TRABALHO TPICOS ESPECIAIS EM SENSORIAMENTO REMOTO EXERCCIO DE CLASSIFICAO DE IMAGEM Ao se estudar as civilizaes possvel afirmar que o mapa , de todas

as as modalidades de comunicao, uma das mais antigas da humanidade. O homem, desde cedo, preocupou-se especialmente em demarcar e representar os seus limites espaciais de ocupao. O trabalho que visa tal objetivo efetuado pela Cartografia, cujo termo um neologismo criado pelo portugus Visconde de Santarm, em 1839, em substituio ao antigo Cosmografia. Segundo Bakker (1965) 1, Cartografia a cincia e a arte de expressar graficamente, por meio de mapas e cartas, o conhecimento humano da superfcie terrestre. No Brasil, ainda hoje, existem regies com recobrimento cartogrfico deficiente, principalmente aquelas onde as dificuldades de acesso e condies climticas oneram os procedimentos convencionais. Como salientam Bueno, Robbi (1994) 2, os mapas sofrem contnua desatualizao pela ao antrpica. Ao se falar em atualizao, a preocupao deve ser a deteco de mudanas sofridas pelos alvos na superfcie terrestre, para que estas possam estar presentes nos mapas atualizados, de maneira a auxiliar reas, como por exemplo, as de planejamento. Um poderoso aliado na tarefa de atualizao de cartas o Sensoriamento Remoto, que objetiva a identificao dos alvos presentes no ambiente terrestre, atravs do estudo da relao entre radiao eletromagntica e substncias componentes do planeta Terra, em suas diversas manifestaes, sem o contato fsico direto. Em Cartografia, a tarefa de atualizao de cartas via sensoriamento remoto recebe uma grande contribuio de tcnicas de processamento digital de imagens - PDI, que envolve a manipulao e a interpretao de imagens digitais, com o auxlio do computador. Segundo Lees3, o sensoriamento remoto uma maneira gil de levantar dados, sendo importante fonte de informao para muitos sistemas de suporte de decises espaciais. Est se tornando cada vez mais comum se usar dados de arquivo disponveis, quando possvel, com dados recentes de sensoriamento remoto ou de outras ferramentas de reconhecimento. Os dados de imagem de sensoriamento remoto e dados cartogrficos esto relacionados, mas com diferentes formas de diagrama nas quais h um tratamento espacial dos dados espaciais. Ambos tem uma mtrica plana combinada com uma mtrica topolgica. Uma fotografia, contudo, realista, enquanto que o mapa simblico (Lemon and Pratt, 1997) 4. A relao das representaes de imagens e de diagramaes grficas com os dados originais um homomorfismo.

BAKKER, M. P. R., 1965. Cartografia : Noes bsicas, DHN, Rio de Janeiro, 242p. Apud Statella, T., da Silva, E. A. (sem data) 2 BUENO, D.M.; C. ROBBI, jan/mar de 1994.Atualizao: vital para o mapeamento. Fator GIS, Curitiba, n.4, p.16-18. Apud Statella, T., da Silva, E. A. (sem data) 3 Lees, B. G. Remote Sensing. In: In Wilson, J. P; Fotheringham A. S. The handbook of geographic information science. Malden, MA : Blackwell Publishing, 2008, pp. 49-60 4 Lemon, O, and Pratt, I. 1997. Spatial logic and the complexity of diagrammatic reasoning. Machine graphics and vision 6: 89-108. In Wilson, J. P; Fotheringham A. S. The handbook of geographic information science. Malden, MA : Blackwell Publishing, 2008 Lees, B. G. Remote Sensing. In: In Wilson, J. P; Fotheringham A. S. The handbook of geographic information science. Malden, MA : Blackwell Publishing, 2008, pp. 49-60

