Fundamentos de Deteccao Remota

CURSO DE MESTRADO EM SISTEMA DE INFORMAÇÃO
GEOGRAÁFICA E AVALIAÇÃO DOS RECURSOS NATURAIS
ANTÓNIO DOS ANJOS LUIS, MSc.
2016
1. CAPITULO I
1. CAPITULO I .................................................................................................................. 1
2. APRESENTAÇÃO ....................................................................................................... 5
2.1. Breve histórico de teledeteção................................................................................. 7
2.2. Elementos do processo de Teledeteção ................................................................ 11
2.3. O Espectro Eletromagnético .................................................................................. 12
2.4. Refletância das superfícies terrestres ..................................................................... 15
2.5. Interação da radiação eletromagnética com a atmosfera ....................................... 17
3. CARACTERISTICAS ORBITAIS DOS SATELITES DE TELEDETEÇÃO ....................... 20
3.1. Resolução dos sensores remotos .......................................................................... 22
3.1.1. Resolução Espacial ......................................................................................... 22
3.1.2. Resolução espectral ........................................................................................ 24
3.1.3. Resolução Radiométrica .................................................................................. 25
3.1.4. Resolução Temporal ....................................................................................... 26
3.2. Tipos de imagens de teledeteção ......................................................................... 27
3.2.1. Imagem multiespectral (MS).......................................................................... 27
3.2.2. Imagem pancromática (PAN) ........................................................................ 29
3.2.3. Imagem fusionada (PS) ................................................................................ 29
4. Satélites de Teledeteção .............................................................................................. 31
4.1. Composição dos satélites ...................................................................................... 31
4.2. A finalidade dos satélites ...................................................................................... 32
4.3. Como são interpretadas as imagens de satélite.................................................... 34
4.4. Principais Programas de Satélites ......................................................................... 35
4.5. Parâmetros básicos para adquirir una imagen de satélite ..................................... 41
5. Aplicações de Teledeteção ou Sensoriamento Remoto nas ciÊnciaS da terra e no mar
43
5.1. Sensoriamento remoto para a determinação de índices de Vegetação, agua e recursos
geológicos........................................................................................................................ 46
1|Satélites de Teledeteção par a a gestão do Território
© A N T Ó N I O D O S A N J O S L U I S
6. PRE-PROCESSAMENTO DE IMAGEM DE SATÉLITE ................................................ 53
6.1. Distorções geométricas .......................................................................................... 53
6.2. Distorções radiométricas ........................................................................................ 54
6.3. Correção Geométrica ............................................................................................. 55
6.4. Correção Radiométrica........................................................................................... 55
7. EXTRACÇÃO DE INFORMAÇÃO DE IMAGEM SATÉLITE .......................................... 56
7.1. Classificação POR Interpretação visual .................................................................. 59
7.2. CLASSIFICAÇÃO NÃO supervisionada .................................................................. 62
7.3. CLASSIFICAÇÃO supervisionada ........................................................................... 63
7.4. Avaliação da qualidade dos mapas ....................................................................... 63
8. GUIAO PARA EXERCICIOS PRATICOS...................................................................... 71
8.1. CORRECAO DO SISTEMA DE COORDENADAS DAS IMAGENS LANDSAT ...... 71
8.2. COMPOSICAO DE BANDAS................................................................................. 72
8.3. INTERPRETACAO DA IMAGEM COM BASE EM RGB........................................ 73
8.4. CORTE DAS IMAGENS ........................................................................................ 74
8.5. MOSAICO DAS IMAGENS .................................................................................... 75
8.6. CLASSIFICACAO DAS IMAGENS ......................................................................... 75
CLASSIFICAÇÃO NÃO ASSISTIDA ................................................................................. 75
8.7. ANÁLISE DA QUALIDADE DOS MAPAS CLASSIFICADOS ................................. 83
8.8. DETERMINAÇÃO DE INDICES DE VEGETAÇÃO E AGUA EM IMAGENS LANDSAT
86

LISTA DE FIGURAS
Figura 1-Imagem da Terra resultado da combinação dos diferentes sensores de Teledeteção

............................................................................................................................................ 5
Figura 2- Pombo Com Câmara Fotográfica ......................................................................... 8
Figura 3- Landsat 1............................................................................................................ 9
Figura 4-Elementos de um processo de Teledeteção a partir satélites. ............................ 11
Figura 5- Espectro Eletromagnético ................................................................................... 13
Figura 6-Comprimentos de ondas ...................................................................................... 14
Figura 7-Curvas de refletancia espectral ............................................................................ 16
Figura 8- Janelas Atmosféricas.......................................................................................... 19
Figura 9 - Orbita geoestacionária ...................................................................................... 20
Figura 10- Orbita não geoestacionária ou polar ................................................................ 21
Figura 11-Formato de uma imagem digital 7X9 pixéis ..................................................... 22
Figura 12- Píxel, pequenos quadrados na imagem ........................................................... 23
Figura 13- Imagens com distinta resolução espacial: 2 m/píxel (esquerda e a 0,5 m/píxel
a direita) ............................................................................................................................ 24
Figura 14- Bandas espectrais de diferentes sensores de teledeteção ............................... 25
Figura 15- Maior resolução temporal graças a reorientação de sensores. ........................ 27
Figura 16-Imagens multi espectral obtidas por camara multiespectral ................................ 28
Figura 17- exemplo de uma imagem Pancromática .......................................................... 29
Figura 18-Imagem Fusionada ............................................................................................ 30
Figura 19- O satélite CBERS (China-Brazil Earth Resources Satellite), desenvolvido pela
parceria entre Brasil e China, com destaque para os seus principais componentes.
(CBERS/INPE) ................................................................................................................. 31
Figura 20- Imagem obtida pelo satélite meteorológico GOES. (CPTEC/INPE) ............... 32
Figura 21-Imagem de Brasília obtida pelo satélite Landsat-5 em1984. (INPE) ............. 34
Figura 22- Imagem do Rio de Janeiro obtida pelo sensor TM, a bordo do satélite Landsat-
5, com resolução espacial de 30 metros, em 5 de agosto de1985 ............................... 35
Figura 23-Descrição básica da Constelação DMC ............................................................. 36
Figura 24- Imagem DEIMOS-1. Áreas cultivadas em Louisiana ....................................... 37
Figura 25- Descrição básica Do Earh Observing .............................................................. 38
Figura 26-Descricao básica do Geo eye ........................................................................... 38
Figura 27-Diferentes resoluções do Geo-eye .................................................................... 39
Figura 28- Diferentes resoluções do Ikonos ...................................................................... 39
Figura 29-Caracteristicas do Landsat ................................................................................. 40
Figura 30- Características do Landsat ............................................................................... 40
Figura 31-Indice de vegetação .......................................................................................... 46

Figura 32- Variação da refletância da água devido às diferenças de concentrações de
partículas sólidas em suspensão ......................................................................................... 49
Figura 33- Exemplos de espectros de minerais de alteração hidrotermal que têm intensas
bandas de absorção posicionadas na região espectral do infravermelho. ........................... 51
Figura 34- Índices minerais para o sensor ASTER usando razões de bandas (Fonte Cudahy
& Souza Filho, (2006). ................................................................................................... 52
Figura 35- Line dropout cobrindo a área de Japão .......................................................... 54
Figura 36-Listragem da imagem ........................................................................................ 55
Figura 37- Produção de informação temática com imagens de satélite, em que (A)
representa os dados da imagem de satélite e (B) o mapa temático produzido. .............. 56
Figura 38- Nomenclaturas mais utilizadas em mapas de ocupação/uso do solo. ............. 58
Figura 39- Classes de Uso e Cobertura de Terra em Moçambique. Fonte: CENACARTA
.......................................................................................................................................... 59
Figura 40-Classificação da imagem com base na interpretação visual .............................. 60
Figura 41-O polígono da esquerda tem uma área inferior muito perto da UMC, pelo que,
em vez de ser eliminado, a sua área é exagerada para que conste no mapa final ........ 61
Figura 42-O polígono a vermelho pertencente à classe Outras Florestas tem uma área
bastante inferior à área mínima, pelo que deve ser agregado a um dos polígonos vizinhos.
Neste caso, optou-se por agregá-lo ao polígono vizinho da classe Incultos já que das
classes dos polígonos vizinhos, é com esta que a classe Outras Florestas tem mais afinidade
.......................................................................................................................................... 61
Figura 43-Matriz de Confusão ........................................................................................... 65

2. APRESENTAÇÃO
A terra, como uma esfera azulada no meio do espaço (Figura1), só havia sido observada
apenas por alguns privilegiados: os astronautas que viajaram a lua. Foram os tripulantes da
nave espacial Apolo 8 nos finais dos anos 1968 os primeiros a desfrutar desse espetáculo.
Felizmente, na atualidade todos podemos ter essa visão da terra a partir do espaço graças
aos satélites de teledeteção.
Teledeteção, Deteção Remota ou Sensoriamento Remoto são termos usado por falantes da
língua portuguesa para referir-se ao termo inglês “remote sensing”, que se traduz literalmente
como perceção remota. Se refere a ciência, técnica, ou arte para obter informações (imagens)
da superfície do nosso planeta a distância, sem entrar em contacto direto com ele. Portanto,
a teledeteção inclui também todo o trabalho realizado a posterior com estas imagens, quer
dizer seu processamento e interpretação.
A teledeteção mais usada se refere a captura das imagens a partir de satélites ou plataformas
aéreas (aviões, helicópteros ou veículos aéreos não tripulados).No entanto, as vantagens
que oferecem a observação espacial a partir de satélites, isto é, a cobertura global e
exaustiva da superfície terrestre, a observação multi-escala e a cobertura repetitiva terá
propiciado o desenvolvimento e utilização deste tipo de produtos de maneira sistemática.
Figura 1-Imagem da Terra resultado da combinação dos diferentes sensores de Teledeteção

A teledeteção tornou-se nas últimas décadas uma ferramenta imprescindível em numerosos
âmbitos da nossa sociedade. São muitos os exemplos de sua aplicação como base para a
tomada de decisões na gestão eficiente dos recursos naturais, da agricultura, a meteorologia,
o ordenamento do território ou a elaboração da cartografia entre outros.
O presente manual de apoio tem por finalidade servir como uma primeira fonte de consulta
aos estudantes dos curso de mestrado em Sistema de Informação Geográfica, Planeamento
e Desenvolvimento Regional na UCM e para todos os indivíduos que pretendam iniciar
estudos ou adquirir uma compreensão básica da tecnologia de teledeteção. O mesmo
apresenta os conteúdos como os fundamentos básicos de teledeteção, as características dos
principais satélites de alta e media resolução mais utilizados, as diferentes formas de extração
de informação nas imagens de satélites bem como o pro cesso de validação dos mesmos.

2.1. Breve histórico de teledeteção
A história da teledeteção ou Sensoriamento é assunto tão controvertido quanto à sua definição.

E não poderia ser diferente, pois dependendo de como se veja o Sensoriamento remoto,
ver-se-á a história e a evolução do mesmo.
Diversos autores, escudados pela American Society of Photogrametry e seu “Manual of

Remote Sensing” (1975), associam a origem do sensoriamento remoto com o surgimento
dos sensores (câmeras) fotográficas. Dessa forma, a história pode ser dividida em dois
períodos principais: o primeiro, que se inicia em 1860 e se estende até 1960, é totalmente
dominado pelas fotografias áreas (inicialmente em balões e posteriormente em aviões),
enquanto o segundo, que se estende até os dias de hoje, é caracterizado pela multiplicidade
de sistemas sensores.
As aplicações militares quase sempre estiveram à frente no uso de novas tecnologias, e no

SR não foi diferente. Relata-se que uma das primeiras aplicações do SR foi para uso militar.
Para isto foi desenvolvida, no século passado, uma leve câmara fotográfica com disparador
automático e ajustável. Essas câmaras, carregadas com pequenos rolos de filmes, eram
fixadas ao peito de pombos-correio (Figura 2), que eram levados para locais
estrategicamente escolhidos de modo que, ao se dirigirem para o local de suas origens,
sobrevoavam posições inimigas. Durante o percurso, as câmaras, previamente ajustadas,
tomavam fotos da área ocupada pelo inimigo. Vários pombos eram abatidos a tiros pelo
inimigo, mas boa parte deles conseguia chegar ao destino. As fotos obtidas consistiam em
valioso material informativo, para o reconhecimento da posição e infraestrutura de forças
militares inimigas. Assim teve início uma das primeiras aplicações do Sensoriamento remoto.

Figura 2- Pombo Com Câmara Fotográfica
No processo evolutivo das aplicações militares, os pombos foram substituídos por balões não
tripulados que, presos por cabos, eram suspenso até a uma altura suficiente para tomadas
de fotos das posições inimigas por meio de várias câmaras convenientemente fixadas ao
balão. Após a tomada das fotos o balão era puxado de volta e as fotos reveladas eram
utilizadas nas tarefas de reconhecimento. Posteriormente, aviões foram utilizados como veículos
para o transporte das câmaras.
Na década de 60 surgiram os aviões norte americanos de espionagem denominados U2.

