Escolar Documentos
Profissional Documentos
Cultura Documentos
32-TDI
Thiago Frank
INPE
So Jos dos Campos
2014
PUBLICADO POR:
Thiago Frank
INPE
So Jos dos Campos
2014
Dados Internacionais de Catalogao na Publicao (CIP)
Frank, Thiago.
F851m Modelo de classificao para o mapeamento de cobertura e uso
da terra em reas-teste de Santo Andr (SP), usando imagens do
WorldView-2 e o aplicativo InterIMAGE / Thiago Frank. So
Jos dos Campos : INPE, 2014.
xviii + 96 p. ; (sid.inpe.br/mtc-m21b/2014/06.17.11.32-TDI)
Esta obra foi licenciada sob uma Licena Creative Commons Atribuio-NoComercial 3.0 No
Adaptada.
This work is licensed under a Creative Commons Attribution-NonCommercial 3.0 Unported Li-
cense.
ii
iv
AGRADECIMENTOS
Aos meus amigos de turma, Bruno Schultz, Bruno Oliveira, Carlos Antnio,
Gabriel, Guilherme e Renato, que alm de terem sido muito importantes no
cotidiano acadmico me auxiliando de diversas formas, so excelentes
pessoas.
v
minha querida Natlia, que mesmo estando longe (um pouco menos longe
desta vez), sempre me apoiou e foi uma pessoa extremamente agradvel e
parceira para que tudo ocorresse da melhor forma possvel.
vi
RESUMO
vii
viii
MODEL OF CLASSIFICATION FOR THE MAPPING OF USE AND LAND
COVER IN TEST AREAS OF SANTO ANDR (SP), USING WORLDVIEW-2
IMAGES AND THE INTERIMAGE SYSTEM
ABSTRACT
The main objective of this study is to develop a classification model to map land
use/land cover in two test-sites within Santo Andr (So Paulo State, Brazil)
municipality, contributing to strategic evaluations in the urban domain,
especially from the environmental point of view. Were used WorldView-2
satellite images, object-based image approaches and data mining techniques,
considering the C4.5 algorithm, available at the InterIMAGE software.
Furthermore a study was done on land use based on the intra-block land cover
classification, was executed the zoning for this municipality. The results indicate
a high statistical precision by visual and Kappa indices for this land cover study
at both test-sites. Referring to the classification product obtained for test-site A,
the results are satisfactory, if compared with the municipal maps. Test-site B it
is visually possible to verify that this is an already stablished equalther
settllement area. Nevertheless, it was demonstrated that such a study is
extremely important within a strategic environmental evaluation, which must be
proactive, minimizing risks both to environment and the people.
ix
x
LISTA DE FIGURAS
Pg.
xi
Figura B.7 - rvores de deciso para classificao dos alvos concreto e concreto virio.
........................................................................................................................................ 87
Figura D.1 - Redes semnticas utilizadas neste trabalho.. ............................................. 91
Figura E.1 - Valores de pertinncia das classes nas reas-testes A e B. ......................... 93
xii
LISTA DE TABELAS
Pg.
xiii
xiv
LISTA DE SIGLAS E ABREVIATURAS
xv
xvi
SUMRIO
Pg.
1 INTRODUO ............................................................................................................... 01
xvii
4.2.2.1 Definio e caracterizao das classes, parmetros e atributos utilizados para o
mapeamento de cobertura da terra............................................................................... 36
4.2.2.2 Rede semntica .................................................................................................. 43
4.2.2.3 Segmentao ...................................................................................................... 43
4.2.2.4 Minerao de dados ........................................................................................... 45
4.2.3 Modelo de classificao da cobertura da terra ..................................................... 46
4.2.4 Modelo de classificao do uso da terra ............................................................... 49
5. RESULTADOS E DISCUSSO ....................................................................................... 53
xviii
1 INTRODUO
1
(MSS), porm devido a sua baixa resoluo espacial, os estudos eram em
mbitos regionais e no focalizados na anlise intra-urbana (MOELLER, 2005).
