Nunes de Abreu 2018

^
MINISTÉRIO DA EDUCAÇÃO
^
UNIVERSIDADE FEDERAL RURAL DA AMAZÔNIA
INSTITUTO CIBERESPACIAL
ENGENHARIA CARTOGRÁFICA E DE AGRIMENSURA
WELLINGTON WAGNER NUNES DE ABREU
EXTRAÇÃO VETORIAL AUTOMÁTICA DE CORPOS D’ÁGUA A

PARTIR DE IMAGENS ORBITAIS.
Estudo de caso: Variação de Área Recoberta por um trecho do Rio
Paranapanema com a construção das Usinas Hidrelétricas de Rosana e
Taquaruçu.
BELÉM
2018
WELLINGTON WAGNER NUNES DE ABREU
EXTRAÇÃO VETORIAL AUTOMÁTICA DE CORPOS D’ÁGUA A

PARTIR DE IMAGENS ORBITAIS
Estudo de caso: Variação de Área Recoberta por um trecho do Rio
Paranapanema com a construção das Usinas Hidrelétricas de Rosana e
Taquaruçu.
Trabalho de conclusão de curso

apresentado como exigência parcial para a
obtenção do título de Engenheiro Cartógrafo
e Agrimensor pela Universidade Federal
Rural da Amazônia.
Orientador: Me. Carlos Rodrigo Tanajura

Caldeira
BELÉM
2018
Abreu, Wellington Wagner Nunes de
Extração vetorial automática de corpos d’água a partir de imagens orbitais.

Estudo de caso: variação de área recoberta por um trecho do Rio Paranapanema com
a construção das usinas hidrelétricas de Rosana e Taquaruçu / Wellington Wagner
Nunes de Abreu. – Belém, 2018.
58 f.
Trabalho de Conclusão de Curso (Graduação em Engenharia Cartográfica e de

Agrimensura) – Universidade Federal Rural da Amazônia, 2018.
Orientador: Carlos Rodrigo Tanajura Caldeira.
1. Sensoriamento Remoto 2. Sistema de Informações Geográficas 3. Python

4. Dados vetoriais I. Caldeira, Carlos Rodrigo Tanajura (orient.) II. Título.
CDD: 621.3678
Dedico a Deus, e a toda minha família, em
especial aos meus pais Wagner e Keila, por
sempre me apoiarem e por sempre estarem
presentes em qualquer etapa de minha vida,
aos meus irmãos, Larissa e Felipe, por
serem meus parceiros para qualquer hora,
aos meus avós, e a todos que contribuíram
para que esse momento se concretizasse.
AGRADECIMENTOS
Aprendi ao longo da vida que devemos ser gratos por tudo o que nos
acontece, ao acordar devemos ser gratos pela oportunidade de viver mais um dia,
e ao repousarmos, em nossa cama, devemos agradecer pelo dia que nos foi
concedido e por estarmos em nossa casa mais uma vez. Tudo acontece conforme
os planos de Deus, pois Seus planos são maiores do que podemos imaginar. Então
o primeiro agradecimento é ao Pai Celestial, pelo dom da vida que Ele me deu, pela
família escolhida para ser o meu lar, pelas pessoas que convivem comigo, pela
saúde, e por todas as coisas que Ele proporcionou e continua proporcionando em
minha vida, este é um momento em que mais uma vez a honra e glória são todas
dEle.
Quero agradecer também aos meus pais Wagner Abreu e Keila Leão, por
todo o amor e carinho com o qual me criaram, por me educarem da melhor maneira
possível, e por sempre me acompanharem em cada etapa de minha vida, vejo este
momento como sendo uma conquista, não apenas minha, mas uma conquista deles
também, pois nunca mediram esforços para me propiciar as melhores coisas,
mesmo que não tivessem muito, sempre fizeram com que as coisas mais simples
se tornassem a mais fantástica do mundo, sou feliz e grato pelo simples fato deles
serem meus pais e por ter chegado aqui por eles.
Agradeço aos meus irmãos Felipe e Larissa Abreu, que apesar de serem
mais novos, sempre estiveram ao meu lado me dando forças para seguir em frente,
nos dias difíceis me fizeram rir e sempre acreditaram que eu poderia ir além, e com
esse momento eu espero que eu possa orgulhá-los por chegar onde cheguei, pois
com certeza, quero estar neste momento deles também.
Aos meus avós maternos, Manoel Vulcão e Graça Leão (in memorian),
obrigado por todo o apoio e ensinamento dado a mim, desde minha infância, e
ressalto minha vó que se encontra ao lado do Pai, mas que sei estará comigo a
qualquer momento e que nesse momento eu espero estar dando alegria a ela no
céu.
Aos meus avós paternos José Abreu e Raimunda Abreu serei eternamente
grato por serem como, “segundos” pais para mim, sempre me apoiaram, me
educaram, e me aconselharam a seguir no melhor caminho, em momentos de
dificuldades em minha família, sempre estiveram aqui para nos amparar, e que
nunca mediram um esforço sequer para investir na minha educação, e na minha
formação.
Aos meus tios e tias, primos e primas, fica o meu agradecimento por
também me apoiarem em qualquer circunstância, por meus tios me receberem
como sendo seu filho, e meus primos por sermos como irmãos, onde a união e o
amor nunca faltaram, e que seja assim pelo resto de nossas vidas. À família que
eu tenho, só posso utilizar a palavra de gratidão por todos. Em especial neste
parágrafo agradeço ao meu tio Walber Abreu, pois, foi graças a conselhos e
indicações dele que ingressei no curso, e sempre pude contar com o mesmo para
conversas, trabalhos e ideias.
Agradeço a minha companheira e namorada Ingridis Corrêa, que foi um
presente de Deus em minha vida, ao longo desta caminhada, um presente que
chegou na metade do curso e desde então vem sendo minha fiel companheira, seja
para estudos, trabalhos, desafios, e se Deus permitir que seja para a vida toda,
obrigado por todo o companheirismo, apoio e principalmente amor dado durante
toda essa trajetória que vivemos até aqui, sou grato pela sua vida e por ter você ao
meu lado.
Ao meu orientador, Professor Carlos Rodrigo Tanajura Caldeira, obrigado
por toda a paciência e disponibilidade nos momentos de orientação, pela atenção
dada ao trabalho, pelas orientações não apenas acadêmicas, mas para a vida
profissional, e por ser além de professor um amigo, com quem sempre deixou claro
que podemos contar. Fica aqui também o meu agradecimento especial a professora
Mayara Cobacho Ortega Caldeira, pelos conselhos dados e por também me auxiliar
com algumas considerações durante a construção, não apenas deste trabalho, mas
por ser sempre solícita de um modo geral durante todo o curso, assim como pela
amizade com todos também.
Aos demais professores do curso João Almiro, Jamer, Robson, Tabilla,
Marcelo Moreno, Parise, Stephan, Laurent Polidori, por todo o conhecimento
repassado ao longo desses anos, por buscarem passar o conhecimento da maneira
na qual achavam mais adequada para a turma, e que contribuíram com todo seu
conhecimento para nossa formação profissional.
Ao Moniel que por um tempo foi o secretário do curso, e que mesmo não
exercendo mais essa função, ainda é considerado como tal, por toda a competência
em nos ajudar, por buscar nos orientar em determinados momentos, e por sempre
“quebrar os galhos” quando a turma mais precisava, fica o meu obrigado por ser
um amigo desta turma.
Aos meus amigos de infância e da vida fora da universidade que sempre
estiveram comigo, desde antes do início dessa jornada, João Victor, Willyams
Pinheiro, Benjamim Benoliel, Alex Anselmo, Ananda Cunha e Vitória Guedes fica o
meu obrigado a vocês por sempre me tratarem como parte da família de vocês e
por serem os melhores amigos desde então, que possamos preservar este ciclo de
amizade por muito tempo.
Por fim e de grande importância fica aqui o meu agradecimento a família
que construí dentro da UFRA, no início eram 50 pessoas desconhecidas, mas que
ao longo desta grande caminhada foram formando uma grande família, destaco
aqui os primeiros amigos que fiz lá dentro Larissa Mourão, Wendel Lopes, Arian
Carneiro e Thiago Hidemi, que no início do curso sempre foram meu grupo de
trabalhos e de conversas. Graças a uma viagem, foi possível que a turma toda, que
não era tão unida assim, no início se tornasse a tão conhecida família cartográfica,
agradeço ao Paulo Victor, Soraia Oliveira e Kelly Amaral pela amizade e por todo
o empenho em todos os trabalhos que fizemos juntos, ao Francinei Matos,
Thamyres Marques, Gabriela Batista e Gerson Lima pela amizade e por todo o
conhecimento compartilhado tanto nos trabalhos acadêmicos quanto nos trabalhos
práticos, ao Marcelo Santiago, Arthur Brender, Patrick Dias, Cristian Paixão,
Gilvandro Amoras, Ronaldo Matos, pela amizade, pelas ajudas dentro de sala, e
pelo Real Cartográfica e todas aquelas tardes de futebol no ginásio. A Dandara
Resque, Luena Canavieira, Adler Henrique, Dan Quaresma, Jefferson Oliveira,
Carlos Borges, Tiago Sousa, Michele Moutinho, Rafael Pompeu e Rafael
Mendonça, fica o meu muito obrigado por todos os anos de convivência e pela
amizade de cada um, sei que todos juntos somos uma grande família que ficará
para sempre na história do curso e da universidade.
“Sonhos determinam o que você quer. Ação
determina o que você conquista.”
(Aldo Novak.)
RESUMO
Considerando a vasta quantidade de recursos hídricos presentes no nosso
país, existem diferentes formas de interesse para estudá-lo ou para utilizá-lo. Um
fator para o qual deve-se atentar é a variação de sua área recoberta, visto que o
crescimento ou o decrescimento pode afetar a população que depende ou que vive
em torno deste rio. Existem diversas formas de um corpo d’água variar a área que
recobre, a instalação de Usinas Hidrelétricas é uma delas, e apesar de ser
considerada por muitos como uma forma limpa de produção de energia, causam
grandes impactos ambientais e causam uma grande modificação na região em que
serão instaladas, como o alagamento de determinados locais e o acrescimento da
área abrangida pelo rio com a construção das barragens. Objetiva-se com este
trabalho analisar a expansão da área de um trecho do Rio Paranapanema
compreendido desde a barragem de Taquaruçu até a barragem de Rosana, através
da extração vetorial automática a partir de imagens orbitais, de modo em que esta
técnica, possa ser comprovada como um novo método de análises temporais. Para
tanto procede-se à elaboração de um código em linguagem Python, e a utilização
de imagens do satélite Landsat 5 pertencentes a região de interesse nos anos de
1986 e 2011. A aplicação começa por inserir os parâmetros básicos de preparação
da imagem, como a realização do NDWI, normalização de bits, aplicação de filtro,
e terminando com a extração automática do vetor a partir de uma segmentação na
imagem. Desse modo foi possível observar que a área recoberta pelo Rio
Paranapanema variou 189,4033 km² em decorrência da construção das barragens.
Considera-se então que a técnica de extração automatizada de vetores pode ser
de extrema utilidade no quesito de análises de corpos d’água, visto que a partir de
uma comparação entre os vetores extraídos de diferentes épocas conseguiu
comprovar a variação do Rio Paranapanema com êxito e qualidade.
Palavras Chave: Sensoriamento Remoto, SIG, Python, Dados Vetoriais.

10
ABSTRACT
Considering the vast amount of water resources present in our country, there are
different forms of interest to study or to use it, a factor that we must consider is the
covered area variation, since growth or the decrease can affect the population that
depends or lives around this river. There are several ways for a body of water to vary
its volume, the installation of Hydroelectric Power Plants is one of them, although
considered by many as a clean form of energy production, cause great environmental
impacts and a great change in the region where will be installed, such as the flooding
of certain sites and the increase of the volume of the river with the construction of the
dams, the aim of this work is analyze the volumetric variation of a section of the
Paranapanema River from the Taquaruçu dam to the Rosana dam through of the
automated vector extraction from orbital images, so that this technique can be proven
as a new method of temporal analysis. For this a code is written in Python language,
and using images from the Landsat 5 satellite belonging to the region of interest in the
years 1986 and 2011, the application starts by inserting the basic parameters of image
preparation as the realization of the NDWI, filter normalization bits and application, and
ending with automatic vector extraction from a segmentation in the image. In this way
it was possible to observe that the area covered by the Paranapanema River varied
189.4033 km² due to the construction of the dams. Therefore the technique of
automated extraction of vectors can be extremely useful in the analysis of water
bodies, since from a comparison between the vectors extracted from different epochs
it was able to prove the variation of the Paranapanema River successfully and quality.
Keywords: Remote Sensing, GIS, Python, Vector Data.

