Professional Documents
Culture Documents
=
e
S R offset
s
R
=
2
2
Em que,
2
R
: varincia da imagem de referncia;
2
S
: varincia da imagem de ajuste;
R : mdia da imagem de referncia;
S : mdia da imagem de ajuste.
Para a imagem resultante S temos ento:
offset ganho S S + = '
Em que,
S: imagem uniformizada;
S: imagem de ajuste.
Para visualizar outros mtodos de normalizao radiomtrica, basta consultar o seguinte
trabalho:
Comparao do desempenho de algoritmos de normalizao radiomtrica de imagens de
satlite (Anais do XI SBSR) disponibilizado no seguinte endereo eletrnico (Figura 5.1):
http://marte.dpi.inpe.br/col/ltid.inpe.br/sbsr/2002/11.14.16.57/doc/15_204.pdf
Figura 5.1. Trabalho publicado no XI SBSR.
_ Captulo 5 Operaes Aritmticas entre Imagens
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
78
Aps a apresentao do mtodo de uniformizao das mdias e varincias (UMV), voc j est
pronto para iniciar uma aplicao prtica no SPRING 5.1.2.
COLETA DAS INFORMAES ESTATSTICAS DA IMAGEM DE REFERNCIA
Inicialmente, voc ir coletar os valores referentes mdia e a varincia da imagem de
referncia intitulada banda4_210708.
Antes de seguir as etapas abaixo, ative o Banco de Dados [Bacia_Rio_Alegre] e o Projeto
[BHR_Alegre].
8. No Painel de Controle, selecione a imagem denominada banda4_210708.
9. Selecione a paleta de cor M (monocromtica).
10. No menu Imagem, clique na opo Estatstica.
11. Selecione a imagem banda4_210708.
12. Na caixa de entrada Nome, digite banda4_210708.
13. Clique no boto Criar Arquivo.
5
4
6
3
1
2
_ Captulo 5 Operaes Aritmticas entre Imagens
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
79
14. Na caixa de dilogo Aquisio de Amostras, digite banda4_210708 na caixa de entrada
Nome da Amostra.
15. Marque a opo Coordenadas.
16. Nas caixas de entrada X0, Y0, X1 e Y1, digite os valores 0, 0, 1127 e 1262,
respectivamente.
17. Clique no boto Adquirir.
18. Marque a opo Momentos.
19. Clique no boto Calcular e Apresentar.
20. Aps visualizar o Grfico, clique no boto Fechar.
Na caixa de dilogo Estatsticas de Amostras, veja os seguintes resultados:
Mdia: 77,37.
Varincia: 353,79.
21. Na caixa de dilogo Estatstica de Amostras, clique no boto Fechar.
13
7
8
9
10
11
12
14
_ Captulo 5 Operaes Aritmticas entre Imagens
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
80
22. Na caixa de dilogo Aquisio de Amostras, clique no boto Fechar.
23. Na caixa de dilogo Anlise Estatstica de Amostras, clique no boto Fechar.
COLETA DAS INFORMAES ESTATSTICAS DA IMAGEM DE AJUSTE
Agora, voc ir coletar os valores referentes mdia e varincia da imagem de ajuste
intitulada banda3_210708.
1. No Painel de Controle, selecione a imagem denominada banda3_210708.
2. Selecione a paleta de cor M (monocromtica).
3. No menu Imagem, clique na opo Estatstica.
4. Selecione a imagem banda3_210708.
5. Na caixa de entrada Nome, digite banda3_210708.
6. Clique no boto Criar Arquivo.
1
2
16
15
_ Captulo 5 Operaes Aritmticas entre Imagens
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
81
7. Na caixa de entrada Nome da Amostra, digite banda3_210708.
8. Marque a opo Coordenadas.
9. Nas caixas de entrada X0, Y0, X1 e Y1, digite os valores 0, 0, 1127 e 1262,
respectivamente.
10. Clique no boto Adquirir.
11. Marque a opo Momento.
12. Clique no boto Calcular e Apresentar.
13. Aps visualizar o Grfico, clique no boto Fechar.
Na caixa de dilogo Estatsticas de Amostras, veja os seguintes resultados:
Mdia: 28,64.
Varincia: 22,64.
14. Na caixa de dilogo Estatstica de Amostras, clique no boto Fechar.
3
13
5
4
6
7
8
9
10
11
12
_ Captulo 5 Operaes Aritmticas entre Imagens
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
82
15. Na caixa de dilogo Aquisio de Amostras, clique no boto Fechar.
16. Na caixa de dilogo Anlise Estatstica de Amostras, clique no boto Fechar.
Aps as consultas estatsticas anteriores, tm-se os seguintes resultados:
IMAGEM MDIA VARINCIA
REFERNCIA 77,37 353,79
AJUSTE 28,64 22,38
DETERMINAO DO GANHO E DO OFFSET
De posse dos valores de mdia e varincia das imagens de referncia e ajuste, voc ir
determinar os valores do GANHO e OFFSET, utilizando as equaes a seguir:
16
15
14
_ Captulo 5 Operaes Aritmticas entre Imagens
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
83
38 , 22
79 , 353
2
2
= =
s
R
ganho
976 , 3 = ganho
e
64 , 28 976 , 3 37 , 77
2
2
= = S R offset
s
R
503 , 36 = offset
UNIFORMIZAO DAS MDIAS E VARINCIAS DA IMAGEM DE AJUSTE (UMV)
De posse dos valores de GANHO e OFFSET, a imagem banda3_210708 (imagem de ajuste)
ser uniformizada utilizando a seguinte equao:
offset ganho S S + = '
Em que,
S: imagem uniformizada.
S: imagem de ajuste.
1. No Painel de Controle, selecione a imagem denominada banda3_210708.
2. Selecione a paleta de cor M (monocromtica).
3. No menu Imagem, clique na opo Operaes Aritmticas.
4. Na caixa de dilogo Operaes Aritmticas, no dropdown da opo Operao selecione
C=Ganho*A+Offset.
5. Selecione banda3_210708.
6. Para as caixas de entrada Ganho e Offset, entre com os valores de 3.976 e -36.503,
respectivamente.
7. Para a caixa de entrada Sada C, entre com o nome banda3_210708_uniformizada.
8. Clique no boto Executar.
1
2
_ Captulo 5 Operaes Aritmticas entre Imagens
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
84
9. Na tela Auxiliar, aponte para Arquivo e clique em Sair.
10. No SPRING 5.1.2, aponte para Arquivo e clique em Sair.
11. Na caixa de Sair - Spring, clique no boto Sim.
12. Na rea de trabalho do Windows, d um clique duplo em Atalho para BHR_Alegre.
13. Feche a janela Novidades do Spring 5.1.2.
14. No Painel de Controle, selecione a imagem denominada banda3_210708_uniformizada-
(OP1).
15. Selecione a paleta de cor M (monocromtica).
4
5
6
7
8
14
15
9
3
12
11
10
13
_ Captulo 5 Operaes Aritmticas entre Imagens
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
85
16. No menu Imagem, clique na opo Estatstica.
17. Selecione a imagem banda3_210708_uniformizada-(OP1).
18. Na caixa de entrada Nome, digite banda3_210708_uniformizada-(OP1).
19. Clique no boto Criar Arquivo.
20. Na caixa de entrada Nome da Amostra, digite banda3_210708_uniformizada-(OP1).
21. Marque a opo Coordenadas.
22. Nas caixas de entrada X0, Y0, X1 e Y1, digite os valores 0, 0, 1127 e 1262,
respectivamente.
23. Clique no boto Adquirir.
24. Marque a opo Momentos.
25. Clique no boto Calcular e Apresentar.
26. Aps visualizar o Grfico, clique no boto Fechar.
Na caixa de dilogo Estatsticas de Amostras, veja os seguintes resultados:
Mdia: 76,55.
17
18
19
20
21
22
23
24
25
26
16
_ Captulo 5 Operaes Aritmticas entre Imagens
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
86
Varincia: 357,20.
27. Na caixa de dilogo Estatstica de Amostras, clique no boto Fechar.
28. Na caixa de dilogo Aquisio de Amostras, clique no boto Fechar.
29. Na caixa de dilogo Anlise Estatstica de Amostras, clique no boto Fechar.
COMPARAO ENTRE AS MDIAS E VARINCIAS DAS IMAGENS DE REFERNCIA,
AJUSTE E NORMALIZADA
A Tabela 5.1 mostra o resumo das operaes que envolveram a aplicao do mtodo de
uniformizao das mdias e varincias (UMV).
Tabela 5.1 Comparao dos valores de mdia e varincia das imagens de referncia, ajuste e
normalizada.
IMAGEM MDIA VARINCIA
REFERNCIA 77,37 353,79
AJUSTE 28,64 22,38
NORMALIZADA 76,55 357,20
27
28
29
_ Captulo 5 Operaes Aritmticas entre Imagens
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
87
Concluso: de acordo com os resultados da Tabela 5.1, os valores de mdia e varincia das
imagens de referncia e normalizada esto prximos estatisticamente.
A Figura 5.2 mostra uma comparao entre as imagens de referncia, ajuste e normalizada.
Observa-se que, aps a aplicao do mtodo de uniformizao das mdias e varincias
(UMV), o contraste da imagem de referncia muito parecido com o da imagem normalizada.
Esta afirmao pode ser comprovada pela comparao entre o histograma das imagens de
referncia, ajuste e normalizada, demonstrada na Figura 5.3. Observe que o histograma da
imagem de referncia se assemelha com o histograma da imagem normalizada.
IMAGEM DE REFERNCIA IMAGEM DE AJUSTE IMAGEM NORMALIZADA
banda4_210708 banda3_210708 banda3_210708_normalizada-(OP1)
Figura 5.2. Comparao entre as imagens de referncia, ajuste e normalizada.
IMAGEM DE REFERNCIA IMAGEM DE AJUSTE IMAGEM NORMALIZADA
banda4_210708 banda3_210708 banda3_210708_normaliza
da-(OP1)
Figura 5.3. Comparao entre o histograma das imagens de referncia, ajuste e normalizada.
_ Captulo 6 ndices de Vegetao
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN.
88
ndices de Vegetao
06
CAPTULO
Este captulo tem por objetivo determinar ndices de vegetao utilizando operaes
aritmticas para manipulao de imagens de satlite.
A atividade executada neste captulo ser:
Determinao do ndice de Vegetao de Diferena Normalizada (NDVI) para o quadrante
representativo da bacia hidrogrfica do rio Alegre, ES.
6.1. NDICE DE VEGETAO
ndices de vegetao so medidas quantitativas, baseadas nos valores digitais, que tentam
medir biomassa ou vigor vegetativo.
Geralmente, um ndice de vegetao formado pela combinao de bandas espectrais que
podem ser adicionadas, subtradas, divididas, ou multiplicadas de forma a produzir um valor
nico que indique a quantidade ou vigor de vegetao. Um ndice de vegetao com alto valor
de brilho indica pixels cobertos por uma alta proporo de vegetao viva (saudvel).
A forma mais simples de obter o ndice de vegetao pela razo entre duas bandas
espectrais. Algumas razes entre bandas tm sido definidas a partir do conhecimento do
comportamento espectral da vegetao viva.
Razes entre bandas, geralmente, so quocientes entre medidas de reflectncia em pores
separadas do espectro. As razes so efetivas em realar ou revelar informaes quando
existe uma relao inversa entre duas respostas espectrais para o mesmo fenmeno biofsico.
Se duas feies tm o mesmo comportamento espectral, as razes entre bandas fornecem
poucas informaes adicionais. Por outro lado, se elas tm repostas espectrais bem diferentes,
a razo entre as bandas fornece um valor nico que, concisamente, expressa o contraste entre
as duas reflectncias.
Para a vegetao viva, a estratgia da razo pode ser, especialmente, efetiva devido relao
inversa entre valores de brilho da vegetao na regio do vermelho e infravermelho prximo.
Isto , a absoro da luz vermelha (VM) pela clorofila (80% a 90%) e a alta reflexo da
radiao infravermelha (IV) pela mesfila (40 a 50%) asseguram que as caractersticas
espectrais do vermelho e o infravermelho prximo sero bem diferentes e, consequentemente,
a razo (IV/VM) ser alta. Superfcies no-vegetadas, incluindo gua, solo exposto, e
vegetao morta ou estressada no tero estas respostas espectrais especficas e,
consequentemente, suas razes iro decrescer em magnitude. Assim, a razo IV/VM pode
fornecer uma medida da importncia da reflectncia vegetativa dentro de um dado pixel.
A razo IV/VM uma das muitas medidas usadas para medir o vigor da vegetao. A razo
verde/vermelha (VD/VM), por exemplo, baseada nos mesmos conceitos usados pela razo
IV/VM, embora seja menos efetiva.
A seguir, sero apresentadas as caractersticas sobre vrios ndices de Vegetao, propostos
por vrios pesquisadores.
De acordo com Eastman (1998), o ndice de Razo de Vegetao (do ingls Ratio Vegetation
Index) (RATIO) foi proposto por Rouse et al., (1974) para separar vegetao verde de solo
utilizando Imagem do satlite Landsat MSS. O Infravermelho RATIO produzido por uma
_ Captulo 6 ndices de Vegetao
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN.
89
simples diviso de valores de reflectncia contidos em bandas do infravermelho prximo por
aqueles contidos na banda do vermelho, sua equao descrita a seguir.
VM
IV
RATIO =
Em que:
RATIO: ndice de Razo de Vegetao.
IV: Banda correspondente ao Infravermelho Prximo.
VM: Banda correspondente ao vermelho.
Um dos ndices de vegetao baseado na razo entre bandas mais amplamente usado o
ndice conhecido como ndice de Vegetao da Diferena Normalizada (do ingls Normalized
Difference Vegetation Index) (NDVI) desenvolvido por Rouse et al., (1973), citado por Jansen
(1986) dado pela seguinte equao:
) (
) (
VM IV
VM IV
NDVI
+
=
Em que,
NDVI: ndice de vegetao por diferena normalizada.
IV: Banda do infravermelho Prximo.
VM: Banda do vermelho.
O NDVI foi introduzido para produzir um IV espectral que separa vegetao verde do brilho do
solo de fundo, utilizando, primeiramente, dados digitais do satlite Landsat MSS. Este o
ndice de vegetao mais comumente empregado, que minimiza efeitos topogrficos. Possui a
propriedade de variar entre 1 a +1, sendo que quanto mais prximo de 1, maior a densidade
de cobertura vegetal. O 0 (zero) representa valor aproximado para ausncia de vegetao, ou
seja, representa superfcies no vegetadas.