2
de classificao e proporcionam melhor distino dos alvos. Um exemplo o
InterIMAGE, desenvolvido conjuntamente pelo Instituto Nacional de Pesquisas
Espaciais (INPE) e pela Pontifcia Universidade Catlica do Rio de Janeiro
(PUC/RJ), em cooperao com a Leibniz Universitt de Hannover (Alemanha).
3
1.3 Organizao da dissertao
4
2 FUNDAMENTAO TERICA
II - abastecimento de gua;
5
2.2 Uso de recursos de Sensoriamento Remoto para estudos urbanos
6
2.3 Classificao da cobertura e uso da terra
7
sendo que foram registrados avanos com relao a pesquisas anteriores
deste tipo.
8
de estudos batimtricos, devido sua pouca absoro pela gua
(DIGITALGLOBE, 2010).
9
Vale ressaltar ainda que, alm de refinada resoluo espacial, as oito bandas
multiespectrais (cinco delas localizadas na faixa do visvel e trs na faixa do
infravermelho prximo) so muito teis em estudos urbanos, na medida em que
estas caractersticas permitem maior distino de alvos com comportamento
espectral semelhante, como, por exemplo, ruas pavimentadas com asfalto e
edificaes com cobertura de telhas de cimento de amianto escuro (PINHO,
2005).
10
em contextos urbanos (RIBEIRO et al., 2009). Isto ocorreu devido ao
refinamento da resoluo espacial, medida em que os objetos passaram a
ser constitudos por um conjunto de pixels e no mais como anteriormente,
quando possuam tamanho maior ou igual aos objetos de interesse
(BLASCHKE, 2010).
11
Figura 2.2 Modelo de classificao baseada em objeto.
Fonte: Antunes (2003).
12
das escalas de anlise adequadas e sua combinao; (c) identificao do
contexto tpico e das dependncias hierrquicas; (d) considerao das
incertezas inerentes a todo o sistema de extrao de informao, iniciando-se
pelo sensor e culminando com conceitos fuzzy para as informaes solicitadas
(BENZ et al., 2004).
2.7 InterIMAGE
A etapa seguinte denominada Bottom-up (BU) executa trs tarefas, a saber: (a)
validar ou descartar as hipteses geradas no primeiro momento; (b) corrigir
possveis conflitos espaciais entre as hipteses; (c) caso necessrio, remodela
geometricamente as hipteses. Na etapa BU o sistema percorre a rede
semntica no sentido contrrio, de baixo para cima. Dessa forma so
resolvidos possveis conflitos espaciais entre hipteses e o sistema pode
aceit-las parcial ou totalmente, transformando-as posteriormente em
instncias (hipteses validadas) (KUX et al., 2011).
14
Figura 2.3 - Processo de interpretao no sistema InterIMAGE.
Fonte: Adaptado de Pahl, (2008).
15
No momento da escolha dos algoritmos de minerao de dados
recomendado conhecer os tipos de variveis envolvidas e a inteligibilidade do
modelo de conhecimento que ser gerado. Os algoritmos podem ser: (a)
supervisionados, em que o modelo de conhecimento gerado a partir de um
conjunto de treinamento e avaliado por um conjunto de teste; (b) no-
supervisionados. Neste caso, quando no houver a informao de sada
desejada, os algoritmos procuram estabelecer relao entre os prprios dados
(GOLDSCHMIDT; PASSOS, 2005).
16
para realizar outras tarefas se comparado com a anlise manual (KORTING,
2012).
17
18
3 REA DE ESTUDO
19
A economia andreense foi alavancada em meados do sculo XX por
investimentos estatais e de capital estrangeiro que fortaleceram a instalao de
indstrias de diversos setores (principalmente do setor automobilstico,
mecnico, metalrgico e de material eltrico) que sustentaram um acelerado
ritmo de crescimento, o qual durante a dcada de 1970 fez parte do perodo
conhecido como "milagre econmico".