O processo de segmentao de imagens tem por objetivo fragmentar uma regio, em unidades homogneas, considerando algumas de suas caractersticas intrnsecas como, por exemplo, o nvel de cinza dos pixels, textura e contraste (Woodcock et al. 1994) 5. Segundo Woodcock & Harward (1992) 6, o objetivo da segmentao em sensoriamento remoto definir regies na imagem, correspondendo a objetos na superfcie terrestre. Para Khodja et al. (1995) 7, a segmentao um processo com objetivo de reagrupar regies possuidoras de uma mesma propriedade. Entende-se por regio, um conjunto de pixels contguos, espalhados bidirecionalmente e apresentando uniformidade (INPE, 1996) 8. Para Ait Belaid et al. (1992) 9, o algoritmo de segmentao particiona uma imagem em funo de algumas caractersticas espaciais homogneas, segundo dois caminhos: - definio de bordas, atravs da deteco de descontinuidades nas imagens; - extrao de regies, atravs de algoritmos especficos para detectar similaridade entre pixels. O processo de atualizao de informao espacial num banco de dados geogrfico compreende trs passos (Walter and Fritsch, 2000) 10. O primeiro, mudanas entre o banco de dados original e as imagens mais atualizadas devem ser identificadas. Segundo, atributos devem ser corrigidos. Numa rea urbana compreendem o nome de ruas ou de detalhes de propriedade, extrados de outros bancos de dados. Em reas no urbanas, os atributos so relacionados geralmente com o uso da terra ou cobertura do terreno. O primeiro estgio o mais trabalhoso, e necessita de superviso especializada. Neste estgio, os dois conjuntos de dados tem diferentes modelos e estruturas, levando a uma no conformidade fundamental, que deve ser superada. Isto porque so diferentes homeomorfos
5

WOODCOCK, C.E.; COLLINS, J.B.; GOPAL, S.; JAKABHAZY, V.D.; LI, X.; MACOMBER, S.; RYHERD, S.; HARWARD, V.J.; LEVITAN, J.; WU, Y.; WARBINGTON, R. Mapping forest vegetation using Landsat TM imagery and a canopy reflectance model. Remote Sensing of Environment, New York, v.50, n.3, p.240-254, Dec. 1994. Apud Coutinho, A.C. et al. Mapeamento da superfcie terrestre atravs da utilizao do mtodo de segmentao por crescimento de regies e classificao supervisionada de imagens de satlite. Campinas/SP: Embrapa Monitoramento por Satlite (sem data) 6 WOODCOCK, C.; HARWARD, V.J. Nested-hierarchical scene models and image segmentation. International Journal of Remote Sensing, London, v.13, n.16, p.3167-3187, 1992. Apud Coutinho, A.C. et al. Mapeamento da superfcie terrestre atravs da utilizao do mtodo de segmentao por crescimento de regies e classificao supervisionada de imagens de satlite. Campinas/SP: Embrapa Monitoramento por Satlite (sem data) 7 KHODJA, A.; HOTYAT, M.; CHATELAIN, A.; GILG, J.P. Partition d une image satellitaire et caractrisation de son contenu par une mthode de segmentation d images:Application la fort de Bouconne (France) et la ville d Oran (Algrie). Photo-Interpretation, Paris, n.1995/1, p.25-30. 1995. . Apud Coutinho, A.C. et al. Mapeamento da superfcie terrestre atravs da utilizao do mtodo de segmentao por crescimento de regies e classificao supervisionada de imagens de satlite. Campinas/SP: Embrapa Monitoramento por Satlite (sem data) 8 INPE. Departamento de Processamento de Imagens. Manual de operao do SPRING: verso.2.0.1. So Jose dos Campos, SP. URL:file:/home/spring/help, outubro de 1996. Apud Coutinho, A.C. et al. Mapeamento da superfcie terrestre atravs da utilizao do mtodo de segmentao por crescimento de regies e classificao supervisionada de imagens de satlite. Campinas/SP: Embrapa Monitoramento por Satlite (sem data) 9 AIT BELAID, M.; EDWARDS, G.; JATON, A.; THOMSON, K.P.B.; BEAULIEU, J.M. Post-segmentation classification of images containing small agricultural fields. Geocarto International, n.3, p.53-60, 1992. Apud Coutinho, A.C. et al. Mapeamento da superfcie terrestre atravs da utilizao do mtodo de segmentao por crescimento de regies e classificao supervisionada de imagens de satlite. Campinas/SP: Embrapa Monitoramento por Satlite (sem data) 10 Walter, V. and Fritsch, D. 2000. Automated revision of GIS databases. IN Wilson, J. P; Fotheringham A. S. The handbook of geographic information science. Malden, MA : Blackwell Publishing, 2008, Chapter 3

