DETECO REMOTA EM MEIO URBANO:

TESTE COM CLASSIFICADORES SUPERVISIONADOS A NVEL DO PIXEL SOBRE

IMAGENS DE ALTA RESOLUO ESPACIAL APLICADOS NUMA LGICA
HIERRQUICA DE CLASSES

Paulo Jorge Borges Martins Crisgono

Dissertao de Mestrado em Gesto do Territrio, Especializao

em Deteco Remota

Maro 2011

Dissertao de Mestrado em Gesto do Territrio, rea de Especializao em

Deteco Remota e Sistemas de Informao Geogrfica, elaborada no mbito do
projecto GeoSat Metodologias para extraco de informao GEOgrfica a grande
escala a partir de imagens de SATlite de alta resoluo (PTDC/GEO/64826/2006),
financiado pela Fundao para a Cincia e a Tecnologia e desenvolvido no e-GEO
Centro de Estudos de Geografia e Planeamento Regional da Faculdade de Cincias
Sociais e Humanas da Universidade Nova de Lisboa.

ii

iii

AGRADECIMENTOS

O processo evolutivo de uma tese desde a concepo da ideia ltima linha tem
uma vida turbulenta. De facto, o entusiasmo com o qual se acompanha as primeiras
linhas vai sendo posto prova medida que o trabalho decorre. sem dvida uma
prova de resistncia em todo o esplendor, onde o Norte nunca pode deixar de ser
vislumbrado, mesmo que muitas vezes tenhamos que caminhar de olhos fechados na
incerteza do caminho. Contudo, esta prova nunca foi uma caminhada solitria. Foi
sempre acompanhada por pessoas que souberam sempre fazer-se presentes, com a sua
palavra, com o seu conhecimento, com os conselhos e a quem quero prestar a minha
homenagem e dirigir o meu agradecimento sincero.
Quero aqui deixar o meu profundo agradecimento ao Professor Doutor Jos
Antnio Tenedrio, por ter aceite a orientao desta tese, e pelo apoio ao longo do seu
desenvolvimento, e acima de tudo pelo estmulo intelectual das nossas conversas. Um
agradecimento tambm ao Mestre Srgio Freire, pela sempre atenta observao e
crtica, e pela motivao constante.
Agradeo aos meus pais pela educao que me deram, pelos valores, orientaes e
oportunidades, sem as quais seria com certeza humanamente mais pobre. Aos Amigos,
pelo apoio e exemplo que me do e continuam a dar e que de tanto me valem.
Em ltimo lugar um sentido agradecimento minha esposa Snia, sem a qual esta
tarefa teria um peso indubitavelmente maior. Agradeo a sua constante solicitude, nos
conselhos, na crtica, e na correco do texto. Mas acima de tudo pela sua presena, pela
sua motivao e pelo seu sorriso. Tambm deixo um pequeno grande obrigado minha
filha Madalena, com a qual posso parar e reaprender a beleza das coisas.

iv

RESUMO

DETECO REMOTA EM MEIO URBANO:

TESTE COM CLASSIFICADORES SUPERVISIONADOS A NVEL DO PIXEL
SOBRE IMAGENS DE ALTA RESOLUO ESPACIAL APLICADOS NUMA
LGICA HIERRQUICA DE CLASSES

PAULO JORGE BORGES MARTINS CRISGONO

PALAVRAS-CHAVE: Deteco Remota, Imagens de Satlite, Resoluo Espacial,

Exactido temtica, Classificadores Supervisionados, Uso do Solo.

As constantes alteraes no uso e ocupao do solo nos centros urbanos

requerem informao geogrfica actualizada e precisa, de uma forma cada vez mais
clere, tornando requisito essencial para uma melhor gesto do meio urbano a produo
de cartografia digital expedita e a escalas compatveis com as exigncias das autarquias.
A relao complexa e heterognea entre os elementos que compem o meio
urbano e que apresentam, em imagens de satlite, um enorme leque de respostas
espectrais, com diversas formas e texturas, resultam em padres complexos e de difcil
explorao, tornando a sua classificao uma tarefa difcil.
O advento das imagens de satlite de alta resoluo espacial abriu uma nova
janela no uso e explorao deste tipo de imagens, tornando possvel estudar mtodos de
classificao novos ou j existentes analisando a riqueza espacial e a variabilidade
espectral destas imagens.
Recorrendo a uma imagem de alta resoluo espacial proveniente do satlite
QuickBird para os testes realizados, esta tese pretende contribuir para o
desenvolvimento de processos de classificao de meio urbano mais eficazes e que
conduzam a uma maior exactido nos resultados, propondo dois processos de
classificao, numa anlise estratificada por nveis temticos com base numa hierarquia
de classes pr-estabelecida.
A utilizao de classificadores pixel a pixel pretendeu mitigar limitaes na
utilizao de classificadores deste tipo em imagens de alta resoluo espacial. De entre
os classificadores pixel a pixel, utilizmos unicamente os supervisionados, baseados na
seleco de parcelas de treino espectralmente representativas das classes que se
desejava classificar.

ABSTRACT

REMOTE SENSING IN URBAN LANDSCAPE:

A TEST WITH SUPERVISED CLASSIFIERS AT PIXEL LEVEL IN HIGH
SPATIAL RESOLUTION IMAGES APPLIED IN A HIERARCHICAL LOGIC
OF CLASSES

PAULO JORGE BORGES MARTINS CRISGONO

KEYWORDS: Remote Sensing, Satellite Images, Spatial Resolution, Spatial

Resolution, Thematic Accuracy, Supervised Classifiers, Land Use.

The constant changes in urban land cover and land use require timely and
accurate geographic information with an increasingly higher urgency, making the
expedite production of digital maps at scales compatible with the requirements of
municipalities a key element for better management of urban areas.
The complex and heterogeneous relationship between the elements in urban
areas represent, in satellite images, an increased difficulty because of the enormous
range of spectral responses with various shapes and textures resulting in complex
patterns which make accurate classification a difficult task.
The advent of satellite imagery of high spatial resolution represented a new
opportunity in the use and exploration of such images, making it possible to study new
and previously existing methods of classification, and analyzing the spatial variability
and spectral richness of these images.
Using a high spatial resolution image from the QuickBird satellite, this thesis
aims to contribute to the development of more effective classification processes and
lead to greater accuracy in results, proposing two classification methods, in a stratified
analysis by thematic levels based on a pre-established hierarchy of classes.
The use of pixel to pixel classifiers intended to mitigate limitations in the use of
these types of classifiers in such high spatial resolution images. Among pixel to pixel
classifiers, we used only supervised ones, for they allow the selection of training areas
spectrally representative of the classes to sort.

vi

NDICE

INTRODUO .............................................................................................................................. 1
CAPTULO I:

OBJECTO E METODOLOGIA ................................................................................ 5

CAPTULO II:

NOMENCLATURAS E METODOLOGIAS DE CLASSIFICAES DE USO DO SOLO

URBANO EM IMAGENS DE SATLITE: UM ESTADO DA ARTE .................................................................. 7

II.1

CORPUS BIBLIOGRFICO DE REFERNCIA .................................................................................... 7

II.2

NOMENCLATURAS URBANAS ................................................................................................... 9

II.3

CLASSIFICADORES PIXEL A PIXEL.............................................................................................. 29

II.3.1

Classificadores no-supervisionados ........................................................................ 29

II.3.2

Classificadores supervisionados ................................................................................ 30

II.4

FERRAMENTAS DE AVALIAO DE EXACTIDO DE RESULTADOS...................................................... 41

II.4.1

Matriz de confuso ................................................................................................... 41

II.4.2

ndice de concordncia Kappa .................................................................................. 42

CAPTULO III:

EXPERIMENTAO DE CLASSIFICADORES SOBRE IMAGENS QUICKBIRD .......... 45

III.1

DADOS E REA DE ESTUDO ................................................................................................... 45

III.2

METODOLOGIA .................................................................................................................. 45

III.2.1

NOMENCLATURA PROPOSTA ............................................................................................. 45

III.2.2

PROCESSOS DE CLASSIFICAO PROPOSTOS ......................................................................... 47

CAPTULO IV:

RESULTADOS E DISCUSSO.............................................................................. 55

IV.1

PROCESSO DE CLASSIFICAO POR NVEIS ................................................................................. 55

IV.2

PROCESSO DE CLASSIFICAO POR CLASSES .............................................................................. 59

IV.3

PROCESSO DE CLASSIFICAO POR NVEIS VS PROCESSO DE CLASSIFICAO POR CLASSES ................... 63

IV.4

PROCESSOS DE CLASSIFICAO PROPOSTOS VS CLASSIFICAO DIRECTA DAS CLASSES MAIS

DISCRIMINANTES

70

CAPTULO V:

CONCLUSES ................................................................................................... 75

BIBLIOGRAFIA DE REFERNCIA .................................................................................................. 78

BIBLIOGRAFIA GERAL E FONTES ................................................................................................ 79
LISTA DE FIGURAS ..................................................................................................................... 82
LISTA DE TABELAS ..................................................................................................................... 85
GLOSSRIO ............................................................................................................................... 88

vii

ANEXO 1: CLCULOS AUXILIARES PARA UMA MATRIZ DE CONFUSO ...................................... 89

ANEXO 2: DEFINIO DE OU EXCLUSIVO ............................................................................... 90
ANEXO 3: EXACTIDES DAS MELHORES CLASSIFICAES DO PCN ............................................ 91
ANEXO 4: MAPAS DE REFERNCIA PARA OS VRIOS NVEIS TEMTICOS .................................. 94
ANEXO 5: MAPAS DAS MELHORES CLASSIFICAES NO PROCESSO DE CLASSIFICAO POR
NVEIS .................................................................................................................................................. 98
ANEXO 6: MAPAS DAS MELHORES CLASSIFICAES NO PROCESSO DE CLASSIFICAO POR
CLASSES ............................................................................................................................................. 102
ANEXO 7: MAPA DA NOMENCLATURA FINAL NO PROCESSO DE CLASSIFICAO POR NVEIS . 106
ANEXO 8: MAPA DA NOMENCLATURA FINAL NO PROCESSO DE CLASSIFICAO POR CLASSES
.......................................................................................................................................................... 107

viii

LISTA DE ABREVIATURAS E ACRNIMOS

IFOV

Campo instantneo de viso

SIG

Sistema de Informao Geogrfica

LIDAR

LIght Detection And Ranging

NDVI

Normalized Difference Vegetation Index

PIXEL

Picture Element

EG

Exactido Global

EU

Exactido do Utilizador

MV

Mxima Verosimilhana

MD

Mnima Distncia

MAHA

Mahalanobis

PARA

Paraleleppedo

PCN

Processo de Classificao por Nveis

PCC

Processo de Classificao por Classes

CDCD

Classificao Directa das Classes mais Discriminates

ix

Introduo
As alteraes ao uso e ocupao do solo nos centros urbanos so hoje
constantes, de forma que a produo de cartografia adequada que ajude os decisores na
tomada de deciso no as acompanha.
Com efeito, o desenvolvimento dos centros urbanos, em particular das grandes
cidades, no planeamento de grandes infra-estruturas, na reclassificao de solos
agrcolas em solos urbanizveis, etc., leva a uma urgente necessidade, por parte dos
gestores e planeadores, de informao apropriada e em tempo til para responder com
solues adequadas e acompanhar esses desenvolvimentos, solues essas que passaro
necessariamente pelas novas tecnologias, as quais, aliadas a mtodos de observao insitu devero oferecer metodologias de produo de cartografia que possam dar resposta
a estes desafios.
Uma dessas solues passa pela utilizao de imagens de satlite de alta
resoluo, para a produo de cartografia de meio urbano. Esta utilizao oferece no
entanto algumas dificuldades, dada a grande variabilidade espectral e espacial, inerente
natureza desses elementos. Estas caractersticas resultam numa relao complexa e
heterognea entre os elementos que compem o meio urbano e que apresentam um
enorme leque de respostas espectrais, com diversas formas e texturas, que resultam em
padres complexos e de difcil explorao exigindo o uso de sensores com uma alta
resoluo espectral e espacial que permitam uma classificao mais exacta das imagens
provenientes desses sensores.
Por sua vez, os mtodos de classificao existentes, nomeadamente ao nvel do
pixel, e que constituem objecto de estudo desta tese, so nesta perspectiva postos
prova, na medida em que se questiona a respectiva adequabilidade obteno de geoinformao com qualidade.
At ao incio do sc. XXI, a deteco remota era dominada por sensores
acoplados a plataformas areas, que apresentavam resolues espaciais que permitiam
discriminar com preciso elementos em meio urbano com resolues espaciais entre os
0,5 a 10 metros de IFOV (Welch 1982), ficando muito acima das resolues
conseguidas por sensores acoplados a satlites, e.g., Landsat (Tabela 1).