20
A Macrozona Urbana abrange basicamente a poro urbanizada do territrio,
situada na poro norte do municpio. A Macrozona de Proteo Ambiental
corresponde s reas de proteo do ambiente natural, que inclui a regio do
Parque Natural do Pedroso.
Neste contexto, das leis ambientais vigentes, como tambm da rea de estudo,
est o Parque Natural do Pedroso, rea com rica flora e fauna. Trata-se de
uma Unidade de Conservao de Proteo Integral com uma rea de 842
hectares. Apresenta uma vegetao tpica de Mata Atlntica, com a presena
de diversas espcies arbreas, como: manac da serra, cedro, ing e
embaba. Em relao fauna, o parque abriga preguias, saguis, gambs,
jararacas e diversas espcies de gavies ameaados de extino (SEMASA,
2013).
21
Alm do Parque Natural do Pedroso, existem outros importantes elementos
dentro da rea de estudo que garantem diversidade e do ainda maior
relevncia para esta pesquisa.
3.2 reas-testes
A rea de estudo est localizada na regio que abrange parte das duas
Macrozonas do municpio (Figura 3.2). Para viabilizao dos processamentos
das imagens e melhor discriminao das classes de cobertura e uso da terra, a
rea de estudo est dividida em duas reas-teste.
23
Por isso, a seleo das reas-testes atendeu a esses requisitos, buscando-se
um equilbrio, at porque alguns dos aspectos abordados so divergentes. Se
por um lado, na busca por uma anlise mais elaborada, seria interessante uma
rea mais diversificada, por outro, do ponto de vista computacional o oposto
seria mais adequado.
A rea-teste A (Figura 3.3) tem maior diversidade de alvos por ser um setor
densamente urbanizado (Macrozona Urbana), na qual foi possvel observar
classes de cobertura como Asfalto, Vegetao rasteira, Concreto, Telhados,
Solo exposto etc.
24
Figura 3.4 - rea-teste B, Imagem WorldView-2 R(5) G(3) B(2).
25
26
4 MATERIAL E MTODOS
4.1 Material
4.1.1 Aplicativos
27
Mapgeo 2010 1.0: Este aplicativo, disponibilizado pelo IBGE, foi utilizado
para determinar a ondulao geoidal dos pontos implantados em campo.
4.1.2 Equipamentos
4.2 Mtodos
28
Podem ser observados os dados de entrada, basicamente as imagens
(multiespectrais e pancromticas), os pontos DGPS e o MDE, que serviram de
ponto de partida em diferentes momentos da pesquisa. Alm disso, foram
destacados os processos realizados, como por exemplo, os de fuso,
segmentao, extrao de atributos, minerao e classificao das imagens,
at a obteno de um mapa de cobertura e posteriormente de uso da terra.
Deve-se destacar tambm a obteno de determinados resultados que,
dependendo da concluso obtida aps sua avaliao, determinaram os rumos
da pesquisa.
29
(DIGITALGLOBE, 2010), o processo de fuso foi realizado antes da
ortorretificao, com o intuito de facilitar a identificao das feies na imagem
que poderiam posteriormente ser utilizadas como pontos de controle.
4.2.1.2 Ortorretificao
30
Portanto, o ponto-base deve estar posicionado em um local seguro e distante
de curiosos ou outros elementos que podem vir a deturpar os resultados por
qualquer tipo de interferncia no equipamento. Para tanto, foi utilizado como
ponto base o topo de um prdio da prefeitura localizado no centro da cidade,
devidamente sinalizado e demarcado, como pode ser observado na Figura 4.3.
31
Figura 4.4 - Exemplo de feies escolhidas para a implantao dos pontos Rovers.