da realidade espacial. A abordagem mais direta classificar as imagens e convert-las de um modelo de dados de campo para um modelo de dados de entidade. Contudo, ferramentas de classificao e aglomerao estatstica (clustering) no produzem as entidades culturais contidas nos bancos de dados geogrficos, mas sim entidades espectrais. Alguma forma de ligar entidades espectrais para produzir entidades culturais necessria. No passado, esta era uma das partes que consumiam mais tempo no processamento de dados remotos, uma vez que precisava ser feita manualmente envolvendo cor, forma, tamanho relativo, textura, padro, e contexto da imagem. A segmentao multiresoluo permite uma rede hierrquica de objetos de imagem a ser construda que, sob superviso, aumenta bastante a velocidade de processamento. Os algoritmos convencionais de aglomerao ou classificao tendem a se basear somente nas relaes topolgicas entre pixels no espao espectral. A modelagem de segmentao multi-resoluo e relao de objeto usam tanto a relao topolgica entre pixels no espao espectral quanto sua relao topolgica no espao geogrfico. Pixels que so adjacentes no espao geogrfico e tambm prximos no espao espectral so combinados para formar objetos de imagem. Objetos de imagem que so adjacentes no espao geogrfico e prximos no espao espectral podem ser posteriormente combinados para produzir uma rede hierrquica de objetos de imagem, com o usurio decidindo em qual nvel de hierarquia que melhor representa uma paisagem cultural. Alguns programas permitem que objetos de imagem que so adjacentes no espao geogrfico e remotos no espao espectral sejam combinados por regras. Por exemplo, teto com sol e teto sombreado so ambos elementos do objeto cultural teto, e, embora adjacentes no espao geogrfico, so remotos no espao espectral. A extrao de pontos e linhas de dados remotos requer uma abordagem diferente em relao extrao de feies de rea. Uma estratgia direcionada para os nmeros digitais e um tipo particular de feio de linha de pixel. Eles normalmente se aglomerariam em torno de um valor mdio. Enquanto uma assinatura espectral no usualmente suficiente para permitir a identificao de uma feio de linha particular completamente, ela pode ser usada para refinar o critrio de excluso. Observaes nas caractersticas espectrais de uma vizinhana de pixels outra estratgia s vezes usada. Seguindo estas transformaes iniciais, reas com comprimento e largura similares podem ser excludas quando se busca feies lineares. O problema aqui que sees partidas de linha contnua podem ser filtradas. Filtros que procuram por padres que so ligados fracamente podem tambm ser usados para extrair feies de linha. O modelo de contexto usa relaes que podem existir localmente para reforar a extrao de feies de estrada. Por exemplo, em reas urbanas mais densas, a estrada tende a ser paralela s fachadas dos prdios. Em imageamento de resoluo mais alta, a presena de veculos nas rodovias ou rvores sombreando estradas, pode ocultar partes das estradas dificultando a extrao de feies locais. Ao se identificar veculos e rvores, e sombreamento de rvores, como coisas que normalmente obscurecem estradas, ento o modelo de contexto pode unir a feio de linha atravessando a ocluso. O uso mais comum de dados de sensoriamento remoto em GIS tem sido a gerao de informao de atributos sobre cobertura de terreno. Existem milhares de trabalhos discutindo o processamento de dados de sensoriamento remoto para produzir informao de cobertura de terreno Com poucas excees, a maioria das classificaes de dados de sensoriamento remoto so anlises no espaciais de dados espaciais. Os dados so analisados e aglomerados