Dering et al., (1975), citado por Jansen (1986), utilizou outro tipo de ndice de vegetao
adicionando 0,5 ao NDVI e extraindo sua raiz quadrada. Tem sido extensivamente utilizado
para medir a quantidade de vegetao. Este ndice foi denominado de ndice de Vegetao
Transformado (do ingls Transformed Vegetation Index) (TVI), cuja equao a seguinte:
( ) 0,5 NDVI absoluto valor + = TVI
Em que,
TVI: ndice de vegetao transformado.
Na equao do TVI, a constante 0,50 introduzida para evitar operaes com valores
negativos de NDVI. O clculo da raiz quadrada pretende corrigir os valores do NDVI
introduzindo uma distribuio normal.
Outro tipo de ndice o denominado de ndice de Correo Transformada da Vegetao (do
ingls Corrected Transformed Vegetation Index) (CTVI) proposto por Perry & Lautenschlager
(1984), citado por Jansen (1986), a fim de corrigir o TVI, cuja equao a seguinte:
_ Captulo 6 ndices de Vegetao
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN.
90
( )
( )
( ) 0,5 NDVI ABS
5 , 0
5 , 0
+
+
+
=
NDVI ABS
NDVI
CTVI
Em que,
CTVI: ndice de Correo Transformada da Vegetao.
ABS: Valor absoluto.
O CTVI pretende corrigir o TVI adicionando a constante de 0.50 para todos os valores NDVI,
nem sempre eliminando todos os valores negativos de NDVI, podendo ter um alcance de -1 a
+1. Valores menores que -0.50 tornam-se valores negativos menores depois da operao de
adio. Assim, o CTVI elaborado para resolver essa situao dividindo o (NDVI + 0.50) por
seu valor absoluto ABS (NDVI + 0.50) e multiplicando pela raiz quadrada do valor absoluto,
suprimindo o sinal negativo.
Thiam (1997), apud Eastman (1998), indicou que o resultado imagem do CTVI pode ser muito
ruidoso devido a uma superestimao da vegetao verde. Para obter melhores resultados,
Thiam sugeriu ignorar o primeiro termo da equao do CTVI e adicionar, simplesmente, a raiz
quadrada dos valores absolutos para o NDVI e TVI, para se apresentar um novo ndice
conhecido como ndice de Vegetao Transformado de Thiams (do ingls Thiams
Trasnformed vegetation Index) (TTVI), expresso pela seguinte equao:
|
|
\
|
+ |
\
|
+
= 5 , 0
VM IV
VM IV
ABS TTVI
Em que,
TTVI: ndice de vegetao transformado de Thiams.
IV: Banda do infravermelho.
VM: Banda do vermelho.
ABS: valor absoluto.
Eastman (1998), em sua reviso bibliogrfica, descreve sobre outras equaes de ndice de
vegetao.
DETERMINAO DO NDICE DE VEGETAO DE DIFERENA
NORMALIZADA (NDVI) PARA O QUADRANTE REPRESENTATIVO DA BACIA
HIDROGRFICA DO RIO ALEGRE, ES.
A fim de determinar o NDVI para o ano de 2008 do quadrante representativo da bacia
hidrogrfica do rio Alegre, ES, sero utilizadas as seguintes imagens do satlite CBERS:
a) banda4_210708 BANDA DO INFRAVERMELHO PRXIMO.
b) banda3_210708 BANDA DO VERMELHO.
Antes de seguir as etapas prticas, ative o Banco de Dados [Bacia_Rio_Alegre] e o Projeto
[BHR_Alegre].
1. No Painel de Controle, selecione a imagem denominada banda4_210708.
2. Selecione a paleta de cor M (monocromtica).
3. No menu Imagem, clique na opo Operaes Aritmticas.
4. Na caixa de dilogo Operaes Aritmticas, no dropdown da opo Operao selecione
C=Ganho*((A-B)/(A+B))+Offset.
5. Marque a opo A e selecione a imagem banda4_210708.
_ Captulo 6 ndices de Vegetao
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN.
91
6. Marque a opo B e selecione a imagem banda3_210708.
7. Para as caixas de entrada Ganho e Offset, entre com os valores de 50 e 100,
respectivamente. (Obs: Posteriormente, voc poder testar outros valores de Ganho e
Offset).
8. Para a caixa de entrada Sada C, entre com o nome NDVI_2008.
9. Clique no boto Executar.
ANLISE MATEMTICA DO GANHO E DO OFFSET
Vamos supor que aps a aplicao de uma operao aritmtica, objetivando elaborar uma
imagem NDVI com Ganho e Offset de 50 e 100, respectivamente, um determinado pixel da
imagem apresentou o valor de NDVI de 73,4 (NDVI PROCESSADO). Nesta circunstncia, o
valor do NDVI ORIGINAL ser de:
0,532 - ORIGINAL NDVI
50 / 100) - (73,4 ORIGINAL NDVI
100 ORIGINAL NDVI * 50 73,4
100 ORIGINAL NDVI * GANHO PROCESSADO NDVI
=
=
+ =
+ =
1
2
4
5
6
7
8
9
3
_ Captulo 6 ndices de Vegetao
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN.
92
Logo, com a aplicao do Ganho e Offset sobre o NDVI ORIGINAL que, neste caso, negativo
(-0,532), obtm-se um novo valor de NDVI (73,4) com valor positivo, de mais fcil interpretao
visual.
APLICAO DE REALCE DE CONTRASTE LINEAR SOBRE A IMAGEM NDVI DO ANO
DE 2008
1. Na janela Auxiliar, no Painel de Controle, selecione a imagem denominada NDVI_2008-
(OP5).
2. Selecione a paleta de cor G (verde).
3. No menu Imagem, clique na opo Contraste.
4. Na caixa de dilogo Contraste, na caixa de entrada Min entre com os valor de 104 e clique
em CR.
5. Na caixa de dilogo Contraste, na caixa de entrada Max entre com os valor de 137 e
clique em CR.
6. Clique no boto Aplicar.
Abaixo, demonstrada a imagem NDVI_2008-(OP5) com aplicao do contraste linear,
evidenciando que as reas verdes claras se apresentam mais vegetadas quando comparadas,
por exemplo, com a mancha urbana da cidade de Alegre, ES, a qual apresenta colorao mais
escura, enfatizando as edificaes e a no presena de vegetao (Figura 6.1).
1
2
4
5
6
3
_ Captulo 6 ndices de Vegetao
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN.
93
a) rea vegetada com maior NDVI
b) rea no vegetada com menor NDVI
Figura 6.1. Comparao entre o NDVI de reas vegetadas (a) e no vegetadas com presena
de edificaes (b).
7. Na caixa de dilogo Contraste, na caixa de entrada Nome, digite
NDVI_2008_Contraste_Linear.
8. No menu Executar, clique na opo Salvar.
9. Clique no boto Aplicar.
10. Clique no boto Fechar .
11. Clique no boto Sim para manter o contraste aplicado sobre a imagem atual.
12. No menu Arquivo, clique na opo Sair.
rea no vegetada
<NDVI (colorao mais escura)
MANCHA URBANA DA CIDADE
DE ALEGRE, ES
rea vegetada
>NDVI (verde mais claro)
_ Captulo 6 ndices de Vegetao
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN.
94
Os passos demonstrados, anteriormente, foram aplicados num trabalho cientfico, apresentado
no XIV Simpsio de Sensoriamento Remoto do INPE (2009), visando determinar anlise da
cobertura florestal por meio da subtrao de imagem NDVI na Floresta Nacional de Pacotuba,
Cachoeiro de Itapemirim, ES (Figura 6.2). J a Figura 6.3 mostra a variao temporal da
cobertura vegetal da Floresta Nacional de Pacotuba, Cachoeiro de Itapemirim, ES, entre os
anos de 1985 e 2007.
a) NDVI para 1985 b) NDVI para 2007
Figura 6.2. NDVI na Floresta Nacional de Pacotuba, Cachoeiro de Itapemirim, ES, para os anos
de 1985 e 2007.
Figura 6.3. Variao temporal da cobertura vegetal da Floresta Nacional de Pacotuba,
Cachoeiro de Itapemirim, ES, entre os anos de 1985 e 2007.
12
7
9
10
8
11
_ Captulo 6 ndices de Vegetao
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN.
95
Abaixo demonstrado o endereo eletrnico representativo da publicao deste trabalho:
Anlise da Cobertura Florestal por meio da subtrao de imagem NDVI na Floresta Nacional
de Pacotuba, Cachoeiro de Itapemirim, ES. (Anais XIV Simpsio Brasileiro de Sensoriamento
Remoto, Natal, Brasil, 25-30 abril 2009, INPE, p. 3995-4001.) disponibilizado no seguinte
endereo eletrnico (Figura 6.4):
http://marte.dpi.inpe.br/col/dpi.inpe.br/sbsr@80/2008/11.17.11.48/doc/3995-4001.pdf
Figura 6.4. Trabalho publicado no XIV SBSR.
REFERNCIAS BIBLIOGRFICAS
EASTMAN, J. R. Idrisi for Windows: Introduo e Exerccios Tutorais. J. Ronald Eastman.
Editores da verso em portugus, Heinrich Hasenack e Eliseu Weber. Porto Alegre: UFRGS,
Centro de recursos Idrisi, 1998.
JENSEN, J. R. Introductory digital image processing: a remote sensing perspective. New
Jersey : Prentice-Hall, 1986. 379 p.
ROUSE, J.W.; HAAS, R.H.; SCHELL, J.A.; DEERING, D.W.,1973. Monitoring vegetation
systems in the Great Plains with ERTS. Third Symposium of ERTS, Greenbelt, Maryland,
USA. NASA SP-351, V1:309-317.
LOUZADA, F.L.R.O.; COUTINHO, L.M.; ANDRADE, C.C.; OLIVEIRA, V.A.S.; BREDA, P.H.M.;
SANTOS, A.R. Anlise da Cobertura Florestal por meio da subtrao de imagem NDVI na
Floresta Nacional de Pacotuba, Cachoeiro de Itapemirim, ES. Anais..., INPE, p. 3995-4001,
2009. Disponvel em:
http://marte.dpi.inpe.br/col/dpi.inpe.br/sbsr@80/2008/11.17.11.48/doc/3995-4001.pdf
_ _____________ Captulo 7 Classificao de Imagens de Satlite
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
96
CLASSIFICAO DE IMAGENS DE
SATLITE
07
CAPTULO
Alexandre Rosa dos Santos, Nathlia Suemi Saito, Telma Machado de Oliveira Peluzio, Alexandre
Cndido Xavier, Geraldo Rgis Mauri.
Este captulo tem por objetivo apresentar os processos de classificao de imagens de satlite,
visando elaborao de mapas de uso e ocupao do solo de uma rea pertencente ao bairro
Pavuna, Alegre, ES.
As seguintes atividades sero elaboradas:
Elaborao do mapa de uso e ocupao do solo utilizando os algoritmos de classificao da
mxima verossimilhana (Maxver), Bhattacharya e Isoseg.
Elaborao do layout do mapa de uso e ocupao do solo gerado pelo algoritmo de
classificao da mxima verossimilhana (Maxver) (Figura 7.1).
Figura 7.1. Uso e ocupao do solo gerado pelo algoritmo de classificao da mxima
verossimilhana (Maxver) de uma rea pertencente ao bairro Pavuna, Alegre, ES.
7.1. CLASSIFICAO DE IMAGENS DIGITAIS
Classificao de imagens digitais de satlite o processo de assinalar pixels s classes.
Usualmente, cada pixel tratado como uma unidade individual composta de valores em vrias
bandas espectrais.
Pela comparao de um pixel a outros pixels de identidade conhecida, possvel agrupar
aqueles cujas reflectncias espectrais so semelhantes em classes mais ou menos
homogneas. Estas classes formam regies sobre um mapa ou imagem de forma que, aps a
classificao, a imagem digital seja apresentada como um mosaico de parcelas uniformes, em
que cada uma identificada por uma cor ou smbolo (Figura 7.2).
_ _____________ Captulo 7 Classificao de Imagens de Satlite
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
97
a) Imagem numrica (composio falsa-cor) b) Imagem classificada
Figura 7.2. Imagem numrica oriunda da composio colorida em falsa-cor (a) e imagem
classificada (b).
A imagem classificada definida a partir da anlise da imagem numrica, de forma que
aqueles pixels que tm valores espectrais semelhantes so agrupados em classes
espectralmente similares. Neste exemplo, a classe A (urbanizao) formada por pixels
claros (altos valores de cinza) que variam de 70 a 130, e a classe B (gua) formada por
pixels escuros (baixos valores de cinza) variando de 5 a 40. Geralmente, existe um maior
nmero de classes e no mnimo trs ou quatro bandas espectrais.
A classificao de imagens digitais tem se constitudo em um dos mais importantes campos de
sensoriamento remoto. Em alguns casos, a classificao pode ser o prprio objeto final de
anlise.
O termo classificador digital refere-se a um programa de computador que implementa um
procedimento especfico para a classificao de uma imagem digital. Ao longo dos anos, os
cientistas tm desenvolvido vrias estratgias de classificao; de forma que o analista precisa
selecionar, a partir dessas alternativas, qual o classificador a ser usado em tarefas especficas.
Atualmente, impossvel dizer que um dado classificador melhor para todas as situaes,
porque as caractersticas de cada imagem e as circunstncias para cada estudo esto sempre
variando. Portanto, essencial que o analista compreenda as estratgias alternativas para a
classificao de imagens, para que ele possa estar preparado para selecionar o classificador
mais apropriado para determinada tarefa.
7.2. CLASSIFICAO PIXEL A PIXEL E POR REGIO
Classificadores "pixel a pixel": utilizam apenas a informao espectral isoladamente de
cada pixel para achar regies homogneas. O resultado final de um processo de
classificao pixel a pixel uma imagem digital que constitui um mapa de "pixels"
classificados, representados por smbolos grficos ou cores.
Classificadores por regio: utilizam, alm de informao espectral de cada "pixel", a
informao espacial que envolve a relao entre os "pixels" e seus vizinhos. Esses
classificadores procuram simular o comportamento de um fotointrprete, ao reconhecer
reas homogneas de imagens, baseado nas propriedades espectrais e espaciais de
imagens.
A (urbanizao)
B (gua)
_ _____________ Captulo 7 Classificao de Imagens de Satlite
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
98
7.3. CLASSE INFORMAL E CLASSE ESPECTRAL
importante no confundir classe informal com classe espectral.
CLASSE INFORMAL: so categorias de interesse dos usurios de dados digitais. Classes
informais so, por exemplo, os diferentes tipos de unidades geolgicas, diferentes tipos de
florestas, etc., que fornecem informaes aos planejadores, administradores e cientistas
que usam informaes derivadas de dados obtidos remotamente. Em resumo, classes
informais so aquelas classes que o homem define.