32
para facilitar o posterior trabalho de processamento dos dados. Neste relatrio,
consta o nome de registro do ponto, o equipamento utilizado, um croqui de
localizao, o horrio de incio e trmino da observao e outros dados
pertinentes, quando necessrio.
33
Figura 4.5 - Localizao dos 50 pontos de controle coletados no trabalho de campo.
34
O clculo das estatsticas amostrais para as componentes E e N (Tabelas 2 e
3), serviram de base para a anlise de tendncia e preciso das ortoimagens
(GALO; CAMARGO, 1994).
35
4.2.2.1 Definio e caracterizao das classes, parmetros e atributos
utilizados para o mapeamento de cobertura da terra
Neste trabalho, assim como nos experimentos conduzidos por Ribeiro (2010),
os telhados de ao galvanizado e alumnio foram agrupados na classe
"Telhado Metlico". Mesmo diferenciados em relao s bandas de absoro
na regio do infravermelho prximo, sendo 830 nm para o ao (Banda 7), e
1.030 nm para o alumnio (Banda 8) (MOREIRA, 2008), o processo natural de
envelhecimento dos materiais acaba por aproximar o comportamento espectral
de ambos. Assim sendo, para pesquisas sobre materiais de cobertura,
trabalhar com as bandas do infravermelho prximo do WorldView-2 um bom
ponto de partida. Alm disso, como se trata de um tipo de alvo com tamanho e
forma padronizados, importante incluir este tipo de atributo.
38
bom ponto de partida. Alm disso, podem ser utilizados atributos de forma,
como, por exemplo, o comprimento (length).
40
(FLORENZANO, 2002). Na Figura 4.8, Jensen (2009) apresenta a ordem
sequencial dos elementos de interpretao da imagem.
Forma irregular,
Tons Dentro de
tamanho varivel,
Vegetao mais quadras,
textura rugosa.
Arbrea escuros proximidade das
Presena de
de verde vias, praas etc.
sombras
41
Tons de Prximo a Textura lisa, forma
Sombra cinza e elementos com e tamanhos
preto maior altura variados
Varia-
es de No interior das
Textura lisa a
Telhado tons de quadras. Prximo
levemente rugosa,
Cermico vermelho a outros tipos de
forma retangular
e telhado ao redor.
marrom
Forma
predominantemente
Cinza Dentro de quadras
retangular, textura
Concreto claro a e caladas; vias
lisa ou pouco
branco de concreto
rugosa, tamanhos
variados
Dentro de
quadras, telhados Textura lisa ou
Branco
Telhado comerciais ou de pouco rugosa,
ou cinza
Metlico servios, referente forma retangular e
claro
ao topo da tamanhos variados
edificao
Dentro de
quadras,
Textura lisa ou
referentes a
Fibrocimen- Cinza pouco rugosa,
edificaes de
to escuro forma retangular e
baixo padro ou
tamanhos variados
para fins
comerciais
42
Textura
Vegetao Cinza Localizada ligeiramente
Aqutica escuro prxima represa rugosa, tamanho e
forma variados
4.2.2.3 Segmentao
43
O processo de segmentao de fundamental importncia para o incio da
classificao de uma imagem, uma vez que permite visualizar se esto sendo
agrupados ou no um ou mais objetos semelhantes dentro de um mesmo
polgono, o que influenciar diretamente os resultados a serem obtidos
posteriormente. Portanto, para uma segmentao ser considerada boa ela
deve gerar polgonos que representem da melhor maneira a forma e a
geometria dos objetos existentes na superfcie da rea de interesse (RIBEIRO,
2010).
44
um alto valor para a compacidade, so gerados segmentos mais compactos e
menores. Por outro lado, se for associado um valor maior para a suavidade,
so produzidos segmentos otimizados e com bordas suaves.
45
Training Set File e Input Shape File um arquivo (o mesmo) vlido em
formato ESRI Shapefile, contendo informaes relacionadas aos atributos e
amostras e executar o processo.