Estes aviões, ainda hoje utilizados em versões mais modernas, voam a uma altitude acima
de 20.000 m o que dificulta o seu abate por forças inimigas. Conduzido por apenas um
piloto eles são totalmente recheados por sensores, câmaras e uma grande variedade de
equipamentos. Estes aviões têm sido utilizados também para uso civil. Em 1995, um deles
foi utilizado pelos Estados Unidos para monitoramento de queimadas e mapeamentos diversos,
nas regiões Norte e Centro -Oeste do Brasil.
A grande revolução do Sensoriamento remoto aconteceu no início da década de 70, com o

lançamento dos satélites de recursos naturais terrestres, (Figura 3). Os satélites, embora
demandem grandes investimentos e muita energia nos seus lançamentos, orbitam em torno
da Terra por vários anos. Durante sua operação em órbita o consumo de energia é mínimo,
pois são mantidos a grandes altitudes onde não existe resistência do ar e a pequena força

gravitacional terrestre é equilibrada pela força centrífuga do movimento orbital do satélite.
Estes aparatos espaciais executam um processo contínuo de tomadas de imagens da superfície
terrestre coletadas 24 h/dia, durante toda a vida útil dos satélites. Nesta apostila usaremos
o termo imagem no lugar de foto de satélite, que têm o mesmo significado, embora o
primeiro seja mais tecnicamente utilizado.
Figura 3- Landsat 1
A evolução de quatro segmentos tecnológicos principais determinou o processo evolutivo do

Sensoriamento remoto por satélites:
a) Sensores – são os instrumentos que compõem o sistema de captação de dados e

imagens, cuja evolução tem contribuído para a coleta de imagens de melhor qualidade e
de maior poder de definição.
b) Sistema de telemetria – consiste no sistema de transmissão de dados e imagens dos

satélites para estações terrestres, e tem evoluído no sentido de aumentar a capacidade de
transmissão dos grandes volumes de dados, que constituem as imagens.
c) Sistemas de processamento – consistem dos equipamentos computacionais e softwares

destinados ao armazenamento e processamento dos dados do Sensoriamento remoto. A

evolução deste segmento tem incrementado a capacidade de manutenção de acervos e as
potencialidades do tratamento digital das imagens.
d) Lançadores – consistem das bases de lançamento e foguetes que transportam e colocam

em órbita, os satélites. A evolução deste segmento tem permitido colocar, em órbitas
terrestres, satélites mais pesados, com maior quantidade de instrumentos, e consequentemente,
com mais recursos tecnológicos. Na verdade a evolução do SR é fruto de um esforço
multidisciplinar que envolveu e envolve avanços na física, na físico-química, na química, nas
biociências e geociências, na computação, na mecânica, etc...
Nos dias atuais o Sensoriamento remoto é quase que totalmente alimentado por imagens
obtidas por meio da tecnologia dos satélites orbitais. Existem várias séries de satélites de
sensoriamento remoto em operação, entre eles podemos citar: LANDSAT, SPOT, CBERS,
IKONOS, QUICKBIRD e NOAA. Os satélites das cinco primeiras séries são destinados ao
monitoramento e levantamento dos recursos naturais terrestres, enquanto os satélites NOAA
fazem parte dos satélites meteorológicos, destinados principalmente aos estudos climáticos e
atmosféricos, mas são também utilizados no Sensoriamento remoto.
Os últimos anos tem assistido a uma explosão no uso de aeronaves remotamente pilotadas
(comumente chamadas de drones) para diversos usos, especialmente o sensoriamento
remoto. O uso de VANTs oferece inúmeras vantagens para a aquisição de dados por
sensoriamento remoto, mas é comumente prejudicado pela falta de informação acerca de seu
funcionamento, operação, e certificação.
Esta disciplina assenta essencialmente na deteção remota por satélite, excluindo-se assim
outras formas de deteção remota para caracterização da superfície terrestre como por exemplo
a fotografia aérea (câmaras fotográficas montadas em aviões) ou sensores digitais instalados
em aviões. Por uma questão de simplificação, neste curso o termo sensoriamento é utilizado
apenas para o sensoriamento remoto por satélite (i.e., imagens de satélite).
10 | S a t é l i t e s de Teledeteção para a gestão do Território

2.2. Elementos do processo de Teledeteção
Os elementos envolvidos no processo de teledeteção a partir de satélites se mostram na

figura 4. O primeiro requisito supõem se a existência de uma fonte de energia que ilumine
ou forneça energia ao objeto de interesse (campo de cultivo, floresta, mar, cidade, etc.).
O caso mais habitual, consiste em que esta fonte seja o sol (A). A radiação solar na sua
“viagem a terra” atravessa e interage com a atmosfera (B).Uma vez chegada na superfície
terrestre interage com os objetos que la se encontram. A radiação refletida dependera das
características desses objetos, permitindo distinguir uns aos outros (C).Um sensor a bordo
de um satélite reconhece e grava essa radiação refletida pela superfície terrestre e a própria
atmosfera (D).
A energia captada pelo sensor se

transmite a uma estacão de receção e
processamento onde os dados se
convertem em imagens digitais (E).
A imagem processada se interpreta,

visualmente e ou digitalmente, para extrair
informações acerca dos objetos que foram
iluminados (F).
O passo final do processo de teledeteção

consiste em aplicar a informação extraída
da imagem para conseguir um melhor
conhecimento da zona em estudo,
revelando novas informações ou ajudando-nos a resolver um problema particular (G).
Figura 4-Elementos de um processo de Teledeteção a partir satélites.

2.3. O Espectro Eletromagnético
Os olhos dos seres humanos se podem considerar como sensores, pois detetam a luz
refletida pelos objetos. Contudo, a visão humana só é capaz de perceber uma pequena
parte do espectro eletromagnético, o visível.
A luz visível é só uma das muitas formas de radiação eletromagnética que existe. Assim,
as ondas de radio, o calor, os raios ultravioletas ou os raios X são outras formas comuns.
Em teledeteção o normal é caracterizar as ondas eletromagnéticas pela sua longitude de
onda em micrómetros (μm, 10 m) ou nanómetros (nm, 10 m), quer dizer pela posição
que ocupa dentro do espectro eletromagnético. Desta forma são definidas varias regiões do
espetro. Por conveniência são apontados diferentes nomes a estas regiões (ultravioleta,
visível, infravermelho, micro-ondas, etc.),não existindo divisões exatas entre umas e outras
(Figura 5).
Os sensores montados a bordo dos satélites de teledeteção são capazes de detetar e gravar
radiações das regiões não visíveis do espectro eletromagnético, desde a ultravioleta ate as
micro-ondas.

Figura 5- Espectro Eletromagnético
O visível é uma pequena região do espectro eletromagnético compreendida entre 0.4μm até
os 0.7μm. A cor azul vai desde 0.4 até 0.5μm. O verde desde 0.5μm até 0.6μm e o
vermelho de 0.6μm a 0.7μm. A energia ultravioleta (UV) se encontra imediatamente por
baixo da cor azul. Por cima do vermelho se situa a região de infravermelho (IR),que por
sua vez está dividida em três categorias: IR próximo (NIR) (0.7 – 1.3μm), IR medio
(SWIR) (1.3 – 3μm) e IR térmico (TIR) (3 – 100μm).
A porção de micro-ondas se encontra mais além do infravermelho (1 mm – 1 m), é a

longitude de ondas mais largas usadas em Teledeteção. Destas as mais curtas tem
propriedades similares ao IR térmico, enquanto as restantes são similares as usadas em
comunicações.
A distância entre dois picos sucessivos de uma onda eletromagnética designa-se por
comprimento de onda, o qual é quantificado em unidades de comprimento, e.g. metro (m),
centímetro (cm, 10-2 m), micrómetro (_m, 10-6 m), namómetro (nm, 10-9 m). O
número de picos que passam num determinado ponto por unidade de tempo designa-se por

frequência. A frequência é normalmente medida em Hertz (Hz). Um Hz equivale a um ciclo
por segundo.
As ondas de radiação eletromagnética obedecem ao princípio:
λυ=c, onde:
c é a velocidade da luz (3 x 108 m.s-1);
λ é o comprimento de onda;
ν é a frequência.
O comprimento de onda depende da frequência com que você agita a corda e também da
velocidade com que as ondas podem se propagar através dela (numa corda fina as ondas
se propagam mais rapidamente que numa grossa). Desta forma, uma propagação ondulatória
de energia pode ser caracterizada pelo comprimento ou frequência das ondas que se formam.
Para produzir ondas curtas você precisa agitar a corda com frequência mais alta, isto é,
transferir mais rapidamente energia para a corda; por isso, as ondas de comprimento de
onda curto transportam mais energia por segundo.
Figura 6-Comprimentos de ondas

2.4. Refletância das superfícies terrestres
A refletância espectral é uma característica das superfícies terrestres, algo fundamental em

teledeteção. Se define como a proporção de energia incidente que é refletida por uma
superfície. Portanto, é uma magnitude dimensional que pode tomar valores entre 0 e 1 ou
percentagens entre 0 e 100%. Para uma determinada superfície este parâmetro varia em
função da longitude de onda. Ao gráfico da refletância espectral frente a longitude de onda
se denomina curva de refletância espectral ou curva espectral (Figura 7).
A configuração de estas curvas permite extrair as características espectrais de uma superfície

e tem uma grande influência sobre a eleição da região espectral na qual os dados de
teledeteção se devem adquirir para uma aplicação particular.
Assim, por exemplo, as curvas de refletancia espetral para a vegetação quase sempre
manifestam os picos e vales que se mostram na Figura 7.

Figura 7-Curvas de refletancia espectral
Os vales na região do visível são dadas pelos pigmentos nas folhas das plantas. A clorofila
absorve fortemente a banda energia centrada em 0,45 e 0,67 micrômetros. É por esta
razão que nossos olhos percebem a vegetação verde saudável, devido à grande absorção
em azul e vermelho, as folhas e a reflexão no verde.
Quando a vegetação não é saudável, diminui a clorofila, e o resultado é um aumento da

refletância espectral no vermelho, por isso as folhas se vem com um tom amareladas
(mistura de verde e vermelho).
Ao chegar ao IR próximo a refletância da vegetação saudável aumenta drasticamente. A

região 0.7-1.3μm reflete entre os 40 e os 50% da energia incidente. O resto da energia
é transmitida quase em sua totalidade, já que nesta região a absorção é menor a 5%. A
refletância de 0.7 a 1.3μm é função da estrutura interna das folhas.
Como estas são distintas, nos permite diferenciar distintos tipos de vegetação, apesar do
visível são muito semelhantes. Mas além de 1.3μm a refletância das folhas é inversamente
proporcional ao seu conteúdo de água total, por isso que esta região do espectro é útil para
detetar estresse hídrico na vegetação.

Os solos quase não apresentam variação na refletância ao longo de todo o espectro
eletromagnético (Figura 7). Os principais fatores que as afetam são: humidade, textura,
rugosidade, presencia de óxidos de ferro e matéria orgânica.
A presencia de humidade faz decrecer a refletância, assim como a rugosidade, a matéria

orgânica e a presencia de óxidos de ferro, estes últimos principalmente no visível.
2.5. Interação da radiação eletromagnética com a

atmosfera
A atmosfera tem um grande efeito na intensidade e na composição espectral da radiação

captada pelos sensores. O efeito da atmosfera na radiação varia sobretudo com:
 O caminho percorrido pela radiação refletida;

 Comprimento de onda da radiação;
 Condições atmosféricas (i.e., abundância de gases e partículas).
Este tipo de interação é bastante importante pois toda a radiação detetada por sensores
remotos passa, independentemente da fonte de radiação, pela atmosfera. Na passagem da
radiação eletromagnética através da atmosfera, podem ocorrer dois grandes tipos de interações
com partículas de matéria suspensas na atmosfera e com moléculas dos gases que a
constituem: dispersão e a absorção. Os efeitos dos processos de dispersão e absorção
diminuem a nitidez das imagens, i.e. reduzem o contraste.
Dispersão atmosférica
A dispersão atmosférica ocorre quando gases e partículas existentes na atmosfera interagem

com a radiação e fazem com que esta seja dispersa na atmosfera. Os principais tipos de
dispersão são: dispersão de Rayleigh, dispersão de Mie e a dispersão não seletiva.
A dispersão de Rayleigh ocorre quando a radiação interage com partículas cujo diâmetro é
muito menor que seu o comprimento de onda, sendo provocada, por exemplo, por moléculas
de azoto e oxigénio, assim como por pequenas partículas de pó. A dispersão de Rayleigh

é inversamente proporcional à quarta potência do comprimento de onda. Assim, radiações
com pequenos comprimentos de onda são muito mais afetadas por este tipo de dispersão
do que as com grandes comprimentos de onda. Este tipo de dispersão, sendo o principal
tipo de dispersão existente na atmosfera superior, é o grande responsável pela “neblina”
existente nas imagens, a qual diminui o seu contraste.
A dispersão de Mie ocorre quando a radiação interage com partículas cujo diâmetro é
semelhante seu ao comprimento de onda, sendo provocada sobretudo por vapor de água,
partículas de poeira e pólen. A dispersão de Mie tende a afetar radiação com comprimentos
de onda maiores do que a afetada pela dispersão de Rayleigh. Ocorre sobretudo na parte
inferior da atmosfera onde partículas maiores são mais abundantes. É menos importante que
a dispersão de Rayleigh, mas pode ser importante em céus com alguma neblina e nuvens.
A dispersão não seletiva ocorre quando a radiação interage com partículas cujo diâmetro é
bastante superior ao comprimento de onda da radiação, como por exemplo gotas de água
e grandes partículas de pó. Assim, este tipo de dispersão afeta de forma semelhante vários
tipos de comprimento de onda.
Absorção Atmosférica
A absorção atmosférica resulta numa perda efetiva de energia para os constituintes

atmosféricos (absorção de energia). Os principais absorventes são: vapor de água, dióxido
de carbono e ozono. O ozono absorve a radiação ultravioleta do sol que é nociva para a
maior parte dos seres vivos. Sem a proteção da camada de ozono, a nossa pele queimar-
se-ia quando exposta à radiação solar. O dióxido de carbono é um dos principais gases de
efeito de estufa, uma vez que tende a absorver o infravermelho associado ao aquecimento
térmico, fazendo com que este calor fique retido na atmosfera.
O vapor de água da atmosfera absorve uma grande parte da radiação na zona do

infravermelho de grande comprimento de onda e na zona dos micro-ondas de menor
comprimento de onda (entre 1 mm e 22mm). A absorção é seletiva, ou seja, existem
comprimentos de onda da radiação eletromagnética que são mais absorvidos do que outros.
As regiões do espectro que estão relativamente livres de absorção são chamadas de janelas
atmosféricas. A radiação eletromagnética nestas regiões passa através da atmosfera sem
sofrer tantas modificações quanto as que ocorreriam noutros comprimentos de onda.
Na Figura 8 ilustra-se o conceito de janela atmosférica. No gráfico superior representa-se

a transmitância da atmosfera para os vários comprimentos de onda. No gráfico inferior
quantificasse a energia da radiação solar e da radiação emitida pela Terra para vários
comprimentos de onda. No gráfico da transmitância as zonas a cinzento representam os
comprimentos de onda para os quais a transmitância atmosférica não é 100%. O
conhecimento das janelas atmosféricas é de extrema importância em deteção remota, pois
esta é impossível em zonas do espectro que sejam seriamente afetadas pela dispersão e/ou
absorção. Por outro lado a deteção remota também deve ser feita em comprimentos de onda
onde a radiação solar tenha uma elevada energia. Uma análise da Figura 8 revela que a
região do visível e parte do infravermelho são boas regiões para a deteção remota.
Figura 8- Janelas Atmosféricas

