores de acordo com o carter dos valores vizinhos. Por exemplo, uma superfcie de altitudes do
terreno pode ser suavizada substituindo os valores pela mdia da altitude original e da altitudes
vizinhas. Filtros digitais tm um grande nmero de aplicaes em SIG e sensoriamento remoto, desde a
remoo de rudo at o realce visual de imagens.

Por causa da sua estrutura de dados simples e uniforme, sistemas raster tendem a oferecer um rico
conjunto de operadores de contexto. No IDRISI for Windows, por exemplo, isso inclui anlise de
superfcies e filtragem digital, identificao de reas contguas, anlises de bacias hidrogrficas, anlises
de reas visveis (uma anlise de todas as reas visveis a partir de uma ou mais feies determinadas) e
um procedimento especial de modelagem de suprimento/demanda onde as demandas so satisfeitas
atravs da tomada de suprimentos de uma forma radial a partir dos locais vizinhos.

Operaes analticas
Dadas as ferramentas bsicas, uma grande variedade de operaes analticas podem ser efetuadas. A
maior parte delas pode ser classificada em trs grupos bsicos, quais sejam a consulta ao banco de dados,
o mapeamento derivativo e a modelagem de processos.

Consulta ao banco de dados


Com consulta ao banco de dados ns estamos simplesmente selecionando combinaes de variveis para
exame. As ferramentas que usamos so em grande parte as ferramentas de consulta ao banco de dados
que discutimos anteriormente (por isso o nome), mas tambm incluem vrios procedimentos de medio
e anlise estatstica. A principal caracterstica que distingue esse tipo de anlise que no conseguimos
obter do sistema nada alm do que colocamos nele. Apesar de podermos extrair combinaes que nunca
examinamos antes, o sistema no nos fornece nova informao -- estamos simplesmente fazendo uma
retirada de um banco de dados que previamente construmos.

Uma das principais atividades na consulta ao banco de dados a procura de padres. Geralmente
estamos procurando padres espaciais nos dados que podem nos levar a criar hipteses sobre
relacionamentos entre variveis.

Mapeamento derivativo
Com mapeamento derivativo ns combinamos componentes selecionados de nosso banco de dados para
construir novos planos derivados. Por exemplo, podemos tomar nossos dados de elevao digital para
derivar gradientes de declividade, e ento tomar nossos dados de declividade e combin-los com
informao do tipo de solo e regime pluviomtrico para produzir um novo mapa de potencial de eroso.
Esse novo mapa se torna um acrscimo ao nosso crescente banco de dados.

Como podemos criar novos dados a partir de dados j existentes? Diferente da consulta ao banco de
dados onde simplesmente extramos informao que j estava no banco de dados, com mapeamento

Centro de Recursos Idrisi, Brasil


Introduo a sistemas de informao geogrfica (SIG) 17

derivativo ns tomamos informao existente e a ela adicionamos algo novo -- conhecimento de


relacionamentos entre elementos do banco de dados. Podemos criar um mapa de potencial de eroso do
solo usando um plano com um modelo digital de elevao, um plano de solos e um plano de regime
pluviomtrico, mas somente se conhecermos o relacionamento entre esses fatores e o novo mapa que
estamos criando. Em alguns casos, esses relacionamentos devem ser especificados em termos lgicos
(como a criao de um mapa de aptido para localizao de uma indstria, com a condio de que ela
deve estar em reas de floresta, fora de reas de proteo em torno de banhados e em baixas
declividades), onde usamos nossas ferramentas de consulta ao banco de dados. Em outros casos,
entretanto, esses relacionamentos so especificados em termos matemticos, onde necessitamos
empregar intensamente as ferramentas de lgebra com mapas. Da mesma forma, os relacionamentos que
formam o modelo necessitam ser conhecidos.

Em alguns casos, os modelos de relacionamento podem ser derivados de fundamentos lgicos ou


tericos. Entretanto, em muitos momentos, necessrio que os relacionamentos sejam determinados por
estudos empricos. A anlise de regresso, por exemplo, uma forma muito comum de usar testes
empricos para desenvolver um relacionamento matemtico entre variveis. Seguindo o exemplo da
eroso do solo, podemos levantar uma srie de locais de teste nos quais a eroso medida juntamente
com dados de declividade, tipo de solo e precipitao. Esses pontos de amostragem so ento usados
para desenvolver uma equao relacionando a eroso do solo a essas variveis. A equao pode depois
ser usada para avaliar o potencial de eroso do solo sobre uma regio muito maior.

Modelagem de processos
Consulta ao banco de dados e mapeamento derivativo formam o conjunto das anlises de SIG efetuadas
atualmente. Entretanto, h uma terceira rea que oferece incrvel potencial -- modelagem de processos e
simulao.

Com a modelagem de processos ns tambm trazemos algo novo para o banco de dados -- conhecimento
dos processos. O termo processo refere-se corrente causal pela qual algum evento acontece. Por
exemplo, um modelo simples para satisfazer a demanda de madeira para combustvel pode funcionar do
seguinte modo:

1. tome toda a madeira que voc necessita (ou pode) da sua localizao atual;
2. se sua demanda foi satisfeita ou se voc andou mais de 10km de casa, v para o passo 4;
3. se sua demanda no foi satisfeita, mova-se para um local imediatamente adjacente ainda no
visitado e repita o passo 1;
4. pare.

A modelagem de processos uma perspectiva particularmente estimulante para SIG. Ela se baseia na
noo de que num SIG, nosso banco de dados no apenas representa um ambiente, ele um ambiente!
um ambiente possvel de ser medido, manipulado e sobre o qual agem processos espaciais e temporais.
Nosso banco de dados atua como um laboratrio para o estudo de processos em um ambiente complexo.
Tradicionalmente, na cincia, tnhamos de remover essa complexidade para entender processos
isoladamente. Essa estratgia foi muito eficaz e nos possibilitou aprender muito. Entretanto, tecnologias
como os SIG oferecem agora as ferramentas para reunir esses entendimentos simples para gerar um
entendimento e um reconhecimento sobre como eles atuam na complexidade de uma situao ambiental
real. Frequentemente entendimentos muito simples resultam em padres complexos quando postos a
interagir no ambiente.

Um tipo diferente de processo o processo de tomada de deciso, que pode tambm ser apoiado e de
algumas formas modelado com o uso de SIG. A tecnologia de SIG est se tornando muito importante
como ferramenta para apoio deciso. De fato, mesmo os resultados da mais simples consulta ao banco
de dados podem ter valor inestimvel para o tomador de deciso. Entretanto, o processo mais complexo
de tomada de deciso, no qual tomadores de deciso frequentemente pensam em termos de critrios
mltiplos, limites relativos (no Booleano) e nveis de risco aceitveis, tambm pode ser modelado
usando SIG. O IDRISI for Windows oferece um conjunto de mdulos de apoio deciso para ajudar
tomadores de deciso a desenvolver decises mais explicitamente racionais e bem informadas. O
captulo Apoio deciso da seo TPICOS ESPECIAIS do manual discute em detalhe esse
18 IDRISI for Windows - Manual do usurio

importante uso de SIG e fornece exemplos ilustrativos de casos de aplicao.

A despeito de sua evidente atrao, a modelagem de processos, tanto em processos ambientais quanto de
tomada de deciso, uma atividade ainda bastante nova e pouco comum em SIG. A razo muito
simples. Apesar de mais e mais ferramentas de modelagem estarem sendo disponibilizadas em diversos
software de SIG, no incomum constatar-se que o processo de interesse requer uma capacidade no
introduzida no sistema. Esses casos requerem a criao de um novo mdulo de programa. Muitos
sistemas no esto muito bem estruturados para a incorporao de rotinas desenvolvidas pelos usurios,
mas o IDRISI for Windows foi desenhado para possibilitar essa incorporao. Programas em qualquer
linguagem de computador podem ser includos no sistema e acionados a partir da interface do IDRISI
for Windows.

Centro de Recursos Idrisi, Brasil


Introduo ao sensoriamento remoto e
ao processamento de imagens
Das vrias fontes de dados usadas em SIG, uma das mais importantes indubitavelmente representada
pelo sensoriamento remoto. Atravs do uso de satlites, existem programas de aquisio contnua de
dados para o mundo inteiro, com intervalos de tempo que abrangem desde de semanas at uma questo
de horas. Tambm muito importante o fato de que temos acesso a imagens de sensores remotos na
forma digital, permitindo uma rpida integrao dos resultados de anlises de sensoriamento remoto em
um SIG.

O desenvolvimento de tcnicas digitais para a correo, realce e interpretao de imagens de


sensoriamento remoto auxiliada por computador ocorreu inicialmente de forma independente e um
pouco frente do desenvolvimento de SIG. Contudo, a estrutura de dados raster e muitos dos
procedimentos envolvidos nestes sistemas de processamento de imagens (Image Processing Systems -
IPS) eram idnticos queles envolvidos em SIG com estrutura raster. Como resultado, tem se tornado
comum ver pacotes de processamento de imagens adicionados s capacidades mais gerais de anlise de
SIG, e software SIG inclurem ao menos um conjunto fundamental de ferramentas de processamento de
imagens. O IDRISI for Windows um sistema avanado combinando SIG e processamento de imagens.

Devido grande importncia do sensoriamento remoto como entrada de dados para SIG, tem se tornado
necessrio aos analistas de SIG (particularmente aqueles envolvidos na utilizao de recursos naturais)
adquirir uma boa familiaridade com sistemas de processamento de imagens. Por causa disso, este
captulo d uma viso geral desta importante tecnologia e da sua integrao com SIG.

Definio
Sensoriamento remoto pode ser definido como qualquer processo atravs do qual coletada informao
a respeito de um objeto, rea ou fenmeno, sem entrar em contato com ele. Nossos olhos so um
excelente exemplo de um dispositivo de sensoriamento remoto. Somos capazes de reunir informaes
sobre o que nos rodeia julgando a quantidade e a natureza da reflectncia da energia da luz visvel
(proveniente de alguma fonte externa, como o Sol ou uma lmpada) conforme ela reflete de objetos em
nosso campo visual. Um exemplo do contrrio disto um termmetro, que precisa estar em contato com
o fenmeno que ele est medindo e por isso no um dispositivo de sensoriamento remoto.

Dadas estas definies mais gerais, o termo sensoriamento remoto vem sendo associado mais
especificamente com a indicao de interaes entre os materiais da superfcie terrestre e a energia
eletromagntica. Contudo, qualquer tentativa de uma definio mais especfica se torna difcil, uma vez
que no sempre o ambiente natural que analisado (p. ex., aplicaes na conservao de arte); o tipo
Introduo ao sensoriamento remoto e processamento de imagens 19

de energia no sempre eletromagntica (p. ex., sonar) e alguns mtodos medem emisso de energia
natural (p. ex., infravermelho termal) em vez de interaes de energia proveniente de uma fonte
independente.

Consideraes fundamentais
Fonte de energia
Os sensores podem ser divididos em dois grandes grupos - passivos e ativos. Sensores passivos medem
nveis de fontes de energia existentes, enquanto os sensores ativos tm sua prpria fonte de energia. A
maior parte do sensoriamento remoto usa sensores passivos, para os quais o Sol a principal fonte de
energia. O exemplo mais antigo destes sensores a fotografia. Temos sido capazes de medir e registrar a
reflexo da luz pelos elementos da superfcie terrestre h bastante tempo atravs de cmeras fotogrficas
aerotransportadas. Apesar da fotografia area ainda ser uma das principais formas de sensoriamento
remoto, tecnologias de estado slido mais novas tm expandido a capacidade para enxergar nos
comprimentos de onda do visvel e do infravermelho prximo, incluindo assim comprimentos de onda
maiores da radiao solar. Entretando, nem todos os sensores passivos usam a energia do Sol. Sensores
no infravermelho termal e sensores de microondas passivos medem emisses de energia natural da
Terra. Portanto, sensores passivos so simplesmente aqueles que no fornecem a eles prprios a energia
detectada.

Os sensores ativos, por outro lado, possuem sua prpria fonte de energia. O exemplo mais familiar desta
fonte de energia o flash fotogrfico. Em aplicaes ambientais e de mapeamento o melhor exemplo
constitudo pelo Radar. Sistemas de Radar emitem energia na regio do espectro eletromagntico das
microondas (figura 3-1). A reflexo dessa energia pelos materiais na superfcie da Terra ento medida
para produzir uma imagem da rea recoberta pelo sensor.

Figura 3-1. O espectro eletromagntico (Lillesand & Kiefer, 1987, adaptado8).

Comprimento de onda
Como j mencionado, a maior parte dos dispositivos de sensoriamento remoto fazem uso de energia
eletromagntica. Entretanto, o espectro eletromagntico muito amplo e nem todos os comprimentos de
onda so igualmente efetivos para propsitos de sensoriamento remoto. Alm disso, nem todos tm
interaes significativas com os materiais da superfcie da Terra que nos interessam. A figura 3.1 ilustra
o espectro eletromagntico. A prpria atmosfera causa absoro e/ou espalhamento significativo dos
comprimentos de onda mais curtos. Alm disso, as lentes de vidro de muitos sensores tambm causam
absoro significativa dos comprimentos de onda mais curtos como os do ultravioleta (UV). Como
resultado, a primeira janela significativa (i.e, uma regio na qual a energia pode significativamente

8
Lillesand, T. & Kiefer, R. 1987. Remote Sensing and Image interpretation. New York. Wiley.
20 IDRISI for Windows - Manual do usurio

atravessar a atmosfera) localiza-se nos comprimentos de onda do vsivel. Os comprimentos de onda do


azul sofrem substancial atenuao pelo espalhamento atmosfrico e por esse motivo so freqentemente
preteridos nas imagens de sensoriamento remoto. Entretanto, os comprimentos de onda do verde, do
vermelho e do infravermelho prximo proporcionam boas oportunidades para medir interaes da
superfcie terrestre sem interferncia relevante por parte da atmosfera. Adicionalmente, estas regies
fornecem indcios importantes a respeito da natureza de muitos materiais da superfcie terrestre. Os
comprimentos de onda do vermelho visvel, por exemplo, so fortemente absorvidos pela clorofila,
enquanto os comprimentos de onda do infravermelho prximo fornecem indcios importantes da
estrutura das folhas das plantas. Como resultado, o maior volume de imagens de sensoriamento remoto
usadas em tarefas relacionadas a SIG so adquiridas nessas regies.

Nas regies do infravermelho mdio e termal, vrias boas janelas podem ser encontradas. Os
comprimentos de onda mais longos do infravermelho mdio mostraram grande utilidade em aplicaes
geolgicas, enquanto as regies do termal provaram ser muito teis para o monitoriamento no somente
dos casos bvios de distribuio espacial do calor da atividade industrial, mas de um amplo conjunto de
aplicaes desde o monitoriamento do fogo e estudos de distribuio animal at as condies de umidade
do solo.

Depois do infravermelho termal, a prxima rea de maior importncia no sensoriamento remoto


ambiental est na regio das microondas. Existem vrias janelas importantes nesta regio, que so de
particular interesse para o uso do imageamento ativo por Radar. A textura dos materiais da superfcie da
Terra causa interaes significativas com vrios comprimentos de onda na regio das microondas. Isto
pode ser usado como um complemento s informaes obtidas em outros comprimentos de onda, e
tambm oferece a vantagem de ser utilizvel noite (sendo um sistema ativo, ele independe da radiao
solar) e em regies com cobertura de nuvens persistente (os comprimentos de onda do Radar so pouco
afetados por nuvens).

Mecanismos de interao
Quando a energia eletromagntica atinge um material, trs tipos de interaes podem ocorrer: reflexo,
absoro e transmisso (Figura 3-2). Nosso principal interesse reside na poro da energia que
refletida pois geralmente esta a que retorna ao sistema sensor. A quantidade refletida varia de acordo
com a natureza do material e com a regio do espectro magntico na qual a medida feita. Como
resultado, se examinarmos o comportamento da componente refletida ao longo de um intervalo de
comprimentos de onda, podemos caracterizar o resultado como um padro de resposta espectral.

Fonte de luz

reflexo

absoro
transmisso

Figura 3-2. Mecanismo de interao entre energia eletromagntica e materiais.

Centro de Recursos Idrisi, Brasil


Introduo ao sensoriamento remoto e processamento de imagens 21

Padres de resposta espectral


Um padro de resposta espectral algumas vezes chamado de assinatura. uma descrio
(freqentemente na forma de um grfico) do grau com o qual a energia refletida em diferentes regies
do espectro. A maioria das pessoas est muito familiarizada com padres de resposta espectral, uma vez
que eles equivalem ao conceito humano de cor! Por exemplo, a figura 3-3 mostra padres de resposta
espectral tpicos para algumas cores na poro visvel de espectro eletromagntico, assim como para
branco e cinza escuro. O padro de reflectncia vermelho claro, por exemplo, pode ser aquele produzido
por um papel impresso com tinta vermelha. Aqui, a tinta pensada para alterar a luz branca que brilha
sobre ela e absorver os comprimentos de onda do azul e do verde. Restam, ento, os comprimentos de
onda do vermelho que refletem da superfcie do papel para o sistema sensor (o olho). O alto retorno de
comprimentos de onda do vermelho indica um vermelho claro, enquanto o baixo retorno de
comprimentos de onda do verde, no segundo exemplo, sugere que ele aparecer bastante escuro.

B G R B G R B G R

Vermelho claro Verde escuro Amarelo

B G R B G R B G R

Prpura Branco Cinza escuro

Figura 3-3. Padres de resposta espectral para discos selecionados

O olho capaz de perceber padres de resposta espectral porque ele um verdadeiro sensor
multiespectral (isto , ele tem percepo em mais de um local no espectro). Embora o verdadeiro
funcionamento do olho seja muito complexo, ele de fato tem trs tipos de detectores separados que
podem ser considerados como capazes de responder s regies de comprimento de onda do verde,
vermelho e azul. Estas so as cores primrias aditivas e o olho responde sua misturas para produzir
uma sensao de outros tons. Por exemplo, a cor percebida pelo terceiro padro de resposta espectral na
figura 3-3 seria um amarelo -- resultado da mistura do vermelho e do verde. Entretanto, importante
reconhecer que esta simplesmente nossa percepo fenomenolgica de um padro de resposta
espectral. Considere, por exemplo, a quarta curva. Aqui ns temos reflectncia em ambas as regies do
azul e do vermelho do espectro visvel. Esta uma distribuio bimodal, tecnicamente no um tom
especfico no espectro. Todavia, perceberamos isto visualmente como sendo prpura! Prpura no existe
na natureza (isto , como tom de cor -- um comprimento de onda dominante). muito real em nossa
percepo, mas prpura simplesmente nossa percepo de um padro bimodal envolvendo um par de
tons primrios no adjacentes.

No incio das pesquisas com sensoriamento remoto, acreditava-se (na verdade esperava-se) que cada
material da superfcie da Terra tivesse um padro de resposta espectral distinto que lhe permitiria ser
detectado com segurana por meios visuais ou digitais. Entretanto, como nossa experincia simples com
cores sugere, na realidade isto no freqente. Por exemplo, duas espcies de rvores podem ter uma
colorao bastante diferente em uma poca do ano e muito similar em outra.
22 IDRISI for Windows - Manual do usurio

Encontrar padres de resposta espectral distintos a chave para a maior parte dos procedimentos de
interpretao de imagens de sensoriamento remoto auxiliada por computador. Esta tarefa no trivial.
Alm do mais, o analista precisa encontrar a combinao de bandas espectrais e a poca do ano em que
padres distintos possam ser encontrados para cada uma das classes de informao de interesse.

Por exemplo, a figura 3-4 mostra um padro de resposta espectral tpico para vegetao, juntamente com
os de gua e de solo exposto seco. A forte absoro pelos pigmentos da folha (particularmente clorofila)
nas regies do azul e do vermelho da poro visvel do espectro conduz aparncia verde caracterstica
da vegetao saudvel. Entretanto, enquanto esta assinatura bem diferente das superfcies sem
vegetao, ela no muito capaz de distinguir entre espcies -- a maioria ter uma cor verde similar na
idade madura. No infravermelho prximo, todavia, ns encontramos um retorno muito maior das
superfcies com vegetao devido ao espalhamento dentro da camada mesoflica das folhas. Os
pigmentos das plantas no absorvem energia nesta regio, de forma que a disperso, combinada com o
efeito multiplicador de um dossel completo de folhas, induz alta reflectncia nesta regio do
espectro. Esta reflectncia fortemente dependente da estrutura interna das folhas. Como resultado,
diferenas significativas entre espcies podem ser freqentemente detectadas nesta regio. Da mesma
forma, na regio do infravermelho mdio, vemos uma inclinao significativa no padro de resposta
espectral que est associada umidade da folha. Esta outra rea onde diferenas significativas podem
surgir entre espcies maduras. Como resultado, aplicaes que buscam uma diferenciao tima entre
espcies envolvem geralmente tanto a regio do infravermelho prximo quanto do infravermelho mdio
e usam imagens obtidas ao longo do ciclo de desenvolvimento.

R
e
f r
l e
e l Solo seco descoberto
c a
t t
i
n v
c a Vegetao
i
a
gua (limpa)
0,4 0,6 0,8 1,0 1,2 1,4 1,6 1,8 2,0 2,2 2,4 2,6

Comprimento de onda (m)

Figura 3-4. Assinaturas tpicas de solo descoberto, vegetao verde e gua limpa (Lillesand & Kiefer,
1987, adaptado9).

Algumas tecnologias de sensoriamento remoto recentes (como o AVIRIS) produzem imagens


hiperespectrais - dados adquiridos em dezenas ou centenas de bandas muito estreitas. Assinaturas
desenvolvidas usando esses dados so potencialmente muito precisas. Alm disso, bibliotecas de
assinaturas hiperespectrais foram criadas em condies de laboratrio, contendo centenas de assinaturas
para diferentes tipos de cobertura do solo, incluindo muitos minerais e outros materiais. Essas
bibliotecas de curvas espectrais esto disponveis a partir de vrios sites na World Wide Web, como o do
United States Geological Survey (USGS) Spectroscopy Lab (http://spclab.cr.usgs.gov). Veja o captulo
Classificao de imagens de sensoriamento remoto na seo TPICOS ESPECIAIS do Manual do
usurio para mais detalhes sobre anlise de dados hiperespectrais.
9
Lillesand, T. & Kiefer, R. 1987. Remote Sensing and Image interpretation. New York. Wiley.

Centro de Recursos Idrisi, Brasil


Introduo ao sensoriamento remoto e processamento de imagens 23

Sensoriamento remoto multiespectral


Na interpretao visual de imagens de sensoriamento remoto, vrias caractersticas das imagens so
levadas em considerao, como a cor (ou tom, no caso de imagens pancromticas), textura, tamanho,
forma, padro, contexto e a semelhana. Entretanto, na interpretao auxiliada por computador usada
com mais freqncia simplesmente a cor (isto , o padro de resposta espectral). por esta razo que
uma forte nfase dada ao uso de sensores multiespectrais (sensores que, como o olho humano, vem
mais do que um local no espectro e por isso so capazes de captar padres de resposta espectral), bem
como ao nmero e localizao especfica das bandas espectrais desses sensores.

Banda 1: regio azul do espectro eletromagntico (0,45-0,52 m)


Banda 2: regio verde do espectro eletromagntico (0,52-0,60 m)
Banda 3: regio do vermelho (0,63-0,69 m)
Banda 4: regio do infravermelho prximo (0,76-0,90 m)
Banda 5: regio do infravermelho mdio (1,55-1,75 m)
Banda 6: regio do infravermelho termal (10,4-12,5 m)
Banda 7: regio do infravermelho mdio (2,08-2,35 m)

Figura 3-5

A figura 3-5 ilustra as bandas espectrais do sensor Thematic Mapper (TM) do LANDSAT. O satlite
LANDSAT um sistema comercial que fornece imageamento multiespectral em sete bandas espectrais
com uma resoluo espacial de 30 metros.
24 IDRISI for Windows - Manual do usurio

possvel demonstrar atravs de tcnicas analticas como a anlise de componentes principais, que na
maioria dos ambientes as bandas que carregam a maior parte da informao sobre o ambiente natural
so as dos comprimentos de onda do infravermelho prximo e do vermelho. A gua absorve fortemente
o infravermelho, o que a torna fcil de distinguir nessa regio do espectro. Alm disso, as espcies de
plantas apresentam as maiores diferenas nesta regio. A regio do vermelho tambm muito
importante porque a principal regio de absoro de energia pela clorofila para a fotossntese. Esta
banda a que melhor permite distinguir entre superfcies com vegetao e sem vegetao.

Dada a importncia das bandas do vermelho e do infravermelho prximo, no surpresa que os sistemas
de sensores projetados para o monitoramento de recursos naturais invariavelmente as incluam em
qualquer sistema multiespectral particular. A incluso de outras bandas depende da gama de aplicaes
pretendidas. Muitos sistemas incluem a banda do verde visvel porque ele pode ser usado, juntamente
com outros dois, para produzir uma composio falsa cor tradicional -- uma imagem em cor plena
derivada das bandas do verde, vermelho e infravermelho em oposio s bandas do azul, verde e
vermelho de imagens em cor natural. Este formato tornou-se comum com o advento da fotografia
infravermelha colorida, e conhecida de muitos especialistas do campo do sensoriamento remoto. Alm
disso, a combinao destas trs bandas funciona bem na interpretao da paisagem alterada e de
superfcies naturais e com vegetao. Contudo, cada vez mais comum incluir outras bandas
especificadamente direcionadas para a diferenciao dos materiais da superfcie. Por exemplo, a banda 5
LANDSAT TM est colocada entre duas bandas de absoro da gua e tem sido muito til na
determinao de diferenas de umidade do solo e das folhas. De forma similar, a Banda 7 LANDSAT
TM est direcionada para a deteco de zonas de alterao hidrotermal em superfcies de rocha exposta.
Ao contrrio do sistema LANDSAT, o sistema AVHRR, da srie de satlites NOAA, inclui vrios canais
termais para o sensoriamento da temperatura de nuvens.

Em adio s imagens multiespectrais tradicionais, alguns novos sistemas experimentais como AVIRIS
e EOS-MODIS tm a capacidade de adquirir dados hiperespectrais. Esses sistemas cobrem um intervalo
de comprimentos de onda similar mas em bandas muito mais estreitas, o que aumenta sensivelmente o
nmero de bandas disponveis para a classificao de imagens. O grande potencial de detectar
assinaturas distintas ao longo de um grande nmero de bandas torna possvel classificar dados usando
bibliotecas de curvas espectrais de diferentes materiais da Terra.

Sistemas de sensores multiespectrais


Como feito o sensoriamento multiespectral? A forma mais antiga a fotografia colorida, que ainda
muito usada atualmente. Entretanto, para fins de interpretao auxiliada por computador, os sistemas de
imageamento de estado slido so agora mais comumente usados.

Fotografia colorida
As fotografias normais so produzidas a partir de uma composio de trs camadas do filme com filtros
intercalados que atuam isolando os comprimentos de onda do vermelho, do verde e do azul. Com o filme
infravermelho colorido, estes comprimentos de onda so deslocados para os comprimentos de onda mais
longos para produzir uma composio que isola os comprimentos de onda das regies do verde,
vermelho e infravermelho prximo. Todavia, como o olho humano no enxerga o infravermelho, uma
composio em falsa cor produzida fazendo os comprimentos de onda do verde aparecerem em azul,
do vermelho aparecerem em verde e do infravermelho em vermelho.

Uma alternativa para o uso do filme colorido agrupar vrias cmeras em uma mesma instalao numa
aeronave, cada uma com filme preto e branco e um filtro especfico para isolar um intervalo especfico
de comprimentos de onda. A vantagem deste arranjo que as bandas ficam acessveis de forma
independente e podem ser fotograficamente realadas. Se uma composio colorida for desejada,
possvel cri-la mais tarde a partir das bandas individuais.

evidente que as fotografias no esto em um formato que pode ser imediatamente usado em anlise
digital. Entretanto, possvel escanear fotografias com um scanner de mesa comum e criar conjuntos de

Centro de Recursos Idrisi, Brasil


Introduo ao sensoriamento remoto e processamento de imagens 25

dados multiespectrais, tanto pelo escaneamento das imagens em bandas individuais quanto de uma
imagem colorida e posterior separao e suas bandas. Vrios sistemas SIG e/ou de processamento de
imagens oferecem essa possibilidade. Adicionalmente, tambm pode ser adquirido um software especial
para retificar imagens de baixa altitude atravs de tcnicas fotogramtricas.

Vdeo
Gravadores videocassete em formato Super VHS podem ser usados com pequenas cmeras de vdeo
CCD para produzir vdeos areos coloridos de alta qualidade. Usando vrias cmeras simultaneamente,
cada uma com um filtro para isolar um intervalo especfico de comprimentos de onda, possvel isolar
imagens de bandas multiespectrais, que podem ser usadas individualmente ou combinadas na forma de
uma composio colorida. Para uso em anlise digital, placas grficas especiais conhecidas como frame
grabbers podem ser usadas para congelar qualquer quadro de uma seqncia contnua de vdeo e
convert-lo para formato digital, geralmente em um dos mais populares formatos de intercmbio como
TIF ou TARGA.

Scanners multiespectrais
A fotografia provou ser um importante dispositivo para a interpretao visual e para a produo de
mapas analgicos. Entretanto, o desenvolvimento de plataformas em satlites e a necessidade de
telemetrar imagens na forma digital, assim como o desejo por imagens altamente consistentes, deram
impulso ao desenvolvimento de scanners de estado slido como formato principal para a captao de
dados de sensoriamento remoto. Os aspectos especficos dos diferentes sistemas variam. Na discusso
que segue apresentado um esquema representativo dos sistemas atualmente em uso.

Campo de visada
total (FOV)
Movimento do
satlite

30m
(IFOV)

185 km 185 km

Figura 3-6. Configuraes operacionais do sistema Landsat TM (Lillesand & Kiefer, 1987, adaptado10)

A lgica bsica de um sensor de escaneamento o uso de um mecanismo para varrer um pequeno campo
de visada (conhecido como instantaneous field of view -- IFOV, ou campo de visada instantneo) na
direo oeste para leste ao mesmo tempo em que o satlite est se movendo de norte para sul. Este
movimento combinado permite compor uma imagem raster completa do ambiente.

Uma tcnica simples de escaneamento usar um espelho rotativo que possa varrer o campo de visada na
direo oeste para leste de forma consistente. O campo de visada interceptado com um prisma que
pode dispersar a energia oriunda do IFOV em seus componentes espectrais. Detectores fotoeltricos (da
mesma natureza que aqueles encontrados em medidores de exposio luminosa comumente disponveis

10
Lillesand, T. & Kiefer, R. 1987. Remote Sensing and Image interpretation. New York. Wiley.
26 IDRISI for Windows - Manual do usurio

em cmeras fotogrficas) so ento dispostos no caminho deste espectro para fornecer medies eltricas
da quantidade de energia detectada em vrias partes do espectro eletromagntico. Conforme a varredura
vai de oeste para leste, estes detectores coletam um conjunto de leituras ao longo da mesma. Essas
leituras formam as colunas ao longo de uma linha de um conjunto de imagens raster -- uma para cada
detector. O movimento do satlite de norte para sul posiciona ento o sistema para detectar a prxima
linha, processo cujo final resulta na produo de um conjunto de imagens raster com um registro da
reflectncia ao longo de um intervalo de bandas espectrais.

Sistemas plataforma/sensor
Em funo dos recentes desenvolvimentos em sensores, existem atualmente vrias plataformas
disponveis para a captao de dados de sensoriamento remoto. Ns revisamos algumas das principais
combinaes plataforma/sensor normalmente disponveis para a comunidade de usurios de SIG.

Fotografia area
A fotografia area o mtodo de sensoriamento remoto mais antigo e mais amplamente usado. Cmeras
montadas em aeronaves leves voando em altitudes entre 200 e 15.000 m captam uma grande quantidade
de informao detalhada. Fotos areas fornecem um inventrio visual instantneo de uma poro da
superfcie terrestre e podem ser usadas para criar mapas detalhados. Fotografias areas so
frequentemente produzidas por empresas comerciais especializadas, que possuem e operam aeronaves
especialmente modificadas, equipadas com cmeras de grande formato (23cmx23cm) e de alta
qualidade. Fotos areas tambm podem ser obtidas a partir de cmeras de pequeno formato (35 mm e 70
mm), manuais ou acopladas em uma aeronave leve no modificada.

As configuraes de cmera e plataforma podem ser agrupadas em verticais e oblquas As plataformas


configuradas e a cmera podem ser agrupadas em termos verticais e oblquos. A fotografia area oblqua
obtida a partir de um determinado ngulo em relao ao terreno. As imagens resultantes do uma viso
semelhante de um observador olhando pela janela do avio. Estas imagens so bem mais fceis de
interpretar do que fotografias verticais, mas difcil localizar e medir feies neste tipo de foto para
propsitos de mapeamento.

A fotografia area vertical adquirida olhando diretamente para baixo. As imagens resultantes mostram
feies do terreno em forma plana e so facilmente comparadas com mapas. As fotos areas verticais so
sempre altamente desejveis, mas so particularmente teis para levantamentos de recursos em reas
onde no h mapa disponveis. Fotos areas mostram feies como padres de campo e vegetao que
so freqentemente omitidas em mapas. Comparaes entre fotos areas antigas e mais recentes podem
tambm evidenciar as mudanas dentro de uma rea ao longo do tempo.

Fotos areas verticais contm deslocamentos sutis devido ao relevo, inclinao e balano da aeronave e
distores das lentes. As imagens verticais podem ser tomadas com sobreposio, geralmente com cerca
de 60 por cento ao longo da linha de vo e pelo menos de 20 por cento entre linhas. A sobreposio de
imagens pode ser vista com um estereoscpio para criar uma viso tridimensional, chamada de modelo
estereoscpico.

Fotografia de grande formato


Empresas comerciais de levantamentos areos usam aeronaves mono ou bimotores equipadas com
cmeras de grande formato para mapeamento. As cmeras de grande formato, como a WILD RC-10,
usam filme de 23cm x 23cm que est disponvel em cartuchos. A companhia Kodak, entre outras,
fabrica vrios tipos de pelculas de filmes especialmente destinadas ao uso em fotografias areas. Um
filme negativo empregado quando o produto desejado um material impresso, enquanto filme positivo
empregado quando o produto desejado so transparncias. Filmes para impresso permitem ampliaes
de detalhes, como a produo de posters de grandes dimenses. O uso de filme para impresso til
tambm quando muitas cpias necessitam ser distribudas e usadas no campo.

Centro de Recursos Idrisi, Brasil


Introduo ao sensoriamento remoto e processamento de imagens 27

Fotografia de pequeno formato


Cmeras de pequeno formato transportadas em aeronaves alugadas so uma alternativa de baixo custo
para substituir fotos aras de grande formato. So necessrios uma cmera de 35mm ou 70mm, uma
aeronave simples e um piloto, alm de alguns meios para processar o filme. Devido existncia de
laboratrios comerciais de processamento praticamente no mundo todo, os sistemas de 35mm so
especialmente convenientes.

Fotografias oblquas podem ser tiradas com uma cmera sustentada pela mo em qualquer aeronave
simples, mas fotografias verticais requerem alguma forma de montagem especial, direcionada atravs de
uma pequena abertura na parte inferior do avio ou estendida para fora de uma porta ou de uma janela.

As fotografias areas de pequeno formato apresentam vrias limitaes. As aeronaves leves no


pressurizadas so limitadas a altitudes abaixo de 4.000m e o tamanho do filme pequeno, de forma que
sacrifcios devem ser feitos na resoluo ou na rea coberta por cada foto. Por causa das distores no
sistema da cmera, fotografias de pequeno formato no podem ser usadas quando h a necessidade de
um mapeamento preciso. Alm disso, impresses ampliadas de boa qualidade no podem ser feitas a
partir de negativos pequenos. Apesar disso, fotografias de pequeno formato podem ser muito teis para
levantamentos de reconhecimento e podem ser usadas como pontos amostrais.

Videografia
Videocmeras e gravadores leves, portteis e de baixo custo podem ser carregadas em vos alugados.
Algumas companhias de mapeamento areo oferecem a videografia como uma opo de produto de
aerolevantamento, a qual consiste em nada menos do que imagens em composio falsa cor numa
gravao contnua em vdeo tape. Da mesma forma que a fotografia de pequeno formato, o vdeo areo
no pode ser usado para mapeamento detalhado, mas propicia uma viso geral til para levantamentos
de reconhecimento, e pode ser usado juntamente com amostragem em campo.

Sistemas de satlites
Existem atualmente vrios sistemas em operao que coletam imagens subseqentemente distribudas
aos usurios. Alguns dos sistemas mais comuns so descritos abaixo. Cada tipo de dado de satlite
oferece caractersticas especficas que o tornam mais ou menos apropriado para uma aplicao em
particular.

Em geral, existem duas caractersticas que podem ajudar voc na escolha do dado do satlite: a
resoluo espacial e a resoluo espectral. A resoluo espacial refere-se ao tamanho da rea no terreno
que resumida por cada valor de dado nas imagens. Trata-se do campo de visada instantneo (IFOV)
descrito anteriormente. A resoluo espectral refere-se ao nmero e largura das bandas espectrais que o
sensor do satlite detecta. Adicionalmente, questes referentes ao custo e disponibilidade das imagens
tambm devem ser consideradas na escolha.

LANDSAT
O sistema LANDSAT de satlites para sensoriamento remoto operado pela Earth Observation Satellite
Company (EOSAT), que vende dados digitais e fotogrficos. Cenas inteiras ou um quarto delas so
disponibilizadas atravs de vrios meios de distribuio, como os produtos fotogrficos de cenas MSS e
TM em falsa cor e em preto e branco.
Existem seis satlites LANDSAT, o primeiro deles lanado em 1972. O LANDSAT 6 foi perdido no
lanamento, mas o LANDSAT 5 continua em operao.

O LANDSAT carrega dois sensores multiespectrais. O primeiro deles o scanner multiespectral


(multispectral scanner -- MSS), que obtm as imagens em quatro bandas espectrais: azul, verde,
vermelho e infravermelho prximo. O segundo o mapeador temtico (Thematic mapper -- TM), que
coleta 7 bandas: azul, verde, vermelho, infravermelho prximo, duas no infravermelho mdio e uma no
infravermelho termal. O MSS tem uma reduo espacial de 80 metros e o TM de 30 metros. Ambos os
sensores recobrem uma rea de 185km x 185km, e o satlite passa s 09:45 da hora local e retorna
mesma rea a cada 16 dias.
28 IDRISI for Windows - Manual do usurio

SPOT
O SPOT (Sistme Pour LObservation de la Terre) foi lanado e vem sendo operado por um consrcio
francs desde 1985. O SPOT carrega dois sensores de varredura High Resolution Visible -- HRV11, que
operam em modo multiespectral ou pancromtico. No modo multiespectral, o sensor coleta trs bandas,
uma banda verde, uma banda vermelha e uma banda no infravermelho prximo, com uma resoluo
espacial de 20 metros. No modo pancromtico, o sensor coleta uma nica imagem com uma resoluo
espacial de 10 metros. Ambos os modos cobrem uma faixa de 60km de largura. O sensor SPOT pode ser
direcionado para imagear ao longo de faixas de varredura adjacentes. Isto permite ao instrumento
adquirir imagens repetidas de qualquer rea at 12 vezes durante seu perodo orbital de 26 dias. A
capacidade de direcionamento faz do SPOT o nico sistema de satlite que pode adquirir imagens
estereoscpicas.

A SPOT Image Inc. comercializa vrios produtos, incluindo imagens digitais e produtos fotogrficos.
Imagens existentes podem ser compradas, mas a aquisio de novas imagens necessita ser solicitada. Os
clientes podem solicitar que o satlite seja apontado para uma direo particular para as novas
aquisies.

NOAA - AVHRR
O Advanced Very High Resolution Radiometer -- AVHRR encontra-se a bordo de uma srie de satlites
operados pela U.S. National Oceanic and Atmosferic Administration -- NOAA. Ele adquire dados ao
longo de uma faixa de 2400km diariamente. O AVHRR coleta cinco bandas, uma no vermelho, duas no
infravermelho prximo, uma no infravermelho mdio e uma no infravermelho termal. A resoluo
espacial do sensor 1,1 km e este dado chamado de cobertura de rea local (Local Area Coverage --
LAC). Para o estudo de reas muito grandes, tambm est disponvel uma verso reamostrada com
resoluo de aproximadamente 4 km, denominado cobertura de rea global (Global Area Coverage --
GAC).

O AVHRR pode ter alta resoluo para aplicaes meteorolgicas, mas as imagens retratam apenas os
padres mais extensos e apresentam pouco detalhe para uso em estudos terrestres. Todavia, eles tm uma
alta resoluo temporal, mostrando grandes reas em uma base diria. O AVHRR tem se tornado uma
escolha popular para o monitoriamento de grandes reas. As imagens AVHRR so usadas por vrias
organizaes engajadas com a previso da fome e uma parte importante de muitas atividades de alerta
de risco. As imagens do AVHRR esto disponveis na NOAA a menos de 100 dlares por imagem.

ERS-1
O European Remote Sensing Satellite -- ERS- 1 um novo sistema desenvolvido pela agncia espacial
europia. At o momento desta publicao, ela ainda estava operando em modo experimental. O sistema
propicia complemento interessante para os outros produtos de imagens comerciais, oferecendo vrios
formatos de sada de imagens de Radar. Para aplicaes de SIG, a principal sada de interesse o Radar
de visada lateral (side-looking airborne Radar -- SAR), sada que prov faixas de 100 km de largura
com uma resoluo espacial de 30m. Isto de considervel interesse numa variedade de aplicaes,
incluindo estudos de vegetao e projetos de mapeamento, onde a cobertura de nuvens um problema
persistente.

RADARSAT
O RADARSAT um satlite de observao da Terra lanado em novembro de 1995 pela Canadian
Space Agency. Os dados so distribudos pela RADARSAT International (RSI) a partir de Richmond,
Colmbia Britnica, Canad. A resoluo espacial das imagens varia de 3 a 100 metros e o intervalo de
repetio de cobertura do terreno de 24 dias. Os sensores podem ser direcionados para o local de
interesse, o que possibilita a coleta de imagens estereoscpicas. O sinal de Radar tambm penetra a
cobertura de nuvens, atingindo reas no visveis para outros sistemas de sensoriamento remoto. Ao
contrrio dos outros sistemas, o sinal de Radar retornado afetado mais pelas caractersticas eltricas e

11
Os sensores de varredura produzem uma sada semelhante de um scanner. Entretanto, no h movimento de escaneamento como
nos mesmos. Ao contrrio, o sensor consiste de um denso arranjo de detectores -- um para cada clula raster na linha de varredura --
que movido atravs da cena.

Centro de Recursos Idrisi, Brasil


Introduo ao sensoriamento remoto e processamento de imagens 29

fsicas (principalmente a textura) do alvo do que pela sua reflexo e padro espectral, necessitando por
isso de tcnicas especiais de interpretao e georreferenciamento. Comparado a outros tipos de imagens
de sensoriamento remoto, o uso de dados de Radar ainda est no incio, mas tem um enorme potencial.

AVIRIS
O AVIRIS um sistema experimental que produz dados hiperespectrais. Ele coleta dados em 224
bandas ao longo do mesmo intervalo de comprimentos de onda do LANDSAT. Est previsto para 1998 o
lanamento de outro sistema, o EOS-MODIS, para coletar dados em 36 bandas que cobrem o mesmo
intervalo do sistema AVHRR.

Georreferenciamento de imagens e fotogrametria


Para propsitos de mapeamento, essencial que quaisquer formas de imagens de sensoriamento remoto
sejam referenciadas com exatido ao mapa proposto como base. Com as imagens de satlite, a grande
altitude das plataformas resulta num deslocamento mnimo devido ao relevo, sendo o
georreferenciamento normalmente feito atravs do uso de um processo de transformao sistemtica que
suavemente empena a imagem (atravs de equaes polinomiais) com base nas posies conhecidas de
um conjunto de pontos de controle dispersos. Esta capacidade est disponvel no IDRISI for Windows
atravs do mdulo RESAMPLE.

Com fotografias areas o processo mais complexo. No existem somente distores sistemticas
relacionadas ao balano e variao de altitude da aeronave. A variao topogrfica do relevo leva a
distores muito irregulares que no podem ser removidas atravs de procedimentos de transformao
do tipo rubber sheet como os usados nas imagens orbitais. Nestas condies, necessrio usar restituio
fotogramtrica para remover estas distores e propiciar medidas de mapa mais exatas.

Fotogrametria a cincia de fazer medies espaciais a partir de fotografias areas. Para obter uma
restituio plena necessrio ter imagens estereoscpicas, fotografias que se sobrepem o suficiente (p.
ex., 60% na direo da linha e 10% entre as linhas de vo) para proporcionar duas imagens
independentes de cada parte da paisagem. Usando estes pares estereoscpicos e pontos de controle no
terreno com posio e altitude conhecidas, possvel recriar inteiramente a geometria das condies de
visada e, atravs disso, no apenas retificar medidas dessas imagens como tambm derivar medidas de
altitude do terreno. As fotografias retificadas so chamadas de ortofotos. As medidas de altitude podem
ser usadas para produzir modelos digitais de elevao.

A retificao fotogramtrica requer hardware e software especializados que so tradicionalmente muito


caros. Todavia, existem atualmente alguns produtos fotogramtricos de custo relativamente baixo
entrando no mercado e que podem propiciar retificao de alta qualidade com investimentos menores.
Apesar disso, a retificao permanece sendo uma atividade especializada e requer a experincia de um
profissional adequadamente treinado.

Processamento digital de imagens


Como resultado de scanners multiespectrais de estado slido e de outros dispositivos raster temos
atualmente disponveis imagens raster digitais com dados de reflectncia espectral. A grande vantagem
de ter estes dados na forma digital a possibilidade de utilizar as tcnicas de anlise em computador
para os dados das imagens -- um campo de estudo chamado de processamento digital de imagens.

O processamento digital de imagens est fortemente direcionado a quatro operaes bsicas:

- correo das imagens


- realce das imagens
- classificao das imagens
- transformao das imagens
30 IDRISI for Windows - Manual do usurio

A correo diz respeito correo e calibrao das imagens de forma a obter uma representao da
superfcie da Terra o mais fiel possvel realidade -- uma considerao fundamental para todas as
aplicaes. O realce est predominantemente voltado modificao das imagens para otimizar sua
aparncia para o sistema visual. A anlise visual um elemento chave, mesmo no processamento digital
de imagens, e os efeitos das tcnicas de realce podem ser significativos. A classificao refere-se
interpretao de imagens auxiliada por computador -- uma operao vital para uso em SIG. Finalmente,
a transformao de imagens refere-se derivao de novas imagens atravs de algum tratamento
matemtico das bandas das imagens brutas.

Para compreender as operaes listadas nesta seo necessrio ter acesso a um software de
processamento de imagens. Entretanto, como j foi afirmado anteriormente, muitos sistemas raster
oferecem atualmente uma mistura de ferramentas de SIG e de processamento de imagens. No IDRISI for
Windows, os mdulos encontrados no menu de Anlise/Processamento de imagens permitiro a voc
realizar todos os procedimentos descritos a seguir.

Correo de imagens
Imagens de sensoriamento remoto do meio ambiente so usualmente captadas a grande distncia da
superfcie da Terra. Como consequncia, h um percurso atmosfrico substancial que a energia
eletromagntica precisa atravessar antes de chegar ao sensor. Dependendo dos comprimentos de onda
envolvidos e das condies atmosfricas, a energia que atinge o sensor pode ser substancialmente
modificada. O prprio sensor pode interferir, uma vez que pode combinar uma variedade de
componentes mecnicos, ticos e eltricos que servem para modificar ou mascarar a energia radiante
medida. Alm disso, durante o perodo em que a imagem est sendo adquirida, o satlite segue uma
faixa que est sujeita a pequenas variaes ao mesmo tempo em que a Terra se move abaixo dele. A
geometria da imagem est, portanto, constantemente sofrendo alteraes. Finalmente, o sinal necessita
ser telemetrado de volta Terra e subseqentemente recebido e processado para produzir os dados finais
que recebemos. Conseqentemente, uma variedade de distrbios sistemticos e aparentemente aleatrios
podem se combinar para degradar a qualidade da imagem que recebemos no final. A correo de
imagens procura remover estes efeitos de degradao.

A correo de imagens pode ser subdividida nas sub-reas de correo geomtrica e de correo
radiomtrica.

Correo radiomtrica
A correo radiomtrica refere-se remoo ou diminuio de distores no grau nvel de energia
eletromagntica registrado por cada detector. Vrios agentes podem causar distores nos valores
registrados para as clulas de uma imagem. Algumas das distores mais comuns, para as quais existem
procedimentos de correo, incluem:

- valores elevados uniformemente, devido nebulosidade da atmosfera, que espalha


principalmente bandas de comprimento de onda curto (particularmente os comprimentos de
onda do azul);

- listras/faixas, devido descalibrao dos detectores;

- rudos aleatrios, devido imprevisibilidade e performance no sistemtica do sensor ou da


transmisso dos dados;

- perda de linhas de varredura, devido perda de sinal de detectores especficos.

Convm tambm incluir aqui procedimentos que so usados para converter os valores brutos de
reflectncia relativa das bandas originais, sem unidades, para medidas reais de potncia reflexiva.

Centro de Recursos Idrisi, Brasil


Introduo ao sensoriamento remoto e processamento de imagens 31

Veja o captulo Correo de imagens na seo TPICOS ESPECIAIS do Manual do usurio para uma
discusso mais detalhada sobre correo radiomtrica e como ela pode ser implementada no IDRISI for
Windows.

Correo geomtrica
Com imagens de satlite comerciais como as do LANDSAT e do SPOT, a maior parte dos elementos de
distoro geomtrica associados aquisio das imagens so corrigidos pelos distribuidores das
imagens. Esses elementos incluem:

- correo de skew (deformao) - para considerar o fato de que a Terra se move enquanto
uma imagem adquirida;

- correo das distores do scanner - para explicar o fato de que o campo de visada
instantneo (IFOV) cobre mais territrio no final das linhas de varredura (onde o ngulo de
viso mais oblquo) do que no meio.

Parece lgico que deveramos incluir a transformao do tipo rubber sheet e outros procedimentos de
georreferenciamento nesta seo. Entretanto, com georreferenciamento, a questo no restaurar as
caractersticas originais dos dados, mas modific-las atravs de uma reorientao e retroprojeo da
imagem para encontrar as caractersticas finais desejadas.

Veja o captulo Georreferenciamento na seo TPICOS ESPECIAIS do manual para acompanhar


uma discusso mais aprofundada sobre como isso est implementado no IDRISI for Windows.

Realce de imagens
O realce de imagens diz respeito modificao de imagens para torn-las mais apropriadas s
capacidades da viso humana. Independente da extenso da interveno digital, a anlise visual
invariavelmente desempenha um papel muito importante em todos os aspectos do sensoriamento remoto.
Embora a gama das tcnicas de realce de imagens seja ampla, as seguintes questes fundamentais
formam a espinha dorsal nesta rea:

Ampliao de contraste
Os sensores digitais tm um amplo intervalo de valores de sada para acomodar os valores altamente
variveis de reflectncia que podem ser encontrados em diferentes ambientes. Entretanto, em qualquer
ambiente simples, freqentemente apenas um intervalo estreito de valores ocorre na maior parte das
reas e a distribuio dos nveis de cinza tende a ser muito distorcida. Procedimentos de manipulao de
contraste so ento essenciais para a maior parte das anlises visuais.

Gerao de composies
Para anlise visual, as composies coloridas fazem melhor uso das capacidades do olho humano.
Dependendo dos sistemas grficos em uso, a gerao de composies varia da simples seleo das
bandas a serem usadas a procedimentos mais avanados de combinao de bandas e ampliao de
contraste.

Filtragem digital
Uma das possibilidades mais intrigantes da anlise digital a de aplicar filtros digitais. Os filtros podem
ser usados para promover o realce de bordas (algumas vezes tambm chamado crispening na literatura),
para remover a nvoa (falta de definio) da imagem e para isolar lineamentos e tendncias direcionais,
para mencionar apenas algumas aplicaes.

Classificao de imagens
A classificao de imagens refere-se interpretao de imagens de sensoriamento remoto auxiliada por
computador. Embora alguns procedimentos permitam incorporar informaes acerca de caractersticas
das imagens, como textura e contexto, a maior parte da classificao de imagens baseia-se
32 IDRISI for Windows - Manual do usurio

exclusivamente na deteco de assinaturas espectrais (isto , padres de resposta espectral) de classes de


cobertura do solo. O sucesso com o qual isto pode ser feito depende de duas coisas: 1) da presena de
assinaturas distintas para as categorias de cobertura do solo de interesse no conjunto de bandas a ser
usado; e 2) da habilidade para distinguir com segurana estas assinaturas de outros padres de resposta
espectral que possam estar presentes.

Um passo vital no processo de classificao a avaliao da exatido das imagens finais produzidas. Isto
envolve a identificao de um conjunto de locais amostrais que so visitados no campo. A classe de
cobertura do solo encontrada no campo ento comparada que foi mapeada na imagem para os
mesmos locais. As avaliaes estatsticas de exatido podem ento ser derivadas para a rea de estudo
inteira, assim como para as classes individuais.

A classificao de imagens pode ser dividida em supervisionada e no supervisionada, de acordo com a


forma como a classificao conduzida. No caso da classificao supervisionada, a tarefa consiste em
detectar tipos especficos de cobertura do solo j conhecidos, enquanto que na classificao no
supervisionada o analista busca definir todas as categorias de cobertura do solo existentes na imagem em
certos nveis de generalizao. Para ambos os tipos de classificao, o IDRISI for Windows oferece
classificadores rgidos e relativos que so nicos no tipo de resultado produzido pela classificao. No
caso de classificadores rgidos (tradicionais), uma deciso definida feita sobre a associao de um pixel
a uma classe determinada. Os classificadores relativos, ao contrrio, adotam uma abordagem fuzzy para
a avaliao dessa associao e do grau com que um pixel pertence a todas as classes envolvidas,
incluindo as classes desconhecidas. Adicionalmente, o IDRISI for Windows oferece classificadores que
reconhecem explicitamente a presena de classes mistas de cobertura do solo em um nico pixel. Ele
ainda oferece a tcnica para o desenvolvimento de assinaturas fuzzy, que tambm leva em conta a
mistura de classes. Todas essas tcnicas acrescentam maior controle da incerteza no desenvolvimento de
cada assinatura ou no estgio de final classificao. Todas as tcnicas de classificao relativa produzem
uma superfcie de incerteza na classificao para auxiliar o usurio na determinao de fontes e tipos de
incerteza que ocorrem durante o processo de classificao.

Classificao supervisionada
Com a classificao supervisionada ns identificamos exemplos das classes de informao (isto , tipos
de cobertura do solo) de interesse na imagem. Estes exemplos so chamados reas de treinamento. O
sistema de processamento de imagens ento usado para desenvolver uma caracterizao estatstica das
reflectncias para cada classe de informao. Este estgio freqentemente chamado anlise de
assinaturas e pode envolver o desenvolvimento de uma caracterizao to simples quanto a mdia ou o
intervalo de reflectncias em cada banda, ou to complexo como anlises detalhadas da mdia,
varincias e covarincias em todas as bandas.

Uma vez que a caracterizao estatstica tiver sido obtida para cada classe de informao, a imagem
ento classificada atravs do exame das reflectncias de cada pxel para decidir com qual das assinaturas
ele mais se parece. H vrias tcnicas para tomar estas decises, e elas so com freqncia denominadas
de classificadores. A maior parte dos software de processamento de imagens oferece mais de um
classificador. O IDRISI for Windows oferece trs classificadores rgidos supervisionados comumente
usados: por paraleleppedo, mnima distncia s mdias e por mxima verossimilhana. Cada um deles
emprega uma lgica diferente para atribuir pixels a classes. Adicionalmente, um novo grupo de
classificadores rgidos foi includo especificamente para o processamento de imagens hiperespectrais.
Eles incluem os classificadores por mapeamento de ngulo espectral e por distncia mnima s mdias
hiperespectrais.

Classificao no supervisionada
Em contraste com a classificao supervisionada, onde informamos ao sistema o carter ( isto ,
assinatura) das classes de informao pelas quais estamos procurando, a classificao no
supervisionada no requer qualquer informao prvia sobre as classes de interesse. Ela examina os
dados e os divide nos agrupamentos espectrais naturais predominantes presentes na imagem. O analista
ento identifica esses agrupamentos como classes de cobertura do solo, atravs de uma combinao de
sua familiaridade com a regio estudada e visitas para levantamento de verdade de campo.

Centro de Recursos Idrisi, Brasil


Introduo ao sensoriamento remoto e processamento de imagens 33

A lgica com a qual a classificao no supervisionada trabalha conhecida como anlise de


agrupamento (ou cluster) e fornecida pelo IDRISI for Windows atravs do mdulo CLUSTER.
CLUSTER efetua a classificao de imagens compostas que combinam as bandas de informao mais
teis. importante reconhecer, entretanto, que os agrupamentos que a classificao no supervisionada
produz no so classes de informao, mas categorias espectrais (isto , eles agrupam feies (pixels)
com padres de reflectncia similares). Geralmente o analista necessita reclassificar as classes espectrais
em classes de informao. Por exemplo, o sistema pode identificar classes diferentes para asfalto e
cimento, que o analista deve agrupar posteriormente para criar uma classe de informao chamada de
pavimento.

A classificao no supervisionada est se tornando muito popular em agncias envolvidas na


manuteno de bases de dados de longo perodo para SIG, principalmente por que atualmente h
sistemas que usam procedimentos de agrupamento extremamente rpidos e que necessitam poucos
parmetros operacionais. Dessa forma, tem sido possvel treinar analistas de SIG com pouca
familiaridade com o sensoriamento remoto a executar classificaes que satisfazem os padres de
exatido tpicos de mapas. Com procedimentos adequados de trabalho de campo e avaliao de exatido,
essa ferramenta pode representar uma maneira rpida e eficaz de produzir dados confiveis de cobertura
do solo de forma contnua.

Alm das duas tcnicas mencionadas acima, dois mdulos unem as classificaes supervisionada e no
supervisionada. O mdulo ISOCLUST usa anlise de agrupamento auto-organizativa para classificar at
7 bandas brutas com o nmero de agrupamentos especificado pelo usurio. O mdulo MAXSET usa
assinaturas para criar um resultado que inclui tanto classes definidas por essas assinaturas quanto as
classes para suas possveis combinaes. Ele reconhece explicitamente a existncia de pixels mistura
(classificao sub-pixel) e pode atribuir um pixel a uma classe para a qual no foram fornecidos dados de
treinamento exclusivos.

Todos esses tipos de classificao pertencem ao grupo de classificadores rgidos porque, de acordo com
sua lgica intrnseca, eles fazem um julgamento final sobre a classe ou grupo de classes ao qual cada
pixel deve ser atribudo (ou pixels so deixados como no classificados).

Classificaes rgidas e relativas


Diferente dos classificadores rgidos, os classificadores relativos protelam uma deciso definitiva sobre a
associao de qualquer pixel a uma classe. Em vez de uma imagem de sada final, eles produzem um
conjunto de imagens, cujo nmero depende do nmero de assinaturas envolvido na classificao. As
imagens resultantes avaliam o grau com o qual um pixel pertence a uma classe ou combinao de
classes. Vrios mtodos de classificao relativa so oferecidos, incluindo aqueles baseados na teoria de
probabilidade Bayesiana, teoria Dempster-Shafer e teoria de conjuntos Fuzzy. Eles tratam vrias
questes da maior significncia para o processamento de imagens em computador, como a anlise de
misturas, avaliao de evidncia em suporte s classes envolvidas, reconhecimento de conhecimento
incompleto e presena de classes desconhecidas.

Veja o captulo Classificao de imagens de sensoriamento remoto na seo TPICOS ESPECIAIS


para acompanhar uma discusso detalhada das tcnicas tradicionais versus novas tcnicas de
classificao.

Transformao de imagens
O processamento digital de imagem oferece uma gama ilimitada de possveis transformaes em dados
de sensoriamento remoto. So mencionadas aqui especificamente duas, por causa de sua importncia em
aplicaes em monitoriamento ambiental.

ndices de vegetao
H uma variedade de ndices de vegetao que tm sido desenvolvidos para auxiliar no monitoriamento
da vegetao. A maior parte est baseada em interaes entre a vegetao e a energia eletromagntica
34 IDRISI for Windows - Manual do usurio

nos comprimentos de onda do vermelho e do infravermelho prximo. Vamos voltar temporariamente


ilustrao 3-4, que inclui um padro de resposta espectral mais geral para vegetao verde de folhas
grandes. Como pode ser visto, a reflectncia na regio do vermelho (cerca de 0,6 - 0,7) baixa devido
absoro pelos pigmentos das folhas (principalmente clorofila). A regio do infravermelho
(aproximadamente 0,8 - 0,9 ), entretanto, mostra caracteristicamente alta reflectncia por causa do
espalhamento por parte da estrutura das clulas das folhas. Um ndice de vegetao muito simples pode
ser obtido dividindo a medida da reflectncia no infravermelho pela reflectncia no vermelho. reas de
vegetao densa tero como resultado um valor de ndice muito alto.

Embora um razovel nmero de variantes desta lgica bsica tenha sido experimentada, a nica que
recebeu mais ateno a do ndice de vegetao de diferena normalizada (NDVI). Ele calculado da
seguinte maneira:

NDVI = (NIR - R) / (NIR + R)


onde NIR = Infravermelho prximo
e R = Vermelho

Este tipo de clculo bastante simples para um SIG raster ou um sistema de processamento de imagens,
e o resultado tem mostrado boa correlao com as medidas de biomassa no terreno. Embora necessite
calibrao especfica para ser usado como uma medida real de biomassa, muitas agncias acharam o
ndice til como uma medida relativa para fins de monitoriamento. Por exemplo, a Organizao das
Naes Unidas para Alimentao e Agricultura (United Nations Food and Agricultural Organization --
FAO), o Sistema em Tempo Real de Informao da frica (Africa Real Time Information System --
ARTEMIS) e o Sistema de Alerta Contra a Fome do USAID (Famine Early Warning System -- FEWS),
usam imagens NDVI em escala continental derivadas do sistema NOAA - AVHRR para produzir
imagens de ndice de vegetao para todo o continente africano a cada dez dias.

Veja o captulo ndices de vegetao na seo TPICOS ESPECIAIS para uma discusso detalhada de
uma variedade de clculos potenciais.

Anlise de componentes principais


A anlise de componentes principais (PCA) uma tcnica de transformao linear relacionada com
anlise fatorial. Para um conjunto de bandas de imagem, a tcnica PCA produz um novo conjunto de
imagens, conhecidas como componentes, que esto decorrelacionadas umas com as outras e que so
ordenadas em termos da varincia do conjunto de bandas original que explicam.

A PCA tem sido tradicionalmente usada no sensoriamento remoto como um meio de compactao de
dados. Para um conjunto tpico de bandas de imagem multiespectral, comum descobrir que as
primeiras duas ou trs componentes so capazes de explicar virtualmente toda a variabilidade original
nos valores de reflectncia. As ltimas componentes tendem a ser dominadas por efeitos de rudo.
Rejeitando estas ltimas componentes, o volume de dados reduzido sem perda aprecivel de
informao.

Recentemente, a PCA tem mostrado ter aplicao especial para o monitoriamento ambiental. Nos casos
onde imagens multiespectrais esto disponveis para duas datas, as bandas de ambas as imagens so
submetidas PCA como se todas elas viessem da mesma imagem. Nestes casos, mudanas entre as duas
datas tendem a aparecer nos ltimos componentes. Mais nitidamente, se uma srie temporal de imagens
NDVI (ou um ndice similar) submetida anlise; uma viso muito detalhada das mudanas
ambientais e tendncias pode ser obtida. Neste caso, a primeira componente mostrar o NDVI tpico
sobre a srie completa, enquanto cada componente sucessiva ir ilustrar eventos de mudana em uma
seqncia com importncia ordenada. Examinando-se estas imagens, juntamente com grficos da sua
correlao com as bandas individuais na sries original, pode ser obtida uma percepo importante da
natureza das mudanas e tendncias sobre a srie temporal.

Centro de Recursos Idrisi, Brasil


Introduo ao sensoriamento remoto e processamento de imagens 35

Concluses
Dados de sensoriamento remoto so importantes para uma grande variedade de disciplinas. Essa
importncia certamente aumentar com a maior disponibilidade de dados prometida por um crescente
nmero de sistemas operacionais. A disponibilidade destes dados, associada ao software necessrio para
analis-los, oferece oportunidades para planejadores e estudantes da rea ambiental, particularmente nas
reas de mapeamento de uso do solo e deteco de mudanas, das quais no se ouvia falar h poucas
dcadas atrs.

A estrutura raster inerente aos dados de sensoriamento remoto os torna prontamente compatveis com os
SIG raster, e vrios, incluindo o IDRISI for Windows, so projetados para desempenharem tarefas de
processamento de imagens e para facilitar a incorporao dos resultados em anlises de SIG. O IDRISI
for Windows excepcional pelo fato de que oferece tcnicas avanadas de classificao de imagens em
adio a um avanado sistema de anlise geogrfica.
EXERCCIOS TUTORIAIS
INTRODUTRIOS

Estes exerccios esto organizados para possibilitar de forma estruturada a compreenso de sistemas de
informao geogrfica, de processamento de imagens e de outras tcnicas de anlise geogrfica
disponveis no sistema IDRISI for Windows. Os exerccios esto divididos da seguinte forma:

Introduo ao Sistema IDRISI for Windows


1. O ambiente do IDRISI for Windows
2. O sistema de visualizao
3. Composio de mapas
4. Tabelas de cores, smbolos e autoescalonamento

Introduo modelagem cartogrfica

Anlise em sistemas de informao geogrfica


5. Consulta ao banco de dados
6. Operadores de distncia e de contexto
7. Automao de anlises com macros
8. Distncias de custo e caminhos de menor custo
9. lgebra com mapas
10. Oficina de banco de dados

Processamento de imagem
11. Explorao de imagens
12. Classificao supervisionada
13. Anlise de componentes principais
14. Classificao no supervisionada

Importao de dados e georreferenciamento


15. Georreferenciamento de imagens usando reamostragem
16. Bases de dados cartogrficos digitais
17. Alterao do sistema de referncia com PROJECT
36 IDRISI for Windows - Manual do usurio

Enquanto estiver trabalhando nestes exerccios, voc poder acessar a seo MDULOS DO
PROGRAMA no Sistema de ajuda sempre que encontrar um novo mdulo. Voc poder consultar o
GLOSSRIO, sempre que encontrar termos que no lhe so familiares.

Os exerccios devem ser seguidos em ordem: o conhecimento dos conceitos apresentados no incio ser
considerado sob domnio nos exerccios posteriores, e os exerccios posteriores s vezes dependem de
imagens produzidas em exerccios anteriores. No final de cada exerccio voc ser informado sobre as
imagens que devero ser guardadas para os exerccios seguintes. Quaisquer outras imagens criadas
durante o exerccio podem ser excludas para liberar espao no disco rgido.

Em cada exerccio, as sees nas quais requerida uma ao no computador so indicadas com letras do
alfabeto. Ao longo do exerccio tambm aparecero questes numeradas. Para um instrutor, as respostas
a estas questes numeradas, juntamente com algum material impresso relevante, pode servir como base
para reviso.

Antes de comear, observe o seguinte:

1. Ao usar procedimentos analticos que requerem mais do que uma imagem de entrada, as
imagens devem ter exatamente as mesmas dimenses (i.e., linhas e colunas). Isto um
elemento inerente ao IDRISI for Windows - imagens devem descrever exatamente a mesma
rea quando usadas em combinao.
2. Examine cada resultado (mesmo intermedirio) usando o Lanador de visualizao. Caso no
esteja correto, pare e repense sobre o que voc fez. A anlise geogrfica pode estar ligada a
operaes em cascata, cada qual dependendo da anterior. Como resultado, podem haver becos
sem sada, similar ao que acontece nos jogos de aventura. Alm disso, os erros acumulam-se
rapidamente. Seu maior seguro contra isso pensar cuidadosamente sobre o resultado esperado
e ento examinar cada produto para ver se ele preenche suas expectativas.

Exerccios tutoriais ilustrando uma seleo de aplicativos avanados do sistema IDRISI for Windows
podem ser encontrados nos Exerccios tutoriais avanados deste manual.

Centro de Recursos Idrisi, Brasil


1. O ambiente do IDRISI for Windows

Para iniciar o IDRISI for Windows clique sobre o cone do aplicativo IDRISI no grupo de programas do
IDRISI for Windows. Com isso ser carregado o sistema do IDRISI for Windows. O sistema oferece um
ambiente de trabalho completo e roda normalmente em estado maximizado (i.e., ele ocupa a tela toda).

a) Uma vez carregado o sistema, note que a tela possui quatro componentes distintos. No topo, ns
temos o menu principal, abaixo do qual aparece a barra de ferramentas com cones para acesso
rpido aos mdulos mais comuns. Abaixo desta est a rea de trabalho principal e, mais abaixo,
a barra de status.

A barra de status fornece mensagens teis sobre a operao e a performance do sistema. A ttulo
de exemplo, mova o mouse sobre os cones da barra de ferramentas e observe a barra de status,
na parte inferior esquerda do seu vdeo. Ainda que deseje memorizar o mais depressa possvel o
que cada um desses cones representa, voc pode conseguir saber isso simplesmente
posicionando o cursor do mouse sobre o cone em questo. Observe que alguns dos cones
aparecem em cor cinza. Eles esto desligados porque s podem ser usados em certas
circunstncias (tal como quando um mapa est sendo visualizado) mas aparecero coloridos
quando estiverem ativos.

b) Mova agora o cursor para o cone mais esquerda da barra de ferramentas e clique sobre o
mesmo com o boto esquerdo do mouse. Como a barra de status informa, isso abre o mdulo
ENVIRON. ENVIRON o mais bsico dos mdulos, no qual definido o diretrio de trabalho.
Normalmente os usurios do IDRISI for Windows criam diferentes subdiretrios para os
diversos projetos em que trabalham, necessitando, por isso, trocar de diretrio freqentemente.
Este o propsito do mdulo ENVIRON, motivo pelo qual o primeiro cone da barra de
ferramentas.

Caso isso ainda no tenha sido feito, defina o diretrio de trabalho como aquele onde esto
armazenados os dados dos exerccios tutoriais (p. ex., c:\exercise). Observe que voc tem duas
maneiras de fazer isso. Uma digitar o nome do diretrio dentro da caixa de dilogo e
pressionar o boto OK. Todavia, voc pode tambm selecionar o drive e o diretrio diretamente
da lista abaixo da caixa de dilogo. Para mudar o drive, clique no boto de troca de drive e d
um clique simples sobre o drive desejado. Para alterar o subdiretrio voc necessita dar um
clique duplo sobre o subdiretrio desejado, na lista de subdiretrios. Fazendo isso, o nome do
subdiretrio escolhido vai automaticamente para a caixa de dilogo acima da lista. Veja que
voc pode clicar no diretrio ao topo da lista (o diretrio raiz -- p. ex., c:\) para ver a lista dos
subdiretrios principais no drive escolhido. Quando a caixa de dilogo no topo da janela do

Centro de Recursos Idrisi, Brasil


38 IDRISI for Windows - Exerccios tutoriais introdutrios

ENVIRON estiver corretamente definida, clique no boto OK para que as mudanas escolhidas
sejam implementadas. A caixa de dilogo tambm ser fechada neste momento.