Lista de Figuras
Figura 1 - Tipos de sensores. ................................................................................... 19
Figura 2 - Espectro Eletromagnético. ....................................................................... 19
Figura 3 - Assinatura espectral de alvos naturais. .................................................... 20
Figura 4 - Comportamento Espectral Água. ............................................................. 21
Figura 5 - Diferentes Resoluções Espaciais na mesma área, da esquerda para a
direita Landsat 30m, Spot 20 m e Ikonos 1m. ........................................................... 22
Figura 6 - Resolução Espectral ................................................................................ 23
Figura 7 - Resolução Radiométrica .......................................................................... 24
Figura 8 - Resolução Temporal ................................................................................ 24
Figura 9 - Fluxograma para PDI. .............................................................................. 27
Figura 10 - Aplicação de um filtro passa-baixa. ........................................................ 29
Figura 11 - Aplicação de filtro Passa-Alta ................................................................. 30
Figura 12 - Aplicação do Filtro Passa-Faixa ............................................................. 30
Figura 13 - Mapa de Localização das Barragens de Rosana e Taquaruçu. ............. 39
Figura 14 - Fluxograma de etapas da metodologia. ................................................. 41
Figura 15 - Imagens Originais referentes ao ano de 1986 onde (a) representa a banda
do verde e (b) representa a banda do infravermelho próximo. .................................. 42
Figura 16 - Bandas 02 (a) e 04 (b) respectivamente no ano de 2011. ..................... 44
Figura 17 - NDWI aplicado a imagem de 1986. ........................................................ 47
Figura 18 - NDWI aplicado a imagem de 2011. ........................................................ 47
Figura 19 - Binarização aplicada a imagem de 1986. ............................................... 48
Figura 20 - Binarização aplicada a Imagem de 2011. .............................................. 48
Figura 21 – Destaque das barragens na imagem binarizada onde em (a) está exibida
a barragem de Rosana e em (b) está a barragem de Taquaruçu. ............................ 49
Figura 22 - Segmentação da imagem de 1986. ........................................................ 49
Figura 23 - Segmentação da imagem de 2011. ........................................................ 50
Figura 24 - Comparação entre os dois vetores......................................................... 52
Figura 25 -: Mapa de Kernel. .................................................................................... 53
LISTA DE ABREATURAS
EMBRAPA - Empresa Brasileira de Pesquisa Agropecuária

ERTS - Earth Resources Technological Satellite
ESA - European Space Agency
EUA - Estados Unidos da América
GDAL - Geospatial Data Abstraction Library
INPE - Instituto Nacional de Pesquisas Espaciais
LANDSAT - Land Remote Sensing Satellite
NASA - National Aeronautics Space Administartion
NDVI - Normalized Difference Vegetation Index
NDWI - Normalized Difference Water Index
NOOA - National Oceanic Atmospheric Administration
PDI - Processamento Digital de Imagens
REM - Radiação Eletromagnética
RVI - Ratio Vegetation Index
SAVI - Soil Adjusted Vegetation Index
SGBD - Sistema Gerenciador de Banco de Dados
SIG - Sistema de Informações Geográficas
USGS - United States Geological Survey
SUMÁRIO
1. INTRODUÇÃO ............................................................................................. 14
2. JUSTIFICATIVA ........................................................................................... 16
3. OBJETIVOS ................................................................................................. 18
4. FUNDAMENTAÇÃO TEÓRICA ................................................................... 18
4.1. Imagens obtidas por técnicas de Sensoriamento Remoto ..................... 18
4.2. Comportamento Espectral da Água ......................................................... 20
4.3. Resolução de imagens em Sensoriamento Remoto ............................... 21
4.3.1. Resolução Espacial ............................................................................... 22
4.3.2. Resolução Espectral .............................................................................. 23
4.3.3. Resolução Radiométrica ........................................................................ 23
4.3.4. Resolução Temporal.............................................................................. 24
4.4. Registro de Imagens .................................................................................. 24
4.5. Processamento Digital de Imagens .......................................................... 25
4.6. NDWI (Índice da Diferença Normalizada da Água) .................................. 27
4.7. Normalização de Imagens ......................................................................... 28
4.8. Filtros .......................................................................................................... 28
4.9. Segmentação de Imagens ......................................................................... 31
4.10. Estrutura de dados espaciais ................................................................... 31
4.10.1. Estrutura Matricial .................................................................................. 32
4.10.2. Estrutura Vetorial ................................................................................... 33
4.11. LANDSAT .................................................................................................... 33
4.12. Programação em linguagem Python ........................................................ 37
4.12.1. Biblioteca GDAL .................................................................................... 38
5. METODOLOGIA........................................................................................... 38
5.1. Área de Estudo ........................................................................................... 38

5.2. Materiais Utilizados .................................................................................... 40
5.3. Metodologia Utilizada ................................................................................ 41
6. RESULTADOS E DISCUSSÕES ................................................................. 46
6.1. NDWI............................................................................................................ 47
6.2. Imagem Binarizada..................................................................................... 48
6.3. Geração do Vetor ....................................................................................... 49
6.4. Controle de Qualidade ............................................................................... 50
6.5. Análise da Variação de Área ..................................................................... 52
7. CONSIDERAÇÕES FINAIS ......................................................................... 53
REFERÊNCIAS BIBLIOGRÁFICAS .......................................................................... 56

14
1. INTRODUÇÃO
Para a realização de um estudo acerca de um corpo d’água, pode-se imaginar

diversos problemas e situações, entre estas está a análise da expansão ou redução
da área recoberta pelo rio. Para tal problema existem fatores como: a erosão, chuvas
e tempestades, e fatores que necessitam da interferência humana para acontecer,
que é o caso da transposição de rios, da poluição e de construções que impliquem
direta ou indiretamente no seu curso e também em sua área recoberta.
Acerca das construções que interferem em seu curso e em sua variação de
área tem-se, como exemplo, a implementação de usinas hidrelétricas, que por muitos
é considerada uma forma limpa para a produção de energia. De acordo com Colito
(1998) até a década de 80 não existia a preocupação com a preservação do meio
ambiente, e por isso a construção de usinas era vista como uma forma de
modernidade.
Batista et al (2012) diz que o impacto ambiental e social com a construção das
barragens é muito grande, não abrangendo apenas a área do reservatório, mas
também a área que se encontra no entorno, sendo assim o aproveitamento deste rio
gera problemas, muitas vezes ao próprio rio, no sentido físico, químico e biológico.
Um desses problemas causados ao rio, quanto a construção de barragens, é o
acrescimento da área abrangida em determinado trecho, que é elevado a um nível
considerável.
As pesquisas acerca de corpos hídricos podem ser idealizadas e executadas
por diversas áreas distintas, tais como: biologia, oceanografia, hidráulica,
engenharias, entre outros, onde cada um possui um objetivo específico no estudo
realizado. Diante disso há uma necessidade de se ter um elemento cartográfico como
objeto predecessor ao estudo de outras áreas. Para isso a cartografia se utiliza das
geotecnologias para análises em corpos d’agua, visando a disponibilização de dados
para embasar futuros estudos.
A utilização de geotecnologias tem avançado consideravelmente desde a
década de 70, não somente pela modernização dos equipamentos com que se
trabalha, mas principalmente pelo fato que se faz necessário o uso de técnicas mais
avançadas, tais como: Sensoriamento Remoto, Fotogrametria, SIG (Sistema de
Informação Geográficas), entre outros.
Silva e Carneiro (2012) mostram que ao fim da 2ª Guerra e ao início da Guerra
15
Fria, se fazia grande a necessidade de obter informações da superfície terrestre para

que houvesse uma apropriação mais efetiva. Por outra concepção pode-se dizer que
os Estados Unidos da América (EUA) revolucionaram as geotecnologias com o
lançamento do satélite ERTS-1 (Earth Resources Technological Satellite) que mais
tarde viria a ser chamado de LANDSAT (Land Remote Sensing Satellite) dando início
assim as primeiras técnicas de Sensoriamento Remoto (AUSEN, 2008 apud SILVA e
CARNEIRO, 2012).
Dentro desse contexto, Novo (2010) conceitua Sensoriamento Remoto como
sendo a técnica que se utiliza de diversos sensores, dispositivos acoplados a aviões
ou espaçonaves com enfoque em estudar a grande variedade de fenômenos que
ocorrem sobre a superfície terrestre, tendo como base o comportamento das
substâncias que estão presentes nela em suas relações com o espectro
eletromagnético. O Sensoriamento Remoto é uma técnica muito útil, principalmente
quando se trata de análises em grandes áreas de presença de propriedades naturais
tais como: vegetação e corpos hídricos.
No estudo da variação de área ocupada pelas águas dos rios, o
Sensoriamento Remoto é considerada uma técnica bem aplicável e plausível, devido
a suas grandes dimensões e suas dinâmicas sazonais, além de em determinadas
áreas se ter uma dificuldade no acesso, principalmente no que se diz respeito a
análises feitas em estados pertencentes a Amazônia Legal1, visto que por sua
localização, a sua vasta vegetação muitas vezes são um empecilho para a análise de
determinada área em campo (NOVO, 1998 apud FRANÇA et al, 2005).
Dentre as várias ferramentas desenvolvidas a partir de estudos realizados
utilizando Sensoriamento Remoto, e considerando sua aplicação ao estudo de corpos
hídricos, é válido destacar a técnica do Índice de Diferença Normalizada da Água
(Normalized Difference Water Index - NDWI). De acordo com Mcfeeters (1996) apud
Xu (2014) essa técnica consiste em uma operação de bandas assim como os outros
índices de diferença normalizada, utilizando - se das bandas do infravermelho2
próximo e da banda da região visível na cor verde, que faz com que os valores de
1
“Amazônia Legal é aparte da Floresta Amazônica pertencente ao Brasil. É uma área que corresponde cerca de
59% do território brasileiro, englobando, na totalidade, 8 estados (Acre, Amapá, Amazonas, Mato Grosso, Pará,
Rondônia, Roraima e Tocantins) e ainda abrange parte do Maranhão.” (IPEA,2008)
2
“A radiação infravermelha é uma radiação eletromagnética cujo comprimento de onda é maior do que o da luz
visível, e por consequência não é visível para os seres humanos. O comprimento de onda do infravermelho possui
tamanho aproximadamente de 750 nm a 1 mm.” (FONSECA, s.d.).
16
reflectância da água sejam sempre positivos, e os valores de reflectância3 das

vegetações seja 0 ou negativo.
Em alguns casos quando se trabalha com imagens de satélite, se faz
necessário a utilização de uma etapa chamada segmentação, que segundo Chagas
et al (2009) trata-se de um processo em que se partilha uma imagem de acordo com
os objetos que a compõe. São separados em partes que possuem características em
comum, e pode ser utilizada tanto para análises quantitativas quanto para análises
qualitativas. De acordo com Montagnat (2000) apud Chagas et al (2009) possuir
excessivas informações para se reconhecer um objeto, torna o processo de
vetorização manual cansativo, e que através desse cansaço muitos erros acabem se
desenvolvendo, portanto, esse processo de automatização a partir da segmentação
acaba tornando o trabalho mais ágil e dinâmico.
Em vista disso, este trabalho tem como finalidade, automatizar o processo de
identificação, quanto a variação de área de um trecho do Rio Paranapanema, que se
encontra incluso na barragem da Usina Hidrelétrica de Rosana localizada entre
Rosana – SP e Diamante do Norte – PR e na barragem da Usina Hidrelétrica de
Taquaruçu localizada entre Sandovalina – SP e Itaguajé – PR, através da extração
automática de um vetor, buscando comprovar que esta pode ser uma técnica utilizada
por pesquisadores, alunos e profissionais de áreas afins que possuam interesse em
analisar esse tipo de recurso.
2. JUSTIFICATIVA
Essa pesquisa tem sua importância focada, principalmente, pelo cunho