3. CARACTERISTICAS ORBITAIS DOS SATELITES DE TELEDETEÇÃO
Denomina-se órbita a trajetória seguida por um satélite em redor da Terra. Esta depende
das características e objetivos dos sensores que vão a bordo do satélite. Em geral, as
órbitas são definidas pela altitude, orientação e rotação em relação a terra.
A inclinação da órbita é o ângulo entre o plano orbital e o plano do equador, e determina

a área da Terra que será observada pelo sensor a bordo do satélite. Um satélite com uma
inclinação de 50º terá uma área de observação entre 50º Norte e 50º Sul do Equador. Se
se quiser observar toda a superfície da Terra com um só satélite, este terá que ter uma
inclinação de 90º. No que respeita à altitude, existem satélites em órbitas tão baixas como
470 Km, e.g. Quickbird, até 36 000 Km como o GOES (Geostationary Operational
Environmental Satellite).
A altitude da órbita está relacionada com a velocidade do satélite necessária para uma volta
completa à Terra: quanto mais baixa for a órbita maior será a velocidade e menor será o
tempo necessário para dar essa volta. Repare-se que a altas altitudes a força gravitacional
é menor e portanto a velocidade também pode ser menor.
As órbitas geoestacionárias são aquelas que descrevem os satélites que estão situados a
grandes alturas e sempre observam a mesma porção de superfície terrestre (Figura 9). Sua
altura é geralmente de 36.000 km e são movidos a uma velocidade igual ao ângulo da
rotação da Terra, a fim de que permaneça sempre na mesma posição em relação à superfície
da terra.
Figura 9 - Orbita geoestacionária

Por estarem sempre sobre a mesma posição da Terra, os satélites geoestacionários permitem
aquisições de imagens da mesma área com uma grande periodicidade. Satélites meteorológicos
(e.g., GOES, METEOSAT) e de comunicações normalmente têm órbitas geoestacionárias.
Repare-se que devido à elevada altitude deste tipo de órbitas, os satélites meteorológicos
podem monitorizar o tempo e padrões de nuvens de todo um hemisfério da Terra.
Contudo, a maior parte dos satélites de teledeteção são projetados para seguir uma órbita
de norte a sul, na qual, em conjunto com a rotação da terra (de oeste a este), lhes
permite cobrir a maior parte da superfície terrestre durante um certo período de tempo. A
estas órbitas se lhes da o nome de Não geoestacionários ou quase polares, devido ao facto
da inclinação em relação a uma linha traçada entre os polos sul e norte (Figura 10).
Estas orbitas não se mantêm fixos sobre o mesmo ponto da superfície terrestre e deslocam-
se sobre um plano que forma um determinado ângulo com o equador.
Figura 10- Orbita não geoestacionária ou polar
Ademais, muitos dos satélites de órbita quase polar também considerados heliosíncronos, já
que cobrem a mesma área do mundo a uma determinada hora local do dia, chamada hora
solar local. Este assegura condiciones de iluminação similares quando se adquirem imagens
numa estacão específica durante diferentes anos, ou em uma área particular sobre uma serie
de dias. Esta questão é fundamental para monitorizar alterações entre imagens ou para fazer
mosaicos juntando imagens adjacentes.

3.1. Resolução dos sensores remotos
Os sensores instalados nos satélites de teledeteção possuem uma serie de particularidades

que determinam as características das imagens que vão a proporcionar. Estas características
vem definidas basicamente por diferentes tipos de resolução:
3.1.1. Resolução Espacial
A resolução espacial é una medida da distância angular ou

linear mais pequena que pode captar um sensor remoto da
superfície da Terra, e é representada por um píxel. Um pixel
é a unidade mínima que conforma uma imagem digital (Figura
11).
Figura 11-Formato de uma imagem digital

7X9 pixéis
Cada píxel representa uma área da superfície terrestre. Os tons de cinza de cada píxel
fazem referência a distintos niveles de energia detetada.
O píxel (figura 12) é geralmente de forma quadrada, pelo que a longitude medida sobre
o terreno de um lado do píxel define a resolução espacial do sensor. A resolução espacial
de um sensor pode-se expressar em metros ou metros/píxel.

Figura 12- Píxel, pequenos quadrados na imagem
Quanto maior for a resolução espacial, quer dizer, menor superfície represente um píxel da
imagem, mais pequenos serão os objetos que se podem distinguir na superfície e vice-
versa. A título de exemplo, uma imagem com uma resolução de 0,5 m/píxel permitirá
distinguir objetos mais pequenos que uma imagem de 2 m/píxel, como se observa na Figura
13.
Para que um objeto homogéneo possa ser detetado, seu tamanho tem que ser geralmente
igual ou maior que a superfície de terreno que representa um píxel. Se o objeto for menor
poderá não ser detetado e o sensor gravará o somatório de todo do que haja dentro.
Contudo algumas vezes se detetam objetos muitos pequenos porque sua refletancia domina
dentro da superfície do píxel. A tútulo de exemplo a resolução espacial pode variar desde
1 m do IKONOS, passando por 30 m do Landsat-TM.

Figura 13- Imagens com distinta resolução espacial: 2 m/píxel (esquerda e a 0,5 m/píxel a direita)
3.1.2. Resolução espectral
Como se comentou previamente, as distintas superfícies respondem de maneira diferente a

radiação eletromagnética. Esto significa que se pode obter uma assinatura espectral específica
para cada superfície. Os dispositivos de teledeteção geralmente apenas mostram o espectro
eletromagnético detetando a radiação em determinados intervalos de longitudes de onda. Por
exemplo um sensor que é sensível aos comprimentos de onda entre 0.4 y 0.5μm detetaria
a luz azul. Este intervalo denomina-se d banda espectral ou canal dos dados de una
imagem.
A resolução espectral refere-se à dimensão e ao número de intervalos de comprimento de

onda específicos (canais espectrais) do espectro eletromagnético que o sensor é capaz de
distinguir. De acordo com a resolução espectral, os sensores podem ser classificados em
multiespectrais e hiper espectrais. Os sensores multiespectrais gravam a energia num pequeno
número de regiões do espectro eletromagnético. Os sensores hiper espectrais gravam a
energia num grande número de estreitas regiões do espectro eletromagnético. Alguns autores
ainda distinguem sensores com banda larga e sensores com banda estreita.
Os vários sensores montados em satélites têm resoluções espectrais bastante diferentes.

Portanto, quanto maior for o número de bandas espectrais captadas pelo sensor, maior é a

resolução espectral da imagem. Imagens Landsat / TM, por exemplo, têm 7 bandas; Existem
sensores que geram imagens com centenas de bandas espectrais.
Figura 14- Bandas espectrais de diferentes sensores de teledeteção
3.1.3. Resolução Radiométrica
A resolução radiométrica é dada pelo número de valores digitais representando níveis de

cinza, usados para expressar os dados coletados pelo sensor. Quanto maior o número de
valores, maior é a resolução radiométrica.
As imagens LANDSAT e SPOT utilizam 8 bits para cada pixel, portanto, o máximo valor
numérico de um pixel destas imagens é 255, são todas as combinações possíveis de bits
ligados e desligados. Desta maneira, a intensidade da REM é quantificada, na imagem
LANDSAT, em valores entre 0 e 255. As imagens NOAA utilizam 10 bits, portanto, o valor
máximo do nível de cinza de um pixel NOAA é 1023. Estas têm, portanto, resolução
radiométrica maior que as imagens do LANDSAT e do SPOT cujas faixas variam de 0 e
255.

A resolução radiométrica em imagens digitais é comparável ao número de tons de cinza
numa fotografia em preto e branco, já que ambos se relacionam com o contraste. O olho
humano solo é capaz de perceber aproximadamente 30 tons de cinza diferentes, o que
implica que normalmente a informação visual nas imagens digitais é menor a que realmente
contem.
A dispersão e absorção que provoca a atmosfera na radiação que alcança o sensor reduzem
o número de ND nas imagens, especialmente nos comprimentos de onda mais cortas. Aos
efeitos visuais isto se traduziria numa perda de contraste. Existem procedimentos que permitem
obter medidas de refletancia relativas aos objetos da superfície eliminando ou reduzindo o
efeito da atmosfera.
3.1.4. Resolução Temporal
A resolução temporal é o ciclo de repetição, ou intervalo de tempo, entre duas aquisições

de imagens sucessivas de uma mesma porção da superfície e depende, em grande medida,
das características orbitais do satélite. Muitas vezes também se denomina período de revisita.
Normalmente os satélites meteorológicos tem uma frequência diária (NOAA) contrariamente

aos satélites de recursos naturais (tipo LANDSAT) que são de 16 a 18 dias. Todavia,
muitos satélites atuais tem a capacidade de reorientar o sensor (Figura 15), o que lhes
permite aumentar sua frequência de revisita para uma zona determinada, muito importante
na monitoria de desastres naturais ou para detetar processos que tem pouca perdurabilidade
no tempo.
A possibilidade de captar imagens de uma mesma zona da superfície terrestre em diferentes
períodos de tempo ou épocas do ano, é uma das características mais importantes dos
satélites de teledeteção. As características espectrais de uma superfície terrestre podem
alterar-se ao longo do tempo. Estas alterações podem ser detetados com a aquisição e
comparação de imagens multi temporais.

Os satélites de teledeteção podem ter resoluções temporais desde 26 dias do SPOT HRV,
16 dias do MSS e TM do Landsat 5, 2 dias do EOS-MODIS até 12 horas do
NOAA/AVHRR.
Figura 15- Maior resolução temporal graças a reorientação de sensores.
3.2. Tipos de imagens de teledeteção
O tipo de produto mais comum resultante dos satélites de teledeteção é uma imagem digital
tipo raster (ver figura 12),onde cada píxel tem assinado um ou vários valores numéricos
(niveles digitais) que fazem referência a energia media recebida dentro de uma determinada
banda espectral. Tendo esto em conta, se podem adquirir os seguintes tipos de imagens:
3.2.1. Imagem multiespectral (MS)
Os sensores multi espectrais registram a energia refletida ou emitida de um objeto ou área

de interesse em múltiplas bandas (regiões, canais). Em princípio, é o tipo de produto mais

útil pois nos proporciona, em certo modo, a assinatura espectral dos distintos elementos
presentes na imagem. Assim, por exemplo, o satélite IKONOS proporciona uma imagem
multiespectral com 4 bandas, que cobrem as regiões espectrais correspondentes ao azul,
verde, vermelho e infravermelho próximo. Quanto maior for o número de bandas que
proporciona o sensor, maior será a capacidade de análise dos elementos presentes na
imagem.
Figura 16-Imagens multi espectral obtidas por camara multiespectral
Para além das multiespectrais também existem as denominadas imagens hiperepectrais, menos
habituais. São caracterizadas por possuir informações num grande número de bandas. São
usados para estudos de identificação e classificação muito precisos, principalmente na
mineralogia. Nos dias de hoje proveem de alguns satélites de tipo experimental, como é o
caso do sensor HYPERION (220 bandas), a bordo do satélite EO-1, pelo que a sua
disponibilidade é bastante limitada.

3.2.2. Imagem pancromática (PAN)
Dispõe de uma só banda espectral que abarca comummente grande parte do visível e a
parte superior do infravermelho, obtendo como resultado una imagem que habitualmente se
representa numa escala de cinzento (imagem em preto e branco).
Em contrapartida, tem a ventagem de possuir maior resolução espacial que as multiespectrais

que do mesmo satélite. É por isso que são muito interessantes para l deteção de pequenos
elementos da superfície terrestre que no são distinguíveis na imagem multiespectral.
Naqueles satélites onde existe a possibilidade de obter imagens multi espectrais e

pancromáticas de forma simultânea é habitual a opção de solicitação de ambas imagens
conhecido como pacote Bundle.
Figura 17- exemplo de uma imagem Pancromática
3.2.3. Imagem fusionada (PS)
Este tipo de imagem se obtém mediante a fusão de uma imagem multiespectral com uma
pancromática. As siglas PS provem de pan-sharpened, sua denominação em inglês.
Basicamente, consiste em assinar a cada píxel da imagem pancromática s valores procedentes
de um algoritmo que combina a imagem pancromática com a multiespectral. O resultado final
é uma imagem multiespectral com a resolução espacial da pancromática (Figura 18).
O inconveniente de este tipo de imagens é que se modifica a informação espectral original

captada por los sensores através dos algoritmos usados, pelo que são usados unicamente
como ferramentas de interpretação visual e não para análise espectral. Esta fusão está
inserida dentro da oferta dos distribuidores oficiais dos satélites capaz de obter uma imagem
pancromática e multiespectrais. Uma operação deste tipo, com o software adequado, também
pode ser feito pelos usuários.
Figura 18-Imagem Fusionada

4. SATÉLITES DE TELEDETEÇÃO
4.1. Composição dos satélites
Um programa completo de desenvolvimento de um satélite envolve, além do próprio satélite,

o foguete lançador e o segmento solo, que tem a função de supervisionar o funcionamento
do satélite, controlar seu deslocamento na órbita predefinida e a receção dos dados enviados
por ele. O satélite, como ilustrado na Figura 19, normalmente é composto de três grandes
partes: 1) a plataforma, que contém todos os equipamentos para o funcionamento do satélite;
2) o painel solar, para o suprimento de sua energia; e 3) a carga útil, os equipamentos
(antenas, sensores, transmissores) necessários para o cumprimento da sua missão. As
formas mais comuns de satélite (plataforma) são em cubo e em cilindro. O tamanho varia
de 1 metro a 5 metros de comprimento e o peso, de 500 quilos a 3.000 quilos.
Figura 19- O satélite CBERS (China-Brazil Earth Resources Satellite), desenvolvido pela parceria entre
Brasil e China, com destaque para os seus principais componentes. (CBERS/INPE)
Assim como outras plataformas, veículos e equipamentos eletrônicos, os satélites necessitam

de energia elétrica para o seu funcionamento. Se os satélites utilizassem apenas baterias

para o suprimento de energia, quando essas se descarregassem eles parariam de funcionar.
Para solucionar esse problema, grande parte dos satélites é equipada com painéis solares,
os quais permitem converter a energia solar em energia elétrica. O painel solar, ilustrado na
Figura 19, é uma grande placa recoberta com pequenas lâminas chamadas de células
solares. Essas células absorvem a luz solar e produzem a eletricidade, que é fornecida para
o satélite por meio de fi os elétricos. A quantidade de energia gerada por um painel solar
depende do seu tamanho e de sua distância em relação ao Sol. Assim, quanto maior for a
placa e mais próximo do Sol estiver, maior será a quantidade de energia gerada pelo painel.
4.2. A finalidade dos satélites
Os satélites artificiais são construídos para diferentes finalidades como telecomunicação,

espionagem, experimento científico – nas áreas de astronomia e astrofísica; geofísica espacial;
planetologia; ciências da terra, atmosfera e clima − meteorologia e sensoriamento remoto.
Existem também os satélites de Posicionamento Global (GPS) que giram em órbitas altas
(20.200 quilômetros de altitude) e são importantes na navegação terrestre, aérea e marítima,
além de ajudar na localização de pessoas, objetos e lugares.
Os satélites de comunicação e os meteorológicos giram em órbitas geoestacionárias, muito