Sensor

Thematic
Mapper

Resoluo
Espectral (m)

Resoluo
Espacial
(m)

Canal 1:
0,45 - 0,52

3030

Canal 2:
0,52 - 0,60

3030

Canal 3:
0,63 - 0,69

3030

Canal 4:
0,76 - 0,90

3030

Canal 5:
1,55 - 1,75

3030

Canal 7:
2,08 - 2,35

3030

Canal 6:
10,40 - 12,50

120120

Largura
de scan
(km)

185

Resoluo
temporal
(dias)

16

Altitude
orbital

710 km,
quasipolar,
hliosincrona

Perodo de
operacionalidade

Lansat 4
16/07/1982
02/1983

Landsat 5
01/03/1984 - ?

Tabela 1- Especificaes do sensor Thematic Mapper dos satlites Landsat 4-5

Fonte: http://landsat.usgs.gov/tools_project_documents.php (adapt.)

S a partir de 1999, com o advento da terceira gerao de satlites de observao

terrestre, que os sensores espaciais conseguiram competir com os sensores areos,
apresentando resolues espaciais mais elevadas, e.g., IKONOS (Tabela 2), QuickBird
(Tabela 3), dando um enorme contributo no sentido de ultrapassar os limites impostos
pelos sensores de mdia e baixa resoluo espacial, ao apresentar um maior detalhe e
exactido para a cartografia de zonas urbanas.
Contudo, estes satlites esto limitados a 4 bandas espectrais, sendo que, segundo
Herold et al. (2003), as bandas espectrais que permitem uma melhor identificao de
classes urbanas de uso e ocupao do solo situam-se fora das fronteiras espectrais dos
satlites IKONOS e QuickBird, donde podem resultar classificaes errneas de certos
elementos. Com o intuito de diminuir esta desvantagem, informao complementar
como a textura, a forma, ou o contexto espacial pode ser incorporada nas classificaes
de imagens de alta resoluo.
Esta tese pretende contribuir para o desenvolvimento de mtodos de classificao
mais eficazes e que conduzam a uma maior exactido nos resultados, que permitam
responder a este desafio de crescente necessidade de informao geogrfica actualizada
e de elevado grau de fiabilidade em meio urbano. Recorrendo a uma imagem QuickBird
com alta resoluo espacial (entre 0.61 m e 2.4 m) de uma zona que abrange as

freguesias do Beato, Marvila e S. Joo, na cidade de Lisboa (Figura 1), estudmos

vrios mtodos de classificao com vista obteno de resultados de forma rpida e
precisa.

Sensor

Resoluo
Espectral (m)

Resoluo
Espacial
(m)

Pancromtico:
0,45 - 0,90

1x1

Canal 1:
0,45 - 0,50

4x4

Canal 2:
0,52 - 0,60

4x4

Canal 3:
0,63 - 0,69

4x4

Canal 4:
0,76 - 0,90

4x4

Largura
de scan
(km)

13

Resoluo
temporal
(dias)

Altitude
orbital

Perodo de
operacionalidade

681 km,
quasipolar,
hliosincrona

24//09/1999

Tabela 2 - Especificaes do satlite IKONOS

Fonte: http://www.satimagingcorp.com/satellite-sensors/ikonos.html (adapt.)

Sensor(modos)

Resoluo
Espectral (m)

Resoluo
Espacial
(m)

Pancromtico

0,45 - 0,90

0.60

Multiespectral

Canal 1:
0,45 - 0,52

2.4

Canal 2:
0,52 - 0,60

2.4

Canal 3:
0,63 - 0,69

2.4

Canal 4:
0,76 - 0,90

2.4

Largura
de scan
(km)

16.5

Resoluo
temporal
(dias)

1 a 3.5

Altitude
orbital

Perodo de
operacionalidade

450 km,
quasipolar,
hliosincrona

18/10/2001

Tabela 3 - Especificaes do satlite QuickBird

Fonte: http://www.satimagingcorp.com/satellite-sensors/quickbird.html (adapt.)

O recurso a esta imagem permitiu ir ao encontro dos requisitos de detalhe da

cartografia em meio urbano, ao mesmo tempo que com a utilizao de uma metodologia
de extraco de classes de ocupao e uso de solo recorrendo a mltiplos classificadores
pretendemos aumentar a exactido temtica na classificao da imagem.
Esta tese desenvolvida no mbito do projecto GeoSat Metodologias para
extraco de informao GEOgrfica a grande escala a partir de imagens de SATlite de

alta resoluo1, promovido pela FCSH/UNL e que tem como objectivo o

desenvolvimento de uma metodologia que permita a produo de informao geogrfica
para fins municipais, com base em imagens de satlites de alta resoluo2.
Apresentamos esta tese numa estrutura de cinco captulos onde procuramos
contextualizar o tema pela sua relevncia e actualidade. No primeiro captulo ilustramos
o objectivo deste trabalho no contexto do projecto onde se insere2. Acompanhamos este
primeiro captulo com uma breve referncia metodologia usada, descrevendo o tipo de
imagem que utilizmos, a rea qual se refere, bem como os processos de classificao
propostos e o software utilizado. No segundo captulo contextualizamos a tese pela
anlise do estado da arte no que diz respeito a nomenclaturas e metodologias de
classificao de imagens de satlite de reas urbanas que mais se enquadram no mbito
desta

tese,

identificando

as

nomenclaturas

urbanas

relevantes,

descrevendo

sumariamente o funcionamento dos classificadores utilizados e por ltimo referindo os

mtodos de avaliao da exactido dos resultados utilizados. No terceiro captulo
iniciamos a descrio pormenorizada do estudo sobre os classificadores utilizados,
tambm com uma descrio detalhada da rea coberta pela imagem e do processo de
classificao proposto. No quarto captulo apresentamos os resultados obtidos
acompanhados da respectiva discusso. No quinto e ltimo captulo conclumos a tese
apresentando as principais concluses do estudo e apontando caminhos para futuros
trabalhos que podero explorar certos aspectos que foram suscitando interesse no
decorrer do trabalho.

Tenedrio et al. (2007) GeoSat Metodologias para extraco de informao GEOgrfica a grande
escala a partir de imagens de SATlite de alta resoluo
2

O projecto GeoSat visa criar uma metodologia que permita integrar a informao proveniente de
imagens de alta resoluo num Sistema de Informao Geogrfica (SIG), com o objectivo final de
facilitar a actualizao de cartografia de base, a partir da qual ser posteriormente produzida cartografia
temtica, num processo que se pretende expedito e com rigor temtico. Desta forma, o projecto pretende
criar uma base metodolgica que permita a utilizao de imagens de alta resoluo em dois nveis de
cartografia: um 1 nvel, de cartografia de grande preciso, apresentando cartografia com elevada preciso
temtica e geogrfica, disponibilizando informao geogrfica que se prev imutvel (rede estradas, reas
urbanas consolidadas, etc.), a ser actualizada em intervalos de tempo mais longos (e.g., 10 anos); e um 2
nvel, de actualizao peridica de curto prazo (e.g., 1 ano), com geoinformao retirada de imagens de
satlite, disponibilizando uma alta preciso temporal em detrimento da preciso geogrfica e temtica,
cuja performance ser inevitavelmente inferior registada na cartografia que ser possvel obter a partir
do nvel 1.

Captulo I:

Objecto e Metodologia

O objecto de estudo desta tese centra-se na avaliao de classificadores

supervisionados pixel a pixel, nomeadamente os que se encontram disponveis no
software ENVI (Tabela 4). Focalizmos este estudo somente na utilizao de
classificadores pixel a pixel com o intuito de mitigar limitaes na utilizao de
classificadores deste tipo em imagens de alta resoluo espacial. De entre os
classificadores pixel a pixel, utilizmos unicamente os supervisionados, dado
permitirem a seleco de parcelas de treino3 espectralmente representativas das classes
que se queiram classificar.

Modo

Tipo

Nome
Paraleleppedo
Mnima Distncia
Distncia Mahalanobis

Supervisionado

Pixel a pixel

Mxima Verosimilhana
Mapeamento de ngulo Espectral
Codificao Binria

Tabela 4 - Classificadores supervisionados disponveis no software ENVI

Como referido no captulo anterior, utilizmos uma imagem do satlite

QuickBird, adquirida a 14 de Abril de 2005, e que foi alvo de uma fuso entre a imagem
pancromtica e as bandas multiespectrais, conseguindo com este processo uma
resoluo geomtrica de 0.61 m. Esta operao no foi alvo de estudo nesta tese, tendo
sido utilizada a imagem resultante da fuso como imagem de partida.
As principais operaes para a classificao da imagem efectuadas foram:
extraco de parcelas de treino de classes acompanhada por um processo iterativo de
refinamento da representatividade da amostra para as classes em questo e da
consequente separabilidade entre classes; e o uso dos classificadores supervisionados ao
nvel do pixel.

Do ingls training reas designa um conjunto de pixis representativos de um determinado tema ou

classe (ver captulo II.3).

Construmos um mapa de referncia com todas as classes escolhidas no software

ArcGIS, que serviu posteriormente para comparar com as imagens resultantes das
classificaes, para assim inferir sobre a exactido temtica das mesmas. A avaliao da
exactido das classificaes foi feita recorrendo a dois tipos de abordagens: usando a
clssica matriz de confuso4 (Lillesand e Kiefer, 1994) e o ndice de concordncia
Kappa5 (Cohen, 1960).
Optmos pela criao de um mtodo de classificao que tivesse a capacidade de
incorporar regras de deciso que nos ajudassem na obteno dos melhores resultados
(ver captulo III.2). Essa representao esquemtica do processo de classificao foi
alimentado por uma nomenclatura de classes estratificada por nveis extraindo a cada
nvel o melhor resultado, usando subsequentemente as classes do nvel anterior como
mscaras para classificar as classes posteriores dependentes, i.e. as classes de um nvel
foram utilizadas como mscaras para minimizar o erro de classificaes errneas para as
classes dependentes.

4
5

Ferramenta usada para a avaliao de exactido de uma classificao (ver captulo II.4).
Medida de concordncia
(ver captulo II.4).

que

indica

quantas

observaes

se

afastam

das

esperadas

Captulo II:

Nomenclaturas e metodologias de classificaes

de uso do solo urbano em imagens de satlite: um estado da arte

II.1 Corpus bibliogrfico de referncia

A Biblioteca do Conhecimento Online6 (B-On) uma base de dados de
publicaes cientficas que disponibiliza a instituies de investigaes e de ensino
superior peridicos cientficos internacionais e e-books de fornecedores de contedos,
permitindo potenciar a visibilidade e acessibilidade de resultados da actividade
cientfica da maior qualidade e rigor cientfico.
A B-On foi, neste contexto, a nossa opo de fonte para o trabalho de
investigao que realizmos. Nela pesquismos artigos que considermos relevantes
para adquirir o necessrio conhecimento de estudos e resultados sobre o tema no qual
nos propusemos trabalhar. Seleccionmos, para tal, quatro peridicos que abarcam a
rea da deteco remota. Foram eles: o International Journal of Remote Sensing (o
peridico oficial da Sociedade de Deteco Remota e Fotogrametria do Reino Unido); o
Remote Sensing of Environment; o IEEE Geoscience and Remote Sensing Letters; e o
IEEE Transactions on Geoscience and Remote Sensing.
A recolha de informao relevante para a presente tese teve em conta duas
condicionantes principais: em primeiro lugar, as caractersticas de centro urbano da rea
abrangida pela imagem (e.g. zonas habitacionais, espaos verdes, servios, etc.); e em
segundo lugar, o facto de o tipo de imagem com que trabalhmos ser proveniente de
satlites que s estiveram disponveis a partir de 2001. Neste contexto, e dando espao a
alguma maturao na aquisio de imagens e publicao de trabalhos onde este tipo de
imagem com foco em centros urbanos foram utilizadas, balizmos a nossa recolha no
perodo entre 2003 e 2010, sem prejuzo de, sempre que considermos necessrio para
aprofundar e enriquecer o nosso trabalho, termos alargmos os horizontes da nossa
investigao.

http://www.b-on.pt

Chaves
Urban Classification
Urban area
Urban
Urban landscape
Urban land cover
High resolution
High spatial resolution
QuickBird
Ikonos
VHR
Classification VHR
Classification QuickBird
Classification IKONOS
Classification features
Classes
Features
Segmentation
Land use
Urban remote sensing
Urban remote sensing and land use
Classification

Tabela 5 - Chaves de pesquisa

Numa primeira fase efectumos uma pesquisa aberta limitada apenas s

condicionantes referidas utilizando uma tabela de chaves de pesquisa (Tabela 5) que
considermos relevante. Numa segunda fase procurmos publicaes sobre temas
relevantes para a presente tese, como por exemplo aplicaes de diversas metodologias
de extraco de informao de imagens provenientes de satlites de alta resoluo
espacial, explorao de sinergias entre diversos classificadores, utilizao de
informao complementar para melhorar as classificaes, estudos sobre as
caractersticas espectrais de elementos presentes em imagens de satlite, nomenclaturas
de classes propostas para a classificao de meios urbanos e classificadores
supervisionados ao nvel do pixel.