acadêmico, visto que o processo de vetorização manual, dependendo da extensão do
rio, pode ser cansativo, demorado, e que requer paciência, além do que pode estar
mais susceptível a erros, considerando a acuidade visual de cada usuário. A
vetorização automatizada visa dar suporte principalmente a usuários das
geotecnologias e de softwares de SIG.
No Brasil há uma vasta quantidade de corpos hídricos, sendo assim, a
automatização do processo de extração de corpos d’água a partir de imagens orbitais,
serviria de suporte para análises tanto ambientais, quanto sociais. A presença da
3
“Reflectância é a razão entre a quantidade de energia radiante que deixa uma unidade de área no terreno
(Radiância) pela quantidade de energia incidente naquela área (Irradiância), medida no mesmo instante de tempo.”
(MENESES e ALMEIDA, 2012)
17
população ribeirinha ao longo destes corpos d’água exige que haja um controle e
monitoramento da variação dos corpos d’água, presente no local. Esta variação nem
sempre pode ser para uma expansão de área, mas também para um decrescimento,
visto o grande aumento das secas, assoreamentos, e até mesmo transposição em
algumas localidades.
A área escolhida para a aplicação da técnica de extração automática vetorial,
foi um trecho do Rio Paranapanema. Essa escolha se dá pelo fato da implementação
das Usinas Hidrelétricas de Rosana em 1987 e Taquaruçu em 1992, onde aquela
região sofreu uma grande mudança tanto na área do reservatório, quanto nas áreas
ao redor com a construção das barragens, essa mudança se torna uma boa pauta
para a análise se comparada a área ocupada pelo rio antes e depois da
implementação dessas barragens. Justifica-se também a escolha da área, pelas
imagens apresentarem um baixo teor de nuvens, não prejudicando assim a execução
do método.
Pode-se dizer também que de outra forma essa análise automatizada visa
auxiliar a identificação da interferência dessa variação na população que reside no
entorno da região da usina, bem como a perda da vegetação que estava presente ali
antes da construção da barragem. Dentro disso um estudo mais detalhado e mais
automatizado seria de grande utilidade, não apenas para fins acadêmicos, mas
também para órgãos públicos como a Marinha do Brasil, Prefeituras, Secretaria de
Meio Ambiente, entre outros.
As técnicas de programação podem também ser úteis na implementação para
processamento de imagens, apesar de pouco explorada, existem diversas formas de
se trabalhar com programação aplicada as áreas da Cartografia, SIG, Sensoriamento
Remoto e Fotogrametria. Tendo isso em vista este trabalho busca comprovar a
aplicação de técnicas de programação para geração de um produto ligado as áreas
supracitadas, e demonstrar a sua eficiência para a realização de trabalhos futuros.
Dessa forma essa pesquisa irá contribuir tanto para o acervo científico quanto
para a população, visto que são dados inexistentes em qualquer base pública. E
também, pode-se afirmar que esta aplicação será uma grande contribuição para os
órgãos gestores de municípios, principalmente quando houver a necessidade de uma
tomada de decisão emergencial.
18
3. OBJETIVOS
O presente trabalho tem como objetivo principal analisar a expansão da área

de um trecho do Rio Paranapanema através de um vetor extraído de forma automática
a partir de imagens orbitais.
Assim como pretende-se alcançar os seguintes objetivos específicos:
 Elaborar um algoritmo em que se possa realizar a extração automática de

corpos d’água, em forma vetorial, a partir de uma imagem orbital;
 Agilizar o processo de análise da variação de área de rios através de vetores
extraídos de forma automática, tornando o processo mais rápido, dinâmico
e eficiente;
 Comprovação das técnicas de programação aplicado ao Processamento
Digital de Imagens; e
 Comprovação de uma nova ferramenta para análises temporais.
4. FUNDAMENTAÇÃO TEÓRICA
4.1. Imagens obtidas por técnicas de Sensoriamento Remoto
A aquisição de imagens por técnicas de Sensoriamento Remoto engloba uma

série de fatores e assuntos que devem ser compreendidos até a obtenção do produto
final que é a imagem com a qual se deseja trabalhar. Para Figueiredo (2005) o
processo histórico da obtenção de imagens através de técnicas de Sensoriamento
Remoto ocorre desde que a câmera fotográfica foi inventada, e foi uma técnica
aprimorada por militares durante as guerras para identificação de territórios inimigos,
utilizaram desde pombos correios até o transporte em uma aeronave. Porém o
Sensoriamento Remoto sofreu uma grande revolução a partir da década de 70 quando
foram lançados os primeiros satélites de monitoramento da Terra.
Os sensores remotos podem ser classificados de duas maneiras, quando
dependem de uma fonte para emissão de radiação externa para serem operados são
chamados de sensores passivos, ou sensores ópticos pois são totalmente
dependentes dessa fonte, no caso da observação da Terra a principal fonte é o Sol,
portanto os sensores ópticos apenas operam com a presença solar. Já quando o
19
sensor consegue emitir sua própria radiação são considerados como sensores ativos,
nessa categoria estão inclusas as técnicas de radar e laser (DI MAIO et al, 2008). A
Figura 1 demonstra como funcionam os dois tipos de sensores.
Figura 1 - Tipos de sensores.
Fonte: Moreira (2007)
Os princípios físicos que englobam as técnicas de Sensoriamento Remoto

baseiam-se no espectro eletromagnético (Figura 2), que passou a ser estudado e
desenvolvido desde que Isaac Newton em uma de suas experiências descobriu que a
luz branca era composta de diversas outras cores, cientistas após Newton
perceberam que a luz era uma espécie de onda eletromagnética e que haviam
diversos outros tipos de ondas, sendo assim, a radiação eletromagnética (REM) é
considerada como um mensageiro no Sensoriamento Remoto, pois, identificam as
principais características das feições sobre a superfície terrestre e levam aos satélites
(STEFFEN, s.d.).
Figura 2 - Espectro Eletromagnético.
Fonte: Figueiredo (2005)

20
Steffen (s.d.) expõe que cada objeto presente na superfície terrestre possui
uma assinatura espectral (Figura 3), essa diferença se dá principalmente pelas
composições físico-químicas do objeto, o que quer dizer que quando se trabalha com
Sensoriamento Remoto há objetos que estão mais propícios a serem identificados em
determinados comprimentos de onda, por esse motivo os sensores embarcados nos
satélites fornecem o produto (Imagem) dividida em diversas bandas, cada uma dessas
bandas representa um determinado comprimento de onda e uma resposta diferente
do comportamento espectral do alvo em relação ao espectro eletromagnético.
Figura 3 - Assinatura espectral de alvos naturais.
Fonte: Di Maio et al (2008)
Uma imagem multiespectral é devidamente destacada por possuir diversas

imagens para uma mesma área, sendo que estas imagens possuem incontáveis
assinaturas do espectro eletromagnético, e também podem ser denominadas bandas
temáticas. Cada uma dessas bandas possui diferente representação, frequências,
comprimentos de onda e valores diferentes (GONZALEZ E WOODS, 2009).
4.2. Comportamento Espectral da Água

A finalidade da utilização dos produtos de Sensoriamento Remoto está
totalmente voltada para o objeto com o qual será trabalhado, como visto no tópico 4.1
cada objeto possui seu comportamento espectral, e para o estudo de corpos d’água
não é diferente, porém existem variáveis que condicionam esse comportamento.
Novo e Ponzoni (2001) destacam que sobre a superfície das águas muitas
vezes são encontrados alguns sedimentos que influenciam também nessa
21
reflectância, algumas das vezes tornando essa reflectância menor, dessa forma é
necessário o conhecimento sobre o corpo d’água com o qual se está trabalhando e o
conhecimento da região na qual ele está localizado, de maneira a saber se há algum
sedimento influenciando na reflectância da água, os fitoplanctons e materiais
inorgânicos provenientes das rochas e solos são os principais influentes.
Um outro fator destacado por Novo e Ponzoni (2001) é que o comportamento
espectral da água se diferencia dos demais principalmente por se encontrar no estado
líquido, o que dificulta estabelecer uma média de reflectância para sua assinatura, é
possível notar observando a Figura 4 que a água apresenta comportamento espectral
bem menor que os outros dois alvos. Pode-se observar também que seu
comportamento é maior na região das microondas (Sensoriamento Remoto por
Radar) e que apresenta um comportamento baixo, porém significativo na região da
luz visível, mais precisamente entre as regiões do vermelho e do verde. A figura 4
exibe o comportamento espectral da água em seus 3 estados físicos.
Figura 4 - Comportamento Espectral Água.
Fonte: Moreira (2007)
4.3. Resolução de imagens em Sensoriamento Remoto
Para Meneses e Almeida (2012) ao tratar da resolução de imagens em

Sensoriamento Remoto é abrangido um assunto em que se torna necessário saber a
finalidade da utilização daquela imagem, sendo assim dependendo da finalidade de
22
cada área, deve-se buscar a resposta em que tipo de imagem se utilizar, e para se
valer disso é necessário o conhecimento das resoluções em imagens orbitais.
Meneses e Almeida (2012) também destacam que há 4 passos para que seja
possível identificar ou detectar na prática um objeto na imagem de Sensoriamento
Remoto, são estas:
1) Através da área do campo de visada do sensor;
2) Através do comprimento de onda;
3) A partir dos valores numéricos mensurados na radiância do alvo; e
4) A partir da data na qual a imagem foi tomada.
4.3.1. Resolução Espacial
Os sensores possuem características específicas, dentre essas

características pode-se citar a dimensão de seu pixel, que é o elemento que determina
a resolução espacial nas imagens, o conjunto de vários pixels é o que forma a imagem
como um todo, e é impossível identificar o conteúdo de uma imagem analisando
apenas 1 pixel, as dimensões dos pixels possuem relação inversamente proporcional
a resolução espacial, quanto menor sua dimensão maior será a resolução espacial da
imagem garantindo alto nível de detalhamento, já quando a dimensão do pixel for
maior a resolução espacial será menor perdendo a visibilidade de detalhamentos,
onde se pode considerar também que a resolução espacial é o valor representado
pelo pixel no terreno (FIGUEIREDO, 2005). A Figura 5 exemplifica três imagens com
diferentes resoluções espaciais.
Figura 5 - Diferentes Resoluções Espaciais na mesma área, da esquerda para a direita Landsat 30m,
Spot 20 m e Ikonos 1m.
Fonte: Meneses e Almeida (2012, p. 26).

23
4.3.2. Resolução Espectral
Batista e Dias (2005) dizem que a Resolução Espectral (Figura 6) é analisada

de acordo com a capacidade de um sensor estabelecer um intervalo estreito de
comprimento de ondas. Quanto mais bandas espectrais um sensor possuir, maior será
a quantidade de intervalos estreitos e sendo assim maior será sua resolução
espectral, esse estreitamento é necessário para que haja uma melhor identificação
dos objetos refletidos.
Figura 6 - Resolução Espectral
Fonte: Adaptado de Meneses e Almeida (2012)
4.3.3. Resolução Radiométrica
Como exemplificado na Figura 7 consiste na habilidade do sensor em

diferenciar variações de quantidades de energia, quanto maior for a sensibilidade para
essa distinção, maior será sua resolução radiométrica, pode-se definir também como
sendo a quantidade de níveis de cinza presente na imagem, onde esse número de
cinza é expresso por 2𝑛ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑏𝑖𝑡𝑠 (MADRUGA, 2002).
24
Figura 7 - Resolução Radiométrica
Fonte: Adaptado de Melo (2002)
4.3.4. Resolução Temporal
Figueiredo (2005) destaca que a Resolução Temporal (Figura 8) nada mais é

que o tempo em que um sensor leva para recobrir a mesma área. Obviamente quando
um sensor recobrir a mesma área num intervalo de tempo menor sua resolução
temporal será considerada melhor.
Figura 8 - Resolução Temporal
Fonte: Di Maio et al (2008).
4.4. Registro de Imagens
Crósta (1992) diz que na utilização de Sensoriamento Remoto muitas vezes

se faz necessário realizar uma comparação entre imagens, fazer uma combinação de
imagens de diferentes sensores (mesclando uma de alta resolução com uma de baixa
25
resolução), ou mesmo para a análise multitemporal é necessário a utilização de duas

imagens do mesmo local. Porém quase sempre é visto que não irá ocorrer a
coincidência de pixels, devido as distorções a que a imagem está sujeita com o
movimento do satélite, portanto para se trabalhar com duas imagens da mesma área
se faz necessário a realização do registro de imagens.
O registro de imagens nada mais é do que a técnica pela qual se associa
pontos de uma imagem de referência, com os pontos de uma segunda imagem, para
que no final seja possível obter a segunda imagem com pontos na mesma localização
geográfica da imagem de referência (SALLES et al 2012).
Existem duas formas de realização desse registro: a forma automática e a
forma manual. Sendo o modo automático baseado na análise de similaridade ou de
dissimilaridade entre as duas imagens, que é obtida através do cálculo realizado na
diferença entre as duas. Essa análise se dá por correlação, com a concepção de que
quanto mais similares forem as imagens mais alta será sua correlação, é um processo
feito por janelas da imagem, após isso ser feito é possível a identificação de feições
na imagem e posteriormente é realizado o registro de acordo com as disposições das
feições no terreno. Já no modo manual é consistido em identificar pontos de controle
na imagem, e nesse processo são referenciados os pixels/linha entre si, é considerado
menos preciso que o modo automático, pelo fato de o modo automático trabalhar no
âmbito de subpixel (CRÓSTA, 1992)
4.5. Processamento Digital de Imagens
A inclusão de imagens digitais no mundo moderno se faz muito presente,