CLASSE ESPECTRAL: so grupos de pixels que so uniformes em termos de valores de
brilho em suas diversas bandas espectrais. Estas classes precisam ser identificadas e
nomeadas pelo analista.
7.4. CLASSIFICAO SUPERVISIONADA E NO-SUPERVISIONADA
CLASSIFICAO SUPERVISIONADA: pode ser definida como o processo de usar
amostras de identidade conhecida (Ex: pixels j assinalados as classes informacionais)
para classificar pixels de identidade desconhecida (em outras palavras, assinar pixels
desconhecidos a uma das vrias classes informacionais). Na classificao supervisionada,
a identidade e a localizao de algumas feies, tais como agricultura, floresta e
urbanizao, so conhecidas, inicialmente, por meio da combinao de trabalhos de
campo, anlises de fotografias areas convencionais ou digitais, mapas e experincia
profissional, nos quais o analista tenta localizar as reas especficas que representam
exemplos homogneos destas feies conhecidas. Essas reas so denominadas de
reas de treinamento porque as suas caractersticas espectrais conhecidas so usadas
para treinar o algoritmo de classificao para o mapeamento das feies presentes no
restante da imagem. Parmetros estatsticos multivariados (mdia, desvio padro, matriz
de covarincia, matriz de correlao, etc.) so calculados para cada rea de treinamento.
Assim, cada pixel dentro e fora das reas de treinamento avaliado e assinalado classe
qual ele tem maior probabilidade de pertencer. importante ressaltar que as reas de
treinamento devem ser as mais homogneas possveis, e que no incluam limites de
transio entre diferentes feies. A Figura 7.3 mostra todas as etapas necessrias para a
classificao supervisionada.
Figura 7.3. Etapas necessrias para a classificao supervisionada.
_ _____________ Captulo 7 Classificao de Imagens de Satlite
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
99
CLASSIFICAO NO-SUPERVISIONADA: esta classificao no requer qualquer
informao prvia sobre as classes de interesse. Ela examina os dados e os divide nos
agrupamentos espectrais naturais predominantes presentes na imagem. O analista ento
identifica esses agrupamentos como classes de cobertura do solo, por meio de uma
combinao de sua familiaridade com a regio estudada e visitas para levantamento de
verdade de campo.
7.5. ALGORITMOS DE CLASSIFICAO
Existe uma variedade de algoritmos de classificao nos quais os pixels desconhecidos podem
ser comparados com os pixels do conjunto de treinamento. Em cada caso, o produto final
uma imagem classificada, representando ento um mapa temtico. Esses algoritmos de
classificao podem ser paramtricos e no paramtricos. Este ltimo, no faz suposies
sobre as distribuies das classes. J os paramtricos produzem bons resultados mesmo
quando a distribuio de classe assumida invlida. A Tabela 7.1. mostra os algoritmos de
classificao mais comuns:
Tabela 7.1. Algoritmos de classificao mais comuns.
CLASSIFICAO TIPO ALGORITMO
paraleleppedo
distncia mnima Pixel a pixel
mxima verossimilhana
Supervisionada
Bhattacharya
No-supervisionada
Por regio
Mahalanobis (Isoseg)
ALGORITMO DE CLASSIFICAO DO PARALELEPPEDO
Esse algoritmo de classificao (supervisionado) considera uma rea no espao de atributos
ao redor do conjunto de treinamento, sendo que essa rea tem a forma de um quadrado ou
paraleleppedo, definido pelos valores de reflectncia mximos e mnimos do conjunto de
treinamento.
Todos os pixels situados dentro do paraleleppedo sero classificados como pertencentes a
uma classe, e os lados do paraleleppedo constituem os chamados limites de deciso de
classe. Uma outra caracterstica desse mtodo que, numa imagem tpica de sensoriamento
remoto, contendo milhares de pixels, a maioria deles vai provavelmente cair fora dos limites de
deciso das classes, por mais classes que se defina. Isso se deve ao fato de que o volume do
espao de atributos que no pertence a nenhuma das classes muito grande (CROSTA,
1993).
Os limites de deciso podem ser definidos como:
valores mximos e mnimos de cada assinatura;
a mdia de cada banda, mais ou menos o desvio padro;
limites especificados pelo analista baseado na experincia e conhecimento dos dados e
assinaturas.
_ _____________ Captulo 7 Classificao de Imagens de Satlite
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
100
DEMONSTRAO MATEMTICA DO ALGORITIMO DO PARALELEPPEDO
Um pixel desconhecido ser assinado a uma classe c qualquer se e somente se:
ck ck ijk ck ck
x VB x +
Em que,
ck
x = mdia da classe c na banda k;
ck
= desvio padro da classe c na banda k;
ijk
VB = valor de brilho na linha i, coluna j e banda k;
c = nmero de classes envolvidas na classificao;
k = nmero de bandas envolvidas na classificao.
Redefinindo esta equao, temos que:
ck ijk ck
LS VB LI
Em que,
ck
LI = limite inferior
ck ck
x
ck
LS = limite inferior
ck ck
x +
Vantagens do algoritmo de classificao do paraleleppedo:
simples e eficiente em termos computacionais;
leva em considerao a varincia.
Desvantagens do algoritmo de classificao do paraleleppedo:
baixa preciso;
no leva em considerao a covarincia dos dados.
OBS: muitos pixels no so classificados por no atenderem o intervalo dos limites. Uma
soluo seria aumentar o intervalo por meio do desvio padro, porm, isto provocaria uma
maior superposio.
Exemplo de aplicao prtica do algoritmo de classificao do paraleleppedo:
A Figura 7.4 mostra um esquema de aplicao do algoritmo de classificao do paraleleppedo
(adaptado de EASTMAN, 1998). No diagrama heurstico, os valores de reflectncia das
assinaturas so indicados com letras minsculas; os pixels que esto sendo comparados s
assinaturas esto indicados com nmeros; e as mdias espectrais esto indicadas com pontos.
Nesse caso, o pixel 1 ser classificado como pastagem (p) enquanto deveria, provavelmente,
ser classificado como solo exposto (s). Alm disso, as caixas frequentemente se superpem.
Pixels com valores que caem nessa superposio so atribudos ltima assinatura, seguindo
a ordem na qual os nomes das assinaturas foram introduzidos no mdulo.
_ _____________ Captulo 7 Classificao de Imagens de Satlite
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
101
Figura 7.4. Esquema de aplicao do algoritmo de classificao do paraleleppedo (adaptado
de EASTMAN, 1998).
ALGORITMO DE CLASSIFICAO DA DISTNCIA MNIMA
Este algoritmo de classificao (supervisionado) atribui cada pixel desconhecido classe cuja
mdia mais prxima a ele. Isto porque, na maioria das situaes reais encontradas em
imagens de sensoriamento remoto, o nvel de cinza dos pixels vai representar, na verdade,
uma mistura de mais de um tipo de superfcie. Uma soluo para este caso atribuir cada pixel
desconhecido uma ou outra classe, dependendo da classe que ele est mais prximo. Para
isso, calcula-se a distncia espectral de cada pixel at a mdia de cada classe em cada banda.
DEMONSTRAO MATEMTICA DO ALGORITIMO DA DISTNCIA MNIMA
A distncia geralmente calculada usando a distncia euclidiana baseada no teorema de
Pitgoras, expressa pela seguinte frmula:
( )
=
2
ck ijk
x VB DIST
Em que,
DIST = distncia euclidiana;
ijk
VB = valor de brilho na linha i, coluna j e banda k;
ck
x = mdia da classe c a banda k;
c = nmero de classes envolvidas na classificao;
k = nmero de bandas envolvidas na classificao.
Vantagens do algoritmo de classificao da distncia mnima euclidiana:
simplicidade e eficincia em termos computacionais;
maior preciso quando comparado ao paraleleppedo.
Desvantagens do algoritmo de classificao da distncia mnima euclidiana:
no leva em considerao a varincia e a covarincia.
u
u
u
u
u
u u
u u
u u
u
u
u
u
u
u
2
f
f
f
f
f
f
f
a
a a
a
a a
s
s
s s
s
s
s
s
s s
s
p
p
p
p
p
p
p
p
p
p
p
1
BANDA DO INFRAVERMELHO
B
A
N
D
A
D
O
V
E
R
M
E
L
H
O
VALORES DE REFLECTNCIA
DAS ASSINATURAS
u = urbanizao
f = fragmentao florestal
s = solo exposto
a = gua
p = pastagem
MDIAS ESPECTRAIS
PIXELS QUE ESTO SENDO
COMPARADOS
1 e 2
= urbanizao
= fragmentao
= solo exposto
= gua
= pastagem
_ _____________ Captulo 7 Classificao de Imagens de Satlite
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
102
Exemplo de aplicao prtica do algoritmo de classificao da distncia mnima
euclidiana:
No diagrama heurstico da Figura 7.5, o pixel 1 est mais prximo da mdia do solo exposto (s)
e , por isso, atribudo categoria solo exposto. A desvantagem deste classificador ilustrada
pelo pixel 2, que est mais prximo mdia da fragmentao florestal (f), mesmo parecendo
estar dentro do intervalo de reflectncia com maior probabilidade de ser urbanizao (u).
Figura 7.5. Esquema de aplicao do algoritmo de classificao da distncia
mnima euclidiana (EASTMAN, 1998, adaptado).
ALGORITMO DE CLASSIFICAO DA MXIMA VEROSIMILHANA
O algoritmo da mxima verossimilhana (supervisionado) avalia a varincia e a covarincia das
categorias de padres de resposta espectral quando classifica um pixel desconhecido. Para
isso, assume-se que a distribuio da nuvem de pontos que forma a categoria dos dados de
treinamento Gaussiana (distribuio normal). Assumida essa suposio, a distribuio de um
padro de resposta espectral da categoria pode ser complemente descrita por um valor de
mdia e pela matriz de covarincia. Com esses parmetros, possvel calcular a probabilidade
estatstica de um dado valor de pixel pertencente a uma classe particular de cobertura da terra
(LILLESAND; KIEFFER, 2004).
DEMONSTRAO MATEMTICA DO ALGORITIMO DA MXIMA VEROSIMILHANA
O algoritmo da mxima verossimilhana pode ser expresso pela seguinte frmula:
( ) ( ) [ ] ( ) ( ) ( ) [ ]
c c
T
c c e
M X V M X V Det Pc =
1
5 , 0 log 5 , 0
Em que,
Pc = probabilidade de o vetor X ser assinalado;
c
V = matriz de covarincia da classe c contemplando todas as bandas (K,..., L);
( )
c
V Det = determinante da matriz de covarincia
c
V ;
X = vetor de medidas dos pixels desconhecidos;
c
M = vetor das mdias para cada classe c;
T = matriz transposta.
u
u
u
u
u
u u
u
u
u u
u
u
u
u
u
u
2
f
f
f
f
f
f
f
a
a a
a
a a
s
s
s s
s
s
s
s
s s
s
p
p
p
p
p
p
p
p
p
p
p
1
BANDA DO INFRAVERMELHO
B
A
N
D
A
D
O
V
E
R
M
E
L
H
O
VALORES DE REFLECTNCIA
DAS ASSINATURAS
u = urbanizao
f = fragmentao florestal
s = solo exposto
a = gua
p = pastagem
MDIAS ESPECTRAIS
PIXELS QUE ESTO SENDO
COMPARADOS
1 e 2
= urbanizao
= fragmentao
= solo exposto
= gua
= pastagem
_ _____________ Captulo 7 Classificao de Imagens de Satlite
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
103
Os limites de classificao so definidos a partir de pontos de mesma probabilidade de
classificao de uma e de outra classe.
A Figura 7.6 apresenta o limite de deciso de uma classificao, no ponto onde as duas
distribuies se cruzam. Desta forma, um pixel localizado na regio sombreada, apesar de
pertencer classe 2, ser classificado como classe 1, pelo limite de deciso estabelecido.
Figura 7.6. Limite de deciso.
O limiar de deciso indica a porcentagem (%) de "pixels" da distribuio de probabilidade de
uma classe que ser classificada como pertencente a esta classe. Um limite de 99%, por
exemplo, engloba 99% dos "pixels", sendo que 1% ser ignorado (os de menor probabilidade),
compensando a possibilidade de alguns "pixels" terem sido introduzidos no treinamento por
engano, nesta classe, ou estarem no limite entre duas classes. Um limiar de 100% resultar em
uma imagem classificada sem rejeio, ou seja, todos os "pixels" sero classificados.
Para diminuir a confuso entre as classes, ou seja, reduzir a sobreposio entre as
distribuies de probabilidades das classes, aconselha-se a aquisio de amostras
significativas de alvos distintos e a avaliao da matriz de classificao das amostras.
Exemplo de aplicao prtica do algoritmo de classificao da mxima verossimilhana:
No diagrama heurstico da Figura 7.7, pelo fato da distribuio dos valores de reflectncia em
uma amostra de treinamento ser descrita por uma funo de densidade de probabilidade, este
classificador tende a apresentar resultados mais acurados. Logo, os pixels 1 e 2 sero
classificados corretamente, sendo atribudos s categorias urbanizao (u) e solo exposto (s),
respectivamente.
Figura 7.7. Esquema de aplicao do algoritmo de classificao da mxima
verossimilhana (EASTMAN, 1998, adaptado).
u
u
u
u
u
u u
u
u
u u
u
u
u
u
u
u
2
f
f
f
f
f
f
f
a
a a
a
a a
s
s
s s
s
s
s
s
s s
s
p
p
p
p
p
p
p
p
p
p
p
1
BANDA DO INFRAVERMELHO
B
A
N
D
A
D
O
V
E
R
M
E
L
H
O
VALORES DE REFLECTNCIA
DAS ASSINATURAS
u = urbanizao
f = fragmentao florestal
s = solo exposto
a = gua
p = pastagem
MDIAS ESPECTRAIS
PIXELS QUE ESTO SENDO
COMPARADOS
1 e 2
= urbanizao
= fragmentao
= solo exposto
= gua
= pastagem
_ _____________ Captulo 7 Classificao de Imagens de Satlite
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
104
ALGORITMO DE CLASSIFICAO MAXVER-ICM
O classificador MAXVER-ICM um algoritmo supervisionado que considera a dependncia
espacial. Na primeira etapa, a imagem classificada pelo algoritmo MAXVER e, em seguida, o
classificador atribui classes a um determinado pixel, considerando a sua vizinhana
interativamente. Esse algoritmo tambm utiliza o limiar de aceitao. (Referncia???)