No prximo captulo iremos descrever de forma sucinta os trabalhos

seleccionados, destacando os aspectos que considermos mais importantes no mbito
desta tese, nomeadamente as nomenclaturas de classes utilizadas para a classificao de
imagens e estratgias seguidas pelos autores.

II.2 Nomenclaturas urbanas

O meio urbano est sujeito a constantes mudanas, que tm a sua origem em
aces de expanso, de requalificao, de reabilitao, etc. Apesar desta transfigurao
dinmica, podemos afirmar que existem certos temas que caracterizam os centros
urbanos que se mantm imutveis ao longo do tempo, e.g., estradas, edificado, espaos
verdes, passeios, etc. Contudo, essas caractersticas tm particularidades que se
expressam ao nvel do pas e mais concretamente da cidade, i.e., no poderemos
classificar, de uma maneira linear, todas as cidades recorrendo a uma comparao com
um mesmo conjunto de parcelas de treino.
Neste trabalho estudmos previamente as caractersticas especficas da cidade de
Lisboa, nomeadamente da rea abrangida pela imagem QuickBird que utilizmos, uma
zona que abrange reas das Freguesias do Beato, Marvila e S. Joo (Figura 1), com zona
habitacional onde se destaca uma zona de vivendas com uma peculiar forma em leque,
zonas verdes, zonas industriais, servios e escolas.

Figura 1 - Imagem QuickBird utilizada7

Fonte: Freire et al. (2010) (adapt.)

Com o intuito de auxiliar a seleco das classes que melhor pudessem

caracterizar a rea em estudo, procurmos encontrar nos trabalhos seleccionados,
nomeadamente trabalhos sobre centros urbanos, exemplos de nomenclaturas urbanas
que nos permitissem construir uma nomenclatura especfica para a imagem em causa,
que aliasse as caractersticas particulares da zona abrangida com o detalhe proveniente
da resoluo espacial da imagem utilizada.
Carleer e Wolff (2006) estudam um mtodo de seleco de classes para assim
seleccionar as que melhor caracterizam uma determinada zona, com o intuito de
melhorar a classificao de imagens de alta resoluo espacial de zonas urbanas. Carleer
e Wolff (2006) sublinham a importncia que tem a incluso de informao
complementar na classificao de imagens de alta resoluo espacial, e.g., IKONOS,
QuickBird, OrbView-3. Esta importncia, segundo os autores, torna-se mais premente

Cedida pelo Centro de estudos geogrficos da Faculdade de Cincias Sociais e Humanas

10

devido restrio que advm deste tipo de sensores, limitados a 4 bandas espectrais,
que por si s no permitem explorar os detalhes urbanos na sua dimenso espectral.
Para fazer face complexidade dos padres urbanos, na sua forma, tamanho, e
interrelaes, poder-se- recorrer a informao espectral noutras regies mais indicadas
para este fim, que segundo os autores se encontram na regio do infravermelho de
frequncias curtas e o infravermelho trmico, pois encerram importantes caractersticas
espectrais que permitem identificar diversos materiais bem como informao trmica do
meio urbano. Contudo, mesmo recorrendo a sensores hiper-espectrais existem
limitaes ao nvel da resposta espectral de alguns elementos urbanos, que sendo na
realidade diferentes podem apresentar respostas espectrais semelhantes, (e.g., a gua, as
estradas, ou mesmo alguns prdios podem confundir-se com a resposta espectral da
sombra) facto que necessariamente ir resultar numa classificao errada dos elementos.
Os autores enfatizam a importncia de, usando imagens de alta resoluo
espacial, se utilizar informao complementar, como por exemplo a forma, o tamanho, a
textura, a sombra, a localizao, a associao, etc., caractersticas que o ser humano
naturalmente interpreta. Esta informao tem um papel de extrema relevncia na ajuda
classificao de uma imagem para distinguir entre classes com uma resposta espectral
muito semelhante.
Revela-se particularmente importante neste estudo a estratgia de segmentar a
imagem em vrios nveis. A justificao prende-se com o facto de com a segmentao
poder-se unir regies mais homogneas, permitindo que estas novas regies sejam
posteriormente classificadas ou segmentadas para um novo nvel. Neste sentido, a cada
nvel podem ser exploradas caractersticas que de outro modo no seriam identificadas,
ajudando a uma maior preciso na classificao da imagem.
Carleer e Wolff (2006) exploraram as caractersticas que, calculadas depois da
segmentao, melhor se ajustavam classificao de imagens. Utilizando a
segmentao como estratgia para fraccionar as imagens em vrios nveis, os autores
identificaram assim quais os nveis que melhor caracterizam uma certa classe.
Neste estudo foi utilizada uma imagem QuickBird do centro da cidade de Ghent
(Blgica). A escolha ficou a dever presena de vrios tipos de elementos urbanos e
diferentes materiais no centro da cidade, caractersticas relevantes para o objectivo deste
estudo.

11

Os autores adoptaram uma legenda do tipo hierrquico com trs nveis (Tabela
6). No primeiro nvel incluram as trs principais classes: vegetao, no-vegetao
e sombra, os autores justificaram a utilizao da sombra para prevenir que os pxeis
sombra fossem classificados como gua ou telhados escuros. No nvel dois a classe
sombra dividida em vegetao e no-vegetao. As restantes subclasses do
nvel dois baseiam-se unicamente na cor e no tipo de vegetao. O terceiro nvel
apresenta uma subdiviso das classes atrs referidas em reas de transporte e
edificado.

Nvel 2
Sombra

Vegetao

No-Vegetao

Nvel 3

Vegetao

11

No-Vegetao
Arbustos e rvores
Relva
gua
Superfcies vermelhas
Superfcies muito reflectoras
Cinza brilhante
Cinza mdia
Cinza escuro

12
21
22
31
32
33
34
35
36

rea de transportes

301

Prdios

302

Tabela 6 Hierarquia de classes adoptada no estudo

Fonte: Carleer e Wolff (2006) (adapt.)

Depois de classificada a imagem, os resultados foram comparados com a

classificao visual da mesma, seguindo a legenda proposta. Seleccionaram assim as
melhores caractersticas para a identificao de elementos de cada uma das classes.
Um outro artigo que explora a textura e as estatsticas espaciais numa
classificao orientada por objectos, utilizando imagens de alta resoluo espacial de
reas urbanas, apresenta-nos uma legenda mais simples que a anterior, mas com
elementos comuns (Su et al., 2008).
Neste estudo, os autores evidenciam a realidade heterognea dos meios urbanos,
composta por malhas complexas de edifcios, rvores, relva, etc., e a dificuldade de
extrair informao sobre a textura por mtodos tradicionais de classificao espectral.
Para minimizar este facto apontam como uma possvel soluo a incluso de
informao espacial que caracterize os elementos urbanos pertencentes s classes
definidas para assim melhorar as classificaes. Propem-se assim, analisar uma
12

imagem com recurso a estatsticas de textura e estatsticas locais com vista a aperfeioar
a classificao orientada por objectos.
Su et al. (2008) recorrem a uma srie de caractersticas de textura utilizadas para
descrever propriedades espaciais usando uma matriz de co-ocorrncias de nveis de
cinzento8, sendo elas a homogeneidade, contraste, segundo momento angular e entropia.
Estas caractersticas so consideradas as mais indicadas para a classificao em meio
urbano. Utilizam tambm uma caracterstica espacial local Morans um indicador
espacial estatstico que reflecte as diferentes estruturas espaciais de suavidade e
rugosidade das superfcies. A imagem utilizada neste estudo proveniente do satlite
QuickBird adquirida em 2004 do centro da cidade de Kuala Lumpur, Malsia. A cidade
com um ndice demogrfico elevado (cerca de 6502 habitantes por km2) apresenta-se
fortemente urbanizada, com zonas verdes espalhadas por toda a cidade. Os autores
identificaram 7 tipos de classes presentes na imagem em questo chegando a uma
legenda que contm classes como a gua, vegetao rasteira, relva, edifcios, solo a
descoberto e estradas.
Kux et al. (2006) recorrem a imagens de alta resoluo QuickBird de 2002 e
2004, para estudar a forte presso urbanstica a que esto sujeitas duas reas de Belo
Horizonte, Belvedere e Buritis, no estado de Minas Gerais.
Belo Horizonte tem cerca de 2 milhes de habitantes sendo a sexta cidade mais
populosa do Brasil, apresentando os esperados sintomas de um grande centro urbano,
tais como fortes presses demogrficas, construes desordenadas, avano de solos
impermeveis, diminuio de espaos verdes, etc. Tais factos carecem de bvios
mecanismos de monitorizao com vista a um planeamento urbano mais eficiente e
clere. neste sentido que Kux et al. (2006) avaliam o recurso a imagens de alta
resoluo para uma classificao automtica, no que diz respeito qualidade da
informao obtida. Recorre para isso, a uma classificao orientada por objectos,
tcnica que relaciona e agrupa conjuntos de pxeis contextualmente coerentes em
unidades chamadas de objectos. Sendo a classificao baseada em objectos, tornase assim uma classificao mais prxima de uma interpretao visual feita por um
operador.

Do ingls, grey-level co-occurence matrix

13

Kux et al. (2006) definiram um conjunto de classes (Tabela 7) baseando-se na

interpretao visual de imagens de satlite e orto-fotos e no conhecimento do terreno.
Foram usadas caractersticas como a cor, a forma, a textura, a sombra, para elaborar
interpretadores que ajudaram na segmentao das imagens. Neste processo os autores
apresentam uma hierarquia de classes estruturada pelas relaes e dependncias entre
classes (Figura 2). Os nveis mais altos so ocupados por classes que representam
elementos com uma maior separabilidade, sendo que, medida que se vai descendo de
nvel, essa separabilidade tendencialmente diminui. Esta estratgia, segundo Kux et al.
(2006), permite diminuir os erros inerentes a classificao dos elementos, sendo que as
classes que se apresentam mais difceis de discriminar foram remetidas para nveis
inferiores. Todo este processo permitiu que se fosse ajustando o modelo hierrquico
com o intuito de compreender melhor as tenses que poderiam existir entre os
elementos na classificao, podendo assim levar a um refinamento do prprio modelo.

Classe

Descrio

Vegetao arbrea

Forte resposta na banda do infra-vermelho. Existncia de textura devido altura das rvores que
resultam (sombra). Distingue-se facilmente das outras classes.

Relva

Forte resposta na banda do infra-vermelho. Uniforme. A textura apresenta-se mais suave o verificado na
vegetao arbrea.

Telha de cermica

Forma geomtrica simples. Variaes no tom cor-de-laranja caracterstico. Textura suave. Fcil
identificao visual.

Solo a descoberto

Solo em preparao para a construo. Forma irregular. Textura varivel e localizao aleatria.

Asfalto

Utilizado pelo cadastro urbano para delimitar as estradas. Avenidas e ruas. Formas lineares e rectas.

Sombra

Baixo brilho. Perto de prdios altos e vegetao arbrea.

Piscinas

Forte resposta na banda do azul e por vezes na banda do verde. Bem definidas.

Chapas

Telhados, maioritariamente de amianto e cimento. Nvel de quantizao perto de 2048.