46
alvo por dois motivos: (a) poder ocorrer generalizao de informao, ou seja,
um mesmo segmento conter alvos distintos; (b) caso a classe sendo
classificada tenha poucos objetos na imagem, haver poucos segmentos da
referida classe para serem inseridos posteriormente no minerador de dados e
se obter um modelo, e assim, a classificao ficaria comprometida. Portanto,
a busca por um melhor ajuste dos parmetros de segmentao pode se tornar
um processo exaustivo e muitas vezes contraditrio, devido s limitaes
existentes.
47
respectivo n da rede, sendo posteriormente selecionado e executado o
algoritmo C4.5.
Por fim, no final da rede, h uma classe chamada ''Resto'' sem qualquer
operador associado, tanto no processo Top-Down como no Bottom-Up
responsvel pela classificao do que no foi classificado por nenhum dos
algoritmos C4.5 implantados nos ns acima. Esta classe foi criada apenas para
que a imagem no ficasse com pequenos buracos devido a reas no
48
pertencentes a nenhuma classe ou pouco representativas, como, por exemplo,
veculos encontrados nas vias.
49
Outro importante instrumento que auxiliou no reconhecimento da rea do ponto
de vista do uso da terra (porm, numa escala de anlise bem mais ampla)
foram os arquivos digitais do municpio que mostram o zoneamento (e sua
localizao) e a nomenclatura dada s diferentes classes. Baseados nos
documentos oficiais foram ento estipulados os nomes das classes de uso da
terra.
Aqui se deve ressaltar que na rea-teste B, por ser uma rea de proteo
ambiental e no existir uma padronizao das quadras, no foi possvel realizar
o processo mencionado acima. Outro detalhe: a referida rea resulta de uma
invaso e que agora constitui rea consolidada na regio. Assim sendo, trata-
se de uma rea que, para fins de zoneamento, classificada como
Reestruturao, Recuperao ou ainda de Proteo, mas na prtica trata-
se de um ncleo habitacional com baixa renda. Tal hiptese foi constatada no
trabalho de campo, confirmando o que se observa na imagem, a saber: h
poucos telhados cermicos e grande concentrao de edificaes em
pequenos lotes de terra, o que denota a ausncia de planejamento do territrio.
50
Figura 4.9 - Fluxograma para a obteno da classificao do uso da terra.
51
52
5 RESULTADOS E DISCUSSO
53
Figura 5.2 - Mapa de classificao da cobertura da terra da rea-teste B.
Com relao aos resultados das classificaes das duas reas, os nmeros
foram considerados satisfatrios, tanto do ponto de vista visual, como do
estatstico. Vale lembrar que a rea-teste B possui trs classes de cobertura a
mais, at porque se optou por trabalhar em diferentes regies do municpio,
que apresentam caractersticas distintas uma da outra. Ainda sobre as
diferenas das reas-testes, como visto na comparao entre ambas
estatsticas, a rea-teste B possui resultados mais satisfatrios, o que de certa
forma j era esperado, uma vez que se trata de uma regio mais simples para
se classificar e distinguir os alvos, alm de ter demandado menor quantidade
de refinamentos durante a realizao do estudo.
55
Figura 5.3 - Kappa-condicional para as classes de cobertura da terra rea-teste A.
Por fim houve duas classes na rea-teste B, que devido as suas caractersticas
nicas do ponto de vista espectral e/ou de forma, no apresentaram nenhuma
confuso: Concreto Pr-moldado (concreto virio) e Corpo hdrico.
57
Assim sendo, em um primeiro momento, foi avaliada a porcentagem do tipo de
cobertura da terra em cada quadra e, posteriormente delimitado o tipo de uso.
Foram usados, como referncias, mapas e leis de zoneamento da Prefeitura de
Santo Andr.
Como pode ser observado na Figura 5.5, foi obtido um mapa de classificao
do uso da terra na rea-teste A. Como j mencionado anteriormente, devido
ausncia de quadras padronizadas e tambm por ser resultado de uma invaso
j consolidada, essa parte do estudo no foi realizada na rea-teste B.