(clustered) usando relaes topolgicas no espao espectral. O contedo espacial das imagens usualmente permanece sem investigao. Os estudos que examinaram a anlise espacial explicitamente procuraram por estratgias tais como deteco de sinal espacial, autocorrelao espacial local, e regresso local. O uso de sistemas especializados para automatizar muito do processamento supervisionado dos dados de sensoriamento remoto alimentando um SIG tem aparecido cada vez mais na literatura. Em parte, isto acontece pela disponibilidade crescente de imagens de sensoriamento remoto de alta resoluo espacial, e, em parte, pela crescente demanda para tais algoritmos. Cada vez mais, insights sobre o comportamento de dados espaciais de atividades de SIG esto retroalimentando o sensoriamento remoto e levando inovao. Algumas dessas inovaes esto relacionadas com um alerta maior sobre erros, tanto espacial como de atributo, no mbito do sensoriamento remoto e um aumento crescente de interesse na estatstica espacial. Segundo Aplin (Apud CLIFFORD, N. J.; VALENTINE, G, 2008, p. 302), h numerosos mtodos de anlise de imagem. Geralmente, a anlise manual ou digital. Anlise manual envolve um observador interpretando imagens em papel ou digitais, identificando feies de acordo com sua forma, tamanho, cor, textura, localizao e contexto (Philipson, 1997)11. Contudo, este tipo de anlise sujeito a erros devido a sua natureza subjetiva e pode levar muito tempo. Computadores proporcionam a oportunidade para rpida, precisa e avanada anlise de imagem, e uma ampla gama de tcnicas de processamento digital de imagem (DIP) tem sido desenvolvida. Estudos de sensoriamento remoto tem vrias demandas de DIP, dependendo de seus objetivos. Comum a muitos estudos, contudo, a necessidade de pr-processar os dados antes da principal parte da anlise (Jensen, 1996) 12. O pr-processamento feito para corrigir distores de dados ou para padronizar imagens. Por exemplo, correo atmosfrica pode ser feita para remover a neblina das imagens (Du et al., 2002) 13. Alternativamente, onde vrias imagens devem ser combinadas para anlise (ex: imagens multi-temporais), o registro geomtrico pode ser necessrio para alinhar as imagens at um sistema de coordenadas conhecido (Mao et al, 2001) 14. Aps o pr-processamento, sempre til realar a apresentao de uma imagem para ajudar na interpretao. Comumente, aumento de contraste feito par aumentar o contraste na imagem, fazendo com que as feies sejam mais distintas e identificveis. O realce da imagem um meio simples de alterar o visual das imagens sem afetar os valores de pixels. Tcnicas analticas mais avanadas envolvem alguma operao alterando os valores de pixels para gerar informao til. Destacam-se trs tcnicas: filtragem de imagem, aritmtica de imagem e classificao. A filtragem de imagem usada seletivamente para enfatizar ou suprimir informao dentro de uma imagem. Por exemplo, ao passar um filtro de deteco de margem sobre uma imagem, uma nova imagem criada para enfatizar feies lineares (ex: estradas ou limites de
11

PHILIPSON, W. R. (ed.) (1997) Manual of Photographic Interpretation. Bethseda, MD: American Society for Photogrametry and Remote Sensing. Apud CLIFFORD, N. J.; VALENTINE, G (2008, p. 302) 12 JENSEN, J. R. (1996) Introductory Digital Image Processing: A remote sensing perspective (2nd ed.). Upper Saddle River, NJ: Prentice Hall Apud CLIFFORD, N. J.; VALENTINE, G (2008, p. 302) 13 DU, Y; GUINDON, B and CIHLAR, J (2002). Haze detection and removal in high resolution satellite image with wavelet analysis. IEEE Transactions on Geoscience and Remote Sensing, 40: 210-16. Apud CLIFFORD, N. J.; VALENTINE, G (2008, p. 302) 14 MAO, Z; PAN, D; HUANG, H; HUANG, W. (2001). Authomatic registration of SeaWiFS and AVHRR imagery. International Journal of Remote Sensing. Apud CLIFFORD, N. J.; VALENTINE, G (2008, p. 302)