Coberturas cinzentas

Coberturas de grandes edifcios. Apresentam inmeras variaes.

Coberturas brancas

Elevado brilho. Constituio dos materiais pouco clara.

Tabela 7 - Definio de classes

Fonte: Kux et al. (2006) (adapt.)

14

Figura 2 - Rede hierrquica

Fonte: Kux et al. (2006) (adapt.)

Utilizando tambm uma metodologia orientada por objectos, Zhou e Troy (2008)
recorrem a imagens provenientes de um sensor que opera na zona do vsivel e infravermelho de alta resoluo espacial acoplado a uma plataforma area, informao
proveniente de LIDAR9, e informao espacial complementar, para a anlise e
caracterizao do uso e ocupao do solo ao nvel da parcela10. As imagens
provenientes deste sensor activo apresentam trs bandas espectrais, duas no visvel
(verde e vermelho) e uma no infra-vermelho prximo, com uma resoluo espacial de
0.6m.
A rea de estudo compreende a bacia hidrogrfica de Gwynns Falls e reas da
cidade de Baltimore e Baltimore County, reas situadas na parte norte do estado de
9

Do ingls, LIgth Detection and Ranging. Sensor ptico que permite medir distncia a outros objectos
por intermdio de um feixe de luz.
10 Zhou and Troy (2008) 'An object-oriented approach for analysing and characterizing urban landscape
at the parcel level', International Journal of Remote Sensing, 29:11,3119 3135, pg. 1

15

Maryland, U.S.A., caracterizadas essencialmente por zonas rurais, suburbanas e

urbanas.
Zhou e Troy (2008) utilizam neste trabalho uma abordagem orientada por
objectos com o intuito de explorar a incluso de informao complementar,
nomeadamente informao espacial ao nvel da parcela, dada a caracterstica unitria da
mesma como elemento de anlise da paisagem urbana. Assim, os autores pretendem
usar a parcela para a segmentao dos objectos tratando-a, como uma unidade
geogrfica com um significado funcional que compe a realidade paisagstica.
Os autores identificaram 5 classes para a classificao das imagens neste estudo
(Tabela 8). Para efectuar a segmentao das imagens criaram regras de classificao que
permitiram classificar os objectos nas respectivas classes, baseadas em caractersticas
inerentes ao tipo de informao recolhida, e.g., informao sobre o ndice de NDVI11,
respostas espectrais, e a outras caractersticas, tais como medidas estatsticas e relaes
espaciais. Estas regras permitiram a diferenciao e segmentao das imagens nas vrias
classes. Os autores organizaram hierarquicamente as classes partindo das mais
abrangentes para as mais particulares, com um conjunto de valores de fronteira para as
caractersticas de cada classe (Figura 3).

Classes
Edifcios
Pavimento
Vegetao grosseira (rvores e arbustos
Vegetao fina (vegetao herbcea e relva)
Solo a descoberto

Tabela 8 Legenda de classes

Fonte: Zhou e Troy (2008) (adapt.)

11

Do ingls Normalized Difference Vegetation Index (ndice de vegetao)

16

Figura 3 - Hierarquia de classes e respectivas caractersticas e regras de separao

Fonte: Zhou e Troy (2008) (adapt.)

Zhou e Troy (2008) comearam por classificar a imagem em duas classes:

edificado e no- edificado. A classe no- edificado foi dividida em sombras e
no-sombras recorrendo somente a informao espectral para essa diviso. Os
objectos classificados como no-sombra so por sua vez subdivididos em vegetao
e no-vegetao com o auxlio do ndice NDVI. Os objectos classificados como
vegetao so posteriormente diferenciados em dois tipos de vegetao (textura fina e
textura grosseira). Os objectos classificados como no-vegetao so discriminados
como pavimento, solo a descoberto e edificado, com a ajuda de informao
contextual e de textura. Para discriminar os objectos classificados como sombra, Zhou
e Troy (2008) utilizam informao LIDAR para especificar os objectos com sombra
baixa e sombra alta, conseguindo ainda discriminar, com o auxlio de informao
do ndice NDVI e informao contextual, vegetao com sombra e edifcios com
sombra.

17

Zhou e Troy (2008) utilizam, para avaliar os resultados da classificao

efectuada, um mapa de referncia classificado visualmente por um operador com base
nas cinco classes pr-definidas. Com o mapa de referncia e a imagem resultante da
classificao calcularam a matriz de confuso e o ndice Kappa ao nvel do pixel.
Obtiveram uma exactido global da classificao de 92.3% e um ndice Kappa de 0.899.
A abordagem seguida pelos autores no que diz respeito escolha e estruturao
da hierarquia de classes pode ser aplicada a outras realidades urbanas, visto que as
classes esto vulgarmente presentes em qualquer meio urbano. Assim, afirmam os
autores que a hierarquia proposta pode ser ajustada para funcionar com mais classes em
diferentes realidades urbanas.
Herold et al. (2003) apresentam, na anlise que fazem sobre as exigncias
espectrais para cartografar reas urbanas, uma avaliao sobre o poder discriminativo de
sensores de alta resoluo espectral para tratar realidades urbanas em toda a sua
complexidade.
O estudo acentua como dificuldade acrescida para a classificao de reas
urbanas, o desconhecimento das propriedades espectrais dos materiais que a compem.
Contudo, com o aparecimento de sensores com caractersticas que permitem explorar
espectral e espacialmente as propriedades desses materiais, abrem-se novas
possibilidades para a classificao de imagens provenientes desse tipo de satlites.
Neste sentido, este estudo explora as capacidades dos sensores para discriminar
espectralmente a superfcie urbana procurando identificar as bandas espectrais mais
indicadas para cartografar a mesma.
Para conhecer as propriedades dos materiais, Herold et al. (2003) constroem
uma biblioteca espectral constituda por cerca de 6000 medies espectrais de materiais
existentes em meio urbano, nomeadamente na rea de estudo (telhados, estradas,
vegetao, etc.). Essas medies foram feitas por um espectrmetro com um alcance
espectral entre 350 e 2500 nanmetros12, utilizando para a biblioteca as mesmas bandas
espectrais do sensor com o qual foram adquiridas as imagens da rea de estudo, o sensor
AVIRIS13.

12

1 nanmetro = 1,0x10-9

13

Do ingls Airborne Visible/Infrared Imaging Spectrometer

18

No estudo comparativo, Herold et al. (2003) pretendem avaliar as capacidades

espectrais de sensores hiper-espectrais, nomeadamente do AVIRIS, recorrendo para isso
a classificaes onde utilizam as mesmas bandas espectrais existentes nos sensores
multi-espectrais IKONOS e Landsat Thematic Mapper, com o intuito de inferir sobre as
potencialidades que estes possam possuir para cartografar reas urbanas.
Para este trabalho utilizaram imagens de Santa Barbara e Goleta (Califrnia USA). As reas abrangidas pelas imagens so constitudas por paisagens naturais, zonas
de agricultura, zonas de coberto arbustivo e um lago. Tm tambm zonas residenciais,
comerciais e educacionais, cujas superfcies apresentam uma grande variedade de
materiais.
Herold et al. (2003) apresentam uma hierarquia de classes (Tabela 9) organizada
em quatro nveis com 26 classes. Os dois primeiros representam as classes gerais e
funcionais. Os nveis seguintes englobam classes mais especficas da realidade urbana,
discriminando inclusive o tipo de materiais.
A informao para este estudo foi adquirida por um sensor areo AVIRIS, em
2000, com uma resoluo espacial de cerca de 4m. Este sensor proporciona informao
em 224 bandas espectrais numa regio do espectro electromagntico (Figura 4) entre
370 a 2510 nanmetros. Os dados, para estudar as potencialidades dos sensores
IKONOS e Landsat Thematic Mapper, foram simulados extraindo as respectivas bandas
espectrais fornecidas pelo sensor AVIRIS.

19

Nvel 1

Nvel 2

Nvel 3

Nvel 4
Telha castanha/vermelha
Telha cinzenta/branca clara

Telhados de materiais
compsitos

Telha cinzenta/preta escura

Telha cor-de-laranja

Telhados de gravilha
Telhados de prdios

Gravilha cinzenta
Gravilha vermelha

Telhados de metal

Metal castanho
Metal cinzento claro

Telhados de asfalto
Telhados de telha

Cinzento claro
Vermelha
Cinzento / castanho

reas contradas
Telhados de alcatro
Telhados de placas de
madeira

Asfalto claro (antigo)

Estradas de asfalto
Asfalto escuro (novo)
Estradas de cimento
reas de transporte

Estradas de gravilha
Parques de estacionamento
Caminhos-de-ferro
Campos de tnis

Infra-estruturas de desporto
Pistas de tartan
Vegetao verde
Vegetao
Vegetao no-fotosinttica
Superfcies no-urbanas

Solo a descoberto
Corpos de gua

Corpos de gua

naturais/quasi-naturais
Piscinas

Tabela 9 - Esquema da classificao da imagem para a rea em estudo

Fonte: Herold et al. (2003) (adapt.)

20

Figura 4 Espectro electromagntico

Fonte: http://lasp.colorado.edu/cassini/education/Electromagnetic%20Spectrum.htm

Herold et al. (2003) identificam neste estudo 14 bandas que, pelas suas
caractersticas, apresentam grandes potencialidades para a classificao em meio
urbano, sendo que a maioria se situa fora ou no limite do alcance espectral de sensores
como IKONOS ou Landsat TM14. Sublinham tambm o facto da similitude das respostas
espectrais de certos materiais resultarem em classificaes erradas, mesmo com a
riqueza de sensores multi-espectrais.
Heiden et al. (2007) utilizam imagens hiper-espectrais para explorar as
caractersticas espectrais especficas de diversos materiais presentes em meio urbano.
Para avaliar a consistncia das caractersticas espectrais de cada um dos materiais
identificados, os autores utilizam uma biblioteca de mais de 21.000 valores espectrais
dos materiais de superfcie mais utilizados na Alemanha15. Com este estudo os autores
pretendem explorar as potencialidades da utilizao de informao espectral dos
14

Herold, M., Gardner, M. E., and Roberts, D. A., (2003) Spectral resolution requirements for mapping
urban areas, IEEE Transactions on geoscience and remote sensing, vol.41, no.9, pg. 1912
15

Heiden, U., Segl, K., Roessner, S. and Kaufmann, H. (2007) Determination of robust spectral features
for identification of urban surface materials in hyperspectral remote sensing data, Remote Sensing of
Environment, 537-552, pg. 1

21

materiais no refinamento de metodologias automticas e semi-automticas para

melhorar a exactido na identificao e extraco de elementos urbanos.
Heiden et al. (2007) sublinham a importncia de conhecer a realidade multivariada dos materiais que compem a realidade urbana para o planeamento de uma
cidade. As imagens hiper-espectrais possibilitam, dada a alta resoluo espectral, uma
explorao de particularidades especficas dos materiais urbanos.
Neste estudo so exploradas imagens provenientes do sensor areo HyMap16 das
cidades Alems de Desdren e Postdam. Estas cidades possuem uma variedade
interessante de elementos urbanos para o objectivo desde estudo. As imagens foram
adquiridas numa janela espectral, que passa pelas bandas do visvel, infra-vermelho
prximo e infra-vermelho curto, com cerca de 128 bandas espectrais, tendo uma
resoluo de cerca de 4 metros.
Heiden et al. (2007) enfatizam a importncia, na construo de uma biblioteca
espectral, em conhecer em detalhe as caractersticas espectrais dos materiais da zona de
estudo. Nesse sentido, desenvolveram um sistema hierrquico para qualificar os vrios
materiais existentes na rea de estudo (Figura 5). No primeiro nvel dessa hierarquia
surgem duas classes principais que dividem os elementos em zonas impermeveis e
zonas no-impermeveis. Da classe das zonas impermeveis aparecem num
segundo nvel duas classes, edificado e reas a descoberto. A classe edificado
contm no terceiro nvel a classe telhados. Por seu lado, a classe reas abertas
contm as classes totalmente impermevel e parcialmente impermevel. As classes
vegetao e no-vegetao, sub-classes no segundo nvel pertencentes classe
no-impermeveis, abrangem as seguintes sub-classes do terceiro nvel: espaos
verdes e rvores e arbustos, pertencentes classe vegetao e solo a descoberto e
gua, classes pertencentes classe no-vegetao. no quarto nvel que Heiden et
al. (2007) exploram os materiais de elementos pertencentes s classes do terceiro nvel.