Ao longo deste tutorial, sempre que uma opo no for mencionada, deixe os valores padro como esto.
Por exemplo, na caixa de dilogo de ENVIRON, voc pode indicar suas unidades de referncia padro e
as extenses de arquivo padro. Como estas opes no so mencionadas nas instrues, deixe-as com
seus valores padro originais.

c) Agora mova o cursor sobre o menu principal do sistema. Observe que isso tambm permite uma
explanao mais detalhada na barra de status. Selecione o menu Ambiente e escolha o primeiro
item neste menu -- ENVIRON. Como voc pode ver, isto o leva ao mesmo mdulo descrito
acima. A barra de ferramentas oferece uma opo mais rpida de acesso aos mdulos mais
utilizados com maior freqncia, mas o menu a forma principal de fazer isso.

Enquanto voltamos ao item ENVIRON do menu Ambiente, aproveite para observar algumas de
suas demais caractersticas. Primeiro, veja que ele ilustra qual o seu cone correspondente na
barra de ferramentas. Todos os mdulos que tm cones os ilustram na sua caixa de dilogo. Em
seguida, observe que aparece um boto de Ajuda. Clique sobre ele.

O Sistema de ajuda do IDRISI for Windows bastante extenso. Ele propicia uma referncia
tcnica completa, que seu recurso primrio para esclarecer detalhes no uso de cada mdulo.
Voc pode notar que, para cada mdulo, dada uma descrio do seu propsito, seguido das
chaves para as sees Operao, Notas, Mensagens de erro e Comandos macro (se aplicvel).
Veja que estas chaves aparecem coloridas e sublinhadas. Clique sobre a chave Operao, que
levar voc para a seo sobre como operar o mdulo ENVIRON. Para retornar para onde voc
estava anteriormente, clique sobre o boto Voltar. Observe tambm que h um boto
denominado Localizar. Clique sobre ele e digite IDRISI. Essa opo de busca permite a voc
no apenas encontrar informao sobre qualquer mdulo do IDRISI, mas tambm sobre
qualquer outro tpico. O Sistema de ajuda possui um glossrio completo dos termos que voc
pode encontrar no uso do seu sistema IDRISI for Windows.

Para sair do sistema de ajuda use o procedimento normal de sada de qualquer janela do
Windows (no Windows 3.1 ou Windows NT 3.5 d um clique duplo no boto do canto superior
esquerdo; no Windows 95 clique no boto X na barra superior da janela; voc pode tambm
usar a opo Arquivo/Sair.

Uma vez que definimos nosso diretrio de trabalho e no desejamos fazer mais nenhuma
alterao, podemos sair do ENVIRON de trs formas. A mais comumente usada clicar no
boto Cancelar. Voc tambm pode usar as formas descritas acima para sair do sistema de
ajuda. Entretanto, no IDRISI for Windows, voc pode pressionar a tecla Esc do seu teclado.
Use a forma que voc preferir e saia agora do ENVIRON.

d) Retorne agora para o menu Ambiente e escolha a opo Atalho. Essa a terceira forma (alm
da barra de ferramentas e da seleo a partir do menu principal) pela qual os mdulos do
IDRISI for Windows podem ser acessados. O Atalho projetado para aqueles que preferem
digitar ou selecionar nomes dos mdulos, como fazem muitos usurios das verses do IDRISI
for DOS. Tente digitar a palavra ENVIRON e observe o que acontece durante a digitao de
cada caracter. Veja que ele continuamente procura descobrir o mdulo que voc deseja. Neste
caso em particular, ele sabe aps a digitao de apenas dois caracteres (EN). A partir deste
ponto voc pode continuar digitando se quiser, embora no seja mais necessrio. To logo tenha
visto o mdulo desejado selecionado na lista, voc pode pressionar a tecla Enter (ou Return) do
seu teclado ou clicar no boto OK Experimente apertar a tecla Enter. Saia do ENVIRON e
clique no boto Cancelar do Atalho. Isso remove o Atalho da tela. Se voc acha que vai usar
bastante este recurso durante seu trabalho, deixe-o aberto na tela durante o tempo que desejar.

e) Retorne mais uma vez ao menu Ambiente. Observe que abaixo do Atalho h mais uma srie de
tens. Cada item define se uma propriedade fica ligada ou desligada. Como voc pode ver a
1.O ambiente do IDRISI for Windows 39

Proteo de escrita, a Barra de ferramentas e a Barra de status esto ligadas enquanto Exibir
recursos est desligado. Para ver o que cada um desses tens faz, clique no item da barra de
status e da barra de ferramentas. Normalmente eles so deixados ligados, mas poder acontecer
de voc desejar uma rea de visualizao maior. Esse item permite remover esses itens para
liberar espao. A proteo contra sobrescrita ir avis-lo sempre que voc estiver gravando um
arquivo com o mesmo nome de algum arquivo j existente em seu diretrio de dados. Esta
uma precauo de segurana que ns aconselhamos seja deixada ligada. Entretanto, voc est
livre para remov-la, se desejar. Finalmente, o item Mostrar recursos pode ajud-lo a
diagnosticar problemas no uso do sistema Windows. Com Windows 3.1 (e bem menos em
Windows 95), um conjunto de buffers especiais de memria so utilizados para controlar os
elementos do Windows. Esses buffers surpreendentemente pequenos (chamados de System,
Graphics Device Interface e User Resource buffer) podem ficar sobrecarregados e levar a
comportamentos muito incomuns e instveis, levando no final a um erro de falta de memria
(Out of memory). Isto ilusrio j que h memria abundante, somente insuficiente nesses
buffers especficos. Caso voc estiver tendo problemas como esse, tente ligar o item Mostrar
recursos -- ele substituir o relgio e mostrar a porcentagem do System (s), Graphics Device
Interface (g) e User Resource buffer (u) que esto disponveis12.

Antes de continuar, ligue tanto a barra de ferramentas quanto a barra de status.

Isso completa nossa explorao do ambiente do IDRISI for Windows. Voc ir perceber que existe mais
uma entrada no menu Ambiente -- Preferncias. Iremos estud-la apenas para saber que serve para
definir as caractersticas padro do sistema de visualizao (o qual veremos no prximo exerccio) e o
idioma13 a ser utilizado. Aplicaes especficas criadas pelo usurio e especificadas nas Preferncias
aparecem e podem ser executadas a partir do menu Arquivo. Assim, possvel executar qualquer outra
aplicao a partir do menu principal do IDRISI for Windows.

Como voc pode ver no menu principal, o menu Ambiente apenas um dos vrios grupos de mdulos.
Esse agrupamento de mdulos pode ser til, mais tarde, para voc explorar o sistema de menus, olhando
na barra de status para obter informaes genricas ou utilizando o sistema de ajuda on-line para saber
detalhes especficos de cada mdulo.

Imediatamente direita do menu Ambiente est o menu Arquivo. Este menu contm uma srie
de opes para o manuseio de arquivos como Listar, Documentar e Descrever e para a
Manuteno de arquivos (excluir, renomear, copiar e mover). Ele tambm contm uma Oficina
de impresso e uma srie de rotinas para a importao e exportao de arquivos. Prximo base
do menu Arquivo voc ver uma opo que executa arquivos macro. Arquivos macro so
arquivos que contm seqncias de operaes do IDRISI for Windows. Todas as opes do
menu mostradas em letras maisculas podem ser executadas em modo macro. Finalmente,
caso haja algum aplicativo definido pelo usurio indicado nas Preferncias, o nome deste
aplicativo aparecer na base do menu Arquivo.

O menu Visualizao acessa uma variedade de rotinas para a visualizao de dados. Ele
tambm contm as preferncias de visualizao, que permitem ao usurio indicar certos
parmetros de visualizao para serem usados como padro. A maioria dos elementos deste
menu ser estudada no prximo exerccio.

O menu Anlise o mais extenso de todos. O IDRISI for Windows contm mais de 100
mdulos, a maioria dos quais devotada anlise de dados espaciais. Como voc pode observar,

12
Observe que voc corre o perigo de paralisar o sistema se um destes recursos cair abaixo de 10%. Voc pode livrar espao na
memria fechando outros aplicativos que possam estar abertos ao mesmo tempo que o IDRISI for Windows. Adicionalmente, voc
pode querer consultar seu material do Windows para seguir outros passos visando conservar esses recursos. De acordo com nossa
experincia, problemas de recursos so substancialmente reduzidos no Windows 95 e ausentes no Windows NT 3.5.
13
O IDRISI for Windows foi especialmente projetado para facilitar a traduo para outros idiomas. A interface do programa, o sistema
de ajuda e partes do Manual do Usurio j foram traduzidas para vrios idiomas, incluindo francs, portugus, espanhol, chins, russo
e alemo. Informaes sobre a disponibilidade de tradues do software podem ser obtidas na pgina do Projeto Idrisi, no endereo
www.idrisi.clarku.edu, ou nos Centros de Recursos dos diferentes idiomas.

Centro de Recursos Idrisi, Brasil


40 IDRISI for Windows - Exerccios tutoriais introdutrios

o menu Anlise constitudo de uma srie de grupos analticos com conjuntos de mdulos
listados como submenus. Muitos desses mdulos sero explorados nos exerccios a seguir.

O menu Reformatao apresenta uma srie de mdulos para alterar a natureza dos arquivos de
dados geogrficos. Eles vo desde o georreferenciamento e mudanas de projeo at rotinas de
converso de formato raster/vetorial.

O menu Entrada de Dados, como o prprio nome sugere, acessa um conjunto de mdulos
destinados entrada de dados. Voc pode observar que a digitalizao uma operao
independente que requer um programa especfico, o qual, por esse motivo, no est listado aqui.
A verso corrente do IDRISI for Windows inclui uma cpia livre de um programa for DOS para
digitalizao e edio de vetores, chamado TOSCA, que pode ser usado para criar arquivos
vetoriais compatveis com o IDRISI. H tambm alguns outros programas de digitalizao que
funcionam muito bem com o sistema IDRISI for Windows.

As duas ltimas opes do menu so razoavelmente parecidas com as de outros programas para
Windows. O menu Janela possibilita simplificar o arranjo e o acesso a vrias janelas. O menu
Ajuda j foi por ns examinado. Entretanto, um menu ao qual voc retornar com freqncia,
conforme for utilizando os aplicativos do IDRISI for Windows.
2. O sistema de visualizao

Nos prximos trs exerccios ser explorado o sistema de visualizao do IDRISI for Windows. O
IDRISI for Windows est mais para um sistema de anlise de dados cartogrficos e de dados de
sensoriamento remoto do que para um programa de construo de mapas. Entretanto, a anlise visual
um ingrediente importante de qualquer anlise geogrfica. Adicionalmente, a produo de mapas de
qualidade com o propsito de ilustrao (e, s vezes, persuaso) muito importante. Como
conseqncia, o IDRISI for Windows oferece um extenso sistema para a visualizao em tela e para a
composio grfica de diversos planos de mapas em mapas finais que podem ser impressos.

Neste primeiro exerccio da seqncia, ns daremos uma rpida olhada nos elementos fundamentais da
visualizao de planos de mapas. J no segundo exerccio, ns examinaremos os meios atravs dos quais
uma composio mais complexa de mapa criada, salva e impressa. Finalmente, no ltimo exerccio da
seqncia de visualizao, veremos um tpico importante sobre a criao e o uso de smbolos e tabelas
de cores.

Conhecendo as imagens disponveis: LIST e DESCRIBE

a) Agora que temos o diretrio de trabalho indicado adequadamente (aquele que contm os dados
dos exerccios tutoriais), clique sobre o cone LIST (o segundo da esquerda para a direita).
Como o nome sugere, este mdulo lista os arquivos de dados no diretrio de trabalho. O mdulo
LIST tem como opo padro mostrar os arquivos imagem. Entretanto, voc perceber que
qualquer outro dos muitos tipos de arquivos de dados que o IDRISI usa pode ser listado.Voc
perceber que para alguns tipos de arquivos, como imagens, vetoriais e arquivos de valores, o
mdulo LIST mostra tambm o ttulo dos mesmos. A opo Mscara possibilita listagens mais
especficas. Para ilustrar, selecione a opo Mscara e digite WEST*.* para ver todos os
arquivos no diretrio de dados cujo nome inicia com as letras WEST.

b) Selecione Imagem e verifique que a imagem BRAZILFC est em nosso diretrio de dados. Para
obter informao mais detalhada sobre este arquivo, clique sobre o cone do mdulo
DESCRIBE, situado imediatamente direita do cone LIST na barra de ferramentas. Localize
ento a imagem BRAZILFC na lista de imagens e selecione a mesma para visualizar seu
arquivo documento na caixa de dilogo principal. Voc deve navegar para baixo e para a direita
com o auxlio das barras de rolagem para ver toda a informao do documento.

Como voc pode ver nesta descrio, a imagem BRAZILFC uma imagem composio colorida

Centro de Recursos Idrisi, Brasil


42 IDRISI for Windows - Exerccios tutoriais introdutrios

em falsa cor. Composies em falsa cor so imagens coloridas produzidas originalmente a


partir de trs imagens independentes em tons de cinza. As imagens so chamadas de
composies em falsa cor sempre que contiverem informao espectral fora do intervalo
sensvel ao olho humano. Neste caso, os comentrios no arquivo documento indicam que a
imagem foi composta a partir dos canais verde, vermelho e infravermelho prximo (bandas 4, 5
e 7) do Multi-Spectral Scanner (escanerizador multi-espectral) do satlite LANDSAT.

O arquivo documento contm, adicionalmente s informaes descritivas, uma variedade de


parmetros muito importantes usados pelo IDRISI for Windows na visualizao e na anlise do
plano de informao. Ele indica, por exemplo, o tipo de dados e o tipo de arquivo usado para
armazenamento, o nmero de linhas e de colunas, o sistema de georreferenciamento e o
intervalo de coordenadas geogrficas abrangidas em sua extenso. O mdulo que permite a voc
editar um arquivo documento Documentar. Entretanto, esses detalhes especficos referentes a
tamanho, localizao e formato de armazenamento normalmente no deveriam ser modificados.

Visualizao bsica de imagem: Lanador de visualizao

c) Para visualizar a imagem BRAZILFC, clique sobre o cone do Lanador de visualizao (o


quinto da esquerda para a direita). O Lanador de visualizao o primeiro de vrios
componentes importantes do sistema de visualizao. Ele apresenta uma caixa de dilogo na
qual uma nova janela de mapa pode ser visualizada ao se trazer para a tela uma imagem, um
arquivo vetorial ou ainda a composio completa de um mapa (a composio de mapas ser
tratada no prximo exerccio).

Para visualizar uma imagem ns necessitamos indicar o seguinte:


o tipo de arquivo a ser visualizado (a indicao padro um arquivo imagem)
o nome da imagem (veja a nota especial que segue)
a tabela de cores (a qual, por definio, indicada a um conjunto de 256 cores)
se a imagem deve ser realada automaticamente (ele far uma sugesto) - isto ser tratado de forma
mais completa no Exerccio 4
o fator de expanso (ele determinar um automaticamente)
qualquer componente auxiliar ao mapa (como legenda, escala, etc.)

Como h indicaes padro para cada item, exceto para o nome do arquivo a visualizar, isso tudo o
que necessitamos indicar. Entretanto, indicaremos dois elementos - o arquivo e a tabela de cores.

d) Para indicar o nome do arquivo a visualizar, digite simplesmente o nome na caixa de dilogo.
Existe, entretanto, um meio mais fcil! Simplesmente acione o mouse duas vezes seguidas
sobre a caixa de dilogo de entrada e ela mostrar uma lista de escolhas que voc pode fazer.
Isto verdadeiro para praticamente todas as caixas de dilogo de entrada que requerem
informao sobre um arquivo de dados14. Experimente selecionar agora a imagem BRASILFC
clicando uma vez para selecion-la e uma segunda vez para inseri-la na caixa de entrada (ou
simplesmente clicar duas vezes seguidas para alcanar o mesmo resultado). Clique a seguir, na
tabela de cores, o item Composio colorida 256, seguida do boto OK.

e) Neste ponto, voc deve ter a imagem BRAZILFC na tela.

1. Mova o cursor do mouse sobre a imagem. O que pode ser observado na barra de status
(barra inferior da tela) medida que voc move o cursor sobre ela?

14
Alm do clicar duplo ser uma soluo nova para a necessidade de visualizar uma lista de arquivos disponveis, ns percebemos que
ele tambm era superior s caixas de lista mais tradicionais por que ele pode fornecer uma lista mais longa em uma variedade de
contextos. Em sistemas de geoprocessamento comum haver um grande nmero de arquivos e a possibilidade de escolher um a partir
de uma lista longa extremamente til.
2. O sistema de visualizao 43

Uma introduo Composio de mapas

f) Voc deve ter percebido que, juntamente com a imagem, apareceu um segundo elemento
importante do sistema de visualizao, uma pequena janela chamada Composio. A
Composio usada para criar composies de mapas, bem como para controlar as
caractersticas visuais dos arquivos que j esto na tela. Exploraremos a Composio em
profundidade no prximo exerccio. Entretanto, como uma breve ilustrao, clique o cone do
Lanador de visualizao novamente (voc deve deixar a imagem BRAZILFC na tela) e
carregue uma imagem denominada DEC88C com a tabela de cores NDVI 16 e em todos os
outros elementos aceite os indicadores padro. Adicionalmente, clique sobre as opes de
legenda, de ttulo e de escala na poro inferior da caixa de dilogo (no d ateno aos outros
elementos por enquanto - eles levam em considerao tpicos que ainda no discutimos). Clique
ento no boto OK.

Diferente de BRAZILFC que parece muito mais uma imagem, esta se parece mais com um mapa.
Entretanto, podemos definir um mapa simplesmente como sendo um ou mais planos de informao
interpretados. Aqui a interpretao fornecida (mesmo que num sentido ordinal grosseiro) pela legenda.

g) Para agregar qualidade a esse mapa, vamos adicionar um segundo plano de informaes - os
limites dos pases. Para fazer isso, certifique-se que DEC88C seja a imagem ativa15 e clique
sobre a opo Adicionar plano da Composio. Isso trar uma outra caixa de dilogo que
solicitar o nome de um arquivo vetorial a ser colocado sobre a imagem, assim como o arquivo
de smbolos correspondente. Ns exploraremos os arquivos de smbolos mais detalhadamente
no Exerccio 4. Entretanto, por agora compreenda apenas que eles indicam como elementos
grficos (como as linhas neste caso) devem aparecer. D um clique duplo na caixa de dilogo
Nome do arquivo, selecione o arquivo COUNTRY e, a seguir, clique no boto OK para aceitar o
arquivo de smbolos padro (linha preta fina).

Voc perceber que a Composio mostra agora a adio de um segundo plano. Voc pode sobrepor at
16 planos em um mesmo mapa.

Tabelas de cores

O prximo assunto que precisa ser explorado o das tabelas de cores. Caso voc esteja trabalhando com
a visualizao de 15 bits (32.767 cores), 16 bits (65.536 cores) ou de 24 bits (16 milhes de cores), voc
no notar o que ser discutido no item abaixo. Entretanto, para aqueles que possurem sistemas de 8
bits (256 cores)16, as consideraes so importantes.

h) Mova o cursor para o topo da imagem visualizada e clique com o mouse sobre sua barra
superior. Segure o boto esquerdo do mouse pressionado e desloque a imagem para o lado de
forma a visualizar ambas imagens. Caso voc esteja trabalhando com um sistema de 8 bits (256
cores), mude a janela ativa da imagem DEC88C para BRAZILFC e retorne novamente a
DEC88C clicando sobre a barra superior da janela. Voc perceber um efeito pouco comum
quando uma janela de mapa que se torna ativa toma, momentaneamente, a tabela de cores da
outra janela de mapa. Como o adaptador grfico capaz de mostrar apenas 256 cores e como
cada tabela pode ter apenas at 256 cores, no possvel mostrar simultaneamente duas tabelas

15
A janela ativa refere-se possibilidade da janela receber uma entrada do usurio. Apenas uma janela pode estar ativa de cada vez - o
elemento que o Windows usa para indicar a janela ativa uma cor diferente para a barra superior da mesma. Voc pode alternar a
janela ativa para a prxima simplesmente clicando sobre a janela correspondente (ou selecionando-a de uma lista de janelas ativas no
menu do Windows). Isso far com que a janela que vier para a frente (se ela foi encoberta) se torne ativa. A Composio sempre
indica o contedo da janela ativa, ou da que foi ativada por ltimo.
16
O IDRISI for Windows requer uma memria de visualizao de pelo menos 8 bits por pixel (256 cores). Embora o sistema
fisicamente possa funcionar erm sistemas de 4 bits (16 cores), a qualidade de visualizao de cores pode ser imprevisvel e
freqentemente pobre.

Centro de Recursos Idrisi, Brasil


44 IDRISI for Windows - Exerccios tutoriais introdutrios

perfeitas de 256 cores ao mesmo tempo. Por isso o Windows permite janela de imagem ativa
determinar a tabela de cores a usar. por esta razo que todas janelas que no esto ativas
(chamadas de janelas de fundo) repentinamente assumem a tabela de cores daquela que est
ativa. Para compensar, o Windows permite qualquer imagem de fundo o uso de suas
respectivas tabelas de cores, dentre aquelas cores j selecionadas pela janela anterior (junto com
o conjunto padro de 20 cores que o Windows reserva para si prprio). Esta a correo que
voc v aps esta modificao.

Neste caso, a combinao de duas tabelas de cores envolvidas (Composio colorida 256 e
NDVI 16) no representou maiores problemas para o Windows. Embora possamos ver o sistema
trocar a tabela de cores e processar o ajuste, ele faz isso com relativo sucesso. Entretanto, para
ilustrar como este problema pode ser difcil, use o Lanador de visualizao para trazer uma
imagem denominada ETDEM tela, mantendo as outras imagens tambm na tela. Neste caso,
use a tabela Idrisi 256 e uma legenda e clique OK.

Esta imagem contm um modelo digital de elevao da Etipia. Como voc j fez
anteriormente, mude a janela ativa para um outro mapa.

2. O que aconteceu com as tabelas de cores das imagens de fundo? Com que qualidade o
Windows funcionou para compor suas tabelas ao mesmo tempo que a da janela de
mapa ativa?

importante reconhecer que este problema de ajuste de tabela de cores desaparece completamente se
voc tiver um adaptador grfico de 15 bits ou mais memria de visualizao. Entretanto, atualmente,
muitos de ns possuem sistemas grficos de 8 bits, assim, melhor reconhecer este fato e levar em
considerao as seguintes sugestes:

- Com tabelas de 16 cores os problemas so menos provveis. Por exemplo, a razo do Windows
ter sido capaz de fazer adequadamente a combinao de BRAZILFC com DEC88C porque a
tabela NDVI 16 possui apenas 16 cores (alm disso, a tabela Composio colorida 256 contm
uma gama de escolha de cores bem mais ampla).

- Algumas vezes voc encontrar dificuldades em perceber uma tabela de cores verdadeira de 256
cores, mesmo se sua placa grfica capaz de mostrar tantas cores. Windows reserva sempre 20
cores para assegurar que ele tenha as cores necessrias para mostrar seus elementos bsicos.
Como resultado, voc tem controle verdadeiro sobre apenas 236 cores. No caso de sua tabela de
cores usar as 20 cores que o Windows usa, sua tabela pode aumentar at o total de 256.
Entretanto, para algumas tabelas esta tarefa quase impossvel sem que haja problemas. Este
o caso da tabela de 256 tons de cinza. Como ela contm somente tons de cinza, ela no pode
utilizar-se de quase nenhuma das 20 cores do Windows. Como conseqncia, voc talvez
somente veja cores esparsas e o resultado no exatamente cinza.

i) Para ilustrar este ltimo ponto, vamos mudar a tabela de cores da imagem ETDEM a
Composio. Certifique-se que a janela do mapa ETDEM esteja ativa e clique sobre seu nome
na lista de arquivos da Composio. Voc perceber que seu nome muda de preto para
vermelho, indicando que ela foi selecionada (isto algo mais significativo no contexto de uma
composio com vrios planos de informao). Clique ento o boto Propriedades. Aqui voc
perceber que so listados os arquivos de tabelas de cores associados a este plano e se ele possui
ou no uma legenda. Altere a tabela de cores para GREY256 clicando duas vezes sobre a caixa
de dilogo de arquivos de tabela de cores e selecionando da lista. Solicite a exibio da legenda
e pressione OK.

O grau de correo da tabela de cores ir depender em grande parte da configurao de cores


que voc estiver usando no Windows. Ela poder ser boa ou ter dificuldades para fazer todos os
256 tons de cinza. Os resultados iro variar de um sistema para outro, de acordo com a
configurao.
2. O sistema de visualizao 45

Novamente, se voc estiver trabalhando com um sistema de visualizao de 15 bits ou superior, os


problemas acima no sero um obstculo para voc. Voc poder visualizar vrias imagens, cada uma
com sua prpria tabela de 256 cores, sem correes ou perda de fidelidade da tabela de cores quando
voc muda a janela ativa de uma para a outra. importante notar, entretanto, que independente da
capacidade do seu sistema grfico, cada imagem individual exibida com uma nica tabela e por isso
pode ter at (mas no mais que) 256 cores.

Legendas

Vale a pena observar aqui como a legenda que produzimos para ETDEM diferente daquela de
DEC88C. Primeiro, percebemos que a legenda possui uma barra de rolagem. Tente mover a barra em
toda sua extenso. A seguir execute DESCRIBE e veja o arquivo documento de ambas as imagens.

3. Qual o tipo de dados de cada imagem? Qual a diferena entre as categorias de


legenda nos seus arquivos documento?

Como voc v, o IDRISI for Windows tem um meio de produzir uma legenda mesmo para imagens que
no tenham uma categoria de legenda especfica para cada classe de seu arquivo documento. No caso de
ETDEM, ele produz uma legenda mostrando 256 valores representativos do intervalo numrico da
imagem. Como no existe espao para mostrar todas as 256 classes, ele produz uma barra de rolagem e
permite a voc percorrer os valores. Note tambm que os valores so expressos de forma exponencial
(tambm chamada algumas vezes de notao cientfica). Assim, 4.26700E+03 pode ser interpretado
como 4,267 vezes 10 elevado potncia 3, ou 4267. Essa notao sempre usada quando a legenda
produzida automaticamente para imagem com nmeros reais, de forma que ele pode mostrar o mesmo
nmero de casas decimais, independente do tamanho maior ou menor que o nmero possui.

Como estas duas imagens ilustram, voc pode ter sempre uma legenda para cada imagem. Entretanto, se
desejar um controle completo sobre seu contedo, voc necessitar adicionar uma informao de legenda
no arquivo documento de sua imagem. Isso feito atravs do mdulo Documentar, o qual permite
indicar at 256 categorias de legenda, ou interativamente atravs da visualizao (isso ser ilustrado no
prximo exerccio).

Dimensionando a legenda e a moldura do mapa

j) Caso desejar, voc pode fechar agora todas as janelas de visualizao abertas, antes de
prosseguir. Cada janela de visualizao aberta toma recursos da memria. Para continuar a
explorao da legenda, use o Lanador de visualizao para examinar um arquivo chamado
AFFAOSOL. Use a tabela de cores chamada Qualitativa 256 e especifique que devem aparecer
a legenda e o ttulo. Observe novamente que h mais categorias de legenda do que cabem na
tela, mas desta vez elas vem do arquivo documento ao invs de terem sido geradas
automaticamente.

Como voc deve ter percebido, a legenda mostra automaticamente 16 categorias numeradas de
0 a 15 (a barra de rolagem horizontal esconde a categoria 15). Neste caso, podemos nos
deslocar pela legenda usando a barra de rolagem vertical para ver outras categorias. Entretanto,
independente do nmero total de categorias, h momentos em que desejamos menos ou mais
categorias de legenda de uma vez na tela. Isto pode ser alcanado atravs da opo de
dimensionamento.

Muitos dos elementos do mapa no IDRISI for Windows podem ser dimensionados. Para
proceder assim, clique sempre duas vezes sobre o elemento desejado. Uma linha correspondente
caixa de controle aparecer com barras e marcas de dimensionamento ao longo de seus

Centro de Recursos Idrisi, Brasil


46 IDRISI for Windows - Exerccios tutoriais introdutrios

limites. Escolha qualquer uma destas barras de dimensionamento usando o boto esquerdo do
mouse (i.e., colocando o cursor do mouse sobre a barra, acionando o boto esquerdo do mouse e
mantendo-o acionado). O cursor ir mudar para setas duplas e voc poder ento puxar ou
empurrar a barra para alterar o tamanho. Tente isso com a legenda e altere apenas sua extenso
vertical. Tente a seguir rolar novamente pela legenda.

Tente o mesmo com a janela dos dados. A janela do dados o retngulo cujos limites contm os
planos de informao do mapa. Voc pode clicar sobre ele duas vezes para alterar seu tamanho
(a imagem ir desaparecer at voc comear a redimensionar o retngulo). Tente fazer a
moldura pequena o suficiente para englobar apenas a regio leste da frica. Use ento a barra
de rolagem que aparecer para deslocar o campo de viso para o leste da frica.

A prpria janela de mapa pode ser redimensionada movendo-se o cursor sobre qualquer borda
da janela at aparecer uma seta, e ento arrastando-se a borda at a posio desejada. Voc
tambm pode aumentar a janela de mapa e aumentar a legenda (dando um clique duplo na
legenda e arrastando a barra de dimensionamento) de forma que as descries mais longas da
legenda possam ser completamente visualizadas e a barra de rolagem horizontal da legenda
desaparea.

Observe que assim como eles podem ser dimensionados, os elementos do mapa tambm podem
ser deslocados. Para fazer isso, simplesmente coloque o mouse sobre o elemento em questo e
segure o boto esquerdo do mouse acionado enquanto move o mapa para uma nova posio.
Mova a janela menor de AFFAOSOL para o canto superior esquerdo da janela de mapa,
imediatamente abaixo do ttulo. Desloque a seguir a legenda para o seu lado e torne-a similar
em tamanho. Mova a seguir a moldura da janela do mapa para um tamanho confortvel
suficiente para englobar estes elementos (para fazer isso, mova o cursor do mouse para o limite
da janela at voc poder enxergar uma das setas de dimensionamento; empurre ento a borda
para sua nova posio).

Existem momentos em que voc, aps ter alterado o tamanho da moldura do mapa ou da legenda, no
deseja ver as barras de rolagem a elas associadas. Neste caso voc pode clicar sobre o cone de
ligar/desligar as barras de rolagem no menu principal. Isso ir alternar entre a visualizao e a no
visualizao das mesmas.

Fatores de expanso / Zoom / Janela

Como voc j deve ter deduzido, barras de rolagem anexadas moldura do mapa aparecem toda vez que
esta moldura pequena demais para conter toda a imagem. O redimensionamento pode ser uma das
causas disto acontecer. Isto tambm pode ocorrer como resultado de uma operao de zoom ou da
extrao de uma janela ou ainda como resultado do uso de um fator de expanso que faa a imagem ficar
maior do que a tela.

k) Feche qualquer janela de mapa que ainda estiver aberta clicando duas vezes na caixa de
controle no canto superior esquerdo de cada janela. Use a seguir o Lanador de visualizao
para chamar BRAZILFC novamente com a tabela Composio colorida 256, mas desta vez opte
por um fator de expanso igual a 2. Note como a barra de rolagem anexada automaticamente.
Note que caso voc tivesse tentado reduzir por um fator de dois, teria sido necessrio indicar um
fator de expanso igual a -2.

l) Remova BRAZILFC da tela mais uma vez e traga-a novamente com o fator de expanso
normal. O fator de expanso normal automaticamdnte calculado para ajustar a imagem
completa aos limites da tela com o maior tamanho possvel. Fatores de expanso diferentes
podem resultar da configurao de diferentes resolues do sistema grfico no Windows (p. ex.
640x480 Vs 1024x768). Clique ento sobre o cone de zoom (aquele com uma lupa). A seguir,
movimente o mouse sobre a imagem BRAZILFC e note como o cursor do mouse altera sua
2. O sistema de visualizao 47

forma e transforma-se numa lupa. Pressionar o boto esquerdo do mouse far com a imagem
seja expandida enquanto que o boto direito do mouse far a imagem ser reduzida.

Experimente expandir BRAZILFC clicando o boto esquerdo do mouse. Note como as barras de
rolagem aparecem. Note tambm que a moldura do mapa ir ajustar-se de tal forma que o que
era previamente o centro da janela permanece centrado na de novo tamanho. Volte o zoom para
o tamanho original.

O processo de zoom tem papel significativo nos recursos de memria do Windows. Com a expanso a
imagem aumentada por duplicao de pixels. Assim o consumo de memria aumenta
exponencialmente medida que sucessivas expanses so solicitadas. Como conseqncia, ns
incorporamos algumas rotinas de segurana. A primeira que a expanso se d passo a passo. Para
prosseguir expandindo a imagem voc ter que acionar o cone de Zoom novamente e repetir a operao.
Neste caso ser difcil expandir inadvertidamente um nmero excessivo de vezes. A segunda que voc
pode expandir uma imagem no mximo apenas trs vezes (embora voc possa reduzir um nmero
ilimitado de vezes). Caso voc ache necessrio um grau maior de expanso, voc dever usar a operao
de ampliao de janela descrita a seguir.

A operao de ampliao de janela permite a voc selecionar uma sub-rea da uma imagem para
visualizao. Ela ir expandir a sub-rea da imagem original automaticamente tanto quanto possvel
(dentro dos limites do nmero total de expanses) dentro da rea original da moldura do mapa. Quando
isso ocorre, apenas essa poro da imagem fica retida na memria (ao contrrio do zoom, que retm a
imagem inteira na memria).

m) Tente ampliar uma janela de BRAZILFC. Clique sobre o cone de ampliao de janela na barra
de ferramentas principal ( esquerda do cone de Zoom). Mova o cursor para o canto superior
esquerdo da regio que voc deseja ampliar a janela, segure o boto esquerdo do mouse
acionado e mova o mouse para criar um caixa ao redor da regio a ser expandida. Quando voc
soltar o boto a janela ir aparecer. Observe que voc pode maximizar o tamanho da regio
selecionada expandindo as bordas da janela do mapa e, ento, aumentando a moldura do mapa
para depois selecionar uma janela do mesmo para ampliar. Para visualizar toda imagem
novamente, clique sobre o cone de ampliao de janela, coloque o cursor sobre a imagem e
clique o boto direito do mouse. Feche a janela de mapa BRAZILFC.

Outros elementos interativos de visualizao

Mover, redimensionar, expandir/reduzir e ampliar janelas so meios atravs dos quais voc pode
interagir diretamente com o sistema de visualizao. Existem vrias outras aes interativas de
visualizao que podem ser utilizadas, a maioria delas envolvendo a digitalizao na tela e que sero
temas cobertos mais tarde. O nico elemento adicional que ns necessitamos introduzir aqui o modo de
consulta interativa com o cursor do mouse. O processo de composio de mapa ser tratado no prximo
exerccio.

Com o modo de consulta interativa via cursor voc pode mover o cursor do mouse at um determinado
ponto de uma imagem e solicitar o valor do dado armazenado naquele local.

n) Para experimentar isso, visualize ETDEM uma vez mais com a tabela de cores Idrisi 256.
Clique sobre o cone do modo de consulta do cursor na barra de ferramentas. Mova a seguir o
cursor do mouse para qualquer local e clique com o boto esquerdo do mouse. O valor z
discriminado na barra de status inferior indica a altitude neste local. Observe que este modo
permanecer ativo enquanto voc estiver com a janela ativa ou clicar o boto de consulta via
cursor uma segunda vez. Se a imagem que voc est consultando tem categorias de legenda no
seu arquivo de documentao, o texto da legenda e o valor z para a localizao consultada ir
aparecer na barra de status.

Centro de Recursos Idrisi, Brasil


48 IDRISI for Windows - Exerccios tutoriais introdutrios

A consulta expandida do cursor possibilita o usurio a consultar simultaneamente a mesma localizao


em vrias imagens diferentes que so especificadas em um arquivo de grupo. Isso ser melhor discutido
e ilustrado no exerccio 11 (Explorao de imagens).

Visualizao de vetor bsico

A discusso feita at agora considerou praticamente apenas imagens raster. Existem, entretanto,
pequenas diferenas nos procedimentos no caso de uma visualizao na qual o plano de informao
bsico de informao (i.e., a primeira camada) um arquivo vetorial. Neste caso a caixa de dilogo do
Lanador de visualizao se altera para refletir o fato de que h parmetros diferentes que necessitam ser
indicados. Eles incluem:

- o nome do arquivo vetorial


- o arquivo de smbolos a usar
- se ele deve ser ligado a um arquivo de valores
- qualquer componente complementar ao mapa (com legenda, escala, etc.)

A natureza do arquivo de smbolos ser explorado mais detalhadamente nos exerccios que seguem. Em
resumo, existem arquivos de smbolos distintos para cada tipo de arquivo vetorial (ponto, linha, polgono
e texto) e cada um descreve a natureza dos at 256 smbolos que podem ser usados.

Arquivos de valor tm um papel importante no contexto da visualizao de arquivos vetoriais. Arquivos


vetoriais simplesmente contm as caractersticas geogrficas de um conjunto de elementos.
Normalmente, eles so identificados por nmeros inteiros, com a inteno de lig-los a um arquivo de
valores que contm atributos para estes elementos (juntamente com alguma informao especfica na
legenda). Entretanto, possvel (embora, na maioria dos casos, no recomendado) considerar os
identificadores dos elementos como atributo. Nestes casos, um arquivo de valores no precisaria ser
ligado a um arquivo vetor para visualizao.

o) Para ilustrar esta diferena, execute o Lanador de visualizao e indique que voc deseja
visualizar um arquivo vetorial. Especifique ento o nome CLARKBLK e que deve ser usado o
arquivo de smbolos Idrisi 256 (IDRIS256 um arquivo de smbolos para polgonos que
corresponde ao arquivo tabela de cores IDRIS256 para imagens).

Neste caso, as cores das quadras urbanas so resultado de seus prprios identificadores -- isto , os
identificadores so tratados como se fossem cdigos de smbolos. Entretanto, neste caso ns
simplesmente queremos ver esta camada de dados como referncia geogrfica para outra informao a
ser mostrada sobre ela. Por este motivo, vamos modificar o arquivo de smbolos associado a este plano
de informao.

p) Clique sobre o boto Propriedades na Composio e mude o arquivo de smbolos a ser usado
para IDRPOLY. Este o nome do arquivo de smbolos pr-definido para polgonos (assim como
IDRPTS o padro para pontos, IDRLINE o padro para linhas e IDRTEXT o padro para
texto)17. O arquivo de smbolo padro para polgonos consiste de polgonos vazios com uma
borda preta para todos os ndices de smbolos. Pressione OK. Agora todos os polgonos so
tratados identicamente, independente dos seus valores de ndices.

q) Clique agora em Adicionar plano para adicionar um arquivo de nome CLARKBLD, mas neste
caso indique que voc deseja usar um arquivo de valores chamado BLDGUSE e escolha o
arquivo de smbolos Idrisi 16 (este arquivo de smbolos para polgonos corresponde ao arquivo
de tabela de cores Idrisi 16 para imagens). Indique tambm que voc deseja uma legenda e
clique OK. Use ento Adicionar plano mais uma vez para adicionar o plano de informao

17
Cada opo de arquivo de tabela de cores e de smbolos na caixa de dilogo possui um arquivo correspondente que pode ser
selecionado da lista de arquivos. Idrisi 256 e Qualitativa 16 na caixa de dilogo, por exemplo, correspondem aos arquivos Idris256 e
qual16 na lista de arquivos.
2. O sistema de visualizao 49

denominado CLARKBD2, usando o arquivo de smbolo padro. Isto simplesmente acrescenta


linhas pretas em torno de cada edificao. Caso a janela da composio estiver ocultando parte
da sua visualizao, ative a janela de mapa para traz-la para a frente.

Perceba como as cores dos edifcios no possuem significado. Neste caso no estamos considerando os
identificadores e sim os atributos que estes elementos possuem.

4. Agora que observamos a visualizao de um arquivo vetorial, como voc compararia a


maneira pela qual a visualizao mostrada em relao a um arquivo raster? Por que
isso acontece?

Visualizao de relevo em perspectiva e imagens de cobertura

Todos os mapas que produzimos at agora tm tido a viso ortogonal tradicional (i.e., ns os olhamos
verticalmente sobre o mapa). Entretanto, o IDRISI for Windows tambm oferece a possibilidade de
mostrar dados em perspectiva. O mdulo que cria estas visualizaes ORTHO (uma abreviao do
termo ortographic - ortogrfico), porque o tipo de perspectiva utilizado conhecido como ortographic
perspective - perspectiva ortogrfica).

ORTHO trabalha tomando informaes de uma ou duas imagens que se deseja visualizar em perspectiva
para criar um nova imagem raster que contenha essa viso em perspectiva. Entretanto, como se assume
que voc deseja visualizar o resultado imediatamente, o Lanador de visualizao automaticamente
chamado para permitir que voc faa isso. Como conseqncia, ele tambm perguntar a voc a tabela
de cores a usar, assim como os parmetros da perspectiva.

Como j foi mencionado, ORTHO solicitar informaes acerca de uma ou de duas imagens. A primeira
imagem a que contm os dados de elevao e a que ser mostrada em perspectiva. Esta uma
imagem raster comumente conhecida como Digital Elevation Model - Modelo Digital de Elevao
(DEM), que pode conter qualquer tipo de nmero (byte, inteiro ou real) e no necessariamente
representar dados de altitude. A segunda imagem opcional e chamada de imagem de cobertura. A
imagem de cobertura uma imagem que ns colocamos sobre o modelo de elevao. Pode ser uma
imagem de satlite, por exemplo, ou talvez um mapa de cobertura do solo. Deve ser uma imagem em
formato byte binrio e, por isso, voc necessita prepar-la previamente antes de poder sobrep-la ao
DEM (esse tpico tratado em maior profundidade no Exerccio 4).

r) Feche as janelas que voc ainda tiver abertas e execute ORTHO. Voc pode fazer isso a partir
do menu Visualizao ou clicando sobre o cone correspondente, ilustrado esquerda. Indique o
nome RELIEF como o nome do DEM e indique que o arquivo de sada deve ser denominado
PERS1. Clique simplesmente OK. para aceitar todas as indicaes-padro. Como voc
provavelmente j deve ter percebido, os mdulos do IDRISI for Windows sempre possuem um
conjunto de parmetros pr-definidos.

Voc provavelmente tambm percebeu que o Lanador de visualizao chamado no processo de


criao da visualizao. Como resultado, a imagem que ns vemos pode ser examinada novamente em
um momento posterior simplesmente usando o Lanador de visualizao. Neste caso, uma tabela de
cores especial chamada BW foi usada. Esta tabela colore os valores 0 de branco e qualquer outro valor
colorido de preto.

Sem uma imagem de cobertura, o resultado visual do ORTHO fica melhor se existir algum espao entre
a linhas dos perfis (i.e., entre as linhas). Este espao, entretanto, ir depender de dois fatores: o nmero
de linhas na imagem e a resoluo com que a imagem produzida. Ns usamos a resoluo mais baixa,

Centro de Recursos Idrisi, Brasil


50 IDRISI for Windows - Exerccios tutoriais introdutrios

mas poderamos ter aumentado o espao usando uma resoluo maior18. A melhor maneira para apreciar
estas diferenas fazer alguns exemplos.

s) No caso de usar-se uma imagem de cobertura, a imagem ortogrfica ir funcionar melhor se o


espao entre os perfis for eliminado. Como exemplo de uma imagem de cobertura, execute
ORTHO novamente e especifique a imagem de entrada como NJOLODEM. Este um DEM
para a regio de Njolomole no Malawi. Indique ento que voc deseja uma imagem de cobertura
e especifique seu nome como NJOLOFC. Esta uma composio colorida em falsa cor de uma
imagem multiespectral SPOT. Chame a imagem a ser produzida de PERS2. Modifique a
direo de viso para 10 graus e especifique que dever ser usada a tabela de cores Composio
colorida 256. Especifique ento uma resoluo de sada imediatamente inferior de seu monitor
(p.ex. para uma tela de 1024768, especifique 800600) - isto produzir a maior visualizao
que couber em sua tela. Clique a seguir OK para ver o resultado.

5. Usando qualquer uma das seqncias do ORTHO que voc acabou de experimentar,
tente alterar o ngulo de viso e o fator de exagero vertical (um intervalo til oscila
entre 0,5 e 2,0). Como voc caracterizaria a ao destes dois parmetros?

t) Como considerao final sobre o ORTHO, o uso de uma imagem de cobertura pode realar
sensivelmente o impacto visual da sua imagem em perspectiva. Use o Lanador de visualizao
para examinar uma imagem chamada AFSURF usando a tabela Tons de cinza 16. Esta imagem
foi criada com ORTHO e usa uma imagem de cobertura que foi criada usando a opo
sombreamento analtico do mdulo SURFACE. Com a opo de sombreamento analtico de
SURFACE voc pode indicar a direo e a altura angular do Sol para o programa determinar a
quantidade de iluminao em cada ponto da superfcie. Como voc v, ele capaz de produzir
modelos do relevo muito bons. Voc tambm pode querer explorar o mdulo ILLUMINATE
para a criao de imagens de cobertura. Ele possibilita combinar os efeitos do sombreamento
analtico do relevo com a tabela de cores de uma imagem. Voc pode fechar agora a janela de
mapa AFSURF.

Preferncias de visualizao
Neste exerccio, voc ir ver como visualizar planos de informao com uma tabela de cores ou arquivo
de smbolos especfico, elementos do mapa como ttulos e legendas, alm de outros. possvel
configurar certos parmetros de visualizao de forma que eles se tornem a sua configurao padro. Por
exemplo, voc pode achar que na maioria das vezes gostaria de ter um ttulo exibido na visualizao e
tambm usualmente gostaria de usar uma tabela de cores especfica criada por voc. Voc pode
configurar as Preferncias de visualizao de forma que a exibio do ttulo e a tabela de cores criada
por voc sejam utilizadas como padro do sistema.

v) Para fazer isso, v para o menu Visualizao e escolha Preferncias de visualizao. Na base da
tela das Preferncias de visualizao, clique na caixa de dilogo de Tabela de cores padro e
selecione a tabela chamada RO. Pressione OK.

w) Agora use o Lanador de Visualizao para examinar a imagem ETDEM. Observe que a tabela
de cores RO j est especificada na caixa de dilogo e que o ttulo tambm j est selecionado.
Pressione OK. Esses parmetros padro de visualizao sero adotados automaticamente at
que voc mude as configuraes nas Preferncias de visualizao.

x) Retorne para Preferncias de visualizao e redefina os parmetros pressionando o boto


Padres do sistema.

18
Nos casos em que voc percebe que as possibilidades de resoluo oferecidas no oferecem alcance suficiente para aumentar ou
diminuir o espao entre os perfis, voc pode usar CONTRACT para encolher a imagem (aumentando assim a distncia) ou
RESAMPLE para interpolar uma imagem com maior resoluo.
2. O sistema de visualizao 51

Ns iremos discutir as duas opes de Preferncias de visualizao acima nos prximos exerccios. A
visualizao automtica de resultados analticos ser ilustrada no exerccio 5 e a consulta extendida do
cursor ser ilustrada no exerccio 11.

Isto completa este exerccio. Voc pode excluir PERS1 e PERS2 e qualquer outra imagem ORTHO que
voc eventualmente produziu at aqui. Para fazer isso, use a opo Excluir da Manuteno de arquivos a
partir do menu Arquivo.

Centro de Recursos Idrisi, Brasil


3. Composio de mapas

O exerccio anterior deu uma noo das possibilidades que o sistema de visualizao do IDRISI for
Windows oferece. Neste exerccio exploraremos de forma mais completa a natureza do processo de
composio de mapas e as formas como as composies de mapas podem ser gravadas, visualizadas e
impressas.

a) Limpe sua tela de todas as janelas de mapas que possam estar abertas. Use ento o Lanador de
visualizao para visualizar uma imagem chamada WESTBORO. Use a tabela de cores definida
pelo usurio chamada WESTBORO. Alm disso, especifique que voc deseja ver uma legenda e
um ttulo.

Esta uma imagem de uso /cobertura do solo de Westboro em 1985. Utilizaremos esta imagem como um
plano bsico para uma composio com mltiplos planos que incluem informaes de rios e estradas,
assim como alguns textos e uma variedade de componentes acessrios do mapa.

b) Pressione a opo Adicionar plano da Composio e adicione o arquivo vetorial chamado


WESTLULC usando o arquivo de smbolos padro (IDRLINE). Este simplesmente um
arquivo com os limites dos polgonos para fornecer um limite ntido para o mapa.

c) Agora pressione a caixa Propriedades da Composio. Escolha o boto Modificar componentes.


Isto vai gerar uma nova caixa de dilogo, que tambm pode ser chamada pelo Lanador de
visualizao, para facilitar a adio de componentes marginais do mapa. Caso voc ainda no
tenha feito isto, sensato ler o tpico de Ajuda desta caixa de dilogo.

d) Usando o guia grfico para componentes do mapa, pressione a opo Ttulo e modifique o ttulo
para que ele fique em negrito, itlico e em azul escuro. Voc pode deixar todos os outros ajustes
com seus valores correntes. Escolha a opo Texto e ajuste-a para ser visvel clicando na caixa
Quadro de texto visvel. Indique que o nome do arquivo de texto WESTBORO ou selecione
WESTBORO.TXT da lista de arquivos (quando uma extenso no indicada
automaticamente assumida a extenso .txt). Escolha tambm a cor azul escuro para o texto.
Novamente, voc deve deixar os outros ajustes com seus valores correntes. Selecione as opes
Barra de escala e Seta Norte e ajuste-as para serem visveis na composio clicando
respectivamente nas caixas Escala visvel e Norte visvel.. A seguir, selecione a opo Logotipo,
clique em Logotipo visvel e escolha o nome de arquivo MASSGIS.WMF. Pressione OK.

Centro de Recursos Idrisi, Brasil


54 IDRISI for Windows - Exerccios tutoriais introdutrios

normal a necessidade de algum rearranjo dos componentes marginais do mapa. Neste caso, a forma
irregular dos limites oferece vrias oportunidades para a colocao dos componentes do mapa sem que o
tamanho do mapa tenha de ser aumentado. Voc pode tentar o seguinte:

- mova a seta de norte para o espao livre no canto inferior esquerdo (lembre-se que para mover
um objeto voc s precisa colocar o cursor do mouse sobre ele e manter acionada o boto
esquerdo enquanto o estiver movendo).

- redimensione o logotipo para torn-lo to largo quanto a legenda e com uma altura que faa
com que as letras tenham uma proporo adequada. Para fazer isto, pressione duas vezes o
logotipo e mova as barras de dimensionamento. Mova-o para uma posio logo abaixo da
legenda.

- redimensione a moldura de texto (um duplo clique sobre a mesma, seguido do arraste das barras
de dimensionamento) para uma largura tal que na primeira linha se possa ler Land use/Land
cover data interpreted from 1:40,000. Dimensione a altura para que todo o texto encaixe.
Coloque a moldura de texto no canto inferior direito.

e) Em seguida selecione Adicionar plano e adicione o arquivo vetorial WESTSTRM usando o


arquivo de smbolos chamado BLUE. Como o nome sugere, o arquivo de smbolos BLUE ajusta
todos os smbolos para linhas azuis.

f) Agora vamos adicionar o plano de estradas. Aqui ns usaremos um truque para criar um estilo
de linha que no est no repertrio do Windows -- um estilo de linha dupla com o centro
preenchido (este estilo normalmente conhecido no contexto de cartografia como road
casings). Para fazer isso ns iremos, na verdade, desenhar duas linhas -- uma linha preta com
trs pixels de largura e outra linha centralizada sobre ela, como um preenchimento colorido
(neste caso, branco) com um pixel de largura. Os dois arquivos de vetores so chamados
WESTRDS e WESTRDS2. Use Adicionar plano para adicionar o primeiro com o arquivo de
smbolos chamado BLAKMASK e, a seguir, use Adicionar plano novamente para adicionar o
segundo com o arquivo de smbolos chamado WHITE.

g) Agora adicione o plano final - o plano de texto chamado WESTTEXT. Para isso voc deve usar
o arquivo de smbolos de mesmo nome (WESTTEXT). Note que uma barra de rolagem aparece
agora na Composio, j que h mais planos do que podem ser ajustados em sua lista. A
Composio permitir at 16 planos simultneos em uma nica composio, mas, como voc
pode ver, apenas seis planos j fornecem muitos detalhes.

h) A composio est pronta. Tenha certeza de que todos os elementos esto arranjados da forma
que voc quer e, ento, grave a composio usando a opo Salvar composio na janela de
Composio. Escolha a sub-opo adequada para salvar como um arquivo MAP e grave ele com
o nome WESTMAP.

i) Agora remova a janela do mapa e acione o Lanador de visualizao. Escolha Composio de


mapa como o tipo de arquivo a visualizar e especifique WESTMAP. Voc deve ver sua
composio reaparecer.

Note que, ao contrrio de uma captura de tela, o processo de composio de mapas recria completamente
a composio usando seus planos componentes. Como resultado, voc pode continuar a elaborar uma
composio a partir do ponto em que parou. importante ressaltar que o arquivo de composio de
mapa WESTMAP que voc acabou de criar contm todas as instrues para efetuar a visualizao da
composio, mas no contm os arquivos de planos de informao, tabelas de cores e arquivos de
smbolos usados na composio. Eles permanecem como arquivos independentes no nosso diretrio de
dados e so chamados pela composio de mapa quando voc quiser visualiz-la. Se voc estiver
movendo ou copiando sua composio de mapa, voc precisa mover ou copiar o arquivo de composio
de mapa propriamente dito e todos os arquivos que compem essa composio. DESCRIBE pode ser
usado para ver uma listagem de todos os arquivos usados em uma composio de mapa.
3. Composio de mapas 55

j) Escolha Descrever a partir do menu Arquivo, acione a opo Composio de mapa e selecione
WESTMAP. possvel que seja necessrio usar a barra de rolagem vertical para ver a lista
completa de todos os arquivos usados na composio WESTMAP. Aps examinar a lista, feche
a janela de DESCRIBE.

Uma das caractersticas importantes do sistema de Composio que a tela no esttica. Voc pode
no apenas mover os elementos, mas tambm escond-los temporariamente. Para esconder um plano,
clique na caixa esquerda do nome desse plano na lista de arquivos da Composio. Isso far com que
ele desaparea. Clicando novamente na caixa o plano reaparece.

k) Tente isto com um dos planos. Clique para faz-lo desaparecer e reaparecer.

Por definio, a Composio trabalha em modo Automtico, significando que ele implementa uma
mudana assim que ela especificada. No modo Manual ele armazena as modificaes, mas no as
implementa at que o boto Refazer seja clicado. Se voc tiver um conjunto de modificaes a fazer pode
ser mais eficiente mudar para o modo Manual.

l) Para fazer isto, pressione o boto na parte superior da Composio para mudar para o modo
Manual. Pressione nas caixas de exibir/omitir de todos os planos, exceto para o plano base (na
verdade, no possvel remover o plano base). Voc ir perceber que nada acontece. Ento
pressione o boto Refazer e perceba como todos eles desaparecem. Clique em todos os planos
novamente e em Refazer.

Voc pode achar o modo manual muito til em casos onde voc tem vrios planos altamente detalhados
que levam um longo tempo para serem redesenhados e voc est envolvido com uma operao que exige
muito movimento de molduras de planos (como ampliao, preparao de janelas ou digitalizao).
Nestes casos, til clicar no modo manual, fazendo desaparecer os planos, e continuar a operao.

Com o modo Manual, sempre que caixa de dilogo ou janela de mapa cobrir a composio, qualquer
plano vetorial que ficar abaixo da mesma ir desaparecer at que Refazer seja pressionado. Para evitar
isso, h um terceiro modo na Composio, o modo Congelar. Esse modo congela a janela de mapa
exatamente como ela aparece quando o boto Congelar for pressionado. Entretando, os elementos do
mapa no podem ser movidos e as funes interativas do sistema de visualizao, como o zoom e a
consulta do cursor, so desligadas.

Abaixo seguem algumas sugestes sobre o uso dos modos de exibio da Composio.

- Para composies simples, use o modo Auto. Este o modo mais fcil, e possibilita acesso
completo ao sistema de Composio.

- Para composies complexas, use o modo Manual. Isso evitar repeties necessrias na
exibio dos planos de informao enquanto voc faz ajustes. Uma vez concluda a composio,
mantenha em modo Manual e pressione o boto Refazer, ou o boto Congelar quando a
visualizao estiver exatamente como voc deseja.

- Em casos em que voc tiver muitas janelas de mapa abertas, cada uma com vrios planos de
informao vetoriais, congele cada uma das janelas de mapa com as quais voc no necessita
interagir com freqncia. Isto previne o Windows de redesenhar arquivos vetoriais complexos
sempre que uma caixa de dilogo for removida.

- Mudar os modos de exibio rpido. Esteja livre para mudar o modo de exibio de uma
janela de mapa tantas vezes quantas voc julgar necessrio.

Finalmente, agora que voc montou e salvou sua composio, voc pode imprim-la. A impresso no
IDRISI for Windows feita atravs da Oficina de Impresso, acessvel no menu Arquivo. Se voc tiver
uma impressora compatvel com Windows no seu computador pode tentar fazer o seguinte:

Centro de Recursos Idrisi, Brasil


56 IDRISI for Windows - Exerccios tutoriais introdutrios

m) Escolha Oficina de impresso a partir do menu Arquivo e selecione WESTMAP como a


composio a imprimir.

As margens padro esto configuradas no limite da rea de impresso para a impressora especfica. A
Oficina de impresso automaticamente faz sua composio to grande quanto o possvel e coloca-a
centrada entre as margens. O grfico mostra como sua composio de mapa (rea em preto) se ajusta na
pgina e onde sua janela de mapa (retngulo amarelo) est posicionada na composio de mapa. A
extenso da janela no terreno fornece a distncia em metros coberta pela largura da janela de mapa da
composio. Isso calculado usando informao do arquivo de documentao do plano de informao.

n) Mude todas as margens para uma polegada. Uma mensagem de erro a respeito da escala ir
aparecer quando voc mudar a primeira margem. Limpe essa mensagem pressionando OK e
ento configure as demais margens para uma polegada. Agora pressione o boto Escala mxima
e veja que a escala muda.

A escala a relao entre uma distncia medida no mapa e a mesma distncia no terreno. Uma escala de
1:200.000, por exemplo, quer dizer que uma unidade no mapa (polegada, p. ex.) representa uma
distncia de 200.000 destas mesmas unidades no terreno. A Oficina de impresso possibilita a voc
imprimir seu mapa em uma escala especfica.

o) Arredonde a poro da escala referente s unidades no terreno para o mltiplo mais prximo de
100.000, e ento pressione o boto Testar escala fixa para ver como isso afeta a composio de
mapa na pgina. Para retornar ao mximo tamanho possvel do mapa dentro das margens
especificadas pressione o boto Escala mxima.

1. Porque voc no pode entrar um valor de escala maior que a Escala mxima padro
j fornecida pela Oficina de impresso?

p) Para obter uma visualizao da impresso de sua composio na pgina, pressione o boto
Visualizar. Feche a visualizao de impresso e imprima sua composio pressionando o boto
Imprimir.

Isso conclui nossa explorao sobre composies de mapas. Se voc quiser, pode excluir todos os
arquivos que foram criados durante este exerccio.
4. Tabelas de cores, smbolos e
autoescalonamento

Nos exerccios anteriores usamos vrios arquivos de tabelas de cores e de smbolos sem pensar muito em
como elas foram criadas. Neste exerccio iremos usar a Oficina de tabelas de cores e a Oficina de
smbolos e investigar o fenmeno do autoescalonamento.

a) Acione o Lanador de visualizao e escolha a imagem ETDEM com a tabela de cores padro
Idrisi 256. Embora a tabela de cores padro funcione bem na visualizao de dados muito
diferenciados, ela nem sempre funciona de forma to agradvel. Como resultado, exploraremos
o uso da Oficina de tabelas de cores para criar uma nova tabela de cores para esta imagem.

Oficina de tabelas de cores

A Oficina de tabelas de cores tem vrias outras caractersticas alm das que iremos explorar aqui. Por
isso, voc deve ler as informaes da Ajuda deste mdulo para um tratamento mais aprofundado do
assunto. No entanto, existem vrios conceitos e comandos principais que devem ser revisados antes de
comearmos a trabalhar com a Oficina de tabelas de cores:

- Uma tabela de cores consiste da definio da cor para at 256 cores, numeradas com ndices de
0 a 255. As caixas no formulrio mostram 16 destas cores por vez. Voc pode navegar por todos
os ndices, 16 por vez, usando o boto de rolagem no lado direito das caixas de cores ou
pressionando as teclas PgUp/PgDn. Para mudar a cor referente a qualquer um destes ndices
voc deve primeiro clicar na caixa correspondente ao ndice.

- As cores so definidas em termos de mistura das cores primrias vermelho, verde e azul
necessrias para produzir a cor desejada. Este um sistema aditivo primrio (RGB) que exige
algum esforo para aprender a us-lo. Por exemplo, misturando-se vermelho e verde produz-se
amarelo e misturando-se todas as trs cores na mesma quantidade produz-se algumas formas de
cinza, branco ou preto, dependendo das quantidades (quanto mais das trs cores, mais claro). A
quantidade de cada cor primria medida por unidades que vo de 0 (ausncia) at 255
(mximo). Voc usa as barras de rolagem das cores para produzir estas misturas.

- Uma funo extremamente til ao desenvolvimento de tabelas de cores para dados quantitativos
a funo Misturar. Para us-la, defina as duas cores para os dois extremos de uma seqncia.

Centro de Recursos Idrisi, Brasil


58 IDRISI for Windows - Exerccios tutoriais introdutrios

Depois, especifique estes ndices como as ncoras superior e inferior na funo de mistura da
tabela e pressione o boto Misturar. Isto far com que a Oficina de tabelas de cores interpole os
valores intermedirios para todas as caixas entre as duas cores-ncora.

- A faixa de autoescalonamento define a faixa de cores que ser usada quando a imagem
autoescalonada (voc ver mais sobre isso no prximo exerccio).

- Caso voc escolha reverter a tabela de cores, somente as cores dentro da faixa de
autoescalonamento sero revertidas. Se voc quiser reverter cores fora da faixa, mude
temporariamente a faixa de autoescalonamento conforme for necessrio.

b) Feche a janela do mapa ETDEM. Pressione o cone da Oficina de tabelas de cores. O cone
aquele que se parece com um arco-ris. Quando a caixa de dilogo da Oficina de tabelas de
cores mostrada ela est automaticamente ajustada para iniciar a definio de uma nova tabela
de cores. Definiremos uma tabela de cores de 16 cores simplesmente porque ser mais fcil de
ver o que acontece.

Para ilustrar o uso da funo Misturar, v at a caixa da cor nmero 1 e selecione-a. Use as
barras de rolagem e mova o boto do vermelho para a quantidade mxima. Isto ir produzir
uma cor vermelha na caixa da cor 1. V para a cor 15 e mova o boto azul para o valor
mximo. Agora v para a rea da Funo de mistura da tabela e especifique os pontos de ncora
como sendo 1 (Valor mnimo) e 15 (Valor mximo), e pressione ento o boto Misturar19.

1. Descreva a natureza das cores produzidas atravs desta mistura.

A funo Misturar funciona muito bem, mas em muitos casos necessrio ter vrias sries diferentes de
misturas para obter a seqncia de cores necessria. Neste caso ns usaremos a funo Misturar, porm
com dois pontos intermedirios. Alm disso, ns definiremos a primeira e a ltima cor separadamente.

c) A primeira cor que queremos definir a cor 0, que ser preta. Felizmente, ela j assim por
definio, de forma que podemos selecionar diretamente a cor 1. Clique na caixa nmero 1 e
use os botes de rolagem para ajustar um RGB de 136 222 64. Clique na caixa 3 e use as barras
de rolagem para ajustar em RGB 255 232 123. Agora use a funo de mistura para misturar as
cores 1 a 3. Isso ir interpolar um valor para a cor 2.

Agora selecione a cor 7 e ajuste os valores para RGB 255 188 76 e misture as cores entre 3 e 7.
Aps isso, selecione a cor 14 e ajuste um RGB de 180 255 255. Misture as cores entre 7 e 14.
Finalmente ajuste a cor 15 para 255 255 255.

d) Agora que estabelecemos nossa tabela de cores, precisamos ter certeza que a faixa de
autoescalonamento est ajustada apropriadamente. Como temos cores definidas somente para
ndices entre 0 e 15, ajuste o mnimo e o mximo de Autoescalonar limites respectivamente
para 0 e 15.

e) Finalmente, podemos gravar nossa tabela de cores. Escolha a opo Salvar como... no menu
Arquivo da Oficina de tabelas de cores e denomine o resultado de TERRAIN. Voc pode usar as
opes padro de gravao para ter a tabela de cores salva como um arquivo .smp do IDRISI
for Windows em seu diretrio de trabalho20. Depois de salvar a tabela de cores feche a Oficina
de tabelas de cores.

19
Ao invs de escrever o nmero de cada cor ncora para a mistura, voc pode selecionar a caixa da primeira cor da mistura e clicar
duas vezes na caixa de dilogo da primeira ncora (Valor mnimo). Aps, faa o mesmo para a segunda ncora (Valor mximo).

20
As tabelas de cores tambm podem ser salvas no diretrio do programa IDRISI for Windows. Neste caso elas so consideradas parte
da biblioteca permanente e no de um projeto especfico. Na busca por tabelas de cores, o IDRISI for Windows sempre pesquisa nos
dois diretrios.
4. Tabelas de cores, smbolos e autoescalonamento 59

f) Agora acione o Lanador de visualizao e visualize a imagem chamada ETDEM, mas desta
vez use a tabela de cores TERRAIN.

Oficina de smbolos

g) A prxima tarefa que faremos adicionar um arquivo vetorial com as linhas dos limites das
provncias imagem de elevaes. Use Adicionar plano na Composio e adicione o arquivo
chamado ETPROV com o arquivo padro de smbolos. Como voc pode ver, a linha padro
(fina, inteira e preta) muito escura para a delicada tabela de cores que ns criamos. Por isso,
vamos criar um novo arquivo de smbolos usando linhas cinza.

h) Acione a Oficina de smbolos atravs do sistema de menus ou clicando em seu cone (ao lado do
cone da Oficina de tabelas de cores). A Oficina de smbolos est automaticamente ajustada
para criar um arquivo de linhas. Ela usa uma lgica similar Oficina de tabelas de cores,
porm com mais opes.

Como no conhecemos muito sobre a natureza dos identificadores para os limites das provncias e
queremos que todos os limites sejam semelhantes, o procedimento mais fcil criar um arquivo de
smbolos de linhas no qual todas os 256 smbolos descritos sejam iguais. A forma mais fcil de fazer isso
criar um smbolo e copi-lo para todos os outros.

i) Selecione o smbolo de linha 0. Mude sua mistura de cores RGB para 127 127 127 (cinza
mdio). Ele j deve estar ajustado para ser uma linha slida de 1 pixel de largura (se no
estiver, mude-o para tal). Use a funo Copiar smbolo para aplicar esta definio para todos os
smbolos de 1 a 255. Escolha a opo Salvar como... do menu Arquivo e salve o arquivo como
GREY (use a opo padro para salvar no diretrio de trabalho). Feche a Oficina de Smbolos.

j) Agora selecione ETPROV na lista da Composio e pressione em seguida o boto Propriedades.


Mude ento o arquivo de smbolos para aquele que voc recm criou (GREY).

Para completar nosso mapa, vamos adicionar os nomes das provncias como um plano de texto.

Criando planos de texto e arquivos de smbolos de texto

Planos de texto so uma caracterstica nova no IDRISI for Windows e merecem ateno especial por
causa da maneira pela qual so criados. Um plano de texto consiste de dois arquivos bsicos de dados
(mais seus arquivos de documentao, totalizando quatro arquivos) -- um arquivo vetorial de pontos
modificado indica a localizao dos caracteres de texto e um arquivo de banco de dados associado
contm os caracteres de texto e seus cdigos de smbolos. Estes cdigos de smbolos so, por sua vez,
ligados ao arquivo de smbolos de texto.

Ns queremos primeiro introduzir os passos do processo para depois procedermos criao de nosso
plano de texto com os nomes das provncias. Os passos na criao de um plano de texto so os seguintes
(no tente execut-los, o texto dos tens a seguir isto apenas uma explicao):

- Criar um arquivo vetorial de pontos para a localizao dos smbolos.

- Acionar a Oficina de banco de dados e selecionar a opo para criar um plano de texto no menu
Arquivo. A Oficina de banco de dados perguntar pelo nome do arquivo de pontos e por um
nome para o prximo arquivo a criar (o nome pode ser o mesmo, se voc quiser).

Centro de Recursos Idrisi, Brasil


60 IDRISI for Windows - Exerccios tutoriais introdutrios

- O banco de dados recm-criado ir conter trs campos (colunas) -- um com os identificadores


dos pontos digitalizados chamado IDR_ID, um com o nome do arquivo de texto, seguido de um
sufixo _SYM, e um terceiro com o nome do arquivo de texto seguido de um sufixo _TEXT.
O primeiro estar ajustado para o 0 (padro) e o ltimo estar em branco. Sua prxima tarefa
ser entrar com os caracteres de texto no campo _TEXT e o cdigo dos smbolos no campo
_SYM. J que a Oficina de banco de dados sempre salva seus dados para o disco, voc pode
terminar este passo simplesmente saindo deste mdulo.

No final desse processo voc ir ter os seguintes arquivos que so parte do plano de texto: um arquivo
.vec com uma estrutura de arquivo de pontos, um arquivo de documentao .dvc que lista o tipo de
objeto geogrfico como texto, um arquivo de banco de dados .mdb com o mesmo nome do arquivo
vetorial, contendo os trs campos especialmente projetados (voc pode adicionar outros campos se
quiser), e um arquivo de documentao .dvl para os valores dos atributos no arquivo do banco de
dados.

O exerccio 10 trata especificamente das muitas caractersticas da Oficina de banco de dados. Todavia,
por enquanto, esta operao suficientemente simples para que ns possamos us-la com uma pequena
introduo.

Para digitalizar as posies para os textos, tenha certeza de que o mapa ETDEM esteja na tela com o
plano dos limites ETPROV. A lgica que vamos usar digitalizar um nico ponto no centro de cada
provncia. Depois iremos centralizar o texto neste ponto (na verdade, j que iremos centralizar o texto
em cada regio, voc provavelmente desejar colocar cada ponto no centro da regio mais larga de cada
provncia).