campo). Alternativamente, onde padres gerais so buscados ao invs de pequenos detalhes, um filtro de abrandamento pode ser usado para sombrear feies ntidas (Liu, 2000) 15. A aritmtica da imagem usada para gerar imagens novas e teis de uma ou mais camadas de imagem multiespectrais e/ou multitemporais. Essencialmente, operaes aritmticas simples tal como adio, subtrao e outras so feitas pela associao dos pixels correspondentes em diferentes camadas de dados. Vrios tipos de aritmtica de imagem so possveis, mas um exemplo comum a diferena de imagem (subtrao) para deteco de mudana. Ao subtrair uma imagem adquirida numa data de outra numa data diferente, as reas de mudana so destacadas (Sunar, 1998)16. Finalmente, classificao de cobertura de terreno envolve a segmentao de imagens em categorias significativas. Para se chegar a isto, os pixels com propriedades espectrais semelhantes so agrupados, formando classes gerais (Tso e Mather, 2001) 17. A classificao tem muitos usos, incluindo a gerao de inventrios e identificao de reas adequadas para implementao de projetos. (Fig. 18.5). A classificao de uso/cobertura de terreno baseada em tcnicas de reconhecimento estatstico de padro aplicadas a dados de sensoriamento remoto multiespectrais um dos mtodos mais frequentemente usados de extrao de informao. (Narumalani et al. 2002) 18. Tal procedimento assume que o imageamento de uma rea geogrfica especfica gerado em mltiplas bandas do espectro eletromagntico e que as imagens se caracterizam por um bom registro geomtrico. Numa classificao supervisada, a identidade e localizao de alguns dos tipos das coberturas de terreno (ex: urbano, agricultura ou terras midas) so conhecidos a priori atravs de uma combinao de trabalho de campo, interpretao de fotografia area, anlise de mapas, e experincia pessoal (Hodgson et al., 2003)19. O analista tenta localizar stios especficos nos dados de sensoriamento remoto que representam exemplos homogneos desses tipos de cobertura de terreno conhecidos. Estas reas so comumente chamadas de stios de treinamento por causa das caractersticas espectrais das reas conhecidas so usadas para treinar o algoritmo de classificao para mapeamento de cobertura de terreno do resto da imagem. Parmetros estatsticos multivariados (mdias, desvios-padro, matrizes de covarincia, matrizes de correlao, etc) so calculados para cada stio de treinamento. Cada pixel dentro e fora dos stios de treinamento ento avaliado e relacionado com a classe da qual ele tem a maior possibilidade de ser um membro.
15

LIU, J. G. (2000) Smoothing filter-based intensity modulation: a spectral preserve image fusion technique for improving spatial details. International Journal of Remote Sensing. 21: 3461-72. Apud CLIFFORD, N. J.; VALENTINE, G (2008, p. 303)
16

SUNAR, F (1998) . An analysis of changes in a multi-data set: a case study in the Ikitelli rea, Istanbul, Turkey. International Journal of Remote Sensing, 19:225-35. Apud CLIFFORD, N. J.; VALENTINE, G (2008, p. 303) 17 TSO, B. C. K.; MATHER, P. M. (2001). Classification methods for remotely sensed data. New York: Taylor and Francis. Apud CLIFFORD, N. J.; VALENTINE, G (2008, p. 303) 18 Narumalani, S., Hlady, J. T. E J.R. Jensen, 2002, Information Extraction from Remotely Sensed Data, in Bossler, J. D., Jensen, J. R., McMaster, R. B. e C. Rizos (Eds.), Manual of Geospatial Science and Technology, New York: Taylor & Francis, 298-324. Apud JENSEN, JOHN R. Chapter 9 Thematic Information Extraction: Pattern Recognition. In: INTRODUCTORY DIGITAL IMAGE PROCESSING: a remote sensing perspective. 3R. ED. 2005 Upper Saddle River, NJ : Pearson Education, Inc., p. 337 19 Hodgson, M. E., Jensen, J.R., Tullis, J. A., Riordan, K. D. e C. M. Archer, 2003, Synergistic Use of LIDAR and Color Aerial Photography for Mapping Urban Parcel Imperviousness, Photogrammetric Engineering & Remote Sensing, 69 (9): 973-980. Apud JENSEN, JOHN R. Chapter 9 Thematic Information Extraction: Pattern Recognition. In: INTRODUCTORY DIGITAL IMAGE PROCESSING: a remote sensing perspective. 3R. ED. 2005 Upper Saddle River, NJ : Pearson Education, Inc., p. 338