16

HyMap um sensor hyper-espectral de carcter comercial desenvolvido pela empresa Integrated

Spectronic Sydey, Austrlia, munido com 128 bandas com uma resoluo espectral de cerca de 17nm, e
uma resoluo espacial entre 3 a 10m.

22

Figura 5- Caracterizao hierrquica de materiais urbanos de superfcie

Fonte: Heiden et al. (2007) (adapt.)

Os vrios materiais que compem a realidade urbana das cidades alems em

estudo foram sujeitos a medies espectrais, efectuadas por um espectrmetro com
capacidade para registar medies em cerca de 2151 bandas num intervalo entre 0,35m
e 2.50m17 do espectro electromagntico (Figura 4). Recolheram-se amostras espectrais
de vrios materiais na zona de teste. Com a informao recolhida identificaram os
respectivos elementos e classes nas imagens em questo.
Heiden et al. (2007) concluem que as caractersticas mais comuns podem ser
identificadas nas imagens, apesar da grande variabilidade espectral destas, quando
comparadas com as medies no terreno, facto que se deve principalmente a factos
como iluminao dos objectos, s diferentes datas de aquisio, e variabilidade
espectral dos materiais.
Blumberg, e Zhou (2007) propem uma abordagem para a classificao de
imagens de satlite - no caso concreto deste estudo utilizam uma imagem que abrange a
cidade de Beer-Sheva, Israel - que permita a interligao entre trs reas de
processamento na deteco remota: classificao fsica (ao nvel do pixel); extraco
semntica (ao nvel dos objectos); e o reconhecimento de informao (ao nvel da
imagem). Neste sentido, os autores pretendem extrair informao da imagem em vrios
nveis de segmentao, fazendo interagir a informao espacial e espectral a diferentes
17

Micrmetro miliolsima parte do metro (10-6)

23

escalas, agregando essa informao em unidades semnticas lgicas, i.e., em classes

temticas pr-definidas.
Os autores sublinham as mais-valias do mtodo proposto, dada a clara vantagem
na utilizao do conceito de objecto (conjunto de pxeis com sentido semntico) como
sendo um processo mais prximo da classificao visual humana, e tambm o facto de
poderem analisar as relaes entre objectos, resultando assim necessariamente em
classificaes mais precisas.
Na metodologia proposta, Blumberg e Zhou (2007), definem como objectivo a
integrao, numa nica plataforma, das operaes de classificao, extraco semntica
e reconhecimento de informao da imagem, efectuando segmentaes de modo
sincronizado e interactivo. Sublinham ainda o importante papel dos objectos criados ao
longo do processo, em detrimento dos pxeis, e da anlise das relaes entre os pxeis
que compem esses objectos a diferentes escalas hierrquicas.
A rea de estudo de Blumberg e Zhou (2007) compreendem uma zona desrtica
situada a norte do deserto de Negev e parte da cidade de Beer-Sheva, Israel. Foram
utilizadas imagens provenientes do sensor ASTER18, utilizando trs bandas no visvel e
seis no infra-vermelho curto.
Blumberg e Zhou (2007) identificaram, para este estudo, seis classes que
habitualmente caracterizam o meio urbano: urbano impermevel, ruas e estradas,
vegetao urbana, solos urbanos, reas suburbanas e corpos de gua. Como
seria de esperar os autores apresentam classes caractersticas de centros urbanos
adequadas ao local de estudo. Na Figura 6 podemos ver a rvore de deciso utilizada
neste estudo, nela est representado o esquema hierrquico seguido para a extraco das
classes pretendidas no processo de classificao.
Chen et al. (2007) apresentam um estudo sobre a exactido de mtodos de
classificao orientada por objectos, concretamente na classificao e gerao de
cartografia urbana, procurando apresentar metodologias capazes de dar resposta s
necessidades naturais dos modernos centros urbanos.
Os autores utilizam uma imagem proveniente do sensor ASTER da cidade de
Pequim, China, adquirida a 12 de Junho de 2001, como rea de teste para este estudo. A
18

Do
ingls
Advanced
Spaceborne
Thermal
Emission
http://www.satimagingcorp.com/satellite-sensors/aster.html

and

Reflection

Radiometer

24

cidade de Pequim apresenta-se como um ptimo caso de estudo, dado ser uma das
maiores cidades chinesas, com cerca de 10.3 milhes de habitantes, onde se assiste a um
contnuo crescimento da indstria e do tecido urbano e se pode testemunhar o impacto
que estes produzem na cidade.

Figura 6 - rvore de deciso usada no processo de classificao hierrquica

Fonte: Blumberg e Zhou (2007) (adapt.)

Chen et al. (2007), dividem o processo seguido para a classificao orientada

em objectos em trs etapas:
-

Segmentao em multi-resoluo, onde agregam a informao espectral

semelhante em zonas homogneas, efectuando este processo a vrias
escalas e conseguindo, assim, discriminar os objectos com mais
exactido;

Construo de uma hierarquia de classes, conseguindo estruturar a

informao espectral em vrias classes pr-definidas;

Classificao utilizando uma rvore de deciso, estabelecendo assim

regras para a classificao das classes, agrupando a informao espectral
numa estrutura hierrquica de classes;

Avaliao dos resultados da classificao.

25

Os autores criaram uma hierarquia de classificao com as classes propostas

(Tabela 10) em trs nveis, numa lgica de rvore de deciso (Figura 7), partindo de
categorias mais gerais como a gua, a vegetao e a no-vegetao continuando a
discriminar os temas at chegarem s classes do ltimo nvel.

Nvel I

Nvel II

gua

Viveiro de peixes
Lago
Rio

Vegetao

Bosque
Pastagens
Terra agrcola

No-vegetao

Impermevel
Edificado
Solo a descoberto

Nvel III

Urbano de baixa densidade

Urbano de alta densidade
Locais de construo

Tabela 10 - Sistema hierrquico de classificao

Fonte: Chen e tal (2007) (adapt.)

Figura 7- Diagrama de vore de deciso para classificao

Fonte: Chen et al. (2007)

26

Chen et al. (2007), comparam os resultados da classificao com outros mtodos

convencionais de classificao (e.g. mxima verosimilhana), utilizando para o efeito
uma classificao de referncia da imagem. As respectivas matrizes de confuso e
ndices Kappa foram gerados, dando uma preciso de 85% para a classificao
orientada por objectos e de 75% para a classificao de mxima verosimilhana. Estes
resultados demonstram que para o caso de estudo a melhor classificao sem dvida a
classificao orientada por objectos.
DellAcqua et al. (2004) exploram mtodos de classificao aplicados a imagens
provenientes de sensores hiper-espectrais com o objectivo de melhorar a preciso da
informao extrada deste tipo de imagens em reas urbanas.
A informao hiper-espectral vinda de sensores deste tipo extremamente rica
no que diz respeito possibilidade de discriminao e classificao de materiais
urbanos. At h bem pouco tempo este tipo de sensores tinha uma resoluo espacial
muito baixa, no permitindo analisar uma possvel explorao das duas resolues,
espectral e espacial, a este nvel. Contudo, o aparecimento de sensores de alta resoluo
espectral e espacial abre uma nova pgina para o desenvolvimento de novos mtodos de
classificao e tambm para o aperfeioar dos mtodos existentes.
Os autores investigam neste artigo tcnicas de multi-classificao para melhorar
a preciso da cartografia resultante aplicada a reas urbanas. DellAcqua et al. (2004)
exploram as sinergias entre classificadores espectrais e espaciais, mais concretamente
concentra a classificao na anlise espectral e espacial de pequenas zonas da imagem,
abordagem a que se d o nome de detectores de anomalias locais 19, englobando
posteriormente o resultado dessa anlise no processo de segmentao da imagem
(detectores globais de anomalias20).
DellAcqua et al. (2004) utilizam imagens provenientes do sensor hiperespectral DAIS21 de Pavia, norte de Itlia, com uma resoluo espacial de 2.6m. Este
sensor est dotado de 80 bandas incluindo as bandas de do visvel e infra-vermelho.
Da anlise da rea de estudo, DellAcqua et al. (2004), identificam um conjunto
de classes (Tabela 11) que caracterizam a rea e procedendo classificao visual das
19

Do ingls local anomaly detector

20

Do ingls global anomaly detector

21

Do ingls Digtal Airborne Imaging Spectrometer

27

mesmas, recolhem um conjunto de parcelas de treino para a posterior utilizao nos

processos de classificao.

Classes
gua
rvores
Asfalto
Parqueamento
Alcatro
Telhados
Zonas verdes
Solo a descoberto
Sombra

Tabela 11 - Classes para a zona de teste

Fonte: DellAcqua et al. (2004) (adapt.)

A pesquisa que realizmos mostrou-nos diversas abordagens na classificao de

centros urbanos que exploram metodologias com vista a cartografar os seus elementos
caracterizadores, quer na complexidade das suas formas, quer nas suas interrelaes,
quer na natureza espectral dos mesmos. Com o recurso a imagens de alta resoluo
espectral e/ou espacial os autores exploraram novas tcnicas e/ou melhoraram algumas
j existentes na tentativa de aumentar a exactido dos resultados das classificao das
imagens. Estes estudos utilizaram no processo de classificao diversas abordagens,
como por exemplo a utilizao de informao complementar (formas, textura, etc.);
classificaes hierarquizadas por nveis temticos; explorao da riqueza espectral de
imagens de alta resoluo espectral; rvores de deciso; bibliotecas de informao
espectral de elementos caracterizadores da zona em estudo; classificaes orientadas por
objectos; sinergias entre vrios classificadores, etc.

28

II.3 Classificadores pixel a pixel

Como j referido anteriormente, em reas heterogneas como o so os meios
urbanos, as tcnicas convencionais de classificao pixel a pixel apresentam algumas
debilidades, devido, por um lado, semelhana espectral de alguns tipos diferentes de
coberto urbano e, por outro, devido variao espectral que poder existir dentro de
uma classe. Estes aspectos encontram-se ainda mais patentes em imagens de alta
resoluo espacial, como o caso da imagem QuickBird utilizada neste trabalho.
Contudo, com a metodologia proposta, que tem por base classificadores
supervisionados pixel a pixel, procurmos minimizar as aparentes debilidades do uso
deste tipo de classificadores em imagens de alta resoluo espacial, criando classes
segmentadoras em cada nvel.
Os classificadores tm como objectivo a caracterizao, por processos
automticos, dos pixis - unidades bsicas numa imagem de satlite - que compem
uma imagem em classes representativas dos vrios temas que compem a rea coberta
pela imagem. Dentro da famlia dos classificadores, centrmo-nos, por ser objecto de
estudo da tese, no conjunto daqueles que utilizam como base para a classificao o
reconhecimento espectral de padres, (i.e., conjunto de pixis semelhantes). Estes tipos
de classificadores subdividem-se em duas categorias distintas: classificadores
supervisionados e no-supervisionados. Comearemos por fazer uma breve referncia
aos classificadores no-supervisionados, apesar de estarem fora do mbito da tese.

II.3.1 Classificadores no-supervisionados

Nos classificadores no-supervisionados, o prprio classificador a identifica as
amostras espectrais distintas que podero existir na imagem num processo iterativo. Dos
classificadores no-supervisionados os mais utilizados so o K-means e o ISODATA,
tambm chamados e algoritmos de agrupamento22. Neste tipo de classificadores o
objectivo agrupar amostras espectrais semelhantes em grupos estatisticamente
separveis. Essas amostras espectrais no so conhecidas partida, podendo o nmero
de amostras espectrais ser um parmetro configurvel. Depois de efectuada a
classificao o utilizador ter de inferir sobre a natureza das classes que o algoritmo
22

Do ingls clustering

29

classificou, i.e, fazer corresponder a cada classe identificada pelo algoritmo um tema
que caracterize uma classe presente na imagem, e agrupar, se for o caso, algumas
classes classificadas numa s, se se verificar que podero fazer parte de um tema nico.
De uma maneira geral, estes classificadores comeam por calcular as mdias de
amostras iniciais de pixis que se destacam pelo facto de se apresentarem
uniformemente distribudas na imagem. De seguida associam cada pixel da imagem
amostra espectralmente mais prxima, criando assim um novo conjunto de amostras.
Depois, com as novas amostras, recalculam as respectivas mdias. Estes dois ltimos
passos so repetidos de modo iterativo at as distncias entre os pixis e as mdias das
amostras serem menores do que um limite determinado pelo utilizador.