desde a interpretação de imagens do espaço até a interpretação de imagens que
facilitam um diagnóstico da saúde humana, muitos profissionais necessitam realizar o
trabalho sobre uma imagem digital no seu dia a dia, dessa forma Batista (2005)
destaca o Processamento Digital de Imagens (PDI) como sendo a etapa que trata a
imagem desde sua modelagem matemática até a implementação em software ou
hardware, e tem como objetivo principal facilitar a interpretação de modo em que se
extraia a informação clara e necessária para a área afim.
Uma imagem digital monocromática é uma função bidimensional contínua
f(x,y), onde x e y funcionam como coordenadas de localização e f possuir um valor
em qualquer ponto (x,y) representando a luminosidade ou nível de cinza do ponto em
26
questão, cada ponto nessa grade bidimensional recebe o nome de elemento de

imagem ou pixel. O computador não possui capacidade de processar uma imagem
em si, ele as interpreta como sendo uma forma matricial, onde cada elemento dessa
grade matricial representa um pixel (QUEIROZ E GOMES, 2006).
Gonzalez e Woods (2009) vão além e demonstram que em uma grade
bidimensional de uma imagem, para ser interpretada por computador, devem haver
dois processos, o de amostragem e o de quantização sendo a amostragem basea-
seem discretizar as coordenadas espaciais, e a quantização responsável por
discretizar o brilho. São processos que agem conjuntamente na montagem da imagem
na forma matricial. Nessa matriz costuma-se associar o menor valor ou (0) a cor preta
e o maior valor ser associado a cor branca. Os valores compreendidos entre o menor
e o maior valor da matriz compõe os níveis de cinza presentes na imagem.
Após a aplicação da amostragem e da quantização, as informações da
imagem são suprimidas, fazendo com que sua qualidade dependa diretamente dos
elementos da matriz, principalmente do elemento de brilho, sendo estes associados a
potência de base 2, sendo os expoentes dessa potência associados ao número de
bytes necessários para a qualidade da imagem de determinado tamanho MxN onde
M representa a largura e N a altura da imagem (BATISTA, 2005).
Filho e Neto (1999) ressaltam que quando se trabalha com PDI o produto
inicial é uma imagem e o produto final também deve ser uma imagem, e classificam
que o processamento realizado por computador é um sistema visual artificial capaz
de adquirir, processar e interpretar imagens correspondentes a cenas que retratem a
realidade, e que estes seguem uma sequência lógica (vide Figura 9) até a obtenção
do produto final.
27
Figura 9 - Fluxograma para PDI.
Fonte: Filho e Neto (1999)
4.6. NDWI (Índice da Diferença Normalizada da Água)
Dentro do processo de extração de informações da imagem obtidas através

de sensores multiespectrais, em diversas vezes há o interesse em adquirir
informações específicas quanto ao tipo de vegetação ou tipo de solos ou até mesmo
estudo quanto a corpos hídricos. Nesse contexto Filho e Neto (1999) determinam que
quando se possui duas imagens X e Y de igual tamanho, estas podem ser
processadas pixel a pixel utilizando um operador aritmético, de maneira em que será
gerada uma terceira imagem Z de igual tamanho, vale ressaltar que o usuário desse
método deve ter o conhecimento das propriedades de reflectância do objeto de estudo
e dos aspectos físicos do sensor.
Meneses e Almeida (2012) retratam que a operação de divisão de bandas é
popularmente conhecida pela sua utilização na percepção de índices, destacando-se
principalmente na detecção de índices de vegetação tais como: NDVI (Normalized
Difference Vegetation Index), SAVI (Soil Adjusted Vegetation Index) e RVI (Ratio
Vegetation Index), mas também pode ser utilizada na determinação de índices
28
voltados para corpos hídricos, que é o caso do NDWI (Normalized Difference Water
Index).
Meneses e Almeida (2012) mostram também que o NDWI é realizado de
acordo com a curva reflectância da água, para o desenvolvimento desse índice são
necessárias a utilização das bandas com comprimento de onda próxima do verde e
também que haja uma banda com comprimento de onda aproximado a região do
infravermelho próximo, a Equação 1 demonstra a fórmula utilizada para a obtenção
do índice.
𝐺−𝑁𝐼𝑅
𝑁𝐷𝑊𝐼 = (1)
𝐺+𝑁𝐼𝑅
Onde:
G – Banda referente a região visível verde;
NIR – Banda Referente ao Infravermelho próximo.
4.7. Normalização de Imagens
Araújo (2010) trata a normalização de imagens como sendo apenas a

mudança no valor do número digital de um pixel, onde atribui um valor de acordo com
seu interesse, de modo em que este novo valor seja satisfatório para o seu objetivo,
em sua aplicação o autor cita como exemplo um NDVI feito onde os intervalos ficam
compreendidos entre –1 e 1, e para a demonstração esses valores são normalizados
com a soma de +1 em cada pixel, sendo assim o intervalo passa a ser compreendido
entre 0 e 2.
Já para Filho e Neto (1999) quando são realizadas operações aritméticas nas
imagens de satélite, deve-se atentar para os valores em que serão assumidos pelos
pixels componentes da imagem, pois muitas das vezes estes valores podem estar
acima do valor máximo (de acordo com a resolução radiométrica da imagem), ou
podem assumir um valor negativo. Para tal deve-se seccionar o maior valor acima do
valor máximo e o menor valor da imagem resultante da operação e igualá-los a 255
para o caso de uma imagem de 8 bits, ou 65.535 para o caso de uma imagem de 16
bits e 0 respectivamente. Este processo recebe o nome de normalização.
4.8. Filtros
Felgueiras (2007) retrata que a técnica de filtragem consiste em modificar o

valor do Número Digital do pixel, bem como o de seus vizinhos. A aplicação desta
29
técnica é realizada de acordo com alguns objetivos, os quais são: homogeneização

da imagem, extração de ruídos, melhor na discriminação de alvos, detecção de bordas
entre alvos distintos presentes na imagem, entre outros.
Pedrini e Schwartz (2008) afirmam que os filtros podem ser realizados em
duas maneiras, a primeira é no domínio espacial e a segunda forma é no domínio da
frequência. E são segmentados de três maneiras: filtros passa-baixa, filtros passa-alta
e filtros passa-faixa.
Os filtros de passa-baixa segundo Pires e Barcelos (2004) são recomendados
para a suavização de imagens, com a eliminação de ruídos e também são conhecidos
com o filtro utilizado para desfocar a imagem, essa perda de foco varia de acordo com
as dimensões do filtro. Dentre os filtros de passa-baixa é possível citar o Filtro
Gaussiano, o Filtro de Mediana e o filtro de média dos K Vizinhos Selecionados, a
Figura 10 representa a apresentação de um filtro passa-baixa, onde a figura 10.a
representa a imagem antes da aplicação do filtro, enquanto a figura 10.b representa a
imagem após a aplicação do filtro.
Figura 10 - Aplicação de um filtro passa-baixa.
(a) (b)
Fonte: Filho e Neto (1999)
Já os filtros passa-alta são conhecidos também como o filtro de realce ou a

técnica de realce de bordas, atua eliminando os ruídos de baixa frequência e
realçando os ruídos de alta frequência, recomenda-se a utilização de máscaras com
grandes dimensões, de maneira a destacar mais as bordas. Como exemplos de filtros
passa-alta pode-se citar os filtros Laplacianos, os filtros de Sobel, filtros de Prewitt e
30
os filtros para a detecção de linhas (PÁSSARO E FARIA, 2007). O exemplo da

aplicação dos filtros de passa-alta é representado na Figura 11, onde a figura 11.a
representa a imagem antes da aplicação do filtro e a Figura 11.b representa a imagem
após a aplicação do filtro.
Figura 11 - Aplicação de filtro Passa-Alta
(a) (b)
Fonte: Batista (2005)
A terceira e última forma de filtro consiste na técnica de filtro passa-faixa,

técnica esta que trabalha com a determinação de uma frequência limite, fazendo com
que todos os valores abaixo deste limite sejam descartados, ou seja, assumindo o
valor 0 e adquirindo a cor preta, e os valores iguais ou acima deste limite são realçados
ou igualados a frequência máxima suportada pela imagem, dependendo da sua
resolução radiométrica (BELTRÃO, 2012). Como exemplo de aplicação do filtro
passa-faixa tem-se a Figura 12, onde a figura 12.a representa a imagem antes do filtro
e a figura 12.b representa a imagem após a aplicação do filtro..
Figura 12 - Aplicação do Filtro Passa-Faixa
(a)
(b)
Fonte: Adaptado de Beltrão (2012)
31
4.9. Segmentação de Imagens
Balan (2003) trata a segmentação de imagens como uma etapa de

preparação da imagem para análises ou reconhecimentos, pois é uma técnica que se
utiliza para separar uma imagem em diversas regiões, de acordo com o objeto de
estudo. Mais detalhadamente é uma técnica baseada em determinar os pixels com
características similares e que compõem objeto que se deseja estudar e fazer um
isolamento dos pixels que não fazem parte.
Chipana e Iano (2012) afirmam que quando um grupo de pixels possuem
características semelhantes, formam as chamadas regiões. A técnica de
segmentação tem por finalidade encontrar uma semelhança ou descontinuidade nos
pixels afim de se obter um objeto presente na imagem toda.
As técnicas de segmentação são melhores descritas por Sobral (2002) que
demonstra:
 Segmentação por Descontinuidade: Separa em regiões quando há
uma mudança de intensidade muito brusca, para tal determinação
utiliza-se a determinação de contornos.
 Segmentação por Similaridade: O agrupamento dos pixels é feito a
partir da semelhança entre as características dos pixels, a partir de um
determinado critério para tal, podem ser utilizados os métodos de
binarização, de crescimento das regiões, e da divisão e junção de
regiões.
“A segmentação é considerada a etapa mais importante na etapa de análise
automatizada de uma imagem, pois a partir dela são extraídos os objetos e todos as
outras diretrizes para o posterior processamento da imagem” (BALAN, 2003, p.4).
4.10. Estrutura de dados espaciais
Para dar início ao tópico de estrutura de dados espaciais devemos ter a noção
de um sistema em que possam ser implantadas essas estruturas e que haja a
possibilidade de estar visualizando, manipulando, realizando operações e tendo a
noção de onde estão estes elementos espaçados geograficamente, para tal foi criado
o SIG.
Strauch e Souza (1998) definem o SIG como sendo um sistema de
informações que utiliza um software exclusivo, que se utiliza de um SGBD (Sistema
32
Gerenciador de Banco de Dados) que trata de diversos dados advindos de outras

fontes, o que permite processar, armazenar e analisar erros, e apresentar soluções
com dados geograficamente referenciadas. Esta análise ao objeto inserido pode ser
tanto espacial quanto por atributos. Então o SIG pode ser entendido como uma
ferramenta que pode ser utilizada de diversas maneiras por diversas áreas, onde são
manipuladas informações por atributos de tabelas ou por sua espacialização, e como
resultado obtêm-se um dado georreferenciado com atributos bem definidos.
Ferreira (2006) destaca a importância da utilização do SIG, pois qualquer
atividade humana ocorre em algum local, ou seja, em uma posição geográfica. Dessa
forma há a necessidade de obter informações sobre as atividades que ali decorrem
ou mesmo para uma caracterização do local, sendo assim o SIG acaba sendo utilizado
com frequência. Para a otimização da utilização do SIG são necessários profissionais
da área de informática para o gerenciamento do banco de dados, profissionais de
ciências cartográficas para o gerenciamento do georreferenciamento do dado, além
de profissionais da área específica para o qual está sendo utilizado o SIG.
Os dados em SIG podem ser representados de duas maneiras, os dados em
forma matricial (raster) e os dados em forma vetorial (vetor). Inicialmente os SIG’s
trabalhavam apenas com uma ou outra das estruturas, atualmente com os avanços
tecnológicos é possível utilizar as duas estruturas, onde cada uma tem sua
especificidade e aplicabilidade, vantagens e desvantagens, porém muitos
profissionais trabalham com as duas estruturas e acreditam que uma complementa a
outra (DAVIS, s.d.)
4.10.1. Estrutura Matricial

Para a representação de uma estrutura matricial é utilizada uma malha
quadriculada regular, onde é construída célula a célula o elemento que será
representado, estas células são conhecidas também como os pixels da imagem, cada
uma dessas células recebe uma espécie de código relacionada ao atributo que está
sendo estudado, ou seja, cada uma dessas células estão especializadas de acordo
com sua posição em coluna e linha na imagem, de modo em que seja possível para o
computador reconhecer a que elemento ou objeto pertence a célula específica
(CÂMARA e MONTEIRO, 2001).
Filho (1995) diz também que cada um desses valores de coluna e linha da
estrutura matricial pode ser associada a um par de coordenadas (X, Y) pertencentes
33
a um sistema referencial, e que o valor atribuído a cada uma das células representa o
valor atribuído ao pixel da imagem, ou seja, esse valor varia de sensor para sensor e
depende da intensidade do sinal que aquele pixel emitiu ao sensor.
4.10.2. Estrutura Vetorial