58
estabelecidos padres, como, por exemplo, a associao de reas cobertas
por telhados cermicos com reas de uso residencial. Alm disso, ao observar
as referncias de uso e ocupao da terra, foi indicado que, para a rea
estudada a classificao foi considerada como Zona de recuperao urbana,
caracterizada pelo uso predominantemente residencial, com alta densidade
populacional, carncia de infraestrutura e equipamentos pblicos e alta
incidncia de loteamentos irregulares e ncleos habitacionais de baixa renda.
Ainda com relao ao uso da terra na rea-teste A, notou-se a existncia de
duas quadras com uso institucional, que correspondem a um cemitrio e uma
linha de servido, contendo linhas de transmisso de energia e que atravessa
boa parte do municpio.
Portanto, com relao ao uso da terra, foi possvel observar duas aes
distintas do poder pblico no territrio andreense. Na regio da rea-teste A,
verificou-se que, mesmo com as dificuldades existentes no gerenciamento de
grandes cidades, houve ordenamento da regio e, pelo que foi observado nas
imagens, nas classificaes e tambm no trabalho de campo, esto sendo
seguidas as medidas dispostas no Plano Diretor e em outros documentos
oficiais. Por outro lado, na regio da rea-teste B, notrio o descontrole, uma
vez que se trata de uma de rea de proteo ambiental e verificou-se que de
fato uma rea consolidada de ocupao do territrio, fato que pode causar
desde problemas ambientais, como, por exemplo, a falta de saneamento
bsico, at problemas sociais, como acentuada criminalidade (visto que se
trata de um local afastado, densamente povoado e de difcil acesso por parte
do Estado).
59
como, por exemplo, razes entre bandas, possibilitando atingir diferentes tipos
de objetivos e gerar outros estudos.
Outro fator importante que deve ser relacionado diretamente imagem a data
de sua obteno. Como a rea de estudo uma regio em expanso e as
imagens so de 2010, muitas das feies observadas na imagem estavam
profundamente alteradas no mundo real atual (agosto de 2013), o que
prejudicou o reconhecimento durante o trabalho de campo. Isto tambm
significa que o trabalho tem suas limitaes em termos de representao da
realidade.
60
uma vez que isso poderia comprometer a qualidade da classificao. Por isso,
foi necessrio reduzir ainda mais o recorte, alm de se trabalhar com uma
poro da cena contendo uma considervel rea de vegetao, o que ajudou a
atenuar o problema.
61
em formato ESRI Shapefile das mineraes realizadas, fazendo uma
sobreposio de layers e, ao associ-los aos ns de uma rede semntica
simplificada, eventuais conflitos espaciais foram resolvidos por regras de
pertinncia (membership).
Fica registrado ento que h uma srie de detalhes (s vezes, tais detalhes
so pequenos, como, por exemplo, a ordem dos memberships, que alteram
drasticamente os resultados para se atingir a melhor combinao, muitos
testes foram feitos, at em vista da grande quantidade de combinaes
possveis ou at mesmo de uma melhor coleta de amostras e seleo mais
adequada dos atributos para determinada classe), que durante a execuo do
processo podem prejudicar o resultado do estudo. Alguns desses detalhes
devem ser observados e manipulados pelo usurio, mas outros frequentemente
esto embutidos nos processos e podem passar despercebidos.
Com relao aos pontos positivos vale ser destacado que o InterIMAGE um
sistema com interface grfica e de navegao connsideravelmente simples. Em
linhas gerais, pode-se dizer que em sua essncia, no um programa difcil de
se operar, porm a sua avaliao prejudicada devido aos vrios problemas
observados e grande quantidade de manobras necessrias para resolver
tais problemas.
62
economia de tempo e uma simplificao de um processo que muitas vezes
pode ser complexo em outras plataformas.