II.3.2 Classificadores supervisionados

Numa classificao supervisionada a primeira tarefa a ser realizada a de
seleccionar conjuntos de pixis capazes de descrever espectralmente as classes que se
querem classificar. A esses conjuntos do-se o nome de parcelas de treino. Essa
seleco poder ser efectuada quer por fotointerpretao, quer por consulta de mapas ou
atravs de visitas de campo. Estas amostras servem posteriormente para guiar os
classificadores na atribuio dos pixis da imagem s respectivas classes. Podemos
resumir o processo de classificao supervisionada em trs passos principais:
1. Seleco de parcelas de treino
2. Classificao da imagem
3. Avaliao de resultados
A escolha das parcelas de treino (passo 1) requer uma ateno redobrada, pois da
qualidade espectral dessas amostras dependem os resultados dos classificadores. Existe
uma relao delicada entre a importncia da homogeneidade das parcelas de treino de
uma determinada classe e a sua variabilidade espectral, que garantir a aproximao
natureza da classe. Para ajudar na escolha e refinamento da seleco das parcelas de
treino, o operador poder recorrer a uma ou mais das seguintes estratgias de anlise:

30

Representao grfica espectral das parcelas de treino:

As parcelas de treino podem ser representadas graficamente na
forma de histogramas com a distribuio espectral das parcelas para cada
banda da imagem. Podem-se tambm representar a frequncia espectral
ou indicadores estatsticos (e.g., mdia, desvio padro ou varincia) das
vrias classes num s grfico, podendo observar, por exemplo, as
sobreposies entre parcelas de treino de diferentes classes.
Na procura da melhor combinao entre bandas, podemos
recorrer a diagramas de disperso. Estes mostram-nos a correlao entre
bandas, permitindo assim escolher a melhor combinao de bandas para
uma determinada classe.

Medidas de separabilidade:
Uma anlise de separabilidade entre parcelas de treino, permite
estimar o erro esperado na classificao e refinar a representatividade das
parcelas de treino. Existem vrias medidas estatsticas de separabilidade,
nomeadamente, a distncia Mahalanobis, distncia Euclidiana, distncia
de Battacharya, divergncia transformada e distncia Jeffries Matusita23.
Das medidas mencionadas a mais simples sem dvida a distncia
Euclidiana que considera para o seu clculo as mdias das parcelas de
treino. Todas as outras medidas implicam clculos de matrizes de
varincias e co-varincia24, assumindo uma distribuio normal25 das
parcelas de treino. Em geral, na avaliao dos resultados destas medidas,
quanto maior for a separabilidade entre parcelas de treino maior a
probabilidade de uma correcta classificao das respectivas classes.
Lillesand e Kiefer (1999) referem como intervalo para a avaliao da

23

J.A. Richards, 2006, Remote Sensing Digital Image Analysis, Springer-Verlag, Berlin, p. 268.

24

Matriz de varincias-covarincias medida estatstica de disperso de variveis aleatrias em torno seu

centride. A diagonal principal representa as varincias (disperso das variveis em torno do do seu valor
mdio) e o resto dos valores da matriz representam as covarincias (disperso das variveis aleatrias
num espao de n-dimenses, i.e, medida que representa a variabilidade conjunta de duas ou mais
variveis aleatrias).
25

Distribuio normal uma distribuio da estatstica descrita pelos parmetros de mdia e desvio
padro. Tambm chamada de distribuio Gaussiana, serve de aproximao para o clculo de
probabilidades de outras distribuies quando estas so demasiado grandes.

31

separabilidade os valores 0 e 2000, sendo que valores abaixo dos 1500

denotam semelhanas entre classes.

Classificao das parcelas de treino:

Outra estratgia para a avaliao da representatividade espectral
das parcelas de treino passa por classificar somente as parcelas de treino
comparando os resultados com os esperados atravs de uma matriz de
confuso ou matriz de erro.

Classificao interactiva:
Os programas de processamento de imagem, como o ENVI,
incluem no processo de classificao a opo de efectuar uma
classificao preliminar interactiva de modo a ilustrar o resultado obtido
com determinadas parcelas de treino e inferir sobre a representatividade
das mesmas na imagem. Contudo, este mtodo dever ser utilizado com
classificadores computacionalmente mais eficientes de modo a no tornar
pesada a classificao preliminar.

Classificao de uma fraco representativa da imagem:

O operador pode optar por classificar uma rea que considere ser
representativa da rea total. Este processo pode ser iterativo comparando
os resultados com dados de referncia atravs de uma matriz de
confuso.

A seleco de parcelas de treino por si s um processo lento. Implica uma

aco iterativa de escolha e anlise da informao estatstica das parcelas de treino com
o objectivo de chegar a um patamar de separabilidade espectral suficiente para garantir
resultados satisfatrios na classificao.
No segundo passo o operador indica ao classificador as parcelas de treino
seleccionadas, representativas das classes a classificar. Os resultados dependero
naturalmente da qualidade das parcelas de teste e da natureza do classificador. Mais
frente iremos descrever de forma sucinta o funcionamento dos classificadores
supervisionados disponveis no software ENVI.
Por ltimo, e depois de terminada a classificao, o operador ter que avaliar a
exactido dos resultados (passo 3) para garantir a qualidade dos mesmos. Para isso,

32

necessrio comparar quantitativamente os resultados obtidos com uma referncia ou

verdade de campo, para isso, elaborado um mapa classificado manualmente com as
classes definidas. Os mtodos de anlise mais utilizados para a avaliao de resultados
so a matriz de confuso, que compara as classes classificadas com o mapa de
referncia, e o ndice de concordncia Kappa. Mais frente nesta tese descreveremos o
funcionamento destas duas medidas de avaliao de resultados.
Como j referimos anteriormente, o objecto de estudo desta tese centrou-se no
estudo de performance de classificadores supervisionados pixel a pixel. Estes podem-se
dividir em dois grupos, conforme a natureza dos algoritmos. So ele os paramtricos,
que assumem que as assinaturas espectrais das parcelas de treino tm uma natureza
Gaussiana, i.e, uma distribuio normal e os no-paramtricos que no utilizam est
distribuio estatstica. De entre os classificadores estudados so paramtricos a
mxima verosimilhana, distncia Mahalanobis, e no paramtricos, o algoritmo do
paraleleppedo, da mnima distncia, do mapeamento de ngulos espectrais (MAE) e da
codificao binria. A escolha particular destes seis classificadores deve-se ao facto de
serem os classificadores disponveis no software ENVI, software que utilizmos para o
processamento da imagem.

II.3.2.1

Paraleleppedo

O classificador paraleleppedo actua com base na informao dos histogramas dos

componentes espectrais das parcelas de treino (Figura 8). Este classificador identifica os
valores espectrais mnimo e mximo das parcelas de treino para cada uma das bandas.
De seguida constri grficos de disperso n-dimensionais (nmero de bandas),
envolvendo as assinaturas espectrais das parcelas de treino em rectngulos (Figura 9).
com base na representao espacial desses rectngulos que o algoritmo faz a
classificao. Se determinados pixis ficam dentro de um rectngulo estes so
classificados como pertencentes classe cujo rectngulo representa.

33

Figura 8 - Histograma para os componentes bi-dimensionais da informao espectral de uma

parcela de treino.
Fonte: Richards e Jia (2006) (adapt.)

Figura 9 - Exemplo de rectngulos representativos de classes num grfico bi-dimensional de duas

bandas.
Fonte: Richards e Jia (2006) (adapt.)

Apesar de este classificador ser simples e computacionalmente eficiente, tem

algumas desvantagens. Por exemplo, o algoritmo no consegue classificar pixis que
no pertenam a nenhum dos rectngulos de classes. Por outro lado, no tem em conta

34

as probabilidades a priori dos pixis pertencerem a determinada classe, e por ltimo em

casos onde exista uma sobreposio de rectngulos26, o algoritmo poder no conseguir
partida separar os pixis que pertencem a essas sobreposio (Figura 10).

Figura 10 - Exemplo de inseparabilidade resultante do classificador paraleleppedo.

Fonte: Richards e Jia (2006) (adapt.)

II.3.2.2

Mxima Verosimilhana

O classificador de mxima verosimilhana um dos algoritmos mais utilizados

no processamento de imagens de satlite. Apesar de no ser computacionalmente to
eficiente como o algoritmo do paraleleppedo, um dos classificadores que apresenta
melhores resultados.
O algoritmo assume que as assinaturas espectrais das parcelas de treino de cada
classe apresentam uma distribuio Gaussiana (Figura 11). Para isso, avalia a mdia,
varincias e co-varincias das parcelas de treino, para assim determinar a distribuio
Gaussiana de cada uma delas. Esta distribuio traduzida pela funo de densidade de
probabilidade27 com base no teorema de Bayes28. com esta funo que o algoritmo

26

O ENVI neste caso classifica o pixel com a ltima classe no qual pertence. Contudo, esta opo no
elimina por completo as possveis classificaes erradas.
27

Funes utilizadas para traduzir distribuies de probabilidade, caso as variveis aleatrias sejam
contnuas.

35

classifica os pixis como tendo maior ou menor probabilidade de pertencer a uma

determinada classe. Num caso bi-dimensional o grfico de disperso simplifica as
assinaturas espectrais das parcelas de treino transformando-as em formas elpticas. Estas
por sua vez so associadas a funes de densidade de probabilidade, que servem de base
classificao pelo algoritmo dos pixis consoante se encontrem numa zona de maior
ou menor probabilidade de pertena a uma determinada classe (grfico superior da
Figura 11).

Figura 11 - Princpio do classificador de mxima verosimilhana.

Fonte: http://www.dgeo.udec.cl/yuras/tutoriales/rsnote/cp11/cp11-7.htm (16/02/2011)

28

Teorema de Bayes diz que a probabilidade de um evento A acontecer dado um evento B depende no
s da relao entre os eventos A e B mas tambm da probabilidade de ocorrncia de cada um dos eventos.

36

O classificador de mxima verosimilhana tem a grande vantagem de utilizar

mtodos probabilsticos para a classificao de imagens. Contudo, a classificao pode
ficar comprometida se no existirem pixis suficientes nas parcelas de treino que
permitam valores significativos de mdias, varincias e co-varincias29. A classificao
tambm pode ser prejudicada se existir um grau elevado de correlao entre bandas, ou
se as classes no tiverem um comportamento de uma distribuio Gaussiana.

II.3.2.3

Mnima Distncia s mdias espectrais

O classificador de mnimas distncias um algoritmo simples e rpido. No

depende do nmero de pixis seleccionado para cada parcela de treino (como o de
mxima verosimilhana), pois precisa somente de calcular as mdias associadas a cada
parcela de treino.
Cada parcela de treino representada num grfico de disperso n-dimensional
como uma nuvem de pixis. O algoritmo calcula para cada uma das parcelas de treino,
uma mdia que representa o centro geomtrico desse conjunto de pixis a que se d o
nome de centride30. Posteriormente calcula a distncia Euclidiana31 entre todos os
pixis da imagem e os centrides das parcelas de treino, classificando o pixel com a
classe que corresponder menor distncia calculada.
Apesar de muito rpido, o classificador baseia-se apenas na informao espectral
das parcelas de treino. Dado no ter em conta as co-varincias das parcelas de treino,
este classificador trata essas amostras, no seu domnio espectral, como simtricas, i.e,
no tem em considerao, por exemplo, uma amostra espectralmente alongada (Figura
13).

29

Medida estatstica que indica a correlao entre duas variveis aleatrias.

30

Centride , por definio, o ponto dentro de uma figura que define o seu centro geomtrico. Pode-se
considerar, de um modo simples, como a mdia dos pontos pertencentes figura.
31

Distncia entre dois pontos definida como:

37

Figura 12 Exemplo das distncias de um pixel aos centrides de vrias parcelas de treino.
Fonte: Richards e Jia (2006) (adapt.)