ALGORITMO DE CLASSIFICAO BHATTACHARYA
O classificador de Bhattacharya um algoritmo de classificao supervisionada, que requer a
seleo de reas de treinamento, podendo utilizar as regies separadas durante o processo de
segmentao ou polgonos representativos das regies a serem classificadas. Ele utiliza as
amostras de treinamento para estimar a funo densidade de probabilidade das classes
apontadas no treinamento. Em seguida, avalia, em cada regio, a distncia de Bhattacharya
entre as classes (MOREIRA, 2005).
DEMONSTRAO MATEMTICA DO ALGORITIMO BHATTACHARYA
O algoritmo de Bhattacharya pode ser expresso pela seguinte frmula:
( ) ( ) ( )
( )
+ =
2
1
2
1
2 1
ln
2
1
2
1
,
j i
m m
m m m m p p B
j i
j i
T
j i
Em que,
B = distncia de Bhattacharya;
i
p e
j
p = pixels nas classes i e j ;
i
m e
j
m = mdias das classes i e j ;
T = matriz transposta;
ln = logaritmo neperiano;
i e j = classes dentro do contexto.
ALGORITMO DE CLASSIFICAO ISOSEG
O Isoseg um algoritmo de agrupamento de dados no-supervisionado, aplicado sobre
conjuntos de regies que foram caracterizadas por seus atributos estatsticos (mdia e matriz
de
covarincia) na fase de extrao de regies. Em outras palavras, uma tcnica para
classificao que procura agrupar regies, a partir de uma medida de similaridade entre elas. A
medida de similaridade utilizada consiste na distncia de Mahalanobis entre a classe e as
regies candidatas relao de pertinncia com essa classe (MOREIRA, 2005).
DEMONSTRAO MATEMTICA DO ALGORITIMO ISOSEG
O algoritmo de Isoseg pode ser expresso pela seguinte frmula:
( ) ( )
j i
T
i
m X C m X D =
1
2
1
Em que,
D = distncia de Mahalanobis;
T = matriz transposta;
i
C = matriz de covarincia;
i
m e
j
m = vetor de mdia das classes i e j ;
X = regio de anlise.
_ _____________ Captulo 7 Classificao de Imagens de Satlite
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
105
EXERCCIO PARA APRENDIZAGEM ALGORITMO DA DISTNCIA MNIMA
EUCLIDIANA
Com o objetivo de compreender melhor o algoritmo da distncia mnima euclidiana, vamos
utilizar os dados estatsticos da Tabela 7.2 para classificar dois pixels desconhecidos A e B
utilizando 5 classes de uso e ocupao do solo.
Tabela 7.2. Resultado estatstico de cinco classes nas bandas 4 e 5.
Classes x na banda 4 s na banda 4 x na banda 5 s na banda 4
Residencial 36,5 4,53 55,7 10,72
Comercial 54,8 3,88 77,4 11,16
Pntano 20,2 1,88 28,2 4,31
Floresta 39,1 5,11 35,5 6,41
gua 9,3 0,56 5,2 0,71
Em que,
x = mdia das classes nas bandas 4 e 5
s = desvio padro das classes nas bandas 4 e 5
Um pixel desconhecido A (40,40) apresenta valores numricos 40 nas bandas 4 e 5, enquanto
que um outro pixel desconhecido B (10,40) apresenta valores numricos de 10 na banda 4 e 40
na banda 5.
Usando os dados tabelados anteriormente, podemos calcular as distncias dos pixels
desconhecidos A e B at a mdia das 5 classes. Como apenas duas bandas esto envolvidas
na classificao, a equao utilizada ser:
( ) ( )
+ =
2 2
cl ijl ck ijk
x VB x VB DIST
Em que,
DIST = distncia do pixel desconhecido at a classe C
ijk
VB e
ijl
VB = valores numricos dos pixels desconhecidos na linha i, coluna j, bandas K e L
ck
x e
cl
x = mdias para a classe C nas bandas K e L
Abaixo segue o exemplo da lgica de classificao do algoritmo da distncia mnima at a
mdia das 5 classes para os dois pixels desconhecidos A (40,40) e B (10,40).
PIXELS DESCONHECIDOS
CLASSE
A (40, 40) B (10,40)
residencial
2 2
) 7 , 55 40 ( ) 7 , 36 40 ( + = 16,04
2 2
) 7 , 55 40 ( ) 7 , 36 10 ( + = 30,97
comercial
2 2
) 4 , 77 40 ( ) 8 , 54 40 ( + = 40,22
2 2
) 4 , 77 40 ( ) 8 , 54 10 ( + = 58,35
Pntano
2 2
) 2 , 28 40 ( ) 2 , 20 40 ( + =23,04
2 2
) 2 , 28 40 ( ) 2 , 20 10 ( + = 15,75
Floresta
2 2
) 5 , 35 40 ( ) 39,1 40 ( + = 4,59
2 2
) 5 , 35 40 ( ) 1 , 39 40 ( + = 29,45
gua
2 2
) 2 , 5 40 ( ) 9,3 40 ( + = 46,4
2 2
) 2 , 5 40 ( ) 3 , 9 40 ( + = 34,8
_ _____________ Captulo 7 Classificao de Imagens de Satlite
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
106
No difcil perceber que o pixel desconhecido A ser assinalado classe de floresta por
apresentar a menor distncia entre eles de 4,59. Por outro lado, o pixel desconhecido B ser
assinalado classe de pntano, cuja menor distncia foi 15,75.
Muitos algoritmos de distncia mnima permitem ao analista especificar uma distncia limite
(limiar) da mdia da classe a partir da qual o pixel no ser assinalado a uma classe, mesmo
que ele esteja prximo da mdia daquela classe. Por exemplo, se um limiar de 10 fosse
especificado, o pixel desconhecido A ainda seria classificado como floresta por ter uma
distncia mnima de 4,59, que est abaixo do limiar. J o pixel desconhecido B no seria
assinalado classe de pntano porque sua distncia mnima de 15,75 foi superior ao limiar
estabelecido de 10. Neste caso, esse pixel seria assinalado a uma classe desconhecida.
7.6. MAPEAMENTO DO USO E OCUPAO DO SOLO USANDO O MTODO DE
CLASSIFICAO SUPERVISIONADA DE MXIMA VEROSSIMILHANA
(MAXVER)
PREPARAO DO BASE DE DADOS
1. J com o Spring aberto, no menu Arquivo, clique na opo Banco de Dados.
2. Com o diretrio Livro_Spring_Alegre_ES j selecionado, selecione o banco de dados
Bacia_Rio_Alegre.
3. Clique no boto Ativar.
4. No menu Arquivo, aponte para a opo Projeto e, novamente, clique na opo Projeto.
5. Clique no boto Desativar.
6. Nas caixas de entrada X1, X2, Y1 e Y2, entre com os seguintes valores:
X1: 236714.000000 X2: 237551. 000000
Y1: 7701566.000000 Y2: 7702452. 000000
7. Na caixa de entrada Nome digite BHR_Alegre_Uso_Solo.
8. Clique no boto Criar.
9. Clique no boto Ativar.
12. No menu Arquivo, aponte para a opo Importar e, posteriormente, para a opo
Importar Dados Vetoriais e Matriciais....
13. Na caixa de dilogo Importao, clique no boto Arquivo.
14. Na caixa de dilogo, v para o diretrio C:\Livro_Spring_Alegre_ES.
15. No dropdwon Ficheiros do tipo, selecione TIFF/GEOTIFF (*.tif* .tiff).
16. Selecione a imagem ikonos_band_1.tif (banda 1, azul, do satlite IKONOS).
17. Clique no boto Abrir.
18. Clique na guia Sada.
19. No boto Categoria, selecione Satlites.
20. Na caixa de entrada PI (plano de informao) digite o mesmo nome da imagem que, ou
seja, ikonos_band_1.tif.
21. Finalmente, clique no boto Executar.
Repita os passos anteriores para importar as seguintes imagens:
ikonos_band_2.tif Verde
ikonos_band_3.tif Vermelho
ikonos_band_4.tif Infravermelho prximo
20. Na guia Principal do Spring, no Painel de controle, selecione a imagem intitulada
ikonos_band_2.tif. e, na parte inferior do Spring, marque a caixa representativa da letra B
(azul).
21. Selecione a imagem intitulada ikonos_band_3.tif e, na parte inferior do Spring, marque a
caixa representativa da letra R (vermelho).
22. Selecione a imagem intitulada ikonos_band_4.tif e, na parte inferior do Spring, marque a
caixa representativa da letra G (verde).
_ _____________ Captulo 7 Classificao de Imagens de Satlite
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
107
OBTENO DAS AMOSTRAS DE TREINAMENTO
1. No menu Imagem, clique na opo Classificao.
2. Na caixa de dilogo Classificao, clique no boto Diretrio e selecione do diretrio de
trabalho C:\Livro_Spring_Alegre_ES\Bacia_Rio_Alegre\BHR_Alegre_Uso_Solo.
3. Clique no boto Criar.
4. Na caixa de dilogo Criao de Contexto, para a opo Nome, digite Contexto_1.
5. Em Tipo de Anlise, marque a opo Pixel.
6. Selecione as imagens ikonos_band_2, ikonos_band_3 e ikonos_band_4.
7. Clique no boto Executar.
2
3
1
20
22
21
16
17
18
19
11
9
5
6
7
8
3
_ _____________ Captulo 7 Classificao de Imagens de Satlite
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
108
8. De volta a caixa de dilogo Classificao, selecione Contexto_1.
9. Clique no boto Treinamento.
10. Na caixa de dilogo Spring, clique sobre o boto OK para iniciar a aquisio das amostras
de treinamento.
11. Na caixa de dilogo Treinamento, na caixa de entrada Nome, digite gua.
12. Clique no boto Criar.
13. Clique no boto Cor.
14. Na caixa de dilogo Selecionar Cor, selecione a cor Azul.
Repita os passos de 11 a 14 para criar as classes e cores mostradas na Tabela 7.3, com
exceo da classe Agua j criada anteriormente.
Tabela 7.3. Nome e cor das amostras de treinamento a serem criadas.
NOME COR
Agua azul
Estrada_Pavimentada cinza
Fragmento verde escuro
Solo_Exposto marron
Pastagem verde claro
Urbanizacao vermelho
15. Selecione o tema Agua.
16. Em Contorno, clique em Poligonal. Ento inicie a digitalizao das amostras de
treinamento do tema Agua. Para tanto, sobre a imagem, basta utilizar o boto esquerdo
14
11
13
12
10
8
9
4
5
6
7
_ _____________ Captulo 7 Classificao de Imagens de Satlite
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
109
do mouse para iniciar a digitalizao. Para fechar o polgono, clique com o boto direito
do mouse.
17. Aps o fechamento do polgono, clique sobre o boto Adquirir.
18. Clique sobre o boto Salvar.
Repita os passos de 15 a 16 para digitalizar as amostras de treinamento dos outros temas.
Abaixo, demonstrado o resultado de todas as amostras digitalizadas.
OBS: Para exibir todas as amostras digitalizadas, em Modo, basta marcar a opo Exibe
Todas.
AVALIAO ESTATSTICA DAS AMOSTRAS DE TREINAMENTO
1. Na caixa de dilogo Classificao, clique sobre o boto Classificao.
2. Na caixa de dilogo Classificao de Imagens, clique sobre o boto Analisar Amostras.
3. Na caixa de dilogo Anlise de Amostras possvel observar que o Desempenho Mdio
da amostragem foi de 92,28 % e que a Confuso mdia foi de 7,72 %. possvel
observar tambm a Matriz de Confuso do Tema e da Amostra.
4. Clique no boto Fechar.
Amostras de
treinamento da classe
Agua
15
16
17
18
_ _____________ Captulo 7 Classificao de Imagens de Satlite
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
110
OBS: Caso necessrio, voc pode salvar os resultados da anlise das amostras, clicando
sobre o boto Salvar. Abaixo, demonstrado o resultado do salvamento com extenso .txt
aberto no Bloco de notas do Windows.
COMPROVAO MATEMTICA DOS RESULTADOS
Abaixo, demonstrada a matriz de erros de classificao do exemplo da figura anterior:
Agua Estrada_Pavim. Fragmento Pastagem Solo_Exposto Urbanizacao Soma Lin.
Agua 116 1 0 0 0 0 117
Estrada_Pavim. 8 607 3 2 16 51 687
Fragmento 5 0 3667 276 4 1 3953
Pastagem 0 0 213 4478 90 2 4783
Solo_Exposto 0 0 0 24 542 15 581
Urbanizacao 1 97 0 0 24 541 663
Soma Col. 130 705 3883 4780 676 610 10784
3
4
2
1
Desempenho Geral (DG)
ndice Kappa (K)
VALORES A SEREM COMPROVADOS
NO PRXIMO TPICO
_ _____________ Captulo 7 Classificao de Imagens de Satlite
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
111
A Exatido Global ou Desempenho Geral (DG) definido pela seguinte equao:
T
D
DG =
Em que,
D = elementos da diagonal principal
T = nmero total de amostras
% 28 , 92 923 , 0
10784
9951
10784
541 542 4478 3667 607 116
= = =
+ + + + +
= DG
O clculo do ndice Kappa (K) efetuado por meio da seguinte relao (CONGALTON;
GREEN,1998):
Q T
Q D
K
= onde
=
+ +
=
r
i
i i
X X Q
1
em que,
+ i
X = total da linha para uma dada categoria informacional;
i
X
+
= total da coluna para uma dada categoria informacional
De acordo com Congalton & Green (1998), as classificaes das imagens geradas em
sensoriamento remoto so identificadas em determinados intervalos de valores, conforme os
nveis de aceitao na Tabela 7.4.
Tabela 7.4. Intervalo de aceitao dos resultados do ndice Kappa.
NDICE KAPPA ( K ) CARACTERSTICAS
4 , 0 K Pobre
8 , 0 4 , 0 K Razovel
8 , 0 K Excelente
Logo, com o objetivo de calcular o ndice Kappa (K), temos que:
% 30 , 88 883 , 0
34 , 7120
34 , 6287
66 , 3663 10784
66 , 3663 9951
66 , 3663
10784
663 * 610 581 * 676 4783 * 4780 3953 * 3883 687 * 705 117 * 130
9951 541 542 4478 3667 607 116
10784
1
= = =
=
=
+ + + + +
= =
= + + + + + =
=
=
+ +
Q T
Q D
K
T
X X
Q
D
T
r
i
i i
Conclui-se ento que para nossa amostragem, o ndice Kappa apresentou valor de 88,30 %,
enquadrando-se como excelente.
_ _____________ Captulo 7 Classificao de Imagens de Satlite
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
112
CLASSIFICAO SUPERVISIONADA USANDO O MTODO DA MXIMA
VEROSSIMILHANA (MAXVER)
1. De volta caixa Classificao de Imagens, na caixa de entrada Nome, digite
Class_Superv_Maxver.