63
64
6. CONCLUSES
65
ocupao da terra j previstas em documentos oficiais. No entanto, a rea-
teste B inspira muito mais cuidado e ateno por parte dos rgos
governamentais, pois como observado, trata-se de uma rea invadida e que se
encontra consolidada e, pelo que foi observado e apurado, se encontra neste
processo h vrios anos.
66
deixar o sistema mais confivel ao se realizar diferentes processos de
minerao de dados simultaneamente em uma mesma rede semntica; (e)
possibilidade de se trabalhar com um maior nmero de extenses de arquivos.
67
68
REFERNCIAS BIBLIOGRFICAS
69
em objetos. 2011. 201 p. (sid.inpe.br/mtc-m19/2011/09.05.20.27-TDI).
Dissertao (Mestrado em Sensoriamento Remoto) - Instituto Nacional de
Pesquisas Espaciais, So Jos dos Campos, 2011. Disponvel
em: <http://urlib.net/8JMKD3MGP7W/3ACT3BL>. Acesso em: 20 fev. 2013.
70
DEFINIENS Imaging GMBH. Definiens Developer 7 - reference book.
Mnchen, Alemanha: Definiens (The Imaging Intelligence Company), 2007. 195
p.
71
GALO, M.; CAMARGO, P. O. Utilizao do GPS no controle de qualidade de
carta. In: CONGRESSO BRASILEIRO DE CADASTRO TCNICO
MULTIFINALI-TRIO, 1. (COBRAC), 7- 10 ago 1994, Florianpolis Brasil.
Anais... Florianpolis: Universidade Federal de Santa Catarina, 1994. Tomo II,
p. 41-48.
HAN, J.; KAMBER, M. Data mining: concepts and techniques. San Francisco:
Morgan Kaufmann Publishers, 2001.
73
Science in Geo-Information Science and Earth Observation) - University of
Twente Faculty of Geo-Information and Earth Observation (ITC), Enschede,
2011.
NOVACK, T.; KUX, H. J. H. Urban land cover and land use classification of an
informal settlement area using the open-source knowledge-based system
InterIMAGE. Journal of Spatial Science, v. 55, n. 1, p. 23 -41, June 2010.
74
00056-0 (Internet), 978-85-17-00057-7 (DVD). Disponvel em:
<http://urlib.net/3ERPFQRTRW/3A2L5KH>. Acesso em: 28 jan. 2013.
75
POWELL, R.; ROBERTS, D.A.; DENNISON, P.E.; HESS, L. Sub pixel mapping
of urban land cover using multiple endmember spectral mixture analysis:
Manaus, Brazil. Remote Sensing of Environment. v.106, n. 2, p. 253-267, jan
2007.
76
SOUZA, U. D. V. Classificao da cobertura e do uso do solo urbano de
So Lus (MA), com imagens Worldview-2 utilizando minerao de dados
e o sistema Interimage. 2012. 132 p. (sid.inpe.br/mtc-m19/2012/10.17.17.34-
TDI). Dissertao (Mestrado em Sensoriamento Remoto) - Instituto Nacional de
Pesquisas Espaciais (INPE), So Jos dos Campos, 2012. Disponvel
em:<http://urlib.net/8JMKD3MGP7W/3CR8EL8>. Acesso em: 02 nov 2012.
WITTEN, I.; FRANK, E.; HALL, M. A. Data mining: practical machine learning
tools and techniques. 3. ed. San Francisco, CA: Morgan Kaufmann Publishers,
2011. 629 p.
ZHANG, J.; HSU, W.; LEE, M. Image mining: trends and developments.
Journal of Intelligent Information, n. Special Issue on Multimedia Data
Mining, 2002.