Antes de iniciar o processo de digitalizao, perceba que se voc iniciar na provncia mais ao norte e
mover no sentido horrio ao redor do limite, voc poder contar 11 provncias, com duas delas no
interior do mapa -- uma ao norte e outra ao sul. Esta a ordem pela qual ns vamos digitalizar: nmero
1 para a provncia mais ao norte (no limite), nmero 2 para aquela na borda seguindo no sentido horrio
e assim por diante, finalizando com o nmero 13 para a provncia no meio e mais ao sul.

k) Para iniciar a digitalizar certifique-se de que a janela de mapa est ativa e pressione o boto
DIGITIZE na barra de ferramentas. Voc ser solicitado a fornecer um nome para o arquivo a
ser criado e o seu tipo. Escolha a opo de arquivo de pontos e especifique o nome como
PROVTEXT. Voc deve tambm usar a opo padro para iniciar com uma ID (identidade) de
1 e com incremento de 1.

Agora digitalize os pontos movimentando o cursor para o centro da regio mais larga de cada
provncia e clicando no boto da esquerda do mouse. Mova de uma provncia para outra no
sentido horrio, finalizando com as duas provncias centrais (por primeiro a mais ao norte e,
por ltimo, a mais ao sul). Se voc cometer um erro possvel excluir a ltima feio
digitalizada pressionando o boto de Excluir feies digitalizadas (o boto com Um X), e
ento siga digitalizando como antes. Quando voc tiver terminado, pressione o boto direito do
mouse.

Agora pressione o boto salvar (aquele com uma seta curvada para baixo). Quando voc tiver
completado e gravado seus pontos, voc notar que eles aparecem como smbolos de pontos na
tela.

l) Acione a Oficina de banco de dados. Ela pode ser encontrada em diversos locais no sistema de
menus ou pode ser acessada atravs de seu cone na barra de ferramentas, como ilustrado ao
lado.

Uma vez carregada a Oficina de banco de dados estiver, escolha a opo Arquivo do menu do
banco de dados para criar um plano vetorial de texto. Isto ir fazer surgir uma nova caixa de
dilogo na qual voc precisar entrar com o nome do arquivo vetorial de pontos que voc
digitalizou e o nome para o arquivo de texto a ser criado. Neste caso usaremos o mesmo nome
4. Tabelas de cores, smbolos e autoescalonamento 61

para o arquivo de sada e o de entrada: PROVTEXT (quando voc clicar em OK, ser
perguntado se voc realmente quer fazer isso -- selecione Sim).

Quando terminar, use a opo Abrir do menu Arquivo para abrir o arquivo de banco de dados
recm criado (ele tambm ser chamado PROVTEXT). Voc notar que ele contm trs
campos: IDR_ID, PROVTEXT_SYM e PROVTEXT_TEXT. Usando o mouse ou as teclas de
setas, coloque um 1 (sem as aspas) em cada uma das clulas de PROVTEXT_SYM
(indicando que todos usaro o smbolo com o cdigo 1). Depois entre com os seguintes nomes
para as provncias (em ordem, de 1 a 13) no campo PROVTEXT_TEXT:

Tigray
Welo
Harerge
Bale
Sidamo
Gamo Gofa
Kefa
Ilubabor
Welega
Gojam
Gonder
Shewa
Arsi

O plano de texto.foi criado. Voc pode agora salvar o banco de dados usando a opo Salvar
banco de dados do menu Arquivo da Oficina de banco de dados, ou simplesmente saindo da
Oficina de banco de dados e respondendo Sim quando perguntado se deseja salvar as
alteraes.

m) Agora que o arquivo de texto est finalizado, necessrio criar um arquivo de smbolos para
ele. Acione a Oficina de smbolos e escolha a opo Novo no menu Arquivo. Indique que o
novo arquivo ser um arquivo de smbolos de texto chamado PROVTEXT (novamente
usaremos o mesmo nome, embora neste caso seja somente para facilitar a identificao). Ser
apresentada ento uma caixa de dilogo modificada para a especificao de smbolos de texto.

Selecione o ndice 1na caixa de smbolos. Use ento os comandos para fazer as seguintes
modificaes:

- ajuste a fonte para Times New Roman


- ajuste o tamanho para 10 pontos21
- ajuste a forma para negrito itlico
- ajuste o alinhamento em X para 50
- ajuste o alinhamento em Y para 50
- ajuste o RGB para 127 0 0 (vermelho mdio).

Ento escolha a opo Salvar do menu Arquivo para salvar este arquivo. Feche em seguida a
Oficina de smbolos.

O IDRISI for Windows capaz de mostrar qualquer fonte True Type ou PostScript. No entanto, voc
deve estar consciente de que quando o tamanho inferior a 6 pontos o Windows usa um procedimento
especial para desenhar o texto na tela, o que far com que todas as fontes tenham uma aparncia similar.
A propriedade de alinhamento diz respeito a como o texto posicionado em relao ao seu ponto de
localizao. Se imaginarmos um retngulo delimitando os caracteres do texto, o processo de
alinhamento pode ser comparado a colocar um alfinete atravessando esse retngulo em uma posio
especificada (o ponto de justificao) e mover o alfinete para o ponto de localizao. As coordenadas de

21
O ponto uma medida especial usada para letras. Existem 72 pontos em uma polegada e 28,35 pontos em um centmetro.

Centro de Recursos Idrisi, Brasil


62 IDRISI for Windows - Exerccios tutoriais introdutrios

alinhamento 0,0 colocam o ponto de justificao no canto inferior esquerdo dos caracteres do texto. Da
mesma forma, as coordenadas de alinhamento 100,100 colocam o ponto de justificao no canto superior
direito. No nosso caso colocaremos o ponto de justificao em 50,50, que o centro do conjunto de
caracteres do texto. Como nossos pontos de localizao esto no centro de cada provncia, o texto deve
ficar centralizado dentro de cada provncia.

n) Agora olhe o resultado usando o boto Adicionar plano da Composio para acrescentar o
arquivo de texto chamado PROVTEXT, usando o arquivo de smbolos tambm chamado
PROVTEXT.

o) Voc notar que todos os textos esto centralizados, como era esperado. No entanto, um deles
(Gamo Gofa) muito longo para ser ajustado dentro dos limites da provncia. Use a Oficina de
banco de dados para mudar o cdigo do smbolo para esta provncia para 2 e, ento, use a
Oficina de smbolos para mudar a especificao do smbolo 2 para ser o mesmo que o smbolo
1, exceto pelo tamanho, diminuindo-o o suficiente para encaixar o texto dentro dos limites da
provncia.

2. Que tamanho voc necessita estabelecer para o smbolo 2 de forma a fazer o texto
encaixar bem?

Autoescalonamento

No caso dos smbolos de texto e de linhas est bem clara a maneira como dada uma apresentao
grfica especfica. Se o elemento tem um atributo 2 ele desenhado com o smbolo 2. Assim, quando
criamos grficos envolvendo arquivos vetoriais, os valores dos atributos mostrados so na realidade
cdigos de smbolos no intervalo de 0 a 255. No entanto, os valores nem sempre esto nesse intervalo
(por exemplo, representao de populao). Como conseqncia, necessitaramos empreender um passo
analtico para produzir um conjunto de cdigos de smbolos para esses dados antes de visualiz-los (por
exemplo, adequar a representao da populao dentro de um intervalo de, no mximo, 256 classes de
populao).

A mesma lgica aplica-se a imagens rasterizadas. Caso uma clula contenha um valor de 6, a ela dada
a cor 6 da tabela de cores de cores. No entanto, no caso que temos na tela, sabemos que os valores caem
bem fora do intervalo permissvel para os ndices da tabela de cores (0-255). Sabemos que as clulas
contm alturas e que essas alturas so, em alguns casos, maiores que 4.200 metros. Nada foi feito, ainda,
para modificar esta imagem e, mesmo assim, esses valores caram em uma faixa de 0-255... ou assim
parece.

Voc pode no ter notado, mas quando voc carregou ETDEM, o Lanador de visualizao
automaticamente acionou a propriedade autoescalonamento. Como o nome sugere, autoescalonamento
um procedimento automtico para adequar os valores dos dados a uma faixa possvel para o
enquadramento grfico. A faixa especificada depender da tabela de cores usada e de como esto
ajustados os seus valores mnimo e mximo para o autoescalonamento. Em nosso caso, ns definimos o
autoescalonamento com um mnimo de 0 e um mximo de 15. Como conseqncia, cada altura foi
ajustada para produzir um nmero ndice dentro desta faixa. Se a altura 0, ela tem cor 0. Se a altura
4267 (o mximo), a cor 15. Da mesma forma, se a altura 2134, ela tem cor 7, e assim por diante. O
autoescalonamento um ajuste linear simples dos valores entre o mnimo e o mximo da imagem e entre
os ndices de cor mnimo e mximo, como definido pelos valores mnimo e mximo do
autoescalonamento da tabela de cores utilizada.

O Lanador de visualizao autoescalonou a imagem para poder exibi-la, pois ela composta por
nmeros reais. Todas as imagens de nmeros reais devem ser autoescalonadas porque os ndices de cores
das tabelas de cores so valores inteiros, e esse processo feito automaticamente no momento da
visualizao. No entanto, quando uma imagem inteira ou byte, nem sempre necessrio que isso seja
efetuado. Se a imagem contm valores negativos ou se os valores excedem 255, o autoescalonamento
4. Tabelas de cores, smbolos e autoescalonamento 63

ser imediatamente acionado. Se os valores caem na faixa 0-255 assumido que o autoescalonamento
no se faz necessrio (j que, de fato, os valores cabem no intervalo padro 0-255 das tabelas de cores).
Todavia, voc pode encontrar situaes onde deseja usar o autoescalonamento e poder acion-lo
intencionalmente.

p) Use o Lanador de visualizao para examinar a imagem chamada BRAZIL2 com a tabela de
cores Tons de cinza 256 (esta uma imagem da Banda 5 do sensor MSS LANDSAT, mais
tarde conhecida como Banda 2 MSS).

3. Como a imagem aparece? (No, no h nada errado!)

q) Feche a janela do mapa e visualize BRAZIL2 novamente, porm desta vez especificando o uso
de autoescalonamento.

4. Como ela aparece agora?

De fato sua aparncia no boa, mesmo com o autoescalonamento ligado (embora at possamos
enxergar alguma coisa). Quando a comparamos com ETDEM, que se mostrou visualmente boa, ns
temos que concluir que o autoescalonamento nem sempre funciona bem. Normalmente o uso do
autoescalonamento para tornar uma imagem visvel d bons resultados, mas BRAZIL2 ilustra
claramente um caso onde isso no verdade. Felizmente, h uma soluo para isso.

r) Para entender porque o autoescalonamento no funcionou bem na exibio de BRAZIL2, acione


o mdulo chamado HISTO. Este mdulo pode ser encontrado no menu Visualizao ou pode ser
acessado pelo seu cone na barra de ferramentas (ilustrado esquerda). Como alternativa, h
um acesso direto para o mdulo HISTO a partir da visualizao que iremos experimentar agora.
Pressione o boto Propriedades da Composio e ento o boto Histograma da imagem. Quando
voc usar este acesso rpido, automaticamente assumido que a imagem a ser usada com
HISTO aquela em destaque na lista da Composio.

Como voc pode ver neste histograma, BRAZIL2 tem uma distribuio extremamente distorcida. Por
causa da lgica do autoescalonamento, isto tambm representa a distribuio dos tons de cinza com o
preto situado no extremo esquerdo do eixo X e o branco no extremo direito (e cinzas mdios no meio da
escala). Como podemos ver, a maior parte dos pixels apresenta-se muito escura, uma vez que seus
valores so muito baixos comparados com a variao total de 1 at um mximo de 78. A freqncia
muito pequena de objetos altamente reflexivos (brilhantes) causou a predominncia de pixels em cinza
escuro.

Centro de Recursos Idrisi, Brasil


64 IDRISI for Windows - Exerccios tutoriais introdutrios

A soluo para este problema reescalonarmos os valores de forma a concentrarmos as cores disponveis
no maior volume dos dados. Podemos fazer isso escalonando no entre os valores mnimos e mximos
originais mas entre dois pontos que envolvam o volume dos dados. Analisando-se visualmente, isto
parece estar entre 3 e 22. Ns podemos usar essa informao com o mdulo STRETCH para criar um
resultado melhor.

O mdulo STRETCH usado para aumentar o contraste de uma imagem na sua visualizao, de forma
que as caractersticas da imagem possam ser mais facilmente distinguveis. Algumas vezes, isso
referido como aplicao de um realce do contraste. De forma mais geral, pode ser pensado como uma
rotina de reescalonamento.

s) Feche a janela do mapa BRAZIL2. Acione STRETCH pelo menu Visualizao ou clicando no
respectivo cone na barra de ferramentas. Indique que a imagem de entrada BRAZIL2 e que a
imagem de sada deve ser chamada LINEAR. Use o tipo de contraste linear padro e ajuste um
novo mnimo de 3 e um novo mximo de 22. Aceite o indicado para os demais parmetros.
Quando terminar, use o Lanador de visualizao para visualizar LINEAR usando a tabela de
cores Tons de cinza 25622.

5. Como a imagem aparece agora?

O que aconteceu que todos os pixels com valor 3 ou menores receberam a cor mais baixa (preto),
enquanto aqueles com valor 22 ou maior receberam o ndice de cor mais alto (branco). Isto chamado
de saturao e, como voc pode ver, um recurso muito eficiente para fazer com que a proporo de
pixels saturados no seja muito grande (geralmente menor do que 5%).

Sempre que a imagem de entrada estiver no formato byte, o STRETCH incorpora uma forma de efetuar
estes passos automaticamente (sem ser necessrio examinar o histograma), utilizando o tipo de realce de
contraste Linear com saturao. Com esta opo, ns especificamos a porcentagem de pixels que devem
ser saturados em cada extremo do histograma. Ele far seus prprios clculos no histograma e ir saturar
exatamente este total. Vamos experimentar isso.

t) Acione STRETCH, especifique BRAZIL2 como a imagem de entrada e escolha a opo tipo de
contraste linear com saturao. Chame a imagem de sada de SAT e especifique o grau de
saturao de 2,5 (isto , 2,5% em cada extremo, para um total de 5%). Veja o resultado usando
a tabela de cores Tons de cinza 256.

O mdulo STRETCH ser melhor explorado no Exerccio 11. importante frisar aqui que as imagens
por ns produzidas com STRETCH foram dirigidas somente para a visualizao. Elas no devem ser
usadas para anlise -- em anlises use sempre a imagem original, e no aquelas que tenham sido
processadas para a visualizao. Alm disso, note que normalmente s recorremos ao uso de STRETCH
nos casos onde queremos ter maior controle sobre os processos de aumento de contraste. Em outros
casos, o processo de autoescalonamento da Visualizao funciona bem.

Finalmente, voc deve notar que a Oficina de banco de dados, que ser melhor estudada no exerccio 10,
tambm contm um procedimento de autoescalonamento que pode ser usado para autoescalonar atributos
de elementos vetoriais dentro de um intervalo necessrio para a visualizao.

22
Se a opo Visualizar automaticamente as sadas dos mdulos analticos estiver ligada nas Preferncias de visualizao a imagem
LINEAR ser automaticamente visualizada com a tabela de cores padro. Use o boto Propriedades existente na Composio para
mudar a tabela de cores para GREY256.
INTRODUO MODELAGEM
CARTOGRFICA

Um modelo cartogrfico uma representao grfica dos dados e dos procedimentos analticos usados
em um estudo. Seu propsito ajudar o analista a organizar e estruturar os procedimentos que sero
usados em seu estudo e a identificar os dados necessrios para complet-los. Tambm serve como fonte
de documentao e referncia para a anlise.

Ns usaremos extensivamente os modelos cartogrficos na prxima parte dos exerccios tutoriais.


Alguns sero fornecidos para voc, enquanto que outros voc ter que construir. Ns encorajamos voc a
desenvolver o hbito de usar modelos cartogrficos em seu prprio trabalho.

No desenvolvimento de um modelo cartogrfico, considera-se mais til iniciar pelo produto final e
prosseguir para trs passo a passo at chegar nos dados existentes. Isso nos protege contra a tendncia de
fazermos com que os dados dem o formato ao produto final. O procedimento inicia com a definio do
produto final. Que valores ele ter? O que tais valores significaro? Ns ento perguntamos que dados
sero necessrios para produzir o produto final, definimos cada um desses dados e como eles podem ser
extrados. O seguinte exemplo ilustra o processo:

Suponha que ns queremos produzir um produto final que mostre as reas com declividade
maior que 20 graus. H vrias questes que nos surgem: que dados sero necessrios para
produzir tal imagem? Para produzir uma imagem de declives maiores que 20 graus, ns
primeiro necessitaremos de uma imagem de todos os declives. Existe uma imagem de todos os
declives em nosso banco de dados? Se no existir, ns damos um passo atrs e fazemos mais
perguntas: que dados sero necessrios para produzir um mapa com todos os declives? Uma
imagem de altitudes do terreno pode ser usada para criar o mapa de declives. Existe uma
imagem de altitudes do terreno em nosso banco de dados? Se no, que dados sero necessrios
para produzi-la? O processo continua at chegarmos nos dados existentes.

Os dados existentes podem j estar na forma digital ou podem estar na forma de papel ou tabelas que
necessitaro ser digitalizadas. Caso os dados necessrios no estejam disponveis, voc poder
desenvolver uma forma de usar outros arquivos de dados ou combinaes de arquivos como substitutos.

Nos diagramas, sempre iniciaremos com o produto final no lado esquerdo do modelo e desenvolveremos
o restante para a direita. Certas convenes quanto simbologia devem ser mantidas com fidelidade
para que se mantenha a consistncia. Voc pode adotar estas convenes ou desenvolver as suas prprias
para efetuar o seu trabalho.

Centro de Recursos Idrisi, Brasil


66 IDRISI for Windows - Exerccios tutoriais introdutrios

Os arquivos de dados so representados como mostra a Figura 1. Os arquivos de imagens so


representados por retngulos horizontais, os arquivos vetoriais por tringulos, os arquivos de valores por
elipses e os dados tabulares por retngulos verticais. Ns identificamos campos individuais num banco
de dados com o nome do campo sublinhado. Os nomes de arquivos so escritos com letras maisculas
dentro do smbolo.

NOME DO CAMPO
ARQUIVO ARQUIVO
ARQUIVO campo de banco
arquivos imagem arquivos vetoriais arquivos de valores dados tabulares de dados

Figura 1

As operaes so indicadas escrevendo-se o nome dos mdulos acima ou abaixo das setas que conectam
os arquivos de dados de entrada e de sada. Os nomes dos mdulos so escritos em letra maiscula
itlica. Quando uma operao requer a entrada de dois arquivos, os dois so unidos com linhas e uma
seta simples os une ao resultado. Nestes casos, o nome do mdulo escrito entre os arquivos de entrada.
Parmetros de entrada importantes podem ser vistos no modelo cartogrfico prximo aos nomes dos
mdulos, em caixa baixa e itlico (p. ex., multiplicao). A Figura 2 mostra um exemplo de um modelo
cartogrfico muito simples.

RECLASS
AGCLASS ORDENAO
<5.5 = 1
>5.5 = 0
MAPA FINAL OVERLAY
multiplicao PARCELAS

RENDIM ASSIGN
EDIT
RENDIM

registros
Figura 2 de produo

Voc ir se familiarizar bastante com os modelos cartogrficos assim que for trabalhando com os
exerccios tutoriais restantes.
5. Consulta ao banco de dados

Neste exerccio, exploraremos a mais fundamental das operaes em SIG -- a consulta ao banco de
dados. Com a consulta ao banco de dados estamos tentando responder uma de duas questes possveis. A
primeira uma consulta por localizao --o que existe neste local? A segunda uma consulta por
atributo -- mostre todos os locais que possuem este atributo. Quando movemos o cursor atravs da
imagem, a posio de suas colunas e linhas, bem como as coordenadas X e Y, so mostradas na barra de
status na base da tela. Quando pressionamos o cone do modo de consulta do cursor (o oitavo da
esquerda para a direita), e ento clicamos em diferentes locais na imagem, a barra de status ir mostrar,
alm da posio de coluna e linha e das coordenadas do cursor, tambm o valor da clula em cada local
consultado -- o valor Z. Quando fazemos isso, estamos de fato realizando uma consulta atravs da
localizao. Em futuros exerccios veremos um meio mais elaborado de efetuar essa consulta (usando os
mdulos chamados EXTRACT e CROSSTAB), bem como de consultar interativamente um grupo de
imagens ao mesmo tempo. Neste exerccio veremos uma aplicao muito importante de consulta por
atributo.

Para fazer uma consulta por atributo especificamos determinadas condies e a seguir solicitamos ao
computador que extraia todas as reas que preencham estas condies. Caso a condio envolva somente
um atributo, poderemos usar apenas os mdulos RECLASS ou ASSIGN para efetuar a consulta. Mas se
tivermos uma condio que envolva atributos mltiplos, devemos usar tambm o mdulo OVERLAY. O
exerccio a seguir ilustrar esses procedimentos. Caso voc ainda no o tenha feito, leia o item sobre
Consulta ao banco de dados no captulo Introduo a Sistemas de Informao Geogrfica (SIG) antes
de iniciar o exerccio.

a) Use o Lanador de visualizao para examinar o arquivo chamado DRELIEF. Utilize a tabela
de cores Idrisi 16 e as opes padro para os demais parmetros. O autoescalonamento ser
automaticamente acionado, j que DRELIEF possui dados do tipo real. Use a consulta atravs
do cursor para examinar os valores em diferentes locais da imagem.

Este uma imagem de relevo ou topografia (tambm denominada modelo digital de elevao) de uma
regio na Mauritnia, ao longo do rio Senegal. A regio ao sul do rio (no interior da curva em forma de
ferradura) pertence ao Senegal e no foi digitalizada. Com o propsito de apenas preencher a rea com
dados, foi dada a ela uma altitude arbitrria de 10 m. Nossa anlise enfocar somente o lado do rio que
cai na Mauritnia.

Esta regio est sujeita a inundaes peridicas a cada ano, durante a estao das chuvas. Como a regio
normalmente muito seca, os agricultores locais praticam o que conhecido como agricultura

Centro de Recursos Idrisi, Brasil


68 IDRISI for Windows - Exerccios tutoriais introdutrios

recessional, cultivando as reas que foram inundadas aps o recuo da gua. A principal cultura
explorada nestas condies o sorgo.

Foi proposto um projeto para construir uma represa ao longo da margem norte, na poro mais
setentrional desta curva do rio. A inteno que as guas da enchente entrem nesta rea, como de
hbito, mas que a represa possa ret-las por mais tempo, permitindo assim que um volume maior de
gua penetre no solo para se obter maiores rendimentos no cultivo de sorgo. . De acordo com dados de
linmetro, a cota normal de inundao nesta rea de 9 metros.

Alm da disponibilidade de gua, o tipo de solo uma considerao importante na agricultura


recessional de sorgo porque alguns solos retm melhor a umidade do que outros e alguns so mais frteis
do que outros. Na regio a analisar, apenas os solos argilosos so altamente apropriados para este tipo de
agricultura.

b) Use o Lanador de visualizao para examinar uma imagem chamada DSOILS.


Escolha a tabela de cores Qualitativa 16, comttulo e legenda visveis. Este o mapa de
solos da rea de estudo.

Na determinao de como proceder com o projeto da barragem, os planejadores necessitam saber qual
ser o provvel impacto que o projeto ter. Uma informao importante a rea total (em hectares) de
solos prprios ao cultivo recessional de sorgo. Caso a maior poro inundada seja constituda de solos
imprprios, o incremento esperado na produo de sorgo ser mnimo, e talvez seja necessrio
identificar outro local para o projeto. Em contrapartida, se grande parte da rea de inundao tiver solos
argilosos, ento o projeto poder resultar em um grande impacto no incremento da produo de sorgo.

Nossa tarefa, um tanto simples, fornecer essa informao. Vamos mapear e calcular a rea (em
hectares) de todas as regies aptas ao cultivo recessional de sorgo. Esta uma consulta clssica ao
banco de dados, e envolve uma condio composta -- necessitamos encontrar todas as reas que esto:

i. localizadas na regio normal de inundao


AND (e)
ii. com solos argilosos

Para construir um modelo cartogrfico para esse problema, vamos iniciar por especificar o resultado
final desejado no lado esquerdo do modelo. No final, desejamos um nmero simples que represente a
rea apta ao cultivo recessional de sorgo, em hectares. Para obter este nmero, entretanto, ns
necessitamos primeiro gerar uma imagem que diferencie os locais aptos dos demais e depois calcular a
rea que considerada apta. Ns chamaremos esta imagem de BESTSORG.

Seguindo as convenes descritas no item Introduo modelagem cartogrfica da seo


EXERCCIOS TUTORIAIS BSICOS, nosso modelo cartogrfico do problema pode ser representado
como na Figura 1.

rea
prpria
BESTSORG
em
hectares

Figura 1

A descrio do problema estabelece que existem duas condies que tornam uma rea apta ao cultivo
recessional de sorgo: uma que a rea deve ser inundvel e a outra que os solos sejam argilosos. Cada
uma destas condies deve ser representada por uma imagem individual. Ns denominaremos estas
imagens de FLOOD e BESTSOIL. BESTSORG, ento, o resultado da combinao destas duas
imagens atravs de alguma operao, tal como reter apenas as reas que preencham ambas as condies.
5. Consulta ao banco de dados 69

Se adicionarmos estes elementos ao modelo cartogrfico da Figura 1, teremos a Figura 2.

rea FLOOD
prpria BESTSORG
em
BESTSOIL
hectares

Figura 2

Como BESTSORG o resultado de uma consulta por atributos mltiplos, ela define a localizao que
preenche mais de uma condio. FLOOD e BESTSOIL so o resultado de uma consulta por atributo
simples pois ela define os locais que preenchem apenas uma condio. O caminho mais comum para
resolver tais problemas produzir imagens Booleanas das consultas de atributos simples. A consulta
multi-atributo pode ento ser efetuada usando lgebra Booleana.

Imagens Booleanas23 (tambm conhecida como binrias ou imagens lgicas) contm apenas valores
iguais a zero ou um. Numa imagem Booleana, o valor zero indica um pixel que no preenche a condio
desejada, enquanto um valor igual a um indica um pixel que preenche a condio. Usando valores de
zero e um, operaes lgicas podem ser feitas entre mltiplas imagens de forma bem simples. Por
exemplo, neste exerccio ns efetuaremos uma operao lgica AND de forma que a imagem
BESTSORG conter o valor um apenas para aqueles pixels que preenchem a condio de inundao
AND tipo de solo especificado. A imagem FLOOD deve conter pixels com valor um apenas nos locais
que sero inundados e zero nos demais. A imagem BESTSOIL deve conter pixels com valor um em
todas as reas com solo argiloso e zero nas demais reas. Tendo-se estas duas imagens, a condio lgica
AND pode ser calculada atravs da simples multiplicao de ambas. Quanto duas imagens so usadas
como variveis em uma operao de multiplicao, um pixel da primeira imagem (p.ex. FLOOD)
multiplicado pelo pixel na mesma posio da segunda imagem (p.ex. BESTSOIL). O produto desta
operao (p.ex. BESTSORG) possui pixels com o valor igual a um apenas nos locais que possuem o
valor um em ambas as imagens de entrada, como mostrado na Tabela 1. Esta lgica pode ser estendida a
qualquer nmero de condies, desde que cada condio seja representada por uma imagem Booleana.

FLOOD BESTSOIL BESTSORG


0 0 = 0
0 1 = 0
1 0 = 0
1 1 = 1

Tabela 1

A imagem Booleana FLOOD mostrar reas inundadas num evento de cheia normal (isto , aquelas
reas com elevaes inferiores a 9 m). Em funo disso, para produzir FLOOD, ns necessitaremos o
modelo de elevao DRELIEF j mostrado anteriormente. Para criar FLOOD a partir de DRELIEF, ns
alteraremos todas as elevaes inferiores a 9 metros para um valor de um e todas as elevaes iguais ou
superiores a 9 metros para um valor igual a zero.

De forma similar, para criar a imagem Booleana BESTSOIL partiremos da imagem com todos os tipos
de solos (DSOILS) e ento isolaremos apenas os solos argilosos. Para fazer isto alteraremos os valores da

23
Apesar da palavra binria ser comumente usada para descrever uma imagem desta natureza (somente 1s e 0s), usaremos o termo
Booleana daqui em diante para evitar confuso com o termo binrio como referncia a um formato de armazenamento de dados. O
nome Booleana derivado do nome de George Boole (1815--1864) -- um dos pais da Lgica Matemtica. O nome tambm
apropriado porque as operaes que executaremos nestas imagens so conhecidas como lgebra Booleana.

Centro de Recursos Idrisi, Brasil


70 IDRISI for Windows - Exerccios tutoriais introdutrios

imagem DSOILS de modo a substituir os valores de solo argiloso pelo valor um e os valores dos demais
tipos de solo pelo valor zero. A adio destes passos ao nosso modelo cartogrfico gera a Figura 3.

?
rea FLOOD DRELIEF

prpria ? ?
BESTSORG
em
? DSOILS
hectares BESTSOIL

Figura 3

Ns chegamos agora a um ponto na modelagem cartogrfica em que temos todos os dados necessrios. A
tarefa restante determinar exatamente que mdulos do IDRISI for Windows utilizar para realizar as
operaes desejadas (atualmente indicadas com pontos de interrogao na Figura 3). Ns os
substituiremos pelo nome do mdulo medida que trabalharemos o problema com SIG.

Primeiro criaremos uma imagem FLOOD isolando todas as reas na imagem DRELIEF com elevaes
inferiores a 9 metros. Para isso usaremos o mdulo RECLASS.

c) Ns j visualizamos DRELIEF anteriormente. Deixe-nos, agora, examinar as caractersticas


deste arquivo. Se a visualizao ainda estiver aberta, clique duas vezes no nome da imagem
DRELIEF na lista de arquivos da Composio para ver seu arquivo de documentao. Se voc
j fechou a janela de DRELIEF, voc pode acessar as informaes usando Descrever do menu
Arquivo ou da barra de ferramentas (terceiro cone da esquerda para a direita).

1. Quais os valores mnimos e mximos de elevao na imagem?

d) Antes de executarmos qualquer anlise, configure as Preferncias de visualizao para que os


resultados que produzirmos sejam automaticamente visualizados. Para isso, selecione
Preferncias de visualizao no menu Visualizao. Ligue a visualizao automtica das sadas
dos mdulos analticos e indique QUAL256 como tabela de cores qualitativa e IDRIS256 como
tabela de cores quantitativa. Selecione tambm as opes de Ttulo visvel e Legenda visvel e
deixe IDRIS256 como a tabela de cores padro. Pressione OK.

Agora ns estamos prontos para criar nossa primeira imagem Booleana, FLOOD.

E) Execute RECLASS a partir do menu Anlise/Consulta ao banco de dados. Reclassificaremos


um arquivo imagem com a opo de reclassificao personalizada. Especifique DRELIEF como
o arquivo de entrada e indique FLOOD como arquivo de sada. Indique a seguir os seguintes
valores:

Atribuir um novo valor de: 1


a todos valores desde: 0
at imediatamente inferiores a: 9

Continue pressionando a seta direita do boto de alterao de classes para a prxima caixa em
branco e digite o que segue:

Atribuir um novo valor de: 0


a todos valores desde: 9
at imediatamente inferiores a: 999

Indique um ttulo para a nova imagem e Boolean como novas unidades de valor. Pressione
OK.
5. Consulta ao banco de dados 71

Note que ns indicamos 999 como o valor mximo que dever ser indicado para zero porque
ele um valor maior que qualquer outro de nossa imagem. Qualquer nmero superior ao atual
mximo de 16 poderia ser usado em funo do termo imediatamente inferior a.

f) Quando RECLASS tiver concludo, examine a nova imagem denominada FLOOD (ela ser
automaticamente visualizada se voc seguiu as instrues do passo d). Esta uma imagem
Booleana, conforme descrito acima, onde o valor 1 representa reas que atendem condio
especificada e o valor zero representam reas que no atendem condio.

g) Agora vamos criar uma imagem Booleana (BESTSOIL) com todas as reas com solos
argilosos. O arquivo imagem DSOILS um mapa de solos desta regio. Se voc fechou a janela
de DSOILS visualize-a novamente usando a tabela de cores Qualitativa 16 (o ttulo e a legenda
sero automaticamente exibidos se voc seguiu as instrues do passo d).

2. Qual o valor numrico da classe de solos argilosos?

Ns poderamos usar o mdulo RECLASS aqui para isolar esta classe numa imagem Booleana. Se o
usssemos (o que no faremos neste caso), nossa seqncia para definir a reclassificao seria::

Atribuir um novo valor de: 0


a todos valores desde: 0
at imediatamente inferiores a: 2

Atribuir um novo valor de: 1


a todos valores desde: 2
at imediatamente inferiores a: 2

Atribuir um novo valor de: 0


a todos valores desde: 3
at imediatamente inferiores a: 999

Note que o intervalo de valores que no tm interesse para ns devem ser explicitamente reclassificados
para 0 enquanto os que interessam (solo tipo 2) so reclassificados para 1. Em RECLASS, quaisquer
valores no englobados por um intervalo especificado permanecero com seus valores originais na
imagem de sada24. Note tambm que quando um nico valor, em vez de um intervalo de valores,
reclassificado, o valor original deve ser digitado duas vezes (em a todos valores de e em at
imediatamente inferiores a).

RECLASS o meio mais universal de reclassificar ou atribuir novos valores aos dados de uma
determinada imagem. H um preo por esta universalidade -- de certa forma lento. Em alguns casos
podemos usar um procedimento bem mais rpido chamado ASSIGN para obter o mesmo resultado.
ASSIGN atribui novos valores a um conjunto de valores inteiros. Diferente de RECLASS, a imagem de
entrada para ASSIGN deve possuir nmeros inteiros ou em byte (RECLASS permite imagens do tipo
real). Em ASSIGN, valores de dados no mencionados na reclassificao sero automaticamente
substitudos por 0 (RECLASS deixa dados no mencionados com seu valor original). Isto pode ser
particularmente til quando desejamos criar uma imagem Booleana. Por ltimo, ASSIGN difere de
RECLASS no fato de que somente valores inteiros individuais podem ser especificados, no intervalos
de valores.

Para trabalhar com ASSIGN, necessitamos primeiro criar um arquivo com valores de atributo (chamado
de arquivo de valores) que liste os novos atributos para os valores de dados existentes. A forma mais
simples de um arquivo de valores no IDRISI for Windows um arquivo de texto ASCII com 2 colunas

24
A sada de RECLASS sempre de valores inteiros, de forma que valores reais sero arredondados na imagem de sada. Isto no afeta
nossa anlise porque estamos reclassificando para valores inteiros (0 e 1).

Centro de Recursos Idrisi, Brasil


72 IDRISI for Windows - Exerccios tutoriais introdutrios

de dados (separadas por um ou mais espaos)25. A coluna da esquerda lista as classes da imagem
existente (usando nmeros inteiros como identificadores das feies). A coluna da direita lista os valores
a serem atribudos quelas feies. No nosso caso, as feies so os tipos de solo aos quais atribuiremos
novos valores. Para criar este arquivo de valores podemos usar um mdulo chamado EDIT.

Para praticar o uso de ASSIGN, criaremos um mapa com o grau de adequao de uso que ilustre a
aptido varivel do solo ao cultivo recessional de sorgo. Sabemos que os solos argilosos so os mais
aptos, portanto atribuiremos a eles um grau 5. Os piores so os solos pedregosos, aos quais atribuiremos
um grau 1. As classes argila pesada, argilo arenoso e dique recebero respectivamente graus 2, 3 e 4.
Vamos usar EDIT para criar o arquivo de dados que contenha essa informao.

3. Para ajudar a tornar clara a reclassificao, preencha o quadro a seguir com as 5


classes de solo:

Classe de solo (nmero) Classificao de aptido do solo

h) Execute EDIT a partir do menu Entrada de Dados e indique que voc deseja criar um arquivo
de valores chamado SOILRATE. Ele lhe dar a informao de que voc est criando um novo
arquivo ao perguntar-lhe pelo tipo de dado. Como estamos atribuindo novos valores inteiros
entre 1 e 5, escolha o tipo de dado inteiro. D um ttulo ao arquivo de valores e digite
classificao de aptido como unidade. A seguir aparecer uma janela de edio. Voc pode
usar o sistema de ajuda de EDIT para orient-lo, mas EDIT muito simples. Digite os valores
no arquivo em 2 colunas, como a seguir:

1 2
2 5
3 3
4 4
5 1

Quando voc tiver terminado, salve e saia.

i) Agora execute ASSIGN, a partir do menu Anlise/Consulta ao banco de dados. Digite DSOILS
como a imagem de definio de feies, j que o mapa de solos define as classes s quais
atribuiremos novos valores. Indique SOILRATE como o nome do arquivo de valores de
atributo. Para a imagem de sada especifique o nome SORGSUIT. A seguir d um ttulo para a
imagem de sada.

j) Quando ASSIGN tiver concludo o processamento SORGSUIT ser automaticamente


visualizada. Os valores dos dados agora no representam mais classes de solo mas sim uma
classificao de aptido para o cultivo recessional de sorgo. Pressione o boto Propriedades da
Composio para mudar a tabela de cores para NDVI1626.

Observe como ASSIGN bem mais rpido do que RECLASS. Embora ASSIGN e RECLASS possam ser
usados freqentemente para a mesma finalidade, eles no so exatamente equivalentes e usualmente um

25
Arquivos de valores de atributo com mltiplos campos so acessveis atravs da Oficina de banco de dados. O uso do ASSIGN atravs
da Oficina de banco de dados ilustrado no Exerccio 10 dos EXERCCIOS TUTORIAIS INTRODUTRIOS.
26
Nesse caso a visualizao automtica determinou que o resultado qualitativo (valores inteiros) e por isso adotou uma tabela de cores
qualitativa, embora os valores sejam quantitativos. A visualizao automtica ajuda a ganhar tempo, mas s vezes pode aplicar uma
tabela de cores imprpria. Quando isso acontece, simplesmente mude a tabela de cores usando o boto Propriedades da Composio.
5. Consulta ao banco de dados 73

ir requerer alguns passos a menos do que o outro para um procedimento especfico. Na medida em que
voc se familiarizar com a operao de cada um, a escolha entre os dois mdulos em cada situao
particular se tornar mais bvia.

Agora retornaremos ao prximo passo da modelagem cartogrfica -- criar a imagem BESTSOIL.

k) Use EDIT novamente para criar um novo arquivo devalores chamado CLAYS. Escolha inteiro
como novo tipo de dado, d um ttulo e digite classes como a unidade dos novos valores. Este
arquivo ser usado com ASSIGN para isolar os solos argilosos no mapa de solos original. Ns
determinamos anteriormente que solos argilosos possuem o valor de classe 2 na imagem
DSOILS. Neste caso queremos que seja atribudo o valor 1 s reas com grau 2 e s demais
reas seja atribudo o valor 0. Nosso arquivo de valores, portanto, ser assim:

1 0
2 1
3 0
4 0
5 0

Como j foi mencionado, qualquer classe no especificada no arquivo de valores ter atribuda
automaticamente um novo valor de 0. Desta maneira, nosso arquivo de valores, na verdade,
necessita de apenas uma linha, como segue:

2 1

A todas as classes com valores diferentes de 2 ser atribudo automaticamente o valor 0.

l) Depois de haver criado este arquivo de valores, execute ASSIGN usando DSOILS como arquivo
de definio de feies e CLAYS como o arquivo de valores. Chame a nova imagem de
BESTSOIL e lhe d um ttulo. Examine a imagem BESTSOIL rsultante.

Neste ponto ns realizamos uma consulta a um atributo simples para produzir duas imagens Booleanas
(FLOOD e BESTSOIL) que atendem a condies individuais por ns especificadas. Agora necessitamos
realizar uma consulta por atributos mltiplos para encontrar locais que preenchem ambas as condies e
so, portanto, aptos ao cultivo recessional de sorgo.

Como descrito anteriormente neste exerccio, a operao de multiplicao entre duas imagens Booleanas
pode ser usada para produzir o resultado da operao lgica AND. No IDRISI for Windows, isto feito
com o mdulo OVERLAY. OVERLAY produz imagens novas como resultado de uma operao
matemtica entre duas imagens existentes. A maioria delas so operaes aritmticas simples. Por
exemplo, podemos usar OVERLAY para subtrair uma imagem de outra visando examinar suas
diferenas.

Como ilustrado na Tabela 1, se usarmos OVERLAY para multiplicar FLOOD e BESTSOIL, o nico
caso no qual ns obteremos um valor 1 na imagem de sada BESTSORG quando os pixels
correspondentes em ambos mapas de entrada contiverem o valor 1.

OVERLAY pode ser usado para produzir uma variedade de operaes Booleanas. Por exemplo, a opo
de cobertura (Primeira cobre a Segunda se diferente de 0) em OVERLAY produz um OR (ou) lgico. A
imagem de sada de uma operao de cobertura tem o valor um na posio em que ambas as imagens de
entrada tm valor um.

4. Construa uma tabela similar Tabela 1 para ilustrar a operao OR e ento sugira uma
operao OVERLAY diferente de cobertura que possa ser usada para produzir o
mesmo resultado.

Centro de Recursos Idrisi, Brasil


74 IDRISI for Windows - Exerccios tutoriais introdutrios

m) Execute OVERLAY a partir do menu Anlise/Consulta ao banco de dados para multiplicar


FLOOD e BESTSOIL e criar uma nova imagem chamada BESTSORG. D um ttulo imagem
e especifique Boolean para as unidades de valor. Examine o resultado (mude a tabela de cores
para QUAL256 se estiver difcil de enxergar). BESTSORG mostra todos os locais que esto
dentro da zona normal de inundao AND (e) possuem solos argilosos.

n) Nosso prximo passo calcular a rea, em hectares, destas reas prprias em BESTSORG. Isto
pode ser feito com o mdulo AREA. Execute AREA a partir do menu Anlise/Consulta ao
banco de dados, indique BESTSORG como a imagem de entrada, selecione formato de sada
tabular e calcule a rea em hectares.

5. Quantos hectares encontram-se na rea de inundao em solos argilosos? Qual o


significado da outra rea relatada na figura?

Adicionar o nome dos mdulos ao modelo cartogrfico da Figura 3 produz o modelo cartogrfico
completo para a anlise acima, mostrado na Figura 4.

RECLASS
FLOOD DRELIEF
rea
prpria AREA
BESTSORG OVERLAY DSOILS
em multiplicao

hectares BESTSOIL ASSIGN

ARGILOSOS

EDIT
Figura 4

O resultado que produzimos envolveu consultas por atributo nico para cada uma das condies
especificadas na definio de aptido. Depois, utilizamos os produtos dessas consultas para executar uma
consulta por atributos mltiplos que identificou os locais que satisfazem a todas as condies. Apesar de
analiticamente muito simples, este tipo de anlise um dos mais comuns efetuados com SIG. A
capacidade de desempenhar consultas base de dados baseado no somente em atributos, mas tambm
na localizao desses atributos, o que distingue um SIG de um software de gerenciador de banco de
dados convencional.

A rea que acabamos de calcular representa o nmero total de hectares para todas as regies que
satisfazem nossas condies. Observe que h algumas regies distintas que so fisicamente separadas
das demais. Como devemos proceder, se desejarmos calcular o nmero de hectares de cada uma dessas
reas potenciais para o cultivo de sorgo separadamente?

Quando voc visualiza uma imagem, capaz de interpretar pixels contguos com o mesmo identificador
como uma feio maior nica, tal como um polgono de solo. Na imagem BESTSORG, por exemplo,
voc pode distinguir trs locais aptos separados. Entretanto, em sistemas raster como o IDRISI for
Windows, a nica feio definida o pixel individual. Todavia, como cada regio distinta em
BESTSORG tem o mesmo atributo (1), o IDRISI for Windows as interpreta como sendo a mesma feio,
no possibilitando calcular a rea de cada regio em separado. A nica forma de calcular a rea dessas
regies espacialmente distintas primeiro atribuir a cada regio um nico identificador. Isso
conseguido com o mdulo GROUP.

GROUP projetado para encontrar e identificar grupos espacialmente contguos de pixels de mesmo
valor. Ele atribui novos valores a esses grupos de pixels, iniciando no canto superior esquerdo da
imagem e processando da esquerda para a direita e do topo para a base da mesma, associando ao
primeiro grupo o valor zero. O valor de um determinado pixel comparado com o de seus vizinhos
5. Consulta ao banco de dados 75

contguos. Caso ele tenha o mesmo valor, recebe o mesmo identificador de grupo que os pixels vizinhos.
Se o valor for diferente, o pixel recebe um novo identificador de grupo.

A definio de espacialmente contguo pode ser feita de duas formas. Na primeira, os pixels so
considerados de um mesmo grupo se forem adjacentes em um ou mais de seus lados (esquerda, direita,
topo ou base). Na segunda, so considerados de um mesmo grupo se forem adjacentes em seus lados ou
tambm em seus cantos. Este caso chamado no IDRISI for Windows de Incluir diagonais. A opo a
utilizar depende da aplicao que voc pretende desenvolver.

A Figura 5 ilustra o resultado da execuo de GROUP sobre uma imagem Booleana simples. Note a
diferena causada pela incluso das diagonais. O exemplo sem as diagonais produz oito novos grupos
(identificadores 0-7), enquanto a mesma imagem original com a incluso das diagonais produz somente
trs novos grupos distintos.

original sem diagonais incluindo diagonais


1 1 0 1 0 0 1 2 0 0 1 2

1 0 0 1 0 1 1 2 0 1 1 2

0 1 0 0 3 4 1 1 1 0 1 1

1 0 1 0 5 6 7 1 0 1 0 1

Figura 5

o) Execute GROUP, a partir do menu Anlise/Operadores de contexto, sobre BESTSORG para


produzir uma imagem de sada chamada PLOTS. Inclua as diagonais e digite um ttulo para a
imagem. Quando GROUP tiver terminado, examine PLOTS. Use o modo de consulta do cursor
para examinar os valores dos dados em cada regio individual. Note como agora cada grupo
contguo de pixels de mesmo valor tem um identificador nico diferente dos demais grupos.

6. Quantos grupos foram produzidos? (lembre-se de que o primeiro grupo recebeu o valor
zero!)

Trs desses grupos so nossas regies aptas para o cultivo de sorgo, mas os outros so grupos compostos
por pixels de fundo. Antes de calcular o nmero de hectares em cada regio apta devemos determinar os
identificadores dos grupos que representam as reas aptas para sorgo, com a finalidade de encontrar os
identificadores e as respectivas reas na tabela de reas. Alternativamente, podemos mascarar os grupos
de fundo atribuindo-lhes o identificador zero, deixando os demais grupos de interesse com seu
identificador nico, diferente de zero. A tabela de reas ser ento bem mais fcil de ler. Ns vamos
utilizar, a seguir, este ltimo mtodo.

Nesse caso, desejamos criar uma imagem em que as regies aptas para sorgo retenham seu identificador
nico de grupo e todos os grupos de fundo tenham valor zero. H vrias formas de se fazer isso. O
mtodo mais fcil utilizar uma operao de OVERLAY.

7. Qual opo de OVERLAY voc pode usar para criar a imagem desejada? Utilizando
que imagens?

p) Execute a operao sugerida acima para produzir a imagem PLOTS2, e examine o resultado.
Mude a tabela de cores para QUAL256. Como na imagem PLOTS, as regies aptas so
distinguidas do fundo, cada uma com seu prprio identificador.

q) Agora estamos prontos para executar o mdulo AREA. Use PLOTS2 como a imagem de
entrada e solicite a sada em forma tabular e em hectares.

Centro de Recursos Idrisi, Brasil


76 IDRISI for Windows - Exerccios tutoriais introdutrios

8. Qual a rea em hectares de cada regio apta para o cultivo de sorgo?

A Figura 6 mostra o passo adicional que anexamos ao nosso modelo cartogrfico original. Voc ser
solicitado a produzir modelos cartogrficos em vrios dos prximos exerccios. Ns o encorajamos a usar
a modelagem cartogrfica como uma ferramenta para organizar anlises em seu prprio trabalho da
melhor forma possvel.

BESTSORG
reas
das
PLOTS2 OVERLAY
regies
aptas PLOTS

Figura 6

Neste exerccio ns utilizamos a mais bsica das operaes em SIG -- a consulta ao banco de dados.
Aprendemos que podemos consultar o banco de dados de duas formas -- por localizao e por atributo.
Neste exerccio ns nos concentramos em consultas por atributo. As ferramentas utilizadas para isso
foram RECLASS, ASSIGN e OVERLAY. RECLASS e ASSIGN so similares e podem ser utilizados
para isolar categorias de interesse localizadas em um mesmo mapa. OVERLAY nos permite combinar
consultas de pares de imagens e atravs disso produzir consultas compostas.

Um conceito particularmente importante que aprendemos nesse processo foi a expresso de consultas
simples na forma de imagens Booleanas (imagens contendo somente zeros e uns). Expressar os
resultados de consultas por atributo nico como imagens Booleanas permitiu-nos utilizar operaes
Booleanas ou lgicas com as operaes aritmticas de OVERLAY para efetuar consultas por atributos
mltiplos. Por exemplo, ns aprendemos que a operao de multiplicao de OVERLAY produz um
AND (e) lgico quando so usadas imagens Booleanas, enquanto a operao de cobertura produz um
OR (ou) lgico.

Ns tambm vimos como uma imagem Booleana pode ser usada em uma operao de OVERLAY para
manter alguns valores e mascarar os demais atravs da atribuio do valor zero aos mesmos. Em tais
casos, a imagem Booleana pode ser tomada como uma mscara Booleana ou simplesmente como uma
imagem mscara.

extremamente importante entender a lgica da reclassificao e da sobreposio de imagens (com


OVERLAY) porque elas constituem o centro de muitas anlises que usam SIG. A melhor forma de
conseguir esse entendimento efetuando cada operao e examinando o resultado para verificar se ele se
parece com o esperado. Entretanto, O IDRISI for Windows oferece um atalho que possibilita aos
usurios executar vrias operaes individuais a partir de uma nica caixa de dilogo -- A
CALCULADORA PARA IMAGENS. A Calculadora para imagens permite a entrada de expresses
lgicas ou matemticas usando constantes ou imagens como variveis. Ela oferece muitas das funes de
RECLASS, OVERLAY, SCALAR e de TRANSFORM em uma caixa de dilogo.

r) Para ver como a criao de BESTSORG neste exerccio pode ser feita com a Calculadora para
imagens, acione-a a partir do menu Anlise/Consulta ao banco de dados e escolha o tipo de
operao Expresso lgica (estamos procurando o AND lgico de dois critrios). Chame a
imagem de sada de BESTCALC (daremos um nome diferente para podermos comparar o
resultado com a imagem BESTSORG produzida h pouco). Agora entre com a expresso
usando os botes da Calculadora para imagens, reproduzindo a expresso mostrada a seguir.
Note que voc pode pressionar o boto Inserir imagem para escolher um arquivo da lista de
arquivos disponveis, cujo nome ficar automaticamente entre colchetes.
5. Consulta ao banco de dados 77

BESTCALC = ([DRELIEF]<=9)AND([DSOILS]=2)

Pressione Processar expresso e, quando o clculo estiver concludo, compare o resultado com
aquele obtido anteriormente, chamado BESTSORG (voc deve mudar a tabela de cores para
QUAL256).

Note que no podemos concluir completamente nossa anlise apenas com a Calculadora para
imagens porque ela no inclui as funes GROUP e AREA. Note tambm que no
desenvolvimento de nosso modelo muito mais fcil identificar erros no processo se fizermos
cada passo individual com o mdulo apropriado e examinarmos cada resultado. Embora o uso
da Calculadora para imagens nos permita ganhar tempo, ela no nos fornece as imagens
intermedirias para verificarmos nosso progresso lgico. Em funo disso, em muitos dos
exerccios restantes iremos optar por usar os mdulos individuais.

Neste ponto voc pode apagar todos os arquivos que foram criados neste exerccio. A funo Excluir
pode ser encontrada na Manuteno de arquivos do menu Arquivo. Apenas no apague os dados
originais DSOILS e DRELIEF.

Centro de Recursos Idrisi, Brasil


6. Operadores de distncia e de
contexto

Neste exerccio27 introduziremos dois novos grupos de operaes analticas (aps a consulta ao banco de
dados e a lgebra com mapas) -- operadores de distncia e de contexto. Os operadores de distncia
calculam distncias a partir de uma feio nica ou de um conjunto de feies. Em um ambiente raster
eles produzem uma imagem resultante onde cada pixel recebe um valor representando a sua distncia da
feio mais prxima. H vrios conceitos de distncia que podem ser modelados. A distncia Euclidiana
ou linear, com a qual estamos mais familiarizados, o tipo de anlise de distncia que usaremos neste
exerccio. No IDRISI for Windows, distncias Euclidianas so calculadas com o mdulo DISTANCE.
No Exerccio 8 ser explorado outro tipo de anlise de distncia, conhecido como distncia de custo.

Os operadores de contexto determinam o novo valor de um pixel, baseado no valor dos pixels ao seu
redor. O mdulo GROUP, utilizado no Exerccio 5 para identificar grupos contguos de pixels, um
operador de contexto, uma vez que o identificador atribudo a qualquer pixel depende do valor dos pixels
sua volta. Neste exerccio, nos familiarizaremos com outro operador de contexto denominado
SURFACE, o qual ser usado para calcular as declividades a partir de uma imagem de relevo. O valor
de declividade atribudo a cada pixel depende de sua altitude e da altitude dos seus quatro vizinhos mais
prximos.

Utilizaremos estes operadores de distncia e de contexto e as ferramentas exploradas em exerccios


anteriores para realizar uma das tarefas de anlise mais comuns em SIG -- mapeamento de aptido, um
tipo de avaliao por critrios mltiplos. Um mapa de aptido indica os locais prprios a um
determinado propsito. Ele produzido a partir de vrias imagens, cada uma representando todas as
reas que atendem a um determinado critrio. Aqui, imagens Booleanas sero combinadas usando-se o
mdulo OVERLAY para produzir um mapa final que mostra os locais que satisfazem todos os critrios
especificados. Este tipo de avaliao Booleana por critrios mltiplos freqentemente chamado de
mapeamento de restries, j que cada critrio definido por uma imagem Booleana indicando reas
aptas (valor 1) ou imprprias a determinado uso (valor zero).28 Os mapas que voc fez em exerccios

27
A esta altura dos exerccios, espera-se que voc j seja capaz de operar mdulos como o Lanador de visualizao, RECLASS e
OVERLAY sem instrues detalhadas. Caso voc no saiba como preencher as caixas de dilogo, use as sugestes padro. Entretanto,
uma boa idia colocar ttulos descritivos para os arquivos de sada ao invs de deixar as caixas de dilogo em branco.

28
A avaliao por critrios mltiplos descrita com maior detalhamento no captulo Apoio deciso na seo TPICOS ESPECIAIS
do Manual do Usurio. introduzida uma lgica diferente. Enquanto critrios que so absolutamente aptos ou absolutamente
imprprios para a seleo (chamados restries) so representados por imagens Booleanas, outros critrios (chamados fatores) so
representados por imagens contnuas nas quais os valores indicam o grau de aptido de cada pixel. Estas imagens contnuas de fatores
so ento agregadas usando um nmero de operaes possveis e multiplicadas pelas imagens Booleanas das restries. O resultado

Centro de Recursos Idrisi, Brasil


80 IDRISI for Windows - Exerccios tutoriais introdutrios

anteriores indicando reas para o cultivo de sorgo e de piretro so exemplos simples de mapeamento
restries.

Nosso problema neste exerccio encontrar todas as reas adequadas localizao de uma fbrica de
manufaturados leves numa pequena regio no centro de Massachusetts (USA), prximo Clark
University. A companhia industrial est preocupada, primeiramente, que a rea escolhida esteja em local
plano (com declives inferiores a 2,5) e que seja uma rea contnua de pelo menos 10 hectares. J os
tcnicos da prefeitura esto interessados em proteger reservatrios de gua da cidade, tendo especificado
que nenhuma obra dever ocorrer a menos de 250 m de qualquer reservatrio. Adicionalmente,
necessrio considerarmos que nem toda a superfcie do terreno est disponvel para essa obra. De fato,
nesta rea apenas superfcies cobertas por vegetao florestal esto disponveis. Resumindo, locais
adequados ao desenvolvimento devem estar:

i) Em terras com declive inferior a 2,5;


ii) Em reas a mais de 250 m em torno dos reservatrios de gua;
iii) Em terras atualmente cobertas por florestas;
iv) Em rea contnua superior a 10 ha.

Voc tem duas imagens desta rea: um mapa de relevo, denominado RELIEF, e um mapa de uso do
solo, denominado LANDUSE. A rea de estudo pequena para acelerar seu progresso neste exerccio.

a) Para se familiarizar com a rea de estudo, execute ORTHO a partir do menu Visualizao,
escolhendo RELIEF como a imagem de superfcie e LANDUSE como a imagem de cobertura.
Aceite o nome ORTHOTMP e os demais parmetros padro para a imagem de sada. Indique
que voc quer usar a tabela de cores personalizada LANDUSE e uma legenda e escolha uma
resoluo de sada menor do que a configurao do seu Windows (por exemplo, se seu monitor
est ajustado para 1024 768, escolha uma sada de 800 600).

Como voc pode ver, a rea de estudo dominada por floresta decdua e tem topografia ondulada.

Agora iremos resolver o problema da aptido em quatro passos, um para cada critrio de aptido. O
primeiro critrio listado determina como aptas reas em terrenos cuja declividade inferior a 2,5.
Nosso objetivo neste primeiro passo produzir uma imagem Booleana para reas que preenchem este
critrio. Ns a chamaremos de SLOPEBL.

1. Antes de ler adiante, desenhe abaixo um modelo cartogrfico completo, com o nome
dos mdulos e das imagens, mostrando os passos necessrios produo de SLOPEBL.

SLOPEBL

b) Visualize RELIEF29 com a tabela de cores Idrisi 16 e a opo de autoescalonamento. Examine


os valores com o modo de consulta do cursor.

Os limites entre cores nesta visualizao so similares s curvas de nvel em um mapa topogrfico.
Quanto mais prximas estiverem as curvas umas das outras, mais rapidamente a altitude est mudando
e, consequentemente, mais ngreme a encosta.

Criar um mapa de declividades manualmente muito tedioso. Basicamente, ele requer que o
distanciamento entre curvas de nvel seja avaliado em todo o mapa. Como freqentemente ocorre, tarefas
tediosas para humanos so simples para computadores (o oposto tambm tende a ser verdadeiro -- coisas

uma imagem de aptido com valores contnuos que oscilam de inapto at altamente apto.
29
Para este exerccio certifique-se de que as Preferncias de visualizao esto configuradas com os valores padro pressionando o boto
Padres do sistema. Escolha ento Legenda visvel e pressione OK.
6. Operadores de distncia e de contexto 81

que parecem simples e intuitivas para ns so normalmente difceis para computadores). No caso de
modelos topogrficos digitais raster (tais como a imagem RELIEF), o declive em qualquer clula pode
ser determinado comparando sua altitude com a altitude de cada uma de suas clulas vizinhas. No
IDRISI for Windows, esta operao realizada usando-se o mdulo SURFACE. De forma similar,
SURFACE pode ser usado para determinar a direo de orientao da encosta (aspecto) e a maneira pela
qual a luz do Sol iluminaria a superfcie considerando-se uma posio especfica do Sol (sombreamento
analtico).

c) Execute SURFACE a partir do menu Anlise/Operadores de contexto. Calcule a declividade em


graus usando RELIEF como modelo digital de entrada. Chame a imagem de declividades
resultante SLOPES. Examine alguns dos valores usando o modo de consulta do cursor.

d) Outra maneira de olhar para as informaes deste mapa de declividades sobrepondo-o


superfcie de elevao usando o mdulo ORTHO, como fizemos anteriormente com a imagem
do uso do solo. Entretanto, a imagem de cobertura para ORTHO deve ter dados com valores
inteiros e com no mximo 256 nveis (0 a 255). Execute STRETCH a partir do menu
Visualizao para fazer um realce linear de em SLOPES. Especifique SLOPEC como imagem
de sada e aceite as demais sugestes padro para os parmetros da imagem da sada (256
nveis, 0 como o valor mnimo e 255 como valor mximo). A seguir execute ORTHO com
RELIEF como superfcie e SLOPEC com imagem de cobertura. Use a tabela de cores Idrisi 256
e todos os outros parmetros pr-definidos.

A imagem chamada SLOPES pode ser agora reclassificada para produzir uma imagem Booleana que
preenche nosso primeiro critrio -- reas com declividade inferior a 2,5. (No use SLOPEC!. Via de
regra, imagens submetidas a realce como SLOPEC s deveriam ser usadas para visualizao, nunca para
anlise. Apenas dados originais deveriam ser usados para anlise).

e) Use RECLASS para criar uma imagem Booleana de todas as declividades inferiores a 2,5.
Neste caso, precisaremos atribuir 1 para todos os declives entre 0 e 2,5 e 0 para todos aqueles
declives iguais ou maiores que 2,5. Chame a imagem resultante de SLOPEBL e examine o
resultado.

O segundo critrio para localizar a fbrica de manufaturados leves estabelece que as reas devem estar
alm de uma zona tampo de 250m ao redor dos reservatrios. Nosso segundo passo criar uma imagem
Booleana que represente esta condio.

2. Antes de continuar a leitura, esquematize abaixo um modelo cartogrfico para este


passo da anlise. Chame a imagem final de BUFFERBL.

BUFFERBL

O novo mdulo que necessitamos usar neste passo DISTANCE. Dada uma imagem que apresenta um
conjunto de feies, DISTANCE ir calcular uma nova imagem na qual o valor armazenado em cada
clula a menor distncia entre ela e a feio mais prxima. O resultado , portanto, uma superfcie de
distncias (uma representao espacialmente contnua das distncias). No nosso caso, os reservatrios
d'gua sero as feies a partir das quais calcularemos uma superfcie de distncias. A superfcie de
distncias resultante pode ento ser reclassificada em duas classes -- aqueles pixels que esto a mais de
250m dos reservatrios (aptos) e aqueles que esto a menos de 250m dos reservatrios (imprprios).

f) Visualize a imagem LANDUSE usando a tabela de cores personalizada LANDUSE e uma


legenda. Determine o identificador inteiro dos reservatrios e use ento RECLASS ou ASSIGN
para criar uma imagem Booleana de reservatrios denominada RESERV.

g) Execute DISTANCE a partir do menu Anlise/Operadores de distncia e especifique RESERV


como a imagem de feies e RESDIST como a imagem de sada.

Centro de Recursos Idrisi, Brasil


82 IDRISI for Windows - Exerccios tutoriais introdutrios

h) Examine os valores individuais dos dados em RESDIST usando o modo de consulta do cursor.
Observe como os valores de distncia variam continuamente. Para confirmar que RESDIST
realmente uma superfcie suave, visualize-a com ORTHO (sem imagem de cobertura). Neste
caso estamos olhando os dados de distncia como uma superfcie (anteriormente havamos
usado os dados de altitude como superfcie). Como esperado, as distncias aumentam (a
superfcie fica mais elevada) medida que nos afastamos dos reservatrios.

i) Use RECLASS para criar uma imagem Booleana e atribua valor 1 para os pixels que esto a
250m ou mais de um reservatrio e atribua o valor 0 para aqueles pixels que esto a menos de
250m de um reservatrio. Chame a imagem de sada BUFFERBL e examine o resultado.

A criao de faixas tampo uma tarefa comum em SIG. No IDRISI for Windows, a combinao de
DISTANCE e RECLASS est contida no comando BUFFER. A caixa de dilogo de BUFFER possibilita
a voc especificar de uma s vez todos os parmetros para executar as operaes DISTANCE e
RECLASS.

j) Se voc quiser tentar, pode recriar BUFFERBL usando o comando BUFFER para ver como ele
funciona.

A esta altura j temos dois dos quatro componentes exigidos para nosso mapa final de aptido. Agora
considere o terceiro -- apenas as reas com florestas esto disponveis para o desenvolvimento.

3. Descreva o contedo da imagem final para este critrio e desenhe o modelo


cartogrfico mostrando os passos usados para produzi-la. Chame a imagem final de
FORESTBL.

FORESTBL

k) Use DESCRIBE (clique duas vezes no nome de LANDUSE na lista de arquivos da


Composio) ou o modo de consulta do cursor para verificar os cdigos de uso do solo para as
duas categorias de floresta. No considere as superfcies com pomares (orchards) e com
florestas em solos midos (for. wetland) -- obviamente no poderemos construir sobre elas. Siga
as instrues do modelo cartogrfico que voc desenhou h pouco para criar um mapa Booleano
das reas com florestas.

4. Que outra tcnica voc poderia ter usado para obter o mesmo resultado?

A condio que resta atender que os locais aptos devem ter rea igual ou superior a 10 hectares. At
agora, entretanto, ns no temos nenhum stio para o qual possamos calcular a rea. Ns temos trs
imagens Booleanas separadas, para cada uma das condies prvias. Antes de nos atermos ao critrio
rea, devemos combinar estas trs imagens Booleanas para obter os locais que preenchem os trs
critrios anteriores.

l) Use OVERLAY para criar uma imagem Booleana composta mostrando as reas que preenchem
as primeiras trs condies que especificamos. Para fazer isto voc ter que combinar duas
imagens e criar um resultado intermedirio, o qual ser ento combinado com a terceira para
produzir o resultado final. Chame este resultado final de COMBINED.

5. Que operao de OVERLAY voc usou para produzir COMBINED? Esquematize um


modelo cartogrfico que ilustre os passos seguidos na gerao de COMBINED a partir
de SLOPEBL, BUFFERBL e FORESTBL.

COMBINED
6. Operadores de distncia e de contexto 83

m) Examine COMBINED usando uma tabela de cores qualitativa. Existem vrias reas contguas
na imagem que mostram stios potenciais para o nosso propsito. O ltimo passo determinar
quais deles preenchem a condio de rea mnima de 10 hectares.

n) Produza um mapa mostrando todos os stios de COMBINED que possuem 10 hectares ou mais.
Chame a este mapa final de SUITABLE (Observe que h vrias maneiras de fazer isto, todas
elas aceitveis. Voc poder achar til ler a descrio dos mdulos AREA e GROUP no Sistema
de ajuda on-line. Caso voc usar GROUP, faa-o com diagonais).

6. Quantos stios aptos foram identificados? Esquematize um modelo cartogrfico


mostrando como voc criou SUITABLE a partir de COMBINED.

SUITABLE

Voc esquematizou modelos cartogrficos para cada passo em separado desta anlise. Um modelo
combinando todos os passos mostrado na Figura 1 (Observe que alguns dos passos que voc usou
podem ser diferentes daqueles do modelo).

RECLASS SURFACE
EDIT
SLOPEBL SLOPES RELIEF
OVERLAY RESERV
TMP
multiplicao
BUFFERBL RESDIST RESERV ASSIGN
OVERLAY RECLASS DISTANCE
COMBINED multiplicao
LANDUSE

FORESTBL ASSIGN

FOREST

continua
EDIT
GROUP com
AREA diagonais
imagem
GRPAREA GROUPS COMBINED
RECLASS
reter >= 10 OVERLAY
SUITABLE SITEAREA multiplicao

Figura 1

o) Finalmente, para completar este exerccio, crie uma imagem ORTHO que superponha a
imagem com reas aptas ao mapa de relevo. Para evitar uma visualizao que apresente os
locais aptos suspensos no ar, voc ter que especificar um valor maior do que 0 para o fundo de
SUITABLE. Use SCALAR ou ASSIGN para criar um novo mapa chamado SUIT2 a partir de
SUITABLE, tal que tanto o fundo quanto as reas aptas tenham valores diferentes de 0. Depois,
use ORTHO com RELIEF como imagem de relevo e SUIT2 como imagem de cobertura.

Este exerccio introduziu duas classes de funes de SIG importantes -- operadores de distncia e
operadores de contexto. Em especial, ns vimos como o mdulo DISTANCE pode ser usado para criar
uma superfcie contnua de distncias a partir de um conjunto de feies. Tambm vimos como

Centro de Recursos Idrisi, Brasil


84 IDRISI for Windows - Exerccios tutoriais introdutrios

SURFACE, como operador de contexto, usa os valores de pixels vizinhos para calcular a declividade de
cada pixel da imagem.

Vimos ainda como a lgebra Booleana efetuada com o mdulo OVERLAY pode ser usada para trs ou
mais imagens atravs do uso de imagens temporrias. Finalmente, usamos o mdulo ORTHO de forma
exaustiva para visualizar nossos dados em uma perspectiva tridimensional.

No exclua SUITABLE nem as imagens originais LANDUSE e RELIEF. Voc necessitar de todas elas
no prximo exerccio, onde usaremos uma macro para automatizar o processo de mapeamento de
aptido desenvolvido neste exerccio.
7. Automao de anlises com macros

Suponha que os planejadores que estabeleceram os quatro critrios do estudo de aptido no Exerccio 6
decidiram posteriormente que declividades at 4 graus, ao invs de 2,5 graus, deveriam ser consideradas
aptas para o propsito desejado. Embora fosse bastante simples repetir o procedimento usando o novo
critrio (especialmente por termos desenhado o modelo cartogrfico para o processo), seria tambm
tedioso. Alm disso, eles talvez queiram testar algumas variantes destes critrios.

Ns podemos automatizar nossas anlises atravs do uso de macros. Uma macro algumas vezes
definida como um metaprograma, uma vez que ela de fato um programa que executa um conjunto de
programas. No IDRISI for Windows uma macro um arquivo ASCII que lista, em ordem, cada mdulo
a ser usado e todos os parmetros necessrios para sua execuo. Todo conjunto de mdulos pode ser
executado simplesmente indicando o nome do arquivo macro na caixa de dilogo da funo Executar
Macro, acionada a partir do menu Arquivo. Se tivssemos criado uma macro para nossa anlise de
aptido, poderamos facilmente trocar qualquer parmetro de qualquer mdulo usando EDIT (p.ex.,
mudar de 2,5 para 4,0 no passo da reclassificao das declividades) e a executar todo o processo
novamente.

Para cada mdulo do IDRISI for Windows que pode ser usado em um arquivo macro, existe um formato
especfico conhecido como formato de comando macro. Esta estrutura pode ser encontrada na descrio
dos mdulos no sistema de Ajuda on-line. O formato sempre inicia com o nome do mdulo, seguido por
um X para indicar que parmetros devem ser tomados do arquivo e no da caixa de dilogo. Depois
disso so dados todos os parmetros necessrios para a execuo dos mdulos em uma ordem e formato
especficos. Estes parmetros suprem toda a informao que voc indicaria nas caixas de dilogo caso
estivesse usando os mdulos interativamente.

Arquivos macro devem ter a extenso .IML (Idrisi Macro Language -- Linguagem Macro do IDRISI).
Se a macro for criada no mdulo EDIT do IDRISI for Windows, a extenso .IML ser automaticamente
fornecida ao selecionar-se a edio de arquivos macro.

Observe que alguns mdulos no possuem uma verso de comando macro. Estes mdulos no produzem
um arquivo como resultado (p.ex., DESCRIBE, LIST) ou so mdulos que requerem interao com o
usurio (p.ex., EDIT). Qualquer mdulo que aparece no menu todo em letras maisculas pode ser usado
em uma macro. Para informaes mais detalhadas, veja o captulo Criao de Macros no Manual do
Usurio.