2. Clique sobre o boto Criar.
3. No dropdown da opo Classificador, selecione Maxver (algoritmo de classificao da
Mxima Verossimilhana).
4. No dropdown da opo Limiar de Aceitao, selecione 99%.
5. Clique sobre o boto Executar.
6. Na janela Auxiliar, visualize a imagem Class_Superv_Maxver.
OBS: O limiar de aceitao indica a % de "pixels" da distribuio de probabilidade de uma
classe que ser classificada como pertencente a esta classe. Um limite de 99%, por exemplo,
engloba 99% dos "pixels", sendo que 1% sero ignorados (os de menor probabilidade),
compensando a possibilidade de alguns "pixels" terem sido introduzidos no treinamento por
engano, nesta classe, ou estarem no limite entre duas classes. Um limiar de 100% resultar em
uma imagem classificada sem rejeio, ou seja, todos os "pixels" sero classificados.
PS-CLASSIFICAO DA CLASSIFICAO SUPERVISIONADA
Aplica-se este procedimento em uma imagem classificada, com o objetivo de uniformizar os
temas, ou seja, eliminar pontos isolados, classificados diferentemente de sua vizinhana. Com
isso, gera-se uma imagem classificada com aparncia menos ruidosa.
Em uma janela de 3 x 3 "pixels", o ponto central avaliado quanto frequncia das classes
(temas), em sua vizinhana. De acordo com os valores de peso e limiar definidos pelo usurio,
esse ponto central ter ou no sua classe substituda pela classe de maior frequncia na
vizinhana.
O peso varia de 1 a 7 e define o nmero de vezes que ser considerada a frequncia do
ponto central.
O limiar varia tambm de 1 a 7 e o valor de frequncia acima do qual o ponto central
modificado.
6
1
2
3
4
5
_ _____________ Captulo 7 Classificao de Imagens de Satlite
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
113
EXEMPLO:
Para a janela de uma imagem classificada ser avaliado o "pixel" central pertencente classe
2. Considera-se que:
a) peso = 3
b) limiar = 3
3 3 1
5 2 3
5 5 5
Obtm-se a seguinte frequncia de classes:
Classe 1 2 3 5
Frequncia 1 3 3 4
A tabela acima indica que a classe 1 ocorre uma vez; a classe 3 ocorre trs vezes e a classe 5,
quatro vezes. A frequncia da classe 2 considerada 3, pelo fato do peso definido ser 3. O
limiar igual a 3 far com que o ponto central (de classe 2) seja atribudo classe 5, cuja
frequncia (4) maior que o limiar definido.
A janela classificada com seus temas uniformizados torna-se:
3 3 1
5 5 3
5 5 5
A definio de peso e limiar depender da experincia do usurio e das caractersticas da
imagem classificada. Quanto menor o peso e menor o limiar, maior o nmero de substituies
que sero realizadas.
1. Na caixa de dilogo Classificao, clique sobre o boto Ps-Classificao.
2. Na caixa de dilogo Ps-classificao, aceite os valores padres de Peso (2) e Limiar
(5).
3. Clique sobre o boto Executar.
2
3
1
_ _____________ Captulo 7 Classificao de Imagens de Satlite
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
114
Abaixo, demonstrado o resultado da imagem Class_Super_Maxver_pos exibida na janela
Auxiliar do Spring.
ELABORAO DO MODELO DE DADOS TEMTICOS
Com o intuito de elaborar o mapa temtico (mapeamento) de uso e ocupao do solo,
inicialmente, teremos que criar um novo modelo de dados temtico, que ir conter classes com
seus visuais de apresentao grfica.
1. No Spring, clique na ferramenta Modelo de dados.
2. Na caixa de dilogo Modelo de Dados, na caixa de entrada da opo Nome, digite Uso-
Solo.
3. Clique sobre o boto Criar.
4. Clique na guia Classes Temticas.
2
3
4
1
_ _____________ Captulo 7 Classificao de Imagens de Satlite
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
115
5. Na guia Classes Temticas, na caixa de entrada da opo Nome, digite Agua.
6. Clique sobre o boto Criar.
7. Clique sobre o boto Visual.
8. Na guia reas, aps clicar sobre o boto Cor, selecione a cor Azul e clique sobre o boto
Executar.
Repita os passos de 5 a 8 para criar as classes e cores demonstradas na Tabela 7.5, com
exceo da classe Agua j criada anteriormente.
Tabela 7.5. Nome e cor das classes a serem criadas.
NOME DAS CLASSES COR
Agua azul
Estrada_Pavimentada cinza
Fragmento verde escuro
Solo_Exposto marron
Pastagem verde claro
Urbanizacao vermelho
Abaixo, so demonstradas as apresentaes grficas das classes criadas.
Estrada_Pavimentada Fragmento Solo_Exposto
Pastagem Urbanizacao
4b
4a
5
6
7
_ _____________ Captulo 7 Classificao de Imagens de Satlite
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
116
9. Aps a criao das classes temticas com suas respectivas apresentaes grficas, na
caixa dilogo Modelo de Dados, clique sobre o boto Executar.
ELABORAO DO MAPA TEMTICO (MAPEAMENTO) DE USO E OCUPAO DO
SOLO
1. Na caixa de dilogo Classificao, clique no boto Mapeamento.
2. Na caixa de dilogo Mapeamento para Classes, no painel Imagens Classificadas,
selecione Class_Super_Maxver_pos.
3. No painel Categorias, selecione Uso_Solo.
4. No painel Temas, selecione o tema Agua.
5. No painel Classes, selecione a classe Agua.
Repita os passos 4 e 5 para os outros temas e classes (Tabela 7.6), com exceo da classe
Agua j criada anteriormente.
7.6. Temas e suas classes respectivas de associao.
TEMAS CLASSES
Agua azul
Estrada_Pavimentada Estrada_Pavimentada
Fragmento Fragmento
Solo_Exposto Solo_Exposto
Pastagem Pastagem
Urbanizacao Urbanizacao
4
2
3 4
5
1
9
_ _____________ Captulo 7 Classificao de Imagens de Satlite
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
117
Abaixo, demonstrada a categoria Uso_Solo (modelo temtico) com o plano de informao
Class_Super_Maxver_pos-T exibido na tela.
OBTENO DE REAS EM HECTARES PARA AS CLASSES TEMTICAS
1. Na categoria Uso_Solo, selecione o plano de informao Class_Super_Maxver_pos-T.
2. No menu Temtico, clique na opo Medida de Classes.
3. Na caixa de dilogo Medidas de Classes, no dropdown Unidades, selecione ha.
4. Clique no boto Executar.
Veja que a classe Pastagem apresenta a maior rea de uso que equivale a 35,50 ha.
5. Clique sobre o boto Fechar.
5
3
4
1
2
_ _____________ Captulo 7 Classificao de Imagens de Satlite
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
118
Os resultados estatsticos da classificao supervisionada, usando o mtodo da Mxima
Verossimilhana (MAXVER), so demonstrados na Tabela 7.7 e Figura 7.8.
Tabela 7.7. Resultados estatsticos da classificao supervisionada usando o mtodo da
Mxima Verossimilhana (MAXVER).
CLASSES REA (ha) PORCENTAGEM (%)
gua
1,1 1,6
Estrada pavimentada
3,0 4,3
Fragmento
17,0 24,6
Solo exposto
5,8 8,3
Pastagem
35,5 51,3
Urbanizao
6,2 8,9
rea no classificada
0,7 1,0
TOTAL
69,2 100,0
1,6
4,3
24,6
8,3
51,3
8,9
1,0
0,0
10,0
20,0
30,0
40,0
50,0
60,0
gua Estrada
pavimentada
Fragmento Solo exposto Pastagem Urbanizao rea no
classificada
CLASSES
P
O
R
C
E
N
T
A
G
E
M
(
%
)
Figura 7.8. Resultados estatsticos da classificao supervisionada usando o mtodo da
Mxima Verossimilhana (MAXVER).
ELABORAO DO LAYOUT DO MAPA DE USO E OCUPAO DO SOLO
Para elaborar o layout do mapa de uso e ocupao do solo, ser utilizado o programa SCARTA
5.1.2 PORTUGUS. Logo, para iniciar o SCARTA 5.1.2 PORTUGUS, voc deve seguir os
seguintes passos:
6. Clique no boto Iniciar da barra de estado do Windows.
7. Clique sobre o nome Programas.
8. Clique sobre o nome Spring 5.1.2 Portugus _x86.
9. Clique sobre o nome Scarta 5.1.2 Portugus.
10. No Scarta 5.1.2 Portugus, no menu Arquivo, clique sobre a opo Banco de Dados .
_ _____________ Captulo 7 Classificao de Imagens de Satlite
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
119
11. Na caixa de dilogo Banco de Dados, clique no boto Diretrio e ative o diretrio
C:\Livro_Spring_Alegre_ES.
12. No painel Banco de Dados, selecione Bacia_Rio_Alegre.
13. Clique no boto Ativar.
14. No menu Arquivo, clique sobre a opo Carregar Projeto .
15. Na caixa de dilogo Projeto, clique sobre o boto Ativar.
16. No menu Arquivo, clique sobre a opo Criar Carta .
11
10
9
5
6
7
8
1
2
3
4
_ _____________ Captulo 7 Classificao de Imagens de Satlite
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
120
17. Na caixa de dilogo Criar Carta, na caixa de entrada da opo Nome, digite
Uso_Solo_Alegre.
18. Clique sobre o boto Criar.
19. Na caixa de dilogo Caracterstica da Carta, no dropdown da opo Tamanho, selecione
A4.
20. Na caixa de entrada da opo Escala, digite 5000.
21. Em Posicionamento, marque a opo Coordenadas.
22. Em Coordenadas, marque a opo Planas.
23. Em X1, digite 2.
24. Em Y1, digite 1.
25. Clique sobre o boto Fechar.
26. Na janela Painel de Controle, em Categorias, selecione Uso_Solo.
27. Em Planos de Informao, selecione Class_Super_Maxver_pos-T.
28. Marque a opo Matriz.
29. Clique sobre o boto Desenhar .
30. Clique sobre o boto Fechar.
31. Abaixo, demonstrada a imagem temtica Class_Super_Maxver_pos-T exibida no layout.
21
22
23
24
25
14
15
16
17
18
19
20
12
13
_ _____________ Captulo 7 Classificao de Imagens de Satlite
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
121
32. No menu Editar, clique na opo Elementos.
33. D um clique duplo na parte superior central do layout. Observe que os valores de X e Y
sero modificados, automaticamente, sendo que, nessa posio o ttulo do layout ser
inserido.
34. Na caixa de dilogo Editor de Elementos da Carta, no menu Inserir, clique na opo
Textos.
35. Na caixa de dilogo Inserir Textos na Carta, na caixa de entrada Texto, digite USO E
OCUPAO DO SOLO PARA O BAIRRO PAVUNA ALEGRE ES.
36. Clique no boto Inserir.
37. Selecione o ttulo do layout fazendo com que este fique com a borda azul.
38. Na caixa de dilogo Editor de Elementos da Carta, no menu Definir, clique em
Caractersticas.
39. Na caixa de dilogo Caractersticas dos Elementos da Carta, desmarque a opo Texto.
40. Na caixa de entrada Altura, digite 6.
41. Clique no boto Atualizar.
42. No menu Inserir, clique na opo Smbolos.
43. D um clique duplo na parte inferior direita do layout. Observe que os valores de X e Y
sero modificados, automaticamente; sendo que, nessa posio, a seta de Norte do layout
ser inserida.
44. Na caixa de dilogo Inserir Smbolos na Carta, selecione o smbolo norte.
45. Clique no boto Inserir.
46. Na caixa de dilogo Editor de Elementos da Carta, no menu Definir, clique em
Caractersticas.
47. Na caixa de dilogo Caractersticas dos Elementos da Carta, na caixa de entrada Altura,
digite 25.
48. Clique sobre o boto Atualizar.
33
32
30
31
29
27
_ _____________ Captulo 7 Classificao de Imagens de Satlite
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
122
49. Na caixa de dilogo Editor de Elementos da Carta, no menu Inserir, clique na opo
Legenda.
50. D um clique duplo na parte central direita do layout. Observe que os valores de X e Y
sero modificados, automaticamente; sendo que, nessa posio, a legenda do layout ser
inserida.
51. Na caixa de dilogo Inserir Legendas na Carta, no painel Categorias, selecione a
categoria temtica Uso_Solo.
52. Na caixa de entra Espaamento, digite 10.
53. Na caixa de dilogo Caractersticas dos Elementos da Carta, na caixa de entrada Altura,
digite 4.
54. No painel Legenda, na caixa de entrada Altura (altura da caixinha da legenda), digite 4.
55. No painel Legenda, na caixa de entrada Largura (largura da caixinha da legenda), digite 5.
56. No painel Legenda, na caixa de entrada distncia (distncia da primeira letra at a
caixinha da legenda), digite 3.
57. Clique sobre o boto Atualizar.
58. De volta a caixa de dilogo Inserir Legendas na Carta, no menu Inserir, clique sobre a
opo Todas as classes.
59. No painel Itens de Legenda, selecione a classe Agua.
60. Na caixa de entrada Texto, digite o nome correto da classe que gua (com acento
agudo na letra A).
61. Clique sobre o boto CR.
Repita os passos de 54 a 56 para as outras classes.
42
43
41
39
40
37
34
35
36
_ _____________ Captulo 7 Classificao de Imagens de Satlite
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
123
62. Na caixa de dilogo Editor de Elementos da Carta, no menu Inserir, clique sobre a opo
Escala.
63. D um clique duplo na parte inferior direita do layout. Observe que os valores de X e Y
sero modificados automaticamente, sendo que nesta posio a escala do layout ser
inserida.
64. Na caixa de dilogo Caractersticas dos Elementos da Carta, na caixa de entrada da
opo Altura (altura da escala), digite 3.
65. Clique sobre o boto Atualizar.
66. Na caixa de dilogo Editor de Escalas, selecione o tipo de escala tipo-7.
67. Clique sobre o boto Inserir.
Veja o ttulo, seta de Norte, legenda e escala j inseridos no layout.
59
60
57
53
46
47
48
49
50
51
52
54
56
55
44
_ _____________ Captulo 7 Classificao de Imagens de Satlite
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
124
68. Finalmente, vamos inserir a grade do mapa do layout. Logo, no Scarta, no menu Editar,
clique sobre a opo Grade.
69. Na caixa de dilogo Definio de Grade, na opo Grade em Coordenadas, selecione
Planas.