Numa classificao no-supervisada, as identidades de tipos de cobertura de terreno a serem especificadas como classes dentro de uma cena no so geralmente conhecidas a priori porque falta a informao de referncia de campo, ou feies de superfcie dentro da cena no so bem definidas. O computador usado para agrupar pixels com caractersticas espectrais similares em clusters individualizados de acordo com alguns critrios determinados estatisticamente (Duda et al., 2001)20. O analista ento renomeia e combina os clusters espectrais em classes de informao. Passos gerais usados para extrair informao temtica de cobertura de terreno de dados de sensoriamento remoto digitais (p. 339) Coloque a natureza do problema de classificao de cobertura de terreno

especifique a regio geogrfica de interesse

defina as classes de interesse determine se para ser classificao definida (hard) ou fuzzy determine se para ser uma classificao por pixel ou orientada para o objeto. Adquira dados apropriados de controle remoto e referncia inicial de solo

selecione dados de sensoriamento remoto baseados nos seguintes critrios: consideraes do sistema de sensoriamento remoto resoluo radiomtrica, espacial, espectral e temporal consideraes ambientais atmosfricas, umidade do solo, ciclo fenolgico etc obtenha os dados de referncia de solo iniciais baseados em um conhecimento a priori da rea de estudo Processe os dados de sensoriamento remoto para extrair informao temtica

20

correo radiomtrica (ou normalizao) correo geomtrica selecione lgica apropriada de classificao de imagem: paramtrica (mxima semelhana, aglomerao) no-paramtrica (ex: vizinhana mais prxima, rede neural) no mtrica (classificador de rvore de deciso baseada em regra) selecione algoritmo de classificao de imagem apropriado supervisado paraleleppedo, distncia mnima, mxima semelhana outros (filtragem adaptada multiespectral, mapeador de ngulo espectral) no supervisado mtodo da corrente, ISODATA de passo mltiplo outros (mdias c fuzzy) hbrida envolvendo inteligncia artificial

Duda, R. O., Hart, P. E. and D. G. Stork, 2001, Pattern Classification, New York: John Wiley & Sons, 654 p. Apud JENSEN, JOHN R. Chapter 9 Thematic Information Extraction: Pattern Recognition. In: INTRODUCTORY DIGITAL IMAGE PROCESSING: a remote sensing perspective. 3R. ED. 2005 Upper Saddle River, NJ : Pearson Education, Inc.

rvore de deciso de sistema especializado, rede neural extraia dados de lugares de treinamento iniciais (se requerido) selecione as bandas mais apropriadas usando critrios de seleo de feies grfico (ex: plotagem co-espectral) estatstico (ex: divergncia transformada, distncia TM) extraia estatsticas e regras de treinamento baseadas em: seleo de banda final (se requerida), e/ou aprendizado de mquina extraia informao temtica: para cada pixel ou para cada objeto de imagem segmentada (supervisada) nomear pixels ou objetos de imagem (no supervisada) Realize avaliao de preciso

selecione mtodo construo de confiana qualitativa medio estatstica determine o nmero de amostras requeridas por classe. Selecione esquema de amostragem obtenha informao de teste de referncia de solo crie e analisar a matriz de erro anlise estatstica multivariada e univariada Aceitar ou rejeitar a hiptese inicial Distribuir resultados se a preciso for aceitvel

Nenhum mtodo de classificao padro inerentemente superior a qualquer outro. A natureza do problema de classificao, as caractersticas biofsicas da rea de estudo, a distribuio de dados de sensoriamento remoto (ex: normalmente distribudos), e um conhecimento a priori determina que algoritmo de classificao produzir resultados mais teis. Duda et al. (2001) 21 d um conselho oportuno: ns deveramos ter um ceticismo saudvel a respeito de estudos que propem demonstrar a superioridade geral de um aprendizado particular ou algoritmo de reconhecimento. Esquemas de classificao de cobertura de terreno e de uso da terra: Cobertura de terreno refere ao tipo de material presente na paisagem (ex: gua, areia, plantaes, floresta, reas inundadas, materiais feitos pelo homem, tal como asfalto). O uso da terra refere ao que as pessoas fazem na superfcie da terra (ex: agricultura, comrcio, habitao). 341 Todas as classes de interesse devem ser selecionadas e definidas cuidadosamente para classificar dados de sensoriamento remoto de forma bem sucedida em informao de uso da