Neste exerccio, escreveremos uma macro para toda a anlise feita interativamente no Exerccio 6. Todos
os mdulos usados naquele exerccio podem ser empregados em macros, exceto EDIT. Uma vez que

Centro de Recursos Idrisi, Brasil


86 IDRISI for Windows - Exerccios tutoriais introdutrios

EDIT no est disponvel para uso em macros, ns podemos produzir os arquivos de valores necessrios
para uso em ASSIGN antes de executar a macro, ou podemos ainda substituir o uso de EDIT e ASSIGN
por RECLASS. Ns faremos este ltimo.

a) Para iniciar, vamos olhar os passos que foram necessrios para criar a imagem SLOPEBL a
partir do modelo digital de elevao RELIEF, examinando a Figura 1 do exerccio 6. O
primeiro mdulo que usamos foi SURFACE. V para o sistema de ajuda do IDRISI, procure por
SURFACE e depois veja o item Comando macro deste mdulo. A informao se parece com o
seguinte:

Comando macro de SURFACE

A execuo deste mdulo em modo batch requer os seguintes parmetros:

1 : x (para indicar que o modo batch est sendo usado)


2 : nmero da operao (1=Declividade / 2=Orientao / 3=Declividade e orientao
4=Sombreamento analtico)
3 : nome do arquivo de entrada (a imagem a partir da qual sero feitos os clculos)
4 : nome do arquivo de sada (a nova imagem a ser criada com SURFACE)
5 : Nome do segundo arquivo (se a opo foi Declividade e orientao, # se foi outra opo)
6 : medida de declividade (d=graus / p=percentagem)
7 : fator de converso (opcional -- converte elevaes para unidades de referncia)

p. ex., surface x 1 relief slope # d


surface x 3 relief slope aspect p

Para a operao Sombreamento analtico, os parmetros 5 e 6 requerem:

5 : azimute do sol (em graus)


6 : elevao angular do sol (em graus)

Para executar o primeiro passo da noss anlise (criar uma imagem de declividades a partir do modelo
digital de elevao) iremos usar o seguinte comando macro:

surface x 1 relief slopes # d

b) O prximo mdulo que usamos foi RECLASS, para criar uma imagem Booleana de
declividades menores que 2,5 a partir de nossa imagem de declividades. Novamente, procure
pelo comando macro de RECLASS no sistema de ajuda on-line. Dadas nossas variveis, a
prxima linha de texto no arquivo macro ser:

reclass x i slopes slopebl 2 1 0 2.5 0 2.5 999 -9999

c) Execute EDIT e indique que voc quer editar um arquivo macro. Selecione o arquivo EXER6.
A macro j foi criada para voc. Cada linha executa um mdulo do IDRISI for Windows usando
os mesmos parmetros que usamos no exerccio 6. Como a ltima linha indica, a imagem final
ser chamada de SUITAB2 em vez de SUITABLE, para podermos comparar as duas mais
tarde. Quando houver terminado de digitar os comandos, salve o arquivo e saia. Observe que as
linhas que iniciam com as letras REM so consideradas pelo programa como comentrios e no
sero executadas. Esses comentrios so usados para documentar a macro.

d) Gaste algum tempo comparando a informao sobre o formato de comando macro do sistema de
ajuda com algumas das linhas da macro. Voc pode diminuir a janela do sistema de ajuda para
t-la com a janela de EDIT ao mesmo tempo na tela.

e) Quando tiver terminado de examinar a macro pressione o boto Sair. No save mudanas que
voc possa feito inadvertidamente na macro.
7. Automao de anlises com macros 87

f) Escolha Executar Macro a partir do menu Arquivo, d EXER6 como nome do arquivo macro e
deixe a caixa de dilogo de parmetros da macro em branco. Enquanto a macro roda, voc ver
um relatrio na tela mostrando qual o passo que est sendo processado. Quando a macro
terminar, visualize SUITAB2 com a tabela de cores QUAL256. Visualize tambm SUITABLE
com a mesma tabela de cores e posicione-a de tal forma que voc possa visualizar ambas as
imagens simultaneamente.

1. As imagens so iguais? Que operao poderia ser usada para determinar se as imagens
so exatamente as iguais?

g) Abra a macro com EDIT e modifique-a de forma que as declividades inferiores a 4 graus sejam
consideradas aptas. Pressione os botes Salvar e depois Sair. Execute a macro e compare os
resultados (SUITAB2) com SUITABLE.

h) Use EDIT para mudar a macro uma vez mais de forma a no incluir as diagonais no
processamento de GROUP. Mude tambm o nome da imagem final para SUITAB3.

2. Descreva as diferenas entre SUITABLE, SUITAB2 e SUITAB3 e explique o que


causou estas diferenas.

Comandos macro so efetivamente uma ferramenta muito poderosa na anlise em SIG. Uma vez criados,
eles permitem uma avaliao rpida de variaes numa mesma anlise. Exatamente a mesma anlise
pode ser executada rapidamente tambm para outra rea de estudo simplesmente alterando-se os nomes
dos arquivos de entrada originais. Como vantagem adicional, os arquivos macro podem ser salvos ou
impressos juntamente com o modelo cartogrfico correspondente. Isso fornecer um registro detalhado
para verificar possveis fontes de erro em uma anlise ou para a repetio do estudo.

Nota:

O IDRISI for Windows salva no seu diretrio de programas todos os comandos que voc executa em um
arquivo texto, chamado arquivo LOG. Os comandos so gravados em um formato similar ao formato de
comando macro que usamos neste exerccio. Todas as mensagens de erro que so geradas so tambm
gravadas. Cada vez que voc abre o IDRISI for Windows um novo arquivo LOG criado e o anterior
renomeado. Os arquivos LOG das ltimas cinco sesses de uso do IDRISI for Windows so gravadas
com os nomes IDRISIW.LOG, IDRISIW.LO1, IDRISIW.LO2, ... IDRISIW.LO5.

O arquivo LOG pode ser editado e salvo como arquivo macro usando EDIT. Escolha a opo Outro
arquivo em outro diretrio de EDIT e abra o arquivo LOG no diretrio do programa IDRISI for
Windows. Edite o arquivo para dar-lhe o formato de arquivo macro e escolha a opo Salvar como..., d
ao arquivo uma extenso .IML e salve-o no diretrio de dados.

Centro de Recursos Idrisi, Brasil


8. Distncias de custo e caminhos de
menor custo

No exerccio 6 usamos um dos operadores de distncia do IDRISI for Windows chamado DISTANCE.
DISTANCE produziu uma superfcie contnua de valores de distncia Euclidiana a partir de um
conjunto de feies. Neste exerccio ns usaremos uma variante de DISTANCE chamada COST.
Enquanto DISTANCE produz valores medidos em unidade como metros ou quilmetros, COST calcula
a distncia em termos de alguma medida de custo e os valores resultantes so conhecidos como distncia
de custo. De modo similar a DISTANCE, COST requer uma imagem de entrada a partir da qual as
distncias so calculadas. Diferente de DISTANCE, no entanto, COST requer uma imagem de atrito que
indica o custo relativo do deslocamento atravs de cada clula. O resultado uma imagem contnua
conhecida como superfcie de distncias de custo.

Os valores de atrito so expressos em termos de uma medida de custo especfica a ser calculada. Estes
valores freqentemente tm um valor monetrio igual ao custo de deslocamento ao longo da paisagem.
Embora os valores do atrito possam ser expressos em outros termos, como tempo de viagem (no qual eles
representam quanto tempo seria necessrio para cruzar reas com determinados atributos), eles podem
representar tambm equivalentes energia, onde eles seriam proporcionais ao total de combustvel gasto
ao viajar de um pixel determinado at a feio mais prxima.

Estes valores de atrito so sempre calculados de acordo com um valor bsico previamente fixado,
geralmente igual a 1. Por exemplo, se nosso nico atrito fosse profundidade de neve, ns poderamos
atribuir a reas sem neve o valor 1 (isto , o custo bsico) e para reas cobertas com neve valores maiores
que 1. Se sabemos que atravessar reas com acmulo de neve entre 6 e 10 polegadas de profundidade
custa o dobro do que atravessar reas com solo nu, ns podemos atribuir quelas clulas com
profundidade de neve neste intervalo o valor de atrito 2. Valores de atrito so especificados como
nmeros reais para permitir valores fracionrios, podendo assumir valores entre 0 e 1,0 1037. Os
atritos raramente so especificados com valores inferiores a 1,0 (o custo bsico) porque um valor de
atrito inferior a 1 representa uma acelerao ou fora que atua como auxlio ao movimento.

Independente do esquema usado para representar os atritos, a imagem de distncia de custo resultante
ir incorporar os efeitos da distncia percorrida e do atrito encontrado ao longo do caminho. Alm disso,
como os valores de atrito so sempre usados para calcular a distncia de custo, esta ser sempre relativa
ao valor de atrito ou custo bsico. Por exemplo, se para uma clula atribudo o valor 5,25, isto indica
que custa cinco vezes e um quarto mais do que o custo bsico chegar a esta clula a partir da feio mais
prxima de onde partiu o clculo do custo. Em outras palavras, para chegar a esta clula custa o mesmo
que cruzar cinco clulas e um quarto com valor de atrito bsico. O mdulo SCALAR poderia ser usado

Centro de Recursos Idrisi, Brasil


90 IDRISI for Windows - Exerccios tutoriais introdutrios

para transformar os valores de distncia de custo em valores monetrios atuais, tempo ou outras
unidades.

A discusso acima focaliza atrito isotrpico, um dos dois tipos bsicos de efeito de atrito. Atritos
isotrpicos so independentes da direo de movimento. Por exemplo, a superfcie de uma estrada pode
ter um atrito especfico independente da direo em que se viaja. A superfcie da estrada possui
caractersticas (pavimentao, lama, etc.) que tornam o movimento mais fcil (baixo valor de atrito) ou
mais difcil (alto valor de atrito). Ns trabalharemos com este tipo de superfcie de atrito neste exerccio.
O mdulo COST do IDRISI for Windows considera efeitos de atrito isotrpicos.

Aqueles atritos que variam em intensidade dependendo da direo do movimento so conhecidos como
atritos anisotrpicos. Um exemplo pode ser o movimento em relao a um vento predominante. Um
movimento contra o vento causaria um aumento do custo, enquanto que viajar a favor do vento
auxiliaria o movimento, talvez at causando uma acelerao. De modo a efetivamente modelar tais
efeitos de atrito anisotrpico, duas superfcies de atrito so necessrias -- uma imagem contendo
informao sobre a magnitude do atrito e outra contendo informao sobre a direo do efeito de atrito.
O mdulo VARCOST usado para modelar este tipo de superfcie de custo. Para maiores informaes,
veja o captulo Anlise anisotrpica de custo no Manual do Usurio do IDRISI for Windows.

Neste exerccio, ns trabalharemos apenas com atritos isotrpicos e, portanto, com o mdulo COST.
COST oferece dois algoritmos distintos para calcular superfcies de custo. O primeiro, Esforo de custo,
mais rpido e trabalha bem quando as superfcies de atrito no so complexas ou do tipo rede. O
segundo, Crescimento de custo, pode trabalhar com superfcies de atrito muito complexas, incluindo
barreiras absolutas ao movimento30.

Outro mdulo interessante e til que pode acompanhar COST o mdulo chamado PATHWAY. Uma
vez tendo sido criada a superfcie de custo, PATHWAY pode ser usado para determinar a rota de menor
custo entre qualquer clula ou grupo de clulas definidas e a feio mais prxima a partir da qual as
diatncias de custo foram calculadas.

Usaremos ambos os mdulos COST e PATHWAY neste exerccio.

Nosso problema diz respeito a uma nova planta industrial. A instalao e o funcionamento desta planta
requerem um volume considervel de energia e necessitam de uma subestao transformadora, alm de
uma linha alimentadora ligada com a linha de alta tenso mais prxima. Naturalmente, os executivos da
fbrica querem que a linha alimentadora tenha o menor custo possvel. Nosso problema determinar a
rota de menor custo para a ligao com a linha de alta tenso.

a) Examine a imagem chamada WORCWEST com a tabela de cores personalizada denominada


WORCWEST31. Este um mapa de uso do solo do subrbio ocidental de Worcester,
Massachusetts, USA, criado atravs da classificao de imagens de satlite LANDSAT TM
(esta uma tcnica de processamento de imagem que ser explorada no Exerccio 14). Use a
Composio para sobrepor imagem o arquivo vetorial chamado NEWPLANT com o arquivo
de smbolos personalizado denominado NEWPLANT. A localizao da nova unidade industrial
ser mostrada por um grande crculo branco a noroeste da poro central da imagem. Adicione
tambm o arquivo vetorial POWERLN composio, usando o arquivo de smbolos
personalizado denominado POWERLN. A linha de alta tenso existente est localizada na
poro inferior esquerda da imagem e representada por uma linha vermelha. So estas duas
feies que ns necessitamos conectar pelo caminho de menor custo.

A anlise de distncia de custo requer dois planos de informao -- um contendo as feies a partir das
quais as distncias de custo sero calculadas e um descrevendo uma superfcie de atrito.

30
Para maiores informaes sobre estes algoritmos, veja Eastman, J.R. 1989. Pushbroom Algorithms for Calculating Distances in Raster
Grids. Proceedings, AUTOCARTO 9, 288-297.
31
Para este exerccio, certifique-se de que as Preferncias de visualizao estejam com a configurao padro do sistema pressionando o
boto Padres do sistema. Depois ligue a opo de Legenda visvel e pressione OK.
8. Distncias de custo e caminhos de menor custo 91

Nosso primeiro passo criar uma superfcie de atrito que defina os custos associados ao deslocamento
atravs dos diferentes tipos de cobertura do solo existentes na rea. Para os propsitos deste exerccio,
suponhamos que existe um custo bsico para construir a linha de alimentao atravessando terras
abertas, como campos de cultivo. Dado este custo bsico, a Tabela 1 mostra os custos relativos de
construo da linha de alimentao transpondo cada um dos demais tipos de uso do solo nos subrbios
de Worcester:

Uso do solo Atrito Descrio


Agricultura 1 o custo bsico
Floresta decdua 4 as rvores necessitam ser desgalhadas, removidas e vendidas
Floresta de 5 esta madeira no possui o mesmo valor das madeiras de lei das decduas,
conferas no permitindo cobrir todo custo
Urbano 1000 um custo muito alto -- virtualmente uma barreira
Pavimentao 1 o custo bsico
Suburbano 1000 um custo muito alto -- virtualmente uma barreira
gua 1000 um custo muito elevado -- virtualmente uma barreira. Moradores no
querem linhas de alta tenso afetando a vista dos lagos e reservatrios
Solo nu / 1 o custo bsico
pedregoso

Tabela 1

Voc notar que alguns destes atritos so muito altos. Eles atuam essencialmente como barreiras.
Entretanto, no desejamos proibir totalmente caminhos que cruzem estes tipos de uso -- apenas evit-los
atravs de um custo elevado. Por isso, ns simplesmente definimos o grau de dificuldade com valores
extremamente altos. Isso tambm nos permite usar o algoritmo de custo bem mais rpido, chamado
COSTPUSH Esforo de custo (esse algoritmo no permite o uso de barreiras absolutas verdadeiras).

b) Clique duas vezes no plano WORCWEST na lista de arquivos da Composio para acionar a
descrio da sua informao de documentao. Determine os identificadores para cada uma das
categorias de uso do solo em WORCWEST. Associe-os s categorias de uso do solo dadas na
Tabela 1 e depois use EDIT para criar um arquivo de valores chamado FRICTION, o qual ser
usado para atribuir os valores de atrito s categorias de uso do solo de WORCWEST.
Especifique o tipo de dado do arquivo de valores a editar como real. A seguir use ASSIGN para
criar uma imagem de sada chamada FRICTION com WORCWEST como a imagem de
definio de feies e FRICTION como o arquivo de valores.

Isso completa a criao da nossa superfcie de atrito. A outra varivel necessria para COST a feio a
partir da qual as distncias de custo devem ser calculadas. COST requer isso na forma de uma imagem,
no como um arquivo vetorial. Em funo disso, precisamos criar uma verso raster do arquivo vetorial
NEWPLANT.

c) A partir do menu Reformatao, escolha Converso raster/vetor e selecione POINTRAS. Digite


NEWPLANT como o nome do arquivo vetorial de pontos. No IDRISI for Windows, a converso
de vetor para raster feita atravs da atualizao de uma imagem existente com a informao
do arquivo vetorial NEWPLANT. Digite NEWPLANT como o nome da imagem a ser
atualizada. Usaremos as opo padro Modificar clulas pelo identificador dos pontos.
Pressione OK. Como a imagem NEWPLANT ainda no existe, responda sim quando
perguntado se quer acionar INITIAL para cri-la. Ns desejamos uma imagem do mesmo
tamanho de WORCWEST, portanto indique que voc quer copiar os parmetros espaciais dela.
Especifique byte como o tipo de dado, binrio como o tipo de arquivo e zero como o valor
inicial. Pressione OK.

Centro de Recursos Idrisi, Brasil


92 IDRISI for Windows - Exerccios tutoriais introdutrios

d) A imagem NEWPLANT ser automaticamente visualizada. Caso voc tenha dificuldades de


visualizar o nico pixel vermelho que representa a localizao da fbrica, voc pode usar a
ferramenta de extrao de janela para ampliar a poro da imagem que contm a fbrica. Voc
tambm pode adicionar o plano vetorial NEWPLANT, selecionar uma janela em torno do ponto
e ento omitir sua exibio clicando na caixa ao lado do seu nome na lista de arquivos da
Composio. Voc pode agora ver um nico pixel com o valor 1 representando a nova planta
industrial.

A operao que voc acabou de concluir conhecida como converso de dados de vetorial para raster.
Ns temos agora as duas imagens necessrias para executar o mdulo COST -- a superfcie de atrito
(FRICTION) e a imagem de definio de feies (NEWPLANT).

e) Execute COST a partir do menu Anlise/Operadores de distncia. Selecione o algoritmo


Esforo de custo, especifique NEWPLANT como a imagem com feies de origem e
FRICTION como a imagem de superfcie de atrito. Denomine COSTDIST a imagem a ser
criada. Seu computador poder levar algum tempo para o clculo caso ele no possua uma CPU
muito rpida.Voc pode fazer uma pausa neste ponto e deixar o computador processando. Outra
alternativa pular o prximo passo e continuar com o exerccio, enquanto o mdulo COST
continua processando (O progresso no processamento do mdulo registrado no lado direita da
barra de status).

f) Quando o processamento tiver sido completado, use o modo de consulta do cursor para
examinar alguns dos valores dos dados. Verifique que os menores valores da imagem ocorrem
prximo localizao da nova planta e que eles aumentam com a distncia da mesma. Observe
que a passagem por apenas alguns pixels com atrito elevado, tais como corpos dgua, conduz a
valores de distncias de custo extremamente elevadas.

Para calcular o caminho de menor custo desde a fbrica at a linha de energia existente, necessitaremos
alimentar o mdulo PATHWAY com a superfcie de distncias de custo recm criada e com uma
representao raster da linha de fora existente.

g) Desta vez vamos usar o mdulo LINERAS para transferir a definio vetorial da linha de fora
para um arquivo imagem. Execute LINERAS a partir do menu Reformatao/Converso
raster/vetor, especifique POWERLN como o arquivo vetorial de linhas e POWER como o
arquivo imagem a ser atualizado. Novamente, pressione Sim quando lhe for perguntado se
deseja acionar o mdulo INITIAL para criar a imagem POWER.

Agora estamos prontos para executar o mdulo PATHWAY. PATHWAY escolhe a alternativa de menor
custo cada vez que ele se move de um pixel para o prximo. Como a superfcie de custo foi calculada
usando a planta industrial como ponto de partida, os custos mais baixo ocorrero prximo da mesma.
Em funo disso, PATHWAY comear pelas clulas ao longo da linha de fora (POWER), continuando
por escolher a alternativa de menor custo at conectar com o ponto mais baixo na superfcie de
distncias de custo -- a planta industrial (Isto anlogo ao fluxo de gua encosta abaixo, sempre
correndo para a clula de menor altitude).

h) Execute PATHWAY a partir do menu Anlise/Operadores de distncia. Especifique


COSTDIST como superfcie de custo, POWER como imagem destino e NEWLINE como
imagem de sada. Examine o resultado. Voc poder usar a Composio para sobrepor
NEWPLANT e POWERLN como planos adicionais, usando os arquivos de smbolos com o
mesmo nome.

NEWLINE o caminho que a nova linha de alimentao de energia deveria seguir de modo a incorrer
no menor custo, de acordo com os valores de atrito estabelecidos.

i) Crie agora uma imagem final, com legenda, na qual a nova linha de fora (NEWLINE) seja
sobreposta ao mapa de uso do solo existente (WORCWEST). Chame o resultado de SOLUTION
8. Distncias de custo e caminhos de menor custo 93

(Sugesto: para isto sero necessrios vrios passos. Use Documentar ou o modo interativo de
edio da legenda32 para mudar as entradas da legenda).

1. Como voc criou a imagem chamada SOLUTION?

2. O lugar de encontro da linha de alimentao com a linha de energia existente


evidentemente a posio da nova subestao transformadora. Como voc imagina que
PATHWAY determinou que a nova linha de alimentao deveria encontrar a linha de
energia existente neste local ao invs de qualquer outro ao longo da mesma? (Leia
atentamente a descrio do mdulo PATHWAY no sistema de ajuda on-line).

3. Qual seria o resultado de PATHWAY caso fosse usado sobre uma superfcie de
distncias Euclidiana criada com o mdulo DISTANCE, com a imagem NEWPLANT
como origem e POWERLN como feio de destino?

4. Enquanto os clculos que efetuamos so computacionalmente muito intensivos, o modelo


cartogrfico para a anlise relativamente simples e pode ser visto na Figura 1.
Preencha o nome dos mdulos nas caixas tracejadas (duas foram feitas para voc) e
adicione ao modelo os passos que voc usou para chegar de NEWLINE a SOLUTION.

Neste exerccio fomos introduzidos a distncias de custo como um meio de modelar o movimento atravs
do espao onde vrios elementos de atrito agem para tornar o movimento mais ou menos difcil. Isto
til na modelagem de tempo de viagem e de custos monetrios de movimento. Ns tambm vimos como
o mdulo PATHWAY pode ser usado com uma superfcie de distncias de custo para encontrar o
caminho de menor custo que conecte as feies a partir das quais as distncias foram calculadas a outras
feies definidas como destino.

Adicionalmente, ns aprendemos como converter dados vetoriais para raster para uso com os mdulos
analticos do IDRISI for Windows. Isto foi realizado com POINTRAS para dados vetoriais de pontos e
LINERAS para dados vetoriais de linhas. Estes mdulos necessitam uma imagem existente que ser
atualizada com a informao vetorial.

No necessrio salvar nenhuma das imagens criadas neste exerccio.

32
Instrues para usar o modo interativo de edio da legenda podem ser encontrados no sistema de ajuda, sob o tpico Visualizao.

Centro de Recursos Idrisi, Brasil


94 IDRISI for Windows - Exerccios tutoriais introdutrios

NEWPLANT

POINTRAS

INITIAL
PLANT

COSTDIST
valores
FRICTION de
atrito

FRICTION

WORCWEST
NEWLINE

POWERLN

POWER

Figura1
9. lgebra com mapas

Nos exerccios 5 e 6 usamos o mdulo OVERLAY para efetuar operaes Booleanas (ou lgicas).
Entretanto, este mdulo tambm pode ser usado como um operador aritmtico entre imagens. Isto leva,
assim, a outro importante conjunto de operaes em SIG -- lgebra com mapas.

lgebra com mapas refere-se ao uso de imagens como variveis em operaes aritmticas normais. Com
um SIG ns podemos realizar operaes algbricas plenas com conjuntos de imagens. No caso do
IDRISI for Windows, as operaes matemticas esto disponveis em trs mdulos diferentes --
OVERLAY, TRANSFOR e SCALAR (e por extenso atravs da Calculadora para imagens, que inclui a
funcionalidade desses trs mdulos). Como j vimos, enquanto OVERLAY realiza operaes
matemticas entre duas imagens, SCALAR e TRANSFOR atuam sobre um nico mapa. SCALAR
utilizado para alterar matematicamente todos os pixels em uma imagem atravs de uma constante. Por
exemplo, com SCALAR ns podemos modificar um mapa de relevo de metros para ps, multiplicando
cada pixel da imagem por 3,28084. TRANSFOR usado para aplicar uma transformao matemtica
uniforme a cada pixel na imagem. Por exemplo, TRANSFOR pode ser usado para calcular o recproco (1
dividido pelo valor do pixel) de uma imagem ou para aplicar transformaes logartmicas ou
trigonomtricas.

Estes trs mdulos nos oferecem capacidade de modelagem matemtica. Neste exerccio, ns
trabalharemos primeiramente com SCALAR e OVERLAY. Tambm faremos uso de um mdulo
chamado REGRESS, que avalia relaes entre imagens ou entre dados tabulares para produzir equaes
de regresso. Os operadores matemticos sero ento utilizados para avaliar as equaes derivadas.
queles que no esto familiarizados com a modelagem da regresso, sugere-se que estudem a respeito
deste importante tpico em um livro de estatstica. Ns tambm faremos uso do mdulo CROSSTAB,
que produz uma nova imagem baseada em todas as combinaes de valores de duas imagens.

Neste exerccio criaremos um mapa de zonas agroclimticas para o distrito de Nakuru no Qunia. O
distrito de Nakuru localiza-se no Great Rift Valley na frica oriental e contm vrios lagos que so o
habitat de imensos bandos de flamingos cor-de-rosa.

a) Visualize a imagem NRELIEF com a tabela de cores Idrisi 25633.

Este um modelo digital de elevao para a rea. O Rift Valley aparece nas cores preto e azul escuro e
suas encostas com elevaes maiores so mostradas em tons de verde.

33
Para este exerccio, certifique-se de que as Preferncias de visualizao (no menu (Visualizao) esto com a configurao original
pressionando o boto Padres do sistema. Ligue tambm a opo de Legenda visvel e pressione OK.

Centro de Recursos Idrisi, Brasil


106 IDRISI for Windows - Exerccios tutoriais introdutrios

Um mapa de zonas agroclimticas um meio bsico para definir a aptido climtica de reas
geogrficas para vrias alternativas de cultivo. O procedimento ilustrado aqui muito simples e foi
adaptado do mapa de zonas agroclimticas do Qunia em escala 1:1.000.000 (Kenya Soil Survey,
Ministry of Agriculture, 1980). Ele reconhece que os principais aspectos do clima que afetam o
crescimento das plantas so a disponibilidade hdrica e a temperatura. A disponibilidade hdrica um
ndice do balano entre a precipitao e a evaporao, e calculada usando-se a seguinte equao:

Disponibilidade hdrica = precipitao mdia anual / evaporao potencial34.

Embora outros fatores importantes para a agricultura, como durao e intensidade da estao seca e
chuvosa e variabilidade anual no sejam levados em considerao neste modelo, esta metodologia
oferece uma ferramenta bsica para fins de planejamento nacional.

Este exerccio difere dos exerccios 5 e 6 de uma forma importante. Nos Exerccios 5 e 6, ns
identificamos e diferenciamos reas aptas de todas as outras reas. Nossas imagens finais foram imagens
Booleanas. No presente caso, na imagem final cada pixel ter o valor da prpria zona agroclimtica
qual ele pertence em funo dos critrios estabelecidos. Pode-se imaginar os exerccios 5 e 6 como um
problema de seleo, enquanto este exerccio pode ser entendico como um problema de classificao.

As zonas agroclimticas so definidas como combinaes especficas de zonas de disponibilidade hdrica


e zonas de temperatura. Os valores para estas zonas variam conforme a Tabela 1.

Zona de disponibilidade Intervalo de Zonas de Intervalo de


hdrica disponibilidade hdrica temperatura temperatura (C)
7 < 0,15 9 < 10
6 0,15 - 0,25 8 10- 12
5 0,25 - 0,40 7 12 - 14
4 0,40 - 0,50 6 14 - 16
3 0,50 - 0,65 5 16 - 18
2 0,65 - 0,80 4 18 - 20
1 > 0,80 3 20 - 22
2 22 - 24
1 24 - 30
Tabela 1

Para o distrito de Nakuru, a rea mostrada na imagem NRELIEF, esto disponveis trs conjuntos de
dados do Manual de Gerenciamento de Propriedades Agrcolas do Qunia (Kenya Farm Management
Handbook) para nos auxiliar na produo do mapa de zonas agroclimticas:

i) uma imagem com o total mdio anual da precipitao, denominada NRAIN;


ii) um modelo digital de elevao, denominado NRELIEF;
iii) tabelas com dados de temperatura mdia anual e altitude para nove estaes meteorolgicas.

Adicionalmente a esses dados, ns possumos uma equao estabelecida pela pesquisa


relacionando a evaporao potencial com a altitude no Qunia.

Vamos ver como estas peas se encaixam no modelo cartogrfico ilustrando como ns produziremos as
zonas agroclimticas. Sabemos que queremos como produto final um mapa de zonas agroclimticas para
este distrito e sabemos tambm que estas zonas so baseadas em zonas de temperatura e de
disponibilidade hdrica, conforme a Tabela 1. Dessa forma, necessitamos imagens representando as
34
O termo evaporao potencial indica o total de evaporao que ocorreria caso a umidade fosse ilimitada. A evaporao efetiva pode
ser bem inferior a essa, uma vez que podem ocorrer perodos de seca durante os quais simplesmente no existe umidade para ser
evaporada.
10. Oficina de banco de dados 107

zonas de temperatura (a qual ns chamaremos de TEMPZONE) e as zonas de disponibilidade hdrica


(MOISZONE). A seguir, precisamos combin-las de tal forma que cada combinao nica de
TEMPZONE com MOISZONE tenha um valor nico no resultado (ACZONES).

Para produzir as imagens com as zonas de temperatura e de disponibilidade hdrica, necessitamos dispor
de imagens contnuas da temperatura e da disponibilidade hdrica. Ns as chamaremos de TEMPERA e
MOISTAVL. Essas imagens sero classificadas de acordo com os intervalos da Tabela 1 para produzir
as imagens das zonas. O incio do modelo est construdo na Figura 1.

MOISZONE MOISTAVL

ACZONES

TEMPZONE TEMPERA

Figura 1

Infelizmente, nem a imagem de temperatura nem a de disponibilidade hdrica esto na lista dos dados
disponveis -- ns precisaremos deriv-las de outros dados.

A nica informao disponvel sobre a temperatura desta rea a das nove estaes meteorolgicas.
Tambm temos informao sobre a altitude de cada estao meteorolgica. Em grande parte da frica
oriental, inclusive no Qunia, a temperatura e a altitude esto estreitamente correlacionados. Podemos
avaliar a relao entre estas duas variveis para nossos nove pontos e se ela for consistente, podemos
usar esta relao para derivar uma imagem com a temperatura (TEMPERA) a partir da imagem de
altitudes disponvel.

Esses elementos novos foram adicionados ao modelo cartogrfico mostrado na Figura 2. Como no
sabemos ainda a natureza exata da relao entre a temperatura e a altitude, ns no podemos preencher
os passos para esta parte do modelo. Por ora, indicaremos que pode haver mais de um passo envolvido,
usando uma linha tracejada.

MOISZONE MOISTAVL

ACZONES

TEMPZONE TEMPERA NRELIEF

relacionamento
derivado Elevao das
estaes
meteorolgicas
e dados de
temperatura

Figura 2

Agora vamos pensar na parte do problema referente disponibilidade hdrica. Na introduo ao


problema, a disponibilidade hdrica foi definida como a razo entre a precipitao e a evaporao

Centro de Recursos Idrisi, Brasil


108 IDRISI for Windows - Exerccios tutoriais introdutrios

potencial. Sabemos que iremos necessitar de uma imagem de cada uma dessas duas variveis para
produzir MOISTAVL. Esses elementos esto adicionados ao modelo cartogrfico na Figura 3.

J temos uma imagem da precipitao pronta (NRAIN) no conjunto de dados disponveis, mas no
temos a imagem da evaporao potencial (EVAPO). Temos, entretanto, uma publicao tcnica com a
relao entre altitude e evaporao potencial. Como j temos o modelo digital de elevao, NRELIEF,
podemos derivar a imagem da evaporao potencial usando esta relao definida. Como antes, no
sabemos os passos exatos requeridos para produzir EVAPO antes de examinarmos a equao. Por ora,
indicaremos que h uma ou mais operaes necessrias usando a linha tracejada para nosso modelo
cartogrfico final na Figura 4.

NRAIN

MOISZONE MOISTAVL

EVAPO
ACZONES

TEMPZONE TEMPERA NRELIEF

correlao
derivada Elevao das
estaes
meteorolgicas
e dados de
temperatura
Figura 3

NRAIN

MOISZONE MOISTAVL

EVAPO
ACZONES

correlao
TEMPZONE TEMPERA NRELIEF proposta

correlao
derivada
Elevao das
estaes
meteorolgicas
e dados de
temperatura
Figura 4

Agora que temos nossa anlise organizada no modelo cartogrfico, estamos prontos para iniciar a
executar as operaes com o SIG. Nosso primeiro passo ser derivar a relao entre a altitude e a
temperatura usando os dados das estaes meteorolgicas apresentados na Tabela 2.
10. Oficina de banco de dados 109

N da estao Altitude (ps) Temperatura mdia anual (C)


1 7086 15,7
2 7342 14,9
3 8202 13,7
4 9199 12,4
5 6024 18,2
6 6001 16,8
7 6352 16,3
8 7001 16,3
9 6168 17,2

Tabela 2

Podemos ver a natureza da relao com uma olhada inicial nos nmeros -- quanto maior a altitude da
estao, mais baixa a temperatura mdia anual. Entretanto, necessitamos uma equao que descreva esta
relao de forma mais precisa. Um procedimento estatstico chamado anlise de regresso poder nos
fornecer isso. No IDRISI for Windows, a anlise de regresso efetuada pelo mdulo REGRESS.

REGRESS analisa a relao entre duas imagens ou entre dois arquivos de valores de atributo. No nosso
caso, temos dados tabulares e podemos criar dois arquivos de valores de atributo usando EDIT. O
primeiro arquivo de valores ir listar as estaes e suas respectivas altitudes enquanto o segundo listar
as estaes e suas respectivas temperaturas mdias anuais.

b) Use EDIT, a partir do menu Entrada de dados, para criar esses dois arquivos de valores e
denomine-os ELEV e TEMPER. Escolha real para o tipo de dados. Especifique as unidades de
medida apropriadas e de um ttulo a cada arquivo. Lembre que cada arquivo deve possuir duas
colunas separadas por um ou mais espaos. A coluna da esquerda deve conter o nmero da
estao (1-9) e a coluna da direita os dados de atributo.

c) Quando voc tiver concludo a criao dos arquivos de valores, execute REGRESS a partir do
menu Anlise/Estatstica. Indique que deseja fazer uma regresso entre arquivos de valores. A
seguir, voc deve especificar o nome do arquivo contendo a varivel independente. A varivel
independente aquela que pensamos ser a causa da relao. Neste caso, dizemos que a altitude
causa a alterao da temperatura. Outra forma de explicar isto dizer que a varivel dependente
depende da varivel independente. A temperatura a nossa varivel dependente porque ela
depende da altitude. Indique ELEV como a varivel independente e TEMPER como a varivel
dependente.

REGRESS ir exibir um grfico da relao e a sua equao. O grfico nos mostra vrias coisas.
Primeiro, ele mostra os dados da amostra como um conjunto de smbolos de ponto. Lendo os valores de
X e de Y para cada ponto ns podemos ver a combinao da altitude com a temperatura em cada
estao. A reta de tendncia da regresso mostra o melhor ajuste da relao linear entre os dados para
esta amostra de estaes. Quanto mais prximos os pontos estiverem da reta de regresso, mais forte a
relao. O coeficiente de correlao (r) prximo da equao nos diz o mesmo numericamente. Caso a
reta esteja inclinada para baixo, da direita para a esquerda, r ter valor negativo indicando uma
relao negativa ou inversa. Este o caso dos nossos dados, pois medida que a altitude aumenta, a
temperatura diminui. O coeficiente de correlao pode variar de -1,0 (relao fortemente negativa) para
0 (nenhuma relao) at +1,0 (relao fortemente positiva). No nosso caso, o coeficiente de correlao
-0,9652, indicando uma relao inversa muito forte entre a altitude e as temperaturas para as nove
estaes meteorolgicas.

1. Qual a equao? (Caso voc esteja tendo problemas com a notao, a frmula de uma
regresso linear Y = a + bX, onde a o ponto intercepto do eixo das ordenadas (Y ) e
b a declividade da reta. X a varivel independente e Y a varivel dependente).

Centro de Recursos Idrisi, Brasil


110 IDRISI for Windows - Exerccios tutoriais introdutrios

A equao a expresso matemtica da reta. Neste exemplo voc deveria ter chegado, com
arredondamentos, seguinte equao:

Y = 26,985 - 0,0016X

De fato, esta equao est dizendo que voc pode estimar a temperatura em qualquer local dentro desta
regio se voc tomar a altitude em ps, multiplic-la por -0,0016 e adicionar 26,985 ao resultado. Este
o nosso modelo.

d) Este modelo pode ser desenvolvido com SCALAR a partir do menu Anlise/Operadores
matemticos. Primeiro use SCALAR com NRELIEF como arquivo de entrada, para produzir
um arquivo de sada temporrio chamado TMP. Escolha a operao de multiplicao, indicando
o valor -0,0016 como o valor escalar pelo qual multiplicar. Use SCALAR novamente, agora
com TMP, para produzir TEMPERA adicionando 26,985. D um ttulo a esta imagem e graus
Celsius calculados como a unidade dos novos valores. A imagem resultante deveria ser muito
similar ao mapa do relevo, exceto pelo fato de que os valores so invertidos -- altas
temperaturas so encontradas no Rift Valley, enquanto baixas temperaturas so encontradas em
altas altitudes. Para verificar isso, visualize NRELIEF novamente e diminua as imagens de
modo a poder visualizar simultaneamente ambas as imagens na tela.

2. A seguir aparecem os passos que deixamos de lado no modelo cartogrfico da Figura 4.


Preencha nas caixas tracejadas sobre as setas o nome dos mdulos que faltam e nas
caixas tracejadas dos retngulos e elipses os nomes de arquivos ausentes.

TEMPERA

Varivel independente
EDIT

Y = 26.985 - 0.0016X
EDIT

Varivel dependente

Agora que temos nosso mapa de temperaturas, necessitamos criar um segundo mapa necessrio para o
nosso zoneamento agroclimatico -- um mapa de disponibilidade hdrica. Como afirmado anteriormente,
a disponibilidade hdrica pode ser estimada dividindo-se a precipitao mdia anual de pela mdia anual
da evaporao potencial.

Ns j temos a imagem da precipitao NRAIN, mas necessitamos criar a imagem da evaporao. A


relao entre altitude e evaporao potencial foi desenvolvida e publicada por Woodhead (1968, Studies
of Potential Evaporation in Kenya, EAAFRO, Nairobi) e constitui a seguinte equao:

Evaporao potencial (mm) = 2422 - (0,109 altitude (ps))

Conhecendo essa relao, podemos usar a imagem do relevo e derivar o total mdio anual de evaporao
potencial.

e) Poderamos aplicar esta equao usando SCALAR duas vezes como fizemos para produzir
TEMPERA. Todavia, desta vez usaremos a Calculadora para imagens para chegar ao mesmo
resultado. Acione a Calculadora para imagens a partir do menu Anlise/Operadores
matemticos. Iremos efetuar uma operao matemtica. Digite EVAPO como o nome do
10. Oficina de banco de dados 111

arquivo de sada e depois entre com a seguinte expresso a processar (lembre que voc pode
pressionar o boto Inserir imagem para chamar uma lista de arquivos que podem ser
selecionados diretamente):

2422 (0.109*[NRELIEF])

Pressione o boto Processar expresso.

f) Temos agora as duas peas necessrias produo do mapa de disponibilidade hdrica. Use
OVERLAY a Calculadora para imagens para dividir NRAIN por EVAPO e chame o resultado
de MOISTAVL. A imagem resultante tem valores que no possuem unidade de medida, j que
dividimos precipitao em mm por evaporao potencial que tambm em mm. Quando o
resultado for visualizado examine alguns dos valores usando o modo de consulta do cursor. Os
valores em MOISTAVL indicam o balano entre precipitao e evaporao. Por exemplo, se
uma clula tem o valor 1,0 como resultado, isto indica que existe um balano exato entre
precipitao e evaporao.

3. O que pode indicar um valor superior a 1?

4. O que pode indicar um valor inferior a 1?

Neste ponto temos toda informao que necessitamos para criar nosso mapa de zonas agroclimticas
(ACZONES). O governo do Qunia usa as classes especficas de temperatura e de disponibilidade
hdrica listadas na Tabela 1 para formar as vrias zonas de aptido agrcola. Nosso prximo passo
portanto, dividir nossas superfcies de temperatura e de disponibilidade hdrica nestas classes especficas
e encontrar as vrias combinaes existentes para o distrito de Nakuru.

g) Primeiro, use a rotina RECLASS do menu Anlise/Consulta ao banco de dados para dividir o
mapa de disponibilidade hdrica nos intervalos indicados na Tabela 1. Esta uma classificao
personalizada com MOISTAVL como arquivo de entrada e MOISZONE como arquivo de sada.

h) Mude a tabela de cores de MOIZONE para NDVI16 em vez da tabela qualitativa padro.

5. Quantas zonas de disponibilidade hdrica existem na imagem? Por que isto diferente
do nmero de zonas informadas na Tabela 1? (Caso voc tenha problemas em
responder pergunta, voc pode visualizar o histograma de MOISTAVL, usando
HISTO).

A informao que temos sobre as zonas publicada para uso em todas as regies do Qunia. Entretanto
nossa rea de estudo apenas uma pequena parte do Qunia., motivo pelo qual algumas zonas no esto
representadas em nosso resultado.

i) A seguir, procederemos de forma similar para criar um mapa de zonas de temperatura. Antes
disso, entretanto, vamos primeiro verificar os valores mnimos e mximos em TEMPERA, para
evitar qualquer passo de classificao suprfluo. Use a rotina Descrever do menu Arquivo para
verificar os valores mnimos e mximos em TEMPERA. Finalmente use RECLASS, dentro dos
intervalos de classe da Tabela 1, para criar TEMPZONE. Novamente, mude a tabela de cores
para NDVI16.

Agora que temos as imagens das zonas de temperatura e de disponibilidade hdrica, ns podemos
combin-las para criar zonas agroclimticas. Cada zona agroclimtica resultante deve ser o resultado de
uma combinao nica de zonas de temperatura e de umidade.

6. Anteriormente j usamos OVERLAY para combinar duas imagens. Dado o critrio


para a imagem final, por que no podemos usar OVERLAY para este passo final?

Centro de Recursos Idrisi, Brasil


112 IDRISI for Windows - Exerccios tutoriais introdutrios

h) A operao que atribui um novo identificador a cada combinao distinta de classes de entrada
conhecida como classificao cruzada. No IDRISI for Windows, isto oferecido no mdulo
CROSSTAB do menu Anlise/Consulta ao banco de dados. Execute CROSSTAB e especifique
TEMPZONE como a primeira imagem e MOISZONE como a segunda imagem. Escolha
Imagem de classificao cruzada e tabela como produtos de sada. Chame a imagem resultante
da classificao cruzada de ACZONES. Quando a operao estiver concluda, a sada da
classificao cruzada mostrar o nmero de clulas que pertencem cada combinao de zonas
de temperatura com zonas de disponibilidade hdrica. Aps visualizar a tabela, examine a
imagem ACZONES.

A imagem da classificao cruzada mostra todas as combinaes entre as zonas de temperatura e de


disponibilidade hdrica na rea de estudo. Observe que a legenda para ACZONES mostra claramente
estas combinaes na mesma ordem que os nomes das imagens de entrada aparecem no ttulo.

k) Como uma forma de revisar os ltimos passos do processo recm concludo, volte Figura 2 e
escreva o nome dos mdulos usados para cada uma das operaes.

Neste exerccio, usamos OVERLAY, SCALAR e a Calculadora para imagens para realizar uma srie de
operaes matemticas bsicas. Ns utilizamos imagens como variveis em equaes, atravs das quais
derivamos novas imagens. Este tipo de modelagem matemtica, tambm denominada lgebra com
mapas, juntamente com a consulta ao banco de dados, formam o corao de um SIG. Tambm
introduzimos o mdulo CROSSTAB, que cria uma nova imagem baseado na combinao de classes de
duas imagens de entrada.

Embora ainda novato neste campo, voc tem agora no apenas as ferramentas bsicas necessrias, mas
tambm aquelas que voc usar inmeras vezes daqui para a frente.

Problema opcional 1:

As zonas agroclimticas que ns acabamos de delinear tm sido estudadas por gegrafos para
determinar a atividade agrcola tima para cada combinao. Por exemplo, foi determinado que reas
aptas ao cultivo de piretro, uma planta cultivada para uso em repelentes de inseto, so aquelas definidas
pela combinao das zonas de temperatura 6-8 e zonas de disponibilidade hdrica 1-3.

l) Crie um mapa mostrando as regies aptas ao cultivo de piretro.

7. Existem vrios caminhos para criar um mapa de reas aptas ao cultivo de piretro.
Descreva como voc fez seu mapa e como voc o poderia ter feito usando outro mtodo.

Problema opcional 2:

m) Caso a atmosfera se tornasse 2 graus mais quente devido ao aquecimento global, reas prprias
ao cultivo de piretro iriam mudar. Nesse caso, a frmula para a relao entre altitude e
temperatura modificar-se-ia da seguinte forma:

Temperatura = 28,985 - (0,0016 altitude)

(Isto tambm pode ser feito adicionando-se 2 graus a cada temperatura na comparao
temperatura/altitude e executando REGRESS novamente).

Tambm seria necessrio modificar nossa frmula de evaporao potencial. As duas frmulas originais
podem ser usadas para derivar a relao entre a evaporao potencial e a temperatura. Retrabalhando
algebricamente esta relao temos:
10. Oficina de banco de dados 113

Evaporao potencial = 583,6469 + (68,125 temperatura)

n) Usando estas duas relaes, determine o mapa das novas zonas agroclimticas e as reas aptas
ao cultivo de piretro. Use a seguir a operao de subtrao em OVERLAY, seguida de AREA,
para determinar o nmero de hectares afetados por esta mudana climtica. Finalmente, use a
operao cover em OVERLAY para criar uma imagem mostrando as reas prprias ao cultivo
de piretro sob ambos os regimes climticos (isto , aquelas reas no afetadas pela mudana de
temperatura).

8. Qual a rea em hectares que mantm-se apta ao cultivo de piretro sob ambos os
regimes climticos?

Ns no iremos usar nenhuma das imagens criadas neste exerccio em exerccios posteriores, de forma
ue voc poder excluir todas se desejar, exceto os arquivos de dados originais NRAIN e NRELIEF.

Centro de Recursos Idrisi, Brasil


10. Oficina de banco de dados

Um sistema de gerenciamento de bancos de dados (SGBD) oferece um conjunto valioso de ferramentas


para as aplicaes de SIG, permitindo anlises sobre a informao tabular armazenada em um arquivo
de banco de dados. No h nenhuma componente espacial nas operaes efetuadas em um SGBD. Para
incluir essa componente torna-se necessrio integrar o SGBD com um SIG. Quando utilizado dentro de
um SIG, um SGBD habilita a informao contida em um banco de dados a ser ligada a arquivos de
definio geogrfica em formato raster ou vetorial. Essa ligao possibilita a passagem da informao
entre o componente SGBD do SIG e outros componentes, como o sistema de anlise geogrfica e o
sistema de visualizao cartogrfica.

No IDRISI for Windows, essa possibilidade oferecida no mdulo Oficina de Banco de Dados. Caso
voc ainda no tenha feito, leia o captulo sobre a Oficina de banco de dados na seo
FUNDAMENTOS DO SISTEMA do Manual do usurio antes de prosseguir com o exerccio. Ao
contrrio dos outros mdulos do IDRISI for Windows, a Oficina de banco de dados na verdade um
programa completo adicionado ao IDRISI. Ele possui seus prprios menus, cones e comandos, e pode
executar uma variada gama de operaes.

Neste exerccio aprenderemos o bsico para utilizar o mdulo Oficina de banco de dados, fazendo
especificamente o seguinte:

- explorar a base de dados,


- executar consultas por localizao ao banco de dados,
- visualizar atributos do banco de dados na forma de mapas,
- executar consultas por atributos simples e mltiplos ao banco de dados,
- solucionar um problema envolvendo lgebra com mapas.

Neste processo, tambm iremos considerar as similaridades e diferenas entre a forma de execuo
dessas operaes no mdulo Oficina de banco de dados e em tarefas similares executadas nos exerccios
5 e 9.

Centro de Recursos Idrisi, Brasil


10. Oficina de banco de dados 105

Parte 1: Explorao dos dados

No Exerccio 4 utilizamos as altitudes do terreno e os limites de provncias da Etipia para ilustrar o uso
de arquivos de texto em composies de mapa. Neste exerccio tambm utilizaremos dados da Etipia,
mas com as vrias unidades administrativas que constituem as provncias, no arquivo chamado awrajas.

Comearemos examinando os planos de dados espaciais que definem as awrajas.

a) Para este exerccio desligue a opo Visualizar automaticamente as sadas dos mdulos
analticos nas Preferncias da visualizao. Desligue tambm as opes Ttulo visvel e Legenda
visvel, e quaisquer outros componentes do mapa que voc eventualmente tenha ligado. Durante
este exerccio ns vamos explicitar aquilo que queremos visualizar. Visualize a imagem
AWRAJAS utilizando a tabela de cores personalizada denominada ETHIOPIA e a opo de
autoescalonamento. Adicione o arquivo vetorial AWRAJAS utilizando o arquivo de smbolos
Padro usual. Use o modo de consulta do cursor para examinar alguns dos valores da imagem.

Os valores contidos na imagem AWRAJAS so identificadores de feies. Cada awraja possui um


nico identificador. Como voc provavelmente percebeu, alguns possuem valores elevados e o sistema de
numerao no aparenta ser sequencial (vrios valores so deixados de fora). De fato, os identificadores
indicam tanto as provncias quanto a awraja. Por exemplo, awrajas 401, 402, 403 e 404 pertencem todos
mesma provncia (aquela que chamamos de Gamo Gofa no Exerccio 4) e so todas mostradas com a
mesma cor, verde claro. As Awrajas 101, 102 e 103 pertencem a outra provncia (Arsi) e so todas
mostradas na visualizao com a mesma cor azul. Mediante a visualizao da imagem em
autoescalonamento, utilizando essa tabela de cores em particular, todos as awrajas contidas em uma
nica provncia so mostradas com a mesma cor. Sobrepor um arquivo vetorial com os limites nos ajuda
a distinguir as awrajas individuais.

Nossos arquivos de definio de feies raster e vetorial, AWRAJAS, possuem identificadores nicos
para cada awraja e permitiro sua ligao com o banco de dados.

b) Abra o mdulo Oficina de banco de dados pressionando o cone correspondente ou


selecionando-o do menu Arquivo/Mostrar contedo do arquivo. Voc est agora frente dos
menus e cones que comandam a Oficina de banco de dados. Escolha Abrir arquivo de banco de
dados, a partir do menu Arquivo da Oficina de banco de dados, e selecione o arquivo Access
ETHIOPIA.

c) Caso necessrio, use a barra de rolagem horizontal para visualizar todos os campos do banco de
dados. O primeiro campo, IDR_ID, contm os identificadores nicos das awrajas e tem os
mesmos valores que foram pesquisados com o modo de consulta do cursor na imagem
AWRAJAS. Este campo serve de chave para ligar a informao do banco de dados ETHIOPIA
aos arquivos de definio de feies AWRAJAS e vice-versa. Outros campos do banco de dados
incluem os nomes de cada awraja, populao e nmeros de vrios tipos de rebanho.

Use a barra de rolagem vertical para olhar atravs dos registros do banco de dados. A altura e
largura do mesmo podem ser ajustadas movendo as suas bordas com o mouse.

d) Para aprender mais sobre esse banco de dados, vamos examinar a informao contida na sua
documentao. Escolha Documentar banco de dados do menu Arquivo da Oficina de banco de
dados. Aqui podemos ver que o arquivo est em formato Access e podemos determinar o
nmero de campos (colunas) e de registros (linhas) da tabela. Pressionando a seta da direita do
boto de rolagem Mudar campo, voc poder ver a informao especfica sobre o prximo
campo do banco de dados. Desloque-se atravs da informao apresentada aqui e depois feche a
janela de Documentar banco de dados pressionando Cancelar.

Centro de Recursos Idrisi, Brasil


106 IDRISI for Windows - Exerccios tutoriais introdutrios

Parte 2: Consulta ao banco de dados por localizao

Apesar do que vimos ser muito til para examinar diretamente os valores no banco de dados, ns
freqentemente tambm necessitamos ver a sua distribuio espacial e fazer consultas. No Exerccio 5
aprendemos que h basicamente duas formas de consulta ao banco de dados: por localizao e por
atributo. Dissemos que poderamos fazer consultas por localizao utilizando o modo de consulta do
cursor em uma imagem na tela, assim como fizemos para examinar os identificadores de cada awraja.
Naquele exerccio trabalhamos com uma imagem de solos (DSOILS) e com um modelo digital de
elevao (DRELIEF). Caso desejssemos saber o tipo de solo e a elevao em uma mesma localizao
necessitaramos visualizar ambas as imagens e fazer a consulta separadamente, ou criar um arquivo de
grupo para as duas imagens e usar a consulta expandida do cursor com o mesmo.

Neste exerccio ser possvel fazer consultas para atributos mltiplos (armazenados no banco de dados)
por localizao, simplesmente usando o modo de consulta do cursor na imagem. Podemos fazer isso
porque toda a informao de atributo no banco de dados est armazenada para cada awraja, e, portanto,
todos os atributos tm a mesma geografia (em outras palavras, as feies que os atributos descrevem tm
a mesma posio e forma). Depois de estabelecer uma ligao entre a janela de visualizao e o banco de
dados estaremos habilitados a consultar uma awraja e conhecer todos os atributos armazenados no seu
registro do banco de dados (nome, populao, nmero de cabeas de gado, etc.). Quando vrios atributos
forem coletados para as mesmas feies muito eficiente estoc-los num banco de dados e ligar esse
banco a um arquivo de definio de feies.

Podemos realizar consultas por localizao de mltiplos atributos com esse banco de dados porque toda a
informao de atributo foi coletada e estocada no banco de dados para a mesma unidade geogrfica (as
awrajas). Isto completamente diferente da informao de atributo contida nas imagens DSOILS e
DRELIEF. Naquele caso, tipos de solo e elevaes tm distribuies geogrficas que no esto
relacionados entre si. As feies contendo os polgonos dos tipos de solo no tm feies correspondentes
na imagem de relevo. De fato, no h outras feies alm dos prprios pixels individuais na imagem de
relevo. Se tivermos informaes sobre vrias outras variveis, como precipitao, densidade de
populao e uso do solo, cada uma com sua prpria geografia, necessitaremos de uma imagem separada
para cada uma delas na nossa base de dados. a natureza dos dados e a forma como foram coletados e
armazenados no SIG que determina a lgica segundo a qual as consultas podem ser executadas.

No caso dos dados das awrajas da Etipia, temos atributos mltiplos para as mesmas feies. Vamos
continuar agora com a consulta por localizao usando a Oficina de banco de dados.

e) Nesta verso do IDRISI for Windows a consulta por localizao possvel apenas com arquivos
imagem. Para simplificar nossa explorao da Oficina de banco de dados, use a Composio
para remover o plano vetorial AWRAJAS da visualizao, mantendo apenas o plano raster
AWRAJAS.

Para executar consultas por localizao deve ser primeiro estabelecida uma ligao entre a janela de
mapa e o banco de dados.

f) Para estabelecer a ligao, selecione Fixar parmetros de ligao visualizao a partir do


menu Ligao da Oficina de banco de dados. Isso ativar a caixa de dilogo de Parmetros de
ligao visualizao.

Janela de mapa
Todas as janelas de mapa que esto abertas sero mostradas na poro superior esquerda da caixa de
dilogo. Os nomes mostrados so os mesmos que esto na barra superior de cada janela de visualizao.

g) Note que a janela de mapa AWRAJAS j est selecionada porque ela a nica que est aberta.

Imagem para consulta com cursor


Como j mencionado, consultas por localizao s so possveis em arquivos imagem. Cada janela de
10. Oficina de banco de dados 107

mapa deve conter um plano raster (imagem). Se a janela de mapa que voc selecionou para ligao tem
uma imagem, seu nome mostrado aqui. Se no existir um plano raster na janela de mapa, consultas por
localizao no sero possveis35.

h) Veja que o plano raster AWRAJAS j est listado como a imagem a ser usada para consulta
com cursor.

Campo contendo identificadores de feies


J indicamos qual plano raster (imagem) deve ser ligado ao banco de dados. Precisamos agora indicar
que campo do banco de dados contm os identificadores de feies encontrados na imagem. Essa
informao permitir ao programa localizar o registro da tabela que tem o mesmo identificador que
qualquer pixel consultado na imagem.

i) Mantenha o campo de identificador padro IDR_ID como o Campo contendo os identificadores


de feies. Isso instrui a Oficina de banco de dados a localizar o registro da tabela que possui o
mesmo valor no campo IDR_ID que o valor obtido pela consulta com o cursor na imagem
AWRAJAS. Isto completa tudo que necessrio para fazer consultas por localizao. Pressione
OK.

j) Agora redimensione a janela da Oficina de banco de dados e mude a sua posio e a posio da
janela de visualizao, de forma que voc possa ver ambas ao mesmo tempo.

k) Clique na barra superior da janela de mapa para ativ-la. Selecione o modo de consulta do
cursor na barra de ferramentas e consulte algumas posies na janela de mapa awrajas. Veja
como, a cada vez que voc consulta uma localizao, o ponteiro no banco de dados se move e
reala o registro da awraja correspondente. Voc pode ento navegar por todos os atributos da
localizao consultada usando a barra de rolagem horizontal da janela da Oficina de banco de
dados. Se voc consultar uma awraja que no possuir registro no banco de dados uma
mensagem com esse aviso ir aparecer. Quando voc tiver terminado de consultar o banco de
dados, feche a janela de mapa AWRAJAS, mas mantenha a Oficina de banco de dados aberta
com a tabela Ethiopia.

Ainda que muito simples, esse tipo de consulta por localizao pode constituir uma ferramenta muito
valiosa para explorao dos dados. Aqui ns estabelecemos a ligao dos locais consultados na imagem
para os registros do banco de dados. Na parte seguinte deste exerccio, iremos estabelecer uma ligao
do banco de dados para a janela de mapa. Assim, estaremos aptos a visualizar os atributos do banco de
dados na forma de mapas.

Parte 3: Visualizao de atributos do banco de dados

Freqentemente, desejamos visualizar os atributos contidos num campo de um banco de dados na forma
de um mapa, de maneira a poder examinar sua distribuio espacial. Nesta parte do exerccio
seguiremos passo a passo os procedimentos para fazer essa visualizao. Como primeiro exemplo
criaremos um mapa de populao.

l) Nesta verso do IDRISI for Windows a visualizao de atributos do banco de dados somente
pode ser feita com planos vetoriais. Visualize o plano vetorial AWRAJAS usando o arquivo de
smbolos IDRISI256. Ns iremos usar este plano vetorial que contm a definio geogrfica das
nossas feies, as awrajas, para visualizar os dados de atributos do banco de dados usando os
cdigos de cores do arquivo de smbolos escolhido. Neste ponto, as cores representam os
identificadores das awrajas. A maioria dos valores so superiores a 255, e por isso so
visualizados com o smbolo 255 (verde). Quando ligamos a visualizao ao banco de dados, as

35
Para criar uma imagem raster a partir de um arquivo vetorial, veja o tpico Converso raster/vetor no sistema de ajuda on-line.

Centro de Recursos Idrisi, Brasil


108 IDRISI for Windows - Exerccios tutoriais introdutrios

cores passam a representar os atributos do campo que escolhemos para visualizar. Iremos ver
agora como escalonar os atributos em um intervalo que pode ser plenamente visualizado usando
smbolos que vo de 0 a 255.

m) Para dar uma melhor definio visualizao, adicione o plano vetorial AWRAJAS2 com o
arquivo de smbolos Padro usual.

n) Agora que preparamos a visualizao, vamos lig-la com o banco de dados. Novamente v para
o menu Ligao/Fixar parmetros de ligao visualizao da Oficina de banco de dados e
selecione a janela de mapa AWRAJAS. Note que no h plano raster (imagem) disponvel para
a consulta com o cursor. AWRAJAS j est selecionado como plano Vetorial para visualizar
atributos, pois ele o nico plano existente na janela de mapa. O Campo contendo
identificadores de feies novamente IDR_ID. Cada polgono em AWRAJAS tem um
identificador que corresponde a um registro em IDR_ID. O Campo contendo cdigos de
visualizao POPULATION. Escolha POPULATION pressionando a seta ao lado da caixa de
dilogo para Campo contendo cdigos de visualizao e selecionando POPULATION da lista.
Pressione OK.

o) Mude a visualizao de modo Booleano (configurao padro) para modo contnuo, clicando no
cone semelhante a um tabuleiro de xadrez (o quinto da esquerda para a direita na Oficina de
banco de dados).

1. Porque todas as AWRAJAS so visualizadas com o smbolo 255 (verde)?

p) Examine os valores no campo POPULATION do banco de dados. Esses valores situam-se entre
39.073 e 1.711.686 (voc pode verificar isso usando Documentar banco de dados como no passo
d). Nossa visualizao, entretanto, limitada a 256 smbolos, numerados de 0 a 255. Quando
um valor maior que 255 encontrado, ele exibido com o smbolo 255. Para conseguir
visualizar adequadamente os dados de populao necessitamos autoescalonar36 os valores para
que coincidam com o intervalo de 256 smbolos.

q) Para autoescalonar os dados de populao, volte ao menu Ligao/Fixar parmetros de ligao


visualizao. Ligue Escalonar campo para visualizar e mantenha 256 como o nmero de nveis.
Pressione OK. Os valores de populao (campo POPULATION) foram escalonados para
visualizao em um intervalo de 0 a 255, ajustando-se agora aos cdigos no arquivo de
smbolos. Convm alertar que os novos valores calculados esto armazenados somente na
memria e so usados para fins de visualizao os valores originais de populao no banco de
dados no foram alterados.

A operao de autoescalonamento que acabamos de fazer o mesmo procedimento que o Lanador de


visualizao usa quando voc visualiza uma imagem com autoescalonamento. Ele simplesmente um
ajuste linear que divide o intervalo original de valores em um nmero especfico de classes de mesmo
intervalo. Neste caso, o intervalo original dos valores de populao foi dividido em 256 classes, s quais
foram atribudos os valores 0-255.

r) Uma vez estabelecida a ligao, a informao contida nos outros campos do banco de dados
pode ser facilmente visualizada. V para o menu Ligao/Fixar parmetros de ligao
visualizao e selecione o campo CATTLE para visualizao. Pressione OK. Os valores do
campo CATTLE so automaticamente escalonados e a visualizao atualizada. Examine o
resultado, e depois siga o mesmo procedimento para os campos SHEEP e GOATS. Observe que
o cone de ligao visualizao pode ser usado como atalho para selecionar outro campo para
visualizao.

36
O autoescalonamento aplica um ajuste linear aos valores originais dos dados de forma que eles se ajustem a um novo intervalo de
valores. Para uma maior explanao veja como o autoescalonamento foi usado no exerccio 4.
10. Oficina de banco de dados 109

Nesta parte do exerccio aprendemos a estabelecer a ligao entre o banco de dados e a janela de
visualizao para visualizar os atributos armazenados em um banco de dados na forma de mapa. Em
alguns casos, ao invs de visualizar todas as feies, podemos selecionar um subconjunto de acordo com
alguma condio. Isto significa consultar o banco de dados por atributo e o objeto da prxima parte do
exerccio.

Parte 4: Consulta ao banco de dados por atributo - Filtro

Relembre que no Exerccio 5 ns usamos RECLASS e ASSIGN para criar imagens Booleanas para cada
uma das condies especificadas (consultas por atributos simples), e ento as combinamos com
OVERLAY para criar um resultado Booleano mostrando as reas que atendiam todas as condies
(consulta por atributos mltiplos). Uma consulta por atributo executada na Oficina de banco de dados
usando SQL (Structured Query Language - Linguagem de consulta estruturada). Embora o termo SQL
intimide um pouco, utiliz-lo, atualmente, no mais complexo do que usar uma sintaxe especfica para
expressar as condies de uma anlise. Antes de continuar, gaste alguns minutos para revisar o item
sobre SQL no captulo Oficina de Banco de Dados da seo FUNDAMENTOS DO SISTEMA do
Manual do Usurio do IDRISI for Windows.

Vamos comear nossa explorao da consulta por atributo na Oficina de banco de dados com um
problema bastante simples de um nico atributo:

Identificar todas as awrajas onde a populao exceda 300.000 habitantes.

s) Primeiro, certifique-se de que o campo do banco de dados que est sendo visualizado
POPULATION (e no CATTLE, SHEEP ou GOATS). Escolha a opo Criar filtro (SQL) do
menu Consulta. A poro inicial do filtro j est escrita para voc. Complete a condio
WHERE como mostrado a seguir, de forma que a expresso SQL fique:

SELECT Ethiopia.*
FROM Ethiopia
WHERE POPULATION > 300000

Isto pode ser interpretado da seguinte forma:

selecione todos os campos do banco de dados Ethiopia


do banco de dados Ethiopia
para todos os registros que tem um valor no campo POPULATION maior do que
300.000

Execute o filtro. Observe que os registros das feies que no atendem essa condio de
filtragem no so mostrados no banco de dados -- somente os registros para awrajas com
populao excedendo 300.000 habitantes aparecem. A visualizao automaticamente
atualizada para mostrar aquelas awrajas cuja populao excede 300.000. Voc pode usar, neste
caso, o modo de visualizao Booleano (clicando no cone semelhante a um tabuleiro de
xadrez), uma vez que ns dividimos nossos dados em duas classes -- aqueles que atendem
condio especificada e aqueles que no a atendem.

Se voc tenha escolher o modo de visualizao Booleano, as awrajas que atendem a condio
ficam todas preenchidas com o smbolo um, que azul escuro no arquivo de smbolos de
polgonos IDRIS256. Se voc escolher o modo de visualizao contnuo, cada awraja que atende
a condio especificada ser mostrada com o smbolo correspondente aos valores de populao
autoescalonados. Em ambos os casos, as awrajas que no satisfazem condio no so
mostrados.

Centro de Recursos Idrisi, Brasil


110 IDRISI for Windows - Exerccios tutoriais introdutrios

H nitidamente um padro espacial presente nos dados de populao -- ns no o teramos percebido se


no tivssemos estabelecido a ligao do banco de dados tabular visualizao espacial!

Vamos continuar nossa explorao da consulta ao banco de dados por atributo executando uma consulta
por atributos mltiplos. No Exerccio 5, utilizamos lgebra Booleana com OVERLAY e um par de
imagens para produzir a condio lgica AND (e). Na Oficina de banco de dados utilizamos SQL para
esse propsito. Aqui ns vamos usar SQL para produzir o AND lgico para o seguinte problema:

Identificar todas as awrajas onde a populao exceda 300.000 habitantes


AND (e)
o nmero de cabeas de gado exceda 300.000.

t) Primeiro, selecione Remover filtro do menu Consulta para retornar ao banco de dados
completo. Depois escolha Criar filtro e complete a declarao WHERE da seguinte forma:

WHERE POPULATION > 300000 AND CATTLE > 300000

No esquea que, na visualizao do resultado, se voc usar o modo contnuo ver cores que significam
somente populao, j que esse o campo escolhido para visualizao de atributos. Neste caso particular,
mais razovel visualizar o resultado da nossa consulta por atributos mltiplos no modo Booleano.

u) Remova o filtro atual e execute uma consulta por atributos mltiplos para aquelas awrajas onde
POPULATION, CATTLE e SHEEP sejam superiores a 300.000.

2. Quantos awrajas satisfazem a essas trs condies? Quais so seus nomes?

Os recursos de SQL oferecidos na Oficina de banco de dados podem ser usados para executar consultas
bastante sofisticadas ao banco de dados. Podem tambm ser empregados para criar filtros de operaes
lgicas como OR (ou) e NOT (no), em adio ao AND (e) lgico que fizemos. Na prxima parte deste
exerccio vamos utilizar SQL para atender outro propsito. Ao invs de selecionar um subconjunto do
banco de dados de acordo com critrios especificados atravs de um filtro com uma declarao WHERE,
ns iremos calcular valores para novos campos utilizando a opo Calcular (SQL) e um comando SET.

Parte 5: lgebra com mapas - Calcular

No Exerccio 9, ns usamos os mdulos SCALAR e OVERLAY para desenvolver e aplicar equaes nas
quais imagens eram as variveis. Ns mesmos desenvolvemos uma das equaes utilizando o mdulo
REGRESS. Para a parte final deste exerccio, iremos executar lgebra de mapas dentro da Oficina de
banco de dados com a finalidade de avaliar uma srie de equaes que modelam as emisses de metano
por parte dos rebanhos.

O contexto deste exerccio vem da UNFCCC (United Nations Framework Convention On Climate
Change - Conveno da Rede das Naes Unidas sobre Mudana Climtica). Os Pases signatrios dessa
rede so requisitados a relatar anualmente a emisso nacional de gases do efeito estufa. A emisso de
metano relacionada aos rebanhos um dado que precisa ser includo. Ns vamos calcular isto para as
awrajas da Etipia.

As emisses de metano relacionadas aos rebanhos derivam de duas fontes -- da fermentao entrica
(emisso por parte do animal vivo) e da decomposio do esterco. O total das emisses de metano por
parte dos rebanhos pode ser ento expressa pela seguinte equao:

Total das Emisses = Componente Fermentao + Componente Decomposio


de Metano (kg) Entrica (kg) do Esterco (kg)
10. Oficina de banco de dados 111

As equaes para ambas as componentes so estabelecidas em material de suporte produzido pela ONU
para os signatrios da UNFCCC. Estas equaes so as seguintes:

Fermentao Entrica (kg) = (n total de animais em cada rebanho x constante do rebanho)


= (CATTLE 32) + (SHEEP 5) + (GOATS 5)

Decomp. Esterco (kg) = (n total de animais em cada rebanho funo do rebanho)


= CATTLE+(SHEEP (0,047 + 0,005 T)) + GOATS (0,057 + 0,0055 T))

Onde T = temperatura mdia anual (graus Celsius)

A equao da componente de fermentao entrica muito simples e praticamente direta. Baseado em


dados empricos, sabido que um animal de cada tipo de rebanho emite um total mdio anual de
metano. Esse total mdio simplesmente utilizado como constante que multiplicada pelo nmero de
animais de cada rebanho.