70. Na caixa de entrada |dx| digite 300.
71. Na caixa de entrada |dy| digite 300.
72. Clique no boto Definir.
73. Na caixa de dilogo Grade Plana, aceite as opes j padronizadas e clique sobre o boto
Executar.
74. De volta a caixa de dilogo Definio de Grade, clique sobre o boto Executar.
69
68
64
65
66
67
63
61
62
_ _____________ Captulo 7 Classificao de Imagens de Satlite
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
125
75. No Scarta, no menu Arquivo, clique sobre a opo Salvar Carta.
76. Novamente, no menu Arquivo, aponte para Exportar e clique em PDF.
77. Na caixa de dilogo Defina o nome do Arquivo, v para o diretrio de trabalho
C:\Livro_Spring_Alegre_ES.
78. Na caixa de entrada Nome do arquivo, digite Uso_Ocupacao_Solo_Alegre..
79. Clique sobre o boto Salvar
A Figura 7.9 mostra o layout final elaborado aps a execuo das etapas anteriores.
Figura 7.9. Modelo do layout elaborado no programa Scarta.
72
73
74
71
70
_ _____________ Captulo 7 Classificao de Imagens de Satlite
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
126
7.7. MAPEAMENTO DO USO E OCUPAO DO SOLO USANDO O MTODO DE
CLASSIFICAO SUPERVISIONADA DE BHATTACHARYA
Neste tpico ser apresentado o mtodo de classificao supervisionada de Bhattacharya, que
ir depender de amostras de treinamento obtidas, automaticamente, por meio da tcnica de
segmentao de imagens mostradas a seguir.
SEGMENTAO DE IMAGENS
O processo de segmentao representa, geralmente, o primeiro passo no sentido de preparar
as imagens de satlite para uma futura classificao temtica, passo este que pode determinar
o eventual sucesso ou fracasso de uma anlise. O ato de segmentar uma imagem consiste em
agrupar pixels com caractersticas similares em termos tonais e texturais, formando regies
homogneas. Essas regies so correspondentes s feies da superfcie terrestre e iro
servir de base para a anlise e cartografia temtica (DLUGOSZ et al., 2008).
A segmentao automtica, em geral, baseia-se nas caractersticas de descontinuidade e
similaridade dos tons de cinza de uma imagem. O mtodo que avalia a descontinuidade
considera a mudana abrupta dos valores de cinza e o mtodo por similaridade fundamenta-se
na agregao de pixels em funo da sua semelhana com os pixels vizinhos (GONZLES;
WINTZ, 1987). A segmentao por crescimento de regies se baseia nesse segundo mtodo.
Conforme Venturieri e Santos (1998), citado por Corte et al., 2008, a operao de segmentao
por crescimento de regies consiste em agrupar pixels com caractersticas similares em termos
tonais e texturais, formando regies homogneas. Desta forma, a imagem particionada em
um conjunto de regies correspondentes s feies da superfcie terrestre, que iro servir de
base para a anlise e cartografia temtica. Os resultados desse processo so reas com
aspecto contnuo, onde cada rea possui caractersticas espectrais bem diferentes das
vizinhas que a cercam.
De acordo com Gonzles & Woods (2000), citado por Dlugosz et al., 2008, a seleo de
critrios de similaridade dependente do problema em considerao e tambm do tipo de
dados (imagens) disponveis. Para Coutinho (1997), citado por Dlugosz et al.2008, a definio
de valores para os limiares na segmentao de imagens depende, principalmente, do
conhecimento dos padres de repartio espacial dos objetos de cada rea e da definio da
generalizao cartogrfica ideal, em funo da escala cartogrfica da abordagem realizada.
Contempla uma etapa que exige maior ateno devido inexistncia de valores padronizados
para as variveis do algoritmo e, tambm, pode influenciar diretamente na acurcia dos
resultados da segmentao.
Se os valores dos limiares forem muito baixos, o processo no atribuir pixels s classes
(fragmentao excessiva). Por outro lado, se forem muito altos, pixels representativos de
diferentes classes sero incorretamente agrupados (NASCIMENTO; ALMEIDA FILHO, 1996,
citado por DLUGOSZ et al.2008).
Com o objetivo de realizar a segmentao automtica de bandas espectrais do satlite
IKONOS para nossa rea de estudo, execute os passos a seguir:
1. No Spring, na categoria Satlites, selecione a imagem Ikonos_band_4.
2. Marque a opo M (visualizar em nveis de cinza).
3. No menu Imagem, clique sobre a opo Segmentao.
4. Na caixa de dilogo Segmentao, no dropdown Mtodo, selecione Crescimento de
Regies.
5. No painel Bandas, selecione as imagens Ikonos_band_2, Ikonos_band_3,
Ikonos_band_4.
Como vimos anteriormente, a similaridade referente proximidade radiomtrica entre pixels,
correspondendo ao valor da distncia euclidiana mnima entre as mdias das regies, abaixo
_ _____________ Captulo 7 Classificao de Imagens de Satlite
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
127
das quais duas regies so consideradas similares e, ento, agrupadas. J o limiar de rea o
nmero mnimo de pixels para que uma regio seja individualizada, sendo portanto, o tamanho
mnimo que cada segmento deve possuir na operao de segmentao.
6. Na caixa de entrada Similaridade, digite 15.
7. Na caixa de entrada rea, digite 20.
8. Na caixa de entrada Imagem segmentada, digite Seg_15_20.
9. Para a opo Suavizao de Arcos, marque Sim.
10. Clique sobre o boto Executar.
11. Aps o processamento, clique sobre o boto OK.
12. Na janela Auxiliar, veja as amostras segmentadas.
13. Na janela Auxiliar, clique sobre o boto Fechar.
14. Na guia Principal do Spring, no Painel de controle, selecione a imagem intitulada
ikonos_band_2.tif. e, na parte inferior do Spring, marque a caixa representativa da letra B
(azul).
15. Selecione a imagem intitulada ikonos_band_3.tif e, na parte inferior do Spring, marque a
caixa representativa da letra R (vermelho).
16. Selecione a imagem intitulada ikonos_band_4.tif e, na parte inferior do Spring, marque a
caixa representativa da letra G (verde).
17. Selecione a imagem Seg_15_20 e marque a opo Rotulada.
4
5
9
8
6 7
10
11
3
1
2
_ _____________ Captulo 7 Classificao de Imagens de Satlite
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
128
Aps a verificao do resultado da segmentao, se o resultado no for satisfatrio, teste
outros valores de similaridade e rea.
Agora, estamos prontos para iniciar a criao do arquivo de contexto necessrio para a
realizao da classificao supervisionada pelo mtodo de Bhattacharya.
18. No menu Imagem, clique na opo Classificao.
19. Na caixa de dilogo Classificao, clique sobre o boto Diretrio e v para o diretrio
C:\Livro_Spring_Alegre_ES\Bacia_Rio_Alegre\BHR_Alegre_Uso_Solo.
20. Clique sobre o boto Criar.
21. Na caixa de dilogo Criao de Contexto, na caixa de entrada Nome, digite
Classificao_regiao.
22. No painel Tipo de Anlise, marque a opo Regies.
23. No painel Bandas, selecione as imagens Ikonos_band_2, Ikonos_band_3 e
Ikonos_band_4.
24. No painel Imagens Segmentadas, marque a opo Seg_15_20.
25. Clique sobre o boto Executar.
Agora, estamos prontos para iniciar a Extrao de Atributos das Regies.
26. Novamente, na caixa de dilogo Classificao, no painel Contextos, marque a opo
Classificao_regiao.
27. Clique sobre o boto Extrao de Atributos das Regies.
14
16
15
17
19
20
18
12
13
_ _____________ Captulo 7 Classificao de Imagens de Satlite
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
129
28. Na caixa de dilogo Classificao, clique sobre o boto Treinamento.
29. Na caixa de dilogo Spring, clique sobre o boto OK para iniciar a aquisio das amostras
de treinamento.
30. Na caixa de dilogo Treinamento, na caixa de entrada Nome, digite gua.
31. Clique no boto Criar.
32. Clique no boto Cor.
33. Na caixa de dilogo Selecionar Cor, selecione a cor Azul.
26
27
28
30
32
31
29
33
22
21
23
25
24
_ _____________ Captulo 7 Classificao de Imagens de Satlite
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
130
Repita os passos de 30 a 33 para criar as cores mostradas na Tabela 7.8.
Tabela 7.8. Nome e cor das amostras de treinamento a serem criadas.
NOME COR
gua azul
Estrada_Pavimentada cinza
Fragmento verde escuro
Solo_Exposto marron
Pastagem verde claro
Urbanizacao vermelho
34. Selecione o tema gua.
35. Em Contorno, clique sobre a opo Regio (delimitada pela segmentao Seg_15_20)
36 Sobre a imagem segmentada, basta clicar com o boto esquerdo do mouse sobre o
polgono representativo do tema gua. Aps a seleo de cada polgono, clique sobre o
boto Adquirir. Adquirir amostras suficientes para o tema gua.
Repita os passos de 34 a 36 para selecionar amostras dos outros temas.
37. Clique sobre boto Salvar.
38. Clique sobre o boto Fechar.
A Figura 7.10 mostra todas as amostras de treinamento selecionadas.
Figura 7.10. Amostras de treinamento selecionadas.
37 38
35
36
34
_ _____________ Captulo 7 Classificao de Imagens de Satlite
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
131
CLASSIFICAO PELO MTODO DE BHATTACHARYA
1. Na caixa de dilogo Classificao, clique sobre o boto Classificao.
2. Na caixa de dilogo Classificao de Imagens, na caixa de entrada Nome, digite
Class_Super_Regio_Bhattacharya.
3. Clique sobre o boto Criar.
4. No dropdown Classificador, selecione Bhattacharya.
5. No dropdown Limiar de aceitao, selecione 99%.
6. Clique sobre o boto Analisar Amostras.
7. Na caixa de dilogo Anlise de Amostras, observe o desempenho mdio das amostras e,
posteriormente, clique sobre o boto Fechar.
8. De volta a caixa de dilogo Classificao de Imagens, clique sobre o boto Executar.
9. Clique sobre o boto OK da caixa de mensagem SPRING.
Na janela Auxiliar do SPRING, veja o resultado da imagem classificada
Class_Super_Regio_Bhattacharya e feche esta janela.
9
8
7
2
3
4
6
5
1
_ _____________ Captulo 7 Classificao de Imagens de Satlite
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
132
ELABORAO DO MAPA TEMTICO (MAPEAMENTO) DE USO E OCUPAO DO
SOLO
1. Na caixa de dilogo Classificao, clique sobre o boto Mapeamento.
2. Na caixa de dilogo Mapeamento para Classes, no painel Imagens Classificadas,
selecione a imagem Class_Super_Regio_Bhattacharya.
3. No painel Categorias, selecione Uso_Solo.
4. No painel Temas, selecione o tema gua.
5. No painel Classes, selecione a classe gua.
Repita os passos 4 e 5 para os outros temas e classes como demonstrado, anteriormente, na
Tabela 7.6, com exceo da classe Agua j criada, anteriormente.
6. Clique sobre o boto Executar.
Abaixo, demonstrado o resultado do mapeamento realizado pelo mtodo da classificao
supervisionada de Bhattacharya.
2
3
4
5
6
1
_ _____________ Captulo 7 Classificao de Imagens de Satlite
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
133
OBTENO DE REAS EM HECTARES PARA AS CLASSES TEMTICAS
1. Na categoria Uso_Solo, selecione o plano de informao
Class_Super_Regio_Bhattacharya-T.
2. No menu Temtico, clique na opo Medida de Classes.
3. Na caixa de dilogo Medidas de Classes, no dropdown Unidades, selecione ha.
4. Clique no boto Executar.
Veja que a classe Pastagem apresenta a maior rea de uso que equivale a 27,2 ha.
5. Clique sobre o boto Fechar.
5
3
4
1
2
_ _____________ Captulo 7 Classificao de Imagens de Satlite
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
134
Os resultados estatsticos da classificao supervisionada usando mtodo de Bhattacharya so
mostrados na Tabela 7.9 e Figura 7.11.
Tabela 7.9. Resultados estatsticos da classificao supervisionada usando o mtodo de
Bhattacharya.
CLASSES REA PORCENTAGEM
gua
3,0 4,4
Estrada pavimentada
3,6 5,2
Fragmento
24,4 35,3
Solo exposto
5,6 8,1
Pastagem
27,2 39,4
Urbanizao
4,5 6,5
rea no classificada
0,8 1,1
TOTAL
69,2 100,0
4,4
5,2
35,3
8,1
39,4
6,5
1,1
0,0
5,0
10,0
15,0
20,0
25,0
30,0
35,0
40,0
45,0
gua Estrada
pavimentada
Fragmento Solo exposto Pastagem Urbanizao rea no
classificada
CLASSES
P
O
R
C
E
N
T
A
G
E
M
(
%
)
Figura 7.11. Resultados estatsticos da classificao supervisionada usando o mtodo de
Bhattacharya.
7.8. MAPEAMENTO DO USO E OCUPAO DO SOLO USANDO O MTODO DE
CLASSIFICAO NO-SUPERVISIONADA ISOSEG
1. Na caixa de dilogo Classificao, clique sobre o boto Classificao.
2. Na caixa de dilogo Classificao de Imagens, na caixa de entrada Nome, digite
Class_Nao_Super_Regio_Isoseg.
3. Clique sobre o boto Criar.
4. No dropdown Classificador, selecione Isoseg.
5. No dropdown Limiar de aceitao, selecione 99%.
6. Clique sobre o boto Executar.
7. Clique sobre o boto OK da caixa de mensagem SPRING.
_ _____________ Captulo 7 Classificao de Imagens de Satlite
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
135
Na janela Auxiliar do SPRING, veja o resultado da imagem classificada
Class_Nao_Super_Regio_Isoseg e feche essa janela.
ELABORAO DO MAPA TEMTICO (MAPEAMENTO) DE USO E OCUPAO DO
SOLO
1. Na caixa de dilogo Classificao, clique sobre o boto Mapeamento.
2. Na caixa de dilogo Mapeamento para Classes, no painel Imagens Classificadas,
selecione a imagem Class_Nao_Super_Regio_Isoseg.
3. No painel Categorias, selecione Uso_Solo.
4. No painel Temas, selecione o tema Tema10.
5. No painel Classes, selecione a classe Urbanizacao.
Repita os passos 4 e 5 para os outros temas e classes (exceto o Tema10 j processado) de
acordo com a Tabela 7.10.
7
2
3
4
5
6
1
_ _____________ Captulo 7 Classificao de Imagens de Satlite
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
136
6. Clique sobre o boto Executar.
Tabela 7.10. Temas e suas respectivas classes.