Uma estrutura vetorial pode ser representada espacialmente por pontos,
linhas e polígonos, sendo que, a estrutura primitiva é o ponto definido como um par
de coordenadas X e Y locados a um sistema de referência. A linha pode ser
considerada como sendo um conjunto de pontos interligados, e o polígono é uma
região limitada por uma ou mais linhas conectadas de tal forma em que o ponto final
de uma linha coincida com o ponto inicial da próxima (BORGES, 2002).
Dentro do SIG a estrutura vetorial representa graficamente as feições de uma
imagem ou um mapa, de maneira que não possua a existência de uma grade matricial,
é formado por linhas contínuas do início ao fim, e pode ser considerada como a forma
mais real e acurada da representação de um mapa (DAVIS, s.d.).
Para a aquisição de um vetor é possível utilizar algumas metodologias
específicas, sendo esta metodologia variável com a finalidade desta vetorização,
entretanto Silva (2007) diz que existem 2 métodos para a realização da vetorização,
estes são:
 Vetorização Manual: realizada através da utilização de uma imagem
servindo como o plano de fundo, ou seja, a vetorização é feita
desenhada sobre o objeto desejado na imagem.
 Vetorização Automática: consiste em determinar as tarefas ao
computador, de modo em que este realize a operação de vetorização
sem que o operador precise ficar interagindo diretamente no processo.
4.11. LANDSAT
Os satélites de observação da Terra foram tratados como grande ferramenta

e uma grande revolução para a tecnologia, graças as brilhantes e relevantes
pesquisas realizadas pela NASA (National Aeronautics Space Administration), que a
partir do final da década de 60 conseguiu desenvolver os primeiros projetos para a
observação de recursos terrestres. Destes trabalhos surgiu o lançamento do satélite
ERTS em 23/07/1972, que posteriormente passaria a ser chamado de Landsat – 1,
34
posteriormente lançou o landsat-2 em 1975 e o Landsat-3 em 1978, período este que

ficou conhecido como a primeira geração de satélites, dentre esta série de satélites
lançados a NASA lançou uma segunda geração de satélites, a qual foi até o Landsat-
5 lançado em março de 1984 (LANDSAT, s.d.).
De acordo com Landsat (s.d.) o Landast-5 foi o satélite com o maior tempo de
operação existente na Terra desde o seu lançamento, o mesmo só foi desativado no
final do ano de 2012, quando todas as tentativas de o manter em operação
fracassaram, porém, o landsat-5 se destaca por ter transmitido imagens da superfície
terrestre por 28 anos e 10 meses, podendo ser realizadas análises temporais desde
1984 até o ano de 2012, e por este fato é um dos sensores que mais foram utilizados
na elaboração de trabalhos e artigos acadêmicos.
Varela (s.d) destaca que o programa Landsat quase foi encerrado, pois,
durante um período na década de 80 quando os dados do programa foram vendidos
para uma empresa privada denominada EOSAT que passaria a ser responsável pela
comercialização do produto, no início da década de 90 a empresa não conseguiu
manter a distribuição dos produtos deixando em risco os dados e programa Landsat,
em 1992 a NASA em parceria com a USGS (United States Geological Survey) e com
a NOAA (National Oceanic Atmospheric Administration). Em 2013 foi lançado o
satélite da série Landsat que opera até os dias atuais, conhecido como Landsat-8
trazendo algumas vantagens em relação aos seus antecessores. As resoluções, uma
banda pancromática e os sensores são os maiores destaques nessa diferença
(KALAF et al, 2013).
As diversas etapas do Landsat, passaram por muitas mudanças e evoluções,
como no tipo do sensor, tipo de órbita, características, entre outros. Com essas
mudanças ocorreram também algumas variações nos tipos de resolução nas imagens
como por exemplo até o lançamento do landsat-3 a resolução temporal era de 16 dias,
a partir do Landsat-4 até os dias atuais passou a ser de 18 dias, sua resolução
espacial também não sofreu muitas mudanças desde os primeiros modelos foi 30
metros, porém em sua última versão foi lançada a banda pancromática com resolução
de 15 metros, e sua resolução radiométrica apenas sofreu alterações com o
lançamento do landsat-8 que passou a ter 16 bits e 65535 níveis de cinza.
No Brasil, o órgão responsável pela distribuição das imagens obtidas através
do programa Landsat é o INPE (Instituto Nacional de Pesquisas Espaciais), algumas
das especificações técnicas deste programa podem ser vistos e comparados no
35
Quadro 1, que exibe as informações das versões mais atuais (Landsat 5 até o Landsat
8) não levando em consideração as versões anteriores por serem informações antigas
e esta pesquisa leva em consideração apenas a versão do Landsat 5 em diante. Já o
Quadro 2 trata de cada uma das bandas relacionadas ao sensor específico.
Quadro 1 - Especificações Técnicas de cada versão Landsat.
Instituição NASA (National Aeronautics and Space

Responsável Administration)
País /
Estados Unidos
Região
Satélite LANDSAT 5 LANDSAT 7 LANDSAT 8
Lançamento 01/03/1984 15/04/1999 11/02/2013

Situação Inativo
Inativo (2003) Ativo
Atual 21/12/2012
Circular,
Polar, Circular Polar, Circular
Heliossíncrona
Órbita e e
e
Heliossíncrona Heliossíncrona
Descendente
Altitude 705 km 705 km 705 km
Inclinação 98,20º 98,30º 98,20º
Tempo de
Duração da 98,20 min 98,90 min 99 min
órbita
Horário de
9:45 A.M. 10:00 A.M. 10:00 A.M.
Passagem
Período de
16 dias 16 dias 16 dias
Revista
Instrumentos
MSS E TM ETM+ OLI E TIRS
Sensores
Fonte: Adaptado de UFRGS (s.d.).
36
Quadro 2 - Especificações das Resoluções em cada Sensor.

(continua)
Bandas Resolução Resolução Resolução Resolução Faixa

Sensor
Espectrais espectral Espacial Temporal Radiométrica Imageada
4 0,5 - 0,6 µm
5 0.6 - 0,7 µm
6 0,7 - 0,8 µm 80 m
MSS 0,8 - 0,11 18 dias 8 bits 185 km
7
µm
8
10,4 - 12,6
(LANDSAT 120 m
µm
3)
0,45 - 0,52
1
µm
0,50 - 0,60
2
µm
0,63 - 0,69
3 30 m
µm
0,76 - 0,90
TM 4 16 dias 8 bits 185 km
µm
1,55 - 1,75
5
µm
10,4 - 12,5
6 120 m
µm
2,08 - 2,35
7 30 m
µm
0,45 - 0,52
1
µm
0,50 - 0,60
2
µm
0,63 - 0,69
3 30 m
µm
0,76 - 0,90
4
µm
ETM+ 16 dias 8 bits 185 km
1,55 - 1,75
5
µm
10,4 - 12,5
6 60 m
µm
2,08 - 2,35
7 30 m
µm
0,5 - 0,90
8 15 m
µm
37
(conclusão)
0,433 -
1
0,453 µm
0,450 -
2
0,515 µm
0,525 -
3
0,600 µm
0,630 -
4 30 m
0,680 µm
0,845 -
OLI 5 16 dias 16 bits 185 km
0,885 µm
1,560 -
6
1,660 µm
2,100 -
7
2,300 µm
0,500 -
8 15 m
0,680 µm
1,360 -
9 30 m
1,390 µm
10,30 -
10 100 m
11,30 µm
TIRS 16 dias 16 bits 185 km
11,50 -
11 100 m
12,50 µm
Fonte: Adaptado de UFRGS (s.d.).
4.12. Programação em linguagem Python
Beltrão (2012) afirma que a linguagem Phyton vem crescendo de maneira

considerável no mercado de desenvolvimento internacional de aplicativos
computacionais, que é uma linguagem de programação de código aberto que,
portanto, permite que seus usuários reportem erros e contribuam para a melhoria e
evolução da plataforma.
A linguagem de programação Python foi desenvolvida em 1991 pelo holandês
Guido Van Rossum, com a finalidade de propiciar mais objetividade, agilidade e
facilidade na geração de produtos, tinha como finalidade a utilização por engenheiros
e físicos, e na época em que foi criada acabou sendo concebida por outra linguagem
de nome ABC (BORGES, 2010).
De acordo com Menezes (2014) sua desenvoltura em relação as demais
linguagens de programação são destacadas, pois, se utiliza de poucas linhas de
comando para a desenvoltura de um código, em muitos casos seus códigos são de 3
a 5 vezes menores que os códigos gerados pela linguagem Java e cerca de 10 vezes
38
menor que na linguagem C++. A linguagem Phyton possui uma ampla biblioteca de
funções com diversidade de utilitários poderosa e que podem se adequar a finalidade
do utilizador, é considerada uma linguagem leve e livre, portanto pode ser utilizada
por qualquer pessoa, grandes empresas da internet como: Google, DropBox e Disqus,
a utilizam. Além do que é uma linguagem interpretada por bytecode, ou seja, que se
adequa a todas as plataformas (Windows, Linux, Mac OS) sem que precise haver
qualquer alteração no código (MENEZES, 2014).
Borges (2010) retrata que a linguagem Python possui diversas estruturas de
alto nível, mas que pode trabalhar com frameworks de outros softwares que podem
ser acrescidos. Além do que a linguagem pode ser utilizada como linguagem script, o
que permite a automatização de algumas tarefas, bem como a adição de novas
funcionalidades.
4.12.1. Biblioteca GDAL
O GDAL (Geospatial Data Abstraction Library) é uma biblioteca da linguagem
Python constituída por um conjunto de ferramentas usadas em uma janela de
comandos, que é utilizada em várias ferramentas open source, suas aplicações são
voltadas ao trabalho com imagens, onde se pode destacar: a listagem de informações,
conversões de 24 bits para 8 bits ou vice-versa, criação de índices de imagens, criação
de mosaico de imagens, transformação entre sistema de coordenadas, criação de
matriz a partir de um conjunto de pontos por interpolação espacial, entre outros
(GDAL, s.d.).
5. METODOLOGIA
Dentro dessa seção será descrita toda a metodologia preliminar visando

atingir o objetivo do trabalho que é a extração automática de vetores em imagens
orbitais e posterior análise temporal de variação da área de um trecho do Rio
Paranapanema.
5.1. Área de Estudo
Escolheu – se a área de estudo analisando um corpo hídrico em que fosse

possível visualizar a aplicação da técnica. Sendo assim, escolheu-se um corpo d’água
que sofreu alterações com a construção de uma barragem em seu percurso, sabendo-
se da alteração que aquela região sofreu com a expansão do rio.
39
O corpo hídrico escolhido para a aplicação da técnica, foi o Rio

Paranapanema (Figura 13). O mesmo possui aproximadamente 929 km de extensão,
com nascente localizada na serra dos Agudos Grandes em São Paulo e sua foz no
Rio Paraná, o Rio Paranapanema é característico por ser a fronteira entre o estado
de São Paulo e o estado do Paraná. De acordo com o Comitê da Bacia Hidrográfica
do Paranapanema o rio é responsável por uma grande integração entre os dois
estados, fazendo com que haja grande identidade cultural, social, ambiental, etc. O
rio possui grande contribuição na agricultura por sua potencialidade de irrigação e
excelência de seus solos.
Figura 13 - Mapa de Localização das Barragens de Rosana e Taquaruçu.
Fonte: Autor (2018).
Além destas contribuições para os dois estados, o Rio Paranapanema possui

um dia próprio comemorado no dia 27 de agosto, e é considerado como o rio menos
poluído do estado de São Paulo. O grande destaque do Rio Paranapanema é ser visto
como um corpo d’água com grande capacidade de produção de energia, tanto que ao
40
longo de seu percurso estão situadas 8 barragens de Usinas Hidrelétricas, estas são:
Usina Hidrelétrica de Jurumim, Usina Hidrelétrica de Chavantes, Usina Hidrelétrica de
Salto Grande, Usina Hidrelétrica de Canoas I, Usina Hidrelétrica de Canoas II, Usina
Hidrelétrica de Capivara, Usina Hidrelétrica de Taquaruçu e Usina Hidrelétrica de
Rosana.
Para a realização deste estudo, analisou-se o trecho do rio que passa pelas
barragens de Taquaruçu e Rosana respectivamente, região que está compreendida
entre as coordenadas 22° 34' 01" S e 52° 56' 39" O e 22° 37' 04" S e 51° 47' 31" O.
A Barragem de Taquaruçu está situada no trecho do rio entre os municípios
Sandovalina – SP e Itaguajé – PR, é considerada como a segunda maior usina que
se utiliza do rio no sentido de geração de energia, teve o início de suas obras no ano
de 1980 mas só foi inaugurada no ano de 1992 e entrou em operação apenas entre
os anos de 1994 e 1996.
Já a Barragem de Rosana é caracterizada por ser a última das barragens
presentes no rio antes de desaguar no Rio Paraná, está localizada entre os municípios
de Rosana -SP e Diamante do Norte – PR teve suas obras iniciadas em 1980 assim
como a de Taquaruçu, porém foi inaugurada e iniciou suas atividades no ano de 1987.
Ambas as usinas são gerenciadas pela empresa CTG Brasil, antiga Duke Energy, uma
empresa chinesa centenária que administra usinas hidrelétricas e que decidiu investir
no Brasil nas usinas ao longo do Rio Paranapanema.
5.2. Materiais Utilizados
Para a realização do presente trabalho estão listados abaixo os materiais que