distantes da Terra, a cerca de 36.000 quilômetros de altitude. Esse tipo de órbita é
apropriado para esses satélites, pois permite manter sua antena apontada sempre para uma
Figura 20- Imagem obtida pelo satélite meteorológico GOES. (CPTEC/INPE)

mesma região da Terra e assim captar e transmitir dados com grande frequência e de
extensas áreas. Os satélites de comunicação possibilitam transmitir milhões de chamadas
telefônicas, mensagens e informações pela internet em tempo real para todas as partes do
mundo.
Dos satélites meteorológicos é possível obter imagens da cobertura de nuvens sobre a Terra,
por meio das quais observamos fenômenos meteorológicos como, por exemplo, frentes frias,
geadas, furacões e ciclones. A previsão desses fenômenos pode salvar milhares de vidas.
Dados de satélites meteorológicos também permitem a quantificação dos fenômenos associados
às mudanças climáticas. No Brasil são utilizados, principalmente, os dados obtidos do satélite
meteorológico europeu METEOSAT e do norte-americano GOES. Imagens desse tipo de
satélite, como a ilustrada na Figura 20, por exemplo, são conhecidas de todos nós, pois
elas são mostradas diariamente na apresentação da previsão do tempo pela televisão.
Mais informações sobre os satélites meteorológicos e suas aplicações podem ser encontradas
na internet no endereço: http://www.cptec.inpe.br/. Neste manual, daremos destaque para
os satélites de recursos terrestres, também chamados de satélites de sensoriamento remoto,
e suas aplicações. Esse tipo de satélite tem órbita sol-síncrona baixa (entre 400 e 800
quilômetros de altitude) e quase polar (cerca de 98 graus de inclinação). Os satélites de
sensoriamento remoto são equipados com sensores que captam imagens da superfície
terrestre. Podemos definir, então, o sensoriamento remoto como a tecnologia de aquisição
de dados da superfície terrestre à distância, isto é, a partir de satélites artificiais.
Quanto mais distante da Terra estiver o satélite, mais extensa é a área da superfície coberta
por uma imagem; quanto mais próximo dela, menos extensa é a área coberta, porém maior
é a riqueza de detalhes da imagem captada. O mesmo ocorre quando os nossos olhos
observam um objeto de longe e enxergam apenas um vulto ou uma mancha indefinida − à
medida que nos aproximamos desse objeto, podemos ver seus detalhes.

4.3. Como são interpretadas as imagens de satélite
O processo de identificação dos objetos representados nas imagens de satélite é chamado

de interpretação. Nesse processo, os objetos são identificados por meio dos seguintes
aspetos: cor, forma, tamanho, textura (impressão de rugosidade) e localização.
Assim, por exemplo, na imagem de satélite do Distrito Federal (Figura 21), podemos
identificar a área urbana de Brasília e a das cidades-satélites pela cor ciano e textura
ligeiramente rugosa; a vegetação de cerrado mais aberto e seca pela cor verde, a vegetação
mais fechada e menos seca pelos tons avermelhados; o reflorestamento em vermelho-escuro
e forma regular (geométrica); lagos em preto e forma irregular; o solo exposto (sem
cobertura vegetal) e as áreas agrícolas com o solo preparado para o plantio das culturas
aparecem em ciano/verde, textura lisa e forma regular (geométrica); o relevo dissecado
pela drenagem pode ser discriminado principalmente pela textura rugosa.
Figura 21-Imagem de Brasília obtida pelo satélite Landsat-5 em1984. (INPE)
Outro exemplo refere-se à imagem TM-Landsat de um setor do Rio de Janeiro (Figura

22) na qual pela cor cinza-esverdeado/ marrom-claro e textura ligeiramente rugosa podemos
identificar a área urbana construída; pela cor discriminamos a água do oceano mais limpa e
profunda (em preto) da água turva, mais próxima da costa, com tonalidades mais claras;
em verde identificamos a cobertura vegetal; pela forma linear e localização podemos identificar
a ponte Rio−Niterói e as pistas do aeroporto do Galeão; também pela forma e localização
(no oceano), a ilha do Governador e a ilha do Fundão; pela cor (branca), forma
(alongada), tamanho e localização identificamos os navios na Baía de Guanabara.
Figura 22- Imagem do Rio de Janeiro obtida pelo sensor TM, a bordo do satélite Landsat-5, com
resolução espacial de 30 metros, em 5 de agosto de1985
4.4. Principais Programas de Satélites
A seguir descreve-se alguns dos satélites mais usados para o monitoramento dos recursos
naturais
Disaster Monitoring Constellation (DMC)
DMC (Disaster Monitoring Constellation) é uma constelação de satélites de teledeteção de

múltiplas nacionalidades, inicialmente concebida para o seguimento de catástrofes naturais,
com uma cobertura de mais de uma visita diária a qualquer ponto do globo. Este período
de revisita permite sua utilização em múltiplos campos aplicações.
É um programa internacional proposto inicialmente em 1996 pela agência espacial inglesa
SSTL (Surrey Satellite Technology Ltda) situada em Surrey, Reino Unido. O consórcio DMC
compreende uma parceria entre organizações na Argélia, China, Nigéria, Turquia e Reino
Unido. Junto com a SSTL, cada organização tem construído um microsatélite avançado e de
baixo custo para formar uma constelação projetada para observação e monitoramento de
desastres naturais ou antrópicos.
Figura 23-Descrição básica da Constelação DMC
O primeiro micro-satélite DMC posto em órbita chama-se Alsat-1, da Argélia, lançado em

28 de novembro de 2002. Satélites para a Argélia, Turquia e Nigéria foram construídos
sob uma política de transferência de tecnologia e formação na SSTL serviços (desde a
concepção até à órbita). O último satélite da Primeira Geração DMC (China DMC +4)
foi lançado em 27 de outubro de 2005.
Através de uma rede de cinco micro-satélites, uma das metas do programa DMC é
proporcionar uma capacidade de imageamento global diária em média resolução (30-40
m), em 3-4 bandas espectrais, para resposta rápida de monitoramento e mitigação de
desastres.
As imagens obtidas e comercializadas pela constelação de satélites são de tipo multiespectral.

O conjunto da constelação possuem dois tipos de câmara multiespectral: SLIM-6 (ALSAT-
1, BEIJING-1, NIGERIASAT-1 y UK-DMC) e SLIM-6-22 (DEIMOS-1 y UK-DMC2).

Figura 24- Imagem DEIMOS-1. Áreas cultivadas em Louisiana
O pedido mínimo para novas aquisições é de 25.600 km² (160 x 160 km). As imagens
da DMC são comercializadas por DMC Internacional Imaging (http://www.dmcii.com).
EARTH OBSERVING – 1 (EO-1)
O satélite Earth Observing 1 (EO1) é parte do programa da NASA Novo Milênio (NMP),
para desenvolver e validar uma série de instrumentos e tecnologias de barramento inovadoras
para espaçonaves, projetadas para permitir o desenvolvimento de satélites de captação de
imagens da Terra no futuro, que vão permitir um aumento significativo no desempenho, além
de reduções de custo e de peso total.
O seu instrumento de captação de imagens, registra nove diferentes comprimentos de onda

simultaneamente, em vez dos sete medidos pelo gerador de imagens do Landsat 7. Isto
permite uma maior flexibilidade na falsa cor imagem. Outra melhoria é que em vez de ter
um espectrômetro de imagem que varre de lado a lado, o LPA tem um conjunto linear de

espectrômetros onde cada um faz uma varredura adjacente à do outro. A órbita de EO-1
foi desenhado de tal modo que passe 1 ou 2 minutos despois do LANDSAT-7. O satélite
orbita a uma altitude de 705 km.
Figura 25- Descrição básica Do Earh Observing
O satélite, por ser experimental, não adquire imagens de forma continua e a sua vez tem
períodos onde não opera. Para a descarga de imagens de arquivo basta aceder as páginas
web http://glovis.usgs.gov o http://earthexplorer.usgs.gov.
GEOEYE-1
O GeoEye-1 é um dos mais atuais satélites de observação da terra capaz de adquirir

imagens de alta resolução. As imagens do sensor pancromático são disponibilizadas com
resolução espacial de 50 centímetros verdadeiros, enquanto que as imagens do sensor
multiespectral são disponibilizadas com resolução espacial de 2 m. Quando fusionadas, as
imagens dos sensores pancromático e multiespectral, permitem a obtenção de uma imagem
colorida com 50 centímetros verdadeiros de resolução espacial.
Figura 26-Descricao básica do Geo eye
A bordo do satélite GeoEye-1, os intervalos espectrais dos sensores pancromático e multiespectral

sofreram alterações quando comparados aos seus antecessores lançados a bordo dos satélites OrbView

3 e OrbView 4 e a resolução espacial oferecida passou a ser de 41 centímetros no modo pancromático e
1,65 metros no modo multiespectral, com visadas laterais e obtenção de imagens com estereoscopia.
Figura 27-Diferentes resoluções do Geo-eye
As imagens do satélite GEOEYE-1 são comercializadas na Europa e Norte de África por

e-GEOS http://www.e-geos.it.
IKONOS
O Ikonos foi o primeiro satélite comercial capaz de adquirir imagens de alta-resolução (1m).
Lançado em 24 de setembro de 1999, o satélite ainda se mantem ativo e coletando
imagens de todo o globo terrestre. Quando fusionadas, as imagens dos sensores
pancromáticos e multiespectral, permitem a obtenção de uma imagem colorida com 1m de
resolução.
Figura 28- Diferentes resoluções do Ikonos
Las imagens do satélite IKONOS são comercializadas na Europa e Norte de África por e-
GEOS (http://www.e-geos.it).
LANDSAT-8

O Landsat 8 (também chamado de Landsat Data Continuity Mission ) é um
satélite americano de observação da terra. É o oitavo da série de satélites do Programa
Landsat e o sétimo a alcançar com sucesso a órbita terrestre. O satélite foi construído pela
Orbital Sciences Corporation que serviu como contratante principal para a missão.
Figura 29-Caracteristicas do Landsat
As imagens de arquivo LANDSAT estão disponíveis de forma gratuita nos seguintes sítios
da Internet: http://glovis.usgs.gov e http://earthexplorer.usgs.gov, para tal o usuário terá
que registrar-se como usuário do USGS.
QUICKBIRD
O QuickBird foi o primeiro de uma série de satélites desenvolvidos pela DigitalGlobe que
possuem alta resolução espacial e grande precisão. Ele possui sensores multiespectrais e
pancromáticos capazes de adquirir imagens com acurácia espacial de 23m horizontal
(CE90%) e 60 cm de resolução espacial em cores naturais e falsas cores. Possui
grande capacidade de armazenamento de dados e revisita (resolução temporal).
Figura 30- Características do Landsat

SPOT-5
O sistema SPOT (Systeme Probatoire d’Observation de la Terre) foi planejado pelo governo
francês em 1978, com a participação da Suécia e Bélgica, e gerenciado pelo Centro
Nacional de Estudos Espaciais (CNES), entidade responsável pelo desenvolvimento do
programa e operação dos satélites.
O SPOT-1 foi lançado em fevereiro de 1986, o SPOT-2 em 1989 e o SPOT-3 em

1993, todos com características semelhantes. O SPOT-4, lançado em 1998, incorpora
mais um canal no modo multiespectral (XS) e um novo sensor para monitoramento da
vegetação.
4.5. Parâmetros básicos para adquirir una imagen de

satélite
O satélite e sensor que melhor se adeque a nossas necessidades será determinado

principalmente pela resolução espacial e espectral que se requer no nosso trabalho ou estudo,
sem esquecer logicamente da questão de disponibilidade. Uma vez definidos, passo seguinte
será realizar o pedido da imagem através de alguma empresa fornecedora, para lo qual
devera definir todos, ou ao menos alguns dos parâmetros que se descrevem a seguir.
 Zona de estudo. Se define geralmente por um polígono georreferenciado, em formato

shape ou similar. Haverá que ter em conta o tamanho mínimo do pedido que permite
o Satélite/sensor.
 Janela de aquisição. Por meio da mesma se define o marco temporal em que a
imagem deve ser adquirida. Geralmente o período padrão tem sido de dois meses.
Também existe a opção de reduzi-las, com um sobrecusto, com o fim de adquirir
as imagens num intervalo mais curto de tempo.
 Prioridade de pedido. Alguns satélites oferecem a possibilidade, sempre com um
incremento no preço, de priorizar o pedido de uma imagem. Esta opção pode ser

interessante em zonas com uma alta demanda de imagens de outros usuários e que
portanto podem entrar em concorrência.
 Percentagem de nuvens. O preço oferecido pelos distribuidores incluem o fornecimento
de imagens com uma percentagem máximo de nuvens que oscila entre 10 e 20%,
em função do satélite. Esta percentagem se pode reduzir a troca de um sobrecusto
das imagens.
 Ângulo máximo. Este parâmetro indica o mayor ângulo de aquisição com que se
pode tirar a imagem com relação a vertical do satélite. Ao maior angulo menor será
o tempo de revisita do satélite, com o que aumentam as possibilidades de aquisição
exitosa da imagem. Pelo contrário, uma imagem tirada com um angulo excessivamente
oblíquo, tem uma menor resolução espacial e precisão de localização. Em terrenos
mutos abruptos, chega-se a perder informação nas zonas de excessivo declive. Nem
todos os satélites tem a opção de definir o ângulo máximo.
 Resolução radiométrica. Esta característica pode ser definida pelo usuário sem custo
adicional. Uma maior resolução radiométrica proporciona mais precisão na informação
espectral. Todavia, estas imagens ocupam mais memoria e se necessitam equipas
mais potentes para maneja-las. Nem sempre existe la opção de escolher este
parâmetro.
 Nível de processamento. Este parâmetro faz referencia as correções de tipo
radiométrico, geométrico e de georreferenciação que podem aplicar-se a imagem por
parte da empresa distribuidora. Cada distribuidor tem seus níveis específicos de
processamento, não sendo coincidentes para todas as plataformas de satélites. Se
pode adquirir desde uma imagem de nível 0, onde não se incluem correção alguma,
até uma imagem corregida radiométrica e geometricamente e ortorrectificada. Entre
ambas opções podem existir vários níveis, sendo que sempre se fornece a informação
e arquivos necessários para que os usuários possam processar a imagem a um nível
superior. Geralmente um maior nível de processamento resulta num maior preço da
imagem.