TEMA CLASSE
Tema1 Pastagem
Tema2 Estrada Pavimentada
Tema3 Fragmento
Tema4 Solo exposto
Tema5 Solo exposto
Tema6 gua
Tema7 Urbanizao
Tema8 Pastagem
Tema9 Pastagem
Tema10 Urbano
Abaixo, demonstrado o resultado do mapeamento realizado pelo mtodo da classificao
no-supervisionada ISOSEG.
2
3
4
5
1
_ _____________ Captulo 7 Classificao de Imagens de Satlite
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
137
OBTENO DE REAS EM HECTARES PARA AS CLASSES TEMTICAS
1. Na categoria Uso_Solo, selecione o plano de informao Class_Super_Regio_Isoseg-T.
2. No menu Temtico, clique na opo Medida de Classes.
3. Na caixa de dilogo Medidas de Classes, no dropdown Unidades, selecione ha.
4. Clique no boto Executar.
Veja que a classe Pastagem apresenta a maior rea de uso que equivale a 27,2 ha.
5. Clique sobre o boto Fechar.
Os resultados estatsticos da classificao no-supervisionada pelo mtodo ISOSEG so
mostrados na Tabela 7.11 e Figura 7.12.
Tabela 7.11. Resultados estatsticos da classificao no-supervisionada pelo mtodo Isoseg.
CLASSES REA PORCENTAGEM
gua
11,5 16,6
Estrada pavimentada
4,2 6,1
Fragmento
13,4 19,3
Solo exposto
14,9 21,5
Pastagem
20,9 30,3
Urbanizao
3,7 5,3
rea no classificada
0,7 1,0
TOTAL
69,2 100,0
5
1
2
3
4
_ _____________ Captulo 7 Classificao de Imagens de Satlite
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
138
16,6
6,1
19,3
21,5
30,3
5,3
1,0
0,0
5,0
10,0
15,0
20,0
25,0
30,0
35,0
gua Estrada
pavimentada
Fragmento Solo exposto Pastagem Urbanizao rea no
classificada
CLASSES
P
O
R
C
E
N
T
A
G
E
M
(
%
)
Figura 7.12. Resultados estatsticos da classificao no-supervisionada pelo mtodo Isoseg.
7.9. TRABALHOS CIENTFICOS RELACIONADOS COM CLASSIFICAO DE
IMAGENS
Os passos demonstrados, anteriormente, foram aplicados no trabalho cientfico intitulado
Avaliao de algoritmos de classificao supervisionada para imagens do Cbers-2 da Regio
do Parque Estadual do Rio Doce-MG (SILVA & PEREIRA, 2007) apresentado nos Anais XIII
Simpsio Brasileiro de Sensoriamento Remoto, Florianpolis, Brasil, 21-26 abril 2007, INPE, p.
6223-6228, objetivando avaliar os diferentes algoritmos de classificao supervisionada, a fim
de verificar qual fornece a melhor classificao e consequente mapa temtico. Dessa maneira,
obter o mapeamento da rea de estudo para usos mltiplos, dentre estes, o monitoramento da
cobertura e do uso do solo.
REFERNCIAS BIBLIGRFICAS
CONGALTON, R. G.; GREEN, K. Assessing the accuracy of remotely sensed data:
principles and practices. New York: Lewis Publishers, 1998. 137 p.
CORTE, A. P. D. ; DLUGOSZ, F. L. ; CENTENO, J. A. S. . Testes de limiares para a
segmentao de imagens SPOT-5 visando a deteco de plantios florestais. Revista
Acadmica. Cincias Agrrias e Ambientais, v. 6, p. 249-257, 2008.
CROSTA, A. P. Processamento Digital de Imagens de Sensoriamento Remoto. ed. ver.
Campinas. SP: IG/UNICAMP, 1993. 170p.
DLUGOSZ, F. L.; ROSOT, N. C. ; ROSOT, M. A. D. ; OLIVEIRA, Y. M. M. de . ndice para a
avaliao de segmentao de imagens. Floresta (UFPR. Impresso), v. 39, p. 131-143, 2009.
EASTMAN, J. R. Idrisi for Windows: Introduo e Exerccios Tutorais. J. Ronald Eastman.
Editores da verso em portugus, Heinrich Hasenack e Eliseu Weber. Porto Alegre, UFRGS,
Centro de recursos Idrisi, 1998.
_ _____________ Captulo 7 Classificao de Imagens de Satlite
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
139
GONZALES, R. C.; WINTZ, P. Digital image processing. Boston: Prodding, Addison Wesley,
1987.
LILLESAND, T. M.; KIEFER, R. W. Remote sensing and image interpretation. 2. ed.
Chichester: John Wiley & Sons, 1994. 750 p.
MOREIRA, M. A. Fundamentos do sensoriamento remoto e metodologias de aplicao. 2.
ed.Viosa: UFV, 2005. 307 p.
SILVA, M. L. M.; PEREIRA, G. P. M. Avaliao de algoritmos de classificao
supervisionada para imagens do Cbers-2 da Regio do Parque Estadual do Rio Doce-
MG. Anais XIII Simpsio Brasileiro de Sensoriamento Remoto, Florianpolis, Brasil, 21-26 abril
2007, INPE, p. 6223-6228.
Captulo 8 Anlise de Componentes Principais
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
140
ANLISE DE COMPONENTES
PRINCIPAIS
08
CAPTULO
Alexandre Rosa dos Santos, Telma Machado de Oliveira Peluzio, Nathlia Suemi Saito, Joo Batista
Esteves Peluzio, Gilson Fernandes da Silva, Maristela de Oliveira Bauer
8.1. INTRODUO
As bandas individuais de uma imagem multiespectral tendem, frequentemente, a serem
altamente correlacionadas, visualmente e numericamente. Estas correlaes podem ser
causadas pelo efeito das sombras resultantes da topografia, da sobreposio das janelas
atmosfricas entre bandas adjacentes e do prprio comportamento espectral do objeto. Dessa
forma, a anlise das bandas espectrais individuais pode ser ineficiente devido informao
redundante presente em cada uma dessas. Para lidar com problemas dessa natureza, pode-se
utilizar a tcnica dos componentes principais, criando novas imagens onde as bandas
individuais so independentes, isto , no-correlacionadas.
A correlao entre duas bandas verificada quando dada a intensidade de um determinado
pixel em uma delas, pode-se deduzir com razovel aproximao a intensidade do pixel
correspondente da outra imagem. Sendo duas imagens idnticas, essas so ditas 100%
correlacionadas, sendo uma imagem negativa da outra, diz-se que so -100% correlacionadas
(CRSTA, 1993).
O novo conjunto de imagens, independentes entre si, resulta da transformao derivada da
matriz de covarincia dos valores originais. Os componentes principais so gerados em
nmero igual ao de bandas espectrais, sendo ordenados, decrescentemente, em funo da
variao do nvel de cinza.
8.2. ELABORAO DE IMAGENS DE COMPONENTES PRINCIPAIS
Usaremos o conjunto de dados relativos com as imagens do satlite IKONOS do quadrante
representativo do Parque de Exposio da cidade de Alegre, ES, para estudar a anlise de
componentes principais e as caractersticas da informao contida nos dados.
1. Utilizando o banco de dados [Bacia_Rio_Alegre] e o projeto [BHR_Alegre_Uso_Solo] e
utilizando os conhecimentos j adquiridos nos captulos anteriores deste livro, visualize as
imagens do satlite IKONOS (Figura 8.1) obedecendo sequncia mostrada na Tabela
8.1.
PERGUNTA 1 H alguma banda que se parea com a banda 4 (ikonos_band_4)?
Tabela 8.1. Imagens do satlite IKONOS do quadrante representativo do Parque de Exposio
da cidade de Alegre, ES.
SATLITE IKONOS
(QUADRANTE REPRESENTATIVO DA PARQUE DE EXPOSIO DA CIDADDE DE ALEGRE, ES)
BANDAS ESPECTRAIS
01/12/2002 TELAS DO SPRING
INTERVALO DE
COMPRIMENTO DE
ONDA ( m )
FAIXA ESPECTRAL
Ikonos_band_4 (M) Tela principal 0,76 0,90 (4 m) Infrav. prximo
Ikonos_band_3 (M) Tela auxiliar 0,63 0,69 (4 m) Vermelho
Ikonos_band_1 (M) Tela 2 0,45 0,52 (4 m) Azul
Ikonos_band_2 (M) Tela 3 0,52 0,60 (4 m) Verde
Captulo 8 Anlise de Componentes Principais
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
141
Tela principal: Ikonos_band_4 (M) Tela auxiliar: Ikonos_band_3 (M)
Tela 2: Ikonos_band_1 (M) Tela 3: Ikonos_band_2 (M)
Figura 8.1. Telas no SPRING representativas das imagens do satlite IKONOS.
2. No menu Imagem, clique em Componentes Principais.
3. Na caixa de dilogo Componentes Principais, no painel Planos de Informao,
selecione as imagens Ikonos_band_1, Ikonos_band_2, Ikonos_band_3 e
Ikonos_band_4.
4. Em Amostra, marque a opo Imagem.
5. Clique no boto Adquirir.
6. Clique no boto Parmetros.
7. Na caixa de dilogo Parmetros dos Componentes Principais, clique no boto Salvar.
8. Na caixa de dilogo Dilogo, v para o diretrio C:\Livro_Spring_Alegre_ES.
9. Na caixa de entrada Nome do Arquivo, digite CP_Ikonos_Alegre.txt.
10. Clique sobre o boto Gravar.
11. De volta a caixa de dilogo Parmetros dos Componentes Principais, clique sobre o
boto Fechar.
12. De volta a caixa de dilogo Parmetros dos Componentes Principais, clique sobre o
boto Fechar.
13. De volta a caixa de dilogo Componentes Principais, na caixa de entrada Imagem de
Sada, digite Ikonos.
Aps o processamento, observe que o SPRING gerou os seguintes componentes principais
(Figura 8.2):
Ikonos-PC1
Ikonos-PC2
Ikonos-PC3
Ikonos-PC4
Captulo 8 Anlise de Componentes Principais
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
142
12
13
11
8
9
10
7
3
4
5
6
2
Captulo 8 Anlise de Componentes Principais
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
143
Tela 2: Ikonos-PC1 Tela 3: Ikonos-PC2
Tela 4: Ikonos-PC3 Tela 5: Ikonos-PC4
Figura 8.2. Telas no SPRING representativas das imagens dos componentes principais
processados.
ANLISE ESTATSTICA DOS PARMETROS DOS COMPONENTES PRINCIPAIS
No Windows abra com o Bloco de Notas o arquivo CP_Ikonos_Alegre.txt (Figuras 8.3) contido
no diretrio C:\Livro_Spring_Alegre_ES. A Figura 8.4 mostra uma adaptao didtica da
Figura 8.3.
Figura 8.3. Resultados estatsticos da anlise de componentes principais.
Captulo 8 Anlise de Componentes Principais
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
144
Figura 8.4. Adaptao didtica dos resultados estatsticos da anlise de componentes
principais.
PERGUNTA 2
Que bandas se correlacionam mais com a banda 4? Como isso se compara sua
resposta pergunta 1?
RESPOSTA
Como observado da Figura 8.4 (Letra D), a banda que mais se correlaciona com a
banda 4 a banda 1 (-0,091) seguida da banda 3 (-0,019) e da banda 2 (0,016).
Como observado, inicialmente, na pergunta 1, realmente a banda 1 a que mais
parece com a banda 4, porm a banda 3 tambm muito parecida.
Os autovalores expressam a quantidade de varincia explicada por cada componente e os
autovetores so os coeficientes de ponderao associado s variveis utilizadas nas equaes
de transformao.
PERGUNTA 3 Quanto da varincia explicada pelos componentes 1 e 2 separadamente?
RESPOSTA
Como observado da Figura 8.4 (Letra B), o componente 1 (P1) explica 59,85% da
variao e o componente 2 (P2) explica 38,34% da variao.
PERGUNTA 4
Quanto da varincia explicado pelos componentes 1, 2 juntos (some a quantidade
explicada por ambas)?
RESPOSTA
Como observado da Figura 8.4 (Letra B), os componentes 1 e 2 juntos explicam
98,19% da variao.
PLANO DE INFORMAO MDIA VARINCIA
Ikonos_band_1 56,78 177,16
Ikonos_band_2 59,80 325,30
Ikonos_band_3 53,38 603,69
Ikonos_band_4 115,74 686,79
COMPONENTES PRINCIPAIS (PC) AUTO-VALOR PORCENTAGEM (%)
P1 1073,06 59,85
P2 687,36 38,34
P3 30,31 1,69
P4 2,21 0,12
MATRIZ DE COVARINCIA
Ikonos_band_1 Ikonos_band_2 Ikonos_band_3 Ikonos_band_4
Ikonos_band_1 177,16 233,94 297,58 -31,79
Ikonos_band_2 233,94 325,30 425,75 7,40
Ikonos_band_3 297,58 425,75 603,69 -11,95
Ikonos_band_4 -31,79 7,40 -11,95 686,79
MATRIZ DE CORRELAO
Ikonos_band_1 Ikonos_band_2 Ikonos_band_3 Ikonos_band_4
Ikonos_band_1 1,000 0,974 0,910 -0,091
Ikonos_band_2 0,974 1,000 0,961 0,016
Ikonos_band_3 0,910 0,961 1,000 -0,019
Ikonos_band_4 -0,091 0,016 -0,019 1,000
MATRIZ DE AUTO-VETORES
Ikonos_band_1 Ikonos_band_2 Ikonos_band_3 Ikonos_band_4
Ikonos_band_1 0,39 0,54 0,74 -0,04
Ikonos_band_2 -0,02 0,05 0,03 1,00
Ikonos_band_3 0,65 0,41 -0,64 0,02
Ikonos_band_4 0,65 -0,73 0,19 0,04
A
B
C
D
E
Captulo 8 Anlise de Componentes Principais
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
145
8.3. EXEMPLO DE APLICAO
EXEMPLO 1
Neste tpico, sero demonstradas, passo a passo, as etapas necessrias para determinao
dos componentes principais a partir de uma matriz de covarincia 2 x 2.
Para este exemplo, sero utilizados os valores digitais (nveis de cinza) das bandas espectrais
do vermelho (banda 3) e infravermelho (banda 4) de uma pequena amostra de imagem do
satlite IKONOS (Figura 8.5).
a) BANDA 3 (VERMELHA)
b) BANDA 4 (INFRAVERMELHO)
Figura 8.5. Amostra de uma imagem do satlite IKONOS. a) Banda 3 (Vermelho) e b) Banda 4
(Infravermelho). T1 a T9 tratamentos.