Figura 13 Exemplo de duas amostras espectrais com o mesmo centride mas com diferentes
disperses.
Fonte: do autor

II.3.2.4

Distncia de Mahalanobis

O classificador de distncia de Mahalanobis tem por base o classificador de

mnima distncia, mas ao contrrio deste, que considera que existe uma simetria na
representao espectral das parcelas de treino num grfico de disperso, i.e, que no
existe variabilidade nas parcelas de treino nas n-dimenses da imagem (Figura 13), a
distncia de Mahalanobis incorpora na distncia Euclidiana a disperso das parcelas de
treino no espao n-dimensional da imagem, i.e., tem em conta a forma da nuvem de

38

pixis das parcelas de treino (Figura 14), na forma de matrizes de varincia-covarincia,

conseguindo assim considerar a orientao e disperso dos dados.

Figura 14 Princpio do classificador distncia de Mahalanobis.

Fonte: do autor

II.3.2.5

Mapeamento de ngulo espectral

A natureza geomtrica dos pixis no espao n-dimensional de uma imagem pode

ser descrita de duas maneiras: segundo o seu comprimento vectorial e/ou segundo o
ngulo medido entre um dos eixos do sistema de coordenadas do espao n-dimensional
e o vector definido pelo ponto de origem do sistema de coordenadas e o pixel (Figura
15). Este classificador baseia-se na informao angular atrs referida para classificar a
imagem. De facto, o valor espectral pode variar entre pixis pertencentes a uma mesma
classe, mas a sua informao angular permanece constante. A condio para a
classificao tem por base a informao angular dos pixis, i.e., o ngulo espectral do
pixel a classificar comparado com os ngulos espectrais que discriminam as parcelas
de treino (ngulos de fronteira entre parcelas de treino) e classificado conforme o seu
ngulo seja maior ou menor que esses ngulos espectrais fronteirios (Figura 15).
Este tipo de algoritmo dar bons resultados se as classes estiverem
suficientemente dispersas pelo espao n-dimensional da imagem, i.e., que permitam a
identificao de ngulos de fronteira entre classes, independentemente dos valores
espectrais que tenham.
39

Figura 15 - esquerda dois elementos com o mesmo ngulo e magnitudes diferentes.

direita elementos com ngulos diferentes e magnitudes diferentes.
Fonte: http://wgbis.ces.iisc.ernet.in/energy/paper/TR-111/chapter3.htm

II.3.2.6

Codificao Binria

O algoritmo de codificao binria atribui a todos os pixis da imagem e de cada

parcela de treino, o valor 0 ou 1 conforme o valor esteja acima ou abaixo de uma
mdia espectral da imagem e de cada parcela de treino consideradas. De seguida,
classifica a imagem efectuando uma operao de OU exclusivo32 entre a imagem e as
parcelas de treino.
Apesar de computacionalmente eficiente, este tipo de algoritmo no apresenta
resultados satisfatrios, pois converte a riqueza espectral de uma imagem multiespectral
em 0 e 1, i.e., perde-se muito do pormenor espectral da imagem na codificao
binria da imagem.

32

Do ingls exclusive OR (ver em anexo 2)

40

II.4 Ferramentas de avaliao de exactido de resultados

O processo de classificao no est concludo sem que se faa uma avaliao
temtica dos resultados que permita ao utilizador conhecer o nvel de confiana da
classificao, comparando-o para isso com um mapa de referncia que traduza com
rigor as classes que caracterizam a imagem. Este mapa poder resultar de uma
observao in situ ou mais comummente atravs de fotointerpretao. Os dois mtodos
de avaliao de exactido temtica mais utilizados so: a matriz de confuso e o ndice
de concordncia Kappa, dos quais iremos de seguida apresentar o modus operandi.

II.4.1 Matriz de confuso

A matriz de confuso (Tabela 12) apresenta-se em forma de tabela de dupla
entrada e permite confrontar o nmero de pixis classificados com o nmero de pixis
de referncia para cada uma das classes. A matriz de confuso uma matriz quadrada,
i.e., tem igual nmero de colunas e linhas, na sua diagonal principal esto representados
o nmero de pixis bem classificados, os elementos no-diagonais representam o
nmero de pixis classificados erradamente, por omisso ou comisso noutras classes.

Referncia
Classe A

Classe B

Classe C

Total

Comisso

Exactido do produtor

Classe A

25

34

26.5%

73.5%

Classe B

39

43

9.3%

90.7%

Classe C

45

51

11.8%

88.2%

32

46

50

128

Omisso

21.9%

15.2%

10.0%

85.2%

Exactido Global

Exactido do utilizador

78.1%

84.8%

90.0%

Resultado

Total

Tabela 12- Exemplo de uma matriz de confuso33. Fonte: do autor

33

As operaes para calcular as percentagens podem encontrar-se em anexo.

41

A matriz de confuso foi tradicionalmente usada como uma avaliao global dos
resultados. Contudo, reduzir esta ferramenta a uma medida global de exactido ser
redutor, uma vez que no garantido que uma exactido global alta traduzir bons
resultados em cada uma das classes. Assim, no estudo da matriz de confuso o
utilizador ter que ter em conta no s a exactido global, mas tambm a exactido de
cada uma das classes, comparando-as com as classes de referncia.
Para alm da exactido global da classificao (somatrio dos pixis bem
classificados sobre o nmero total de pixis), pode-se ainda calcular as exactides
correspondentes a cada uma das classes. Essas exactides podem-se apresentar sob duas
perspectivas: a exactido do produtor e a exactido do utilizador, e calculam-se
dividindo o nmero de pixis correctamente classificados pelo nmero total de pixis
classificados nessa classe.
A exactido do utilizador indica a percentagem de pixis em cada uma das
classes que foram correctamente classificados, quando comparados com as classes de
referncia. Existe, por contraponto o erro de omisso que traduz a percentagem dos
pixis que foram classificados erradamente noutras classes.
A exactido do produtor, por sua vez, d-nos a percentagem de pixis
correctamente classificados, comparando com as classes resultantes da classificao. O
erro associado a esta medida o erro de comisso, que indica a percentagem de pixis
classificados que deveriam ter sido classificados noutras classes.

II.4.2 ndice de concordncia Kappa

A matriz de confuso por si s uma medida apropriada na avaliao da
exactido de classificaes. No entanto, no considera para a avaliao global o peso
das exactides individuais de cada uma das classes. O ndice de concordncia Kappa, ou
simplesmente ndice Kappa, avalia se a concordncia entre os mapas melhor do que
numa classificao aleatria, i.e., mede a diferena entre os pixis bem classificados e
as omisses ou comisses dos pixis na classificao de uma mesma classe. Neste
sentido, uma medida de avaliao da exactido global mais rigorosa, pois tem em
conta toda a informao existente numa matriz e no s a diagonal principal como a
matriz de confuso.

42

O ndice Kappa calculado da seguinte maneira:

Onde,

O ndice Kappa portanto uma medida que avalia o grau de concordncia entre
a imagem classificada e o mapa de referncia. O ndice Kappa pode ter valores entre
-1.0 e 1.0. Um ndice Kappa maior que 0 indica algum grau de concordncia entre os
valores e 1 indica uma concordncia perfeita. Na Tabela 13 podemos ver a escala
emprica proposta por Landis e Koch (1997) para o ndice onde fazem correspondem a
intervalos de Kappa, ndices de concordncia.

Valores de Kappa

Nveis de concordncia

<0

Ausente

]0.0, 0.20[

Baixo

[0.20, 0.40[

Razovel

[0.40, 0.60[

Moderado

[0.60, 0.80[

Substancial

[0.80, 1.00[

Quase perfeito

=1

Perfeito

Tabela 13 - Medidas de concordncia do ndice Kappa.

Fonte: Landis e Koch The mesaurement of observer agreement for categorical data, Biometrics
1997 (adapt.)

43

Estes dois tipos de avaliao da exactido de uma classificao do-nos uma

avaliao quantitativa do erro na classificao, resultado da comparao da imagem
classificada com o mapa de referncia, permitindo assim conhecer o grau de confiana
nas classificaes efectuadas.

44

Captulo III:

Experimentao de classificadores sobre imagens

QuickBird

III.1 Dados e rea de estudo

Como j referimos anteriormente neste estudo utilizmos uma imagem do
satlite QuickBird. Este satlite adquire cenas com 16.5 por 16.5 km e opera nos modos
pancromtico com uma resoluo espacial de cerca de 0.6 m e multiespectral nas bandas
do visvel e do infravermelho prximo com uma resoluo espacial de cerca de 2.4 m.
Sendo um satlite de alta resoluo espacial com uma vertente nomeadamente
comercial a sua aplicao vai desde a agricultura, monitorizao de florestas ou ao
estudo de alteraes de ocupao e uso do solo, entre outras.
Neste estudo trabalhmos sobre uma imagem QuickBird (Tabela 3) adquirida a
14 de Abril de 2005 com um ngulo em nadir de 12.2. Esta imagem foi alvo de uma
fuso entre as bandas pancromtricas e as multiespectrais resultando num refinamento
da imagem para um tamanho de pixel de 0.6m e de uma ortorectificao (Freire et al.,
2010). A imagem incide sobre uma das reas de estudo do projecto GeoSat, no qual esta
tese desenvolvida, com o intuito de comparar os resultados obtidos.
A zona em estudo ocupa uma parte nordeste da cidade de Lisboa (Figura 1)
numa rea de cerca de 64ha (800x800m). caracterizada por zonas habitacionais,
vegetao (rvores, relva e vegetao rasteira), zonas agrcolas, solo a descoberto, zonas
industriais, estradas, etc. (Freire et al., 2010).

III.2 Metodologia
III.2.1

Nomenclatura proposta

A nomenclatura seguida neste trabalho tem por base a realidade urbana da zona
abrangida pela imagem j anteriormente descrita. Adoptou-se uma nomenclatura
organizada num esquema de nveis hierrquicos partindo do mais geral para o mais
especfico (Kux et al., 2006 e Heiden et al., 2007). Conjugando as classes que mais se
destacam e tendo em conta o nvel discriminante que a imagem permite, organizmos
um esquema hierrquico dividido em quatro nveis (Figura 16). No primeiro nvel
45

dividimos a imagem em duas classes, sombra e no-sombra, no sentido de minimizar os

efeitos negativos que a classe sombra exerce na classificao da imagem (Carleer e
Wolff, 2006), descartando-a da para a frente do processo de classificao. Na estratgia
seguida a classe sombra no considerada para os nveis seguintes, dada a dificuldade
que existe em classificar este tipo de classe, facto que sai do mbito de estudo desta
tese. No segundo nvel a diviso da classe no-sombra resulta em duas outras classes
mais gerais que separam a vegetao da no-vegetao. O terceiro nvel segue as
classes: vegetao, subdividida nas classes, rvores, relva e vegetao herbcea; e novegetao subdividida nas classes, solo nu, solo agrcola, telhados e pavimentos. No
quarto e ltimo nvel a classe rvores subdivide-se em rvores claras e escuras, a classe
telhados subdivide-se em telha laranja e telhados claros, mdios e escuros e por ltimo a
classe pavimentos subdivide-se em pavimentos claros e escuros.

Figura 16 - Hierarquia de classes (nomenclatura proposta para a zona abrangida pela imagem
QuickBird)

46

III.2.2

Processos de classificao propostos

Com a hierarquizao por nveis das classes definidas anteriormente, procurmos,

no processo de classificao, refinar a exactido temtica das doze classes mais
discriminantes (Tabela 14), as quais considermos como sendo, no pormenor
geomtrico que a imagem permite, as mais caracterizadoras da zona. Como
anteriormente referimos a classe Sombra foi descartada desta seleco. Este facto
prende-se com a possibilidade de esta classe introduzir erros na classificao os quais
seriam difceis de tratar dada a sua natureza espectral (Carleer e Wolff, 2006).
Considermos portanto, que estudo em pormenor desta classe sairia assim fora do
mbito de desta tese.
Para estudar a exactido das classes da Tabela 14 no processo de classificao,
traduzimos num fluxograma um conjunto de regras aplicadas a cada nvel (Figura 18),
para assim conseguirmos extrair os melhores resultados consequentes da aplicao dos
classificadores em estudo s classes de cada nvel.