5. APLICAÇÕES DE TELEDETEÇÃO OU SENSORIAMENTO REMOTO NAS CIÊNCIAS
DA TERRA E NO MAR
Segundo KAMPEL (1996), alguns oceanógrafos mais conservadores afirmam que as
informações obtidas por satélites não podem ser tão precisas ou relevantes como quando
coletadas por embarcações de pesquisa. Cabe lembrar que técnicas de sensoriamento remoto
tem sido empregadas ao longo dos anos por vários oceanógrafos utilizando métodos acústicos
nos oceanos.
Ondas sonoras tem sido utilizadas para estudos de fundo e sub -fundo marinho, para
observação de materiais em suspensão na coluna d'água, não só do mar mas também em
corpos de águas continentais, para estudos biológicos, sedimentológicos, determinações de
estruturas termohalinas, estudo das correntes e etc. Desta forma, não há nenhuma objeção
fundamental impedindo a extensão das técnicas de sensoriamento remoto nas massas de
água, com a utilização de ondas eletromagnéticas através da atmosfera.
A representatividade dos dados de sensoriamento remoto para parâmetros oceanográficos

dependentes da profundidade ou que apresentem variações temporais de alta frequência é
válida na medida em que se analisam três aspetos (KAMPEL, 1996):
1) Para quaisquer variações que ocorram em profundidades nos oceanos, são os parâmetros
superficiais - temperatura, velocidades, concentrações salinas, de gases dissolvidos e etc -
que controlam as interações energia/matéria entre o oceano e a atmosfera. Desta forma,
apesar da coleta de dados via sensoriamento remoto ocorrer em apenas uma única
profundidade, praticamente trata-se do nível mais importante, ou seja a superfície.
2) Deve -se considerar a visão sinóptica, a alta resolução espacial (para alguns sensores)
e a possibilidade de se obter séries temporais por longos períodos, mesmo para locais
oceânicos isolados.
3) Outro aspecto a se considerar é o fato de que dados obtidos via sensoriamento remoto
incorporam um valor médio, por unidade de área, automaticamente, sendo particularmente
relevantes para testar previsões de modelos numéricos. No que tange aos dados obtidos de
terras, segundo ASSAD & SANO (1998), as aplicações do geoprocessamento são muitas.
Entre elas podemos destacar a estruturação de dados geoambientais nos diferentes contextos:
de fazenda experimental; microbacia hidrográfica; planeamento municipal; expansão da fronteira
agrícola e caracterização ambiental; caracterização e avaliação da funcionalidade de reservas
biológicas; monitoramento da ocupação agrícola; avaliações de terras para agricultura
(considerando -se a aptidão da terra e como deve ser seu manejo); caracterização espaço
temporal do uso de agrotóxicos para determinadas áreas; avaliação do impacto ambiental por
agroquímicos; análise espaço temporal do potencial hídrico climático de determinada área;
espacialização de épocas de plantio; mapeamento de informações agrometeorológicas; deteção
de queimadas ou incêndios e etc.
Tendo em vista a utilidade e o leque de perspetivas, possibilidades e opções para a

aplicação, o sensoriamento remoto e o geoprocessamento são ferramentas de altíssimo valor
nos estudos dos ecossistemas, em qualquer área de aplicação espaço temporal.
Portanto, a título de ilustração, a seguir é apresentado um exemplo de aplicação na

agricultura.
Várias aplicações do SR podem ser utilizadas no campo da Agricultura: previsão de safras,

mapeamento de culturas, definição de áreas de aptidão agrícola, zoneamento agro-
ecológico, monitoramento de incêndios em lavouras e pastagens, etc. Na previsão de
safras, por exemplo, o SR pode ser utilizado em dois segmentos: no dimensionamento das
áreas de plantio e na estimativa do rendimento.
No cálculo da área de plantio é necessário proceder a identificação e mapeamento das

lavouras de interesse, isto exige normalmente registro das imagens ou fotos aéreas, de modo
a georreferenciá-las. Este georeferenciamento permite localizar e mapear lavouras, seja dentro
de propriedades ou dentro de municípios de interesse. Este georeferenciamento é necessário
no sentido de se evitar erros tais como adicionar a um município áreas pertencentes aos
outros, ou deixar de computar em um município áreas cultivadas no mesmo. Outro tratamento
necessário no cálculo das áreas de plantio é a classificação, necessária para a identificação
e mapeamento das culturas.
O período das imagens deve ser definido em função das condições fenológicas das culturas,
das condições de iluminação e em especial, das condições meteorológicas. A cobertura de
nuvens tem inviabilizado o uso de imagens de satélites para mapeamento de lavouras no
Centro-Oeste brasileiro. Nos meses de janeiro, fevereiro e março, período ideal para o
mapeamento, dificilmente encontra-se imagens sem cobertura de nuvens dessa região.
Entre as informações do sensoriamento remoto, que podem ser utilizadas para a estimativa
do rendimento, destaca-se o índice de vegetação (IV) (Figura 27). Este índice baseia-se
no comportamento espectral da vegetação. Em geral toda vegetação, em bom desenvolvimento
vegetativo, absorve significativamente a radiação na faixa do visível, como energia para o
processo da fotossíntese. Por outro lado, esta mesma vegetação reflete fortemente a radiação
do infravermelho.
A intensidade da absorção do visível e da reflectância do infravermelho é mais acentuada

quanto melhor estiver o desenvolvimento da planta. Devido a forte absorção, a radiância
correspondente à faixa do visível chega enfraquecida no satélite, enquanto a correspondente
ao infravermelho, fortemente refletida pela vegetação, chega com forte intensidade. Esta
diferença de intensidades é captada pelo sistema sensor e registrada na imagem digital. Em
computador, por meio de operações aritméticas simples, utilizando os níveis de cinza dos
pixéis, obtém-se um valor numérico, chamado de índice de vegetação. O IV, portanto reflete
o estado de desenvolvimento da cultura e, consequentemente reflete a expectativa de
rendimento da mesma. O IV é recomendado somente para lavouras mais extensas, pois em
lavouras de menor dimensão, pode ocorrer a mistura de várias culturas em um único pixéis,
o que dificulta e até mesmo inviabiliza seu uso.
A estimativa da produtividade agrícola necessita de acompanhamentos frequentes, portanto,

no caso de se utilizar imagens de satélite para esta finalidade, estas devem ser de alta
resolução temporal. Por esta razão é que se tem verificado inúmeros testes utilizando imagens
dos satélites NOAA, cuja frequência de imageamento é praticamente diária.

Figura 31-Indice de vegetação
5.1. Sensoriamento remoto para a determinação de índices

de Vegetação, agua e recursos geológicos
Índice de Vegetação
O NDVI tem sido amplamente utilizado em estudos globais como um discriminador de
vegetação, porque pode ser facilmente correlacionado a determinados parâmetros de
vegetação, tais como fitomassa, área foliar, produtividade, atividade fotossintética, percentagem
de cobertura verde, entre outros (Elvidge e Chen, 1995)
Este índice tem sido amplamente utilizado em várias aplicações operacionais, incluindo
mapeamentos, classificação do uso da terra, deteção de mudanças e monitoramento ambiental.
É um importante parâmetro para muitos tipos de análise em diferentes níveis de abrangência

como local, regional e global (PETERSON et al., 1988). Trata-se de um índice muito
simples, resultante da diferença entre a refletância do infravermelho próximo (IVP) e
refletância do vermelho (V), dividida pela soma das duas refletancias respetivamente
(TOWNSHEND et al., 1994).
NDVI = (IVP – V) / (IVP +V)
A equação é usada no cômputo do NDVI e é aplicada diretamente sobre cada par de

pixel nas bandas do vermelho e infravermelho próximo, produzindo um valor pertencente ao
intervalo [–1, 1].
Quanto mais próximo de 1, maior é a certeza de estar se tratando de um pixel de vegetação.

Altos valores do índice indicam maior presença de vegetação. Portanto, para a imagem foi
produzido o NDVI, mostrando os valores entre –1 (em preto) denotando a não-presença
de vegetação e +1 (em branco) indicando a presença de vegetação. Para o processamento
do NDVI utilizou-se o algoritmo padrão onde são consideradas as bandas 3 e 4 do satélite
Landsat 7, ou seja, as faixas do espectro eletromagnético correspondentes ao vermelho
visível (V) e do infravermelho próximo (IVP), respetivamente.
Apesar de grande aceitação do NDVI, Huete e Jackson (1987) constataram que esse
índice não confirma ser um bom indicador de biomassa de vegetação se o terreno tiver uma
pobre cobertura de vegetação, como em áreas semi-áridas, ou áridas. Propuseram um novo
índice, Soil_Adjusted Vegetation Index (SAVI) que tem um melhor desempenho para as
áreas com baixa cobertura vegetal, ou seja, com a presença natural de exposições de solos,
e que se mostra sensível à variação dos tipos de solos. Sua formulação é a seguinte:
Onde L é uma constante empiricamente determinada para minimizar a sensitividade do índice

de vegetação às variações de refletância dos tipos de solo. Como a primeira parte da
equação SAVI é idêntica ao índice NDVI, se L for igual a zero o SAVI é igual ao NDVI.
Para áreas de cobertura vegetal intermediária, L é tipicamente em torno de 0,5. O fator (1

+ L) assegura que o intervalo de valores de SAVI é o mesmo que o do NDVI, isso é,
entre -1 +1.
Com essa mesma concepção do índice de vegetação é possível modelar índice para água,
minerais ou solos. A dificuldade com os minerais e os solos, é que eles apresentam uma
grande diversidade de composição e, assim, uma grande variedade de padrões de refletância.
Para cada tipo de mineral ou de solo um índice deve ser idealizado. Consequentemente é
maior a exigência de o sensor possuir muitas bandas para se ter uma possibilidade efetiva
de criar estes índices. Uma rápida apresentação sobre índices desses materiais é mostrada
nos itens a seguir.
Índice de água
Seguindo os mesmos preceitos estipulados para o índice de vegetação, é também possível,
com base na curva de refletância da água, criar um índice de diferença normalizada da
água (NDWI). Esse índice requer o uso de uma banda situada na região do comprimento
de onda próxima da cor verde (± 490 – 580 nm) e de uma banda situada no comprimento
de onda do infravermelho próximo (± 760 – 1000 nm), conforme a equação
Onde G é a informação contida na banda do verde visível, enquanto NIR é o valor digital
do pixel na banda do infravermelho próximo. Esse índice que é calculado pixel à pixel
gerando valores de alta intensidade para regiões húmidas e menos intensos para as outras
regiões. Esse realce de regiões mais húmidas ocorre pois, com essas bandas, consegue-
se maximizar a refletância dessas feições na banda do verde visível, minimizar a baixa
refletância da água na banda do infravermelho próximo enquanto utiliza-se das altas
refletancias da vegetação e solo, nessa mesma banda.

Na Figura 28 são mostradas as curvas de refletância de corpos d’água com diferentes
concentrações de partículas de sedimentos em suspensão. Segundo Novo (2001), medidas
em campo e experimentos em laboratório comprovam que com o aumento da concentração
de sólidos totais em suspensão na água, o material particulado tem como principal efeito o
aumento do coeficiente de espalhamento da refletância da água. A análise do gráfico da
Figura 28 mostra um patamar de alta de refletância entre 500 nm a 700 nm, que é mais
alto quanto maior é a concentração de sedimentos, e uma queda de refletância em direção
ao infravermelho próximo que se acentua com a diminuição da concentração de sedimentos.
Essa condição configura valores de declividades diferentes para cada nível de concentração
de sedimentos, possibilitando com a aplicação do índice de água em um mapeamento das
plumas de sedimentos, distinguindo níveis de água turva e de água limpa.
Figura 32- Variação da refletância da água devido às diferenças de concentrações de partículas sólidas
em suspensão
Índices de Minerais
Nas aplicações geológicas o uso da técnica divisão de bandas também pode se constituir
numa excelente opção para a prospeção de alvos geológicos com interesses de pesquisa
mineral. Devido ao fato de os minerais e as rochas serem os materiais que apresentam a
maior diversidade de bandas de absorção por causa de sua enorme variedade composicional,
teoricamente, seria possível criar índices para vários tipos de rochas ou de minerais, tal

como o índice de vegetação. Entretanto, para isso o sensor precisaria satisfazer pelo menos
dois requisitos:
Primeiro, possuir bandas espectrais posicionadas em torno das principais feições de absorção
que caracterizam a composição dos materiais geológicos, o que implicaria em um sensor
com muitas bandas espectrais. Infelizmente os atuais sensores multiespectrais em operação,
além de terem poucas bandas que não estão situadas nos comprimentos de onda favoráveis
à geologia, restringem, atualmente, o uso de razão de bandas para fins geológicos.
Segundo, como as feições de absorção de rochas ou minerais normalmente tem uma largura
muito estreita, as bandas desse sensor precisariam ter larguras espectrais em torno de 10
a 30 nm, o que é bem mais estreito que a largura das bandas dos atuais sensores. O
sensor multiespectral ETM do Landsat serve para ilustrar este problema.
A banda sete, no infravermelho de ondas curtas (2,08 – 2,35 μm), foi incluída para ser
uma banda geológica para a identificação de áreas com alteração hidrotermal, porque esses
minerais tipicamente apresentam as suas feições de absorção na região espectral do
infravermelho de ondas curtas. Porém, os resultados não se mostraram muito eficientes para
esse propósito porque a largura da banda 7 é muito ampla, com 270 nm, e também porque
é nesse intervalo espectral que os argilos minerais de intemperismo possuem bandas de
absorção de 10 a 30 nm de largura, e isso torna difícil o uso dessa banda para identificar
com segurança se há ou não em uma área a presença de alteração hidrotermal.
Atualmente, as seis bandas que o sensor ASTER possui em torno da região espectral da
banda 7 do Landsat é a melhor opção geológica. Razões de bandas para identificação de
halos de alteração hidrotermal podem ser feitas com a banda 4 deste sensor (1,7 – 1,8
nm), tipicamente onde os materiais geológicos não alterados exibem altas refletancias, e
com uma das cinco bandas existentes para a identificação de minerais de alteração
hidrotermal: bandas 5 (2,145 – 2,185 μm), 6 (2,185 – 2,225 μm), 7 (2,235 –
2,285 μm), 8 (2,295 – 2,3659 μm) e 9 (2,360 – 2,430 μm). Na Figura 9.13 são
apresentados os espectros de refletância de alguns minerais de hidrotermalismo.

Figura 33- Exemplos de espectros de minerais de alteração hidrotermal que têm intensas bandas de
absorção posicionadas na região espectral do infravermelho.
Se as imagens ASTER fossem utilizadas para se fazer uma discriminação de um halo

hidrotermal que contivessem os minerais da Figura 29 e outros, as seguintes razões de
bandas poderiam ser propostas (incluem as bandas 10 a 14 do módulo termal).

Figura 34- Índices minerais para o sensor ASTER usando razões de bandas (Fonte Cudahy & Souza
Filho, (2006).