21

Duda, R. O, Hart, P. E. e D. G. Stork, 2001, Pattern Classification, New York: John Wiley & Sons, 654 p. Apud JENSEN, JOHN R. Chapter 9 Thematic Information Extraction: Pattern Recognition. In: INTRODUCTORY DIGITAL IMAGE PROCESSING: a remote sensing perspective. 3R. ED. 2005 Upper Saddle River, NJ : Pearson Education, Inc., p. 338

terra ou de cobertura de terrreno (Lunetta et al, 1991 22; Congalton e Green, 1999 23). Isso requer o uso de esquema de classificao contendo definies corretas taxonomicamente de classes de informao que so organizadas de acordo com critrios lgicos. Se uma classificao definida para ser feita, ento as classes no sistema de classificao deveriam ser normalmente:
4

Mutuamente exclusivas: significa que no h superposio taxonmica (ou de fuzzy) de quaisquer classes (ex: floresta decdua ou perene so classes distintas).

Exaustivas: significa que todas as classes de cobertura de terreno presentes na paisagem esto includas, e nenhuma foi omitida. Hierrquica: significa que classes de sub-nveis (ex: residencial de uma famlia, residencial de mltiplas famlias) podem ser hierarquicamente combinadas em categorias de nveis mais altos (ex: residencial) que seja lgica. Isto permite que mapas temticos simplificados sejam produzidos quando requeridos. FONTES BIBLIOGRFICAS CLIFFORD, N. J.; VALENTINE, G. (org.) Key methods in geography. London: Sage Publications Ltd. 2008. p. 291 308. COUTINHO, A.C. et al. Mapeamento da superfcie terrestre atravs da utilizao do mtodo de segmentao por crescimento de regies e classificao supervisionada de imagens de satlite. Campinas/SP: Embrapa Monitoramento por Satlite (sem data) JENSEN, JOHN R. Chapter 9 Thematic Information Extraction: Pattern Recognition. In: Introductory digital image processing: a remote sensing perspective. 3R. ED. 2005 Upper Saddle River, NJ : Pearson Education, Inc. LEES, B. G. Remote Sensing. In: In Wilson, J. P; Fotheringham A. S. The handbook of geographic information science. Malden, MA : Blackwell Publishing, 2008, pp. 49-60 STATELLA, T., DA SILVA, E. A. Morfologia matemtica: extrao de feies a partir de imagens orbitais. Presidente Prudente/SP: UNESP (sem data)

22

Lunetta, R.S., Congalton, R.G., Fenstermaker, L. K, Jensen, J. R., McGwire, K. C. E L. R. Tinney, 1991, Remote Sensing and Geographic Information System Data Integration: Error Sources and Research Issues, Photogrammetric Engineering & Remote Sensing, 57 (6): 677-687. Apud JENSEN, JOHN R. Chapter 9 Thematic Information Extraction: Pattern Recognition. In: INTRODUCTORY DIGITAL IMAGE PROCESSING: a remote sensing perspective. 3R. ED. 2005 Upper Saddle River, NJ : Pearson Education, Inc., p. 341 23 Congalton, R. G. And K. Green, 1999, Assessing the Accuracy of Remotely Sensed Data: Principles and Practices, Boca Raton, FL: Lewis Publishers, 137 p. Apud JENSEN, JOHN R. Chapter 9 Thematic Information Extraction: Pattern Recognition. In: INTRODUCTORY DIGITAL IMAGE PROCESSING: a remote sensing perspective. 3R. ED. 2005 Upper Saddle River, NJ : Pearson Education, Inc., p. 341