Considere os dados da Tabela 8.2, referente s duas variveis X
1
(Banda 3) e X
2
(Banda 4)
mensuradas em uma amostra constituda de 9 tratamentos.
Tabela 8.2. Observaes relativas a duas variveis (X1 e X2) avaliadas em 9 tratamentos.
VARIVEIS
TRATAMENTOS
(n
o
= 9)
1
X
2
X
( )
2
1 1
X X
i
( )
2
2 2
X X
i
( )
2
1 i
X ( )
2
2 i
X
2 1 i i
X X
1 36 116 4,00 93,51 1296 13456 4176
2 33 121 25,00 21,81 1089 14641 3993
3 33 129 25,00 11,09 1089 16641 4257
4 44 119 36,00 44,49 1936 14161 5236
5 43 123 25,00 7,13 1849 15129 5289
6 31 134 49,00 69,39 961 17956 4154
7 43 126 25,00 0,11 1849 15876 5418
8 44 120 36,00 32,15 1936 14400 5280
9 35 143 9,00 300,33 1225 20449 5005
) e a COVARINCIA
( v o C ) de cada uma das variveis X
1
e X
2
como demonstrado abaixo:
116 121 129
119 123 134
126 120 143
T1 T2 T3
T4 T5 T6
T7 T8 T9
36 33 33
44 43 31
43 44 35
T2 T1 T2 T3
T4 T5 T6
T7 T8 T9
Captulo 8 Anlise de Componentes Principais
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
146
CLCULO DAS VARINCIAS ( ar V
)
( )
( )
25 , 29
1 9
234
1
1
2
1 1
1
=
=
n
X X
X ar V
n
i
i
ou
( )
( )
25 , 29
1 9
9
342
13230
1
2
2
1
1
1
2
1
1
=
|
|
\
|
=
=
n
n
X
X
X ar V
n
i
i
n
i
i
e
( )
( )
50 , 72
1 9
01 , 580
1
1
2
2 2
2
=
=
n
X X
X ar V
n
i
i
ou
( )
( )
50 , 72
1 9
9
1131
142709
1
2
2
1
2
1
2
2
2
=
|
|
\
|
=
=
n
n
X
X
X ar V
n
i
i
n
i
i
CLCULO DAS COVARINCIAS ( ov C
)
( )
( )( )
25 , 21
1 - 9
9
1131 342
- 42808
1
,
1
2
1
1
1
2 1
2 1
= =
|
|
\
|
|
|
\
|
=
= =
=
n
n
X X
X X
X X v o C
n
i
i
n
i
i
n
i
i i
MATRIZ DE COVARINCIA
De posse dos valores de VARINCIA ( ar V
=
(
(
=
72,50 21,25 -
21,25 - 29,25
X ar V
, X v o C
, X v o C X ar V
2 2 1
2 1 1
X
X
S
Resoluo:
A equao caracterstica :
0 = I S
Captulo 8 Anlise de Componentes Principais
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
147
0
- 72,50 21,25 -
21,25 - - 29,25
=
(
,
isto :
( )( ) 0 ) 25 , 21 ( 50 , 72 25 , 29
2
=
0 ) 25 , 21 ( 50 , 72 25 , 29 ) 50 , 72 25 , 29 (
2 2
= +
0 5625 , 451 75 , 101 625 , 2120
2
= +
0 0625 , 1669 75 , 101
2
= + (Equao do segundo grau)
Em que,
a = 1
b = - 101,75
c = 1669,0625
Os autovalores (razes prprias ou razes caractersticas) obtidos dessa equao so:
) 1 ( 2
) 0625 , 1669 )( 1 ( 4 ) 75 , 101 ( ) 75 , 101 (
2
4
2
2
=
= =
a
ac b b
2
637 , 60 75 , 101
= =
194 , 81
1
=
557 , 20
2
=
A soma dessas duas razes d 101,75, que exatamente o coeficiente do segundo termo da
equao do segundo grau com sinal trocado.
Pode-se observar tambm que:
% 80 , 79 100
75 , 101
194 , 81
= para
1
% 20 , 20 100
75 , 101
557 , 20
= para
2
Ento, o componente principal, relativo a
1
, explica 79,80% da variao total, enquanto o
outro componente principal, relativo a
2
, explica 20,20%.
ESTIMATIVA DA EQUAO REPRESENTATIVA DO PRIMEIRO COMPONENTE PRINCIPAL
Vamos calcular o primeiro componente principal, correspondente ao maior autovalor
194 , 81
1
= . Ele ser dado pelo autovetor normalizado associado a
1
:
[ ] =
*
1 ~
1
a I S
Captulo 8 Anlise de Componentes Principais
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
148
(
=
(
(
0
0
1,194 8 - 72,50 21,25 -
21,25 - 1,194 8 - 29,25
*
12
*
11
a
a
(
=
(
(
0
0
694 , 8 21,25 -
21,25 - 944 , 51
*
12
*
11
a
a
Abaixo, demonstrado o sistema de equao oriundo da multiplicao das matrizes acima:
Equao 1 0 25 , 21 944 , 51
*
12
*
11
= a a
Equao 2 0 694 , 8 25 , 21
*
12
*
11
= a a
Este sistema de equao indeterminado, uma vez que temos, em virtude de [ ] 0 = I S :
0
694 , 8 21,25 -
21,25 - 944 , 51
=
(
Podemos, pois, abandonar uma das equaes (por exemplo, a equao 2) e dar um valor
arbitrrio, no nulo, a uma das incgnitas (por exemplo 1
*
12
= a ). Assim temos:
0 1 25 , 21 944 , 51
*
11
= a
25 , 21 944 , 51
*
11
= a
409 , 0
*
11
= a
(
=
1
409 , 0
*
1 ~
a
2 2 *
1 ~
) 1 ( ) 409 , 0 ( + = a
080 , 1
*
1 ~
= a
O autovetor normalizado :
(
= =
(
(
=
1
409 , 0
080 , 1
1 1
*
1 ~ *
1 ~
*
12
*
11
1 ~
a
a
a
a
a
=
1 ~
a
(
926 , 0
379 , 0
Note que, 1
1 ~
'
1 ~
= a a
Logo:
[ ] 1
926 , 0
379 , 0
926 , 0 379 , 0 =
(
Captulo 8 Anlise de Componentes Principais
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
149
1 ) 926 , 0 )( 0926 ( ) 379 , 0 )( 379 , 0 ( = +
1 856 , 0 144 , 0 = +
1 1 =
Logo, o primeiro componente principal :
2 1 1
926 , 0 379 , 0
X X Y + =
Este componente responsvel por 79,80% da variao.
ESTIMATIVA DA EQUAO REPRESENTATIVA DO SEGUNDO COMPONENTE PRINCIPAL
O segundo componente principal dado pelo sistema de equaes relativo ao outro autovalor
557 , 20
2
= . Ele ser dado pelo autovetor normalizado associado a
2
:
[ ] =
*
2 ~
2
a I S
(
=
(
(
0
0
0,557 2 - 72,50 21,25 -
21,25 - 0,557 2 - 29,25
*
22
*
21
a
a
(
=
(
(
0
0
943 , 51 21,25 -
21,25 - 693 , 8
*
22
*
21
a
a
Abaixo, demonstrado o sistema de equao oriundo da multiplicao das matrizes acima:
Equao 1 0 25 , 21 693 , 8
*
22
*
21
= a a
Equao 2 0 943 , 51 25 , 21
*
22
*
21
= + a a
Este sistema de equao indeterminado, uma vez que temos, em virtude de [ ] 0 = I S :
0
943 , 51 21,25 -
21,25 - 693 , 8
=
(
Podemos, pois, abandonar uma das equaes (por exemplo, a equao 2) e dar um valor
arbitrrio, no nulo, a uma das incgnitas (por exemplo 1
*
22
= a ). Assim temos:
0 1 25 , 21 693 , 8
*
21
= a
25 , 21 693 , 8
*
21
= a
444 , 2
*
21
= a
(
=
1
444 , 2
*
2 ~
a
Captulo 8 Anlise de Componentes Principais
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
150
2 2 *
2 ~
) 1 ( ) 444 , 2 ( + = a
6406 , 2
*
2 ~
= a
O autovetor normalizado :
(
= =
(
(
=
1
444 , 2
6406 , 2
1 1
*
2 ~ *
2 ~
*
22
*
21
2 ~
a
a
a
a
a
=
2 ~
a
(
379 , 0
926 , 0
Note que, 1
2 ~
'
2 ~
= a a
Logo:
[ ] 1
379 , 0
926 , 0
379 , 0 926 , 0 =
(
1 ) 379 , 0 )( 379 , 0 ( ) 926 , 0 )( 926 , 0 ( = +
1 144 , 0 856 , 0 = +
1 1 =
Logo, o segundo componente principal :
2 1 2
379 , 0 926 , 0
X X Y + =
Este componente responsvel por 20,20% da variao total.
OBSERVAES IMPORTANTES
a) Os componentes so ortogonais, ou seja:
0
2 ~
'
1 ~
= a a
[ ] 0
379 , 0
926 , 0
926 , 0 379 , 0 =
(
0 ) 379 , 0 )( 926 , 0 ( ) 926 , 0 )( 379 , 0 ( = +
0 351 , 0 351 , 0 = +
0 0 =
b) Cada componente admite na realidade duas solues, cada uma delas obtida da outra pela
multiplicao de seu segundo membro por (-1). Por exemplo,
2
Y tambm poderia ter o
seguinte valor:
Captulo 8 Anlise de Componentes Principais
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
151
2 1 2
379 , 0 926 , 0
X X Y =
Os escores relativos aos 9 tratamentos, obtidos em relao aos 2 componentes principais,
esto apresentados na Tabela 8.3.
Tabela 8.3. Escores relativos aos 9 tratamentos obtidos em relao aos 2 componentes
principais.
VARIVEIS
ESCORES PARA OS
COMPONENTES
TRATAMENTOS
(n = 9)
1
X
2
X
1
Y
2 1 1
926 , 0 379 , 0
X X Y + =
2
Y
2 1 2
379 , 0 926 , 0
X X Y + =
1 36 116 93,772 77,300
2 33 121 99,539 76,417
3 33 129 106,947 79,449
4 44 119 93,518 85,845
5 43 123 97,601 86,435
6 31 134 112,335 79,492
7 43 126 100,379 87,572
8 44 120 94,444 86,224
9 35 143 119,153 86,607
Com os escores dos dois componentes principais, podemos localizar cada tratamento em um
plano cartesiano no qual os eixos representam os componentes (Figura 8.6).
Figura 8.6. Disperso de 9 tratamento em relao aos componentes principais
1
Y e
2
Y .
Como observado na Figura 8.6, os grupos A, B, C e D, circundados com linhas pontilhadas,
apresentam boa correlao estatstica. Como exemplo, os pixels representativos dos
tratamentos do grupo A (4, 5, 7 e 8), nas bandas 3 (vermelho) e 4 (infravermelho), por estarem
prximos entre si, esto bem correlacionados estatisticamente.
A Tabela 8.4 mostra os resultados obtidos at o momento da anlise de componentes
principais, baseado em nosso exemplo.
75
80
85
90
85 90 95 100 105 110 115 120 125
Escores do Componente Principal 1 (Y1)
E
s
c
o
r
e
s
d
o
C
o
m
p
o
n
e
n
t
e
P
r
i
n
c
i
p
a
l
2
(
Y
2
)
9
3 6
4
8
5
7
1
2
A
B
C
D
Captulo 8 Anlise de Componentes Principais
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
152
Tabela 8.4. Componentes principais obtidos da anlise de duas variveis.
VARINCIAS DE X COVARINCIAS DE X
( (( ( ) )) ) 25 , 29 X ar V
1
= == = ( (( ( ) )) ) 50 , 72 X ar V
2
= == =
( (( ( ) )) ) 25 , 21 , X v o C
2 1
= == = X
COMPONENTE
PRINCIPAL
VARINCIA
(AUTOVALOR)
COEFICIENTE DE
PONDERAO
ASSOCIADO S
VARIVEIS
PERCENTAGEM
DA VARINCIA
DE
i
Y
(
i
Y )
( ) (
i i
Y ar V = == = ) 1
X
2
X (%)
PERCENTAGEM
ACUMULADA
DA VARINCIA
DE
i
Y
1
1
11
1
1 1
=
= =
X ar V
a
r
Y X
982 , 0
50 , 72
926 , 0
194 , 81
) (
2
12
1
1 2
= = =
X ar V
a
r
Y X
775 , 0
25 , 29
926 , 0
557 , 20
) (
1
21
2
2 1
= = =
X ar V
a
r
Y X
204 , 0
50 , 72
379 , 0
557 , 20
) (
2
22
2
2 2
= = =
X ar V
a
r
Y X
Como a importncia relativa das variveis pode ser avaliada pela magnitude da correlao
destas variveis a partir dos ltimos componentes, no exemplo em considerao, identifica-se
a varivel
1
X , com maior correlao em
2
Y (0,775), como a de menor importncia no estudo
realizado.
A Figura 8.7 mostra os valores digitais (nveis de cinza) das bandas espectrais do vermelho
(banda 3)(X
1
) e infravermelho (banda 4) (X
2
) e da componente principal 1 (
1
Y ).
Banda 3 (vermellho)
(X
1
)
Banda 4 (infravermelho)
(X
2
)
Componente principal 1
(
1
Y )
Figura 8.7. Valores digitais (nveis de cinza) das bandas espectrais do vermelho (banda 3)(X
1
)
e infravermelho (banda 4) (X
2
) e da componente principal 1 (
1
Y ).
Captulo 8 Anlise de Componentes Principais
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
153
EXERCCIO
1. Baseados nos valores digitais (nveis de cinza) das bandas espectrais do vermelho (banda
3)(X
1
) e infravermelho (banda 4) (X
2
), demonstrados na Figura 8.8, faa a estimativa da
equao do componente principal 1 (Y
1
) visando:
a) determinar a matriz do componente principal 1 com os novos valores digitais (nveis de
cinza).
b) o plano cartesiano representativo dos componentes principais 1 e 2.
Banda 3 (vermellho)
(X
1
)
Banda 4 (infravermelho)
(X
2
)
Figura 8.8. Valores digitais (nveis de cinza) das bandas espectrais do vermelho (banda 3)(X
1
)
e infravermelho (banda 4) (X
2
).
REFERNCIAS BIBLIOGRFICAS
CROSTA, A. P. Processamento Digital de Imagens de Sensoriamento Remoto. ed. ver.
Campinas. SP: ig/unicamp, 1993. 170P.
Captulo 8 Anlise de Componentes Principais
Dados espaciais (imagens matriciais e vetoriais) disponibilizados pelo INPE, IEMA-ES, NEDTEC-UFES e IJSN
140