foram utilizados:
 Imagens do satélite Landsat 5, sensor TM referentes a área de estudo
com a órbita/ponto (223/076), adquiridas através do Catálogo de
Imagens do INPE nas datas de 15/06/1986 e 03/05/2011, com
especificações demonstradas no Quadro 1 e no Quadro 2;
 Notebook;
 Software de SIG, para este caso Qgis 2.8.9;
 Software Google Earth Pro;
 Sofware Matlab R2016a; e
 Software Phyton 2.7.
41
5.3. Metodologia Utilizada
A metodologia proposta consiste em analisar a variação de área de corpos

hídricos. Para este caso será analisado um trecho do Rio Paranapanema, a partir de
vetores extraídos de forma automatizada tendo como base imagens orbitais,
buscando com este estudo, principalmente, analisar a efetividade da técnica em
relação ao estudo de rios, e posteriormente executar este processo para outros tipos
de análises, obtendo através disso uma nova metodologia para análises temporais de
corpos d’água. A metodologia seguiu os passos do fluxograma exibido na Figura 14.
Figura 14 - Fluxograma de etapas da metodologia.
Fonte: Autor (2018)
As imagens foram adquiridas através do catálogo de imagens da DGI (Divisão

de Geração de Imagens) do INPE, que é o responsável por disponibilizar todo o acervo
de imagens do Landsat no Brasil, cujo o mesmo possui a disponibilidade de imagens
tanto dos satélites Landsat, desde os primeiros da série, até a versão mais atual que
é o Landsat-8, quanto de outras plataformas de satélites como CBERS, ResourceSat
1 e 2, Aqua, entre outros, de maneira gratuita. Entre as diversas opções fornecidas
pela plataforma foi escolhida para o presente trabalho imagens do Satélite Landsat 5,
pois, seu acervo contém imagens das épocas escolhidas.
A cena escolhida para área de estudo, possui uma variação temporal de 25
anos (06/1986 a 05/2011). Tais datas foram escolhidas devido ao fato de a barragem
ter iniciado seu projeto em 1980, e as mudanças serem mais perceptíveis analisando
42
uma imagem dessa década, comparada a uma mais atual capturada pelo mesmo
sensor. As bandas adquiridas foram apenas as que seriam utilizadas para a operação
e posterior aplicação, tais bandas foram: 02 e 04 que correspondem a região do visível
na cor verde e a região do infravermelho próximo, respectivamente. As imagens estão
devidamente registradas ao datum de referência global WGS 84, com a projeção
UTM, zona 22 S.
Com posse das imagens, foi possível analisar, que a cena, obtida pelo sensor
Landsat 5, é muito maior que a área de estudo, notando-se que a imagem possuía um
tamanho de 8005 x 6725 pixels (vide Figura 15.a que representa a banda do verde e
a Figura 15.b que representa a banda do infravermelho próximo para o ano de 1986),
tornando o processo lento e demorado. Visando a agilidade do processo, devido ao
fato do algoritmo realizar a operação pixel a pixel na matriz de ND (número digital) da
imagem, fez-se necessário a realização de um recorte na imagem a partir da
determinação de pontos com coordenadas conhecidas. Para tal etapa utilizou-se o
software Google Earth Pro, onde foram inseridos pontos de acordo com a área de
interesse, os mesmos formaram uma camada vetorial do tipo polígono em formato
retangular com o intuito de destacar apenas a área de estudo. As coordenadas destes
pontos podem ser vistas na Tabela 1.
Figura 15 - Imagens Originais referentes ao ano de 1986 onde (a) representa a banda do verde e (b)
representa a banda do infravermelho próximo.
(a) (b)
43
Tabela 1 - Coordenadas Pontos de Recorte

PONTO X Y
P1 227637,00 7541315,00
P2 432290,00 7541315,00
P3 227637,00 7481545,00
P4 432290,00 7481545,00
Para a operação do recorte, foi utilizado o software Qgis, através da função

cortador de imagens, e com a opção de recortar a imagem a partir de uma camada
vetorial. Para tal etapa utilizou-se o polígono formado com os pontos definidos no
Google Earth, e as imagens correspondentes as bandas adquiridas, tanto para o ano
de 1986, quanto para o ano de 2011. Após o recorte a imagem destacou a área de
interesse, e com o tamanho reduzido para 6822 x 1992 pixels.
Após toda a preparação da imagem, iniciou-se os trabalhos com a linguagem
Python. Iniciou-se a implementação do algoritmo com a cena de 1986, realizando a
leitura pixel a pixel e identificando cada elemento da matriz (vide seção 4.9). Importou-
se as duas bandas, correspondente as bandas do verde e do infravermelho próximo,
do sensor Landsat 5, para após as leituras das matrizes, aplicar o método de extração
dos corpos d’água, através do método NDWI.
Para a aplicação do NDWI foi utilizada a Equação 1, nota-se que para esta
operação ser realizada, a leitura tem que ser pixel a pixel da imagem, ressaltando-se
que as imagens presentes possuem 8 bits, ou seja, possuem até 256 níveis de cinza.
Com a aplicação do NDWI foi gerado uma matriz, em que seus elementos são
considerados do tipo double (decimais ou dito não inteiros), ou seja, nenhum pixel
estará com seu valor de ND que deveria estar assumindo para uma imagem de 8 bits,
sendo necessária a aplicação da normalização de imagens, para a compatibilização
dos bits para a visualização da imagem. A Figura 16 representa as bandas utilizadas
para a técnica do NDWI referentes ao ano de 2011, assim como também demonstra
como ficaram as imagens após o recorte, para tal se faz uso da banda que representa
a região visível na cor verde (Figura 16.a) e a banda da região do infra-vermelho
próximo (Figura 16.b).
44
Figura 16 - Bandas 02 (a) e 04 (b) respectivamente no ano de 2011.
(a)
(b)
Fonte: Autor (2018)
É válido ressaltar que o Rio, objeto de estudo, encontra-se postado na

horizontal da imagem. O recorte realizado na imagem original visou pegar o ponto
mais extremo da barragem de Taquaruçu até sua foz no Rio Paraná.
Para a etapa da normalização de imagens, foram realizadas primeiramente a
identificação do menor e do maior valor presente na matriz, de valores decimais,
obtidos pela equação do NDWI. De posse dessa informação realizou-se uma
operação, onde os valores de máximo e de mínimo, encontrados na matriz, que forma
a imagem do NDWI, assumam seus respectivos valores de ND em uma nova imagem,
representando o valor mínimo como 0 e o máximo como 255, interpolando o restante
dos valores dentro desta escala. A Equação 2 demonstra como foi realizada esta
operação para que a matriz fosse normalizada.
(255∗(max − 𝑃𝑖𝑥𝑒𝑙))
𝑁𝐷𝑊𝐼𝑛𝑜𝑟𝑚 = (255 − ) (2)
(max − min)
Onde:
𝑁𝐷𝑊𝐼𝑛𝑜𝑟𝑚 = Matriz de saída do NDWI após a aplicação da equação;
max = valor máximo identificado na matriz de valores decimais do NDWI;
min = valor mínimo identificado na matriz de valores decimais do NDWI;
Pixel = representa a posição de cada um dos valores da matriz, pelo qual
a equação deve percorrer.
45
Obtendo o produto do NDWI normalizado e assumindo assim a imagem seu

respectivo valor para uma imagem de 8 bits, a próxima etapa consiste em encontrar
um limiar para que seja realizada a filtragem dos pixels, de modo em que se possa
destacar o Rio do restante da imagem. Este limiar irá representar todos os ND’s que
pertencem aos corpos d’água, destacados pelo método NDWI. Para encontrar este
limiar foi utilizado o próprio QGIS, onde foram analisados todos os pixels que se
encontravam presentes no percurso do Rio e principalmente os de suas margens.
A utilização do Qgis se dá pelo simples fato de o mesmo possuir como uma
de suas ferramentas o complemento value tool, que é uma ferramenta excelente na
identificação dos pixels da imagem inserida, bastando apenas movimentar o cursor
pela imagem. Para a realização desta análise foram coletados 5 valores, de forma em
que fosse possível a comprovação de qual o melhor valor a ser utilizado, bem como
validar a comprovação a partir do controle de qualidade. Estes valores foram obtidos
a partir das bordas do Rio Paranapanema, onde há uma brusca variação entre os
valores de ND’s, representando assim os corpos d’água e seu leito.
Os limiares definidos para a realização do controle de qualidade ficaram no
intervalo entre os valores de ND, 165 e 185, para as duas imagens, pois, só é possível
comprovar a qualidade do produto gerado, se for utilizado o mesmo intervalo de
limiares para os dois anos.
De posse do valor do limiar continuou-se o processo da automatização do
método. O limiar foi utilizado para a binarização da imagem, destacando assim, o rio
de outros objetos presentes na imagem. Sendo assim foi inserida a condição de que
todos os valores presentes na matriz da imagem que estivessem abaixo do valor
limiar, receberiam automaticamente o valor 0, ou seja, ficariam na cor preta, bem como
todos os valores que estivessem iguais ou acima do valor do limiar receberiam o valor
255, ou seja, branco, em uma escala de 8 bits.
Posteriormente a etapa de binarização, e de posse da imagem binarizada,
iniciou-se a etapa de vetorização automática, que consistiu em inserir no código uma
nova condição, identificar os pixels que estavam com a cor branca delimitando o corpo
d’água, e os transformar para um arquivo de formato vetorial, havendo a possibilidade
da exportação deste arquivo para a utilização do mesmo em softwares de SIG como
Qgis e Arcgis. A vetorização se deu pela segmentação por similaridade dos pixels,
onde a partir da identificação de um pixel na tonalidade branca, ocorreria a geração
do contorno ao agrupamento encontrado, salvando o vetor em formato shapefile,
46
juntamente com seus arquivos de metadados e seus atributos geoespaciais, o

validando para ser utilizado em qualquer software de SIG. Após a extração do vetor,
realizou-se os mesmos procedimentos para a imagem do ano de 2011.
Concluída a etapa da vetorização automática, para ambas imagens, visando
concretizar e comprovar a qualidade do produto, realizou-se a aplicação de um
controle de qualidade, de modo em que se comprovou que o produto gerado pode ser
utilizado para fins de estudos e análises. Para o início deste controle realizou-se uma
vetorização manual através do software Qgis, tanto para a imagem de 1986 quanto
para a imagem de 2011, esta vetorização foi realizada sobre o produto gerado com a
aplicação do NDWI.
Sendo assim o controle de qualidade foi baseado em uma comparação
utilizando os vetores gerados a partir dos 5 limiares pré-definidos na etapa de
filtragem, onde os produtos gerados automaticamente foram comparados com o
produto obtido manualmente, e esta comparação tem como parâmetro a quantidade
de pixels acertados pelo vetor gerado automaticamente, inseridos dentro do limite do
vetor manual.
Para tal procedimento utilizou-se o software Qgis, extraindo do produto a
informação da quantidade de pixels que o vetor automático não conseguiu atingir ao
limite do vetor manual. De posse da quantidade de pixels que foram extraídos de
forma errônea, foi possível, através de uma subtração simples, obter quantos pixels
foram considerados extraídos de forma correta pelo algoritmo.
Após comprovada a qualidade dos produtos obtidos, realizou-se a última
etapa desta pesquisa, que consiste na análise da variação de área de um trecho do
Rio Paranapanema com a construção das barragens das Usinas Hidrelétricas de
Rosana e Taquaruçu, para tal análise foram utilizados os vetores gerados
automaticamente nos anos de 1986 e 2011, e comparadas as áreas que estes vetores
compreendem, obtendo como resultado final a diferença entre as áreas.
6. RESULTADOS E DISCUSSÕES
Dentro deste tópico serão apresentados todos os resultados obtidos em cada

etapa com o processamento dentro da programação em Python, bem como o
resultado do controle de qualidade e o resultado da variação de área de um trecho do
Rio Paranapanema, advindo da comparação entre os vetores extraídos de forma
automatica.
47
6.1. NDWI
Como primeiro resultado é apresentado o produto obtido após a aplicação do