A equao para a componente de decomposio do esterco mais complexa. O esterco de cada cabea de
gado bovino produz um quilograma de metano por ano. Para ovelhas e caprinos, entretanto, a relao
com a temperatura mdia anual precisa ser incorporada. Emisses de metano dessas duas fontes tm
correlao positiva com a temperatura do ar circundante (ou seja, com o aumento da temperatura,
emitido mais metano pela decomposio do esterco).

Assim como fizemos em exerccios anteriores, agora que definimos o problema, vamos criar um modelo
cartogrfico mostrando os passos necessrios para confeccionar o produto final. Neste caso, a maior
parte dos nossos dados de entrada so campos especficos do banco de dados. Na simbologia apresentada
na Introduo Modelagem Cartogrfica, campos do banco de dados so representados em modelos
cartogrficos pelos seus nomes, em letra maiscula e sublinhados.

Para simplificar, vamos construir modelos cartogrficos separados para cada uma das duas componentes
(Fermentao Entrica e Decomposio do Esterco). O modelo com os passos necessrios para criar o
novo campo FERMENT, onde sero armazenados a contribuio total da fermentao entrica muito
mostrado na Figura 1. Todas as variveis de entrada esto presentes no banco de dados.

CATTLE 32

FERMENT Calcular (SQL) SHEEP 5

GOATS 5

Figura 1

v) Antes de comear, precisamos remover o filtro anteriormente executado para restaurar todos os
registros no banco de dados. Para fazer isso, escolha Remover filtro do menu Consulta.

w) O prximo passo adicionar um novo campo para receber nossos valores calculados. Para fazer
isso, use Modificao/Adicionar campo e crie um novo campo chamado FERMENT. O tipo de
dado para esse campo precisa ser real, uma vez que os valores a armazenar sero maiores que o
intervalo de dois bytes do tipo inteiro. Depois escolha Calcular (SQL) a partir do menu
Modificao. Observe que o incio da expresso SQL j est escrita. Complete a expresso para
que fique da seguinte forma:

UPDATE Ethiopia
SET FERMENT = (CATTLE*32) + (SHEEP*5) + (GOATS*5)

Centro de Recursos Idrisi, Brasil


112 IDRISI for Windows - Exerccios tutoriais introdutrios

Isso significa que iremos atualizar o banco de dados ETHIOPIA especificando os valores do
campo FERMENT a serem iguais expresso dada. Pressione Executar. Voc ser alertado de
que executando este comando estar alterando o contedo do banco de dados em uso e ser
questionado se deseja proseguir. Escolha Sim. Examine os valores armazenados no campo
FERMENT. Voc necessitar redimensionar a largura da coluna arrastando com o mouse o seu
limite direito para a direita.

O modelo cartogrfico para a segunda componente da emisso de metano relacionada aos


rebanhos (Decomposio do Esterco) inicia de modo muito semelhante primeira componente
e mostrado na Figura 2. Podemos chamar o novo campo contendo essa informao de
DECOMP.
CATTLE
+
DECOMP Calcular (SQL) SHEEP (0.047 + (0.0055 AVGTEMP))

+
GOATS (0.057 + (0.0055 AVGTEMP))
Figura 2

Dispomos agora de todos os dados de entrada para calcular DECOMP, exceto a temperatura mdia anual
AVGTEMP. Esse dado no existe no banco de dados ETHIOPIA, nem h mapas de temperatura
disponveis para a Etipia. Entretanto, existem dados de temperatura que so coletados em estaes
meteorolgicas espalhadas pelo pas. Ns tambm sabemos a altitude de cada uma dessas estaes.
Assim como verificado no Exerccio 9, a relao entre elevao e temperatura no leste da frica muito
forte. Da mesma forma que fizemos no Exerccio 9 com as 9 estaes meteorolgicas do Qunia,
derivamos uma equao expressando a relao entre a altitude e a temperatura mdia anual para 35
estaes meteorolgicas da Etipia e a utilizamos para criar uma imagem de temperatura a partir de uma
imagem de altitudes.

A imagem de temperatura que foi criada chama-se TEMPSURF e est no nosso conjunto de dados do
diretrio EXERCISE. A equao utilizada para criar TEMPSURF37 tem um coeficiente de correlao (r)
de -0,9478 e a seguinte:

Y = 30,388041 - 0,006171X

Onde Y a temperatura em graus Celsius e X a elevao em metros

x) Visualize TEMPSURF com a tabela de cores IDRIS256. Voc pode adicionar o arquivo
AWRAJAS com o arquivo de smbolos padro. As regies mais altas tm temperaturas mais
baixas, mostradas em azul e vermelho, enquanto as elevaes mais baixas apresentam
temperaturas mais elevadas, mostradas em tons de verde.

A imagem TEMPSURF uma imagem contnua da temperatura mdia anual para a Etipia. O que
necessitamos para completar nosso clculo, entretanto, um campo em nosso banco de dados com um
nico nmero para cada awraja. Podemos produzi-lo com o mdulo EXTRACT, que usa um arquivo de
definio de feies e um arquivo de dados para produzir um sumrio estatstico de cada feio. As
opes do sumrio incluem total, mdia, intervalo, desvio padro, mnimo e mximo. Neste caso
queremos calcular o valor mdio de temperatura para todos os pixels em cada awraja.

37
Caso voc mesmo queira criar TEMPSURF, os arquivos necessrios esto no seu conjunto de dados de exerccio. ELEVMTRS e
CELSIUS so os arquivos de elevao e temperatura e ETDEM o modelo digital de elevao. Siga a metodologia descrita no
Exerccio 9.
10. Oficina de banco de dados 113

EXTRACT pode ser acessado a partir do menu Anlise/Consulta ao banco de dados do IDRISI for
Windows, ou, alternativamente, atravs da Oficina de banco de dados. Como queremos adicionar o
sumrio extrado da imagem ao nosso banco de dados, adotaremos o segundo procedimento, j que ele
possibilita importar automaticamente o resultado para o banco de dados.

y) Na Oficina de banco de dados, primeiro prepare o banco para receber os novos dados
adicionando o campo AVGTEMP com dados do tipo real. Com o novo campo pronto, estamos
aptos agora para utilizar EXTRACT. Escolha Extrair sumrio estatstico da imagem a partir do
menu Ligao da Oficina de banco de dados. Use AWRAJAS como a imagem com definio de
feies, TEMPSURF como a imagem a processar, IDR_ID como o campo de definio de
feies e AVGTEMP como o campo para o sumrio estatstico. Escolha o clculo da mdia no
sumrio estatstico e pressione OK. Examine os valores armazenados no campo AVGTEMP.

z) Agora dispomos de todos os campos de dados necessrios para efetuar o clculo ilustrado na
Figura 2. Adicione outro campo chamado DECOMP ao banco de dados, com dados do tipo real.
Escolha Calcular a partir do menu Modificao e digite o comando que ir calcular os valores
para o novo campo.

3. Que comando SET voc usou para calcular o campo DECOMP?

Para finalizar, necessitamos ainda combinar as contribuies da fermentao entrica (FERMENT) e da


decomposio do esterco (DECOMP) para obter o total da emisso de metano por awraja. Os valores que
temos para cada componente esto em quilogramas, mas os totais precisam estar em toneladas mtricas
(uma tonelada mtrica corresponde a 1000 kg).

aa) Modifique o banco de dados para adicionar um campo final, do tipo real, chamado TOTMET e
digite o comando SQL para calcular as emisses de metano totais, em toneladas mtricas.

4. Que comando SET voc executou?

bb) Na caixa de dilogo de Ligao/Fixar parmetros de ligao visualizao, escolha TOTMET


como o campo contendo os cdigos de visualizao. Use o modo de visualizao contnuo para
ver o resultado.

5. Descreva os padres espaciais que voc percebe para as emisses de metano na Etipia.

O metano um dos componentes do modelo de gases de efeito estufa. possvel que estes dados possam
ser combinados com vrios outros arquivos em um modelo mais compreensvel. Como alguns dos outros
arquivos do modelo podem ser contnuos ou estar baseados em unidades espaciais outras que no
awrajas, ser necessrio transferir tambm os dados de emisso total do campo do banco de dados para
uma imagem. Isso pode ser efetuado pelo mdulo ASSIGN. Usamos ASSIGN em um exerccio anterior
para alterar os valores de uma imagem com base em um arquivo de valores ASCII contendo os
identificadores. No presente caso estamos fazendo praticamente a mesma coisa, s que especificando os
campos do banco de dados com o identificador e a emisso total de metano respectivamente como os
identificadores de unidades espaciais (awrajas, neste caso) e os novos valores a atribuir.

cc) Escolha Atribuir valores de campo imagem a partir do menu Ligao da Oficina de banco de
dados. Use AWRAJAS como a imagem de definio de feies, TOTMET como o nome da
imagem de sada, IDR_ID como o campo de definio das feies e TOTMET como o campo do
banco de dados onde esto os dados. Visualize sua nova imagem, usando o Lanador de
visualizao, com a tabela de cores Idrisi 256.

Exerccio opcional

Use a Oficina de banco de dados para criar uma janela de visualizao mostrando a densidade de gado
por awraja (cabeas/km2).
Centro de Recursos Idrisi, Brasil
11. Explorao de imagens

Com este exerccio, iniciamos uma extensiva explorao de imagens de sensoriamento remoto e de
tcnicas de processamento de imagens. Como as imagens de sensoriamento remoto so uma fonte usual
de dados para analistas em SIG e tm uma estrutura raster, muitos sistemas de geoprocessamento
oferecem algumas ferramentas para processamento de imagem. Caso voc ainda no tenha lido o
captulo Introduo ao sensoriamento remoto e ao processamento de imagens, faa-o antes de
continuar com este exerccio.

Exploraremos diferentes caminhos para aumentar o contraste de imagens de sensoriamento remoto para
auxiliar a interpretao visual, um processo conhecido como realce de imagem. Ns introduzimos este
tpico no Exerccio 4, mas iremos revis-lo e ampliar a discusso aqui, j que este um aspecto muito
importante do processamento de imagens. Tambm aprenderemos sobre a natureza das imagens de
satlite e a informao que carregam.

Usaremos dados de sensoriamento remoto de uma regio imediatamente a oeste de Worcester,


Massachusets, chamada Howe Hill. Para esta pequena rea, voc possui 4 bandas de uma imagem
LANDSAT Thematic Mapper (TM) adquirida pelo satlite em 10 de setembro de 1987. Elas so
chamadas de HOW87TM1, HOW87TM2, HOW87TM3 e HOW87TM4 e correspondem,
respectivamente, s bandas de comprimento de onda do azul visvel, do verde visvel, do vermelho
visvel e do infra vermelho prximo.

Iniciaremos nossa investigao de realce de imagem estudando o modo de ampliar seu contraste visual.
Ao trabalhar com imagens de satlite, na maioria dos casos necessitamos usar uma tabela de cores de
tons de cinza para a visualizao. Esta opo de tabela de cores, assim como outros aspectos da
visualizao, podem ser automatizados na configurao das Preferncias de visualizao.

a) Selecione Preferncias de visualizao a partir do menu Visualizao. Verifique se a opo de


Visualizar automaticamente as sadas dos mdulos analticos est ligada e especifique a tabela
de cores quantitativa a usar como GREY256. Isto far com que os resultados de todos os
mdulos analticos que executarmos seja automaticamente visualizado com a tabela de cores de
256 tons de cinza. Alm disso, na rea de Padres de mapa, ligue a opo de Ttulo visvel e
especifique GREY256como Tabela de cores padro. Isto far com que a tabela de cores de 256
tons de cinza e o ttulo do mapa sejam automaticamente carregados sempre que o Lanador de
visualizao for utilizado.

a) Visualize a imagem HOW87TM4 (observe que a tabela de cores Tons de cinza 256 e o ttulo j
esto selecionados. Observe o tom cinza mdio, ou contraste baixo, em toda a imagem. A tabela

Centro de Recursos Idrisi, Brasil


116 IDRISI for Windows - Exerccios tutoriais introdutrios

de cores Tons de cinza 256 vai de preto (cor 0) at branco (cor 255), mas parece no haver
nenhum pixel branco ou cinza claro na visualizao. Para ver por que isto acontece, clique duas
vezes no nome de HOW87TM4 na lista de arquivos da Composio. Isto aciona a ligao
rpida com DESCRIBE. Observe que o valor mnimo da imagem 0 e o mximo 190. Isso
explica porque a imagem parece escura as cores mais claras da tabela de cores (191 255)
no esto sendo utilizadas.

b) Para entender melhor como o intervalo de valores dos dados afeta a visualizao, execute
HISTO a partir do menu Visualizao. Selecione HOW87TM4 como imagem de entrada,
mantenha o intervalo de classe igual a 1, produza um a sada grfica e altere os valores
mximos e mnimos para 0 e 255. Ao terminar, mova o histograma para o lado para permitir a
visualizao da imagem e do histograma ao mesmo tempo.

O eixo horizontal do histograma pode ser interpretado como se fosse a tabela de cores de 256 tons de
cinza. Um valor de reflectncia igual a zero mostrado como preto, uma reflectncia igual a 255 como
branco e todos os demais valores entre estes extremos so mostrados em tons variveis de cinza. O eixo
vertical mostra quantos pixels na imagem tem o valor que est sendo mostrado por aquela cor (Figura 1).
Observe tambm a estrutura bimodal do histograma. Iremos comentar mais tarde sobre as causas dos
dois picos na banda infravermelha, neste exerccio, quando aprenderemos acerca das informaes que as
imagens de satlite contm.

0 90 200 255
preto cinza escuro cinza claro branco
Figura 1

Como mostra o histograma, nenhum dos pixels da imagem tem o valor de 255 (Figura 1). Em
conseqncia, no existem pixels claros na imagem. Observe tambm que a maioria dos pixels possui
valores em torno de 90. Este valor cai no intervalo mdio da tabela de cores Tons de cinza 256, razo
pela qual HOW87TM4 aparece com predominncia de cinza mdio.

1. Se a imagem HOW87TM4 tivesse um nico pixel com valor de reflectncia 0 e um


outro com o valor 255 (todos os outros valores dos dados permanecendo como so), o
contraste visual da imagem seria melhorado? Por que ou por que no?

Para aumentar o contraste da imagem, necessitaremos modificar a visualizao de forma que todas as
cores da tabela, do preto ao branco, sejam utilizadas. A maneira mais fcil de se fazer isto atravs do
autoescalonamento da imagem. Quando o autoescalonamento utilizado, o valor mnimo da imagem
mostrado com a cor de valor mais baixo na tabela de cores e o mximo mostrado com o valor mais
elevado na tabela. Todos os valores intermedirios so distribudos ao longo das demais cores
disponveis na tabela de cores.
11. Explorao de imagens 117

d) Visualize HOW87TM4 novamente com a tabela de cores Tons de cinza 256, mas desta vez use
o autoescalonamento. Observe que o contraste aumenta. Certifique-se do efeito de
autoescalonamento mostrando a mesma imagem HOW87TM4 com e sem autoescalonamento
lado a lado. Agora execute HISTO novamente, mas desta vez mantenha os valores mnimos e
mximos fornecidos (que so, na verdade, os valores mnimos e mximos da imagem). Voc
tambm pode usar a ligao rpida Histograma da imagem acionando o boto Propriedades da
Composio para ver o histograma da imagem ativa com os valores fornecidos pelo programa.

2. Faa um desenho esquemtico (similar ao da Figura 1) do histograma de HOW87TM4


com autoescalonamento. Se voc estiver conectado a uma impressora pode tambm
pressionar o cone de Imprimir na janela do histograma. Identifique o eixo horizontal
com valores dos dados nos pontos extremos e com uma descrio da tabela de cores ao
longo do eixo (p.ex., preto, cinza e branco).

A diferena entre os dois histogramas ilustra os efeitos do autoescalonamento. Os pontos extremos do


segundo histograma agora alcanam o extremo do eixo horizontal. O valor mnimo igual a zero
mostrado em preto e o valor mximo de 190 mostrado em branco, com os valores mdios tendo tons
variveis de cinza. O autoescalonamento no altera os valores armazenados no arquivo; ele apenas
modifica o intervalo de cores que mostrado.

Embora o autoescalonamento geralmente melhore o contraste, o resultado , ainda assim, muitas vezes
insuficiente para a interpretao visual.

e) Visualize HOW87TM1 com autoescalonamento e a tabela de cores Tons de cinza 256. Observe
como ela est escura. Execute HISTO e mantenha as opes oferecidas. Como alternativa, voc
pode acionar Histograma da imagem a partir do boto propriedades da Composio.

3. O que voc observa com relao forma do histograma? Por que o autoescalonamento
no melhora muito o contraste?

Ns podemos alcanar contrastes melhores realizando um realce na imagem. Quando fazemos uma
operao de realce, criamos um novo arquivo com novos valores de dados. Existem trs formas
diferentes de realce que podem ser feitos em uma imagem:

Contraste linear: Este realce funciona de modo similar ao autoescalonamento, mas voc pode
especificar como valores mnimos e mximos valores diferentes dos mnimos e
mximos da imagem, alm de poder estabelecer o nmero de nveis para a imagem de
sada.
Contraste linear com saturao: Este realce atribui uma porcentagem indicada pelo usurio
(p. ex., 2.5%) de pixels em cada extremidade do histograma para serem agrupados
num mesmo valor e ento aplica um realce linear aos valores restantes entre eles.
Equalizao de histograma: O realce tende a agrupar o mesmo nmero de pixels em cada
nvel de dados, com a restrio de que os pixels que na imagem original pertencem
mesma classe no podem ser divididos em mais do que uma categoria na imagem de
sada.

Exploraremos abaixo cada um destes realces:

f) Execute STRETCH a partir do menu Visualizao. Use a opo de realce linear com saturao,
especifique 2,5% de saturao e indique HOW87TM1 como a imagem de entrada e TM1L25
como a imagem de sada. D um ttulo nova imagem e indique valores de ndice de cor para
as unidades dos novos valores. Use as configuraes sugeridas para as demais opes. A
imagem de sada ser automaticamente visualizada com a tabela de cores Tons de cinza 256.
No faa autoescalonamento; no necessrio autoescalonar imagens realadas. Execute ento
HISTO sobre TM1L25, aceitando todas as opes sugeridas pelo programa.

Centro de Recursos Idrisi, Brasil


118 IDRISI for Windows - Exerccios tutoriais introdutrios

4. Desenhe ou imprima o histograma de TM1L25 e identifique o eixo horizontal como


anteriormente. Compare a imagem TM1L25 e seu histograma com a imagem
HOW87TM1 mostrada com autoescalonamento e seu histograma (i.e., aceitando
valores mnimos e mximos sugeridos). Voc tambm pode dispor na tela ambas as
imagens com seus histogramas para examin-las de uma s vez. Preste ateno nas
diferenas de contraste evidentes na visualizao. Feche todas as janelas depois que
voc tiver terminado.

g) Visualize HOW87TM4 com a tabela de cores Tons de cinza 256. Execute os seguintes realces
em HOW87TM4, chame as imagens de sada como indicado abaixo e compare os resultados
visualizados. Crie seus histogramas e desenhe ou imprima um esboo dos histogramas como
voc fez anteriormente.

i. Linear simples com mnimos e mximos como extremos, realados para 256 nveis.
Chame o resultado de TM4L
ii. Linear com 5% de saturao, realado para 256 nveis. Chame o resultado de TM4L50.
iii. Linear com 2.5% de saturao, realado para 256 nveis. Chame o resultado de
TM4L25.
iv. Equalizao de histograma, realado para 256 nveis. Chame o resultado de TM4HE.
v. Equalizao de histograma, realado para 16 nveis. Chame o resultado de TM4HE16.
(para esta imagem aplique a tabela de cores Tons de cinza 16, com o auxlio do boto
Propriedades da Composio).

A quantidade de saturao requerida para produzir uma imagem com bom contraste varia e requer
algum ajuste por tentativa e erro. Geralmente 2,5% funciona bem.

5. Em que imagem voc percebe que as feies so melhor identificadas, no realce com
2,5 ou 5% de saturao?

A equalizao de histograma tende a colocar um nmero igual de pixels em cada nvel de cinza. Observe
que as barras so praticamente iguais no histograma das 16 classes criadas pelo realce de equalizao de
histograma. Em teoria, ns poderamos esperar que as barras tivessem exatamente o mesmo tamanho. O
IDRISI for Windows, assim como outros sistemas de processamento de imagens, no separar um valor
de dado simples em mais de uma classe. Por isso, algumas desigualdades permanecero.

De acordo com a Teoria da Informao, a imagem da equalizao do histograma deveria carregar mais
informao porque ela contm a maior variao para qualquer nmero de classes. Ns veremos mais
tarde neste exerccio, entretanto, que informao no o mesmo que significado.

Primeiramente, vamos continuar a explorar o que estas imagens significam.

h) Visualize as quatro imagens originais (HOW87TM1 a HOW87TM4) ao mesmo tempo, usando


a tabela de cores Tons de cinza 256. Voc necessitar visualiz-las com um fator de expanso
menor que o sugerido pelo Lanador de visualizao. Organize as imagens prximas umas das
outras na tela de forma que voc possa visualizar todas as quatro ao mesmo tempo. Como o
contraste baixo em todas as imagens, visualize tambm TM4L25. Ns iremos usar essa
imagem realada para localizar reas especficas para consultar, mas estamos interessados de
fato nos valores dos dados dos arquivos originais.

H trs tipos de cobertura do solo que so facilmente identificveis na imagem: reas urbanas, florestas e
gua. Ns vamos agora estudar como esses tipos diferentes de cobertura do solo refletem em cada um
dos intervalos de comprimento de onda registrados nas quatro bandas originais.

i) Desenhe trs grficos como o da Figura 2 e d-lhes o nome de gua, floresta e urbano.
11. Explorao de imagens 119

alta
r
e
f
l
e
c
t

n
c
i
a
baixa
TM1L25 TM2L25 TM3L25 TM4L25
Figura 2

Para examinar os valores de reflectncia em todas as quatro imagens iremos utilizar a consulta
expandida do cursor, que possibilita consultar simultaneamente todas as imagens cujos nomes estejam
includos em um arquivo de grupo de imagens.

j) Para criar um arquivo de grupo de imagens execute EDIT a partir do menu Entrada de dados.
Escolha editar um arquivo de grupo de imagens e digite o nome TMGRP. Escolha a opo Usar
editor de arquivo de grupo para adicionar ao arquivo de grupo os nomes das quatro bandas
originais (HOW87TM1 a HOW87TM4) e a imagem realada TM4L25. Salve o arquivo e saia
de EDIT.

k) Abra as Preferncias de visualizao a partir do menu Visualizao e verifique se a opo Usar


modo expandido de consulta do cursor est ligada. Selecione a opo Arquivo de grupo de
imagens e digite o nome do arquivo de grupo de imagens TMGRP recm criado. Esses passos
instruem o IDRISI for Windows para que sempre que o modo de consulta do cursor for
acionado em um dos arquivos contidos no arquivo de grupo de imagens TMGRP, todas as
imagens cujo nome estiver contido nesse arquivo sero consultadas e os resultados mostrados
(isso no interfere na consulta normal em uma imagem que no faz parte do grupo).

l) Selecione a imagem TM4L25 clicando na barra superior de sua janela de visualizao e ative o
modo de consulta do cursor. Movimente o cursor por sobre a imagem TM4L25 buscando trs ou
quatro pixels representativos de cada tipo de cobertura e clique sobre os mesmos para conferir
seus valores. Observe que imediatamente uma pequena janela abre do lado inferior direito de
seu vdeo e mostra os valores de reflectncia para os pixels consultados em todas as cinco
imagens do grupo. Determine o valor de reflectncia para os pixels de gua, floresta e urbano
em cada uma das quatro bandas originais. Preencha o grfico que voc desenhou no passo i)
para cada tipo de cobertura plotando os valores dos pixels.

Voc acabou de fazer um esboo do que chamado de padres de resposta espectral para os trs tipos
de cobertura do solo. Com esses grficos voc pode ver que diferentes tipos de cobertura refletem
diferentes quantidades de energia nos vrios comprimentos de onda. Nos prximos exerccios iremos
classificar imagens de satlite em categorias de uso do solo com base no fato de que os tipos de cobertura
do solo tm padres de resposta espectral singulares.

Isto constitui a chave para desenvolver mapas de cobertura do solo a partir de imagens de sensoriamento
remoto.

Iremos agora retornar a duas excelentes questes que foram mencionados anteriormente mas ainda no
foram esclarecidas. Em primeiro lugar, vamos reconsiderar a forma do histograma de HOW87TM4
(Figura 1). Observe novamente a sua estrutura bimodal.

5. Agora que voc viu como diferentes bandas (ou comprimentos de onda
eletromagnticas) de uma imagem interagem de modo distinto com diferentes tipos de

Centro de Recursos Idrisi, Brasil


120 IDRISI for Windows - Exerccios tutoriais introdutrios

cobertura do solo, qual voc pensa ser o tipo de cobertura do solo que est causando o
pequeno pico de pixels com valores baixos na banda do infravermelho?

Em segundo lugar, vamos retornar rapidamente s nossas imagens submetidas ao processo de realce e
pensar como imagens realadas podem aumentar o contraste e, desta forma, a informao, mas sem
acrescentar, na verdade, nenhum significado.

m) Realce HOW87TM1 com equalizao de histograma e 256 nveis. Chame o resultado TM1HE.
Visualize tambm TM1L25.

Observe como essas imagens so diferentes. A verso da banda 1 com equalizao de histograma
certamente tem muita variao, mas ns perdemos a noo de que a maior parte da cobertura nesta
imagem (floresta) absorve muita energia nesta banda (devido umidade e aos pigmentos das folhas).
melhor evitar a tcnica de equalizao de histograma sempre que voc quiser ter no resultado uma noo
visual das caractersticas de absoro/reflectncia de tipos de cobertura do solo. De fato, na maioria das
vezes, um realce linear com saturao melhor. Lembre que imagens realadas servem apenas para
visualizao. Como elas foram manipuladas, no so confiveis para anlise. Use apenas dados
originais (ou brutos) para anlise, a no ser que voc tenha uma razo muito especial e tecnicamente
justificada para usar dados realados.
12. Classificao supervisionada

No exerccio anterior desenhamos em um grfico os padres de resposta espectral para trs tipos de
cobertura do solo: urbano, floresta e gua. Dissemos que as assinaturas desses tipos de cobertura do solo
eram singulares. Tipos de cobertura do solo, ento, so identificados ou diferenciados uns dos outros
pelo seu padro de resposta espectral singular. Esta a lgica por trs da classificao de imagens.
Muitos tipos de mapas, incluindo os de cobertura do solo, mapas de solos e os mapas batimtricos,
podem ser construdos a partir da classificao de imagens de sensoriamento remoto.

Existem dois mtodos de classificao de imagem: classificao supervisionada e classificao no


supervisionada. Na classificao supervisionada, o usurio define as assinaturas espectrais de categorias
conhecidas, tais como urbano e florestas e, ento, o programa associa cada pixel da imagem assinatura
mais similar. Na classificao no supervisionada, o programa agrupa pixels em categorias de
assinaturas parecidas e o usurio identifica que tipo de cobertura efetivamente aquelas categorias
representam.

Os passos para a classificao supervisionada podem ser resumidos nos seguintes:

1. Localizar exemplos representativos de cada tipo de cobertura que pode ser identificado na
imagem (chamadas reas de treinamento);

2. Digitalizar polgonos em torno de cada rea de treinamento, atribuindo um nico identificador


para cada tipo de cobertura;

3. Analisar os pixels contidos nas reas de treinamento e criar assinaturas espectrais para cada
tipo de cobertura;

4. Classificar a imagem inteira considerando cada pixel individualmente, comparando sua


assinatura particular com cada uma das assinaturas conhecidas. As chamadas classificaes
rgidas resultam da atribuio de cada pixel classe de cobertura tem a assinatura mais similar.
Classificaes relativas, por outro lado, avaliam o grau de associao do pixel em todas as
classes em considerao, incluindo classes desconhecidas e no especificadas. Decises sobre
quo similares as assinaturas so umas das outras so feitas atravs de anlises estatsticas.
Existem diversas tcnicas distintas que podem ser utilizadas -- freqentemente denominadas
classificadores.

Este exerccio ilustra certas tcnicas rgidas de cclassificao supervisionada. Classificadores relativos
so estudados nos exerccios tutoriais avanados. Uma discusso mais detalhada sobre classificao pode

Centro de Recursos Idrisi, Brasil


132 IDRISI for Windows - Exerccios tutoriais introdutrios

ser encontrada no captulo Classificao de imagens de sensoriamento remoto do Manual do usurio


do IDRISI for Windows.

Iniciaremos com a criao de reas de treinamento. A rea que classificaremos uma pequena janela
extrada de uma imagem em torno de Howe Hill, imediatamente a noroeste do aeroporto que vimos em
HOW87TM1-4 no exerccio anterior. A Figura 5 (no final deste exerccio) mostra os resultados de um
trabalho de campo nesta rea. As reas de treinamento criadas neste exerccio sero baseadas no
conhecimento dos tipos de cobertura do solo identificados durante esta visita.

Para cada tipo de cobertura do solo conhecido ser atribudo um nico identificador inteiro e ser
identificada uma ou mais reas de treinamento.

a) Escreva uma lista com todos os tipos de cobertura do solo identificados na Figura 5, juntamente
com um identificador especfico para representar cada tipo de cobertura. Embora as reas de
treinamento possam ser digitalizadas em qualquer ordem, elas no deveriam omitir nenhum
nmero na srie. Dessa forma, se voc tiver dez classes de cobertura do solo diferentes, seus
identificadores devero ir de 1 a 10.

A ordem sugerida (para melhor ajustar as classes tabela de cores qualitativa padro da
visualizao automtica) :

1-gua rasa
2-gua profunda
3-Agricultura
4-rea urbana
5-Floresta deccua
6-Floresta de conferas

b) Visualize a imagem chamada H874S usando a tabela de cores Tons de cinza 256. Use o modo
de digitalizao na tela do IDRISI for Windows para digitalizar polgonos em torno de suas
reas de treinamento. Isto feito do seguinte modo:

Amplie uma janela de imagem em torno do lago com guas profundas no lado esquerdo da
imagem (Figura 5). Selecione a seguir o cone de digitalizao na tela:

Crie um arquivo vetorial de nome TRSITES, escolha criar polgonos e indique o identificador
numrico escolhido para gua profunda.

O cursor aparece agora com a mesma forma do cone quando est posicionado sobre a imagem.
Desloque o cursor para um ponto de partida no limite de sua rea de treinamento e pressione o
boto esquerdo do mouse. Mova ento o cursor ao prximo ponto ao longo do limite e pressione
novamente o boto esquerdo do mouse (voc ver a linha do contorno criar forma). O polgono
da rea de treinamento deve abarcar um tipo de cobertura homogneo, ento evite incluir a
margem do corpo dgua, que contm solo exposto, neste polgono de guas profundas (para ter
certeza de que estamos amostrando apenas gua). Continue digitalizando at pouco antes de
fechar todo o contorno e ento pressione o boto direito do mouse. Isto finalizar a digitalizao
desta rea de treinamento e assegurar que o contorno seja perfeitamente fechado (o polgono
fechado exibido com uma linha preta, que pode ser de difcil visualizao em reas de gua
profunda da imagem, cuja cor tambm escura. No entanto, no se preocupe, o polgono da
rea de treinamento est l). Caso voc tenha feito algum erro e no queira salvar este polgono,
pressione o seguinte cone para exclu-lo:
12. Classificao supervisionada 133

Com isto a ltima rea de treinamento digitalizada ser excluda.

Retorne a imagem para seu tamanho normal e ento amplie uma janela em torno da sua
prxima rea de treinamento, tomando como referncia a Figura 5. Selecione novamente o
cone de digitalizao na tela. Digite um identificador para a nova rea. Mantenha o mesmo
identificador caso voc queira digitalizar outro polgono em torno de uma rea de igual tipo de
cobertura que a anterior. Caso contrrio, indique outro identificador.

Qualquer nmero de reas de treinamento, ou de polgonos com o mesmo identificador, podem ser
criados para cada tipo de cobertura. De modo geral, entretanto, eles deveriam ser amostras de pixels
adequadas para cada tipo de cobertura com vistas sua caracterizao estatstica. Via de regra, o nmero
de pixels de cada conjunto de treinamento (i.e., todas as reas de treinamento para uma nica classe de
cobertura do solo) no deveria ser menor do que dez vezes o nmero de bandas. Assim, neste exerccio
onde usaremos sete bandas, ns deveramos ter pelo menos 70 pixels por conjunto de treinamento.

c) Continue at que voc tenha digitalizado reas de treinamento para cada classe de cobertura.
Pressione ento o seguinte cone:

Isto armazenar o arquivo vetorial TRSITES e o recolocar na tela.

Depois de ter o arquivo vetorial de reas de treinamento voc est pronto para o terceiro passo do
processo, a criao dos arquivos de assinaturas. Arquivos de assinatura contm informao estatstica
sobre os valores de reflectncia dos pixels em cada conjunto de treinamento.

d) Execute MAKESIG a partir do grupo Desenvolvimento de assinaturas do menu


Anlise/Processamento de imagens. Escolha vetor como o tipo de arquivo de reas de
treinamento e informe TRSITES como o nome do arquivo de reas de treinamento. Indique que
sete bandas de imagem sero processadas e sete caixas com nomes de entrada iro aparecer
automaticamente. Digite nelas os nomes das bandas que voc ir analisar: H87TM1 (banda
azul), H87TM2 (banda verde), H87TM3 (banda vermelha), H87TM4 (infravermelho prximo),
H87TM5 (infravermelho mdio), H87TM6 (infravermelho termal) e H87TM7 (infravermelho
mdio). Aps selecione Continuar, indique os nomes para cada categoria de cobertura do solo
nas caixas de entrada com o rtulo identificador apropriado, em ordem ascendente. Esses nomes
de classes de cobertura sero usados como nomes de arquivos de assinaturas, de forma que
devem seguir as normas das convenes MS-DOS (8 caracteres ou menos). Igualmente, no
chame a assinatura de conferas de CON porque este um comando reservado ao MS-DOS e
no funcionar adequadamente. Pressione o boto com uma seta descendente prxima s caixas
reservadas ao nome das assinaturas de modo a encontrar a caixa para o ltimo arquivo
assinatura.

e) Use a opo Listar do menu Arquivo para visualizar os arquivos de assinatura e verificar se
todas as suas assinaturas foram criadas. Caso voc tenha esquecido alguma, repita todo o
processo descrito para criar um novo arquivo vetorial de reas de treinamento (apenas para o
tipo de cobertura do solo que foi esquecido) e execute MAKESIG novamente.

Para comparar as assinaturas possvel fazermos um grfico, do mesmo modo que fizemos
manualmente em exerccios anteriores.

Centro de Recursos Idrisi, Brasil


134 IDRISI for Windows - Exerccios tutoriais introdutrios

f) Execute SIGCOMP, a partir do grupo Desenvolvimento de assinaturas do menu


Anlise/Processamento de imagens. Escolha a visualizao de 6 arquivos assinatura e escreva
os nomes de todos os arquivos, optando por mostrar suas mdias.

1. Das sete bandas da imagem, quais as bandas que melhor diferenciam a cobertura
vegetal?

g) Execute SIGCOMP novamente, mas desta vez escolha a visualizao de apenas 2 assinaturas e
escreva os nomes dos arquivos assinatura para rea urbana e conferas. Indique que voc deseja
visualizar seus valores mximos, mnimos e mdias. Observe que os valores de reflectncia
destas assinaturas se sobrepoem em grau varivel ao longo das bandas. Esta uma fonte de
confuso espectral entre tipos de cobertura.

2. Qual das duas assinaturas tem a maior variao em valores de reflectncia (maior
intervalo de valores) nas diferentes bandas? Por qu?

h) Para melhorar nossa compreenso sobre estes arquivos de assinaturas, podemos edit-los
usando EDITSIG. Execute EDITSIG a partir do grupo Desenvolvimento de assinaturas do
menu Anlise/Processamento de imagens. Escolha editar a assinatura de conferas e visualizar o
histograma de H87TM1. Veja se h evidncia de uma curva normal (bem formada) que possa
sugerir que um conjunto homogneo de pixels representativos de conferas foi selecionado. Caso
a assinatura seja fortemente bimodal (tendo dois picos), isto sugere que dois tipos de cobertura,
com padres de resposta espectral diferentes, foram includas na mesma rea de treinamento.
Para uma discusso sobre assinaturas fuzzy, que podem acomodar misturas de tipos de
cobertura, veja o captulo Classificao de imagens de sensoriamento remoto no Manual do
usurio do IDRISI for Windows. Valores extremos que parecem no pertencer curva principal
tambm sugerem que as reas de treinamento no so homogneas. Feche o histograma da
banda 1.

Para a assinatura de conferas, visualize os histogramas de cada uma das outras bandas em
seqncia. Selecione as bandas pressionando o boto com uma seta para a direita situado abaixo
do nome da banda. Voc pode comparar vrios histogramas ao mesmo tempo e ir fechando as
janelas medida que tiver terminado de examinar cada um. Observe como a variabilidade nos
valores de reflectncia muda nas diferentes bandas. Agora escolha editar o arquivo assinatura
de gua rasa com EDITSIG e visualize o histograma de H87TM4.

3. Por que com esta banda voc v uma estrutura bimodal nesta assinatura?

Antes de partir para a prxima parte do exerccio, vamos criar um arquivo de grupo de assinaturas que
contenha todos os nomes das nossas assinaturas. Usar arquivos de grupo (em vez de especificar cada
assinatura individualmente) acelera o processo de preencher a informao de entrada em todos os
mdulos de classificao. Da mesma forma que um arquivo de grupo de imagens, um arquivo de grupo
de assinaturas um arquivo ASCII (com uma extenso .sgf). A primeira linha do arquivo indica o
nmero de assinaturas e as demais linhas listam os nomes das assinaturas, uma por linha.

h) Execute EDIT, escolha Arquivo de grupo de assinaturas e digite SIGS como o nome para o
novo arquivo. Escolha ento Usar editor de arquivo de grupo e adicione suas assinaturas lista,
seguindo a ordem numrica dos identificadores das assinaturas definida no incio do exerccio
(para manter a consistncia das cores da tabela de cores qualitativa da visualizao automtica).
Salve o arquivo e saia de EDIT.

Agora que temos os arquivos de assinatura para todas as nossas categorias, estamos prontos para o
ltimo passo no processo de classificao de imagem -- classificar a imagem com base nestes arquivos de
assinaturas. Cada pixel na rea de estudo tem um valor em cada uma das sete bandas da imagem
(HOW87TM1-7). Como mencionado anteriormente, essas bandas correspondem respectivamente aos
comprimentos de onda do azul, verde, infravermelho prximo, infravermelho mdio, infravermelho
termal e outro infravermelho mdio. Os valores de uma assinatura nas 7 bandas formam uma assinatura
12. Classificao supervisionada 135

singular que pode ser comparada a cada um dos demais arquivos assinatura recm criados. Cada pixel
ento atribudo ao tipo de cobertura com assinatura mais similar. Existem vrias tcnicas estatsticas que
podem ser usadas para avaliar a similaridade entre assinaturas. Estas tcnicas estatsticas so chamadas
de classificadores. Ns criaremos imagens classificadas com trs dos classificadores rgidos disponveis
no IDRISI for Windows. Exerccios ilustrando o uso de classificadores relativos e discretizadores podem
ser encontrados nos Exerccios tutoriais avanados.

O primeiro classificador que usaremos um classificador de distncias mnimas s mdias. Este


classificador calcula a distncia do valor de reflectncia de um pixel mdia espectral do arquivo de
assinaturas e atribui ao pixel a categoria com a mdia mais prxima. Existem duas formas para o clculo
da distncia. A primeira calcula a distncia Euclidiana, ou bruta, do valor de reflectncia do pixel
mdia de cada categoria espectral. Este conceito ilustrado em duas dimenses (como se as assinaturas
espectrais fossem feitas a partir de apenas duas bandas) na Figura 138. Neste diagrama heurstico, os
valores de reflectncia das assinaturas so indicados com letras minsculas, os pixels que esto sendo
comparados s assinaturas esto indicados com nmeros e as mdias espectrais esto indicadas com
pontos. O pixel 1 est mais prximo da mdia espectral da assinatura do milho (c) e por isso atribudo
categoria milho. A desvantagem deste classificador ilustrada pelo pixel 2, que est mais prximo
mdia da areia (s) mesmo parecendo estar dentro do intervalo de reflectncias com maior probabilidade
de ser urbana (u). Em outras palavras, a distncia mnima bruta mdia no leva em considerao a
disperso dos valores de reflectncia em torno da mdia.

u u
u u u ss s s
u u u 2 ssss
s
u u u u
c
banda do u u u c c
u u
vermelho c c c
c c c d
c c d
w 1 d d
w w d d d
w w d d d
w d
banda do infravermelho
Figura 1

i) Para visualizar um diagrama de espalhamento similar das nossas assinaturas, voc pode usar o
mdulo SCATTER. Esse mdulo usa duas bandas como eixos X e Y para ilustrar as posies
relativas dos pixels de acordo com seus valores nessas duas bandas. Alm disso, ele cria em
torno da mdia da assinatura em cada banda um contorno retangular igual a dois desvios
padro da mdia. A sada uma composio de mapa que inclui tanto a imagem quanto o plano
vetorial com a legenda. A legenda mostra os nomes das assinaturas com cores correspondentes.

Execute SCATTER a partir do grupo Desenvolvimento de assinaturas do menu


Anlise/Processamento de imagens. Indique H87TM3 (a banda do vermelho) como o eixo Y e
H87TM4 (a banda do infravermelho prximo) como o eixo X. Deixe ligado a opo Sobrepor
grfico de assinatura e especifique SIGS como o nome do arquivo de grupo de assinaturas. D o
nome de SCAT para o arquivo de sada e mantenha o Logaritmo do nmero de pixels como o
Tipo de visualizao. Pressione OK. Quando a composio de mapa resultante for visualizada,
mova o cursor em torno do diagrama de espalhamento. Observe que as coordenadas X e Y
mostradas na barra de status so as coordenadas X e Y do diagrama de espalhamento. Os eixos
X e Y esto sempre configurados para o intervalo 0 255. Amplie o canto inferior esquerdo
para ver melhor o diagrama e os contornos das assinaturas.

Para visualizar as freqncias de posio dos pixels em duas bandas selecionadas, SCATTER
usa cores mais claras para mostrar densidades maiores (log da freqncia) de pixels e cores

38
As Figuras 1-4 foram adaptadas de Lillesand & Kiefer, 1979. Remote Sensing and Image Interpretation. First edition. New York,
Chichester, Brisbane and Toronto: John Wiley & Sons.

Centro de Recursos Idrisi, Brasil


136 IDRISI for Windows - Exerccios tutoriais introdutrios

escuras para densidades menores. Retngulos superpostos mostram reas onde diferentes
assinaturas tm valores similares. SCATTER til para avaliar a qualidade das nossas
assinaturas. Algumas assinaturas se superpem devido natureza inadequada da definio das
classes de cobertura do solo. Superposio tambm pode indicar especificao errada das
assinaturas. Todavia, superposio tambm pode ocorrer devido a padres de reflectncia
semelhantes de certos objetos (p. ex. florestas de madeiras de lei e reas midas florestadas).

j) Todos os classificadores que iremos explorar neste exerccio podem ser encontrados no grupo
Classificadores rgidos do menu Anlise/Processamento de imagens. Para tornar a visualizao
automtica das imagens de sada mais informativa, abra as Preferncias de visualizapo a
partir do menu Visualizao e ligue a opo de Legenda visvel.

Execute MINDIST (o classificador de distncia mnima s mdias) e indique que voc quer usar
um arquivo de grupo para especificar as assinaturas. Digite o nome SIGS e os nomes das
assinaturas iro aparecer nas caixas de dilogo correspondentes na ordem especificada no
arquivo de grupo. Escolha o tipo de distncia Bruta e use Infinita como mxima distncia de
busca. Chame a imagem de sada de RAW e digite um ttulo para a nova imagem. Pressione o
boto Continuar... para acessar a prxima tela de MINDIST, e mantenha todas as bandas
selecionadas para anlise. Examine a imagem de cobertura do solo resultante.

Tentaremos o classificador de distncia mnima s mdias novamente, mas desta vez usaremos um
segundo tipo de clculo -- distncias Normalizadas. Neste caso, o classificador ir avaliar o desvio
padro dos valores de reflectncia em torno da mdia -- criando isolinhas de desvio padro. Ele atribui
ento a um dado pixel uma categoria em termos de desvio padro. Podemos ver na Figura 2 que o pixel
2 seria corretamente atribudo categoria urbana (u) porque ele est a menos de dois desvios padro da
mdia dessa categoria, enquanto est a pelo menos trs desvios padro da mdia da areia (s).

u u
u u u ss s s
u u u 2 sss s
s
u u u u
c
banda do u u u c c
u u
vermelho c c c
c c c d
c c d
w d
1 d
w w d d d
w w d d d
w d

banda do infravermelho
Figura 2

l) Para ilustrar este mtodo, execute MINDIST novamente. Escolha o tipo de distncia
Normalizada e chame o resultado de MINSTD. Digite o ttulo para a imagem a ser criada.

4. Compare os dois resultados. Como voc descreveria o efeito da normalizao das


distncias com o classificador de distncia mnima mdia?

O prximo classificador que utilizaremos o classificador por mxima verossimilhana. Aqui, a


distribuio dos valores de reflectncia em uma rea de treinamento descrita por uma funo de
densidade de probabilidade, desenvolvida com base na estatstica Bayesiana (Figura 3). Este
classificador avalia a probabilidade de um determinado pixel pertencer a uma categoria e classifica o
pixel para a categoria qual ele tem a maior probabilidade de associao.
12. Classificao supervisionada 137

u u
u u u ss s s
u u u2 s s s s
s
u u u u
c
banda do u u u c c
vermelho u u c
c c
d
c c c d
c c
w 1 d d
w w d d d
w w d d d
w d

banda do infravermelho
Figura 3

m) Execute MAXLIKE. Indique o nome do arquivo de grupo de assinaturas SIGS. Assim como em
MINDIST, seus nomes iro aparecer nas caixas de dilogo quando voc pressionar o boto
Continuar... Escolha classificar todos os pixels e opte por pesos iguais (i.e., usar probabilidades
iguais) para cada classe. Chame o resultado de MAX. Pressione o boto Continuar... e digite
um ttulo para a imagem de sada. Pressione Continuar... novamente e escolha manter todas as
bandas e pressione OK. A mxima verossimilhana a mais lenta das tcnicas disponveis no
IDRISI, mas se as reas de treinamento forem boas (representativas) ela tende a ser mais
acurada.

Finalmente, examinaremos o classificador por paraleleppedo. Este classificador cria caixas usando
unidades de desvio padro (escores Z) ou valores de reflectncia mnimos e mximos dentro de cada rea
de treinamento. Caso um determinado pixel caia numa caixa de assinatura, ou espao de banda, ele
atribudo quela categoria. Este o classificador mais rpido e a opo com valores Mn./Mx. foi usada
como classificador para visualizao rpida quando a velocidade e capacidade de processamento dos
computadores ainda era uma sria limitao tecnolgica. Ele fadado, entretanto, a classificaes
incorretas. Devido correlao da informao nas bandas espectrais, os pixels tendem a agrupar-se em
nuvens na forma de charuto ou de Zeppelim. Como ilustrado na Figura 4, as caixas se ajustam de uma
forma tal que tomam pixels que provavelmente deveriam ser atribudos a outras classes. Neste caso, o
pixel 1 ser classificado como decdua (d) enquanto deveria provavelmente ser classificado como milho
(c). Alm disso, as caixas freqentemente se superpem. Pixels com valores que caem nesta
superposio so atribudos ltima assinatura, seguindo a ordem na qual os nomes das assinaturas
foram introduzidos no mdulo.

u u
u u u ss s s
u u u2 s s s s
s
u u u u
c
banda do u u u c c
u u
vermelho c c c
d
c c c d
c c d
w 1 d
w w d d d
w w d d d
w d

banda do infravermelho
Figura 4

n) Execute PIPED e indique o nome do arquivo de grupo de assinaturas como anteriormente.


Escolha a opo de definir paraleleppedo por Mn./Mx. e chame a imagem PIPEORIG,
digitando um ttulo para a mesma. Pressione o boto Continuar... e mantenha todas as bandas
para a anlise. Observe os pixels com valor 0 na imagem de sada. Esses pixels no se
enquadraram no intervalo Mn./Mx. de nenhum conjunto de treinamento e por isso foram
atribudos a uma categoria 0.

Centro de Recursos Idrisi, Brasil


138 IDRISI for Windows - Exerccios tutoriais introdutrios

n) Antes, EDITSIG foi usado em conjunto com o procedimento de classificao por paraleleppedo
para redefinir os valores mximos e mnimos para cada assinatura, excluindo os valores
extremos de cada assinatura, j que o classificador bastante sensvel aos valores mximos e
mnimos registrados em cada assinatura (Observe que EDITSIG recalcula a estatstica das
assinaturas aps edit-las. Caso voc for experimentar qualquer dos outros classificadores mais
tarde, use EDITSIG para recalcular os mnimos e mximos originais.).

A outra opo de PIPED que usa unidades de desvio padro ao invs de valores Mn./Mx. tenta
resolver este problema atenuando os efeitos dos extremos. Assim, no necesrio usar
EDITSIG para editar os valores das assinaturas, exceto para obter suas estatsticas e visualizar
seus histogramas.

o) Execute PIPED novamente, com a opo de definir paraleleppedo por Escores Z, usando o
arquivo de grupo de assinaturas SIGS novamente e denomine esta nova imagem de PIPEDST.
Digite um ttulo e mantenha todas as bandas para a anlise.

5. Como a classificao por paraleleppedo foi afetada pelo fato de voc ter usado desvios
padro ao invs de valores mximos e mnimos?

q) Compare cada uma das classificaes que voc criou: MAX, RAW, MINSTD, PIPEORIG e
PIPEDST. Para fazer isso, visualize todas as imagens com a tabela de cores Qualitativa 256.
Voc pode usar um fator de expanso menor que o sugerido pelo Lanador de visualizao para
poder dispor todas na rea do seu monitor ao mesmo tempo.

Como uma observao final, considere o seguinte: caso suas reas de treinamento forem muito boas, o
classificador por mxima verossimilhana deve produzir o melhor resultado. Entretanto, quando reas
de treinamento no so bem definidas, o resultado geralmente muito pobre. Nestes casos, o
classificador por distncias mnimas com a opo de distncias do desvio padro freqentemente produz
resultados bem melhores. O classificador por paraleleppedos com a opo de desvios padro (Escores Z)
tambm produz bons resultados e o mais rpido dos classificadores que acabamos de considerar.

Voc pode eliminar os arquivos MAX, RAW, MINSTD, PIPEORIG e PIPEDST.


12. Classificao supervisionada 139

rea urbana Agricultura


(ruas)

Conferas

gua gua
profunda rasa

Decduas

rea urbana Decduas


(aeroporto
desativado)
gua
profunda

Conferas

Figura 5. reas de treinamento para classificao supervisionada

Centro de Recursos Idrisi, Brasil


13. Anlise de componentes principais

Em imagens de satlite comum encontrar-se um elevado grau de correlao entre bandas


multiespectrais. Caso exista correlao, por exemplo, se as reflectncias forem altas em algum local
particular em uma banda, elas tambm tenderiam a ser elevadas em outra. Num caso extremo, se duas
bandas fossem perfeitamente correlacionadas, elas descreveriam a mesma informao. No incomum
encontrar-se em uma imagem com 7 bandas, tal como as do LANDSAT Thematic Mapper, menos do
que 7 bandas de informao verdadeira.

Pergunta-se, portanto, porque apenas algumas bandas possibilitam uma adequada caracterizao de
reflectncias da superfcie da Terra. Para responder a isso, vamos explorar as caractersticas da
informao contida em imagens LANDSAT atravs de anlise de componentes principais.

A anlise de componentes principais (PCA) est relacionada com anlise fatorial e pode ser usada para
transformar um conjunto de bandas de uma imagem em novas bandas (denominadas componentes) no
correlacionadas entre si e ordenadas em termos da proporo da varincia da imagem original que
podem explicar. As componentes so uma abstrao estatstica da variabilidade inerente ao conjunto
original de dados.

Como cada componente produzida por esta correlao no est correlacionada com a outra, cada uma
carrega informao nova. Alm disso, por elas estarem ordenados em termos da quantidade de
informao que carregam, as primeiras componentes tendero a carregar a maior parte da informao
real existente no conjunto de bandas original, enquanto as ltimas componentes iro descrever apenas
varincias menores. Uma aplicao da anlise de componentes principais a compactao de dados --
retendo apenas as primeiras componentes pode-se guardar a maior parte da informao, descartando
uma grande parte dos dados.

Usaremos o conjunto de dados de Howe Hill (H87TM1-7) para estudar a anlise de componentes
principais e as caractersticas da informao contida nos dados LANDSAT TM.

a) Visualize H87TM4 (a banda do infravermelho prximo) com a tabela de cores Tons de cinza
256 e autoescalonamento. Veja tambm cada uma das demais bandas com autoescalonamento e
com a tabela de cores Tons de cinza 256.

1. H alguma outra banda que se parea com a banda 4 (H87TM4)? Qual dela(s)?

b) Execute agora PCA (Anlise de componentes principais) a partir do grupo Transformaes do


menu Anlise/Processamento de imagens. Indique que voc deseja calcular as covarincias

Centro de Recursos Idrisi, Brasil


13. Anlise de componentes principais 131

diretamente, que voc deseja usar sete bandas e quer extrair sete novas componentes. Indique
H87 como o novo prefixo para as imagens de sada. Especifique que voc quer variveis no
padronizadas e a fornea os nomes das sete bandas (H87TM1 a H87TM7).

PCA ir proceder ao clculo das equaes de transformao e criar os arquivos com as novas
componentes, com nomes que variam de H87CMP1 a H87CMP7.

Quando o mdulo PCA tiver concludo o processamento, os resultados iro aparecer na tela
como tabelas de sumrio. Selecione o cone de impresso direita do quadro caso queira ter um
relatrio impresso das tabelas com os resultados.

2. Examine a matriz de correlao. Voc encontra muita correlao entre as bandas? Que
bandas se correlacionam mais com a banda 4? Como isto se compara sua resposta
pergunta 1?

c) Mova agora a barra de rolagem para baixo para examinar a tabela sumrio das componentes
onde os autovalores (eigenvalues) e os autovetores (eigenvectors) para cada componente so
mostrados. O autovalores expressam a quantidade de varincia explicada por cada componente
e os autovetores so as equaes de transformao. Observe que isto foi apresentado como o
percentual da varincia explicada (% var.) medida no topo de cada coluna.

3. Quanto da varincia explicada pelas componentes 1, 2 e 3 separadamente? Quanto


explicado pelas componentes 1 e 2 juntas (some a quantidade explicada por ambas)?
Quanto explicado pelas componentes 1, 2 e 3 juntas?

4. Se voc quisesse de reter apenas as componentes 1, 2 e 3, qual a quantidade de


informao que seria retida? Quanta informao seria descartada? Qual o volume de
dados que seria descartado?

d) Agora desloque-se para baixo na janela dos resultados e examine o contedo da ltima tabela
(LOADING). Os valores referem-se ao grau de correlao entre estas novas componentes (as
colunas) e as bandas originais (as linhas).

5. Que banda tem a maior correlao com a componente 1? uma correlao elevada?

6. Que banda tem a maior correlao com a componente 2?

Se voc no imprimiu as tabelas no feche esta janela porque necessitaremos voltar a ela mais tarde.
Simplesmente minimize-a para deixar espao na tela para a vizualizao de outras imagens.

e) Visualize agora a componente 1 (H87CMP1) com autoescalonamento e com a tabela de cores


Tons de cinza 256. Voc pode usar um fator de expanso menor que o sugerido pelo Lanador
de visualizao reservar espao para arranjar mais de uma imagem na tela. Visualize a seguir
tambm H87TM4 com autoescalonamento e com a tabela de cores Tons de cinza 256. Visualize
tambm H87CMP2 e H87CMP3 com autoescalonamento e com atabela de cores Tons de cinza
256 para ambos. Tente arranjar todas estas imagens na tela ao mesmo tempo, escolhendo as
opes em cascata ou lado a lado no menu Janela. Voc tambm pode moviment-las em torno
da tela clicando sobre a barra superior da janela de cada imagem e arrastando-as.

7. Quo similares parecem ser a componente 1 e a imagem do infravermelho? Quo


similares parecem ser a componente 2 e a imagem do vermelho?

f) Agora examine a componente 7 (H87CMP7) com a opo de autoescalonamento.

8. Quo correlacionada est esta componente com as sete bandas originais (use a tabela
de valores de correlao para determinar isso)? Julgando a partir do que voc v, o que
voc imagina estar contido na componente 7? Quanta informao ser perdida caso

Centro de Recursos Idrisi, Brasil


132 IDRISI for Windows - Exerccios tutoriais introdutrios

voc descarte esta componente?

As relaes que vemos neste exemplo no sero as mesmas em todas as paisagens. Entretanto, isto no
algo incomum. Caso voc tenha que escolher apenas uma banda para trabalhar, freqentemente a banda
do infravermelho prximo (banda 4) carregar a maior quantidade de informao. Depois desta
geralmente a banda do vermelho visvel que carrega a segunda maior proporo de informao.
Entretanto, as bandas do verde visvel (banda 2 TM) e do infravermelho mdio (banda 5 TM) so duas
boas candidatas para uma terceira banda a ser considerada.

Voltando nossa questo original, est claro que trs bandas podem carregar uma grande quantidade de
informao. Adicionalmente, ns tambm podemos ver que as bandas que so usadas na composio
tradicional em falsa cor (verde, vermelho e infravermelho) so muito bem escolhidas - elas nitidamente
carregam a essncia da informao do conjunto completo de dados. Assim, para os propsitos da
classificao no supervisionada que faremos no prximo exerccio, faz sentido usarmos apenas trs
bandas da imagem para fazer nossa classificao de imagem.

Voc pode agora excluir as sete imagens das componentes principais (H87CMP1-7).
14. Classificao no supervisionada

A classificao no supervisionada outra tcnica de classificao de imagem. No mtodo no


supervisionado, os padres de resposta espectral dominantes que ocorrem em uma imagem so extrados
e essas classes de informao so identificadas atravs de confirmao no terreno (verdade de campo).
No IDRISI for Windows, a classificao no supervisionada oferecida atravs dos mdulos
denominados CLUSTER e ISOCLUST. Este exerccio utilizar o mdulo CLUSTER.

CLUSTER usa uma tcnica de seleo pelo pico do histograma. Isto equivale a buscar os picos em um
histograma unidimensional, onde um pico definido como um valor de freqncia maior que a de seus
vizinhos de cada lado. Uma vez que os picos tenham sido identificados, todos valores observados so
associados ao pico mais prximo. Em conseqncia, as divises entre as classes tendem a cair no ponto
mdio entre os picos. Como esta tcnica tem critrios especficos para aquilo que constitui um pico, voc
no necessita fazer uma primeira estimativa (como algumas tcnicas requerem) do nmero de
agrupamentos que uma imagem contm o mdulo determinar isto para voc.

CLUSTER trabalha diretamente com imagens em composio colorida de trs bandas. As imagens com
as quais temos trabalhado at agora mostram apenas a informao de uma banda espectral nica. O
IDRISI for Windows oferece tambm a possibilidade de criar-se uma composio colorida de trs bandas
que permite a combinao dos dados das trs bandas em uma nica imagem de tamanho fsico similar ao
das imagens de entrada. Ns discutiremos as composies em maior detalhe a seguir.

Dessa forma, CLUSTER avalia um histograma tridimensional de trs bandas de imagem representadas
na composio colorida. Qualquer combinao de imagens pode ser utilizada na composio colorida.
Como vimos no exerccio sobre anlise de componentes principais, o infravermelho, o vermelho e o
verde (uma composio colorida tradicional) contm a maior parte da informao um conjunto de dados
completo de 7 bandas espectrais. Por esse motivo, iremos usar estas trs bandas neste exerccio.

a) Execute COMPOSIT a partir do grupo Realce do menu Anlise/Processamento de imagens.


Especifique HOW87TM2 como a banda azul, HOW87TM3 como a banda verde e HOW87TM4
como a banda vermelha (Observe que no usamos a banda 1, a banda do azul visvel, sendo
cada uma das demais deslocada para cima. Devido a isso ela chamada uma composio
colorida em falsa cor). Escolha realce linear com saturao de 2,5% e no omita o zero do
realce. Chame o resultado de TMFC. Seja paciente, pois isto exigir algum tempo para ser
efetuado. O resultado ser visualizado com a tabela de cores Composio colorida 256.

b) Abra as Preferncias de visualizao no menu Visualizao e ligue as opes de Ttulo visvel e


Legenda visvel. Certifique-se tambm de que a opo de Visuaizar automaticamente as sadas

Centro de Recursos Idrisi, Brasil


134 IDRISI for Windows - Exerccios tutoriais introdutrios

dos mdulos analticos est ligada. Execute ento CLUSTER a partir do grupo Classificadores
rgidos do menu Anlise/Processamento de imagens. Especifique TMFC como o nome da
composio colorida e chame a imagem de sada de BROAD. Escolha a opo Grosseiro para o
nvel de generalizao e opte por eliminar os agrupamentos no significativos. D um ttulo
para a imagem. O resultado BROAD ser visualizado com a tabela de cores Qualitativa 256.

Esta uma imagem das classes espectrais muito grosseiras na imagem. Os nveis de generalizao
Grosseiro e fino usam diferentes regras de deciso ao avaliar os picos do histograma de freqncias. Na
generalizao ampla, uma classe deve conter uma freqncia maior que todos os seus vizinhos no
diagonais.

c) Use CLUSTER novamente para criar uma imagem chamada FINE, com TMFC como arquivo
de composio colorida. Desta vez, use o nvel de generalizao Fino e novamente opte por
eliminar os agrupamentos no significativos. O resultado ser visualizado com legenda e com a
tabela de cores Qualitativa 256. Como voc pode ver, a generalizao fina produz um nmero
muito maior de agrupamentos. Desloque-se legenda abaixo ou aumente o tamanho da caixa de
legenda para ver quantos agrupamentos foram identificados.

A classificao fina permite a um vizinho no diagonal possuir freqncia superior. Isto acomoda picos
verdadeiros que de outra forma seriam perdidos porque picos vizinhos, de maior magnitude,
obscureceriam o vale usual entre os picos. Este conceito ilustrado em um espao unidimensional na
Figura 1. Agrupamentos grosseiros so divididos apenas nos vales. Agrupamentos finos so divididos
tanto nos vales quanto nos picos.

F Grosseiro
r
e Fino
q
u

n
c
i
a

Valores de reflectncia
Figura 1

a) Histogramas da imagem nos permitem ver as diferenas na distribuio dos pixels entre as
classes em funo do nvel de generalizao. Execute HISTO a partir do menu Visualizao
para criar os histogramas de BROAD e de FINE. O agrupamento 1 sempre o que possui a
maior freqncia de de pixels. Ele corresponde ao maior tipo de cobertura do solo detectado
durante a classificao. O segundo agrupamento tem um nmero de pixels menor que o
primeiro, e assim por diante.

O problema que ns temos agora como interpretar estes agrupamentos. Se voc conhece a regio, os
agrupamentos grosseiros so geralmente fceis de interpretar. Os agrupamentos finos, entretanto, podem
exigir um cuidado consideravelmente maior na interpretao. Normalmente so necessrios mapas,
fotografias areas e visitas ao terreno para identificar adequadamente estes agrupamentos finos.
Adicionalmente, ns freqentemente teremos necessidade de juntar certos agrupamentos para produzir
nosso mapa final. Por exemplo, ns podemos encontrar um agrupamento representando floresta em uma
encosta sombreada, enquanto outra floresta de igual composio encontra-se em encosta ensolarada.
Para juntar e reatribuir agrupamentos como neste caso, podemos usar ASSIGN.

e) A imagem denominada WORCWEST que utilizamos em um exerccio anterior foi de fato


criada atravs de uma classificao no supervisionada com o nvel de generalizao Fino. Ela
14. Classificao no supervisionada 135

foi ento reagrupada usando-se ASSIGN e depois modificada usando-se trabalho de campo e
reclassificao. Visualize WORCWEST com legenda e com a tabela de cores personalizada
WORCWEST.

Ns iremos repetir o primeiro passo que fizemos e comparar os agrupamentos derivados com os
tipos de cobertura do solo existentes. Para efeito didtico, usaremos o mapa WORCWEST em
vez de trabalho de campo.

f) Use CROSSTAB a partir do menu Anlise/Estatstica para comparar WORCWEST com FINE
e para ver como as categorias em FINE foram reagrupadas e reclassificadas para criar
WORCWEST. Indique WORCWEST como a primeira imagem de entrada e FINE como a
segunda. Especifique uma tabela completa de classificao cruzada como sada e aceite as
demais opes padro. Depois que o resultado for exibido, desloque-se para baixo para
visualizar toda a tabela. Voc tambm pode imprimir a tabela para facilitar o trabalho de
examin-la.

Descubra agora como as 24 categorias em FINE podem ser reagrupadas para corresponder s 14
categorias de WORCWEST. Observe que alguns agrupamentos foram particionados entre duas
categorias de uso do solo. Crie ento um arquivo de valores com EDIT que possibilite um
reagrupamento similar ao mapa de uso do solo. No caso em que agrupamentos so
particionados entre duas categorias, escolha a categoria que abarca o maior nmero de pixels do
agrupamento. Na realidade, esta deciso deve ser feita com base tambm em outras
consideraes, como trabalho de campo adicional. Em particular, evidente que o agrupamento
24 est dividido em duas grandes partes residencial urbano e pedregulhos (gravel).

Use ASSIGN para ver se voc pode criar uma nova imagem chamada REGRP2, que parecida
com WORCWEST. O propsito disso ilustrar o processo de reagrupamento usando ASSIGN.
O resultado ser visualizado com a tabela de cores Qualitativa 256. Mude a tabela de cores de
REGRP2 para WORCWEST, usando o boto Propriedades da Composio. A imagem parece
agora similar ao mapa de uso do solo?

1. Descreva e explique a natureza do reagrupamento que foi necessrio para criar


WORCWEST (p.ex., quais foram os maiores reagrupamentos que voc teve de fazer?)

g). Usando as informaes de WORCWEST interprete a imagem produzida atravs da anlise de


agrupamentos com generalizao grosseira, chamada BROAD. Edite a legenda interativamente
de forma a atribuir os nomes das classes de uso do solo aos agrupamentos. Para fazer isso,
aponte o cursor para a caixa de cores da legenda correspondente categoria em questo e
pressione o boto direito do mouse. Uma caixa de edio da legenda ir aparecer, permitindo a
voc mudar os nomes na legenda e modificar as cores. D ao agrupamento o nome do tipo de
cobertura do solo correspondente e, se quiser, modifique a cor de acordo com a tabela de cores
de WORCWEST.

2. Observe que uma das classes urbanas em WORCWEST est interpretada como floresta
em BROAD. A que classe urbana em WORCWEST ela pertence? Isto lgico?

Centro de Recursos Idrisi, Brasil


15. Georreferenciamento de imagens
usando reamostragem

A reamostragem um procedimento para georreferenciar espacialmente uma imagem sua posio


conhecida no terreno. Esse procedimento usado freqentemente para registrar uma imagem a um
sistema de coordenadas de referncia universalmente reconhecido, como Lat/Long ou Universal
Transversa de Mercator (UTM). Se uma imagem j est georreferenciada, mas necessita ser
transformada a um outro sistema de referncias (e.g., de Lat/Long para UTM), recomenda-se seguir o
mtodo exposto no Exerccio 17 sobre mudana do sistema de referncia com PROJECT. A
reamostragem s deve ser empregada quando uma imagem no est georreferenciada ou quando sua
projeo no conhecida. Para maiores informaes, consulte o captulo Georreferenciamento na seo
TPICOS ESPECIAIS do Manual do usurio do IDRISI for Windows.

Ainda que imagens de satlite e outros dados possam ser comprados pr-georreferenciados, h duas
razes pelas quais voc deve considerar a aquisio de dados no georreferenciados e faz-lo voc
mesmo. Em primeiro lugar, voc pode monitorar e reduzir o erro de posio inevitavelmente introduzido
durante qualquer processo de reamostragem. Uma imagem pr-georreferenciada apresenta um erro de
posio que nem sempre est documentado e que pode ser maior do que aquele que voc mesmo pode
obter fazendo-o.

Em segundo lugar, voc pode escolher o sistema de referncia para o qual a imagem ser transformada.
A reamostragem uma transformao do tipo rubber sheet que estende e deforma uma imagem para
adequ-la a um sistema particular de referncia. Esse processo introduz distoro espacial. Alguns
sistemas de referncia, e as projees a eles associadas, introduzem mais distoro espacial que outros
para a mesma rea. Ao escolher fazer voc mesmo a reamostragem, voc pode optar pelo sistema de
referncia que introduz menos distoro espacial para referenciar seus dados de modo a coincidirem com
o sistema de referncia de outros dados j em uso no seu trabalho.

O procedimento de reamostragem feito da seguinte forma:

1. O usurio identifica as coordenadas X,Y de dois pares de pontos que representam o mesmo lugar, no
antigo e no novo sistema de coordenadas (Figura 1). As coordenadas do novo sistema podem ser obtidas
de um mapa, de uma imagem j georreferenciada, de um arquivo vetorial ou atravs de levantamentos
em campo com instrumentos tradicionais ou com GPS (Global Positioning System Sistema de
Posicionamento Global).

Centro de Recursos Idrisi, Brasil


15. Georreferenciamento de imagens usando reamostragem 137

ANTIGO NOVO

+ +

+ Y +
Y

+ +

X X
Figura 1

2. O usurio cria um arquivo de correspondncia que contm esses pares de coordenadas.

n pontos
Xantigo Yantigo Xnovo Ynovo
Xantigo Yantigo Xnovo Ynovo
...

3. O IDRISI for Windows resolve uma equao que descreve a relao entre os dois sistemas de
coordenadas.

4. Usando essa equao, o IDRISI for Windows converte o arquivo para o novo sistema de referncias
atravs do que denominado uma transformao do tipo rubber sheet.

Neste exerccio, ns iremos georreferenciar uma imagem LANDSAT Thematic Mapper da folha de
Paxton - uma rea a oeste de Howe Hill, no centro de Massachusetts. Ns reamostraremos a imagem,
chamada PAXTON, para o sistema de coordenadas UTM.

a) Visualize a imagem PAXTON com a opo de autoescalonamento e a tabela de cores Tons de


cinza 256. Esta a banda do infravermelho.

Mova o cursor sobre a imagem e observe que as posies de coluna correspondem s


coordenadas X. Esse sistema de referncia foi criado pela atualizao da documentao do
arquivo imagem com coordenadas mnimas X e Y iguais a 0 e coordenadas mximas X e Y
iguais a 512, o nmero exato de linhas e de colunas na imagem. Execute DESCRIBE em
PAXTON para ver o sistema de referncia no arquivo documentao. Feche a caixa de dilogo
de DESCRIBE quando tiver terminado. A razo pela qual esse sistema de referncia arbitrrio
usado ser explicada no final desse exerccio, quando considerarmos o erro de posio
introduzido durante a reamostragem.