6. PRE-PROCESSAMENTO DE IMAGEM DE SATÉLITE
As imagens de satélite têm várias distorções que foram introduzidas no momento da sua
aquisição. Estas distorções podem diminuir a precisão da análise a realizar com a imagem,
tornando-se necessária a sua redução antes da extração de informação. As distorções
podem-se manifestar na geometria das imagens (distorções geométricas) e no brilho dos
pixéis (distorções radiométricas).
O pré-processamento das imagens de satélite tem como principal objetivo a redução de

distorções introduzidas durante a aquisição da imagem pelo sensor, e envolve:
(1) Correção geométrica e
(2) Correção radiométrica.
6.1. Distorções geométricas
As distorções geométricas existentes numa imagem podem ser classificadas em dois

grandes grupos: sistemáticas e não sistemáticas.
As distorções sistemáticas são erros previsíveis, de carácter constante, e cuja origem é

conhecida. Estas distorções dependem dos tipos de órbita (e.g. geoestacionária, não
geoestacionária) e da forma de aquisição de imagens (e.g., cross-track scanning, along-
track scanning). Este tipo de distorções pode incluir, ou ser introduzido por:
 Rotação da Terra;
 Curvatura da Terra;
 Velocidade do satélite;
 Não-linearidades na velocidade de varrimento (scanning).
As distorções não sistemáticas são erros aleatórios provocados por diversas perturbações a
nível da plataforma do satélite, i.e. altitude e atitude do satélite, e que não são previsíveis.
As variações de altitude resultam do desvio do satélite da sua altitude normal e implicam
uma alteração de escala da imagem.

6.2. Distorções radiométricas
Num sistema de deteção remota ideal o número digital retido em cada pixel estaria apenas
relacionado com a energia refletida pela área coberta por esse pixel. No entanto, o ND
depende também do sensor, atmosfera e geometria de iluminação. Como estas contribuições
para o ND retido em cada pixel são indesejadas, são normalmente designadas por distorções
radiométricas.
As principais distorções introduzidas pelo sensor são:
 Ausência de uma linha (line dropout) – se um detector deixar de funcionar

temporariamente, pode haver uma linha na imagem onde todos os pixeis têm um
ND de zero, já que não foi recolhida qualquer informação. Essa linha aparecerá a
preto quando se visualizar a imagem;
Figura 35- Line dropout cobrindo a área de Japão
 Listragem da imagem (n-line striping) – se se alterar a sensibilidade/calibração de

um detetor, os NDs de todos os pixeis das linhas recolhidas por esse detector ficam
alterados dando origem a um efeito de riscas na imagem. Estas linhas aparecerão
mais brilhantes ou mais escuras quando se visualizar a imagem;

Figura 36-Listragem da imagem
 Interrupção temporária de um detetor – por vezes um detetor pode não recolher

dados em parte ou partes de uma linha de uma imagem.
6.3. Correção Geométrica
A correção geométrica permite não só a redução de distorções geométricas, mas também a

georreferenciação das imagens. Na maior parte dos casos, estas correções são efetuadas
antes das imagens serem vendidas aos utilizadores. Estas distorções são, obviamente,
dependentes do tipo de satélite
6.4. Correção Radiométrica
A correção de distorções depende muito do fator que as introduziu e dos objetivos do

estudo. Se as distorções são introduzidas pelo sensor, a sua correção passa por minorar o
problema, uma vez que não se consegue recuperar dados que não foram recolhidos.
Recorde-se que as distorções radiométricas introduzidas pelos sensores resultam da não
recolha de dados ou de um mau funcionamento de um ou mais detetores (e.g. ausência
de uma linha, listragem da imagem, interrupção temporária de um detetor).
Assim, a correção de um pixel de uma determinada linha com este tipo de distorções
pode consistir em atribuir a esse pixel um ND que seja a média dos NDs dos pixéis da
mesma coluna das linhas imediatamente anterior e posterior. Este procedimento é repetido
para todos os pixéis de uma linha onde se detetem anomalias.
A correção radiométrica tem como último objetivo a conversão dos NDs de cada pixel em
refletância, uma vez que a refletância é apenas função da superfície, enquanto que os NDs
retêm informação não só da ocupação do solo, mas também de fatores perturbantes como
a atmosfera e a geometria de iluminação e de visão.
7. EXTRACÇÃO DE INFORMAÇÃO DE IMAGEM SATÉLITE

As imagens podem ser utilizadas para extrair vários tipos de informação, exemplo, ocupação
do solo, temperatura da água, características biofísicas da vegetação, concentração de clorofila
em superfícies aquáticas. Consoante o tipo de informação a extrair, assim se fala em deteção
remota quantitativa ou temática. Neste capítulo vamos dedicar-nos a metodologias para
extração de informação temática, em particular à ocupação/uso do solo.
Figura 37- Produção de informação temática com imagens de satélite, em que (A) representa os dados
da imagem de satélite e (B) o mapa temático produzido.
As metodologias para extração de informação temática, que aqui se apresentam, podem ser
aplicadas a qualquer tipo de imagem digital multiespectral obtida por sensores de deteção

remota montados em satélites ou aviões As metodologias podem ser agrupadas em três
grandes grupos:
 Interpretação visual de imagens;
 Classificação automática de imagens;
 Processo semiautomático de classificação de imagens
Independentemente do método adotado (visual, automático ou semiautomático) existem
sempre dois processos comuns, e que estão precisamente no início e no fim do processo
de produção de cartografia temática: definição da nomenclatura e avaliação da qualidade
dos mapas. Assim, este capítulo está organizado em 5 secções:
 Nomenclaturas de ocupação/uso do solo;

 Interpretação visual;
 Métodos automáticos;
 Métodos semiautomáticos;
 Avaliação da qualidade dos mapas
Nomenclatura
O primeiro passo num estudo para extração de informação temática de imagens de satélite
é a definição da nomenclatura, também designada por esquema de classificação, da cartografia
temática a produzir. Uma nomenclatura de ocupação/uso do solo deve ter uma definição
taxonomicamente correta das classes de informação e deve estar organizada segundo um
determinado critério lógico.
Na figura 30 apresentam-se as principais nomenclaturas da ocupação/uso do solo. A

nomenclatura de referência na Europa é a do CORINE Land Cover e nos EUA é a definida
por Anderson et al. em 1976 e mais tarde adoptada pelo United States Geológic Survey
(USGS) e que é conhecida por USGS Land use/Land Cover Classification System.

Figura 38- Nomenclaturas mais utilizadas em mapas de ocupação/uso do solo.
O sucesso da utilização de imagens de satélite na produção de cartografia temática depende,

para além de muitos outros fatores, do tipo de classes definidas na nomenclatura. Enquanto
que a nomenclatura CORINE Land Cover foi pensada para ser útil em planeamento e
ordenamento do território, a proposta por Anderson et al. (1976) foi pensada não só para
caracterizar os vários tipos de recursos mas também tendo em atenção que iria ser utilizada
em estudos com imagens de satélite e fotografia aérea. As classes do nível I da nomenclatura
de Anderson et al. podem ser identificadas de uma forma fiável com imagens Landsat MSS,
Landsat TM ou SPOT XS e as do nível II com SPOT Pan. Por outro lado, as classes da
nomenclatura CORINE Land Cover não podem ser identificadas apenas como base em
imagens de satélite, requerendo o recurso a fotografias aéreas (ou imagens de grande
resolução espacial) e a um extensivo trabalho de campo.
Para o mapeamento das classes de uso e cobertura de terra em Moçambique a CENACARTA

(Centro Nacional de Cartografia e Teledeteção) usou a nomenclatura apresenta na figura

Figura 39- Classes de Uso e Cobertura de Terra em Moçambique. Fonte: CENACARTA
7.1. Classificação POR Interpretação visual
A interpretação visual de imagens consiste na identificação visual de áreas com a mesma

classe de ocupação do solo e na sua delimitação. Atualmente, a análise visual de imagens
é feita no ecrã do computador, o que permite de imediato a obtenção de produtos digitais.
Esta metodologia de extração de informação tem sido designada por interpretação assistida
por computador. Este processo tem três passos principais:
 identificação de unidades de paisagem de acordo com a nomenclatura e com a
área mínima a cartografar;
 delimitação da unidade de paisagem com o cursor do computador;
 atribuição do código da nomenclatura a cada unidade identificada nos passos
anteriores

Figura 40-Classificação da imagem com base na interpretação visual
A interpretação assistida por computador exige a definição precisa de:

 especificações técnicas do mapa a produzir (nomenclatura, unidade mínima
cartográfica, afastamento entre linhas);
 composição colorida que melhor permita a identificação das classes de interesse;
 chave de interpretação visual;
 escala de trabalho.
O tipo de composição de cor que mais se utiliza é a RGB, já explicada no capítulo da

análise exploratória de imagens de satélite. As composições RGB podem ser de dois tipos:
 Composição de cores verdadeiras, em que se atribui a cada cor a banda que

cobre a mesma zona do espectro eletromagnético;
 Composições de falsa cor, em que não existe uma relação direta entre as cores da
composição RGB e as regiões do espectro eletromagnético das bandas que lhe são
associadas.
A mais utilizada é a composição que se atribui à cor vermelha a banda do infravermelho

próximo, ao verde a banda do vermelho e ao azul a banda do verde. No caso de imagens
Landsat TM esta composição colorida designa-se por 432. No entanto, alguns autores
preferem outras composições, como por exemplo a atribuição da cor vermelha à banda do
infravermelho próximo, da cor verde à banda do infravermelho médio e da cor azul à banda
do vermelho. No caso de imagens Landsat TM esta composição colorida designa-se por

453 e é a RGB recomendada no Programa CORINE Land Cover para produção de mapas
de ocupação do solo com base em interpretação visual de imagens Landsat TM ou ETM+.
A unidade mínima cartográfica (UMC) é uma importante especificação técnica do mapa a

produzir, e define a área do menor polígono que se pode delimitar. Todas as unidades que
existam na paisagem e que tenham uma área menor do que a UMC têm que ser
generalizadas. As principais operações de generalização são: exagero, eliminação e agregação
(Fig. 33 a 34). Nos exemplos ilustrados nas Fig. 33 a 34 a UMC é 5 ha.
Figura 41-O polígono da esquerda tem uma área inferior muito perto da UMC, pelo que, em vez de ser
eliminado, a sua área é exagerada para que conste no mapa final
Figura 42-O polígono a vermelho pertencente à classe Outras Florestas tem uma área bastante inferior à
área mínima, pelo que deve ser agregado a um dos polígonos vizinhos. Neste caso, optou-se por
agregá-lo ao polígono vizinho da classe Incultos já que das classes dos polígonos vizinhos, é com esta
que a classe Outras Florestas tem mais afinidade
A escala de trabalho, escala a que é visualizada a imagem para sua interpretação, deve
ser definida com base na escala do mapa que se quer produzir e é definida para evitar a
delimitação de unidades com um detalhe desadequado. Os intérpretes de imagem com pouca
experiência tendem a aumentar muito a escala de trabalho, pensando que podem fazer uma
melhor delimitação das unidades temáticas. No entanto, as linhas digitalizadas ficam com um
grande número de pontos, tornando o ficheiro pesado e sem que isso corresponda a um
melhor produto. Por exemplo, se se quer produzir cartografia à escala 1:100 000 não se
deve fazer identificação de unidades de paisagem e respectiva delimitação a escalas maiores
que 1:50,000.
7.2. CLASSIFICAÇÃO NÃO supervisionada
São classificadores que requerem pouca ou nenhuma participação do analista no processo

de classificação da imagem. Há duas situações em que isso pode acontecer. Uma delas é
quando não se tem suficientes conhecimentos acerca do número e natureza das classes de
alvos que possam estar presentes numa área. A outra é quando desejamos fazer uma
classificação exploratória da imagem, para rapidamente e sem grande esforço, saber as
possíveis classes de alvos que podem ter na imagem. Não há, portanto, possibilidades de
se estimar os centros das classes, como antes visto, usando áreas de treinamento
representativas de cada classe. É da responsabilidade do analista, depois da classificação,
associar um significado às classes resultantes. O resultado da classificação é útil somente
se as classes podem ser interpretadas apropriadamente.
Treinamento não-supervisionado é quase que totalmente automatizado pelo computador. Ele

apenas permite ao analista especificar alguns parâmetros que o computador irá usar para
descobrir padrões que são inerentes aos dados. Esses padrões não necessariamente
correspondem às características reais da cena em termos de classes de alvos que
reconhecemos. Eles são simplesmente agrupamentos de pixéis com características espectrais
similares (clusters). Mas, em alguns casos, pode ser mais importante identificar grupos de
pixéis com características espectrais similares, do que separar os pixeis em classes
reconhecidas.
Há dois principais algoritmos de classificação não-supervisionada de amplo uso em

sensoriamento remoto: ISODATA e K-médias. Ambos se baseiam no agrupamento de pixéis
por suas similaridades, usando técnicas de distância mínima. Por isso, a classificação não
supervisionada é também chamada de clustering, devido à técnica usada. Um algoritmo
clustering usa frequentemente todos os pixéis da imagem de entrada para iniciar a análise.

7.3. CLASSIFICAÇÃO supervisionada
Ao contrário da classificação não-supervisionada, a classificação supervisionada requer

conhecimentos prévios das classes de alvos, a fim de classificar a imagem nas classes de
interesse pré-fixadas pelo analista. O algoritmo necessita ser treinado para poder distinguir
as classes uma das outras. O treinamento supervisionado é controlado de perto pelo analista.
Nesse processo o analista escolhe pequenas áreas de amostras na imagem, contendo poucas
centenas de pixeis que sejam bem representativo, espectralmente, de padrões ou feições dos
alvos por ele reconhecidos, ou que podem ser identificados com a ajuda de outras fontes,
tais como dados coletados no campo ou de mapas. É necessário o conhecimento dos dados
e das classes de objetos que existem na área, antes de se iniciar o processo de classificação.
Não há nenhuma restrição no número de classes a serem classificadas, apenas que o
analista faça uma seleção de classes bem distintas porque, caso contrário, no final da
classificação ocorrerá muita confusão entre as classes. Se o treinamento tiver uma boa
precisão, as classes resultantes representam as categorias dos dados que o analista identificou
originalmente.
Também, para assegurar uma boa classificação, as imagens devem ser corrigidas dos efeitos
atmosféricos, se severos, e da presença de ruídos. As características estatísticas das classes
que são estimadas das amostras de treinamento dependem do método de classificação que
é utilizado. Há vários métodos de classificação supervisionada: paralelepípedo, distância
mínima, distância de Mahalanobis e máxima verossimilhança.
7.4. Avaliação da qualidade dos mapas
A validação de mapas temáticos derivados de imagens de satélite faz-se, normalmente,

através da comparação da cartografia produzida com dados de referência em áreas teste.
Os dados de referência podem ser obtidos no terreno ou, quando isso não é possível, em
fotografias aéreas ou em imagens de satélite com uma resolução espacial maior do que a
das imagens utilizadas na produção da cartografia.