NDWI, vale levar em consideração a função principal desta técnica que é justamente
realçar os corpos hídricos presentes na imagem, para uma melhor visualização. A
Figura 17 e a Figura 18 representam os resultados do NDWI para os anos de 1986 e
2011, respectivamente.
Figura 17 - NDWI aplicado a imagem de 1986.
Figura 18 - NDWI aplicado a imagem de 2011.
Analisando a figura é possível perceber que o NDWI é uma técnica que já

consegue realçar o Rio de uma forma considerável, visto que nas duas bandas
originais o rio aparece escuro. A Banda 04, que corresponde ao infravermelho
próximo, possui uma visualização do corpo d’água melhor que na Banda 02,
corresponde a banda do verde, onde nesta, a visualização dos corpos d’águas
presentes na imagem, torna-se mais dificultosa, devido ao menor comprimento de
onda da banda, fazendo com que a radiação eletromagnética se interaja mais com os
corpos d’água, comparado aos comprimentos de onda da Banda do infravermelho
próximo. Portanto a aplicação do NDWI é de suma importância para este trabalho,
48
visto que este realce do rio facilita na implementação do código, bem como agiliza o
trabalho no todo.
6.2. Imagem Binarizada
A etapa de binarização da imagem, após a geração do NDWI e da

normalização da imagem, iniciou-se após a determinação dos limiares. A Figura 19 e
a Figura 20 representam a binarização aplicada, a partir de um limiar, destacando os
corpos d’água do restante da imagem.
Figura 19 - Binarização aplicada a imagem de 1986.
Figura 20 - Binarização aplicada a Imagem de 2011.
Com a implementação do filtro é nítido o destaque do corpo d’água, tornando

satisfatório para a continuidade do trabalho, tão satisfatório que na imagem de 2011
é possível até mesmo a visualização da presença das barragens e das estradas que
cortam o trecho do rio (Figura 21).
49
Figura 21 – Destaque das barragens na imagem binarizada onde em (a) está exibida a barragem de
Rosana e em (b) está a barragem de Taquaruçu.
(a) (b)
6.3. Geração do Vetor

Após aplicada a filtragem da imagem e gerado seu produto, foi possível
realizar a etapa da extração do vetor. Os contornos demonstrados na Figura 22 e na
Figura 23 foram gerados a partir da segmentação, delimitando apenas os pixels com
a tonalidade branca.
Figura 22 - Segmentação da imagem de 1986.

50
Figura 23 - Segmentação da imagem de 2011.
A partir das Figuras 22 e 23 torna-se possível analisar que com a

segmentação, o contorno foi bem realizado em torno do Rio Paranapanema, inclusive
delimitando onde haviam as barragens como demonstrado no tópico 6.2. Também é
possível notar que é realizado o contorno de todos os pixels que se encontravam na
tonalidade branca na imagem filtrada, o que é considerado de grande eficiência do
programa. É válido ressaltar que o produto de interesse do trabalho corresponde
apenas ao vetor do Rio Paranapanema, dessa forma a análise foi feita somente em
relação aos contornos gerados sobre esse produto.
6.4. Controle de Qualidade
Com a aplicação do controle de qualidade foi possível verificar a acurácia do

produto gerado, sendo esta etapa de suma importância para a comprovação e
validação do produto. O Gráfico 1 e o Gráfico 2, retratam a porcentagem de acertos
de cada vetor extraído de forma automática, a partir dos 5 limiares pré-definidos,
comparado ao vetor manual. Vale ressaltar que devido a técnica de extração
automatizada não ser uma técnica comumente utilizada nos estudos, não existe um
padrão para a realização deste controle, essa técnica foi utilizada para nível de
conhecimento e aprimoramento do quanto se aproximaria de uma vetorização feita
manualmente.
51
Gráfico 1 - Acertos, para cada limiar da extração dos corpos d’água, na Imagem de 1986.
Acertos Imagem 1986

98
96
94
92
90
(%)
88
86
84
82
80
165 170 175 180 185
Limiar
Gráfico 2 – Acertos, para cada limiar da extração dos corpos d’água, na Imagem de 2011.
Acertos Imagem 2011

97
96
95
94
(%)
93
92
91
90
89
165 170 175 180 185
Limiar
É possível observar, a partir dos gráficos, que o comportamento dos dois são
muito semelhantes, vide o decrescimento do número de acerto de acordo com o
aumento do limiar, pode-se constatar que o limiar 165 teve uma porcentagem de
acertos considerável, assim como o limiar 170 atingido porcentagem de acertos acima
dos 95%. Somente retificando que este limiar representa o ND correspondente ao
valor de ND dos corpos d’água retirados da imagem resultante do método NDWI.
De posse das informações, para a escolha do limiar, foram utilizados dois
critérios, o primeiro levando em consideração a porcentagem de acerto em relação a
52
vetorização manual, e o segundo consistiu em visualizar na imagem, se a partir da

binarização dos pixels, não englobariam um pixel indesejado, como o de uma ponte
ou o da própria barragem. O valor que atendeu as duas condições para as duas
imagens foi o do limiar 170, pois por mais que o limiar 165 apresentou mais acertos,
o mesmo omitiu construções importantes, como as barragens, algumas estradas e
pontes.
6.5. Análise da Variação de Área

Chegando ao resultado final obtém-se como produto gerado uma tabela
contendo os valores das áreas ocupadas pelo rio em 1986 e em 2011, e o resultado
da diferença entre as mesmas decorrente da variação do rio. A Figura 24 demonstra
como ficaram dispostos os vetores referentes as duas épocas, bem como a Tabela 2
demonstra a área em km² para os dois anos, e sua respectiva variação.
Figura 24 - Comparação entre os dois vetores.
Tabela 2 - Variação de Área.

Análises Área (km²)
Rio Paranapanema 1986 73,6321
Rio Paranapanema 2011 263,0354
Variação 189,4033
A partir da Figura 24 que mostra apenas um trecho do rio, por questão de uma
melhor visualização, já é perceptível a expansão causada ao rio devida a construção
das barragens, mas só a partir da Tabela 2 é possível obter os dados quantitativos da
área abrangida pelo rio, que sofreu um aumento. Analisando os dados, percebe-se
53
que os números representam um valor expressivo de área e vegetação perdida por

conta destas construções. A Figura 25 demonstra um mapa de kernel elaborado a fim
de exibir as áreas que mais sofreram com a expansão da área ocupada pelo rio.
Figura 25 -: Mapa de Kernel.
A partir da visualização do Mapa de Kernel, para a região, foi constatado o

que já era esperado, a região mais afetada pela expansão de área é justamente onde
se encontram as barragens, tais resultados já eram de se esperar, pois são onde se
encontram os seus respectivos reservatórios. Com destaque maior para a expansão
da área na região onde se encontra a barragem de Rosana. A aplicação da técnica
de mapa de Kernel foi de suma importância, visto que foi possível a identificação das
áreas que mais se prejudicaram com a instalação das barragens.
7. CONSIDERAÇÕES FINAIS
Em vista dos argumentos apresentados, é possível analisar que as ciências
cartográficas englobam um vasto campo de áreas de atuação, onde cada qual pode
54
trabalhar com a mesma área de diversas maneiras. As técnicas de programação estão

sendo cada vez mais utilizadas para aplicações nestas ciências, porém poucos
trabalhos e pesquisas são desenvolvidos neste ramo. Sendo assim, deve-se atentar
mais para a programação como sendo uma ferramenta muito útil, não apenas para
aplicações em SIG ou Sensoriamento Remoto, mas também para Geodésia,
fotogrametria, topografia, entre outras inúmeras áreas.
O grande crescimento da era digital contribuiu para o melhoramento do
processo de extração vetorial automatizada, de forma geral, como forma de agilizar o
processo de análises em Imagens de Satélite, mas não apenas isso, é também uma
maneira de fazer com que se ganhe tempo sem que haja perda na qualidade durante
a execução de um trabalho, já que a vetorização manual dependendo do tamanho do
objeto ao qual se deseja vetorizar, demora horas ou até mesmo dias para a
finalização.
As análises em corpos d’água se mostraram de grande eficiência, vide o
controle de qualidade realizado se comparado a uma vetorização manual. Mesmo com
um intervalo de 5 limiares a porcentagem de erros não superou os 10%, considerando
o resultado extremamente satisfatório. A aplicação no estudo da expansão de um
trecho do Rio Paranapanema também foi de suma importância para visualizar a
aplicação da técnica em um estudo de caso, onde foram obtidos resultados muito bons
e próximos dos reais. Comprovando que é possível utilizar a vetorização automatizada
para a realização de determinadas análises, dependendo da necessidade de precisão
do trabalho.
A partir dos resultados obtidos, pode-se considerar que os objetivos, tanto
gerais quanto específicos, desta pesquisa foram atingidos com êxito, pois foi possível
analisar a expansão da área recoberta de um trecho do Rio Paranapanema de
maneira eficiente, além do que se torna aberto um leque de opções para a utilização
de técnicas de programação na aplicação em imagens digitais. E o processo
automatizado quando comparado ao manual se mostrou mais ágil, tendo em vista o
tempo de 2 horas levado para a produção da vetorização manual para a confirmação
do controle de qualidade, sendo o processo automático realizado em questão de
minutos.
Com o resultado da aplicação foi possível observar a grande mudança no
entorno de uma região causado pela construção de barragens no percurso do rio, com
a perda de uma área de 189,4033 km², o que acarreta uma série de fatores e perdas,
55
que muitas vezes não justificam a instalação de tal. Sendo assim a aplicação da
extração automática de corpos d’água, pode futuramente ser também utilizada na
identificação de outros tipos de área, como: solo, vegetação, núcleos urbanos, etc,
dependendo da necessidade e de revisões bibliográficas para a aplicação.
Outro ponto que se destaca na pesquisa é que a técnica aplicada a imagens
de melhor resolução espacial, pode reagir de maneira ainda mais satisfatória, visto
que as imagens do Landsat 5 possuem resolução espacial baixa. Com a melhora na
resolução, melhor seria definido o limiar para aplicação da binarização e posterior
segmentação, o que poderia definir um resultado ainda mais preciso.
Desta forma pode-se considerar que a ferramenta é uma boa aplicação para
fins acadêmicos, profissionais, de gestão e até mesmo de planejamento, podendo
esta informação ser repassada para os órgãos públicos que necessitem de
informações semelhantes, para prefeituras visto o grande caso de alagamentos por
conta de chuvas e outros fatores, bem como serviria para alunos tanto de áreas afins
como de áreas distintas para servir de base ou mesmo de fonte de informação para
outros estudos. Cidades em áreas costeiras, podem comparar uma extração dos seus
corpos d’águas em épocas de grandes chuvas com épocas de estiagem, e verificar o
volume alagado.
56
REFERÊNCIAS BIBLIOGRÁFICAS
ARAÚJO, C. A. S. Aplicação de técnicas de Sensoriamento Remoto na análise multitemporal do