1. Por que as posies de linha e a coordenada Y no coincidem?

O primeiro passo no procedimento de reamostragem encontrar pontos que possam ser facilmente
identificveis tanto na imagem como no mapa j georreferenciado. As coordenadas X,Y desses pontos
no mapa georreferenciado sero o "novo" par de coordenadas, enquanto as coordenadas do sistema de
referncias arbitrrio da imagem sero o par de coordenadas "antigas". Locais que oferecem bons pontos
de controle incluem interseces de estradas e de rios, represas, pistas de aeroportos, edifcios
proeminentes, topos de montanhas ou qualquer outra feio fsica perfeitamente identificvel.

b) Visualize o arquivo vetorial PAXROADS usando o arquivo de smbolos padro, mas coloque-o
como um arquivo separado ao lado da imagem PAXTON, no em sobreposio. Esse arquivo
vetorial das principais rodovias foi digitalizado da carta Paxton e distribudo pelo USGS
(United States Geological Survey -- Servio Geolgico dos Estados Unidos) como um arquivo
vetorial de linhas no formato DLG (digital line graph). Esse arquivo digitalizado e uma janela
do mapa original do qual ele foi extrado so mostrados na Figura 3. Enquanto o mapa

Centro de Recursos Idrisi, Brasil


138 IDRISI for Windows - Exerccios tutoriais introdutrios

impresso em papel apresenta georreferenciamento Lat/Long e UTM, PAXROADS foi


digitalizado no sistema UTM, que o sistema de referncia ao qual PAXTON ser reamostrado
neste exerccio.

c) Para orientar na imagem raster PAXTON e o arquivo vetorial PAXROADS um com o outro,
procure interseces de estradas que possam ser encontradas em ambos. Use a Figura 3 para
ajudar voc na orientao. Encontre o local com o nome Kettlebrook Reservoir No. 4 na
fotocpia do mapa impresso em papel e na imagem PAXTON. A seguir identifique a rodovia
imediatamente ao sul do reservatrio em PAXROADS e em PAXTON. Amplie uma janela
nessa rea, se necessrio.

Para ilustrar como os pontos de controle so encontrados, volte novamente a janela para a
imagem inteira e, a seguir, amplie uma janela no canto superior esquerdo da imagem,
aproximadamente desde a coluna 90 e linha 155 at a coluna 155 e linha 255. Olhe para o pixel
que define a interseco das estradas entre os dois reservatrios. Essa interseco corresponde
interseco encontrada na posio X=254150, Y=4692590 em PAXROADS. Note como
difcil determinar a localizao precisa da interseco em PAXTON por causa da resoluo do
pixel. Esse o motivo da reamostragem ser uma tarefa que requer tempo e exatido.

Duas questes so crticas durante essa fase do processo: a obteno de uma boa distribuio dos pontos
de controle e a acurcia de posicionamento. Primeiro, os pontos devem estar distribudos por toda a
imagem, uma vez que a equao que descreve o ajuste espacial entre os dois sistemas de referncia
desenvolvida a partir desses pontos. Se os pontos de controle esto agrupados em alguma rea da
imagem, a equao descrever somente o ajuste espacial dessa pequena rea, e o resto da imagem no
estar acuradamente posicionada durante a transformao para o novo sistema de referncia. Uma boa
sugesto tentar encontrar pontos ao longo da borda da imagem. Se, entretanto, voc est interessado
somente numa parte da imagem, voc pode concentrar todos os pontos nessa rea e ento desprezar o
resto da imagem durante a reamostragem.

Segundo, ao localizar os pontos, voc deve rascunhar um pequeno croqui da rea, atribuir um
identificador posio de cada ponto de controle no croqui e registrar o seu nvel de confiana na
acurcia de posicionamento de cada um dos pontos (p.ex., baixo, mdio, alto). Mais tarde, durante o
processo de reamostragem, ser possvel omitir os pontos que apresentem um alto erro de
posisionamento na equao. A fim de manter uma boa distribuio de pontos e alta confiana nos pontos
de controle remanescentes, ser importante lembrar as suas posies na imagem e sua acurcia de
posicionamento relativa.

d) Desfaa novamente a ampliao da imagem para voltar janela da imagem completa de


PAXTON e ento, usando a Composio, adicione um plano vetorial chamado PAXPNTS com
o arquivo de smbolos personalizado chamado PAXPNTS. Os 20 pontos vermelhos que
aparecem so os pontos de controle que j foram encontrados e gravados em um arquivo de
correspondncia. Os dois crculos azuis so as posies relativas onde voc poder encontrar
mais dois pontos de controle. Adicione outro plano chamado PAXTXT com o arquivo de
smbolos personalizado chamado PAXTXT. Esses so os identificadores dos pontos de controle
com indicao de sua curcia de posicionamento relativa.

As novas coordenadas dos pontos de controle foram tomadas do mapa impresso em papel usando uma
mesa digitalizadora e um software de digitalizao. O uso da mesa digitalizadora garante a coleta de
coordenadas de posio precisas. As coordenadas antigas dos mesmos pontos de controle so
encontradas com o cursor na imagem PAXTON.

Muitas dessas coordenadas novas dos pontos de controle podem tambm ser obtidas no arquivo
vetorial PAXROADS, que foi digitalizado a partir do mapa em papel. isso que voc far para
encontrar a localizao das novas coordenadas dos pontos de controle 21 e 22.

e) Encontre as interseces das rodovias que serviro como os pontos de controle 21 e 22 no


arquivo vetorial PAXROADS olhando na Figura 3. Amplie uma janela bem prxima da
15. Georreferenciamento de imagens usando reamostragem 139

interseco da rodovia do ponto 21 no arquivo vetorial. Essas mesmas inteserces esto


marcadas com os crculos azuis e os identificadores #21 e #22 em PAXTON. Amplie uma
janela muito prxima da interseco da rodovia do ponto de controle 21 na imagem PAXTON.
Copie as coordenadas X e Y novas e antigas dessa interseco do arquivo vetorial (novas)
e da imagem (antigas). Repita o mesmo procedimento no ponto de controle 22.

O ponto 21 um tanto especial. Note que na imagem PAXTON, a rodovia que desce desde o
norte parece cruzar a rodovia principal e seguir ao longo do Kettlebrook Reservoir N 4, antes
de terminar. Na Figura 3, entretanto, ns vemos que a rodovia que desce desde o norte est, de
fato, mais para a direita que a rodovia que segue para sul ao longo do reservatrio.

2. Quais so as coordenadas X e Y novas e antigas dos pontos de controle 21 e 22?

O segundo passo no processo de reamostragem gravar as coordenadas dos pontos de controle no


arquivo de correspondncia.

f) Execute EDIT e indique que voc quer editar um arquivo de correspondncia chamado
PAXCOR. A primeira linha no arquivo de correspondncia especifica o nmero de pontos ou
pares de coordenadas no arquivo. Logo abaixo os pontos so listados na ordem seqencial.

g) Para adicionar seus dois novos pontos de controle ao arquivo, comece modificando a primeira
linha de modo a atualizar para o novo nmero de pontos de controle: 22. V, ento, ao final do
arquivo e adicione o novo conjunto de coordenadas. As duas colunas da esquerda so as
coordenadas X,Y antigas da imagem de satlite e as da direita so as novas coordenadas do
arquivo vetorial. Aps finalizar, salve o arquivo e saia.

Agora estamos prontos para comear o terceiro passo que ser calcular a equao de melhor ajuste entre
os dois sistemas de referncia.

h) Execute RESAMPLE a partir do menu Reformatao e indique o arquivo PAXTON como o


arquivo de entrada a ser reamostrado, PAXRESAM como arquivo de sada e PAXCOR como o
arquivo de correspondncia. Ento selecione o arquivo de parmetros de sistema de referncia
US27TM19.

US27TM19 o nome do arquivo com os parmetros do sistema de referncia que corresponde Projeo
Universal Tranversa de Mercator na Zona 19 (que cobre o centro de Massachusetts), baseada no Datum
NAD27. Essa informao foi encontrada na carta Paxton do USGS. Uma discusso mais completa dos
arquivos de parmetros de sistema referncia feita no Exerccio 17, sobre mudana do sistema de
referncia com PROJECT, assim como no captulo Georreferenciamento do Manual do usurio do
IDRISI for Windows.

i) Mantenha os valores padro para as unidades de referncia, unidades de distncia e para o


valor de fundo.

Um valor de fundo necessrio porque, aps ajustarmos a imagem a uma projeo, a forma atual sofrer
uma rotao. Nesse caso, algum valor necessita ser colocado como valor de fundo para preencher a grade
no exterior da nova imagem. O valor zero a escolha mais comum. Isso ilustrado na Figura 2.

Centro de Recursos Idrisi, Brasil


140 IDRISI for Windows - Exerccios tutoriais introdutrios

nova orientao
da imagem

RESAMPLE

orientao antiga
da imagem zeros de fundo
necessitam ser
preenchidos na grade

Figura 2

j) Indique os seguintes X e Y mnimos e mximos:

Min X = 253000
Max X = 262000
Min Y = 4682000
Max Y = 4695000

Esse o retngulo que delimita o novo arquivo que ser criado. Qualquer retngulo de delimitao pode
ser indicado e comum selecionar-se uma janela de estudo menor do auq a imagem inteira durante esse
processo.

O prximo conjunto de parmetros a determinar o nmero de colunas e linhas da imagem de sada. O


nmero de colunas do novo arquivo calculado pela seguinte equao:

MaxX-MinX
n de colunas =
Resoluo

PAXTON uma imagem LANDSAT TM que possui uma resoluo de 30 metros. Essa a resoluo
que ns desejamos manter na imagem de sada. A equao , portanto:

262000 - 253000
n de colunas = = 300
30

3. Qual a equao para a determinar o nmero de linhas?

k) Indique 300 colunas e 433 linhas e escolha uma reamostragem do tipo bilinear.

O processo de reamostragem como o posicionamento da nova imagem na sua correta orientao sobre
a imagem antiga. Os valores so estimados para cada nova clula pela busca da clula correspondente na
imagem antiga. Duas lgicas bsicas podem ser usadas para a estimativa. Na primeira delas, a clula
antiga mais prxima (com base na posio do centro da clula) escolhida para determinar o valor da
nova clula. Esse o chamado critrio do vizinho mais prximo. Na outra, a mdia ponderada pela
distncia das quatro clulas antigas mais prximas utilizada atribuda como o valor da nova clula.
Essa tcnica chamada interpolao bilinear. A reamostragem com o vizinho mais prximo deve ser
usada quando os valores do dado no podem ser alterados, por exemplo, com dados de classes ou dados
qualitativos como tipos de solos. A rotina bilinear apropriada para dados quantitativos como imagens
de sensoriamento remoto.

l) Finalmente, escolha a funo de mapeamento linear e pressione OK.


15. Georreferenciamento de imagens usando reamostragem 141

A funo de mapeamento usada depende da deformao necessria para transformar a imagem original
na nova imagem georreferenciada. Voc deve escolher a funo de ordem mais baixa que produza um
resultado aceitvel. Um nmero mnimo de pontos de controle requerido para cada funo de
mapeamento (trs para linear, seis para quadrtica e dez para cbica), mas o nmero de pontos usados
para esta reamostragem (22) reflete bem a quantidade que deveria ser encontrada para uma rea
superficial como a de PAXTON com a funo de mapeamento linear.

Voc est agora diante do erro mdio quadrado (RMS) total e do erro residual individual de cada ponto
de controle. Cada ponto mostrado individualmente e numerado de acordo com a ordem em que aparece
no arquivo de correspondncia. Esses resduos expressam quanto cada ponto de controle se desvia da
equao de melhor ajuste. Novamente, a equao de melhor ajuste descreve a relao entre o sistema de
referncia arbitrrio da imagem e o novo sistema de referncia ao qual ela est sendo reamostrada, e essa
relao calculada a partir dos pontos de controle. Um ponto com resduo alto sugere que as
coordenadas do ponto foram mal escolhidas no sistema antigo, no sistema novo ou em ambos.

O RMS total descreve o erro de posicionamento caracterstico de todos os pontos de controle em relao
equao. Ele descreve a probabilidade com a qual uma posio mapeada poder variar da sua
localizao verdadeira. De acordo com os padres de acurcia dos mapas dos Estados Unidos, o RMS
para imagens deve ser menor que da resoluo da imagem de entrada. Neste caso, deve-se esperar que
o RMS seja menor que 15. O RMS expresso, portanto, nas unidades do sistema de referncia de
entrada. Aqui, ns necessitamos rever como foi escolhido o sistema de referncias "arbitrrio" de
PAXTON.

O sistema de coordenadas X,Y de PAXTON coincide com o nmero de linhas e colunas da imagem. Isso
significa que uma unidade no sistema de referncia igual extenso de um pixel. Em outras palavras,
movendo uma unidade na direo X voc move um pixel. Entretanto, 0,5 unidades no sistema de
referncia igual a extenso de pixel. O objetivo, portanto, reduzir o RMS a menos de 0,5.

m) Desloque-se para baixo na tabela para visualizar os erros residuais de todos os pontos de
controle.

Voc notar que alguns pontos tm altos resduos em comparao com outros. Isso no inesperado nem
incomum. Como vimos anteriormente, nem sempre fcil saber que pixel escolher como ponto de
controle, ou se devemos usar o centro da clula ou uma de suas bordas. Felizmente, podemos omitir
pontos ruins do arquivo e calcular uma nova equao facilmente. Antes de omitir pontos, entretanto, ns
devemos lembrar duas questes importantes mencionadas anteriormente: a manuteno de uma boa
distribuio dos pontos e a reteno daqueles pontos em que voc tem maior confiana. Pontos com um
alto RMS tendem a terem pouco valor, mas nem sempre assim. Alguns poucos pontos ruins em uma
parte da imagem podem forar a equao e fazer um bom ponto parecer ruim. Nesse momento voc
deve consultar o seu croqui e o nvel de confiana anotado em cada ponto. Voc pode escolher remover
primeiro os pontos mais questionveis ou, alternativamente, reexaminar suas coordenadas X,Y de
posio e recomear o processo de reamostragem. Ns faremos consideraes sobre cada uma dessas
questes medida que procedermos com a reamostragem.

n) Avalie os erros residuais dos pontos de controle 21 e 22. Se eles so maiores que 0,46 e 0,92,
respectivamente, voc precisar recalcular a sua localizao; eles esto em posies importantes
na imagem. Dois pontos prximos ao ponto 21 so considerados de baixa confiana, de forma
que so necessrios mais pontos com alta confiana na rea. Cancele o processo de
reamostragem, encontre coordenadas melhores, use EDIT para atualizar o arquivo de
correspondncia e ento recomece a partir do passo i deste exerccio. Localize voc mesmo os
pontos ou, para ganhar tempo, indique as seguintes coordenadas:

21 348 185 259666.5 4687351.0


22 391.5 88 260295.8 4684403.0

o) Com as coordenadas atualizadas dos pontos 21 e 22, o seu RMS total para os 22 pontos de

Centro de Recursos Idrisi, Brasil


142 IDRISI for Windows - Exerccios tutoriais introdutrios

controle deve estar por volta de 0,85. Com relao aos outros, o ponto 7 alto e, por ele estar
muito prximo a outros dois pontos e ter uma baixa confiana, ns o omitiremos. Selecione o
ponto 7 na caixa central, escolha omitir o ponto e recalcule a equao. Note que os resduos de
todos os pontos, assim como o RMS total, mudam. Uma nova equao foi calculada com os 21
pontos remanescentes.

p) Agora, omita os pontos 18, 20 e 14. Todos esses pontos so de baixa confiana e no esto
espacialmente isolados. Recalcule a equao. O RMS total ainda maior que desejamos. O
ponto de controle com o prximo resduo mais alto provavelmente o ponto 22 (dependendo
das coordenadas que voc usou). Ele foi bastante difcil de localizar na imagem e no est
espacialmente isolado, ento omita este ponto tambm. O ponto 9 tambm tem resduo elevado
e de baixa confiana. Como temos os pontos 8 e 13 prximos ao ponto 9, ambos com nvel de
confiana bom, vamos omitir o ponto 9 e recalcular o RMS.

4. Qual o erro RMS?

Embora o resultado esteja um pouco mais alto que o padro de acurcia de mapas dos Estados Unidos,
est bastante prximo. Alm disso, o ponto com o prximo resduo mais alto, o ponto 1, tem uma
posio relativamente isolada e importante na imagem. Ele foi considerado bom com relao ao nvel de
confiana na determinao das coordenadas de posio. No ser vantajoso omitir esse ponto.
Continuaremos com o processo de reamostragem com este conjunto de pontos de controle.

q) Pressione OK para continuar o processo de reamostragem.

O computador est executando o quarto e ltimo passo do processo de reamostragem. A imagem inteira
est sendo transformada para o novo sistema de referncia de acordo com a equao.

r) Quando a reamostragem estiver completa, a equao atual ser mostrada, junto com as
coordenadas dos pontos de controle e os resduos individuais. Voc pode imprimir esse arquivo
de texto selecionando o cone de impresso.

s) Visualize a nova imagem PAXRESAM com a tabela de cores Tons de cinza 256 e com
autoescalonamento. Use a Composio para sobrepor o plano vetorial PAXROADS com o
arquivo de smbolos padro e examine o grau com que as informaes vetoriais e raster
coincidem.

t) Visualize a imagem original PAXTON e note o giro no sentido horrio que ocorreu durante a
reamostragem. Essa transformao espacial mais evidente quando olhamos os lagos no lado
direito da imagem. Eles apresentam uma orientao muito mais vertical na nova imagem do
que tinham na imagem original.
15. Georreferenciamento de imagens usando reamostragem 143

ponto de controle 21

ponto de controle 22

Digital Line Graph (DLG)


Quadrngulo de PAXTON
Massachussets - Worcester, Co.
United States Department of the
Interior Geological Survey
7.5 Minutes Series
1965

Figura 3

Centro de Recursos Idrisi, Brasil


16. Bases de dados cartogrficos
digitais

Como a entrada de dados uma das tarefas que mais consome tempo quando se trabalha com SIG, as
agncias nacionais de cartografia em vrios pases esto agora desenvolvendo bases de dados
cartogrficos digitais que podem fornecer planos de dados importantes com baixo custo. Neste exerccio
estudaremos dois tipos de dados disponibilizados pelo Servio Geolgico dos Estados Unidos (United
States Geological Survey -- USGS) e os procedimentos disponveis para incorpor-los no IDRISI for
Windows.

Os dois formatos que estudaremos so arquivos de dados DLG (Digital Line Graph) e DEM (Digital
Elevation Model). Arquivos DLG contm a informao planimtrica normalmente encontrada nos
mapas topogrficos do USGS, e esto disponveis em formato vetorial nas escalas 1:24.000, 1:250.000 e
1:2.000.000. Os arquivos DEM contm informao hipsomtrica (elevao) nas escalas 1:24.000 ou
1:250.000 e esto em formato raster. Tanto os arquivos DLG Formato Opcional Nvel 3 1:24.000 quanto
os arquivos DEM 1:24.000 so orientados no sistema de coordenadas UTM e esto formatados para
proporcionar dados contidos nos limites definidos pelas folhas padro de uma grade de 7,5 minutos
(1:24.000).

Os dados com os quais trabalharemos neste exerccio so os da folha 1:24.000 de Black Earth,
Wisconsin. Eles incluem dois dos planos DLG e o DEM correspondente. Os planos DLG consistem nos
arquivos de dados da hidrografia (BE_HYD:DLG) e das rodovias (BE_RD.DLG). O arquivo DEM
denominado BLKEAR.DEM.

Primeiro importaremos os elementos selecionados dos arquivos DLG. O USGS separa dados DLG em
vrios arquivos, cada um com uma informao especfica. Por exemplo, as informaes de estradas e
trilhas esto em um arquivo enquanto a informao sobre a hidrografia est em outro. Ferrovias, linhas
de transmisso e hipsografia (curvas de nvel) so outros planos que tambm esto disponveis. Em cada
arquivo, os elementos so ordenados por tipo - n (ponto), linha ou rea (polgono) - aos quais so
atribudos cdigos numricos correspondentes aos valores de um dicionrio de atributos padro do
USGS. Em cada DLG do USGS, por exemplo, um cdigo principal igual a 180 indica uma feio de
ferrovia e um cdigo secundrio de 201 e 208 indica respectivamente trechos ferrovirios e derivaes
ferrovirias. Um livreto detalhado deste esquema de cdigos, assim como um guia para o usurio dos
produtos DEM e DLG esto disponveis no USGS.

Centro de Recursos Idrisi, Brasil


16. Bases de dados cartogrficos digitais 145

Ns extrairemos do arquivo DLG de rodovias os elementos denominados como rodovias (routes),


estradas (roads) e ruas (streets). Extrairemos tambm informao acerca dos rios (streams), banhados
(marshes), lagos (lakes) e audes (ponds) do plano de hidrografia.

a) Escolha a opo Importao/Exportao do menu Arquivo e execute o mdulo DLG a


partir do menu Importar/Formato do Governo dos EUA/Agncias do mdulo de
importao e exportao. Este programa l e converte especificamente dados no
formato opcional Digital Line Graph (DLG) do USGS para o formato vetorial do
IDRISI for Windows39.

A primeira feio que extrairemos so as rodovias (routes), estradas (roads) e ruas (streets).
Especifique BE_RD como o nome do arquivo DLG a ser usado. O mdulo ir ler a informao
do cabealho do arquivo DLG e preencher automaticamente as coordenadas da janela a extrair,
as coordenadas do arquivo resultante e o sistema de referncia. Os valores padro das
coordenadas so especificados de forma que as feies do retngulo inteiro sejam extradas e
mantenham suas coordenadas originais. Isto exatamente o que queremos neste caso, de forma
que manteremos os valores padro como eles so sugeridos.

O sistema de referncia US27TM16 mostrado porque havia informao suficiente no


cabealho do arquivo DLG sobre o datum e o nmero da zona UTM para que o sistema
selecionasse um arquivo de parmetros do sistema de referncia especfico. Caso tal informao
no estivesse presente, o sistema de referncia padro "plano" teria sido introduzido40.

b) Estaremos extraindo elementos de linha, escolha portanto Linhas para o tipo de dado e entre
ROADS como nome do arquivo de sada. Se j soubssemos os cdigos numricos dos
elementos que desejamos extrair, poderamos indic-los agora na caixa de dilogo. Em vrios
aspectos, o procedimento de extrao de feies DLG assemelha-se a RECLASS, onde novos
identificadores so atribudos para um cdigo ou para um intervalo de cdigos de atributo DLG.

Como no sabemos os cdigos das rodovias (routes), estradas (roads) e ruas (streets), escolha
Escanear dados (na caixa de dilogo no canto inferior direito) para visualizar a lista dos tipos de
elementos de linha no arquivo DLG. Voc pode deslocar-se para a frente ou para trs ao longo
da lista pressionando as setas. Observe como o mdulo DLG lista os cdigos principais e os
cdigos secundrios associados a cada feio. As descries correspondentes so lidas no
dicionrio de atributos DLG que acompanha o IDRISI for Windows.

1. Qual o cdigo principal para rodovias (routes), estradas (roads) e ruas (streets)?

c) Queremos extrair somente as rodovias (routes), estradas (roads), ruas (streets) e feies de
reviso fotogrfica (photorevised features). Escolha cada linha que representa um destes tipos
clicando na caixa correspondente. No escolha quaisquer smbolo alfanumricos, nmeros ou
feies coincidentes. Voc deve escolher cinco tens.

Pressione OK para sair da listagem e retorne caixa de dilogo principal. Quando escolhemos
combinaes especficas de cdigos principais e secundrios, seus valores individuais foram
automaticamente transferidos para a rea Feies a extrair da caixa de dilogo. Pressione a seta
esquerda para ver os valores que foram indicados. Por definio, o novo identificador (ID) introduzido
idntico ao cdigo secundrio original. Neste caso, ao invs de manter os valores do cdigo secundrio,
mude os novos valores de ID para os seguintes (chame novamente a lista de cdigos caso voc no
lembre dos cdigos correspondentes a cada elemento):

39
Deve tambm ser observado que o formato DLG se tornou um padro para intercmbio de dados entre sistemas, de forma que o
mdulo DLG tambm pode ser usado para importar dados de outros software (Arc/Info, p. ex.) alm de importar dados do USGS.
40
Para maiores informaes sobre arquivos de parmetros de sistema de referncia, datums e outras questes, veja o captulo
Georreferenciamento no Manual do usurio do IDRISI for Windows.

Centro de Recursos Idrisi, Brasil


146 IDRISI for Windows - Exerccios tutoriais introdutrios

Feio Novo ID
Rodovia principal (Primary Route) 1
Rodovia secundria (Secondary Route) 2
Estrada ou rua classe 3 (Road or Street Class 3) 3
Estrada ou rua classe 4 (Road or Street Class 4) 4
Fotorevisado (Photorevised) 5

Agora estamos prontos para extrair as feies escolhidas um arquivo vetorial do IDRISI for Windows
chamado ROADS. Para fazer isso, pressione OK.

d) Quando o processo tiver terminado, o arquivo ser automaticamente visualizado (desde que
voc tenha ligado a visualizao automtica nas Preferncias de visuzlizao) e o utilitrio de
Importao/Exportao ser minimizado. Para a diferenciar os tipos de estrada na visualizao,
abra a Oficina de smbolos a partir do menu Visualizao. No menu Arquivo da Oficina de
smbolos escolha criar um novo arquivo de smbolos para linhas chamado ROADS. Crie tipos
de smbolos apropriados com valores de 1 a 5 e salve o arquivo. Feche a seguir a Oficina de
smbolos, pressione o boto Propriedades da Composio e selecione o novo arquivo de
smbolos ROADS. Estas so as feies de rodovias, estradas e ruas que esto impressos na
quadrcula 1:24.000 do USGS da folha de Black Earth, Wisconsin.

e) Agora maximize o utilitrio de Importao/Exportao e siga o mesmo procedimento com


BE_HYD para extrair os cursos dgua (streams), banhados (marshes), lagos (lakes) e
reservatrios (ponds). Extraia os rios como linhas em um arquivo chamado STREAMS e d a
todas as linhas um novo ID igual a 1.

2. Quais so os cdigos principais e secundrios dos cursos dgua?

f) Extraia banhados (marshes) lagos (lakes) e audes (ponds) como elementos de rea em um
arquivo vetorial em separado chamado WATERBOD, dando o novo ID 1 para banhados e o
novo ID a 2 para lagos e audes. (So necessrios arquivos separados para cursos dgua e
corpos dgua j que linhas e polgonos (rea) so tipos de objetos que no podem ser
registrados no mesmo arquivo vetorial do IDRISI for Windows).

g) Crie novos arquivos de smbolos para STREAMS e WATERBOD, visualizando-os a seguir


juntamente com ROADS em uma mesma composio.

Ns completamos agora a poro de importao DLG deste exerccio. Nossa prxima tarefa importar o
arquivo raster DEM.

h) Execute o mdulo DEMIDRIS do mdulo de Importao/Exportao a partir do menu


Arquivo/Importar/Formato do Governo dos EUA/Agncias. Este mdulo l e importa
especificamente dados do modelo digital de elevao do USGS para o formato imagem do
IDRISI for Windows.

Especifique que voc quer converter um arquivo denominado BLKEAR.DEM ( necessrio


especificar sua extenso) e indique DEM como o nome da imagem de sada.

i) Esse processo pode levar alguns minutos, dependendo da velocidade do processador de seu
computador. Quando a converso estiver concluda, a imagem DEM ser automaticamente
visualizada. Feche o utilitrio de Importao/Exportao (neste momento ele est minimizado).

3. Por que h reas em preto contornando as bordas do DEM e por que elas tm esta forma
peculiar?

4. Por que apenas a poro superior da tabela de cores usada na visualizao (Sugesto:
qual o valor mnimo na imagem? Qual a elevao mnima?)?
16. Bases de dados cartogrficos digitais 147

j) Para produzir uma visualizao melhor do DEM, podemos aplicar um ralce. Execute
STRETCH a partir do menu Visualizao e selecione realce Linear. Especifique DEM como
imagem a ser realada e DEMC como nome da imagem de sada. Escolha excluir os zeros, pois
neste caso eles no representam um valor de altitude e sim um valor de fundo. Realce para 256
nveis e atribua um valor igual a 1 para o menor valor que no o de fundo. Isto nos permitir
distinguir o fundo da menor altitude. O valor mais alto ser 255.

k) Visualize DEMC com a tabela de cores Idrisi 256. Agora estamos usando toda a tabela de cores.
O nico problema restante a dificuldade que temos em distinguir o fundo, que est sendo
mostrado com cor zero, das menores altitudes na imagem, mostradas com cor um.

Para remediar isto, execute Oficina de tabelas de cores e abra a tabela de cores IDRIS256,
recuperando-a da biblioteca permanente. Selecione a cor nmero zero, alterando-a para branco.
Use Salvar como... para salvar a nova tabela de cores no diretrio de trabalho com o nome de
BLKEARTH. Feche a Oficina de tabelas de cores. Agora pressione o boto Propriedades na
janela da Composio e modifique a tabela de cores para BLKEARTH. Pressione OK.

l) Vamos agora criar uma visualizao especial que ilustra ambos, os dados DEM e DLG juntos.
Adicione os arquivos STREAMS visualizao de DEMC. Quando aparecer o sinal de ateno,
alertando que o sistema de referncia dos dois dados no o mesmo, escolha por adicionar o
plano mesmo assim. Examine a visualizao bem de perto?

5. Voc percebe algo peculiar nesta composio de mapa?

evidente que h algo errado aqui - a no ser que os cursos dgua em Wisconsin realmente fluam ao
longo das encostas dos vales! O que voc est vendo a diferena na definio da posio dos elementos
entre dois sistemas de referncia diferentes. para isso exatamente que o Lanador de visualizao
estava alertando. Ambos os dados DLG e DEM so georreferenciados ao sistema UTM, mas os arquivos
DLG so baseados no datum North American 1927 (NAD 27) enquanto os arquivos DEM esto
baseados no datum North American 1983 (NAD 83). Veja que diferena o datum pode fazer!

Esta diferena bem visvel nesta figura porque ns acrescentamos o arquivo de cursos dgua. Caso
tivssemos acrescentado o arquivo de rodovias, a discrepncia no seria to bvia. Como estas
incompatibilidades nem sempre so bvias, essencial que toda informao sobre o sistema de
referncia sempre seja determinada para qualquer plano de informao a incorporar na sua base de
dados. Caso voc esteja digitalizando seus prprios planos, esta informao geralmente impressa
diretamente nos mapas em papel. Se voc estiver recebendo dados digitais de uma fonte como o USGS, a
informao freqentemente includa em um cabealho, em um arquivo de acompanhamento ou em
documento em papel. Caso voc adquira e use dados sem tal documentao, bom estar ciente das
conseqncias.

De modo a combinar adequadamente os dados DLG e DEM que importamos, todos os planos necessitam
estar num mesmo sistema de referncia. No prximo exerccio usaremos o mdulo PROJECT para
transformar o datum dos planos DLG de NAD27 para NAD83 para faz-los coincidir com os de DEM.

Salve todos os arquivos que criamos neste exerccio. Voc os usar no prximo.

Centro de Recursos Idrisi, Brasil


17. Alterao do sistema de referncia
com PROJECT

No exerccio anterior importamos dados DLG e DEM do USGS para o formato do IDRISI for Windows.
Notamos ento que os arquivos DLG possuam datum diferente do arquivo DEM. Neste exerccio,
usaremos o mdulo PROJECT para modificar o datum dos arquivos DLG para ajust-los ao DEM.

O mdulo PROJECT tem este nome porque a sua funo alterar a projeo de uma imagem ou arquivo
vetorial. Entretanto, ele mais especificamente um mdulo de transformao entre sistemas de
referncia. Um sistema de referncia consiste de:

- um datum que define a forma da Terra (atravs de um elipside de referncia) e o ajuste


especfico deste elipside forma real irregular da Terra (geralmente definido por um conjunto
de trs constantes conhecidas como constantes de Molodensky).

- uma projeo, consistindo do seu nome e todos os parmetros necessrios para ajustar esta
projeo ao datum.

- um sistema de grade, consistindo de uma origem real e uma falsa origem de onde a numerao
inicia, alm das unidades de medida especficas.

PROJECT capaz de transformar arquivos imagem e vetoriais sempre que qualquer um destes
parmetros for modificado. Assim, se desejamos apenas alterar o datum, mantendo a mesma projeo,
ns usamos o mdulo PROJECT.

a) Execute PROJECT a partir do menu Reformatao. Escolha o tipo de arquivo vetorial e


especifique STREAMS como arquivo de entrada. O sistema de referncia para STREAMS
US27TM16. D STREAM83 como arquivo de sada e US83TM16 como arquivo de referncia
para o resultado.

b) Visualize STREAM83 com o arquivo de smbolos STREAMS que voc criou no exerccio
anterior. Adicione ento o plano STREAMS com o arquivo de smbolos padro. Quando o
Lanador de visualizao alerta para o fato dos sistemas de referncia no coincidirem, opte por
adicionar o plano assim mesmo. A diferena causada pela alterao de datum de NAD27 para
NAD83 nesta regio bastante grande, particularmente na direo norte-sul.

Centro de Recursos Idrisi, Brasil


17. Alterao do sistema de referncia com PROJECT 149

c) Agora use PROJECT com os outros arquivos vetoriais, ROADS e WATERBOD, transformando
o sistema de referncia de US27TM16 para US83TM16. Visualize DEMC com a tabela de
cores BLKEARTH e coloque sobre ela os arquivos vetoriais recm convertidos com seus
arquivos de smbolos correspondentes.

Nos Estados Unidos, o sistema de referncia Universal Transverso de Mercator (UTM) usado no
mapeamento topogrfico. Suas caractersticas de erro no servem para as necessidades de planejamento
dos governos locais. Neste contexto, o erro no deveria exceder 1:10.000 (1 parte em 10.000) e o sistema
UTM, com zonas de 6 graus, tem um erro em seu centro que pode ser de at 1:25.000. Assim ele no
usado para os propsitos de engenharia pelos governos locais. Nos Estados Unidos tem sido adotado um
sistema de coordenadas planas estadual -- State Plane Coordinate System (SPCS), tendo cada estado o
seu sistema particular. Ele baseado na projeo Transversa de Mercator (no confundir com UTM) ou
na Cnica Conforme de Lambert. Na maioria dos estados so necessrias vrias zonas para que se tenha
um erro abaixo do limite de 1:10.000.

O conjunto de dados de Black Earth com o qual estamos trabalhando cai no sistema Wisconsin State
Plane 1983 South Zone (de acordo com uma folha topogrfica recente). Arquivos REF foram fornecidos
em separado para todas as zonas SPC, para o datum NAD27 e o datum NAD83, como explicado em
detalhe no Apndice 3: Arquivos de parmetros de sistema de referncia fornecidos. O que
necessitamos para a nossa rea o SPC83W13. Vamos converter ento nossos arquivos de dados ao
sistema State Plane.

d) Execute PROJECT e indique que voc quer transformar o arquivo de entrada denominado DEM
(o qual usa o sistema de referncia US83TM16) para produzir um arquivo de sada denominado
SPCDEM usando o sistema de referncia SPC83WI3. Observe que existem alguns parmetros
adicionais nesta caixa de dilogo comparada quela da ltima vez em que rodamos PROJECT,
porque desta vez estamos projetando um arquivo imagem. H referncia ao valor de fundo e ao
tipo de reamostragem a usar. Essas questes so idnticas s encontradas em RESAMPLE no
Exerccio 15, e por uma boa razo. O processo de projeo de um arquivo imagem
essencialmente idntico ao processo usado por RESAMPLE - apenas as frmulas usadas para as
transformaes geomtricas so diferentes.

Voc pode usar o valor padro zero para o fundo. O tipo de reamostragem deve ser por Vizinho
mais prximo para dados qualitativos e Bilinear para dados quantitativos. Entretanto, o
processo Bilinear um pouco lento e, caso voc queira escolher a rotina mais rpida selecione
Vizinho mais prximo, j que estamos realizando este processo apenas com propsitos
ilustrativos e didticos41. Pressione Continuar...

PROJECT perguntar ento o nmero de colunas e de linhas e as coordenadas mnimas e


mximas de X e Y para a rea a ser projetada. Voc poder usar as opes sugeridas j que
queremos no resultado a mesma rea, com a resoluo espacial inerente.

Quando PROJECT tiver terminado, visualize o resultado com autoescalonamento.

e) Para confirmar se nossa transformao funcionou, execute PROJECT novamente e transforme o


arquivo vetorial denominado STREAM83 para o sistema de referncia SPC83WI3 (voc pode
denominar o resultado de SPCSTRM). Adicione ento este resultado como outro plano na
Visualizao de SPCDEM (Voc pode transformar tambm os outros arquivos vetoriais se
desejar).

Aqui vemos ento nossos arquivos no sistema State Plane. Desta vez, embora no tenhamos mudado o
datum, ns alteramos tanto a projeo (de Transversa de Mercator para Cnica Conforme de Lambert)
quanto o sistema de grade (j que eles tem origens falsas e verdadeiras diferentes).

41
Atualmente, no h uma grande diferena entre as duas opes quando o dado quantitativo e a resoluo no for significativamente
alterada. A opo Bilinear produz uma superfcie mais suavizada, mas altera os valores dos seus nveis originais. O Vizinho mais
prximo no altera qualquer valor, mas produz um resultado menos contnuo.

Centro de Recursos Idrisi, Brasil


150 IDRISI for Windows - Exerccios tutoriais introdutrios

O IDRISI for Windows oferece mais de 400 arquivos de sistema de referncia. Entretanto, existem
possibilidades quase infinitas e perfeitamente possvel que o sistema que voc necessita para seu
trabalho no esteja disponvel nesta lista. Neste caso, a melhor forma de proceder copiar um arquivo
existente que possua projeo similar que voc deseja e usar EDIT para atualizar esta cpia com os
parmetros corretos. Os detalhes sobre estes parmetros podem ser encontrados no captulo
Georreferenciamento do Manual do usurio do IDRISI for Windows.

Antes de terminar este exerccio, vale a pena observar aqui a diferena entre PROJECT e RESAMPLE
(que ns usamos no Exerccio 15). Eles so similares em alguns aspectos mas muito diferentes em
outros. RESAMPLE um meio para transformar um sistema de referncia desconhecido (e
possivelmente irregular) para um conhecido. PROJECT, por outro lado, transforma de um sistema
conhecido para outro tambm conhecido. Adicionalmente, PROJECT usa frmulas especficas para suas
transformaes enquanto RESAMPLE usa uma equao de melhor ajuste baseada em um conjunto de
pontos de controle.
EXERCCIOS TUTORIAIS AVANADOS

Os exerccios nesta seo oferecem a oportunidade de explorao de uma variedade de tpicos avanados
em Sistemas de Informao Geogrfica e Processamento de imagens. Os exerccios esto agrupados da
seguinte forma:

Classificao de dados de sensoriamento remoto


1. Teorema de Bayes e classificao por mxima verossimilhana
2. Desenvolvimento de assinaturas fuzzy
3. Classificadores relativos I: BAYCLASS
4. Discretizadores
5. Classificadores relativos II: BELCLASS
6. Dempster-Shafer modificado

ndices de vegetao
7. Sensoriamento remoto em ambientes ridos

Apoio deciso
8. Avaliao por critrios mltiplos -- Anlise Booleana
9. Avaliao por critrios mltiplos -- Combinao linear ponderada
10. Avaliao por critrios mltiplos -- Mdia ponderada ordenada
11. Tomada de deciso com objetivos mltiplos
12. Modelagem de peso de evidncia com BELIEF
13. Incerteza no banco de dados e risco na deciso

Modelagem estatstica
14. Regresso mltipla em SIG
15. Variveis dicotmicas e regresso logstica

Diferente dos exerccios do conjunto introdutrio, os exerccios avanados podem ser feitos em
qualquer ordem de seqncia. Recomenda-se, entretanto, que os exerccios do grupo de classificao
(exerccios 1- 6) sejam feitos em seqncia.

Centro de Recursos Idrisi, Brasil


1. Teorema de Bayes e classificao por
mxima verossimilhana

O procedimento por mxima verossimilhana inquestionavelmente o mais usual para classificao em


sensoriamento remoto. O fundamento deste mtodo o teorema de Bayes, o qual expressa a relao de
evidncia, o conhecimento prvio e a probabilidade de que uma determinada hiptese seja verdadeira.
Infelizmente e surpreendentemente, a possibilidade de incorporao de conhecimento prvio pouco
utilizada. Geralmente os analistas no fazem considerao alguma sobre a probabilidade relativa de
encontrar-se classes de cobertura do solo de interesse antes de considerar a evidncia e assim assumir
que cada classe possui igual probabilidade. Em casos de forte evidncia, isto causar pouco dano.
Entretanto, no caso de fraca evidncia que o conhecimento prvio pode ter contribuio importante. O
IDRISI for Windows uma exceo ao oferecer um valioso conjunto de opes para a incluso de
conhecimento prvio no processo de classificao. Em particular, ele oferece a capacidade especial de
incorporar conhecimento prvio na forma de imagens de probabilidade, de modo que a probabilidade a
priori de qualquer classe pode variar de um local para outro. Como ser visto neste exerccio, isso um
melhoramento significativo no procedimento de classificao.

a) Examine as trs imagens multiespectrais SPOT (XS) denominadas SPWEST1, SPWEST2 e


SPWEST3. Elas correspondem s bandas verde, vermelho e infravermelho prximo do sensor
SPOT-HRV para a rea de Westboro, Massachusetts. Construa uma composio colorida em
falsa cor destas bandas, denominando-a SPWESTFC e usando o mdulo COMPOSIT e realce
linear com saturao de 1%. Visualize o resultado (caso voc esteja com o mdulo de
visualizao automtico ativado, isto acontecer automaticamente).

Westboro uma pequena cidade que passou por um desenvolvimento substancial nos ltimos anos
devido sua localizao estratgica, em uma das regies de maior desenvolvimento de alta tecnologia
nos Estados Unidos. Tambm uma rea com ocorrncia significativa de banhados -- um tipo de
cobertura do solo de particular interesse ambiental.

b) Usando a opo Adicionar Plano da janela de Composio, visualize um arquivo vetorial


denominado SPTRAIN. Este plano contm um conjunto de reas de treinamento para os
seguintes tipos de cobertura:

Centro de Recursos Idrisi, Brasil


1. Teorema de Bayes e classificao por mxima verossimilhana 153

1. Residencial antiga OLDRS


2. Residencial nova NEWRS
3. Industrial/comercial INDCM
4. Estradas ROADS
5. gua WATER
6. Agricultura/pecuria AGPAS
7. Floresta decdua DECID
8. Banhados WETLN
9. Pistas de golfe/gramados GOLFG
10. Floresta de conferas CONIF
11. gua rasa SHALW

A ltima coluna desta lista contm os nomes de assinaturas sugeridos que sero usados nesta e
nas demais sees deste conjunto de exerccios.

c) Use MAKESIG para criar um conjunto de assinaturas para as reas de treinamento do arquivo
vetorial SPTRAIN. Indique que as 3 bandas SPOT denominadas SPWEST1, SPWEST2 e
SPWEST3 devem ser usadas. As assinaturas devem ser identificadas com os nomes
anteriormente indicados. Embora no seja requerida uma ordem a ser usada, eles deveriam ser
introduzidos na ordem listada acima para que se possa usar uma tabela de cores especfica para
a visualizao da classificao.

d) Execute MAXLIKE no grupo Classificadores rgidos para criar uma imagem denominada
SPMAX1. Nesta primeira tentativa, ns assumiremos que no temos informao prvia sobre a
freqncia relativa com a qual cada classe ir aparecer. Em funo disso, opte por
probabilidades a priori iguais e opte por classificar todos os pixels. Especifique a seguir os
nomes para as 11 classes de assinaturas e use todas as bandas na classificao.

e) Quando a classificao estiver completa, visualize o mapa resultante usando a tabela de cores
denominada SPMAX. Opte tambm por visualizar a legenda. Compare a seguir o resultado com
a composio colorida em falsa cor denominada SPWESTFC.

1. Compare a classificao com a composio colorida em falsa cor. Que classes foram,
no seu entender, melhor classificadas? Qual a que parece ter sido a pior?

O estado de Massachusetts efetua regularmente inventrios sobre o uso e cobertura do solo usando
fotografias areas. A imagem SPOT usada aqui de 1992. Antes dessa data, avaliaes de uso do solo
foram feitas tambm em 1978 e 1985. Com base nestes inventrios para a cidade de Westboro,
CROSSTAB foi usado para determinar a freqncia relativa com a qual cada classe de cobertura do solo
mudou com relao a cada uma das outras classes no perodo 1978-1985. Estas freqncias relativas so
conhecidas como probabilidades de transio e so a base subjacente para a previso de uma Corrente de
Markov de previso de futuras transies. Caso seja assumido que as foras direcionais e trajetrias de
mudana subjacentes permaneceram estveis, possvel estimar a probabilidade com a qual cada classe
de cobertura pode modificar para qualquer outra. Usando como base as classes de cobertura do solo de
1985, as probabilidades de transio foram aplicadas a esta base para produzir um conjunto de mapas de
probabilidade que expressam a confiana prvia de como cada uma das classes de cobertura ir ocorrer
em 1992. Estes mapas tm os seguintes nomes:
PROLDRS
PRNEWRS
PRINDCM
PRROADS
PRWATER
PRAGPAS
PRDECID
PRWETLN
PRGOLFG
PRCONIF
PRSHALW

Centro de Recursos Idrisi, Brasil


154 IDRISI for Windows - Exerccios tutoriais avanados

f) Visualize um destes mapas de probabilidades a priori (PRNEWRS, p.ex.), usando a tabela de


cores IDRISI 256. Observe que estas definies espaciais de probabilidades a priori somente so
vlidas dentro dos limites da cidade. Fora deles, a probalilidade a priori foi expressa como uma
probabilidade de transio no espacial, de modo similar com o que se especificaria
tradicionalmente no uso do procedimento Bayesiano de mxima verossimilhana. Por exemplo,
na imagem PRNEWS, a rea externa cidade tem uma prioridade a priori de 0,18, o que
representa simplesmente a probabilidade destas reas serem novas reas residenciais em 1992.
Entretanto, as probabilidades a priori de carter espacial atingem 0,70 em qualquer outro lugar,
dependendo da cobertura do solo existente em 1985.

g) Execute MAXLIKE novamente. Repita os mesmos passos feitos anteriormente, mas desta vez
indique um arquivo de probabilidades a priori para cada assinatura. Indique junto a cada
assinatura o seu mapa de probabilidades a priori correspondente. Denomine este novo mapa de
SPMAX2.

h) Visualize SPMAX2 com a tabela de cores SPMAX e com legenda. Adicione o arquivo vetorial
WESTBND com o boto Adicionar Plano da janela de Composio. Este arquivo mostra os
limites da cidade.

2. Descreva as classes nas quais ocorreram mudanas mais evidentes como resultado da
incluso de probabilidades a priori.

i) Use CROSSTAB para criar um mapa de classificao cruzada e uma tabela de tabulao
cruzada das diferenas entre SPMAX1 e SPMAX2. Chame o mapa da classificao cruzada de
MAXIMAX2. Visualize MAXIMAX2 usando a tabela de cores QUAL256. Para facilitar o
exame das reas que apresentam modificao em funo da introduo de probabilidades a
priori, use a edio interativa da legenda modificando para preto cada categoria que no foi
alterada42. Coloque o plano vetorial WESTBND sobre seu mapa para facilitar o exame dos
efeitos do esquema de probabilidades a priori.

3. Voc observou qualquer mudana significativa que no era bvia na questo 2 acima?

4. Como voc descreveria o padro de reas que esto alm dos limites da cidade e
sofreram mudana, em comparao com aquelas que mudaram no interior da rea
urbana?

5. O que pode ser concludo sobre o valor do uso de definio espacial de probabilidades a
priori versus uma definio no espacial?

A definio espacial de probabilidades a priori oferece uma ajuda poderosa ao processo de classificao.
Embora um interesse considervel tenha sido dirigido para a possibilidade de uso de SIG como uma
entrada no processo de classificao, os progressos tm sido um pouco lentos, em grande parte devido
inabilidade de especificar probabilidades a priori de modo espacial. O procedimento ilustrado aqui
oferece uma ligao muito importante e abre a porta para uma ampla gama de modelos em SIG (tal
como o procedimento da Corrente de Markov ilustrado aqui) que podem auxiliar neste processo.

42
Para usar a edio interativa da legenda, coloque o cursor sobre a caixa de legenda da classe a ser editada. Mantenha acionada a tecla
Shift e clique o boto direito do mouse. Voc poder ento mudar a cor e o nome desta classe. Voc ter ainda a chance de salvar
esta nova tabela de cores quando a janela de visualizao do mapa for fechada.
2. Desenvolvimento de assinaturas
fuzzy

Uma das principais suposies da abordagem Bayesiana para classificao de imagens que as reas de
treinamento representam amostras puras das classes que representam. Entretanto, como mencionado no
captulo Classificao de imagens de sensoriamento remoto da seo TPICOS ESPECIAIS do
Manual do Usurio, isto raramente ocorre. Por exemplo, provvel que mesmo um talho muito
uniforme de pinus tenha alguns elementos de fundo afetando os dados. A presena destas impurezas
conduz a varincias elevadas e a no-normalidades na distribuio multivariada de reflectncias, as
quais por sua vez degradam o poder de discriminao das assinaturas.

Para tratar este problema, o IDRISI for Windows implementou um procedimento para o
desenvolvimento de assinaturas fuzzy baseado na pesquisa de Wang (1990)43, fundamentada no conceito
de conjuntos fuzzy. Neste caso, consideramos que cada pixel tem potencialmente algum grau de
associao a mais de um conjunto (classe), de acordo com o grau com que misturas destas classes
existem dentro do pixel. Assim, por exemplo, se um pixel coberto em 60% por espcies de conferas e
40% por decduas, ele seria considerado como tendo uma associao fuzzy de grau 0,60 no conjunto44
conferas e um grau de associao 0,40 no conjunto decduas. O mdulo FUZSIG uma modificao
do procedimento MAKESIG mais tradicional, de modo que ele efetivamente pondera as mdias,
varincias e covarincias calculadas pelo grau de associao ao conjunto fuzzy das classes envolvidas. O
efeito o de diminuir a importncia da rea de treinamento no desenvolvimento da assinatura para uma
classe caso ela ocupe uma poro muito pequena deste pixel. Isto tambm implica em que uma simples
rea de treinamento possa oferecer entradas em mais do que uma classe de cobertura do solo.

Como preparao para este exerccio, leia cuidadosamente o item Assinaturas ambguas (fuzzy) na
classificao no captulo Classificao de imagens de sensoriamento remoto. Ns seguiremos aqui os
mesmos passos que foram delineados naquele item.

a) O primeiro passo no uso deste procedimento a definio das reas de treinamento. Diferente
dos procedimentos tradicionais, entretanto, no necessrio que estas reas de treinamento

43
Wang, F. (1990) Fuzzy supervised classification of remote sensing images. IEEE Transactions on Geoscience and Remote Sensing,
28, 2, 194-201.
44
Neste contexto, o termo conjunto e classe podem ser usados como sinnimos.

Centro de Recursos Idrisi, Brasil


156 IDRISI for Windows - Exerccios tutoriais avanados

sejam homogneas. Tambm, diferente dos procedimentos tradicionais, o processo


simplificado se criamos uma verso raster destas reas de treinamento antes de iniciar FUZSIG.
Normalmente isto seria feito com INITIAL e POLYRAS. Entretanto, caso voc tenha
completado o exerccio anterior, isto j ter sido feito, j que MAKESIG gera automaticamente
uma verso raster com as reas de treinamento com o mesmo nome do arquivo vetorial
(SPTRAIN neste caso)45. Independente disso, visualize a imagem denominada SPTRAIN
usando a tabela de cores Qualitativa 256 e uma legenda para certificar-se de que voc tem este
arquivo no formato apropriado.

b) O prximo passo criar uma matriz de partio fuzzy, que indica o grau de associao de cada
rea de treinamento a cada classe46. Isto deveria ser feito com a Oficina de Bando de dados
como descrito no item Assinaturas ambguas (fuzzy) na classificao no captulo Classificao
de imagens de sensoriamento remoto. Neste caso, no entanto, ns fornecemos uma matriz de
partio fuzzy j criada. Use a Oficina de banco de dados para examinar o banco de dados
denominado WESTFUZ.

Como voc perceber, o banco de dados construdo com uma coluna por classe de cobertura
do solo e uma linha por rea de treinamento (identificada pelo nmero das reas de treinamento
que aparecem em SPTRAIN).

1. Observe que o grau de associao fuzzy da rea de treinamento 1 na classe residencial


antiga foi arbitrado em 0,75. O que isso significa em termos de homogeneidade desta
rea de treinamento?

2. Observe que a soma dos graus de associao fuzzy 1,0 em cada linha. Por que isso?

c) Como no ltimo exerccio, onde criamos representaes espaciais de probabilidades a priori,


nosso prximo passo criar um conjunto de representaes espaciais destes graus de associao
fuzzy. Felizmente, isto facilmente feito na Oficina de banco de dados. Use a operao ASSIGN
no menu Ligao para criar um conjunto de imagens de associao de classes fuzzy. Para tal,
especifique SPTRAIN como o nome da imagem de definio de feies. D a seguir um nome
para a imagem de sada usando o prefixo fz no nome da assinatura. Caso o nome resultante
exceda 8 caracteres, especifique apenas os 8 primeiros. Neste exerccio usaremos nomes um
pouco diferentes para as assinaturas de modo a distingui-las do conjunto criado no exerccio
anterior. Assim, adicionaremos tambm um x no final do nome de cada assinatura,
resultando nos seguintes nomes para as imagens de associao fuzzy:

FZOLDRSX
FZNEWRSX
FZINDCMX
FZROADSX
FZWATERX
FZAGPASX
FZDECIDX
FZWETLNX
FZGOLFGX
FZCONIFX
FZSHALWX

Em cada caso, o campo de definio de feies deve ser indicado como IDR_ID e o campo
dos dados indicado de acordo com a classe apropriada.

45
Caso voc no tenha feito o exerccio anterior ou caso tenha excludo os resultados, execute INITIAL para criar uma imagem vazia
em formato byte binrio denominada SPTRAIN, com valor inicial de zero. Execute a seguir POLYRAS para rasterizar os polgonos
vetoriais do arquivo vetorial SPTRAIN sobre a imagem SPTRAIN.
46
Teoricamente, esta informao pode ser especificada em nvel de pixel individual. Entretanto, na prtica, mais provvel que se
queira especificar a associao classe em nvel de uma rea de treinamento inteira, motivo pelo qual este procedimento foi escolhido
como ilustrao.
2. Desenvolvimento de assinaturas fuzzy 157

d) Para verificar se o procedimento acima transcorreu apropriadamente, use a Visualizao para


examinar cada uma das imagens de associao aos conjuntos fuzzy.

e) Execute a seguir FUZSIG exatamente do mesmo modo que fez com MAKESIG no exerccio
anterior, salvo para as modificaes nos nomes das assinaturas. Existem 11 assinaturas
derivadas das 3 bandas SPWEST1, SPWEST2 e SPWEST3. As assinaturas deveriam ser
especificadas com seus nomes levemente modificados usando o sufixo X:

OLDRSX
NEWRSX
INDCMX
ROADSX
WATERX
AGPASX
DECIDX
WETLNX
GOLFGX
CONIFX
SHALWX

FUZSIG buscar automaticamente as imagens de associao a conjuntos fuzzy ao formar a


mesma lgica de unio de nomes considerada anteriormente (isto , procurar por FZOLDRSX,
FZNEWRSX, etc.).

f) Agora que as assinaturas fuzzy foram criadas, execute MAXLIKE com probabilidades a priori
iguais e especifique 11 assinaturas fuzzy:

OLDRSX
NEWRSX
INDCMX
ROADSX
WATERX
AGPASX
DECIDX
WETLNX
GOLFGX
CONIFX
SHALWX

Denomine o resultado de SPMAX3.

g) Visualize a imagem SPMAX3 com a tabela de cores SPMAX e legenda. Compare-a com
SPMAX1.

3. Que diferenas voc observa entre as duas imagens?

h) Execute MAXLIKE novamente usando as assinaturas fuzzy acima, mas especifique que sero
usadas imagens de probabilidade a priori. Especifique-as juntamente com o nome das imagens.
Por exemplo:

OLDRSX e PROLDRS
NEWRSX e PRNEWRS
INDCMX e PRINDCM
ROADSX e PRROADS
WATERX e PRWATER
AGPASX e PRAGPAS

Centro de Recursos Idrisi, Brasil


158 IDRISI for Windows - Exerccios tutoriais avanados

DECIDX e PRDECID
WETLNX e PRWETLN
GOLFGX e PRGOLFG
CONIFX e PRCONIF
SHALW e PRSHALW

Denomine o resultado de SPMAX3.

4. Como voc descreveria o efeito de ter as assinaturas fuzzy e a definio espacial das
probabilidades a priori? Use a tcnica CROSSTAB empregada no exerccio anterior
para ajudar a formular sua resposta.
3. Classificadores relativos I:
BAYCLASS

Neste exerccio vamos introduzir o conceito de classificador relativo. Um classificador relativo aquele
que avalia o grau com que cada pixel pertence a cada uma das classes de cobertura do solo. Assim, ao
invs de tomar uma deciso rgida (isto , Booleana) sobre a associao de cada pixel a uma
determinada classe, o classificador relativo gera como sada uma imagem em formato de nmeros reais
para cada classe, a qual expressa a associao ao conjunto numa escala de 0 a 1. O IDRISI for Windows
oferece um grupo de classificadores relativos, dos quais o mdulo BAYCLASS o mais acessvel.

a) Use EDIT para criar um arquivo de grupo de assinaturas para as 11 assinaturas criadas no
exerccio 1. Quando solicitado, indique que voc deseja usar o editor de arquivos de grupo e
denomine-o de WESTSIGS. Adicione a seguir cada uma das seguintes assinaturas na ordem
indicada47:

OLDRS (Residencial antiga)


NEWRS (Residencial nova)
INDCM (Industrial/comercial)
ROADS (Estradas)
WATER (gua)
AGPAS (Agricultura/pecuria)
DECID (Floresta decdua)
WETLN (Banhados)
GOLFG (Pistas de golfe/gramados)
CONIF (Floresta de conferas)
SHALW (gua rasa)

b) Execute agora o mdulo BAYCLASS. Voc perceber que a interface para este mdulo quase
igual de MAXLIKE. Indique que voc deseja usar o arquivo de grupo de assinaturas
denominado WESTSIGS. Selecione probabilidades a priori iguais e use o prefixo BAY para
as imagens de sada.

47
A ordem na qual as assinaturas so introduzidas no de fato importante. Esta ordem simplesmente usada para que se possa utilizar
mais tarde a tabela de cores pr-elaborada denominada SPMAX.

Centro de Recursos Idrisi, Brasil


160 IDRISI for Windows - Exerccios tutoriais avanados

c) A sada de BAYCLASS na forma de uma srie de mapas de probabilidade a posteriori, uma


para cada classe (BAYOLDRS, BAYNEWRS, BAYINDCM, etc.). Os valores nelas
armazenados representam a probabilidade de cada pixel pertencer classe correspondente.
Examine essas imagens de probabilidade a posteriori usando a Visualizao e a tabela de cores
padro Idrisi 256.

1. Compare as imagens BAYDECID e BAYCONIF. Como voc caracteriza a habilidade


do classificador em indicar se um pixel pertence classe floresta decdua ou se
pertence classe floresta de conferas?

d) Para facilitar a comparao destas imagens, o BAYCLASS cria duas sadas adicionais. A
primeira um arquivo de grupo de imagens com o prefixo que voc indicou para os arquivos de
sada (BAY.IGF, neste caso). V para Preferncias de visualizao no menu Visualizao e
especifique que deseja usar o modo avanado de consulta do cursor com o arquivo de grupo de
imagens denominado BAY. Saia da caixa de dilogo Preferncias de visualizao e clique sobre
a barra superior da imagem BAYDECID para assegurar-se de que ela a imagem ativa.
Observe prximo ao topo da imagem a floresta distinta que inclui a clula da coluna 324 e linha
59. Use a opo de seleo de janela para ampliar uma janela deste talho. Observe que existe
uma quantia comparativamente maior de incerteza sobre muitos destes pixels em comparao
com outros talhes de floresta decdua. Ative novamente o boto de consulta com o cursor e
consulte vrios destes pixels. Voc perceber que uma janela especial se abrir listando as
probabilidades a posteriori para cada uma das classes em cada pixel consultado. Ative a opo
de mostrar grfico do valor z nas Preferncias de visualizao para facilitar seu exame.

2. Para a maioria dos pixels que tm alguma incerteza de pertencer classe floresta
decdua, que outra(s) classe(s) o classificador percebe que podem estar presentes?

3. O que so as probabilidades a posteriori de todas as classes diferentes de zero na clula


localizada na coluna 326 e linha 43. Como voc interpreta estes dados (considere todas
as classes em sua resposta)?

4. Como a resoluo da imagem de 20 metros, cada pixel representa 0,04 hectares. Para
a clula na coluna 326 e linha 43, quantos hectares de floresta decdua voc imagina
existirem neste pixel?

e) A segunda sada adicional produzida por BAYCLASS a imagem de incerteza na classificao


(BAYCLU neste caso). Caso voc ainda no tenha feito, leia sobre este tpico no captulo
Classificao de imagens de sensoriamento remoto. Visualize ento a imagem denominada
BAYCLU. Observe que ela foi includa no arquivo de grupo de imagens BAY. Por isso, caso
voc examinar a imagem com o modo de consulta do cursor ativado, voc obter uma
tabela/grfico da incerteza neste local mais a probabilidade a posteriori de cada classe de
cobertura.

5. Examine as clulas na coluna 325 e linha 43 e na coluna 326 e linha 43. Quais so os
valores de incerteza nestes locais? O que explica a diferena entre eles?

6. Examine a clula na coluna 333 e linha 37. Observe que as probabilidades so quase
regularmente distribudas entre trs classes. Em quantas classes elas estiveram
distribudas na coluna 325 e linha 43? Qual foi o efeito sobre o valor de incerteza? Por
que?

7. Olhando a imagem de incertezas BAYCLU como um todo, que classes tm as menores


incertezas associadas? Dado que a categoria decdua um grupo heterogneo de
espcies, por que voc v que o classificador teve a capacidade de ser to conclusivo
sobre esta categoria? (No se preocupe muito com sua resposta -- isto simplesmente
3. Classificadores relativos I: BAYCLASS 161

uma possibilidade de especular sobre o porqu. A razo ser explorada com maior
profundidade no exerccio 5).

f) Use EXTRACT para extrair a incerteza mdia associada a cada uma das classes de cobertura do
solo indicadas em SPMAX1 (a imagem classificada por mxima verossimilhana criada no
primeiro exerccio deste grupo -- como ela tambm foi criada usando-se probabilidades a priori
iguais, corresponde exatamente s imagens produzidas em BAYCLASS). Especifique SPMAX1
como a imagem de definio de feies e BAYCLU como a imagem a ser analisada. Solicite
sada tabular dos valores mdios de incerteza.

8. Que classes tm a maior incerteza mdia. Voc pode explicar o porqu disto?

9. Examine as clulas na vizinhana da coluna 408 e linha 287 na imagem BAYCONIF.


Estas clulas mostram uma probabilidade intermediria de pertencerem classe
floresta de conferas. A que outra(s) classe(s) esses pixels podem pertencer? Como voc
interpreta essa rea? Teria sido possvel descobrir esta(s) classe(s) se voc tivesse usado
o mdulo MAXLIKE (compare com SPMAX1)? Explique a razo de sua resposta.

Centro de Recursos Idrisi, Brasil


4. Discretizadores

No exerccio anterior produzimos uma srie de imagens que expressam a probabilidade a posteriori de
pertencer a um conjunto de classes de cobertura do solo na regio de Westboro. Isso uma caracterstica
de todos os classificadores relativos. Todos eles adiam o resultado de tomar uma deciso sobre a classe
de cobertura do solo de um pixel. Mais precisamente, eles simplesmente revelam o estado do
conhecimento que temos desses pixels. Ns podemos, entretanto, forar uma deciso usando um
discretizador -- um mdulo que implementa uma lgica de deciso simples.

a) Execute o mdulo MAXBAY, que encontra-se no grupo Discretizadores do menu


Processamento de imagens. Esse um discretizador apropriado para ser usado com o produto de
BAYCLASS7. Especifique que voc quer usar um arquivo de grupo de imagens chamado BAY.
Voc perceber que esse procedimento faz com que MAXBAY preencha a caixa de texto do
nmero de imagens de entrada com o nmero 12, e os nomes das 12 imagens nas caixas de
entrada onde esses nomes so requeridos. Um desses arquivos o arquivo de incerteza da
classificao (o arquivo chamado BAYCLU neste caso). Como esse sempre o ltimo arquivo
no grupo, vamos fazer MAXBAY ignor-lo alterando o nmero de arquivos para 11.

Indique que 4 nveis de sada devem ser produzidos e deixe a probabilidade mnima para cada classe
com o valor padro de 08 . Especifique que voc quer um arquivo de grupo chamado BAYMAX e use o
prefixo BAYMAX tambm para os arquivos de sada.

b) Visualize cada uma das imagens BAYMAX1, BAYMAX2, BAYMAX3 e BAYMAX4. Use a
tabela de cores SPMAX em cada imagem e especifique que seja mostrada uma legenda. Voc
pode tambm ativar o arquivo de grupo BAYMAX nas Preferncias de Visualizao para
auxiliar nas suas comparaes. BAYMAX1 indica os resultados de atribuir a classe daquela que
tem a probabilidade mxima nos resultados de BAYCLASS. O resultado obtido ser
essencialmente o mesmo daquele obtido a partir de MAXLIKE (SPMAX1, nesse caso)9.

7
Todos os discretizadores atualmente usam MDCHOICE para empreender a anlise. A nica razo pela qual os dilogos para
MAXBAY, MAXBEL e MAXFUZ foram includos que eles foram desenhados para as necessidades especficas de usar
MDCHOICE com essas formas de sada.
8
Pixels recebero o valor 0 caso seu valor for menor ou igual ao valor especificado para a probabilidade mnima.
9
O resultado de fato idntico, exceto pelo tratamento da questo da probabilidade mnima. Como MAXBAY (assim como MAXBEL,
MAXFUZ e MDCHOICE) atribui um zero a qualquer pixel com probabilidade 0 de pertencer a todas as classes e MAXLIKE atribui
uma escolha arbritria, as opes padro podem produzir pequenas diferenas nas reas que sem representao na classificao.

Centro de Recursos Idrisi, Brasil


4. Discretizadores 163

BAYMAX2 indica a classe da segunda maior probabilidade, enquanto BAYMAX3 e


BAYMAX4 indicam, respectivamente, a terceira e a quarta probabilidades.

1. Examine a grande poro de floresta decdua nas vizinhanas da coluna 583 e linha
307. Compare os resultados em BAYMAX1 e BAYMAX2. Como voc intepreta essas
reas onde a segunda maior probabilidade aparece como floresta de conferas,
banhados ou pistas de golfe/gramados? Examine as probabilidades associadas com
essas classes (do exerccio anterior) para desenvolver sua resposta.

2. Observe o estriamento que aparece nas imagens de terceiro e quarto nvel (BAYMAX3
e BAYMAX4). Por que voc imagina que isso ocorre? Note tambm as distintas
mudanas que ocorrem nas vizinhanas da coluna 73. Isso tambm est relacionado ao
mesmo problema do estriamento.

Centro de Recursos Idrisi, Brasil


5. Classificadores relativos II:
BELCLASS

BELCLASS o segundo do grupo Classificadores relativos, e um importante complemento para


BAYCLASS. Enquanto BAYCLASS baseia-se na teoria de probabilidade Bayesiana, BELCLASS
baseado em uma variante da teoria de probabilidade Bayesiana conhecida como Teoria Dempster-Shafer.
Se voc ainda no o fez, leia sobre BELCLASS no captulo Classificao de imagens de sensoriamento
remoto. Voc tambm pode ler o item sobre Dempster-Shafer no captulo Apoio deciso.

a) Execute o mdulo BELCLASS no grupo Classificadores rgidos do menu Processamento de


imagens. Voc notar que a interface desse mdulo idntica quela de BAYCLASS (e por
conseguinte quase idntica de MAXLIKE). Indique que voc quer usar o arquivo de grupo
de assinaturas chamado WESTSIGS criado por voc no exerccio avanado 3. Selecione
probabilidades a priori iguais e use o prefixo BEL para as imagens de sada.

b) A sada de BELCLASS na forma de uma srie de imagens de confiana Dempster-Shafer


(BELOLDRS, BELNEWRS, BELINDCM, etc). Os valores em cada uma dessas imagens
representam a confiana estimada (uma forma de probabilidade) de cada pixel pertencer quela
classe. Examine essas imagens de confiana usando a Visualizao e a tabela de cores padro
IDRISI 256. Examine tambm a imagem de incerteza da classificao chamada BELCLU.

1. Descreva a diferena entre as imagens BELCLU e BAYCLU criadas no exerccio 3.


Supondo que voc leu o captulo Classificao de imagens de sensoriamento remoto,
a que voc atribui a diferena fundamental entre essas imagens?

c) Examine a imagem chamada BELDECID e compare com BAYDECID. Repare a grande poro
de floresta decdua que circunda a clula da coluna 215 e linha 457.

2. Use o modo expandido de consulta do cursor com o arquivo de grupo chamado BEL
para examinar os valores de confiana associados com as clulas nessa rea. Quais so
os valores de confiana tpicos para floresta decdua (de BELCLASS)?. Quais so as
probabilidades a posteriori tpicas (de BAYCLASS)?

Centro de Recursos Idrisi, Brasil


5. Classificadores relativos II: BELCLASS 165

3. Note que os valores de confiana ou probabilidades associadas s outras classes so


iguais a zero ou prximas de zero em ambos os casos. Como ento BAYCLASS produz
probabilidades to altas e BELCLASS produz valores de confiana to mais baixos
(lembre-se, ambos compartilham a mesma base matemtica)?

4. O qu voc acha que pode ter causado a variao na confiana nessa poro da imagem
BELCLASS (Sugesto: considere a questo da representatividade das reas de
treinamento)?

5. Execute MAXBEL no grupo Discretizadores do menu Processamento de Imagens para


aumentar o rigor desses resultados. Quanto difere a imagem de primeiro nvel daquela
produzida por BAYCLASS?

6. Quais so os valores de confiana e de probabilidade a posteriori na coluna 229 e linha


481? Claramente, BAYCLASS (e portanto MAXLIKE) concluiu indubitavelmente que
esse um exemplo de floresta decdua. Entretanto, dada a confiana que voc
determinou, isso razovel? H talvez alguma outra razo alm daquela que foi dada
na resposta questo 4 qual se possa atribuir a forte diferena entre esses dois
classificadores (Sugesto: BELCLASS incorpora implicitamente o conceito sobre uma
OUTRA classe no clculo, isto , outra coisa alm das classes tomadas nas reas de
treinamento)?

d) Execute BELCLASS novamente e agora especifique somente duas assinaturas: DECID e


INDCM. Use o prefixo BL2 para o produto. Execute ento BAYCLASS e faa a mesma coisa
(usando o prefixo BY2).