A avaliação da qualidade dos mapas realiza-se com base em matrizes de erro, também
designadas por matrizes de confusão ou de contingência. Estas matrizes são construídas
com base em áreas de teste, e o número de observações atribuídas a uma determinada
classe é comparado com o número de ocorrências da classe derivada dos dados de
referência. O que se busca nessa etapa é avaliar a acurácia da classificação.
Um resultado com 100% de acurácia significa que todos os pixéis da imagem foram
classificados de forma correta, segundo um conjunto de dados que compõe a verdade
terrestre. Um resultado com 50% de acurácia significa que, em teoria, metade dos pixéis
da imagem foi classificada corretamente. A acurácia depende de uma série de fatores como
a complexidade do terreno, as resoluções espaciais e espectrais do sistema sensor, o próprio
algoritmo de classificação utilizado, a legenda utilizada no processo de classificação e o
conjunto de dados que representa a verdade terrestre. Por exemplo, considere os resultados
da classificação de imagens de satélite de um determinado município. Se a legenda for
composta de duas classes, terra e água, a acurácia tende a ser maior do que a de outra
legenda composta por três classes de vegetação natural – formações campestres, savânicas
e florestais – e três classes de uso da terra – culturas agrícolas, pastagens cultivadas e
reflorestamento.
A acurácia é normalmente expressa em termos de índices que são calculados a partir de

matrizes de erros que expressam a concordância entre a imagem classificada e o conjunto
de amostras de referência. A matriz de erros compara, classe por classe, a relação entre
os dados de verdade terrestre (dados de referência) e os correspondentes resultados da
classificação. O número de linhas e o número de colunas dessa matriz devem ser iguais ao
número de classes espectrais do estudo. Erros de omissão (exclusão) e de comissão
(inclusão) de cada classe são calculados a partir dessa matriz.
Os elementos da diagonal representam a frequência de concordância entre o mapa classificado

e os dados de referência. As matrizes de erro indicam também para uma determinada classe,
o número de observações que não foram atribuídas a uma determinada classe (erros de
omissão) e o número das que foram incorretamente atribuídas a uma determinada classe
(erros de comissão). A matriz de erro permite estimar os índices que mais frequentemente
são utilizados para avaliar a qualidade de mapas derivados de imagens de satélite: precisão
global, kappa, precisão do produtor e a precisão do utilizador (Congalton, 1991).
Figura 43-Matriz de Confusão

Glossário
Assinatura espectral: Curva que representa a variação da refletancia de um objeto em função

do comprimento de onda.
Banda espectral ou canal espectral: Cada um dos intervalos de longitudes ou comprimento

de onda que é capaz de ser detetado por um sensor.
Binário: Sistema de representação numérica com dois elementos, 0 e 1.
Bit: Unidade básica de informação digital, pode tomar valor 0 ou 1.
Bundle: Faz referência a um pacote de imagens de uma mesma zona, uma multiespectral e
outra pancromática, adquiridas simultaneamente pelo mesmo satélite. Este tipo de produto é
muto habitual em satélites de alta resolução que carregam sensores multiespectrais e
pancromáticos como GEOEYE-1, QUICKBIRD, KOMPSAT, WORLDVIEW-2, etc.
Cena: Imagem que capta um sensor de um satélite em uma base regular, com um
determinado comprimento e largura.
Cobertura nebulosa: Se refere a proporção da imagem que está ocupada por nuvens. Nos
casos em que as nuvens não são compactas esta percentagem não é fácil de calcular.
Constelação: Grupo de satélites que operam de forma conjunta e coordenada. Por exemplo,
RAPIDEYE.
Correção geométrica: Correção das distorções que se produzem durante o processo de

aquisição de uma imagem devidas a rotação e curvatura de la Terra, o angulo de visão ou
a variações da posição do satélite.
Correção radiométrica: Toda modificação que altere los valores originais registrados pelo
sensor, com o fim de corrigir os possíveis efeitos que produzem na imagem a atmosfera, a
geometria de observação ou as características físicas do próprio sensor.

Datum: Conjunto de parâmetros e pontos de controlo usados para definir com precisão a
forma tridimensional da Terra. Cada datum se define em função de um elipsoide por um
ponto em que a elipsoide e a Terra são tangentes.
Escala: Relação entre as dimensões das entidades de um mapa e os mesmos objetos

geográficos que se representam na Terra, normalmente expressa com uma fração ou uma
proporção.
Espectro eletromagnético: É o intervalo total de comprimentos de onda ou frequências de

radiação eletromagnética. Abarca desde os raios cósmicos até ondas de radio.
Frequência: Número de oscilações por unidade de tempo de uma onda eletromagnética. É

inversamente proporcional ao comprimento de onda.
Imagem de arquivo: Imagem captada por um sensor remoto num tempo passado. A fronteira
temporal para considerar uma imagem como de arquivo é variável, podendo ser de uns
poucos meses. Uma imagem de arquivo possui um preço menor que uma imagem de nova
aquisição ou recente.
Imagem estéreo ou estereoscópica: Se refere as imagens da mesma área tomadas com

ângulos de visão diferentes que permitem una reconstrução tridimensional da cena observada.
Imagem fusionada (Pan-Sharpened): Imagem produto da fusão de una imagem pancromática

e sua equivalente multiespectral por meio de uma serie de algoritmos matemáticos. A imagem
resultante tem a resolução espacial da pancromática e as bandas espectrais da multiespectral.
Imagem hiper espectral: Imagem captada mediante um sensor que mede a energia
simultaneamente em muitas bandas espectrais, normalmente mais de cem.
Imagem multiespectral (MS): Imagem captada mediante um sensor que mede a energia
simultaneamente em duas ou mais bandas espectrais.

Imagem pancromática (PAN): Imagem captada mediante um sensor que mede a energia
em uma ampla zona de espectro eletromagnético, abarcando usualmente a parte do visível
e em alguns casos também a de infravermelho próximo.
Influência atmosférica: Efeito que produzem os gases e partículas da atmosfera sobre la

radiação que alcança o sensor dum satélite.
Janelas atmosféricas: regiões do espectro eletromagnético que estão relativamente livres de

absorção
Longitude ou comprimento de onda: Distância entre dois máximos sucessivos de uma onda
eletromagnética. Se pode expressar em nanómetros (nm) ou micrómetros (μm).
Metadatos: Documentos que armazenam informação descritiva adicional sobre a informação

geográfica. Podem incluir a fonte dos dados, sua data de criação, formato, projeção, escala,
resolução, etc.
Modelo de elevação do terreno: Conjunto de dados que representam pontos sobre a superfície
do terreno cuja localização geográfica está definida por coordenadas “x” e “y” e se lhes
agrega um valor de “z” que corresponde a elevação.
Nadir: Ponto sobre a superfície terrestre definido pela vertical de passo de um satélite.
Nível ou Numero Digital (ND): Em inglês DN (Digital Number), és o valor numérico

associado a cada píxel de una imagem. Quando um sensor registra uma imagem, este valor
é proporcional a quantidade de energia eletromagnética que deteta.
Off-Nadir: Término que faz referencia a capacidade de visão oblíqua de um sensor mais
alta de vertical de passada de um satélite.
Órbita geoestacionária: Órbita em redor da Terra onde o satélite se movimenta de oeste a

este a uma altura aproximada de 36.000 km e na mesma velocidade angular que la rotação
da terra, permanecendo sempre na mesma posição relativamente a terra.

Órbita quase-polar: Órbita que passa próxima aos polos permitindo ao satélite cobrir, com
seus sensores, a maior parte da superfície terrestre.
Órbita: Trajetória que destribe um satélite no espaço em redor da Terra.
Ortoretificação: Processo computacional em que se eliminam as distorções das imagens,

principalmente devidas ao relevo.
Periodo de revisita: Intervalo de tempo mínimo que tarda um sensor a bordo de um satélite
em adquirir duas imagens sucessivas de uma mesma porção da superfície terrestre.
Píxel: Cada um dos elementos que compõem uma imagem, dispostos matricialmente em
linhas e colunas.
Pontos de controlo: Pontos de terreno com coordenadas conhecidas que pedem ser localizados
numa imagem e que portanto se podem utilizar como apoio nos processos de
georreferenciação y ortoretificação de una imagem.
Prioridade de pedido: Opção ao solicitar uma imagem de satélite que permite que um pedido
seja atendido antes que outros com os que possa entrar em concorrência.
Quicklook: Versão simplificada a menor resolução de uma imagem cuja finalidade é permitir
una visualização rápida da mesma. Em arquivos de imagens satélites podem estar disponíveis
para que o usuário possa ter uma ideia do produto antes de adquiri-lo.
Radiação eletromagnética: Energia que se propaga no espaço na velocidade da luz como

uma combinação de campos elétrico e magnético.
Ráster: Formato de representação de dados espaciais ordenados segundo uma estrutura

matricial de células ou pixéis, onde cada um deles vem representado por suas coordenadas
horizontal (x) e vertical (y).
Refletância: Relação entre a quantidade de radiação refletida por uma superfície e a que
incide sobre ela. Pode expressar-se em % ou com valores entre 0 y 1.
Resolução espacial: É uma medida da distância angular ou linear mais pequena que pode
captar um sensor remoto da superfície da terra, e é determinada pelo tamanho que representa
um píxel na superfície terrestre.
Resolução espectral: Define o número e largura das bandas espectrais que pode discriminar
um sensor.
Resolução radiométrica: Faz referência a quantidade mínima de energia que é capaz de

detetar um sensor para variar o valor de um píxel num número digital.
Resolução temporal: (ver período de revisita).
RPC (Rational Polynomial Coefficient): É um modelo matemático que relaciona cada píxel
da imagem com as coordenadas sobre el terreno, baseando-se principalmente na posição e
angulo de visão do satélite. Se coloca conjuntamente com as imagens e junto a um modelo
de elevação de terreno pode ser usado para orto retificar as imagens de satélite.
Satélite de Teledeteção: Plataforma espacial em órbita ao redor da terra que carrega a bordo
sensores para sua observação.
Satélite heliosíncronos: Aquele que descreve uma órbita que sempre passa sobre o mesmo
ponto da superfície terrestre a mesma hora solar local.
Sensor: Instrumento que deteta radiação eletromagnética e é capaz de converte-la em valores

digitais para formar normalmente uma imagem.
Shape: Formato vetorial de armazenamento e representação de dados espaciais onde se

guarda a localização dos elementos representados e os atributos associados a eles. É um
formato muto comum desenvolvido pela companhia ESRI.

8. GUIAO PARA EXERCICIOS PRATICOS
8.1. CORRECAO DO SISTEMA DE COORDENADAS DAS IMAGENS

LANDSAT
A maior parte das imagens que baixamos na internet aparecem com coordenadas UTM Zona
36N.Sendo assim, para que possamos utiliza-las devemos corrigir para zona 36 Sul, onde
nos encontramos. A ferramenta do ArcGIS que permite a alteração da projeção de uma
imagem para outro sistema denomina-se Project (que pode ser encontrado em ArcToolbox>
Data Management> Project) use o search da barra de ferramenta para encontrar a ferramenta
Project

 Em Input Raster: introduza o raster (ex.banda 1)que pretende projectar
 Em Output Raster dataset: defina o local onde ficara gravado
 Em Output Coodinate System: defina o sistema de coodenadas (Geograficas ou
projetadas).Como as imagens já aparecem com as coordenadas UTM devera optar
pelas coordenadas projetadas> UTM> South hemisphere >Zone 36S
8.2. COMPOSICAO DE BANDAS
Normalmente quando se compram ou descarregam-se imagens de satélites as bandas

aparecem separadas (banda 1,banda 2, Banda 3.....). O utilizador devera juntar ou seja
fazer a composição de maneira que fique um único ficheiro com coloração (RGB) e não a
preto e branco como aparecem quando estão separados.
Para localizar a ferramenta faca o seguinte: Na barra de ferramenta clique em Windows e
depois em Search. Digite a palavra Composite bands

 Faca dupla clique em composite bands e adicione cada uma das bandas que ira
utilizar. Sugere-se que faca em ordem crescente, ou seja b1,b2…..b8.
Portanto,
 Em Input Rasters: introduza manualmente cada banda da imagem
 Em Output Raster: Deia nome a nova imagem composta

 Clique em OK para finalizar
8.3. INTERPRETACAO DA IMAGEM COM BASE EM RGB
Apos realizar a composição de bandas o mapa resultante será do tipo multiespectral, onde
o utilizador pode usa-la para discernir os objetos da imagem usando a falsa cor e as cores

verdadeiras. Para as imagens Landsat as cores verdadeiras observa-se fazendo a combinação
de cores com as bandas 321.
Se pretender por exemplo verificar a cobertura florestal ou vegetal pode usar a combinação
432 onde o vermelho na imagem ira corresponder a vegetação.
8.4. CORTE DAS IMAGENS
Se pretende cortar a imagem de satélite de modo que fique ajustado apenas a sua área
de estudo, deverá usar a ferramenta Extract by mask tambem disponível em ArcTollbox
 Em Input raster: introduza a banda 1

 Em Input Raster or feature mask data: introduza o shapefile do limite da sua área
de estudo
 Em Output raster: deia nome o ficheiro. Exemplo: limitbanda 1
Repita os mesmos passos para cada banda da imagem
 No fim devera fazer a composição das bandas de modo a poder ter todas bandas
num só ficheiro e visualizar em cores.