ZHOU, X.; JANCSO, T.; CHEN, C.;VERON, M. W. Urban land cover mapping
based on object oriented classification using WorldView2 sattelite remote
sensing images. In: INTERNATIONAL SCIENTIFIC CONFERENCE ON
SUSTAINABLE DEVELOPMENT & ECOLOGICAL FOOTPRINT. Sopron,
Hungary, 2012. Electronic Proceeidings... Disponvel
em:<https://palyazat.nyme.hu/fileadmin/dokumentumok/palyazat/tamop421b/Int
Conference/Papers/Articles/PDF/Xiaocheng_UrbanLandCoverMappingBasedO
nObjectOrientedClassificationUsingWorldView2SatelliteRemoteSensingImages.
pdf> Acesso em: 11 Dez. 2013.
77
78
APNDICE A - PARMETROS DE SEGMENTAO
79
80
APNDICE B - PARMETROS DE CLASSIFICAO
As Figuras B.1, B.2 e B.3 apresentam as rvores de deciso criadas pelo minerador C4.5 para a classificao da cobertura
da terra na rea-teste A.
Figura B.1 - rvores de deciso para classificao dos alvos asfalto, concreto e telhado metlico.
81
Figura B.2 - rvores de deciso para classificao dos alvos fibrocimento e solo exposto.
82
Figura B.3 - rvores de deciso para classificao dos alvos vegetao rasteira, vegetao arbrea, sombra e telhado cermico.
83
As Figuras B.4, B.5, B.6 e B.7 apresentam as rvores de deciso criadas pelo minerador C4.5 para a classificao da
cobertura da terra na rea-teste B.
Figura B.4 - rvores de deciso para classificao dos alvos reas midas, sombra e corpo hdrico.
84
Figura B.5 - rvores de deciso para classificao dos alvos vegetao arbrea, vegetao rasteira, solo exposto e via no pavimentada.
85
Figura B.6 - rvores de deciso para classificao dos alvos asfalto, fibrocimento e telhado metlico.
86
Figura B.7 - rvores de deciso para classificao dos alvos concreto e concreto virio.
87
88
APNDICE C LISTA DE ATRIBUTOS
Brigthness
Compacity Entropy Mean (M) NDWI B5/B2
(BRILHO)
Max Pixel
Sum Pixels
Angle Value Variance (V) NDVI B4/B6
(SP)
(MAXPV)
Squareness
Fractal
Dimension
(FD)
Elliptic Fit
(EF)
Length Width
Ratio (LWR)
Shape Index
(SI)
bBoxArea
Gyration
Radius (GR)
89
90
APNDICE D - REDE SEMNTICA
91
92
APNDICE E - MODELO DE CLASSIFICAO
93
94
APNDICE F - AVALIAO DAS CLASSIFICAES
Kappa - Varincia
Classe condicional do Kappa
Asfalto 0,813432836 0,009263477
Cermica 0,906015038 0,007982842
Concreto 0,617346939 0,017550882
Fibrocimento 0,694002448 0,012830716
Solo Exposto 0,702380952 0,030780541
Sombra 0,951219512 0,002250693
Telhado Metlico 1 0
Veg. Arbrea 0,951612903 0,002214679
Veg. Rasteira 0,89010989 0,005307175
Resto 0,387755102 0,047990208
95
A Tabela F.3 apresenta a matriz de confuso da classificao da rea-teste B.
A Tabela F.4 apresenta os ndices Kappa condicional para as classes de
cobertura das terra da rea-teste B.
Kappa - Varincia
Classe condicional do Kappa
rea mida 0,688262402 0,01311265
Asfalto 0,660766962 0,037689608
Concreto 0,705317104 0,030469129
Corpo Hdrico 1 0
Fibrocimento 1 0
Resto 0,096069869 0,008380672
Rodoanel (concreto
virio) 1 0
Solo Exposto 0,868721461 0,014945847
Sombra 1 0
Telhado Metlico 0,545813586 0,023006783
Veg. Arbrea 1 0
Veg. Rasteira 0,878883623 0,006401782
Via no Pavimentada 0,742152466 0,024493869
96