7. Compare BL2DECID com BY2DECID e BL2INDCM com BY2INDCM. Levando em


conta tudo que voc j aprendeu at agora sobre a diferena entre esses mdulos, como
voc justifica as diferenas/similaridades entre esses dois classificadores no tratamento
desse problema. Na formulao de sua resposta, compare seus resultados com
BAYDECID, BELDECID, BAYINDCM e BELINDCM.

Centro de Recursos Idrisi, Brasil


6. Dempster-Shafer modificado

No exerccio anterior vimos que BELCLASS permite um exame do grau de suporte para cada classe de
um conjunto de classes de cobertura do solo, independente do que ou no fornecido para as demais.
Dempster-Shafer atualmente proporciona uma descrio muito valiosa da incerteza no processo de
classificao, como ser ilustrado a seguir.

a) Execute BELCLASS e indique que voc quer usar o arquivo de grupo de assinaturas chamado
WESTSIG que foi criado no exerccio 3. Entretanto, em lugar da confiana anteriormente
escolhida, nesse caso indique que voc quer plausibilidade como produto. Selecione
probabilidades a priori iguais e use o prefixo PLS para as imagens de sada.

b) A sada de BELCLASS com essa opo constitui uma srie de imagens de plausibilidade de
Dempster-Shafer (PLSOLDRS, PLNEWRS, PLINDCM, etc.). Os valores em cada uma
representam a plausibilidade estimada, uma forma de probabilidade que expressa a maior
probabilidade potencial de cada pixel pertencer a uma classe. Examine essas imagens de
plausibilidade usando a Visualizao com a tabela de cores padro IDRISI 256. Tambm
examine a imagem de incerteza na classificao PLSCLU (note que a imagem PLSCLU a
mesma que BELCLU).

Enquanto a confiana indica o grau de suporte rgido para uma hiptese, a plausibilidade
expressa o grau com que essa hiptese no pode ser desacreditada -- isto , expressa o grau com
que h uma carncia de evidncias contra a hiptese.

1. Examine PLSDECID e compare com BELDECID. Como voc descreveria a


plausibilidade em decdua comparada com a confiana em decdua? Qual a natureza
dessa plausibilidade nas reas em que BELDECID alta? Compare PLSDECID com
BAYDECID no exerccio 2. Como PLSDECID se compara a BAYDECID em reas
onde BAYDECID alta?

c) Use OVERLAY para subtrair BELDECID de PLSDECID (isto , PLSDECID - BELDECID).


Chame o resultado de BINDECID. Visualize esse resultado usando a tabela de cores IDRISI
256. Essa imagem mostra o que denominado de intervalo de confiana. Um intervalo de
confiana a diferena entre a plausibilidade e a confiana para uma determinada classe, e
expressa uma medida de incerteza sobre o estado de conhecimento dessa classe.

Centro de Recursos Idrisi, Brasil


6. Dempster-Shafer modificado 167

2. Crie imagens de intervalos de confiana similares para conferas e reas midas.


Chame os resultados de BINCONIF e CINWETLN. Quo similares essas imagens so
de BINDECID?

d) Visualize a imagem PLSCLU. Essa a mesma imagem que BELCLASS criou quando
calculamos os valores de confiana, chamada BELCLU -- ela includa como uma imagem de
sada para uso em casos onde no foram produzidos valores de confiana.

1. Quo similar PLSCLU s imagens de incertezas individuais BINDECID, BINCONIF


e BINWETLN?

e) As imagens BELCLU e PLSCLU criadas por BELCLASS expressam uma forma muito
especfica de incerteza, conhecida na teoria de Dempster-Shafer como ignorncia. Ignorncia
diferente de um intervalo de confiana no sentido que um intervalo de confiana especfico de
uma categoria enquanto a ignorncia aplica-se ao estado de conhecimento como um todo.
Ignorncia expressa o grau com o qual o estado de conhecimento incapaz de distinguir entre
as classes. Em BELCLASS, ns modificamos a teoria de Dempster-Shafer para incluir
implicitamente uma classe adicional que chamamos OUTRA, ao admitir a possibilidade de um
pixel pertencer a uma classe para a qual ns no fornecemos reas de treinamento. Logo, a
ignorncia expressa o grau com que somos inaptos a dizer a que classe o pixel pertence,
incluindo a possibilidade de no ser uma das classes que estamos examinando.

Na implementao de BELCLASS do IDRISI for Windows, ns tambm reconhecemos um


outro aspecto da incerteza que chamaremos ambigidade. Dado que a confiana expressa o grau
de evidncia que sustenta especificamente uma classe em particular, a ambigidade expressa o
grau em que esse suporte ambguo por tambm sustentar outras classes.

A ambigidade pode ser calculada como a diferena entre o intervalo de confiana para uma
classe especfica e a ignorncia como um todo. Crie ento uma imagem de ambigidade para
decduas chamada AMBDECID com OVERLAY, subtraindo BELCLU (ou PLSCLU) de
BINDECID.

Veja o grau de ambigidade na poro de floresta nas vizinhanas da clula da coluna 324 e
linha 59. No exerccio com BAYCLASS, ns identificamos essa rea como uma mistura de
conferas e espcies decduas. A presena da ambigidade d um suporte direto para a presena
de misturas envolvendo as classes em exame.

4. Crie uma imagem de ambigidade similar para conferas e chame-a de AMBCONIF.


Quo extensiva a ambigidade envolvendo conferas ou decduas?

5. Considerando que a incerteza total de uma classe (p. ex. BINDECID) composta tanto
pela ignorncia (BELCLU) como pela ambigidade (AMBDECID), qual o maior
componente da incerteza, a ignorncia ou a ambigidade?

f) O IDRISI for Windows tambm possui dois outros mdulos que podem facilitar a anlise da
mistura de classes -- MAXSET e MIXCALC. A interface para MAXSET a mesma que para
MAXLIKE, BAYCLASS e BELCLASS. Execute MAXSET e indique que voc quer usar as
assinaturas contidas no arquivo de grupo de assinaturas WESTSIGS. Use novamente
probabilidades a priori iguais e denomine o resultado de WESTMIX. Visualize o resultado
usando a tabela de cores Qual 256 e legenda.

Repare que WESTMIX contm tanto classes puras quanto mistura de classes. Isso necessita ser
interpretado. A teoria de Dempster-Shafer reconhece a possibilidade de que uma determinada
evidncia possa sustentar diversas classes sem ter condies de distinguir entre elas. Por
exemplo, ela reconhece a possibilidade de que a evidncia possa dar suporte concluso de que
um pixel floresta decdua ou de conferas, sem estar apta a informar qual delas. MAXSET

Centro de Recursos Idrisi, Brasil


168 IDRISI for Windows - Exerccios tutoriais avanados

avalia o grau de suporte para todos os conjuntos que podem ser criados para as classes
individuais. Nesse caso, h 11 classes individuais principais para 2048 conjuntos possveis.
MAXSET ento atribui a cada pixel o conjunto para o qual existe o mximo suporte.

6. MAXSET apenas informa sobre aqueles conjuntos de misturas no separveis que


foram identificados na imagem. Entretanto, muitos desses conjuntos sero muito
pequenos em extenso. Use AREA para determinar as reas associadas a cada classe
em WESTMAX. Voc tambm pode usar a opo flash da legenda para ver a
distribuio espacial de cada categoria10. Quais so os conjuntos de mistura que tm
uma representao significativa na imagem? Esses so casos onde a ambigidade ser
alta.

g) Finalmente, MIXCALC pode ser usado para determinar o grau de suporte para qualquer
conjunto de mistura no separvel. Normalmente, esse mdulo usado somente como um
complemento de MAXSET ou para um exame de ambigidade.

Use MIXCALC para calcular o grau de suporte para a mistura no separvel (isto , BPA) de
DECIDUOUS e CONIFER. Chame o resultado de MIXDC. Visualize ento MIXDC usando a
tabela de cores IDRISI 256.

7. Em que sentido MIXDC corresponde s informaes obtidas a partir do exame da


ambigidade?

Como uma nota final, vale a pena considerar a questo da classificao de sub-pixel. O conceito da
classificao de sub-pixel baseado no pressuposto de que toda a incerteza na classificao de um pixel
se deve a presena de misturas no separveis. Entretanto, como ficou evidente na explorao anterior
baseada na teoria de Dempster-Shafer, a ambigidade nem sempre o maior componente da incerteza.
Claramente, a ignorncia pode ser o elemento principal. Com a gama de ferramentas de explorao de
incerteza providas pelo IDRISI for Windows, entretanto, possvel distinguir entre esses conceitos e
focar especificamente naqueles de interesse.

10
Para usar a opo flash da legenda mova o mouse sobre a categoria de interesse na caixa de legenda. Comprima a tecla shift e aperte
o boto esquerdo do mouse. A categoria selecionada mudar de cor. Quando voc solta o boto esquerdo, a categoria volta sua cor
normal.
7. Anlise de vegetao em ambientes
ridos

Nesse exerccio, exploraremos o uso de diferentes modelos de clculo de ndice de vegetao disponveis
nos mdulos VEGINDEX e TASSCAP para analisar a cobertura vegetal e as suas mudanas no espao e
no tempo. Assume-se que o leitor j leu ou revisou o terceiro item do captulo ndices de vegetao na
seo TPICOS ESPECIAIS do manual do IDRISI for Windows.

A cobertura vegetal desde cedo foi um foco de pesquisa no manejo de recursos naturais usando imagens
de sensoriamento remoto, especialmente com o lanamento dos satlites para aplicaes em recursos
naturais, conhecidos como LANDSAT, a partir de 1972. As informaes geradas pelos satlites
LANDSAT, SPOT e NOAA oferecem imagens peridicas que so amplamente usadas para monitorar e
avaliar o estado da vegetao em nvel global, regional, nacional e local. Nesse exerccio voc ter a
oportunidade de avaliar a cobertura vegetal e as suas mudanas em uma rea do sul da Mauritnia
usando imagens do scanner multiespectral (MSS) do LANDSAT. Essas imagens foram obtidas em 10 de
outubro de 1980 e 12 de outubro de 1990 pelo LANDSAT 4. Em funo da poca de aquisio das duas
imagens ser prxima possvel se fazer uma anlise temporal da cobertura vegetal.

H oito imagens que sero usadas para esse exerccio, quatro de cada ano: M801W, M802W, M803W,
M804W de 1980; M901W, M902W, M903W e M904W de 1990. Elas correspondem, respectivamente,
s bandas MSS do verde visvel, vermelho visvel, infravermelho prximo e infravermelho prximo com
comprimento de onda um pouco maior, respectivamente. Como essas imagens foram obtidas em duas
datas diferentes, uma deve ser registrada outra para anlise. Essa tarefa j foi feita para voc.

a) Visualize M803W com a tabela de cores Grey 256 e com a opo de autoescalonamento da
imagem.

J tendo sido uma rea relativamente mida, um persistente dficit hdrico desde o final dos anos 60
vem tornando o Sahel cada vez mais semi-rido. Grande parte da vegetao mudou de savana para
estepe. Relictos de vegetao de savana so encontrados somente ao longo dos vales dos rios sobre solos
argilosos, areno-argilosos e argilo-arenosos. O incremento da presso antropognica que resultou dos
esforos de adaptao s condies de seca contnua e a principal causa da degradao da cobertura
vegetal. Um dos desafios no processamento digital de imagens isolar a cobertura vegetal de baixa
densidade que caracteriza terras ridas e semi-ridas, tais como as encontradas no sul da Mauritnia.
Centro de Recursos Idrisi, Brasil
170 IDRISI for Windows - Exerccios tutoriais avanados

Um dos objetivos desse exerccio avaliar qual dos modelos de ndice de vegetao propostos mais
eficiente em distinguir a vegetao verde de seu substrato, o que ajudar a isolar a cobertura vegetal de
baixa densidade.

A rea coberta pelas imagens desse exerccio est prxima da fronteira Senegal/Mauritnia e contm
parte da vrzea do rio Senegal, assim como a seo inferior da vrzea do rio Gorgol (parcialmente
visvel no canto noroeste das imagens). Esse o ltimo tributrio (afluente) do rio Senegal. Essas sees
dos dois rios so cobertas por vegetao ciliar dominada pela espcie Acacia nilotica, utilizada para a
produo de lenha. Outras espcies lenhosas, como Borassius flabelifer e Iphaene tebaica, so usadas
como material de construo. A agricultura recessional nas reas de vrzea e a criao de gado tambm
so praticadas nessa regio.

Enquanto TASSCAP um mdulo individual usado para calcular o ndice de Kauth e Thomas, o
mdulo VEGINDEX oferece a possibilidade de usar at 19 diferentes modelos de ndices de vegetao.
Ns usaremos somente sete desses modelos, juntamente com o ndice TASSCAP, para extrair os ndices
de vegetao das imagens de 1980 e 1990. Os resultados sero usados para a anlise da modificao
entre as duas datas e para a avaliao estatstica das relaes entre os modelos de ndices de vegetao.
Assim como todos os mdulos analticos do IDRISI for Windows, TASSCAP e VEGINDEX podem ser
usados interativamente ou com linhas de comando macro.

b) Antes de iniciar nossa explorao dos ndices de vegetao, acione a visualizao automtica
das sadas dos mdulos analticos, nas Preferncias de visualizao do menu Visualizao.
Especifique a tabela de cores NDVI256 como tabela quantitativa e como tabela de cores padro
e ligue tambm a opo de ttulo visvel.

c) Aps ler sobre TASSCAP e VEGINDEX no sistema de ajuda on-line, execute TASSCAP tanto
nas imagens de 1980 como nas de 1990. Escolha usar MSS como tipo das imagens de entrada e
especifique M801W, M802W, M803W e M804W (nessa ordem) para 1980 e M901W, M902W,
M903W e M904W para 1990. Para cada ano use 80 e 90 como o prefixo de sada.

TASSCAP produzir quatro imagens para cada conjunto de imagens, correspondendo aos
seguintes quatro ndices: Soil Brightness Index (SBI), Green Vegetation Index (GVI), Yellow
Vegetation Index (YVI) e non-such index (NSI). TASSCAP gera uma imagem para cada um
desses ndices. Seus nomes so respectivamente bright, green, yellow e non-such precedido pelo
prefixo de dois caracteres que voc determinou. Aps executar TASSCAP, visualize cada
resultado usando a tabela de cores ndvi256. Como voc logo ir perceber, as imagens
80GREEN e 90GREEN so as mais teis.

1. Que elementos do terreno so mostrados em cada um dos quatro ndices? Qual dos
ndices praticamente no apresenta informao alguma?

2. Somente uma das imagens interpretada como uma imagem de ndice de vegetao.
Qual delas?

d) O mdulo VEGINDEX contm 19 modelos diferentes de ndice de vegetao, que podem ser
agrupados em ndices baseados na declividade, ndices baseados na distncia e ndices de
vegetao de transformao ortogonal. Execute VEGINDEX e produza uma imagem para trs
destes modelos: NDVI, TVI e TTVI. Esses modelos baseados na declividade so combinaes
lineares simples que requerem somente o nome das bandas vermelha e infravermelha de
entrada e um nome de arquivo de sada. Examine cada uma das imagens de sada.

Os ndices baseados na distncia baseiam-se no conceito de uma linha de solo. Uma linha de solo uma
equao linear que descreve o relacionamento entre valores de reflectncia na banda vermelha e
infravermelha para pixels de solo exposto. Essa linha produzida efetuando uma regresso linear
simples entre a banda vermelha e infravermelha em uma amostra de pixels de solo exposto. Uma vez
conhecido o relacionamento, todos os pixels desconhecidos em uma imagem que possuem a mesma
relao nos valores de reflectncia no vermelho e infravermelho so assumidos como solo exposto.
7. Anlise de vegetao em ambientes ridos 171

Pixels desconhecidos que distanciam-se da linha de solo por terem valores de reflectncia maiores na
banda infravermelha so assumidos como vegetao (baseado no padro de resposta espectral da
vegetao em que as reflectncias na banda infravermelha so elevadas em relao s da banda
vermelha). Aqueles pixels que distanciam-se da linha de solo porque suas reflectncias na banda
vermelha so altas so frequentemente assumidos como gua (tambm com base no padro de resposta
espectral caracterstico da gua, em que os valores de reflectncia na banda vermelha so elevados em
relao aos da banda infravermelha).

O primeiro passo na criao de ndices baseados na distncia calcular a linha de solo e identificar os
parmetros intercepto e declividade. Esses ndices podem ser separados posteriormente em dois grupos,
aqueles que so baseados em uma regresso onde a banda vermelha avaliada como varivel
independente, e aqueles em que a banda infravermelha avaliada como varivel independente. Uma vez
que iremos criar ambos os tipos de ndices baseados na distncia, voc necessitar criar duas linhas de
solo.

e) Examine a seo Notas no tpico VEGINDEX do sistema de ajuda on-line e leia a nota nmero
2 para obter instrues de como criar a linha de solo. Execute a regresso duas vezes e anote os
valores da declividade (b) e do intercepto (a) para o caso em que a banda vermelha tratada
como varivel independente e para o caso em que a banda infravermelha a varivel
independente.

f) Execute VEGINDEX novamente e produza os ndices baseados na distncia PVI, PVI1,


TSAVI1 e WDVI. Para cada ndice, leia a seo Determinando valores de declividade e
intercepto no tpico VEGINDEX do sistema de ajuda para determinar quais parmetros da
linha de solo usar em cada ndice de vegetao.

Olhe para as imagens de sada e visualize tambm a sada de TASSCAP para o ano
selecionado. A qualidade da imagem de sada um importante elemento na anlise. A
visualizao o nico meio que podemos usar para avaliar a performance de certos modelos de
ndice de vegetao em termos de separao do padro da vegetao verde e de distino dessa
vegetao do solo que est sob ela. Em outras palavras, essa a forma de produzir um mapa de
cobertura vegetal a partir de imagens digitais de satlite. Isso tambm permite a avaliar
visualmente variaes no estoque de biomassa verde. Tudo isso essencial para proteo
ambiental ou para esquemas de reabilitao, bem como para o monitoramento de atividades
agropecurias.

3. Quais dos modelos usados (incluindo TASSCAP) apresentam o melhor desempenho?

4. Quais modelos voc no recomendaria?

5. D notas para cada um dos modelos na escala de 1 a 5 (muito pobre, pobre, moderado,
bom, muito bom).

Esses modelos de ndices de vegetao tambm so usados como uma medida quantitativa da biomassa
da vegetao. Ns podemos fazer isso pela verificao manual dos valores dos ndices. Como regra
geral, quanto menor a densidade ou quanto menor a biomassa sobre uma dada rea (o pixel, no nosso
caso), menor o valor do ndice.

g) Use o modo de consulta do cursor para ver os valores dos ndices em cada uma da imagens
produzidas e determine quais as imagens que contm valores negativos e positivos e quais delas
tm apenas valores positivos. Voc tambm pode usar o mdulo DESCRIBE para esse fim.

6. Baseado nos valores das imagens de 1980 e 1990, localize as reas de densidade de
vegetao ou biomassa densa, moderada e baixa.

Agora que nos familiarizamos com as imagens de ndice de vegetao de ambas as datas, podemos
prosseguir com anlises mais aprofundadas. Nos concentraremos na identificao daquelas reas onde

Centro de Recursos Idrisi, Brasil


172 IDRISI for Windows - Exerccios tutoriais avanados

ocorreram mudanas significativas entre 1980 e 1990. Um dos maiores problemas ambientais do Sahel
a rpida degradao dos recursos naturais, como resultado do aumento da presso humana em
combinao com fatores naturais desfavorveis como o dficit de chuva.

h) Uma forma de avaliar as mudanas no perodo de 10 anos analisar visualmente cada uma das
imagens. Feche todas as janelas que estiverem abertas, com execeo de TTVI80 e TTVI90,
pondo-as lado a lado. Tente identificar visualmente aquelas reas de modificao na cobertura
vegetal, corpos dgua e solo.

7. Descreva em detalhes a natureza das mudanas que ocorreram na rea entre 1980 e
1990.

A estao pluviomtrica mais prxima est na cidade de Mbout, localizada fora da imagem na direo
leste. A estao mediu aproximadamente 200 mm de chuva em 1980 e 240 mm em 1990. Alm disso,
uma represa para irrigao foi construida em 1985 na seo mdia do rio Gorgol.

8. Como essa informao pode ajudar a explicar as mudanas que voc observa?

Neste exerccio, abordamos a anlise de mudanas atravs de anlise visual. No IDRISI for Windows h
muitos outros mtodos quantitativos disponveis. Entretanto, a seguir apenas cobriremos rapidamente
um deles na anlise final. Outros mtodos de anlise de mudanas so detalhados no livro de trabalho do
UNITAR Change and Time Series Analysis (Eastman & McKendry, 199148) no captulo sobre ndices de
vegetao (esse livro est disponvel para aquisio no Projeto IDRISI, junto Clark University).

Como uma anlise final, determinaremos se os modelos de ndice de vegetao usados produzem
resultados estatisticamente similares. Essa questo pode ser facilmente respondida aplicando-se uma
anlise de regresso linear simples sobre as imagens de ndices de vegetao ou sobre arquivos de
valores extrados dessas imagens. Neste exerccio extrairemos um arquivo de valores de cada uma das
imagens de ndice de vegetao e executaremos o mdulo REGRESS.

i) O processo de criao de um arquivo de valores a partir de uma imagem pode ser realizado
manualmente, usando a digitalizao em tela disponvel no IDRISI for Windows para extrair
valores de posies conhecidas ou usando o mdulo SAMPLE para extrair uma amostra
randmica. Ns usaremos SAMPLE.

j) Execute SAMPLE em cada uma das imagens que cobrem a rea e especifique que voc quer
extrair uma amostra randmica de 30 pontos. Chame o arquivo vetorial de sada de SAMPLE.
Use ento INITIAL no menu Entrada de dados para criar uma imagem vazia do tipo inteiro e
em formato binrio (copie os parmetros de uma das imagens existentes) e d a ela o nome de
SAMPLE. A seguir use POINTRAS no menu Reformatao para rasterizar o seu arquivo
vetorial de pontos e atualizar a imagem SAMPLE. Finalmente, execute o mdulo EXTRACT,
encontrado no submenu Anlise/Consulta ao banco de dados, e use SAMPLE como imagem de
definio de feies para extrair um arquivo de valores de cada uma das imagens de ndice de
vegetao. D um nome apropriado para cada arquivo de valores.

k) O prximo passo executar o mdulo REGRESS com pares de arquivos de valores a fim de
avaliar a sua correlao. Voc encontrar o mdulo REGRESS no submenu Anlise/Estatstica.
Ns estamos interessados em dois parmetros de sada: a correlao estatstica r e o coeficiente
de determinao r2. Ambos indicam o grau de relacionamento entre as duas variveis de
entrada. Voc pode usar qualquer imagem como varivel dependente ou independente. Voc
pode querer fazer uma tabela de 3 colunas para acomodar o relatrio do arquivo de combinao
e os valores r e r2. Repare que r2 expresso em percentagem e indica quanto da varivel
dependente explicado pela varivel independente. Por exemplo, um valor de 95% significa
que os dois modelos de ndice de vegetao so estatisticamente equivalentes.

48
Eastman, J.R.; McKendry, J.E. 1991. Change and time series analysis. Worcester. UNITAR. 85p.
7. Anlise de vegetao em ambientes ridos 173

9. Quais modelos de ndice de vegetao tm relacionamentos estatsticos fortes?

Nosso exemplo de anlise de ndice de vegetao termina aqui, mas possvel fazer muito mais. Leia o
captulo ndices de vegetao para maiores informaes e detalhes sobre outras anlises, como a anlise
de componentes principais.

Centro de Recursos Idrisi, Brasil


8. Avaliao por critrios mltiplos --
Anlise Booleana

Os prximos quatro exerccios iro explorar o uso de SIG como sistema de apoio deciso. Embora a
anlise apresentada ir discutir tcnicas que podem realar os processos de apoio deciso em geral,
ser dada nfase no uso de SIG para a deciso de destinao de recursos. Estas decises podem ser
auxiliadas por ferramentas de SIG porque freqentemente envolvem uma variedade de critrios que
podem ser representados como planos de dados geogrficos. A avaliao por critrios mltiplos (Multi
Criteria Evaluation - MCE) um mtodo muito usado para avaliar e agregar muitos critrios, mas
apenas recentemente todo seu potencial foi constatado. Vrias tcnicas de MCE sero exploradas:
mtodos Booleanos simples, combinao linear ponderada (Weighted Linear Combination - WLC) e
Mdia ponderada ordenada (Ordered Weighted Average - OWA).

Um primeiro passo importante para entender a MCE desenvolver uma linguagem comum para
apresentar e compreender tais mtodos. Caso o leitor ainda no tenha feito isso, deveria revisar o
captulo Apoio deciso na seo TPICOS ESPECIAIS do Manual do Usurio do IDRISI for
Windows. Nestes exerccios, ns identificaremos e combinaremos uma variedade de critrios de modo a
definir reas prprias para novas reas residenciais. Este problema com um simples objetivo ir
inicialmente representar nosso quadro de deciso. O grupo de definio de reas especficas ser nosso
conjunto de deciso, isto , o conjunto de todos os locais aptos ao desenvolvimento imobilirio
residencial. No Exerccio 11, veremos como o quadro de deciso pode ser expandido de modo a incluir
mais de um objetivo ou alternativa locacional.

Antes de combinar critrios, entretanto, valores de critrios devem ser reescalonados para um intervalo
numrico comum, um processo conhecido com padronizao. Essencialmente este o processo de
converso de valores de critrios em expresses de associao ao conjunto, isto , sua associao ao
conjunto de reas locacionais para desenvolvimento imobilirio, o conjunto de deciso. Este exerccio ir
explorar como critrios so desenvolvidos e como estes critrios podem ser padronizados para MCE11.

11
Para maiores detalhes sobre estes tpicos veja o volume IV da srie de livros Explorations in Geographic Information Systems
Technology do UNITAR, GIS and Decision Making, 1993 (Worcester, MA.: Clark University).

Centro de Recursos Idrisi, Brasil


8. Avaliao por critrios mltiplos -- Anlise Booleana 175

Para demonstrar os diferentes modos como os critrios podem ser desenvolvidos bem como a variedade
de procedimentos de MCE disponveis, os primeiros trs exerccios estaro concentrados em um
problema de aptido simples. O objetivo encontrar as melhores reas para expanso residencial na
cidade de Westboro, Massachusetts, EUA. A cidade est localizada muito prxima a duas reas
metropolitanas e um local prioritrio para expanso residencial semi-rural.

a) Visualize a imagem WESTLUSE com a tabela de cores WESTLUSE. Escolha por visualizar a
legenda e o ttulo a partir dos componentes do mapa. Adicione tambm os arquivos vetoriais
WESRDS e WESSTRM usando o arquivo de smbolos Qualitativa 16 para ambos.

Como voc v, a cidade de Westboro e sua vizinhana imediata so bem variados. O uso de SIG tornar
a identificao de reas apropriadas melhor gerencivel.

Por causa da localizao principal, os incorporadores imobilirios cortejaram muito os administradores


municipais no sentido de obter as reas mais adequadas para a expanso residencial. Entretanto, grupos
ambientalistas tambm tm alguma influncia sobre onde esta expanso dever ou no ocorrer. A
paisagem ambientalmente mista de Westboro possui vrias reas a preservar para a vida selvagem. Alm
disso, a cidade de Westboro tem algumas regras especficas j vigentes que limitam as reas de expanso
urbana. Todas estas consideraes dever ser incorporadas no processo de tomada de deciso.

Este problema enquadra-se bem no cenrio de MCE. O objetivo explorar possveis reas aptas ao
desenvolvimento residencial para a cidade de Westboro: areas que melhor suprem as necessidades de
todos os grupos envolvidos. Os administradores da cidade esto trabalhando junto com os incorporadores
imobilirios e os ambientalistas e, em conjunto, identificaram vrios critrios que iro apoiar o processo
de tomada de deciso. Identificar e desenvolver critrios o primeiro passo na MCE.

Desenvolvimento de dados e critrios


De modo a determinar que reas considerar para o desenvolvimento residencial, a administrao da
cidade identificou trs conjuntos de critrios: a legislao urbana, que define onde pode ser contrudo, os
custos de investimento, importantes para os incorporadores, e as consideraes de ordem ambiental,
importantes para os ambientalistas.

O plano diretor da cidade tem critrios restritivos que delimitam reas para desenvolvimento
imobilirio. Para simplificar, incluiremos apenas um regulamento na presente anlise: nenhum
desenvolvimento novo pode ocorrer a menos de 50 metros de corpos dgua, banhados ou cursos dgua.
Adicionalmente a esta limitao legal, novos loteamentos no podem ocorrer em reas j usadas para tal
fim, nosso segundo critrio restritivo.

Tendo determinado os critrios restritivos, o maior desafio para os administradores foi identificar os
critrios que determinariam a aptido relativa das reas restantes. Estes critrios no so uma restrio
absoluta ao desenvolvimento, mas so fatores que realam ou diminuem a aptido relativa de uma rea
para o desenvolvimento residencial.

Para os incorporadores, estes critrios so fatores que determinam o custo de construir novas casas. A
viabilidade para o desenvolvimento imobilirio determinada por fatores tais como o tipo de uso atual
do solo, a distncia de rodovias, a declividade e a distncia at o centro da cidade. O custo das novas
reas residenciais ser menor em reas em que a limpeza da rea seja mais fcil, situem-se prximas de
rodovias e estejam em baixas declividades. Adicionalmente, altos custos de construo podem ser
compensados pela proximidade ao centro urbano, uma rea atrativa aos novos compradores.

De outro lado, fatores importantes do ponto de vista ambiental so aqueles que determinaro a qualidade
do terreno que ir permanecer como habitat natural. Para os ambientalistas, a criao de novas reas
residenciais deve ocorrer longe de corpos dgua e banhados e devem localizar-se o mais prximo
possvel de reas construdas j existentes.

Centro de Recursos Idrisi, Brasil


176 IDRISI for Windows - Exerccios tutoriais avanados

J comeamos a desenvolver a linguagem usada para MCE. Para resumir, os critrios acima so de dois
tipos: barreiras/limitaes absolutas (restries) e fatores limitantes/limitaes relativas (fatores).
Restries so aqueles critrios Booleanos que cerceiam ou limitam nossa anlise a regies geogrficas
especficas. Neste caso, as restries diferenciam reas ou alternativas que podemos considerar aptas
para desenvolvimento residencial ou alternativas que no so aptas sob condio alguma. Fatores, por
outro lado, so critrios que definem algum grau de aptido para todas as regies geogrficas. Eles
definem reas ou alternativas em termos de uma medida contnua de aptido, realando ou diminuindo a
importncia de uma alternativa em considerao naquelas reas fora das restries impostas pelos
critrios Booleanos, isto , proximidade de rodovias, cursos dgua ou declividades ngremes. Em nosso
exemplo, temos duas restries e seis fatores a desenvolver com nosso conjunto original de dados.
Direcionaremos nossa ateno agora ao desenvolvimento destes critrios para MCE em SIG.

Restrio corpos dgua e banhados


A primeira restrio a legislao urbana limitando o desenvolvimento imobilirio em reas a menos de
50 metros de lagos, cursos dgua e banhados. Desenvolvimento residencial simplesmente no pode
ocorrer em reas sob estas condies. Dados de corpos dgua e cursos dgua so facilmente obtidos,
mas os banhados geralmente no esto bem documentados na maioria dos mapas de cobertura do solo.
Felizmente, estes mapas podem ser atualizados atravs de imagens de satlite. Os dados sobre os
banhados usados aqui foram obtidos de imagens do satlite SPOT, os corpos dgua vieram do nosso
mapa de uso do solo e os cursos dgua estavam disponveis na forma de arquivo vetorial. Todos os trs
elementos sero combinados e sobre o resultado ser excluda uma rea tampo de 50 metros.

b) Caso voc no esteja com a imagem WESTLUSE na tela, visualize-a novamente com legenda
usando a tabela de cores WESTLUSE.

1. Qual o valor de atributo dos corpos dgua?

Usando RECLASS ou EDIT e ASSIGN, crie uma imagem Booleana da categoria corpos dgua
encontrados no mapa de uso do solo de tal modo que os corpos dgua recebam o valor 1 (um) e
todas as demais classes o valor 0 (zero). Chame o resultado de OPENWATR e visualize-o
usando a tabela de cores Qualitativa16, adicionando o arquivo vetorial WESSTRM. Para
atualizar de forma permanente a imagem OPENWATR com os dados dos cursos dgua,
execute LINERAS com o arquivo vetorial WESSTRM e a imagem OPENWATR como a
imagem a ser atualizada. Visualize o resultado para certificar-se de que a imagem agora contm
os corpos dgua e os cursos dgua.

A seguir, visualize a imagem dos banhados denominada WESTWETL usando a tabela de cores
Qualitativa16.

2. Qual o valor de atributo das reas de banhado? Qual a operao de OVERLAY que
voc pode usar para combinar WESTWETL com OPENWATR?

Execute OVERLAY com OPENWATR como a primeira imagem, WESTWTL como segunda
imagem, WATRWETL como imagem de sada e escolha a opo de sobreposio adequada. O
resultado deveria ser uma imagem dos corpos dgua, dos cursos dgua e dos banhados onde os
trs elementos tm o valor de 1 e as reas restantes o valor 0.

Finalmente, para calcular uma faixa tampo de reas protegidas em WATRWETL, execute o
mdulo BUFFER. Especifique WATRWETL como a imagem de feies, WATRPROT como
imagem de sada e uma faixa tampo de 50 metros de largura. Para tornar a imagem de sada
um mapa Booleano de reas inviveis para o desenvolvimento imobilirio, especifique o valor 1
para as reas originais, 1 para a faixa tampo e 0 para as reas alm da faixa tampo.

A imagem resultante est praticamente no formato apropriado para uma restrio. Ela uma
imagem Booleana onde o 1 representa corpos dgua, cursos dgua e banhados, com uma faixa
tampo de 50 metros. Estas so reas que pela legislao urbana no esto disponveis para o
desenvolvimento imobilirio. Para colocar esta restrio em conformidade com nossa escala
8. Avaliao por critrios mltiplos -- Anlise Booleana 177

padro de restries, inverteremos os valores de tal forma que as reas disponveis ao


desenvolvimento imobilirio tenham o valor 1 e as inviveis o valor 0. Use EDIT e ASSIGN
para inverter os valores em WATRPROT e denomine o resultado WATRCON, nossa primeira
restrio ao desenvolvimento imobilirio.

Restrio uso do solo


Nossa segunda restrio ou barreira, com as categorias de uso do solo no disponvels para o
desenvolvimento residencial, derivada do mapa de uso do solo.

c) Visualize WESTLUSE novamente. Claramente algumas destas classes so inviveis ao


desenvolvimento residencial. reas que j esto construdas, corpos dgua e amplos corredores
de transporte no podem ser considerados como aptos construo de casas sob hiptese
alguma.

3. Quais os valores de atributo das classes de uso do solo que so inaptas ao


desenvolvimento imobilirio? Use a tabela a seguir.

reas aptas Atributo reas inaptas Atributo


Agricultura J desenvolvidas
Pecuria Residencial, multi-familiar
Floresta Residencial, lotes pequenos
Campo aberto/natural Residencia, lotes mdios
Residencial, lotes grandes
Comercial
Industrial
Transporte
Corpos dgua

Use novamente EDIT e ASSIGN para alterar o valor das classes na imagem WESTLUSE de tal
modo que reas aptas tenham o valor 1 e reas inaptas o valor 0. Use a tabela para orientar sua
reclassificao e denomine a imagem resultante LUSECON (Voc tambm pode usar
RECLASS para realizar essa tarefa).

Uma vez tendo desenvolvido nossas restries Booleanas, podemos agora dirigir nossa ateno ao
desenvolvimento de nossos mapas de fatores. Dos cinco fatores a seguir, os primeiros trs so referentes
aos custos de construo enquanto os dois restantes tm relao com a preservao de habitats.

Fator uso do solo


Os incorporadores apontaram reas de agricultura e de pecuria como de alto custo de aquisio;
florestas so menos caras e oferecem retorno com o valor comercial da madeira das reas desmatadas,
sendo as reas de campo aberto as mais baratas, embora menos atrativas que as reas com floresta. Eles
ordenaram estes quatro usos em termos de custos globais e retorno, na seguinte sequncia das reas mais
aptas s menos aptas: campo aberto, florestas, pecuria e agricultura.

d) Para desenvolver este critrio, isolaremos todas as reas que so prprias para o
desenvolvimento urbano. Entretanto, diferente de nossa imagem LUSECON, conservaremos os
cdigos das diferentes classes de uso do solo. Use RECLASS para reclassificar as classes de uso
do solo imprprias para o valor 0, isto , todos os valores da imagem superiores a 4. As
categorias restantes (agricultura, pecuria, florestas e campo aberto) mantero seus
identificadores originais. Denomine a imagem resultante LANDAVAL.

Centro de Recursos Idrisi, Brasil


178 IDRISI for Windows - Exerccios tutoriais avanados

Fator distncia de rodovias


A distncia de rodovias um importante fator em nossa MCE, pois um dos custos bsicos levados em
considerao pelos incorporadores. Edificaes distantes de rodovias so proibitivamente caras.
Necessitamos criar agora uma imagem de distncias a partir de rodovias. Entretanto, como no temos
uma verso raster de nosso mapa de rodovias, temos que rasterizar o arquivo vetorial de rodovias sobre
uma nova imagem de rodovias.

e) O primeiro passo executar LINERAS a partir do arquivo WESRDS. Execute LINERAS,


especificando WESRDS como o arquivo vetorial de linhas e WESRDS como a imagem a ser
atualizada. Como a imagem WESRDS ainda no foi criada, LINERAS automaticamente
inicializar esta imagem para voc atravs do mdulo INITIAL. Na caixa de dilogo de
INITIAL, escolha copiar os parmetros espaciais da imagem WESTLUSE. A imagem
resultante j estar sendo denominada de WESRDS. D um ttulo a ela e acione OK.

Finalmente, execute a rotina DISTANCE sobre a imagem WESRDS. Indique o nome da


imagem de feies como sendo WESRDS e o nome da imagem de sada como ROADDIST. A
imagem resultante ter em cada pixel um valor que representa a sua distncia em metros das
rodovias.

Fator distncia at o centro da cidade


Assim como a distncia simples foi usada como base para os dois fatores acima, tambm possvel usar
a distncia de custo. No nosso problema a distncia de custo a partir do centro da cidade ser uma
considerao importante para os incorporadores. Novos moradores querem estar prximos aos servios
oferecidos no centro da cidade e eles pagaro mais para residncias a partir das quais possam alcanar o
centro urbano mais rapidamente.

Superfcies de custo so criadas no apenas a partir de feies mas a partir de uma superfcie de atrito
representando atritos relativos, ou barreiras ao deslocamento, associados travessia de um pixel. Em
nosso exemplo assumiremos que as rodovias so a nica via de transporte para o centro urbano. Por isso,
construiremos primeiramente uma superfcie de atrito onde todas as rodovias atuais tm um mesmo
valor bsico igual a 1 e reas alm das rodovias um valor igual a 3. reas alm das rodovias apenas
sero conectadas com rodovias existentes por novas rodovias de acesso construdas como parte do
desenvolvimento imobilirio. Essas novas rodovias de acesso tero limites de velocidade muito menores
(tempo de viagem seria em torno de 3 vezes maior do que aquele vlido para as rodovias j existentes).
Aps especificar a superfcie de atrito, aplicaremos o algoritmo de esforo de custo disponvel no mdulo
COST (Para uma discusso mais detalhada sobre COST, veja a descrio do mdulo no sistema de ajuda
do IDRISI for Windows e no exerccio com distncias de custo dos exerccios tutoriais introdutrios). O
resultado ser a distncia a partir do centro da cidade em equivalentes de clulas de grade, aqui
interpretadas como uma medida de tempo relativo de viagem ao longo de rodovias existentes e
potenciais.

f) O primeiro passo para a obteno de um mapa de distncias de custo criar uma superfcie de
atrito. Produziremos uma superfcie de atrito a partir da imagem WESRDS criada h pouco.
Use EDIT e ASSIGN para criar uma nova imagem, derivada de WESRDS, chamada
TOWNFRIC, onde todas as reas alm das rodovias recebem um valor igual a 3 e todas as
rodovias existentes um valor igual a 1.

g) Finalmente, execute COST. Especifique que voc deseja usar a opo Esforo de custo,
especifique WESTCENT, o centro da cidade de Westboro, como a imagem com feies de
origem e TOWNDIST como a imagem de sada.

Quando COST tiver concludo, voc pode visualizar TOWNDIST. Use a Composio para adicionar o
arquivo vetorial WESRDS e interprete o resultado.
8. Avaliao por critrios mltiplos -- Anlise Booleana 179

Fator declividade
O ltimo dos nossos fatores relevantes para custos das edificaes a declividade. Construir edificaes
menos oneroso em declives suaves. Declividades so facilmente calculadas a partir de modelos digitais
de elevao.

h) Execute o mdulo SURFACE. Especifique WESTELEV como modelo digital de elevao de


entrada e escolha calcular declividades. Selecione o clculo em porcentagem e um fator de
converso igual a 1 (uma vez que as unidades j so metros). Denomine a imagem de sada de
SLOPES. A nova imagem uma superfcie contnua de declividades em porcentagem.

Fator distncia da gua


Os ambientalistas esto preocupados com a contaminao do lenol fretico pelos sistemas spticos e
outras fontes no puntuais de poluio domstica. Embora no tenhamos dados sobre a gua subterrnea,
podemos usar os corpos dgua, os banhados e os cursos dgua como informao. A distncia destas
feies ir constituir um dos nossos dois fatores restantes, ambos relevantes do ponto de vista ambiental.

Para desenvolver este critrio usaremos a imagem WATRPROT criada anteriormente. Ambientalistas
insistem que novas reas residenciais deveriam estar o mais afastadas possvel de reas de banhados e de
corpos dgua j protegidos. Por isso calcularemos a distncia a partir de reas protegidas em torno de
corpos dgua e reas de banhado.

i) Execute DISTANCE, especifique WATRPROT como a imagem de feies e denomine a


imagem resultante de PROTDIST.

O resultado final PROTDIST ter um valor no qual cada pixel representa a distncia em metros das
reas protegidas que circundam a gua.

Fator distncia de reas j urbanizadas


O ltimo dos nossos fatores tambm envolve a preocupao ambiental. Os planejadores urbanos
gostariam de ver novas reas residenciais o mais prximo possvel de reas construdas j existentes. Isto
faria com que reas isoladas, adequadas vida selvagem, ficassem distantes de qualquer rea construda.
Primeiro, criaremos uma imagem de feies que contm as reas atualmente edificadas, a partir das
quais calcularemos um mapa de distncias.

j) A imagem de feies ser constituda de todas as reas construdas do mapa de uso do solo
WESTLUSE, as categorias 5 a 12 da legenda. Reclassifique WESTLUSE de modo que essas
reas j construdas recebam o valor 1 e as demais reas o valor 0. Denomine a nova imagem de
DEVELOPD. Execute ento DISTANCE usando DEVELOPD como imagem de feies e
especifique DEVLDIST como arquivo de sada.

Desenvolvemos agora os oito critrios que sero usados na identificao de reas prprias ao
desenvolvimento residencial. Os primeiros dois so barreiras que representam as restries ao
desenvolvimento impostas pela legislao da cidade e as reas que j esto construdas e no podem ser
consideradas para novo uso residencial. Os demais critrios so fatores que determinam a aptido
relativa de reas ainda no construdas, quatro deles relevantes ao custo das edificaes e trs relevantes
preservao de habitats.

MCE usando operadores Booleanos


Agora que as imagens dos fatores foram criadas, o primeiro mtodo de agregao de critrios que
examinaremos uma abordagem MCE Booleana simples. Esta abordagem largamente utilizada e a
base de muitas anlises centradas em SIG. Muitas vezes denominada de mapeamento de restries, ela
vista aqui como um caso especial de MCE. Entretanto, antes que os critrios possam ser combinados e
comparados entre si em qualquer MCE, eles necessitam ser padronizados para alguma escala de aptido.

Centro de Recursos Idrisi, Brasil


180 IDRISI for Windows - Exerccios tutoriais avanados

Padronizao de fatores (o caso Booleano)


Padronizao, no caso Booleano, significa reduzir todos os fatores a imagens Booleanas com reas aptas
e no aptas -- essencialmente transformando todos os nossos fatores em restries. Reduzir todos os
critrios a imagens Booleanas (com valores de 1 e 0) nos permitir facilmente agreg-los em uma
soluo final usando lgebra Booleana bsica. O mtodo mais comum de combinao a operao AND
(mnimo). Esta tcnica deve ser muito familiar a qualquer usurio de SIG. Usaremos os mapas de
restries que criamos, LUSECON e WETLCON, tal como esto. Entretanto, temos que reduzir nossos
fatores a mapas Booleanos, isto , a restries. Para converter os mapas de fatores iremos estender o
roteiro apresentado acima para sua criao e tomar decises rgidas para reas aptas ao desenvolvimento
urbano. As regras de deciso para nossos critrios so as seguintes:

Fator uso do solo


Sabemos que h quatro tipos de cobertura do solo disponveis para o desenvolvimento urbano, as quais
foram ordenadas em termos de aptido. Entretanto teremos que tomar uma deciso rgida para os tipos
que so aptos ao desenvolvimento urbano e aqueles que no so aptos. Como mencionado acima, reas
com floresta e campo so as menos caras para o desenvolvimento. De toda a terra disponvel, estas sero
consideradas aptas ao desenvolvimento urbano.

Fator distncia das rodovias


Para manter o custo das construes residenciais baixo, importante que as obras ocorram prximo a
rodovias j existentes. Assim, reas prximas a rodovias so mais aptas do que aquelas que esto
distantes. Entretanto, para uma anlise Booleana, teremos que reclassificar nossa imagem contnua de
distncia de rodovias para definir um limite da faixa tampo. Reclassificaremos nossa imagem de
distncia de rodovias de tal forma que reas a menos de 400 metros de qualquer rodovia sejam aptas e
aquelas alm de 400 metros no sejam.

Fator distncia at o centro da cidade


Presume-se que residentes de Westboro gostariam de estar prximos das facilidades do centro urbano.
Casas prximas ao centro traro lucros maiores aos incorporadores. A distncia at o centro da cidade
uma funo de tempo de viagem sobre as rodovias da rea (ou rodovias de acesso potenciais) as quais
calculamos usando a funo de distncia de custo. Como os incorporadores esto mais interessados nas
reas a menos de 10 minutos de tempo ao volante at o centro da cidade, estimamos que isto equivale a
aproximadamente 400 clulas na imagem de distncia de custo. Reclassificaremos a superfcie de
distncia de custo de tal modo que qualquer local apto se estiver a 10 minutos ou 400 clulas do centro
da cidade. Aqueles locais situados alm de 400 clulas do centro da cidade no so aptos.

Fator declividade
Devido ao fato de que declividades suaves tornam a construo de casas e rodovias mais barata,
reclassificaremos nosso mapa de declividades de modo que qualquer rea com declividade igual ou
inferior a 15% ser considerada apta e com declividade superior a 15% ser considerada no apta.

Fator distncia da gua


Como o lenol fretico local est ameaado pela poluio oriunda do sistema sptico e do escoamento
superficial, os ambientalistas ressaltam que reas distantes de corpos dgua e banhados so mais aptas
do que aquelas mais prximas. Embora os corpos dgua e banhados j sejam protegidos por uma faixa
tampo de 50 metros, os ambientalistas gostariam de ver esta rea expandida em mais 50 metros. Neste
caso, reas aptas para o desenvolvimento urbano tero que estar no mnimo 100 metros afastadas de
qualquer corpo dgua ou banhado, isto , 50 metros alm das reas j protegidas atualmente.

Fator distncia de reas j urbanizadas


Finalmente, as reas num raio de at 300 metros de distncia das reas j construdas so consideradas
as melhores para novo desenvolvimento pelos ambientalistas interessados na preservao de habitats de
vida selvagem isolados.

Criando mapas dos fatores Booleanos


k) Dos mapas de fatores criados anteriormente, use qualquer combinao de RECLASS ou EDIT e
ASSIGN para criar um novo conjunto de imagens de fatores Booleanos. D a elas os nomes de
8. Avaliao por critrios mltiplos -- Anlise Booleana 181

sada indicados na tabela a seguir. D para todas as reas aptas o valor 1 e s reas no aptas o
valor 0.

Mapa de fator Mapa de fator Booleano Regra de deciso


LANDAVAL LUSECOST Florestas e campos
ROADDIST ROADBUFF num raio de 400 m de rodovias
TOWNDIST TOWNBUFF a 10 min ou menos do centro da cidade (400
clulas)
SLOPE BESTSLOP declividades inferiores a 15%
PROTDIST PROTBUFF afastadas mais de 50 m de reas tampo j
existentes
DEVLDIST DEVLBUFF a menos de 300 m de reas j construdas

A abordagem Booleana para MCE


Agora que todos os nossos fatores foram transformados em imagens Booleanas, podemos combin-las
no mdulo MCE. MCE permite a voc escolher entre trs procedimentos MCE diferentes: Booleano,
Combinao linear ponderada e Mdia ponderada ordenada. Para esta parte do exerccio usaremos a
opo Booleana. Esta opo permite a entrada de qualquer nmero de restries que sero multiplicadas
entre si para produzir uma imagem nica de aptido. Este procedimento equivalente a uma operao
lgica AND e pode ser tambm realizada usando uma srie de operaes de multiplicao da rotina
OVERLAY.

l) Abra MCE no submenu Anlise/Apoio deciso. Selecione a opo Booleana. Especifique a


seguir que voc usar oito restries e indique os nomes dos arquivos (refira-se lista abaixo).
Chame o arquivo de sada de MCEBOOL e selecione OK.

Critrios de restrio
LUSECON
WATRCON
LUSECOST
ROADBUFF
TOWNBUFF
BESTSLOP
PROTBUFF
DEVLBUFF

Compararemos o resultado com os arquivos de entrada usando o modo expandido de consulta


do cursor. Isto nos permitir consultar uma imagem (MCEBOOL) usando o cursor para
visualizar o valor z de vrias imagens (nossos critrios) no mesmo local. Um arquivo de grupo
de imagens (.igf) criado usando EDIT no IDRISI for Windows.

m) Execute EDIT e especifique que voc quer criar um novo arquivo de grupo de imagens.
Denomine-o MCEBOOL e selecione para usar o editor de arquivos de grupo. Pressione OK.
Adicione os oito critrios de restrio e o prprio resultado de MCE (adicione a lista a seguir
marcando cada arquivo no editor e selecionando Adicionar).

MCECBOOL.IGF
LUSECON
WATRCON
LUSECOST
ROADBUFF
TOWNBUFF
BESTSLOP
PROTBUFF
DEVLBUFF

Centro de Recursos Idrisi, Brasil


182 IDRISI for Windows - Exerccios tutoriais avanados

n) Para acionar o modo expandido de consulta do cursor v ao submenu Visualizao/Preferncias


de visualizao e especifique que voc deseja usar o modo expandido. Especifique o arquivo de
grupo de imagens denominado MCEBOOL. Finalmente, visualize MCEBOOL com a tabela de
cores Qualitativa 16. Esta imagem tem o valor 1 nas reas aptas em todos os critrios e o valor
zero para reas que no so aptas em pelo menos um critrio. Selecione o modo de consulta do
cursor a partir do cone correspondente na barra de ferramentas e explore a imagem clicando
em vrios locais.

Deve estar claro que um valor de 1 apenas possvel nas reas em que os oito critrios tiveram valor 1 e
o resultado um valor 0 se numa dada posio a clula recebeu o valor 0 em pelo menos um dos
critrios. Aptido em um critrio no pode compensar a ausncia de aptido em qualquer outra imagem.
Adicionalmente, por ser a anlise MCE Booleana uma operao lgica AND (mnimo), ela muito
conservadora em termos de risco. Por satisfazer todos os critrios, o resultado a melhor localizao
possvel para o desenvolvimento urbano residencial.

Estas propriedades de no compensao e averso ao risco podem ser apropriadas para muitos projetos,
mas no nosso caso podemos imaginar que nossos critrios deveriam compensar uns aos outros e que no
estamos somente interessados em evitar riscos extremos. Por exemplo, um local distante do centro
urbano (no apropriado quando considerado apenas este critrio) pode representar uma excelente rea
em todos os demais aspectos. Ns poderamos por isso consider-la apta em algum grau.

o) Como uma anlise final usando o resultado da MCE Booleana, identificaremos aquelas reas
que possuem 20 hectares ou mais. Ao examinar a imagem MCEBOOL podemos verificar que
existem vrias reas de aptido contguas. Entretanto a maioria parece ser muito pequena para
um projeto de desenvolvimento residencial. Use uma combinao dos mdulos GROUP e
AREA e encontre as reas do resultado final da anlise MCE Booleana que tem 20 hectares ou
mais. Salve a sua imagem de reas contguas maiores que 20 hectares como HT20BOOL.
Visualize esta imagem com o arquivo vetorial WESRDS usando o arquivo de smbolos
Qualitativa 16.

4. Quantas reas aptas contguas maiores que 20 hectares existem em seu resultado?
9. Avaliao por critrios mltiplos --
Combinao linear ponderada

Nosso segundo mtodo de agregao por critrios mltiplos denominado de Combinao Linear
Ponderada (Weighted Linear Combination - WLC). Neste mtodo os fatores no so reduzidos a simples
restries Booleanas. Ao invs disso, eles so padronizados para uma escala contnua de aptido de 0
(menos apto) a 255 (mais apto). Reescalonar os fatores para uma escala contnua permite-nos compar-
los e combin-los, como no caso Booleano. Entretanto, no caso contnuo, evitaremos as decises
Booleanas rgidas de definio de uma rea em particular como absolutamente apta ou no apta. Com
WLC usaremos o conceito relativo ou fuzzy para definir aquelas reas que so aptas e para definir o
limite entre o apto e o inapto para os nossos fatores. Nossas restries mantero seu carter Booleano
rgido.

Como veremos, WLC permite no apenas reter toda a variabilidade dos nossos dados contnuos mas
oferece tambm a possibilidade de nossos fatores compensarem-se uns com os outros. Um escore de
aptido baixo em um fator para uma rea qualquer pode ser compensada por um escore alto de aptido
em outro fator. A forma como ocorre a compensao de um fator com o outro ser determinada por um
conjunto de pesos dos fatores que indica a importncia relativa de cada fator. Adicionalmente, este
procedimento de agregao afasta a anlise do extremo de averso ao risco da operao AND. Como
veremos, WLC uma tcnica baseada nas mdias e que coloca nossa anlise exatamente a meio
caminho das operaes AND (mnimo) e do OR (mximo), isto , nenhum risco extremo e nenhum
extremo de averso ao risco.

Padronizao de fatores (Fuzzy)


O procedimento de padronizao de WLC um pouco mais complexo que no caso Booleano. Os fatores
no so apenas reclassificados em 0 e 1, mas reescalonados de acordo com alguma funo para um
intervalo particular comum. Para usar fatores fuzzy com o mdulo MCE eles devem ser padronizados
para um intervalo em nvel de byte entre 0 e 255. As restries originais de nosso exemplo, os corpos
dgua e os banhados (WATRCON) e certos usos do solo (LUSECON), sero mantidas como imagens
Booleanas que atuaro simplesmente como uma mscara no ltimo passo de WLC, isto , sero critrios
de restrio.

Centro de Recursos Idrisi, Brasil


184 IDRISI for Windows - Exerccios tutoriais avanados

Vamos reconsiderar nossos fatores originais, rotinas de padronizao e regras de deciso. Estas regras de
deciso estavam anteriormente na forma de decises rgidas. Nossos fatores foram reduzidos a restries
Booleanas usando funes de associao a conjuntos fixos, 0 e 1. Agora nossos fatores sero
considerados luz de regras de deciso fuzzy onde reas aptas e inaptas constituem medidas contnuas.
Os fatores contnuos resultantes a serem produzidos sero desenvolvidos usando funes de associao a
conjuntos fuzzy.

Fator uso do solo


Em nossa MCE Booleana reclassificamos nossos quatro tipos de uso do solo disponveis para
desenvolvimento residencial urbano em aptos (florestas e campos) e inaptos (agricultura e pecuria).
Entretanto, de acordo com os incorporadores todos os quatro tipos de uso do solo possuem diferentes
nveis de aptido para desenvolvimento residencial. Conhecendo a aptido relativa de cada categoria
podemos reescalon-la em intervalos de 0 a 255. Enquanto a maioria dos fatores pode ser reescalonada
automaticamente usando-se alguma funo matemtica, reescalonar dados discretos para dar um
determinado ndice subjetivo para cada categoria deve se basear em algum conhecimento. Neste caso, a
ordem hierrquica foi especificada pelos incorporadores.

a) Na escala de 0 a 255 atribuiremos o ndice de aptido 255 para os campos, 200 para reas com
floresta, 125 para reas de pecuria e 75 para reas de agricultura. Use EDIT e ASSIGN para
alterar os identificadores das classes na imagem de feies WETLUSE para os novos escores de
aptido relativa, atribuindo zero a todas as demais categorias. Denomine de LANDFAC o mapa
de fatores padronizados derivado do mapa de uso do solo.

Fator distncia at o centro da cidade


A funo de reescalonamento mais comum toma um intervalo original de dados e efetua um realce
linear simples. Por exemplo, medidas de distncia relativa do centro da cidade, um determinante
importante de lucro para os incorporadores, sero reescalonadas para um ndice de aptido onde a maior
distncia possui o menor escore de aptido (0) e a menor distncia de custo tem o maior escore de
aptido (255). Uma funo de decrscimo linear simples apropriada para este critrio, isto , medida
que a distncia de custo do centro da cidade aumenta, a aptido diminui (veja a figura abaixo).

255

A
p
t
i
d

o

0
Distncia de custo Distncia de custo
mnima mxima
TOWNDIST

b) Para reescalonar nosso fator distncia de custo usando essa funo linear simples, usaremos o
mdulo FUZZY. Necessitaremos indicar pontos de controle que reflitam a funo de decrscimo
linear e a aptido decrescente medida que nos afastamos do centro da cidade. Neste caso, os
pontos de controle so os pontos extremos da reta, os valores mnimos e mximos de distncia
encontrados em nossa imagem de distncias de custo.

1. Execute DESCRIBE para encontrar os valores mnimos e mximos de distncia na


imagem TOWNDIST. Registre estes valores para us-los como pontos de controle.
9. Avaliao por critrios mltiplos -- Combinao linear ponderada 185

2. A seguir, execute o mdulo FUZZY com TOWNDIST como a imagem de entrada e


especifique uma funo linear. Ajuste a funo para monotonicamente decrescente, j
que a aptido decresce com o aumento da distncia at o centro da cidade. Em seguida,
indicaremos os valores mnimos e mximos da imagem TOWNDIST respectivamente
como o ponto de controle c e o ponto de controle d. Ajuste o formato de dados de sada
para byte (0-255). Denomine este segundo mapa de fatores de TOWNFAC.

3. Explique por que o resultado no mostra anis concntricos perfeitos de aptido


emanando do centro da cidade?

Fator distncia de corpos dgua


Outros fatores, como a nossa distncia de corpos dgua, no possuem um decrscimo ou acrscimo
constante de aptido baseado apenas na distncia. Ns sabemos, por exemplo, que a legislao urbana de
Westboro permite o desenvolvimento residencial com afastamento mnimo de 50 metros de corpos
dgua e banhados e que os ambientalistas preferem ver o desenvolvimento residencial ocorrer ainda
mais distante destes corpos dgua. Entretanto, uma distncia de 800 metros pode ser to boa quanto
uma distncia de 1.000 metros, pois a aptido no aumenta com a distncia de forma constante.

Em nosso estudo de caso, a aptido muito baixa a menos de 100 metros da gua como vimos no
exemplo Booleano. Alm dos 100 metros, todas as partes concordam que a aptido cresce com a
distncia. Os ambientalistas, entretanto, colocam que os benefcios ambientais obtidos com a distncia
dos corpos dgua atingem um mximo aos 800 metros. Alm dos 800 metros a aptido para
desenvolvimento residencial mantm-se constante. Esta funo no uma funo linear simples como
aquela usada no fator anterior. Ela melhor descrita por uma curva sigmoidal crescente (veja o grfico
abaixo).

255

A
p
t
i
d

o

0
100 800
Distncia (m)

c) Usaremos uma funo sigmoidal para reescalonar os valores na nossa imagem de distncia de
reas protegidas PROTDIST.

1. Execute o mdulo FUZZY com PROTDIST como nossa imagem de entrada e


especifique uma funo sigmoidal monotonicamente crescente. Para acomodar os dois
valores-limite de 100 e 800 metros em nossa funo, os pontos de controle no sero
mais o mnimo e o mximo dos nossos valores de entrada. Ao contrrio, eles sero
equivalentes aos pontos de inflexo na curva sigmoidal. No caso de uma funo
crescente, o primeiro ponto de controle (a) o valor no qual a aptido comea a subir
abruptamente acima de zero e o segundo ponto de controle (b) onde a aptido comea a
manter-se constante e aproxima-se de um valor mximo de 255. Lembre-se tambm
que PROTDIST representa a distncia da faixa tampo de 50 metros j protegida em
torno de corpos dgua e banhados. Por isto, para este fator indique um valor de 50
para o ponto de controle a e um valor de 750 para o ponto de controle b. Novamente,

Centro de Recursos Idrisi, Brasil


186 IDRISI for Windows - Exerccios tutoriais avanados

ajuste o formato dos dados de sada para byte, denominando o resultado de


WATRFAC.

Para compreender melhor o resultado do mapa de aptido fuzzy, til examin-lo em


perspectiva ortogrfica com uma imagem de cobertura contendo os mesmos dados. Para fazer
isto no IDRISI for Windows necessitamos fazer primeiro uma cpia de WATRFAC que ser
usada como imagem de cobertura.

2. Na Manuteno de arquivos, copie WATRFAC e denomine o novo arquivo de


WATRFACD.

3. A seguir, execute ORTHO, especifique WATRFAC como a imagem de relevo e


WATRFACD como imagem de cobertura. Selecione um fator de exagero vertical igual
a 0,3 e uma resoluo de sada compatvel com o seu monitor. Aceite as demais opes
padro e pressione OK. Aps a imagem ter sido visualizada, amplie uma janela no
canto extremo direito de nossa rea de estudo. Voc ver nitidamente um perfil
indicando o carter sigmoidal dos dados recm escalonados. Na base da curva visvel
(mostrada em preto e em azul escuro) estamos a menos de 100 metros do corpo dgua
mais prximo, enquanto no topo da curva (mostrado em verde escuro) estamos alm
dos 800 metros do corpo dgua mais prximo.

4. Quais so os valores no topo e na base da curva? O que eles representam? Os que os


valores intermedirios a eles representam?

Fator distncia das rodovias


Da mesma forma que o nosso fator de distncia de corpos dgua, a distncia das rodovias um fator
contnuo a ser reescalonado de 0 a 255. Nas operaes anteriores, os incorporadores identificaram
apenas reas a menos de 400 metros de rodovias como aptas. Entretanto, dada a possibilidade de
determinar um intervalo de aptido, eles identificaram reas a at 50 metros de rodovias como as mais
aptas e reas alm dos 50 metros como tendo um decrscimo contnuo de aptido que se aproxima de 0.
Esta funo descrita adequadamente por um curva decrescente em forma de J (veja figura abaixo).

255

A
p
t
i
d

o

0
50
Distncia

d) Para reescalonar nosso fator distncia das rodovias para esta curva em forma de J usaremos
novamente o mdulo FUZZY.

1. Execute FUZZY com ROADDIST como imagem de entrada e selecione uma funo
monotonicamente decrescente em forma de J. O primeiro ponto de controle o valor
no qual a aptido comea a declinar do valor mximo e o segundo ponto de controle
o valor estimado do ponto de inflexo na curva, ou o ponto intermedirio at a base da
curva onde a associao ao conjunto comea a se aproximar de zero. No nosso caso, o
primeiro ponto de controle (c) ser 50 e o segundo (d) ser 400 metros. Ajuste o
9. Avaliao por critrios mltiplos -- Combinao linear ponderada 187

formato dos dados de sada para byte e especifique ROADFAC como nome da imagem
de sada.

Voc poder visualizar o resultado usando ORTHO. Para tal, siga os mesmos passos utilizados
para essa finalidade nos passos 2 e 3 do item c), indicando como imagem de relevo
ROADFAC e como nova imagem de cobertura ROADFACD (deve ser copiada antes de
executar ORTHO).

2. Em que a curva em forma de J difere da curva sigmoidal? Sugesto: Observe, tanto na


Visualizao das imagens quanto nos produtos de ORTHO, que no existem valores
representando reas absolutamente inaptas.

Fator declividades
Sabemos, das nossas discusses anteriores, que reas com declividades inferiores a 15% so as de
melhor eficincia de custo. Entretanto, as declividades mais baixas so as melhores e qualquer
declividade acima de a 15% igualmente inapta. Usaremos novamente a funo sigmoidal para
reescalonar nossos dados para o intervalo de 0 a 255.

e) Ao executar FUZZY neste caso, o primeiro ponto de inflexo, onde a curva comea a decrescer
abaixo do mximo de aptido, ser nosso valor mnimo de declividade (0%), enquanto nosso
segundo ponto de controle ser a declividade de 15%, a aptido mnima.

1. Execute FUZZY e especifique SLOPES como a imagem de entrada, selecione uma


funo monotonicamente decrescente e indique o valor zero para o ponto de controle c
e o valor 15 para o ponto de controle d. Ajuste o formato dos dados de sada para byte e
chame o resultado de SLOPFAC.

2. Desenhe e legende o grfico que mostra os pontos extremos da curva que descreve essa
funo sigmoidal para o fator SLOPFAC.

Fator distncia de reas j urbanizadas


Finalmente, nosso ltimo fator, importante para os ambientalistas, ser tambm reescalonado usando-se
uma funo de decrscimo linear com a distncia. reas prximas a locais j urbanizados sero mais
aptas do que reas mais distantes destas, isto , a aptido decrescer com a distncia.

f) Execute FUZZY com DEVLDIST como imagem de entrada e especifique uma funo linear.
Ajuste para funo monotonicamente decrescente, j que a aptido decresce com a distncia.
Use o valor mnimo de distncia como o primeiro ponto de controle e o mximo como o
segundo. Ajuste o formato dos dados de sada para byte (0-255) e denomine o arquivo de sada
DEVLFAC.

Ponderao de fatores
Uma das vantagens do mtodo WLC a capacidade de dar diferentes pesos relativos para cada um dos
fatores no processo de agregao. Os pesos dos fatores, algumas vezes chamados de pesos de
compensao, so atribudos a cada fator; eles indicam a importncia relativa de cada fator em relao
aos demais e controlam como os fatores iro compensar-se uns aos outros. No caso da WLC, onde os
fatores se compensam totalmente, fatores com aptido elevada em um local podem compensar outros
fatores com baixa aptido neste mesmo local. O grau com que um fator pode compensar o outro
determinado pelo seu fator, ou peso de compensao.

No IDRISI for Windows o mdulo WEIGHT utiliza uma tcnica de comparao pareada para
desenvolver um conjunto de pesos de fatores. As comparaes referem-se importncia relativa dos dois
fatores na determinao de sua aptido para o objetivo determinado. O mdulo informa os novos pesos
juntamente com uma razo de consistncia. A razo de consistncia tem a inteno de instruir o usurio
sobre quaisquer inconsistncias ocorridas durante o processo de comparao pareada. O mdulo permite
um processo iterativo de explorao, onde o usurio ou grupo de usurios pode experimentar uma
variedade de esquemas de ponderao (atribuio de pesos).

Centro de Recursos Idrisi, Brasil


188 IDRISI for Windows - Exerccios tutoriais avanados

g) Execute WEIGHT e especifique que voc quer usar o arquivo de comparao pareada (.pcf)
RESDEV, existente em seu diretrio de exerccios. Especifique tambm que voc deseja
produzir um arquivo de apoio deciso de sada com o mesmo nome, RESDEV. Pressione a
seguir o boto Continuar. A segunda caixa de dilogo mostra uma matriz de comparao
pareada que contm a informao armazenada no arquivo .pcf RESDEV. Esta matriz indica a
importncia relativa de qualquer fator em relao aos demais. Ela o resultado de longas
discusses entre planejadores urbanos e seus parceiros. Entretanto, deve-se observar que muito
difcil cotejar fatores relevantes para os ambientalistas com aqueles relevantes para os
incorporadores. Trataremos desse tema no Exerccio 10.

Aps a matriz estar completa, os pesos dos fatores podem ser calculados acionando-se a opo
Calcular pesos. Voc pode fazer isto vrias vezes, sempre retornando matriz de comparao
pareada, ajustando os escores e calculando pesos at que uma razo de consistncia aceitvel
seja alcanada. Convm observar que voc pode aceitar a comparao pareada a qualquer
momento, independente da razo de consistncia obtida, e ento usar os pesos resultantes para
ponderar seus fatores. Optaremos por aceitar a matriz de comparao pareada tal como foi
desenvolvida. Pressione OK. Os pesos resultantes devem coincidir com os da tabela abaixo.
Voc pode sempre retornar ao mdulo de ponderao e tentar alterar qualquer das comparaes
pareadas j feitas.

Fator Peso do fator


LANDFAC 0,06
TOWNFAC 0,09
WATRFAC 0,11
ROADFAC 0,32
SLOPFAC 0,32
DEVLFAC 0,11

Execuo de MCE (WLC)


Um dos procedimentos mais comuns de agregao de dados a Combinao Linear Ponderada
(Weighted Linear Combination - WLC). No IDRISI for Windows isto feito multiplicando-se cada fator
padronizado pelo seu peso correspondente (em nosso caso pesos derivados atravs do mdulo WEIGHT,
mas de nenhum modo limitados a essa nica tcnica) e somando-se a seguir todos os fatores. Uma vez
somados os fatores, o ltimo passo no WLC multiplicar nossas restries Booleanas (em nosso
exemplo, LUSECON e WATRCON) para eliminar as reas que no so aptas em grau algum. A
imagem final uma medida de aptido agregada com valores entre 0 e 255. Este procedimento pode
parecer tedioso, mas executado facilmente atravs do mdulo MCE. Embora assuma-se que o leitor
esteja familiarizado com estas tcnicas, uma reviso sobre WLC no captulo Apoio deciso ser
bastante til.