ecossistema manguezal na Baixada Santista - SP. 2010. 114 f. Dissertação (Mestrado em Ciências
na área de Oceanografia Química e Geológica) – Programa de Oceanografia Química e Geológica do
Instituto Oceanográfico da Universidade de São Paulo, São Paulo, SP, 2010.
BALAN, A. G. R. Técnicas de Segmentação de Imagens Aéreas para a Contagem de População
de Aves. 2003. 88 f. Dissertação (Mestrado em Ciências da Computação e Matemática Computacional)
- Curso de Ciência da Computação da Universidade de São Paulo, São Carlos, SP, 2003.
BATISTA, B. M. F. et al. Revisão dos Impactos Ambientais gerados na ase de instalação das
Hidrelétricas: uma análise da sub-bacia do Alto Juruena - MT. Biodversidade, Cuiabá - MT, v. 11,
n. 1, p.69-85, 2012.
BATISTA, G. T.; DIAS N. W. Introdução ao Sensoriamento Remoto e Processamento Digital de
imagens. Taubaté, SP, 2005.
BATISTA, L. V. Introdução ao Processamento Digital de Imagens. 2005. Notas de aula.
Mimeografado.
BELTRÃO, É. T. Automação no Processo de Vetorização de Áreas de Interesse e Buffer Variado
sobre Imagens de Satélite. 2012. 74 f. Dissertação (Mestrado em Geomática) – Programa de Pós-
Graduação em Geomática, Área de Concentração em Tecnologia da Geoinformação, Universidade
Federal de Santa Maria - UFSM, Santa Maria - RS, 2012.
BORGES, K. A. V. Modelagem de Dados Geográficos. Curso de Especialização em
Geoprocessamento, 2002. Notas de Aula. Universidade Federal de Minas Gerais – UFMG.
BORGES, L. B. Python para desenvolvedores. 2. ed. Rio de Janeiro: Autor, 2010. 360 p.
CÂMARA, G.; MONTEIRO, A. M. V. Conceitos Básicos em Geoinformação. In: CÂMARA, G.; DAVIS,
C.; MONTEIRO, A. M. V. (Org). Fundamentos de Geoprocessamento. São José dos Campos, SP:
Instituto Nacional de Pesquisas Espaciais, INPE, 2001. 345 p.
CHAGAS, E. M. P. F.; RODRIGUES, D. L.; TAVARES, J. M. R. S. Método de Segmentação de
Objetos em Imagens Baseado em Contornos Activos e Algoritimo Genético. In: Congreso de
Métodos Numéricos en Ingeniería, 1., 2009, Barcelona. Anais... Barcelona: Semni, 2009. p. 491 - 507.
CHIPANA, F. E. A.; IANO, Y. Segmentação de Imagens: abordagens para reconhecimento de
placas de veículos. In: VII Simpósio de Instrumentação e Imagens Médicas, 2012,
Campinas. Proceedings... Campinas: Unicamp, 2012. p. 5 – 10.
COLITO, M. C. E. A construção de Usinas Hidrelétricas e os impactos sobre a população e o
espaço: Comunidades Rurais Ameaçadas Pela U.H. De Jataizinho - Rio Tibagi. In: VI Congresso
de Ciências Humanas Letras E Artes, 1999, Viçosa - Mg. Anais... Viçosa: UFMG, 1999.
CRÓSTA, A. P. Processamento Digital de Imagens de Sensoriamento Remoto. Campinas:
Unicamp, 1992. 154 p.
DAVIS, B. E. Dados Matriciais (Raster) e Dados Vetoriais (Vetor). Curso de Engenharia Cartográfica.
[20--?]. Notas de Aula. Universidade Federal do Paraná.
DI MAIO, A. et al. Sensoriamento Remoto: Formação Continuada de Professores. São Paulo - SP:
USP, 2008. 48 p.
FELGUEIRAS, C. A. Filtragens Espaciais. Notas de aula. Instituto Nacional de Pesquisas Espaciais
– INPE. 2007. Disponível em:< http://www.dpi.inpe.br/~carlos/Academicos/Cursos/Pdi/pdi_filtros.htm>
Acesso em: 05 mar. 2018.
FERREIRA, N. C. Apostila de Sistema de Informação Geográfica. Curso de Tecnologia em
Geoprocessamento. 2006. Notas de Aula. Centro Federal de Educação Tecnológica de Goiás.
FIGUEIREDO, D. Conceitos básicos de Sensoriamento Remoto, Companhia Nacional de
Abastecimento – CONAB. Brasília, DF. 2005.
FILHO, J. G. Introdução a SIG – Sistema de Informações Geográficas. 1995. 69 f. Trabalho
Individual I (Curso de Pós-Graduação em Ciência da Computação), Porto Alegre, RS, 1995.
57
FILHO, O. M.; NETO, H. V. Processamento Digital de Imagens. Rio de Janeiro – RJ: Brasport, 1999.
331 p.
FONSECA, F. B. Infravermelho. Disponível em: <https://www.gta.ufrj.br/grad/06_2/fabio/>. Acesso
em: 21 set. 2017.
FRANÇA, A. M. S. Aplicação de sensoriamento remoto no estudo da influência da dinâmica
sazonal do rio amazonas sobre a morfologia dos sistemas lacustres. 2005. 122 f. Dissertação
(Mestrado do Curso de Pós-Graduação em Sensoriamento Remoto) - Curso de Pós-graduação em
Sensoriamento Remoto do Instituto Nacional de Pesquisas Espaciais, São José dos Campos, SP, 2005.
GDAL - Geospatial Data Abstraction Library [20--]. GDAL. Disponível em: < http://www.gdal.org/>.
Acesso em: 12/02/2018.
GONZALEZ, R. C.; WOODS, R. E. Processamento Digital de Imagens. 3. ed. São Paulo - SP:
Pearson Education, 2009. 624 p.
KALAF, R. et al. Landsat 8: Avanços para mapeamento em mesoescala. In: Congresso Brasileiro
de Geoprocessamento. 2013, Rio de Janeiro. Anais... Rio de Janeiro: CBG, 2013.
LANDSAT Science History As [20--]. Disponível em: <
https://earthobservatory.nasa.gov/Features/Landsat/landsat2.php>. Acesso em: 21/02/2018.
MADRUGA, P. R. A. Uma abordagem prática no levantamento florestal. In: Simpósio de
Geoprocessamento e Sensoriamento Remoto,1, 2002, Aracaju. Anais... Aracaju:2002. 53 p.
MELO, D. H. C. T. B. Uso de dados Ikonos II na análise urbana: testes operacionais na zona leste
de São Paulo. 2002. 146 f. Dissertação (Mestrado do Curso de Pós-Graduação em Sensoriamento
Remoto) – Curso de Pós-Graduação em Sensoriamento Remoto do Instituto Nacional de Pesquisas
Espaciais, São José dos Campos – SP, 2002.
MENESES, P. R.; ALMEIDA, T. Introdução Ao Processamento De Imagens de Sensoriamento
Remoto. Brasília, DF: UNB, 2012. 276 p.
MENEZES, N. N. C. Introdução à Programação com Python: Algoritmos e lógica de programação
para iniciantes. 2. ed. São Paulo: Novatec, 2014. 328 p.
MOREIRA, M.A. Fundamentos de Sensoriamento Remoto e Metodologias de Aplicação. 3. ed.
Viçosa: UFV, 2007, 320p.
NOVO, E. M. L. de M.; PONZONI, F.J. Introdução ao Sensoriamento Remoto. São José dos Campos
- SP, 2001. 68p.
NOVO, E. M. L. M. Sensoriamento Remoto: Princípios e Aplicações. 4. ed. São Paulo: Blucher,
2010. 388p.
PÁSSARO, N. M. C.; FARIA, N. M. de. Filtragem de Imagens Fixas. Curso de Licenciatura em
Engenharia Eletrotécnica e de Computadores. 2007. Notas de Aula. Faculdade de Engenharia da
Universidade do Porto – Portugal.
PEDRINI, H.; SCHWARTZ, W. R. Análise de Imagens Digitais: Princípios, Algorítimos e
Aplicações. São Paulo: 1. ed. Thomson Learning, 2008. 528 p.
PIRES, C. V.; BARCELOS, C. A. Z. Filtros de Suavização para a eliminação de Ruídos e Detecção
de Bordas. In: I CONPEEX. 2004. Catalão – GO. Anais... Catalão:2004.
QUEIROZ, J. E. R. de; GOMES, H. M. Introdução ao Processamento Digital de Imagens. Porto
Alegre: RITA, v. 13, n. 2, p.11-42, jul. 2006. Anual.
SALLES, R. N. et al. Registro Automático de Imagens SAR Interferométricas. Revista Brasileira de
Cartografia, São José dos Campos - SP, v. 4, n. 64, p.451-463, abr. 2012.
SILVA, F. G.; CARNEIRO, C. D. R. Geotecnologias como recurso didático no ensino de geografia:
experiência com o Google Earth. Caminhos de Geografia, Uberlândia - MG, v. 13, n. 41, p.329-342,
mar. 2012.
SILVA, R. R de. Aplicação de Imagens Orbitais de Alta Resolução Espacial no Cadastro Técnico
Rural Multifinalitário. 2007. 139 f. Dissertação (Mestrado em Sensoriamento Remoto) Programa de
Pós-Graduação em Sensoriamento Remoto. Universidade Federal do Rio Grande do Sul, UFRGS,
Porto Alegre, 2007.
58
SOBRAL, J. L. Visão por Computador. Braga - PT: Uminho, 2002. Disponível em:
<http://gec.di.uminho.pt/lesi/vpc0304/Aula07Segmentação.pdf>. Acesso em: 12 out. 2017.
STEFFEN, C. A. Introdução ao Sensoriamento Remoto. Disponível em:
<http://www3.inpe.br/unidades/cep/atividadescep/educasere/apostila.htm>. Acesso em: 02 dez. 2017.
STRAUCH, J. C. M.; SOUZA, J. M. de. Os Sistemas de Informações Geográficas: Conceitos e
aplicações: Uma metodologia para implantação de sistemas de informações geográficas. In:
NAJAR, A. L.; MARQUES, E. C (Org.). Saúde e Espaço: Estudos metodológicos e técnicas de
análise. Rio de Janeiro: FIOCRUZ, 1998. Cap. 2. p. 109-124.
VARELA, A. G. Landsat [20--]. Sistemas de Comunicación via Satelite. 40 p.
XU, H. Modification of Normalized Difference Water Index (NDWI) to enhance open water features
in remotely sensed imagery. International Journal Of Remote Sensing. Fuhzou, p. 3025-3033. 20 jul.
2006.

Nunes de Abreu 2018

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

Nunes de Abreu 2018

Enviado por

Direitos autorais:

Formatos disponíveis

^

WELLINGTON WAGNER NUNES DE ABREU

EXTRAÇÃO VETORIAL AUTOMÁTICA DE CORPOS D’ÁGUA A

EXTRAÇÃO VETORIAL AUTOMÁTICA DE CORPOS D’ÁGUA A

Trabalho de conclusão de curso

Orientador: Me. Carlos Rodrigo Tanajura

Extração vetorial automática de corpos d’água a partir de imagens orbitais.

Trabalho de Conclusão de Curso (Graduação em Engenharia Cartográfica e de

Orientador: Carlos Rodrigo Tanajura Caldeira.

1. Sensoriamento Remoto 2. Sistema de Informações Geográficas 3. Python

Palavras Chave: Sensoriamento Remoto, SIG, Python, Dados Vetoriais.

Keywords: Remote Sensing, GIS, Python, Vector Data.

EMBRAPA - Empresa Brasileira de Pesquisa Agropecuária

4. FUNDAMENTAÇÃO TEÓRICA ................................................................... 18

4.1. Imagens obtidas por técnicas de Sensoriamento Remoto ..................... 18

4.2. Comportamento Espectral da Água ......................................................... 20

4.3. Resolução de imagens em Sensoriamento Remoto ............................... 21

4.3.1. Resolução Espacial ............................................................................... 22

4.3.2. Resolução Espectral .............................................................................. 23

4.3.3. Resolução Radiométrica ........................................................................ 23

4.3.4. Resolução Temporal.............................................................................. 24

4.4. Registro de Imagens .................................................................................. 24

4.5. Processamento Digital de Imagens .......................................................... 25

4.6. NDWI (Índice da Diferença Normalizada da Água) .................................. 27

4.7. Normalização de Imagens ......................................................................... 28

4.8. Filtros .......................................................................................................... 28

4.9. Segmentação de Imagens ......................................................................... 31

4.10. Estrutura de dados espaciais ................................................................... 31

4.10.1. Estrutura Matricial .................................................................................. 32

4.10.2. Estrutura Vetorial ................................................................................... 33

4.11. LANDSAT .................................................................................................... 33

4.12. Programação em linguagem Python ........................................................ 37

4.12.1. Biblioteca GDAL .................................................................................... 38

5.1. Área de Estudo ........................................................................................... 38

5.3. Metodologia Utilizada ................................................................................ 41

6. RESULTADOS E DISCUSSÕES ................................................................. 46

6.2. Imagem Binarizada..................................................................................... 48

6.3. Geração do Vetor ....................................................................................... 49

6.4. Controle de Qualidade ............................................................................... 50

6.5. Análise da Variação de Área ..................................................................... 52

7. CONSIDERAÇÕES FINAIS ......................................................................... 53

REFERÊNCIAS BIBLIOGRÁFICAS .......................................................................... 56

Para a realização de um estudo acerca de um corpo d’água, pode-se imaginar

Fria, se fazia grande a necessidade de obter informações da superfície terrestre para

reflectância da água sejam sempre positivos, e os valores de reflectância3 das

Essa pesquisa tem sua importância focada, principalmente, pelo cunho

O presente trabalho tem como objetivo principal analisar a expansão da área

Assim como pretende-se alcançar os seguintes objetivos específicos:

 Elaborar um algoritmo em que se possa realizar a extração automática de

4.1. Imagens obtidas por técnicas de Sensoriamento Remoto

A aquisição de imagens por técnicas de Sensoriamento Remoto engloba uma

Figura 1 - Tipos de sensores.

Fonte: Moreira (2007)

Os princípios físicos que englobam as técnicas de Sensoriamento Remoto

Fonte: Figueiredo (2005)

Figura 3 - Assinatura espectral de alvos naturais.

Fonte: Di Maio et al (2008)

Uma imagem multiespectral é devidamente destacada por possuir diversas

4.2. Comportamento Espectral da Água

Fonte: Moreira (2007)

4.3. Resolução de imagens em Sensoriamento Remoto

Para Meneses e Almeida (2012) ao tratar da resolução de imagens em

4.3.1. Resolução Espacial

Os sensores possuem características específicas, dentre essas