8.5. MOSAICO DAS IMAGENS
8.6. CLASSIFICACAO DAS IMAGENS
CLASSIFICAÇÃO NÃO ASSISTIDA
Neste tutorial ser-lhe-á demonstrado o procedimento básico de classificação não assistida

em ambiente ArcGIS. De um modo geral, a classificação não assistida realizada neste
software consiste nos seguintes passos:
a) Importação das bandas das imagem a ser classificada;
b) Aplicação do algoritmo ISOCluster;
c) Aplicação do algoritmo de classificação de máxima verosimilhança;
d) Reclassificação dos clusters em classes de ocupação/uso do solo.
Importação das bandas de imagem de satélite
Para importar as bandas da imagem que pertende classificar faça Add Data. Seguidamente
seleccione as bandas que pertende importer
O algoritmo ISOCluster encontra-se em: ArcToolbox > Spatial Analyst Tools > Multivariate
> Iso Cluster. Este algoritmo irá decompor o espaço espectral num conjunto de cluster
espectralmente semelhantes; o resultado será um ficheiro com as assinaturas espectrais
desses clusters. Preencha o formulário da seguinte forma:
a) Input Raster Files: coloque as bandas que importou no primeiro passo;
b) Output signature File: dê um nome ao ficheiro das assinaturas espectrais;
c) Number of Classes: coloque o número máximo de clusters;
d) Nos restantes inputs pode deixar os valores por defeito.
Notas:
1. O parâmetro Number of Iterations é o número máximo de iterações que o algoritmo
deverá executar.
2. O parâmetro Minimum Class Size é o número minimo que cada cluster deverá conter
Aplicação do algoritmo de classificação de máxima verosimilhança
Para aplicar o algoritmo de classificação de máxima verosimilhança, vá a ArcToolbox >
Spatial Analyst Tools > Multivariate > Maximum Likelihood Classification . Seguidamente,
preencha o formulário da seguinte forma:
a) Input Raster Bands: introduza as bandas anteriors e pela mesma ordem;
b) Input Signatures File: introduza o ficheiro produzido no passo anterior;
c) Os restantes parâmetros pode deixar com o valor por defeito.

Notas:
• O parâmetro Rejection Fraction define a fracção de pixels possíveis de serem rejeitados,
i.e. não classificados; ao colocar a zero, o algoritmo é forçado a classificar todos os
pixels.
• O parâmetro A Priori Probability permite atribuir diferentes probabilidades de partida a
diferentes classes.
• O parâmetro Output Confidence Raster é o nome do ficheiro raster de saída opcional
que associa a cada pixel do mapa produzido a confiança da sua classificação.
Reclassificação dos clusters em classes de ocupação/uso do solo
Após a classificação não assistida, o mapa resultante será composto por um determinado
número de clusters. Esses clusters não têm necessariamente qualquer relação com a realidado
do solo. Assim, é necessário que o operador interprete a imagem e os clusters calculados,
de modo a estabelecer uma relação entre as classes de ocupação do solo da nomenclatura
desejada e os labels dos clusters. Uma vez estabelecida essa relação é possivel realizar
uma reclassificação do mapa produzido. Para isso, vá ao ArcToolbox; em search escreva
Reclassify.Uma vez que a busca termine, selecione a entrada Reclassify e pressione Locate.
(Esta é uma forma alternativa de localizar as funções no ArcGIS.)
CLASSIFICAÇÃO ASSISTIDA
As ferramentas para a classificacao assistida em ArcGIS encontram-se implementadas no

modulo ArcMap na toolbox Multivariate Tool, no ArcToolbox. Para realizar uma classificacao
nao assistida em ArcGIS necessita de executar os seguintes passos:
1. Importar os dados para o ArcMap
2. Recolher amostras de treino para o algoritmo classificacao
3. Visualizacao das amostras de treino
4. Criar assinaturas espectrais
5. Analisar as assinaturas espectrais
6. Editar assinaturas
7. Correr o algoritmo de classificacao (actualmente o ArcMap tem apenas um – o
classificador de maxima verosimilhanca)
8. Aplicar simbologia pre-existente no mapa produzido
1. Importar dados para o ArcMap

a) File → Add data ; Seleccione as bandas da imagem que pertende classificar

2. Recolher / Visualizar amostras de treino
Criar uma shapefile para a recolha de treino
a) Open ArcCatalog → Right click workspace folder → New → Shapefile
i. Defina o nome da shapefile
ii. Defina o tipo de shapefile
Recolha de amostras de treino

a) Importe o ficheiro de amostras, dados auxiliares e imagens para o ArcGIS – ArcMap
(vide passo 1)
b) Com o botao direito do rato, abra Attribute Table → Options → Add Field (Figura
15); crie um novo campo na tabela de atributos de modo a introduzir o label das
amostras de treino
i. Defina o nome, o tipo e as propriendades do campo (Figura 5); defina o tipo e as
propriedades
Editor Tool → Start Editing
i. Selecione a shapefile das amostra de treino para iniciar a edicao
ii. Crie amostras utilizando com a task Create New Feature (Figura 19)
iii. Abra a Attribute Table; atribua o label a amostra de acordo com a sua nomenclatura
iv. Salve as suas edições e pare o modo de edição: Editor Tool → Stop Editing;

3. Visualização de Amostras
Abra a tabela de atributos:
i. Ordene de modo ascendente ou descendente as amostras de acordo com um dos
campos; para isso, clique o botao direito do rato sobre o atributo no header e seleccione
a opcao sort
ii. Clique na amostra para a seleccionar (Figura 20); depois da seleccao a amostra
seleccionada ficara sublinhada
iii. Tambem pode seleccionar uma ou mais amostras realizado uma querie; para isso, va a
Options > Select by attribute, e escreva a querie

Para visualizar uma amostra em detalhel, pode seleccionar um amostra com o botao direito
do rato e depois seleccionar Zoom to Selected Feature; ou alternativamente, clique duas
vezes na amostra
4. Criar assinaturas espectrais
ArcToolbox → Spatial Analyst Tools → Multivariate → Create Signatures

i. Seleccione as bandas da imagem que pertende classificar
ii. Seleccione a shapefile com as amostras de treino
iii. Defina o campo que define o labels das classes de ocupacao/uso do solo
iv. Defina o nome do ficheiro de assinaturas espectrais
v. As matrizes de covariancias sao necessarias para o algoritmo de classificacao de
maxima verosimilhanca
5. Editar assinaturas
ArcToolbox → Spatial Analyst Tools → Multivariate → Edit Signatures (Figura 23); edits
and updates a signature file by merging, renumbering, and deleting class signatures.
ii. Seleccione o ficheiro de assinaturas a ser editado
iii. Seleccione o ficheiro de assinaturas a ser editado. O ficheiro de entrada e um ficheiro
ASCII formado por duas colunas. Na primeira coluna estao os Ids originais das classes
ordenados por ordem crescente. A segunda coluna contem os novos Ids das classes
editadas. Se o objectivo for realizar um Merge, o novo ID deve ser colocado na segunda
columa e nas classes que se pertende “mergir”. Apenas as classes que deverao ser
editadas deverao estar presentes neste ficheiro; ou seja, todas as classes cujo ID nao se
encontra na primeira coluna nao serao alteradas. Para eliminar uma assinatura espectral,
na segunda columa deve ser colocado o valor -9999.
iv. Defina o nome do ficheiro de saída
6. Correr o algoritmo de classificação de máxima verosimilhança

ArcToolbox → Spatial Analyst Tools → Multivariate → Maximum Likelihood Classification
(Figura 24)
ii. Seleccione o ficheiro das assinaturas espectrais
iii. iii. Defina rejection fraction a zero de modo a que todos os pixels sejam classificados
iv. iv. Defina o campo a priori probability como EQUAL
v. Definicoes opcionais: e possivel definir um segundo raster de saida no qual a cada
pixel e
vi. associado o nivel de confianca da classificacao.

8.7. ANÁLISE DA QUALIDADE DOS MAPAS CLASSIFICADOS
Neste tutorial, sera demonstrado o procedimento para a avaliacao da qualidade tematica de
mapas de ocupacao/uso do solo utilizando o pixel como unidade amostral. Assume-se que
a amostra de referência foi previamente produzida.
Land cover map accuracy assessment
a) ArcToolbox → Spatial Analyst Tools → Extraction → Extract values to Points
i. Seleccione a shapefile com o pontos de validacao
ii. Seleccione o mapa em raster a ser validado
iii. Defina o nome da feature de pontos de saida
iv. Nao active qualquer uma das caixas

Com o botao direito do rato, faca Open Attribute Tabela → Options → Export, e abra a
tabela de atributos criada e exporte-a para DBF.
c) Abra o ficheiro exportado no passo anterior.
d) Se a referencia e composta por um label primario e por um label alternativo, entao e
necessario criar um novo campo no ficheiro Excel. Este campo representa o label final a
ser atribuido as unidades amostrais, que serao consideradas correctas se o label primario
ou o label alternativo for igual a classificacao encontrada no mapa. Este campo e
produzido no Excel recorrendo a seguinte condicao: =IF(OR(label1 = map; label2 =
map); map; label1).
e) Crie um novo campo que indica se uma dada unidade amostral esta correctamente
classificada ou nao. Para isso, recorra a seguinte condicao: = IF (map = l1oul2; 1; 0).
Onde l1oul2 e o campo criado no passo d), se a amostra de referencia tiver dois labels;
caso contrario, este campo e o label unico da referencia. Seguidamente crie uma Pivot
Table para produzir uma matriz de erro entre o mapa e a amostra de referencia .
f) Na Pivot Tabel, cruze o campo do mapa (coloque na horizontal) com o campo da
referencia (coloque na vertical), e no centro coloque o campo l1oul2. Devera seleccionar
a opcao count

No Excel, calcule o indice de exatidão global (EG), a exatidão do utilizador (EU) e a
exatidão do Produtor (EP) para cada uma das classes, recorrendo aos seguintes racios:
EG = total de unidades amostrais corretamente classificadas / total de unidades amostrais;
EU na classe A = número de unidades amostrais na classe A corretamente classificadas /
total de unidades amostrais no mapa classificadas como pertencentes a classe A;
EP na classe A = número de unidades amostrais na classe A correctamente classificadas
/ total de unidades amostrais na referencia classificadas como pertencentes a classe A.
Note que: o total de unidades amostrais corretamente classificadas e igual a soma dos
elementos da diagonal da matriz de erro; o total de unidades amostrais no mapa
classificadas como pertencente a classe A e igual a soma marginal (horizontal) associada
a classe A; e o total de unidades amostrais na referência classificadas como pertencentes
a classe A e igual a soma marginal (vertical) associada a classe A.
8.8. DETERMINAÇÃO DE INDICES DE VEGETAÇÃO E AGUA EM IMAGENS

LANDSAT
Em ArcToolbox ou em serach abra Raster Calculator
No espaço em branco digite equação da figura para a determinação do NDVI
Pode igualmente Determinar o índice de vegetação ajustado ao solo (SAVI) usando a

fórmula
SAVI = (IVP - V) / (IVP + V) 1+ L
L=0.5
Para o índice da agua, use a seguinte formula

IA=G – IVP/G+IVP
Onde G=Verde (banda 2)
IVP=Infravermelho próximo (banda4)


Fundamentos de Deteccao Remota

Enviado por

Dados do documento

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Fundamentos de Deteccao Remota

Enviado por

Direitos autorais:

Formatos disponíveis

CURSO DE MESTRADO EM SISTEMA DE INFORMAÇÃO

GEOGRAÁFICA E AVALIAÇÃO DOS RECURSOS NATURAIS

ANTÓNIO DOS ANJOS LUIS, MSc.

2|Satélites de Teledeteção par a a gestão do Território

Figura 1-Imagem da Terra resultado da combinação dos diferentes sensores de Teledeteção

3|Satélites de Teledeteção par a a gestão do Território

4|Satélites de Teledeteção par a a gestão do Território

Figura 1-Imagem da Terra resultado da combinação dos diferentes sensores de Teledeteção

5|Satélites de Teledeteção par a a gestão do Território

6|Satélites de Teledeteção par a a gestão do Território

A história da teledeteção ou Sensoriamento é assunto tão controvertido quanto à sua definição.

Diversos autores, escudados pela American Society of Photogrametry e seu “Manual of

As aplicações militares quase sempre estiveram à frente no uso de novas tecnologias, e no

7|Satélites de Teledeteção par a a gestão do Território

Na década de 60 surgiram os aviões norte americanos de espionagem denominados U2.

A grande revolução do Sensoriamento remoto aconteceu no início da década de 70, com o

8|Satélites de Teledeteção par a a gestão do Território

A evolução de quatro segmentos tecnológicos principais determinou o processo evolutivo do

a) Sensores – são os instrumentos que compõem o sistema de captação de dados e

b) Sistema de telemetria – consiste no sistema de transmissão de dados e imagens dos

c) Sistemas de processamento – consistem dos equipamentos computacionais e softwares

9|Satélites de Teledeteção par a a gestão do Território

d) Lançadores – consistem das bases de lançamento e foguetes que transportam e colocam

10 | S a t é l i t e s de Teledeteção para a gestão do Território

Os elementos envolvidos no processo de teledeteção a partir de satélites se mostram na

A energia captada pelo sensor se

A imagem processada se interpreta,

O passo final do processo de teledeteção

11 | S a t é l i t e s de Teledeteção para a gestão do Território

12 | S a t é l i t e s de Teledeteção para a gestão do Território

A porção de micro-ondas se encontra mais além do infravermelho (1 mm – 1 m), é a

13 | S a t é l i t e s de Teledeteção para a gestão do Território

Figura 6-Comprimentos de ondas

14 | S a t é l i t e s de Teledeteção para a gestão do Território

A refletância espectral é uma característica das superfícies terrestres, algo fundamental em

A configuração de estas curvas permite extrair as características espectrais de uma superfície

15 | S a t é l i t e s de Teledeteção para a gestão do Território

Quando a vegetação não é saudável, diminui a clorofila, e o resultado é um aumento da

Ao chegar ao IR próximo a refletância da vegetação saudável aumenta drasticamente. A

16 | S a t é l i t e s de Teledeteção para a gestão do Território

A presencia de humidade faz decrecer a refletância, assim como a rugosidade, a matéria

2.5. Interação da radiação eletromagnética com a

A atmosfera tem um grande efeito na intensidade e na composição espectral da radiação

 O caminho percorrido pela radiação refletida;

A dispersão atmosférica ocorre quando gases e partículas existentes na atmosfera interagem

17 | S a t é l i t e s de Teledeteção para a gestão do Território

A absorção atmosférica resulta numa perda efetiva de energia para os constituintes

O vapor de água da atmosfera absorve uma grande parte da radiação na zona do

Na Figura 8 ilustra-se o conceito de janela atmosférica. No gráfico superior representa-se

Figura 8- Janelas Atmosféricas

19 | S a t é l i t e s de Teledeteção para a gestão do Território

A inclinação da órbita é o ângulo entre o plano orbital e o plano do equador, e determina

Figura 9 - Orbita geoestacionária

Figura 10- Orbita não geoestacionária ou polar

21 | S a t é l i t e s de Teledeteção para a gestão do Território

Os sensores instalados nos satélites de teledeteção possuem uma serie de particularidades

3.1.1. Resolução Espacial

A resolução espacial é una medida da distância angular ou

Figura 11-Formato de uma imagem digital

22 | S a t é l i t e s de Teledeteção para a gestão do Território

23 | S a t é l i t e s de Teledeteção para a gestão do Território

3.1.2. Resolução espectral

Como se comentou previamente, as distintas superfícies respondem de maneira diferente a

A resolução espectral refere-se à dimensão e ao número de intervalos de comprimento de