O procedimento WLC permite uma completa compensao entre todos os fatores. O grau com que um
fator pode compensar outro, entretanto, determinado pelo seu peso. Em nosso exemplo, um alto escore
de aptido em SLOPFAC pode facilmente compensar um baixo escore de aptido de LANDFAC em um
mesmo local. Na imagem resultante este local ter uma aptido elevada. No cenrio inverso, um alto
escore de aptido em LANDFAC pode compensar um baixo escore de aptido em SLOPFAC. O grau
com que essa compensao ir impactar o resultado final muito limitado pelo seu baixo peso. Em
termos de risco relativo, vimos anteriormente como uma MCE Booleana que usa a operao AND
essencialmente uma operao muito conservadora ou contrria a riscos e que a operao OR aceita
riscos. Estes so os extremos de um contnuo de aceitao de risco (ANDness). A WLC, entretanto, est
exatamente no meio deste contnuo, sendo caracterizada, portanto, por uma compensao plena e risco
mdio (veja a figura a seguir).
9. Avaliao por critrios mltiplos -- Combinao linear ponderada 189

MCEWLC
1
C
o
m
p
e
n
s
a


o
0
1 Aceitao de risco 0

h) Execute MCE usando a opo de Combinao Linear Ponderada. Recupere o arquivo de


parmetros dos seis fatores e seus respectivos pesos chamado RESDEV que voc criou no item
anterior. Especifique ainda o uso de duas restries, LUSECON e WATRCON. Denomine a
imagem resultante de MCEWLC e salve novamente o arquivo de parmetros. Mais uma vez
iremos comparar o resultado com os arquivos de entrada usando a consulta expandida do
cursor. Use EDIT e escolha criar um novo arquivo de grupo de imagens chamado MCEWLC.
Adicione ao grupo os sete arquivos a seguir:

MCEWLC.IGF
MCEWLC
LANDFAC
WATRFAC
ROADFAC
TOWNFAC
SLOPFAC
DEVLFAC

Visualize MCEWLC e use a consulta expandida do cursor para explorar a imagem. Assegure-se
de ter redefinido o arquivo de grupo nas Preferncias de visualizao, e acione tambm a opo
Mostrar grfico. Examinando os resultados deve estar claro a voc que reas com aptido
similar no possuem necessariamente a mesma combinao de escores de aptido para cada
fator. O fatores compensam uns aos outros atravs da imagem. Qual o fator mais determinante
do carter do mapa de aptido resultante? Por que?

i) Como no exemplo anterior de MCE Booleana, estamos mais interessados nas reas de aptido
elevada que possuem um tamanho superior a 20 hectares, a rea mnima a ser considerada para
desenvolvimento residencial urbano. Necessitamos identificar primeiro aquelas reas que tm
maior aptido. Um dos vrios mtodos que existem consiste em segmentar arbitrariamente o
nosso mapa de aptido de tal modo que apenas reas com a maior aptido permaneam
disponveis para considerao. Posteriormente temos que agrup-las, tal como foi feito no
exemplo Booleano, para encontrar as reas com 20 hectares ou mais. Usaremos o histograma de
MCEWLC para determinar o valor de limiar para a segmentao do mapa de aptido.
Poderamos tambm usar o mdulo RANK para ordenar o mapa de aptido e ento reclassificar
esta imagem para alguma percentagem arbitrria dos pixels de ordem hierrquica mais elevada.

1 Execute HISTO com MCEWLC como imagem de entrada com um valor mnimo igual
a 1. Observe a mudana na freqncia no valor 175. Este ponto ser nosso valor de
limiar.

2. Execute RECLASS e especifique MCEWLC como imagem de entrada e MCEWLCH


(para reas mais aptas) como imagem de sada. Reclassifique MCEWLC de modo que
todas as reas com escore de aptido superior a 175 recebam um novo valor de 1 e
todas as demais reas um novo valor igual a 0. Para explorar este resultado mais tarde,

Centro de Recursos Idrisi, Brasil


190 IDRISI for Windows - Exerccios tutoriais avanados

adicione MCEWLCH ao arquivo de grupo MCEWLC usando EDIT e examine cada


um dos novos grupos de alta aptido com o cursor. Finalmente, use o mesmo esquema
de agrupamento discutido anteriormente para isolar reas contguas maiores que 20
hectares. Salve sua imagem de reas contnuas maiores que 20 hectares como
HT20WLC. Visualize esta imagem e adicione o arquivo vetorial WESRDS usando o
arquivo de smbolos Qualitativa 16.

3. Estas so as mesmas reas do que as do exerccio de MCE Booleana? Por que no?
Quais os grupos que possuem o grau mdio de aptido mais elevado? E o mais baixo?
Que fatores podem explicar esta diferena? Sugesto: use os mdulos GROUP e
EXTRACT e explore sua imagem resultante adicionando-a ao arquivo de grupo
MCEWLC.
10. Avaliao por critrios mltiplos --
Mdia ponderada ordenada

O ltimo mtodo de agregao de critrios em nossa MCE a Mdia Ponderada Ordenada (Ordered
Weighted Average - OWA). Esta tcnica similar WLC vista h pouco, uma vez que os critrios so
padronizados e ponderados do mesmo modo, restries so mscaras Booleanas e fatores so mapas
contnuos de aptido que so ponderados de acordo com sua importncia relativa. Por isso, no iremos
ponderar ou padronizar nossos fatores novamente para este mtodo de MCE. Entretanto, no caso da
OWA, um segundo conjunto de pesos, agora pesos de ordenao, sero aplicados a nossos fatores. Pesos
de ordenao nos daro um maior grau de controle sobre o nvel global de compensao entre fatores,
assim como do nvel de risco na determinao da aptido.

Nosso primeiro mtodo de agregao, o mtodo Booleano, demandou que reduzssemos nossos fatores a
simples restries que representam decises rgidas sobre a aptido. O mapa final de aptido para
desenvolvimento residencial foi o produto da operao lgica AND (mnimo), isto , ela foi uma soluo
que evitou o risco, no deixando nenhuma possibilidade para que os critrios compensem uns aos outros.
Caso um local no fosse apto para todos os critrios, este local no poderia ser apto no mapa final.

A WLC, entretanto, permite-nos usar todo o potencial de nossos fatores como superfcies contnuas de
aptido. Lembre que aps identificar os fatores, eles foram padronizados usando-se funes fuzzy,
ponderados e combinados usando a tcnica das mdias. Os pesos dos fatores usados expressaram a
importncia relativa de cada critrio para o objetivo global e determinaram como os fatores foram
compensados entre si. O mapa final de aptido contnua para desenvolvimento residencial (MCEWLC)
foi o resultado de uma operao que est exatamente no meio do caminho entre as operaes AND e OR,
ela no foi nem totalmente aversa ao risco nem aceitou um risco exagerado. Adicionalmente, permitiu-se
que todos os fatores pudessem ser totalmente compensados. Qualquer fator poderia compensar qualquer
outro de acordo com o seu peso.

Assim, os procedimentos de MCE que usamos nos dois exerccios anteriores situam-se ao longo de um
contnuo entre o AND e o OR . O mtodo Booleano nos d acesso aos extremos, enquanto a WLC coloca
a operao exatamente no meio desses extremos. Em ambos os extremos do contnuo no possvel uma
compensao, mas no meio existe um potencial para compensao total. A OWA, entretanto, nos dar
um controle tanto sobre as posies da MCE ao longo de um contnuo, como sobre o nvel global de
compensao. Isto , ela nos permitir controlar o nvel de risco (ANDness) que desejamos assumir em
Centro de Recursos Idrisi, Brasil
192 IDRISI for Windows - Exerccios tutoriais avanados

nossa MCE e o grau com que os pesos dos fatores (pesos de compensao) iro influenciar o mapa final
de aptido. A OWA oferece uma variedade de solues possveis para nosso problema de
desenvolvimento residencial.

O controle sobre o nvel de risco e sobre a compensao feito especificando-se um conjunto de pesos de
ordenao para as diferentes posies de ordem hierrquica dos fatores em cada local (pixel). Os pesos
de ordenao governaro primeiramente o grau com o qual os pesos dos fatores tero influncia no
procedimento de agregao. Aps a aplicao dos pesos dos fatores (em algum grau) aos fatores
originais, os resultados so ordenados da aptido mais baixa mais elevada em cada local. Ao fator com
o escore de menor aptido dado o primeiro peso de ordenao, ao fator com o segundo valor mais
baixo o segundo peso de ordenao e assim por diante. Isto tem o efeito de ponderar fatores com base em
sua ordem do valor mnimo ao valor mximo para cada local. O deslocamento relativo em direo ao
mnimo ou ao mximo dos pesos de ordenao controla o nvel de risco (ANDness) e o prprio risco,
enquanto o grau com o qual os pesos de ordenao esto uniformemente distribudos ao longo de todas
as posies controla o nvel de compensao global, isto , o grau com o qual os pesos dos fatores
influenciam. O usurio deve revisar o captulo Apoio deciso no Manual do Usurio do IDRISI for
Windows para maiores informaes sobre OWA.

Execuo de OWA -- Risco mdio e compensao plena


Em nosso exemplo necessitamos especificar seis pesos de ordenao porque temos seis fatores que sero
ordenados para cada local aps a aplicao dos pesos dos fatores. Caso queiramos produzir um resultado
idntico quele do nosso exemplo de WLC, onde nosso nvel de risco situou-se exatamente entre AND e
OR, nosso nvel de compensao pleno e no qual os pesos dos fatores so usados plenamente, teremos
que especificar os seguintes pesos de ordenao:

Nvel mdio de risco -- compensao plena


Pesos de ordenao: 0,16 0,16 0,16 0,16 0,16 0,16
Ordem: 1 2 3 4 5 6

No exemplo acima, o peso distribudo regularmente entre todos os fatores independente de sua posio
ordenada do mnimo ao mximo para qualquer local. Eles no tendem nem em direo ao mnimo
(operao AND) nem em direo ao mximo (operao OR). Como no procedimento WLC, nosso
resultado estar exatamente no meio em termos de ANDness e de risco12. Adicionalmente, como todas as
posies de ordem hierrquica recebem o mesmo peso, nenhuma posio ordenada ter maior influncia
sobre a outra no resultado final. Haver compensao plena entre fatores permitindo que os pesos dos
fatores sejam plenamente usados. Para ver o resultado de um esquema de ponderao destes, e um
intervalo de outras solues possveis para nosso problema de desenvolvimento residencial urbano,
usaremos novamente o mdulo MCE.

a) Execute MCE e selecione a operao Mdia ponderada ordenada. Recupere seu arquivo de
parmetros .dsf salvo durante o procedimento WLC, chamado RESDEV. Adicionalmente aos
parmetros salvos anteriormente, um novo conjunto de pesos, pesos de ordenao, aparece na
base da caixa de dilogo de OWA. As definies padro para estes pesos so iguais para todos -
- compensao plena e risco mdio. Denomine a imagem de sada MCEAVG para operao
OWA de risco mdio. Salve os parmetros com o nome MCEAVG13. Pressione OK.

Visualize a nova imagem MCEAVG e o resultado de WLC anteriormente criado, MCEWLC. Estas
imagens so idnticas. Use EDIT com o arquivo de grupo MCEWLC utilizado anteriormente para
consulta expandida do cursor. Adicione MECAVG ao arquivo de grupo e salve-o com o novo nome
MCEOWA. A explorao de cada imagem mostrada deve revelar que elas so iguais, cada uma

12
importante lembrar que a ordem hierrquica para um conjunto de fatores para um dado local pode no ser a mesma de outro local;
pesos de ordenao so especficos da hierarquia e no dos fatores.
13
Sugerimos que voc sempre salve um arquivo de parmetros .dsf com o mesmo nome da sua imagem de sada toda vez que executar o
mdulo OWA.
10. Avaliao por critrios mltiplos -- Mdia ponderada ordenada 193

possuindo o mesmo nvel de compensao e de risco. Adicionalmente, caso queiramos identificar as


reas mais aptas ao desenvolvimento residencial com mais de 20 hectares, teremos um resultado igual ao
do nosso exemplo de WLC. Como vimos, a tcnica WLC um subconjunto da tcnica OWA.

Execuo de OWA -- Baixo risco e nenhuma compensao


Caso quisssemos produzir um resultado com baixo risco para nosso problema de desenvolvimento
residencial, algo prximo ao AND (mnimo) no nosso contnuo de ANDness, daramos maior peso de
ordenao aos fatores mais prximos do valor mnimo. De fato, caso atribussemos peso total ao fator
individual com o escore de aptido mnimo, nosso resultado seria muito parecido com o obtido na
operao AND usada em nossa MCE Booleana. Adicionalmente, tal ponderao resultaria em nenhuma
compensao. Os pesos de fatores desenvolvidos por ns anteriormente simplesmente no teriam
influncia em nossa sada final. Os pesos de ordenao que usaramos para essa operao AND seria os
seguintes:

Baixo nvel de risco -- nenhuma compensao


Pesos de ordenao: 1 0 0 0 0 0
Ordem: 1 2 3 4 5 6

Neste exemplo de operao AND todo o peso dado primeira posio hierrquica, o fator com o escore
de aptido mnimo para um dado local. Nitidamente, este conjunto de pesos de ordenao est deslocado
em direo a AND, o fator com o valor mnimo ganha todo o peso. Adicionalmente, como no dado
qualquer peso a nenhuma outra posio de ordem hierrquica alm do mnimo, no pode haver
compensao entre fatores, o fator mnimo sozinho determina o resultado final.

b) Execute MCE usando a operao OWA e recupere o arquivo de parmetros MCEAVG.


Denomine o arquivo de sada MCEMIN, modifique os pesos de ordenao de tal forma que eles
produzam a operao mnimo, conforme ilustrado na tabela acima. Salve os parmetros para
MCEMIN e ento execute o mdulo. Adicione a imagem com o resultado ao seu arquivo de
grupos MCEOWA (voc j pode remover MCEWLC), visualize o resultado e explore a imagem
usando seu cursor. Que fator teve maior influncia no resultado final para cada local na
imagem? Que influncia tiveram os pesos dos fatores nesta operao? Por que?

c) Para comparao, visualize seu resultado Booleano, MCEBOOL, ao lado de MCEMIN. Como
possvel ver claramente, estas imagens tm muitas reas em comum. Explique por que h reas
de alta aptido que no correspondem ao resultado Booleano?

Uma diferena importante entre o resultado mnimo de OWA e o resultado Booleano evidente em
reas em que a aptido elevada em ambas as imagens. Diferente do resultado Booleano, as reas
escolhidas como aptas na operao OWA tm graus variveis de aptido.

d) Execute OVERLAY e multiplique MCEBOOL por MCEMIN, denominando o resultado


RANGE. A imagem resultante ir mostrar um intervalo contnuo de aptido dentro de reas
aptas da nossa anlise Booleana original. Apesar de ambas serem resultados de risco
extremamente baixo, MCEMIN oferece mais informao que pode ser importante para a seleo
de reas residenciais.

e) Agora, crie uma imagem denominada MCEMAX que represente a operao de mximo, usando
o mesmo conjunto de fatores e restries. Que pesos de ordenao voc usou? Que nvel de
compensao existe em sua operao de mximo? Que nvel de risco?

Os resultados de mnimo e mximo esto localizados nos pontos extremos de nosso contnuo de
ANDness, mas compartilham a mesma posio de no compensao.

Centro de Recursos Idrisi, Brasil


194 IDRISI for Windows - Exerccios tutoriais avanados

MCEAVG
1
C
o
m
p
e
n
s
a


o MCEMIN MCEMAX
0
1 ANDness 0
(Averso a risco) (Aceitao de risco)

Execuo de OWA -- Variando nveis de risco e compensao


Est claro que a tcnica OWA pode produzir resultados que so muito similares aos resultados de AND,
OR e WLC. De certo modo eles so todos subconjuntos de OWA. Entretanto, como podemos alterar os
pesos de ordenao em termos de seu deslocamento e disperso, podemos produzir uma srie quase
infinita de solues possveis para nosso problema de desenvolvimento residencial, isto , solues que
situem-se em qualquer lugar ao longo de um contnuo entre AND e OR e que possui nveis variveis de
compensao.

Por exemplo, em nosso problema de desenvolvimento residencial os planejadores urbanos podem estar
interessados em uma soluo conservadora ou de baixo risco para identificar reas prprias para uso
residencial. Entretanto, eles tambm sabem que suas estimativas de como os fatores podem ser
compensados com os demais tambm so importantes e deveriam ser consideradas. A operao AND
no permitir considerar nenhuma compensao, e a operao WLC, onde eles teriam uma compensao
plena, muito liberal em termos de admisso de risco. Os planejadores procuraro ento desenvolver um
conjunto de pesos de ordenao que lhes d alguma quantia de compensao mas que mantenha o nvel
de risco baixo na soluo.

1. Que conjunto de pesos voc pode sugerir aos planejadores urbanos para manter um
baixo nvel de risco com alguma compensao?

f) Execute MCE e escolha recuperar parmetros do arquivo de apoio deciso .dsf denominado
MCEMIDA. Observe que este conjunto de parmetros tem pesos de ordenao que especificam
uma operao a meio caminho entre o extremo de AND e a posio de risco mdio de WLC.
Adicionalmente, estes pesos de ordenao definem o nvel de compensao para ficar a meio
caminho entre a situao de nenhuma compensao da operao AND e a situao de
compensao plena de WLC. Estes pesos devem ser similares ao conjusto que voc recm
desenvolveu.

Agora execute MCE novamente, mas use agora o arquivo .dsf chamado MCEMIDO e denomine
o resultado MCEMIDO.

1. Como os resultados de MCEMIDO diferem de MCEMIDA em termos de compensao


e risco? O resultado de MCEMIDO atenderia s necessidades dos planejadores
urbanos? Usando o mesmo grfico anterior, localize as posies de MCEMIDA e
MCEMIDO.

A seguir, visualize MCEMIDA e MCEMIDO juntamente com os resultados anteriores de OWA, e


adicione-os ao arquivo de grupo denominado MCEOWA. Inclua todos os cinco resultados do
procedimento OWA no arquivo de grupo de imagens numa ordem de AND para OR. Usando o modo de
consulta expandida do cursor, explore pelo menos uma destas imagens. Voc pode constatar que,
enquanto a aptido geralmente aumenta de AND para OR em qualquer local, o carter deste incremento
entre quaisquer das duas operaes diferente para cada local.
10. Avaliao por critrios mltiplos -- Mdia ponderada ordenada 195

Os extremos de AND e OR so definidos pelos valores mximos e mnimos dos fatores, mas os
resultados das trs operaes com compensao entre esses extremos so determinados por uma mdia
dos fatores que depende de uma combinao dos valores dos fatores, dos pesos dos fatores e dos pesos de
ordenao. Geralmente em locais onde os fatores com pesos elevados (declividades e rodovias) tem
escores similares de aptido, os trs resultados com compensao sero muito similares. Em locais onde
estes fatores no possuem escores de aptido similar, os trs resultados com compensao sero mais
influenciados pela diferena na aptido (em direo ao mnimo, mdia ou ao mximo).

Nos exemplos OWA explorados at agora variamos nosso nvel de risco e de compensao juntos. Isto ,
medida que nos movemos de AND para OR, a compensao aumentou de nenhuma para compensao
total com WLC, decrescendo novamente para nenhuma compensao em OR. Nossa anlise, colocada
no grfico abaixo em termos de compensao e ANDness, moveu-se ao longo do lado externo ao
permetro do tringulo. Entretanto, caso tivssemos variado a Andness independente da compensao,
poderamos ter posicionado nossa anlise em qualquer lugar no interior do tringulo, o Espao de
estratgia de deciso.

MCEAVG
1
C
o
m
p
e
n
s
a


o MCEMIN MCEMAX
0
1 ANDness 0
(Averso a risco) (Aceitao de risco)

Pode ter sido impossvel harmonizar a compensao entre fatores com relao a custos de
desenvolvimento e fatores relacionados a preocupaes ambientais. Por exemplo, nenhum nvel de
aptido para distncia de rodovias poderia compensar uma distncia inadequada dos corpos dgua e
banhados, etc. Entretanto, as posies sem compensao que vimos, o mnimo e o mximo, no so
apropriadas em termos de risco. Em uma situao como esta os planejadores urbanos querem uma
soluo sem compensao mas que ainda mantenha um nvel mdio de risco.

2. Que conjunto de pesos de ordenao poderiam produzir um risco mdio sem


compensao (observe que com um nmero par de fatores definindo pesos de
ordenao para absolutamente nenhuma compensao impossvel na posio de risco
mdio)? Onde uma anlise destas estaria localizada em nosso espao de estratgia de
deciso?

g) Execute MCE com este conjunto de pesos de ordenao e denomine o resultado com risco
mdio e sem compensao de MCEART. Visualize o resultado juntamente com MCEAVG e
adicione-o ao arquivo de grupo MCEOWA. Estas imagens so visivelmente bastante diferentes
uma da outra mesmo tendo nveis de risco idnticos. Sem compensao, a soluo com risco
mdio MCEARNT est prxima da mediana ao invs da mdia ponderada, como em MCEAVG
(e MCEWLC). Como voc pode ver, ela contrasta significativamente da tendncia suave de
AND para OR que exploramos anteriormente. Variar a compensao independentemente do
risco aumenta o nmero de sadas possveis bem como o potencial de modificar anlises para
contemplar situaes especficas.

h) Finalmente, como nas sees anteriores, estamos interessados em reas de alta aptido cuja rea
seja de pelo menos 20 hectares, a rea mnima a ser considerada para uso residencial. Como

Centro de Recursos Idrisi, Brasil


196 IDRISI for Windows - Exerccios tutoriais avanados

antes, examinaremos os histogramas para determinar limites de alta aptido para nossas
imagens resultantes, reclassificaremos nosso mapa de aptido para este limite com RECLASS,
agruparemos as imagens de alta aptido com GROUP, calcularemos a superfcie de cada grupo
de pixels independente com AREA e usaremos RECLASS novamente para reclassificar apenas
os grupos com mais de 20 hectares.

1. Examine os histogramas de MCEMIDA e MCEARNT. Execute HISTO com um valor


mnimo igual a 1 para cada imagem. Observe a mudana na freqncia no valor 100
para MCEMIDA e, um pouco menos ntido, no valor 230 para MCEARNT. Estes
pontos sero nossos valores de limiar de alta aptido.

2. Execute RECLASS em cada imagem de modo que todos as reas com um escore de
aptido acima dos respectivos valores de limiar recebam um novo valor igual a 1 e
todas as demais reas recebam um valor igual a 0. Use ento o mesmo esquema de
agrupamento discutido anteriormente para isolar reas contguas maiores que 20
hectares. Salve suas novas imagens de reas contguas maiores que 20 hectares como
HT20MIDA e HT20ARNT. Visualize estas imagens juntamente com HT20BOOL e
HT20WLC usando a tabela de cores Qualitativa 256 e adicionando o arquivo vetorial
WESRDS com o arquivo de smbolos Qualitativa 16.

3. Compare HT20MIDA com HT20BOOL e HT20WLC. Observe que existem reas de


alta aptido em comum nos resultados Booleano e WLC. O que pode explicar esta
mistura de reas com alta aptido Booleana e WLC?

4. Compare HT20ARNT com HT20WLC e observe como os resultados so diferentes


mesmo ambos compartilhando o mesmo nvel de risco. De fato, o resultado de risco
mdio e nenhuma compensao muito diferente de todos os demais resultados. O que
pode explicar esta diferena?

Agrupamento de fatores de acordo com a compensao


Nossa anlise at agora tem levado em considerao que todos os fatores devem compensar-se de acordo
com o mesmo nvel prescrito por um conjunto de pesos de ordenao. Entretanto, conforme discutido
anteriormente neste exemplo, nossos fatores so de dois tipos distintos: fatores relevantes ao custo do
empreendimento e fatores relevantes s preocupaes ambientais. Estes dois conjuntos no tm
necessariamente o mesmo nvel de compensao. Fatores relevantes aos custos de empreendimento
claramente podem compensar-se plenamente. Onde o custo financeiro senso comum, uma economia
nos custos de desenvolvimento em um fator pode compensar altos custos em outro. Fatores relevantes
aos ambientalistas, por outro lado, no se compensam to facilmente. Manter a fauna silvestre longe de
novos loteamentos no compensa facilmente o runoff (escoamento superficial) da gua e a preocupao
com a contaminao.

Para lidar com esta discrepncia trataremos nossos fatores como dois conjuntos distintos com diferentes
nveis de compensao, especificados por dois conjuntos de pesos de ordenao. Isto ir gerar dois
mapas de aptido intermedirios, um com o resultado da combinao de todos os fatores financeiros e o
outro com o resultado da combinao dos fatores ambientais. Combinaremos ento estes resultados
intermedirios usando uma terceira operao MCE.

Para combinar o primeiro conjunto de fatores, aqueles relevantes ao custo, usaremos o procedimento
WLC, j que queremos um resultado de compensao plena e risco mdio. Existem quatro fatores de
custo a considerar: o uso atual do solo, a distncia at o centro da cidade, a distncia de rodovias e a
declividade. O procedimento WLC permite que os pesos dos fatores influenciem plenamente o resultado,
e que os fatores de custo j tenham sido ponderados junto com os fatores ambientais de modo que os
pesos dos seis fatores originais somem 1. Entretanto, necessitaremos criar novos pesos para os quatro
fatores de custo de modo que a soma dos pesos totalize 1 sem os fatores ambientais. Para este exemplo,
ao invs de ponderar nossos quatro fatores novamente, simplesmente reescalonaremos os pesos
previamente calculados para que somem 1.
10. Avaliao por critrios mltiplos -- Mdia ponderada ordenada 197

Pesos originais Pesos reescalonados


LANDFAC 0,0620 0,0791
TOWNFAC 0,0869 0,1108
ROADFAC 0,3182 0,4057
SLOPFAC 0,3171 0,4044

Execute MCE e escolha a opo WLC. Especifique que voc quer usar duas restries e quatro fatores.
Indique as restries LUSECON e WATRCON e os quatro fatores, bem como seus pesos reescalonados
listados acima. Denomine a imagem intermediria resultante de INTRCOST.

Para o segundo conjunto de fatores, aqueles relevantes s preocupaes ambientais, usaremos um


procedimento OWA que ir produzir um resultado com baixo risco e nenhuma compensao. H dois
fatores a considerar: a distncia de corpos dgua e de banhados e a distncia de reas j urbanizadas.
Novamente reescalonaremos os pesos dos fatores originais de modo sua soma totalize 1.

Pesos originais Pesos reescalonados


WATRFAC 0,1073 0,4972
DEVLFAC 0,1085 0,5028

i) Execute MCE e escolha a opo OWA. Indique que voc quer usar duas restries e dois fatores
e escolha LUSECON e WATRCON e os dois fatores, bem como os pesos reescalonados listados
acima. Que pesos de ordenao resultaro num baixo risco e nenhuma compensao?

Entre com os pesos de ordenao e denomine a imagem intermediria resultante que combina
todos os fatores relevantes s preocupaes ambientais de INTRENV. Visualize o resultado
juntamente com INTRCOST. Como voc pode ver, estas imagens so muito diferentes uma da
outra, mas observe como INTRCOST similar a MCEWLC.

1. O que essa similaridade nos diz a respeito de nossa anlise anterior de risco mdio?
Que fatores mais influenciam os resultados nestas imagens?

O passo final neste procedimento combinar nossos dois resultados intermedirios usando uma
terceira operao MCE. No existe uma regra clara sobre como combinar estes dois resultados.
Assumiremos que os planejadores urbanos do nosso exemplo esto relutantes em dar um peso
maior aos fatores de interesse dos incorporadores ou aos de interesse dos ambientalistas. Os
pesos dos fatores sero iguais. Adicionalmente, eles no permitiro que os dois novos fatores
consolidados se compensem, nem desejam outro nvel de risco que no o menor possvel quando
combinarem os dois resultados intermedirios.

2. Que conjunto de fatores e pesos de ordenao podero nos dar este resultado?

j) Execute MCE e escolha a operao OWA. Especifique LUSECON e WATRCON como as


restries, INTERCOST e INTRENV como dois fatores, indique os pesos dos fatores e de
ordenao apropriados e denomine o resultado MCEFINAL.

Como ltimo passo nesta anlise iremos isolar novamente reas com 20 hectares ou mais que
tm alto escore de aptido final. O valor limite que usaremos para alta aptido o valor de 145
(veja o histograma da imagem MCEFINAL). Use o mesmo conjunto de passos das sees
anteriores e salve sua imagem de rea contguas com mais de 20 hectares como HT20FIN.
Visualize esta imagem e adicione o arquivo vetorial WEARDS usando o arquivo de smbolos
Qualitativa 16.

1. Quantas reas aparecem aps esta ltima anlise? Por que no existem mais reas com
pelo menos 20 hectares?

Centro de Recursos Idrisi, Brasil


198 IDRISI for Windows - Exerccios tutoriais avanados

2. Compare este resultado final com os resultados anteriores (especialmente HT20BOOL


e HT20WLC). Que resultados anteriores tm a mesma rea de alta aptido? Por que?

OWA oferece uma ferramenta extraordinariamente flexvel para MCE. Como as tcnicas WLC
tradicionais, ela nos permite combinar fatores com pesos de fatores variveis, mas prossegue com outro
passo permitindo controlar o grau de compensao entre fatores e o nvel de risco que cada um deseja
assumir. Finalmente, nos casos em que conjuntos de fatores nitidamente no tm o mesmo nvel de
compensao, OWA permite-nos trat-los temporariamente em anlises independentes e ento combinar
os resultados.
11. Tomada de deciso com objetivos
mltiplos

Nos exerccios anteriores introduzimos o caso de avaliao por critrios mltiplos para atingir um
objetivo, aquele de aptido para reas residenciais. Mais comum necessitarmos tomar uma deciso que
satisfaa mltiplos objetivos. O processo de tomada de deciso com objetivos mltiplos, entretanto,
freqentemente deve atender perspectivas complementares e conflitantes.

Objetivos complementares no representam um grande problema j que podem ser identificadas reas
com alta aptido para qualquer nmero de objetivos. O caso de objetivos conflitantes, entretanto, mais
complicado pois ele exige a identificao de terras que maximizem as regras de deciso que so parte da
estratgia de deciso para um nico objetivo. Neste exerccio iremos estender a anlise feita nos trs
exerccios anteriores e apresentar o caso de objetivos conflitantes para definio de terras entre reas que
so aptas ao desenvolvimento residencial e aquelas que so aptas ao desenvolvimento industrial. Estes
dois objetivos podem ser considerados claramente objetivos conflitantes. Caso voc ainda no o tenha
feito, revise o captulo Apoio deciso e o item Tomada de deciso com objetivos mltiplos no Manual
do Usurio do IDRISI for Windows.

O primeiro passo na resoluo do problema com objetivos mltiplos estabelecer mapas de aptido para
cada objetivo. Recorde os vrios mapas de aptido residencial que foram produzidos usando vrios
procedimentos OWA no exerccio 10. Usaremos o mapa de aptido mdia MCEFINAL. Obviamente
qualquer nmero de possveis mapas de aptido pode ser usado, dependendo primeiramente da estratgia
global de deciso.

O segundo objetivo que a cidade de Westboro est considerando a identificao de reas que so aptas
ao desenvolvimento industrial. Para os planejadores urbanos e para a comunidade o zoneamento para
estas reas em associao com o desenvolvimento residencial mutuamente exclusivo. Assim, a tarefa
no constitui apenas identificar reas que so mais aptas para cada objetivo mas tambm identificar
aquelas reas que maximizem a aptido para cada objetivo atravs de uma soluo de consenso.
Encontrar a soluo que contemple essas tarefas ser facilitada com o uso do mdulo MOLA.

O objetivo dos planejadores urbanos constituir identificar 1600 hectares para desenvolvimento
residencial juntamente com 600 hectares para expanso industrial. Para melhor entender o problema de
objetivos mltiplos necessitamos antes ter uma idia daquelas reas que sero conflitantes.
Centro de Recursos Idrisi, Brasil
200 IDRISI for Windows - Exerccios tutoriais avanados

a) A soluo para o problema de objetivos mltiplos e o uso de MOLA requer que tenhamos criado
mapas de aptido para cada objetivo. Vamos examinar os dois mapas de aptido. Usaremos o
mapa produzido com MCEFINAL no exerccio anterior. Usaremos tambm o mapa de aptido
industrial, INDSUIT, produzido usando as mesmas tcnicas de ponderao e de avaliao
tratadas aqui. Ns o fornecemos pronto a voc para este exerccio. Usando o Lanador de
visualizao, visualize ambos os mapas com a tabela de cores padro Idrisi 256 e coloque-os
lado a lado. Voc pode ainda adicionar o arquivo vetorial de cursos dgua e rodovias em cada
um.

1. Que reas parecem ter melhor aptido para desenvolvimento residencial?


Que reas parecem ter melhor aptido para desenvolvimento industrial?

Caso fosse apenas um problema com um nico objetivo, ou se estivssemos considerando cada
um dos objetivos por si s, a soluo seria relativamente simples. A soluo seria ordenar cada
mapa de aptido e ento selecionar as melhores reas, ou as clulas que possuem a hierarquia
mais elevada at atingirmos nosso objetivo de 1600 ou 600 hectares. Podemos fazer isso se
ordenarmos hierarquicamente os mapas de aptido e ento selecionarmos aquelas clulas com a
ordem hierrquica mais alta que satisfazem nosso objetivo em rea. Usaremos a combinao dos
mdulos RANK e RECLASS para realizar este conjunto de tarefas. Entretanto, como os
objetivos so conflitantes, devemos esperar que as solues iniciais sejam reas conflitantes.
Assim, iremos identificar quaisquer reas conflitantes antes de desenvolver a soluo final de
resoluo dos conflitos.

b) Execute RANK, encontrado no submenu Anlise/Apoio deciso. Especifique a imagem de


entrada como MCEFINAL e escolha classificar em ordem descendente (isto , a clula com o
maior valor de aptido ter o menor nmero de ordem hierrquica -- 1). Freqentemente vrias
clulas tero o mesmo grau de aptido para um dado objetivo. Nestes casos temos a
possibilidade de estabelecer um ordenamento arbitrrio ou olhar o valor das clulas em questo
em outra imagem para determinarmos sua ordem hierrquica. Neste caso escolheremos o mapa
de aptido do outro objetivo como base para resolver impasses. Assim, podemos solucionar
impasses na aptido para desenvolvimento residencial dando hierarquia maior para clulas que
so menos aptas para desenvolvimento industrial. Especifique que voc quer usar um segundo
arquivo de classificao, INDSUIT, com classificao ascendente. Denomine o arquivo de sada
de RESRANK.

1. Visualize RESRANK com a tabela de cores Idrisi 16. Use a seguir DESCRIBE e veja
os valores mnimos e mximos da imagem. Qual o mximo? Qual a relao entre o
valor mximo e o tamanho da imagem (em linhas e colunas)?

c) Agora que o mapa de aptido residencial foi ordenado hierarquicamente, qualquer nmero das
melhores clulas pode ser identificado usando RECLASS. No nosso caso queremos identificar
os melhores 1.600 hectares para desenvolvimento residencial. Entretanto, como RESRANK tem
valores que indicam ordem hierrquica, necessitamos converter esta rea em nmero de clulas.
Nosso conjunto de dados tem resoluo de 20 metros ou 0,4 hectares por clula (um hectare
contm 10.000 metros quadrados). Como resultado, 1.600 hectares equivalem a 40.000 clulas.

Agora execute RECLASS com a imagem de entrada RESRANK. Selecione a reclassificao


personalizada. Indique que voc quer atribuir um novo valor de 1 a todas as clulas de
hierarquia 1 at 40000 e o valor 0 para aquelas que vo de 40000 at 999999 (todos os demais
valores acima de 40000). Denomine o arquivo de sada de BESTRES. Quando o processamento
houver terminado, voc poder visualizar o resultado usando a tabela de cores Qualitativa 16.

d) Agora use os mesmos procedimentos RANK e RECLASS para produzir um mapa com as
melhores reas para desenvolvimento industrial. Crie INDRANK a partir de INDSUIT
(descendente) usando MCEFINAL (ascendente) como a imagem de classificao secundria. A
seguir use RECLASS para criar a partir de INDRANK o mapa BESTIND, que identifica as
11. Tomada de deciso com objetivos mltiplos 201

melhores 15000 clulas (o equivalente a 600 hectares). Finalmente, use CROSSTAB,


encontrado no submenu Anlise/Consulta ao banco de dados para produzir a imagem de
classificao cruzada denominada CONFLICT. Visualize o resultado usando a tabela de cores
Qualitativa 16 e use a legenda.

1. Que classe mostra reas que so as mais aptas para desenvolvimento residencial? Que
classe mostra reas que so melhores para desenvolvimento industrial? Que classe
mostra aquelas reas que esto em conflito de objetivos?

A imagem CONFLICT ilustra a natureza do problema de objetivos mltiplos com objetivos


conflitantes que competem entre si. Como esta soluo provisria no soluciona conflitos, ns
ainda temos que identificar reas para atingir nossos objetivos de 1.600 hectares para
desenvolvimento residencial e 600 hectares para desenvolvimento industrial. Este conflito
necessita ser resolvido e ir requerer uma tcnica especfica para o problema de objetivos que
competem entre si. MOLA do mesmo modo uma tcnica que emprega uma heurstica de
deciso para encontrar as melhores reas para qualquer objetivo dado. Mas antes de podermos
usar objetivos que competem entre si neste procedimento eles devem ser padronizados de modo
a tornarem-se comparveis. Este passo j foi dado atravs do uso da operao de hierarquizao
com o mdulo RANK.

e) Para completar o processo de deciso com objetivos mltiplos, execute o mdulo MOLA a partir
do submenu Anlise/Apoio deciso. Especifique o nmero de objetivos como dois e o nome do
arquivo de sada como FINAL. Especifique tambm uma rea de tolerncia de 500. Isto
permitir que o procedimento pare quando ele estiver dentro dos 20 hectares da soluo
desejada.

A seguir, especifique o nome de cada objetivo, o peso a atribuir a cada objetivo, os mapas de
aptido ordenados associados a cada objetivo e as reas a serem definidas para cada um. Voc
pode especificar qualquer nome para o objetivo. Para o primeiro objetivo d o nome de
Residencial, com um peso de 0,5 (peso igual para dois objetivos), use a imagem RESRANK
para o mapa de ordenao e especifique um requisito em rea de 40000 clulas (1600 hectares).
Pressione o boto com uma seta direita para especificar o segundo objetivo, o desenvolvimento
industrial. Especifique o nome do objetivo como Industrial, atribua tambm um peso de 0,5,
indique INDRANK como o nome do mapa de ordenao e especifique um requisito em rea de
15000 clulas. Finalmente, d um ttulo e pressione OK. MOLA ir agora buscar uma soluo
iterativa e resolver qualquer conflito.

1. Quantas iteraes foram feitas por MOLA para encontrar a soluo? Qual foi a rea
definida para cada objetivo? Por que este nmero diferente da soluo exata
especificada para os objetivos?

A soluo apresentada em FINAL mostra apenas uma das solues possveis para os dois objetivos.
Alm disso, no h limite para o nmero de objetivos que podem ser resolvidos. O usurio estimulado
a experimentar com vrios mapas de aptido e objetivos. Se o usurio quiser continuar sua explorao no
processo de tomada de deciso com critrios mltiplos/objetivos mltiplos, com exemplos trabalhados
usando SIG, consulte o livro de trabalho do UNITAR GIS and Decision Making (1993), disponvel ao
pblico para aquisio atravs do Projeto IDRISI.

Centro de Recursos Idrisi, Brasil


12. Modelagem de peso de evidncia
com BELIEF

Este exerccio ir concluir a srie de exerccios de apoio deciso examinando outro mtodo para a
agregao de dados, conhecido como modelagem de peso de evidncia Dempster-Shafer. Ser usado o
mdulo BELIEF encontrado no IDRISI for Windows. Esse mdulo possui uma grande variedade de
aplicaes, j que uma ferramenta que pode agregar muitas fontes de informao diferentes para
predizer a probabilidade com a qual qualquer fenmeno pode ocorrer. Como a ferramenta oferece ao
usurio um mtodo para revisar a fora relativa da informao coletada com a finalidade de estabelecer
valores de confiana, ela til para aplicar conhecimento informal em uma anlise uma vez que
possvel reconhecer ignorncia no resultado final produzido. Com esta flexibilidade torna-se possvel
estabelecer e avaliar o risco relativo de decises feitas com base no total de informao que est
disponvel. O usurio deve rever o captulo Apoio deciso e o item sobre Dempster-Shafer na seo
TPICOS ESPECIAIS do Manual do usurio do IDRISI for Windows para obter mais informaes.

Como uma introduo ao mdulo, este exerccio ir demonstrar como avaliar evidncia amostral para a
qual a aplicao de conhecimento especialista importante e ento derivar superfcies de probabilidade
de forma a demonstrar esse conhecimento. Este exerccio tambm ir demonstrar como combinar
evidncia para predizer a confiana em um fenmeno ocorrendo sobre uma superfcie raster completa.

O usurio ir avaliar a evidncia existente usando conhecimento especialista para transformar a


evidncia em probabilidades para sustentar certas hipteses que, representadas como superfcies de
probabilidade, sero ento agregadas no mdulo BELIEF. O objetivo avaliar a probabilidade com que
um stio arqueolgico pode ser encontrado em cada pixel de uma superfcie representando o Canyon
Pion, localizado no sudoeste dos Estados Unidos14. Dado o conhecimento sobre stios arqueolgicos
existentes e dado o conhecimento especialista sobre a cultura, cada linha de evidncia transformada em
um plano de informao representando a probabilidade de ocorrncia de um stio. A evidncia agregada
produz resultados que so usados para predizer a presena de stios arqueolgicos, avaliar o impacto de
cada linha de evidncia no corpo total de conhecimento e identificar reas para pesquisa adicional.

14
Kenneth Kvamme, Department of Archaeology of Boston University, Boston, Massachusetts, EUA, doou estes dados amostrais. Ns
fizemos um exemplo hipottico a partir deste conjunto de dados.

Centro de Recursos Idrisi, Brasil


12. Modelagem de peso de evidncia com Belief 203

O interesse da pesquisa nos guia na definio da rede de discernimento -- ela inclui dois elementos
bsicos: [stio] e [no stio]. A combinao hierrquica de todas as hipteses possveis inclui portanto
[stio], [no stio] e [stio, no stio]. Ns estamos mais interessados nos resultados produzidos para a
hiptese [stio]. A evidncia existente que usamos, no entanto, pode sustentar qualquer uma das
hipteses possveis. O resultado final produzido para a hiptese [stio] dependente de como toda a
evidncia est relacionada entre si no processo de agregao. Mesmo que a evidncia possa sustentar
outras hipteses, ela afeta indiretamente a confiana total em [stio].

Ns coletamos evidncia indireta que est relacionada probabilidade de que um stio arqueolgico
existe. Essa evidncia constitui os stios conhecidos, a freqncia de artefatos (fragmentos contados), a
gua permanente e as declividades. A evidncia derivada de diferentes fontes que so independentes
umas das outras. Cada linha de evidncia est associada com as hipteses apenas indiretamente, por isso
a ignorncia um fator importante a considerar na anlise. Devemos ser explcitos sobre o que
conhecemos e o que no conhecemos.

Os arquivos de dados para este exerccio consistem de:

SITES: arquivo vetorial contendo stios arqueolgicos conhecidos;


WATER: arquivo imagem com gua permanente;
SHARD_S: imagem de probabilidade em suporte hiptese [stio], derivada da
freqncia de fragmentos contados;
SLOPE_NS: imagem de probabilidade em suporte hiptese [no stio], derivada das
declividades.

Primeiro necessitamos derivar, para cada linha de evidncia, imagens de probabilidade para as hipteses
que a evidncia sustenta. Decidir qual hiptese sustentar dada uma evidncia nem sempre est muito
claro. Freqentemente a distino da hiptese que a evidncia sustenta muito sutil. Para cada linha de
evidncia que desenvolvemos, devemos decidir onde reside nosso conhecimento sobre a relao entre a
evidncia e as hipteses. Isto determina em parte qual hiptese a evidncia sustenta, bem como a forma
como desenvolvemos valores de probabilidade para cada hiptese sustentada. No caso das declividades,
por exemplo, estamos menos seguros sobre como as declividades atraem povoamentos do que sobre
quais declividades so inabitveis. Declividades suaves parecem sustentar a hiptese de que exista um
stio. Entretanto, como declividades suaves so apenas uma condio necessria mas no suficiente para
que um stio exista, eles constituem apenas uma plausibilidade e no uma confiana para [stio].
Portanto, eles sustentam a hiptese [stio, no stio]. Declividades elevadas, por outro lado, indicam uma
alta probabilidade de que um local NO um stio. Assim, estas declividades sustentam a hiptese [no
stio].

Em muitos casos a evidncia que temos apenas sustenta a plausibilidade ou negao da hiptese
primria de interesse. Isto significa que a evidncia sustenta as hipteses [stio, no stio] ou [no stio]
ao invs de [stio]. Nosso conhecimento sobre uma hiptese maior quando o suporte para a hiptese
pela evidncia indistinguvel do suporte para outras hipteses. Da mesma forma, se a evidncia
somente sustenta o complemento da hiptese, o contrrio tambm verdadeiro. Freqentemente a
evidncia mais clara e forte que temos sustenta apenas a negao da hiptese de interesse. Mesmo com
nosso corpo total de conhecimento mo, podemos produzir apenas imagens de evidncia que
estabelecem uma falta de evidncia geral para sustentar a hiptese de interesse. Isto, entretanto, no
significa que esta informao no seja til. De fato significa justamente o contrrio. Ao produzir estas
imagens de evidncia, procuramos refinar a hiptese do local em que um fenmeno espacial tem
probabilidade de ocorrer atravs da aplicao da evidncia que reduz a probabilidade de que o fenmeno
NO ir existir. Agregando diferentes fontes de informao da probabilidade podemos diminuir o
intervalo de probabilidades para a hiptese de interesse, tornando assim possvel tanto fazer uma
predio para a hiptese quanto diminuir o nmero de locais selecionados para coleta adicional de
informaes.

Centro de Recursos Idrisi, Brasil


204 IDRISI for Windows - Exerccios tutoriais avanados

Criando imagens de probabilidade da evidncia gua permanente


Dados de gua permanente representam informao indireta da qual se pode estimar a probabilidade de
um stio existir ou no. Usamos esta evidncia como um exemplo para demonstrar um processo de
raciocnio para decidir que hipteses a evidncia sustenta e ento derivar as imagens de probabilidade
correspondentes. Necessitamos primeiro examinar a evidncia e ver como ela est relacionada com as
hipteses.

a) Visualize a imagem denominada WATER usando a tabela de cores Qualitativa 16. Ela
representa os corpos dgua permanentes na rea. Adicione o arquivo vetorial denominado
SITES com o arquivo de smbolos padro. Este arquivo mostra os stios arqueolgicos
conhecidos existentes na rea.

A associao da maioria dos stios com gua permanente sugere que os rios so um fator determinante
para a presena dos stios. Podemos ver que a maioria dos stios (se no todos) esto prximos gua
permanente. Nosso conhecimento sobre esta cultura indica que a gua uma condio necessria para
viver, mas no por si s suficiente, j que outros fatores como as declividades tambm afetam os
povoamentos. Por causa disso a proximidade da gua indica a plausibilidade para um stio. Locais mais
afastados da gua, por outro lado, nitidamente sustentam a hiptese [no stio], pois sem gua ou sem
acesso a ela as pessoas no podem sobreviver. A distncia de gua permanente importante na
compreenso da relao desta evidncia com a nossa hiptese de interesse [stio]. Para olhar a relao
entre a distncia da gua e os locais com stios conhecidos devemos seguir os seguintes passos:

b) Execute DISTANCE sobre a imagem WATER e chame o resultado de WATDIST.

c) Execute POINTRAS a partir do submenu Converso raster/vetor no menu Reformatao.


Indique SITES como o arquivo vetorial de entrada e SITES como o arquivo imagem de sada.
Use os identificadores dos pontos como os valores a atribuir s clulas da nova imagem.
Pressione OK. Como o arquivo imagem SITES no existe, voc ser solicitado a criar a imagem
com INITIAL. Escolha sim. Indique WATER como a imagem da qual copiar os parmetros e
especifique o valor inicial como zero. Visualize depois SITES com a tabela de cores Qualitativa
16.

Agora temos uma imagem denominada SITES, que contm os stios arqueolgicos conhecidos, e uma
imagem com distncias a partir da gua.

Para estabelecer inicialmente a relao entre os stios e sua distncia da gua ser usada uma
combinao dos mdulos QUERY e HISTO. QUERY projetado para extrair informao de planos de
dados para efetuar anlise estatstica em pixels selecionados. Ele cria um arquivo com uma extenso
.IMG, mas imprprio para visualizao. Ele apenas lista os valores de pixels extrados do plano de dados
original.

d) Execute QUERY a partir do menu Anlise/Consulta ao banco de dados. O arquivo de entrada


do qual extrairemos a consulta WATDIST. O arquivo mscara com os pixels para os quais
ser extrada a informao SITES. Denomine o arquivo de sada de SAMPLE, aceite o
formato padro do arquivo de sada e ento execute QUERY. Uma mensagem de ateno
aparecer dizendo que este um arquivo de consulta e no tem finalidade de visualizao.

e) Execute agora HISTO com o arquivo SAMPLE. Observe que o intervalo de classe deve ser
modificado j que o intervalo dos valores de distncia grande. Entre o valor 100 (100
representa a resoluo da clula dos dados) para o intervalo de classe. Aceite a opo de sada
grfica.

O histograma grfico mostra a freqncia com que diferentes valores de distncia ocorrem entre os stios
arqueolgicos existentes. Uma amostra como esta descreve a relao entre os valores de distncia e a
probabilidade com a qual um stio pode ocorrer. Observe que quando a distncia maior do que 800
metros, raramente h qualquer stio conhecido. Podemos usar esta informao para derivar
probabilidades para a hiptese [no stio].
12. Modelagem de peso de evidncia com Belief 205

f) Execute FUZZY a partir do menu Anlise/Apoio deciso. Use WATDIST como a imagem de
entrada, escolha a funo sigmoidal com curva monotonicamente crescente. Entre 800 e 2000
como pontos de controle a e b respectivamente. Escolha dados de sada reais e denomine o
resultado WATERTMP. Visualize o resultado.

WATERTMP contm as probabilidades para a hiptese [no stio]. A imagem mostra que quando a
distncia da gua permanente de 800 metros, a probabilidade para [no stio] comea a crescer
seguindo uma curva de forma sigmoidal at 2000 metros, quando a probabilidade atinge 1. H,
entretanto, um problema com esta avaliao de probabilidade. Quando a probabilidade alcana 1 para a
hiptese [no stio] ela no deixa nenhum espao para a ignorancia de outros tipos de corpos dgua (tais
como gua subterrnea e gua no permanente). Para incorporar esta incerteza, iremos reescalonar a
probabilidade para baixo.

g) Execute SCALAR a partir do menu Anlise/Operadores matemticos e multiplique


WATERTMP por 0,8 para produzir um resultado denominado WATER_NS.

Na imagem WATER_NS, o intervalo de probabilidade est entre 0 e 0,8 em suporte hiptese [no
stio]. Ela continua sendo uma funo sigmoidal, mas a associao fuzzy reduzida ou achatada15. A
evidncia restante (1-WATER_NS) produz as probabilidades que sustentam a hiptese [stio, no stio].
Isto conhecido como ignorncia e calculado automaticamente pelo mdulo BELIEF.

Criando imagens de probabilidade a partir das outras linhas de evidncia


De modo similar, imagens de probabilidade podem ser criadas a partir das outras trs linhas de
evidncia.

Para stios conhecidos, temos uma razo para especular que quanto mais prximo um local estiver de um
stio conhecido, maior a probabilidade de encontrarmos outros stios. Isto est baseado na premissa de
que as condies de vida so espacialmente correlacionadas e que as pessoas tendem a viver dentro de
uma vizinhana umas das outras de modo a proteger melhor a comunidade. medida que a distncia
dos stios conhecidos aumenta, entretanto, a probabilidade para a hiptese [stio] declina rapidamente.
Para definir a probabilidade usando o mdulo FUZZY, a funo em forma de J a que melhor descreve
esta curva.

h) Execute DISTANCE sobre a imagem SITES e chame o resultado de SITEDIST. Execute a


seguir FUZZY com a funo em forma de J e escolha uma curva monotonicamente decrescente,
com 0 e 350 (metros) como pontos de controle c e d, respectivamente. Denomine o resultado de
SITE_S. Estas so as probabilidades de suporte para a hiptese [stio] dada a evidncia stios
conhecidos.

No possumos informao para sustentar a hiptese [stio] para locais distantes de stios conhecidos, o
que poderia refletir simplesmente que a pesquisa ainda no se estendeu sobre estas reas. Por isto ela no
sustenta a hiptese [no stio]. Ela indica ignorncia (probabilidade para a hiptese [stio, no stio]),
que calculada internamente pelo mdulo BELIEF.

Para a evidncia representando contagens de fragmentos, usamos um raciocnio similar quele usado
para a evidncia de stios conhecidos e derivamos a imagem SHARD_S como suporte da hiptese [stio].
A imagem representa a probabilidade de um stio ocorrer em dado local em funo da freqncia de
fragmentos descobertos. Da mesma forma que fizemos para a evidncia declividades, derivamos uma
imagem de probablidade chamada SLOPE_NS, a qual sustenta a hiptese [no stio]. Esta linha de
evidncia representa a probabilidade de um stio no ocorrer dada uma declividade elevada. Ns j
criamos estas duas imagens para voc.

15
Voc tambm pode usar a opo personalizada do mdulo FUZZY para produzir resultados similares e para realizar os dois passos de
f) e g) em um passo apenas, caso voc possa definir pontos de controle suficientes para a curva fuzzy com intervalo entre 0 e 0,8.

Centro de Recursos Idrisi, Brasil


206 IDRISI for Windows - Exerccios tutoriais avanados

Agregando linhas diferentes de evidncia


Agora que temos todas as imagens de probabilidade para cada linha de evidncia, retornamos ao mdulo
BELIEF para agreg-las.

i) Execute o mdulo BELIEF a partir do submenu Apoio deciso. Substitua o ttulo Knowledge
base por: Stios arqueolgicos. Na lista de classes, desejamos indicar os elementos bsicos da
rede de discernimento: stio e no stio. Na caixa de lista de classes indique a palavra SITIO e
ento pressione o boto Adicionar. A seguir indique a palavra NAOSITIO e pressione o boto
Adicionar novamente. To logo voc tiver entrado ambos os elementos, uma lista de hipteses
hierarquizada ser criada automaticamente na lista de hipteses. Neste exemplo temos trs
hipteses: [stio], [no stio] e [stio, no stio].

Agora necessitamos introduzir informao para cada linha de evidncia.

j) Pressione o boto Adicionar nova linha de evidncia. Indique a legenda Distncia da gua e
entre o nome da imagem WATER_NS. Escolha [naositio] como a hiptese sustentada.
Pressione ento o boto Adicionar. Observe que o nome do arquivo e sua hiptese sustentada
sero mostrados na caixa Hiptese/Imagem. Caso voc tivesse mais imagens (probabilidade
para outra hiptese sustentada diferente da ignorncia) desta linha de evidncia, voc as
indicaria aqui, juntamente com a sua hiptese sustentada. Mas em nosso caso, uma vez que esta
a nica imagem que necessitamos indicar, pressione OK para completar a entrada. Observe
que a legenda mostrada na caixa do Estado de conhecimento atual.

Faa o mesmo com as outras trs linhas de evidncia:

Legenda Nome da imagem Hiptese sustentada


Declividades SLOPE_NS [naositio]
Stios conhecidos SITE_S [sitio]
Freqncia de fragmentos SHARD_S [sitio]

Voc poder modificar a informao associada com qualquer linha de evidncia pressionando
Modificar/Ver evidncia selecionada.

Toda a informao acima introduzida na interface de BELIEF pode ser salva em um arquivo de Base de
conhecimento, com extenso .IKB. Aps voc ter concludo a entrada de toda a informao, selecione
Arquivo/Salvar base de conhecimento atual e salve a base de conhecimento como ARCH.

k) No mdulo BELIEF, selecione Anlise/Construir base de conhecimento. O programa combina


toda as evidncias e cria as atribuies de probabilidade bsica (BPA) resultantes para cada uma
das hipteses. Uma vez concludo, escolha Extrair sumrio a partir do menu Anlise e crie os
arquivos com a CONFIANA, PLAUSIBILIDADE e INTERVALO DE CONFIANA para a
hiptese. Escolha extrair os arquivos da confiana, da plausibilidade e do intervalo de confiana
para a hiptese SITE e denomine-os respectivamente de BEL_S, PLAUS_S e BELINT_S.

l) Visualize cada uma das imagens recm criadas usando a tabela de cores Idrisi 256. Explore
visualmente os padres nestes resultados. Adicione o arquivo vetorial dos stios existentes
(SITES) para auxili-lo na interpretao visual.

m) Para facilitar esta explorao posteriormente usaremos o modo expandido de consulta do cursor
com um arquivo de grupo de imagens. Para tal, usaremos EDIT. Selecione Arquivo de grupo de
imagens e indique como nome do arquivo SITES. Selecione Usar editor de arquivos de grupo e
pressione OK. Adicione os arquivos BEL_S, PLAUS_S, BELINT_S da Lista de arquivos para a
Lista de sada marcando cada arquivo e pressionando Adicionar.

A seguir entre no menu Visualizao/Preferncias de visualizao e acione Usar modo


expandido de consulta do cursor com o arquivo de grupo de imagens SITES. Acione a opo
12. Modelagem de peso de evidncia com Belief 207

Mostrar grfico do valor z, pressione OK e acione o modo de consulta do cursor na barra de


cones. Com qualquer uma das imagens listadas no arquivo de grupo de imagens, consulte
qualquer clula e o grfico do valor z do cursor aparecer no canto inferior direito do monitor.
Preste ateno s reas que tm uma alta probabilidade na imagem BELINT_S e explique a
relao entre confiana, plausibilidade e o intervalo de confiana. Considere esta questo: que
reas deveriam ser escolhidas para pesquisa adicional?

n) Para explorar a relao entre os resultados e os planos de evidncia, crie com EDIT outro
arquivo de grupo de imagens denominado EVID que contenha os arquivos:

WATER_NS
SLOPE_NS
SITE_S
SHARD_S
BEL_S
PLAUS_S
BELINT_S

Altere ento para EVID o nome do arquivo de grupo de imagens nas Preferncias de
visualizao. Consulte vrios locais nas imagens BEL_S, PLAUS_S e BELINT_S. Qual a
relao delas com a evidncia? Quando tiver terminado, feche todos os arquivos.

o) No mdulo BELIEF, execute Anlise/Extrair sumrio e escolha extrair confiana (BEL_NS),


plausibilidade (PLAUS_NS) e intervalo de confiana (BELINT_NS) para a hiptese [no stio].
Crie outro arquivo de grupo com EDIT denominado EVID2. Indique os mesmos nomes de
arquivos de evidncia anteriores mas altere os arquivos de confiana, plausibilidade e intervalo
de confiana correspondentes para aqueles recm extrados. Visualize estas trs imagens e use o
modo expandido de consulta do cursor para explorar a relao existente entre elas e entre os
resultados e a evidncia.

O que voc deveria observar imediatamente que a imagem BEL_S contm a probabilidade agregada
para [stio] de stios conhecidos e contagens de fragmentos, e representa a probabilidade mnima de
consenso para esta hiptese [stio]. A confiana maior ao redor de pontos onde existe evidncia dando
suporte. A imagem PLAU_S, por outro lado, mostra reas mais extensas ao longo de corpos dgua
permanentes que tm alta probabilidade. Esta imagem representa a maior probabilidade possvel para
[stio] se toda a probabilidade associada com esta hiptese demonstra sustentar a hiptese. A imagem
BELINT_S mostra a probabilidade de potenciais -- quanto maior a probabilidade, mais valor ter a
informao adicional em um dado local. A imagem tambm insinua o valor de coletar mais informao
e tem assim potencial para identificar reas para pesquisa adicional.

bvio a partir dos resultados deste conjunto de dados que nossa ignorncia foi maior onde no
tnhamos informao amostral. Decidir onde seria melhor concentrar recursos para novas escavaes
arqueolgicas iria depender do risco relativo que desejaramos aceitar. Podemos decidir por continuar a
selecionar reas prximas dos rios onde a probabilidade de encontrar um stio maior. Por outro lado,
caso acreditemos que, por razes no representadas em nossa anlise, os stios possam ocorrer em toda a
regio, podemos decidir termos a necessidade de entender mais sobre stios que esto afastados de rios e
expandir nossa base de conhecimento antes de aceitar nossas predies. possvel examinar uma linha
de evidncia de cada vez para revisar os efeitos de cada linha de evidncia sobre a confiana final e o
nvel de ignorncia. Para fazer isso necessrio adicionar uma linha de evidncia de cada vez e
reconstruir a base de dados antes de extrair as novas imagens de sumrio. Desta forma, BELIEF torna-se
uma ferramenta para explorar foras e fragilidades individuais de cada evidncia em combinao com as
outras linhas de evidncia.

Passo opcional:
Considere que necessitamos selecionar 5 km2 para coletar mais evidncia. Como a resoluo do pixel
de 100 metros por 100 metros, deveramos selecionar 50 pixels para constituir 5 km2.
Centro de Recursos Idrisi, Brasil
208 IDRISI for Windows - Exerccios tutoriais avanados

p) Execute um realce linear com STRETCH em BELINT_S para transformar os valores para o
intervalo de 0 a 255. A seguir, a partir do menu Anlise/Apoio deciso, execute RANK
(ordem de classificao descendente) sobre o resultado do realce. Denomine de RANK a
imagem ordenada de sada. Visualize a imagem.

Como uma rea muito grande de BELINT_S tem valores iguais a 1, pixels que tecnicamente tm igual
hierarquia so ordenados de acordo com a ordem de leitura pelo programa: do topo para a base e da
esquerda para a direita.

q) Execute RECLASS para classificar os primeiros 50 pixels e crie uma imagem CHOICE1 na
qual o valor de 1 atribudo a todas as clulas cujos valores vo de 1 a 51 e o valor de zero
atribudo a todas as clulas com valores maiores do que 51. Visualize o resultado.

Observe que CHOICE1 contm reas com valores de intervalo de confiana elevados. Observe que reas
com alto potencial para um stio arqueolgico representam possveis escolhas para futura coleta de
informao. Todavia, devido grande poro dos dados originais com intervalo de confiana igual a 1,
esta reclassificao apenas seleciona aqueles que foram arbitrariamente ordenados sobre os demais.
Muito provavelmente mais variveis ou outro conhecimento especialista necessrio para futuramente
reduzir o conjunto de possibilidades para a ocorrncia de stios arqueolgicos.

Concluso
A caracterizao simultnea do que sabemos e do que no sabemos permite-nos entender os riscos
relativos que tomamos nas decises que fazemos sobre recursos. Uma vantagem adicional de caracterizar
variveis como confianas a oportunidade de incorporar vrios tipos diferentes de informao,
incluindo conhecimento especialista, conhecimento informal, probabilidades e dados de satlite
classificados, entre outros tipos de dados.
13. Incerteza no banco de dados e risco
na deciso

Os exerccios anteriores sobre Apoio deciso trataram basicamente da incerteza na deciso. Neste
exerccio iremos enfocar a incerteza nos dados e, mais especificamente, na regra de deciso. A incerteza
em qualquer plano de dados ir se propagar atravs da anlise e se combinar com outras fontes de erro,
incluindo a relao incerta do plano de dados em questo com o conjunto de deciso final. Este exerccio
aborda a propagao do erro de mensurao atravs de uma regra de deciso. Em particular,
estudaremos uma simulao do aumento do nvel do mar e estabeleceremos decises sobre os impactos
modelados. A principal questo de interesse como dar reconhecimento pleno para o risco na deciso
gerado por duas incertezas -- incerteza no dado e incerteza na regra de deciso propriamente dita, neste
caso a estimativa do nvel do mar aplicada.

Aumentos antecipados do nvel do mar associados com aquecimento global levaram algumas naes a
estimar impactos e a desenvolver estratgias de adaptao a mudanas no uso do solo e na populao.
Para ilustrar, usaremos dados da vizinhana do esturio de Cua-Lo prximo a Vinh, no centro-norte do
Vietnam16 .

a) Execute ORTHO usando o modelo de elevao VINHDEM. Especifique a imagem de cobertura


como VINH345 e use a tabela de cores Composio colorida 256. Denomine a imagem de sada
de ORTHO1. Escolha a resoluo de sada mais apropriada para seu monitor e aceite os demais
valores padro.

A imagem de composio colorida do satlite foi criada a partir das bandas 3, 4 e 5 do sensor Thematic
Mapper do satlite LANDSAT para enfatizar variao relativa em biomassa e nveis de umidade. As
grandes reas de plancie so ocupadas por agricultura de arroz irrigado, que um produto de
exportao de valor econmico considervel.

16
O estudo de caso descrito aqui parte do material preparado para o Spatial Information Systems for Climate Change Analysis,
Vietnamese National Workshop, Hanoi, Vietnam, 18-22 de setembro de 1995. Uma descrio adicional de como o modelo foi
desenvolvido para projetar modificaes no uso do solo como resultado de mudanas ambientais est em Spatial Information Systems
and Assessment of the Impacts of Sea Level Rise. J. Ronald Eastman e Stephen Gold, United Nations Institute for Training and
Research, Palais des Nations, CH 1211 Geneva 10, Switzerland.

Centro de Recursos Idrisi, Brasil


210 IDRISI for Windows - Exerccios tutoriais avanados

Como na maioria dos mapas as elevaes so medidas com relao ao nvel mdio do mar, uma
abordagem comum para simular inundao ou um novo nvel do mar subtrair um valor referente ao
nvel estimado da gua de todas as altitudes de um modelo digital de elevao. reas que possuem um
valor resultante dessa subtrao igual ou inferior a 0 so consideradas como sendo inundadas. Isto no
entanto um pouco problemtico, pois no leva em considerao a incerteza nas medidas das altitudes
do modelo de elevao e da projeo do nvel do mar.

Incorporando incerteza no banco de dados


Nossa tarefa avaliar tanto o erro de medida quanto o de projeo e seus erros combinados em termos de
risco de deciso.

As estimativas do nvel do mar variam. Seguindo as taxas atuais de aumento do nvel do mar, a
estimativa projetada de mudana por volta do ano 2100 de 0,21 metros. As estimativas, entretanto, so
maiores para condies de aquecimento global acelerado relacionado a emisses de gases de efeito
estufa. Elas oscilam entre 0,32 e 0,64 metros17. Uma estimativa do nvel mdio, portanto, seria 0,48
metros com um desvio padro de 0,08 metros.

O desvio padro de 0,08 metros pode ser diretamente aplicado como uma estimativa de incerteza para a
projeo do aumento do nvel do mar. O valor uma expresso do afastamento dos valores estimados de
seu valor verdadeiro (o desvio padro dos erros). Em dados quantitativos, este erro freqentemente
expresso como erro mdio quadrado (RMS - Root-Mean-Square Error). Caso o RMS no seja informado
para um plano de dados necessrio calcul-lo. Este o caso do modelo de elevao que temos.

b) Visualize a imagem VINHDEM com a tabela de cores Idrisi 256.

Para criar este modelo de elevao, primeiramente as curvas de nvel foram digitalizadas a partir de uma
carta topogrfica em escala 1:25.000. As cartas apresentam uma equidistncia de 1 metro entre as curvas
de nvel at a altitude de 15 metros. A partir desta altitude as curvas de nvel tm equidistncia de 5
metros. O mdulo INTERCON foi usado para interpolar a superfcie completa com uma resoluo de 30
metros a partir das curvas de nvel rasterizadas. A resoluo foi escolhida de modo a registr-la de
acordo com os dados de uso do solo derivados da imagem de satlite.

Devido importncia das altitudes abaixo de 1 metro para a estimativa de inundaes, dados adicionais
de altitude foram necessrios. Pontos de altitude conhecida foram avaliados com relao a quatro
categorias significativas de cultura de arroz encontradas no mapa de uso do solo. Associaes estreitas
entre os pontos e estas categorias tornaram possvel modelar altitudes abaixo de um metro com base no
uso do solo. Da mesma forma, o mesmo processo foi aplicado para nveis de profundidade e turbidez
associado com a reflexo da energia solar no rio e banhados adjacentes.

Os mapas produzidos pelas principais agncias de topografia a partir da metade do sculo dezenove
usualmente tm 90% de todos os locais situados na metade do valor da equidistncia entre as curvas.
Levando-se em considerao que o erro na altitude aleatrio18 possvel contornar o erro RMS usando
a seguinte lgica19:

i. Para uma distribuio normal, 90% de todas as medidas deveriam cair dentro de 1,645 desvios
padro da mdia (valor obtido de tabelas estatsticas).

ii. Como o erro RMS equivale ao desvio padro para o caso onde a mdia o valor verdadeiro,
ento a metade da equidistncia entre as curvas abrange 1,645 erros RMS.

17
Asian Development Bank. 1994. Climate Change in Asia: Vietnam Country Report. ADB, Manilla.
18
Estudos adicionais so necessrios para determinar a significncia de erros sistemticos de altitudes interpoladas em funo da
distncia a partir das curvas de nvel. Para este exerccio, apenas o erro para os clculos hipsomtricos originais foi determinado.
19
O erro RMS tambm est demonstrado em Eastman, J.R.; Kyem, P.A.K.; Toledano, J.; Jim, W. 1993. GIS and Decision Making.
UNITAR, Geneva. p.24. (Explorations in Geographic Information Systems.Technology. United Nations Institute for Training and
Research. v.4).
13. Incerteza no banco de dados e risco na deciso 211

i.e., 1,645 RMS = C/2 onde: C = equidistncia das curvas

Solucionando para RMS, ento:

RMS = C/3,29

i.e., RMS = 0,30C

Portanto, o erro RMS pode ser estimado tomando-se 30% da equidistncia entre as curvas. No caso das
baixas altitudes de VINHDEM, o RMS 0,30 metros. Embora seja possvel obter uma estimativa mais
detalhada para altitudes inferiores a 1 metro, aplicaremos neste caso um RMS de 0,30 para todas as
altitudes do modelo digital de elevao.

Simulando o novo nvel do mar


Antes de simular a inundao por aumento do nvel do mar incorporando a incerteza, comearemos do
modo mais usual. Devemos subtrair um aumento estimado do nvel do mar de todas as altitudes do
modelo digital de elevao.

c) Use SCALAR para subtrair um valor de 0,48 metros de VINHDEM e denomine a imagem
resultante de LEVEL1. Visualize o resultado com a tabela de cores Idrisi 256. Selecione o modo
de consulta do cursor na barra de cones para examinar o valor z das reas mais baixas.

reas que possuem uma diferena menor ou igual a 0 so consideradas inundveis por nossa estimativa
inicial. Como esta imagem foi derivada tanto do modelo de elevao quanto do aumento projetado do
nvel do mar, ele possui incertezas de ambos. No caso da subtrao, os procedimentos propagao
padro produzem um novo nvel de incerteza como:

((0,30)2 + (0,08)2) = 0,31

Como descrito no tpico Gerenciamento de incertezas do captulo Apoio deciso da seo TPICOS
ESPECIAIS do Manual do Usurio, esta informao pode ser inserida na documentao do arquivo e
ento posteriormente usada no mdulo PCLASS para calcular a probabilidade das terras estarem abaixo
do nvel do mar, dadas as altitu