Nvel
Nvel III Vegetao

Classes
Relva
Vegetao Herbcea

Nvel III No Vegetao

Solo Nu
Solo Agrcola

Nvel IV rvores

rvores Claras
rvores Escuras
Telhados Claros

Nvel IV Telhados

Telhados Mdios
Telhados Telha Laranja
Telhados Escuros
Pavimentos Claros

Nvel IV Pavimentos

Pavimentos Escuros

Tabela 14 Nomenclatura final com as classes mais discriminantes da zona de estudo

As classes dos nveis desempenharam um papel segmentador actuando como

mscaras, permitindo assim minimizar as classificaes errneas das classes dos nveis
subsequentes, e.g., no primeiro nvel separou-se a Sombra da No-Sombra para no nvel
seguinte usar a classe No-Sombra para classificar as classes vegetao e No-

47

Vegetao, no terceiro nvel as classes Relva, Vegetao Herbcea e rvores foram

classificadas usando somente a classe Vegetao, procedendo no mesmo sentido com as
restantes classes.
O processo de classificao (Tabela 15) implicou ainda o recurso noo de nvel
temtico, uma vez que, sendo todos os nveis referentes a um tema geral, foi necessrio
subdividir os nveis III e IV de acordo com a classe me considerada. Assim, o nvel III
divide-se em duas classes me (Vegetao e No-Vegetao) que so objecto de
classificao separada; e o nvel IV subdivide-se em trs classes me (rvores;
Telhados e Pavimentos), que so tambm alvo de classificao posterior.

Processamento

Nveis

Classes-me

Classes a classificar

Nvel 1

N/A

Sombra, No-sombra

Nivel 2

No-sombra

Vegetao, No-Vegetao

Vegetao

rvores, Vegetao-Herbcea, e Relva

No-Vegetao

Solo-Nu, Solo-Agricola, Telhados, e Pavimentos

rvores

rvores Claras e escuras

Telhados

Telhados Claros, mdios, telha laranja, Escuros

Pavimentos

Pavimentos claros e escuros

3
Nvel 3

6
7

Nvel 4

Tabela 15 Ordem do processo de classificao

Propusemos ainda para experimentao dois tipos de abordagem no processo de

classificao: uma primeira, a que chammos processo de classificao por nveis,
onde avalimos a exactido global dos nveis temticos (ou classes me). Nesta
abordagem, foram experimentados em cada nvel classificadores diferentes e
seleccionadas as classificaes com a melhor exactido global. Utilizmos depois as
classes do nvel como mscaras para a classificao das classes dos nveis subsequentes,
procedendo deste modo at ao ltimo nvel.
A segunda abordagem utilizada, que designmos por processo de classificao
por classes utiliza como unidade de anlise a prpria classe. Assim, a escolha centra-se
agora, no na melhor exactido global do nvel, mas na melhor exactido do utilizador
referente a cada classe. Procurmos assim, identificar as classes com os melhores
resultados, podendo estas pertencer a classificaes diferentes. As classes seleccionadas

48

foram posteriormente usadas como mscaras para classificar as classes dos nveis
seguintes.
Como dados de entrada deste processo, para alm da bvia imagem de satlite,
elabormos mapas de referncia34 que constituram o nosso modelo da realidade, para
cada um dos nveis da hierarquia de classes, e tambm um mapa de referncia com as
classes mais discriminantes atrs enunciadas (Figura 17). Os mapas foram construdos
com o auxlio do software ArcGIS para cada um dos nveis, pela identificao visual,
com base na imagem, das classes de todos os nveis. Procurmos acompanhar a normal
interpretao visual com informao proveniente de outros mapas (e.g., Google maps) e
com sadas de campo sempre que alguma rea da imagem nos suscitava dvidas.
J referimos anteriormente que centrmos esta tese no estudo de performance de
classificadores supervisionados pixel a pixel. O primeiro passo na utilizao deste tipo
de classificadores proceder recolha de amostras de reas que caracterizem cada uma
das classes nos diferentes nveis, i.e., amostras espectralmente representativas das
classes. Essas amostras, chamadas de parcelas de treino, permitem fornecer aos
classificadores dados para a criao de assinaturas espectrais para cada classe para o
processo algortmico caracterstico de cada classificador. A escolha rigorosa das
parcelas de treino no processo de classificao assumem maior relevncia por inferir
directamente na qualidade do resultado das classificaes, pelo que utilizmos vrios
mtodos para refinar a qualidade das mesmas, nomeadamente medidas estatsticas
(mdias, varincias, etc.), grficos espectrais, e estudos de separabilidade espectral.

34

Em anexo encontram-se os mapas de referncia elaborados para cada um dos nveis.

49

Vegetao Herbcea

rvores Escuras

Telhados Mdios

Pavimentos Claros

Relva

Telhados Escuros

Pavimentos Escuros

Telha Laranja

Solo Agrcola

rvores Claras

Telhados Claros

Solo Nu

Figura 17 - Mapa de referncia para as classes mais discriminantes

As duas abordagens tm como ponto de partida comum a imagem de satlite, a

hierarquia de classes, e o mapa de referncia com as classes para cada nvel temtico,
mas divergem no objecto de avaliao dos resultados.
Assim, o processo de classificao por nveis foi concretizado de uma forma
algortmica seguindo o fluxograma estabelecido (Figura 18) e, como referido
anteriormente, circunscreve a avaliao e tomada de deciso ao nvel temtico. O
processo de processamento segue a ordem de processamento da Tabela 15 e compe-se
nos seguintes passos:
50

1. Recolher parcelas de treino para as classes a classificar do nvel em

anlise;
2. Se for o primeiro nvel, passar para o passo 3, se no, aplicar imagem a
mscara da classe me do nvel em anlise (classe pertencente ao nvel
anterior melhor classificado);
3. Classificar as classes do nvel em anlise com os 6 classificadores;
4. Calcular a matriz de confuso e ndice Kappa entre o mapa de referncia
e cada uma das classes classificadas para o nvel em anlise;
5. Para o nvel em anlise identificar a classificao que apresenta a melhor
exactido global e um ndice de concordncia Kappa igual ou superior a
Razovel para aplicar no nvel seguinte como mscara;
6. Se for o ltimo processamento terminar, se no, continuar voltando ao
passo 1.

51

Figura 18- Fluxograma do processo de classificao por nveis

52

Na segunda abordagem processo de classificao por classes (cujo

fluxograma apresentamos na Figura 19) quisemos ainda estudar as consequncias de
uma classificao feita com extraco das classes com a melhor exactido do utilizador,
independentemente de pertencerem, ou no, ao mesmo nvel temtico. Tendo os
mesmos dados de entrada da abordagem anterior e a mesma ordem de processamento
(Tabela 15), procedemos do seguinte modo:
1. Recolher parcelas de treino para as classes a classificar do nvel em
anlise;
2. Se for o primeiro nvel, passar para o passo 3, se no, aplicar imagem a
mscara da classe me melhor classificada (com a melhor exactido do
utilizador);
3. Classificar as classes do nvel em anlise com os 6 classificadores;
4. Calcular a matriz de confuso e ndice Kappa entre o mapa de referncia
e cada uma das classes classificadas para o nvel em anlise;
5. Para o nvel em anlise identificar as classificaes das classes que
apresentam a melhor exactido do utilizador e um ndice de concordncia
Kappa igual ou superior a Razovel para serem utilizadas como mscaras
no passo 2;
6. Se for o ltimo processamento terminar, se no, continuar voltando no
passo 1.

53

Figura 19 - Fluxograma do processo de classificao por classes

54

Captulo IV:

Resultados e discusso

A utilizao de imagens de alta resoluo na classificao em meio urbano no

significa necessariamente melhores resultados. Apesar do maior detalhe espacial da
imagem, com a presena de pixis mais puros e a diminuio de pixis mistos, o que
levaria a um aumento da exactido da classificao, o facto de existir maior detalhe
espacial aumenta a varincia espectral dentro das classes, diminui em contrapartida a
separabilidade entre as mesmas, podendo assim, resultar numa diminuio de exactido
na classificao no caso de classificaes ao nvel do pixel. Procurmos, com as
abordagens seguidas, minimizar esse efeito nefasto, nomeadamente com a utilizao de
classificadores ao nvel do pixel numa abordagem hierrquica de classes, utilizando as
classes classificadas como mscaras aplicando-as ao longo da classificao das classes
de cada nvel. Apresentaremos de seguida os resultados que obtivemos, aplicando os
processos de classificao expostos no captulo anterior, acompanhados de uma viso
crtica dos mesmos.

IV.1 Processo de classificao por nveis

Para a avaliao dos resultados de ambas as abordagens seguidas, construmos
as respectivas matrizes de confuso em cada um dos nveis. Considermos para o efeito
somente os resultados de classificaes que tinham correspondncia directa com as
classes de referncia, condio necessria para a construo de uma matriz de
confuso35, e tambm s considermos as classificaes com um ndice de concordncia
Kappa igual ou superior a Razovel36, pois consideramos que ser um limiar de
concordncia mnimo para garantirmos alguma confiana nos resultados.
Em cada uma das abordagens propostas foram classificados cada um dos nveis
pelos seis classificadores supervisionados pixel a pixel disponveis no software ENVI.
No processo de classificao por nveis (Figura 18) as classes de cada nvel resultantes
35

Como j anteriormente referido a matriz de confuso uma matriz quadrada.

36

Ver captulo II.4.2, Tabela 13 - Medidas de concordncia do nidice Kappa. Fonte: Landis e Koch The

mesaurement of observer agreement for categorical data, Biometrics 1997 (adapt.)

55

da classificao com a melhor exactido global, foram utilizadas como mscaras e

aplicadas na classificao do nvel seguinte. No processo de classificao por classes
(Figura 19) foram seleccionadas as classes resultantes da classificao com as melhores
exactides do utilizador para servirem de mscaras para as classes do nvel seguinte. Em
cada uma das abordagens foram avaliados os resultados atravs da construo de
matrizes de confuso. A avaliao incidiu, sobre a Exactido Global (EG) das
classificaes no caso do processo de classificao por nveis, e sobre a exactido do
utilizador (EU) para cada uma das classes de cada um dos nveis no caso do processo de
classificao por classes.
A Tabela 16 mostra as exactides globais resultantes da avaliao das
classificaes por nveis temticos (Tabela 15) efectuadas por cada um dos
classificadores aplicados a cada um dos nveis da hierarquia de classes seguida (Figura
16). Destacmos para cada nvel a maior EG conseguida por um classificador, bem com
os respectivos ndices Kappa (IK). Alguns classificadores no conseguiram classificar
algumas classes pelo que no foram considerados para a avaliao dos resultados.
Todos os casos foram assinalados com "--" nas tabelas das exactides de resultados.
A anlise revelou a existncia de resultados de EG bastante satisfatrios: entre
80% e 90% de EG nos nveis I, II, IV Pavimentos e IV Telhados, e EG entre 60 a 73%
nos restantes. Os classificadores com melhores resultados de EG obtidos foram o
classificador Mxima Verosimilhana e Mahalanobis (como esperado, dadas as suas
caractersticas probabilsticas intrnsecas), contrastando com os piores resultados
globais obtidos pelos classificadores MAE e Codificao Binria.

56

Nvel III

Exactido Global

Nvel I

Nvel II

No-Vegetao

Nvel IV

Vegetao

rvores

Pavimentos

Telhados

Paraleleppedo

76,4%

--37

--

33,1%

66,4%

43,6%

--

Mnima Distncia

40,9%

62,6%

51,8%

50,0%

66,4%

82,8%

68,5%

Mahalanobis

45,9%

81,3%

58,8%

54,6%

71,6%

83,0%

74,6%

Mxima Verosimilhana

81,1%

62,7%

69,8%

66,6%

72,9%

79,9%

89,5%

MAE

40,8%

65,1%

52,4%

51,6%

53,1%

73,4%

61,0%

--

--

--

--

49,7%

--

--

Codificao Binria

Tabela 16 - Exactido global dos resultados dos vrios classificadores

no processo de classificao por nveis

No primeiro grupo, com valores de EG acima dos 80%, encontramos classes mais
fceis de classificar, i.e., cuja natureza espectral permite uma melhor discriminao.
Destacamos o nvel IV Telhados com um valor de EG de 89,5%. Este nvel
constitudo por quatro tipos de telhados: claros, mdios, escuros e telhas laranja, para os
quais, dada a sua natureza espectral, foi fcil seleccionar parcelas de treino capazes de
providenciar aos classificadores informao com vista a um bom resultado. Dado este
cenrio era expectvel que os melhores resultados fossem conseguidos pelos
classificadores Mxima Verosimilhana (MV) e Distncia de Mahalanobis (MAHA).
por causa da sua natureza probabilstica (classificadores paramtricos) em contraponto
com os classificadores no-paramtricos38.
Ao analisarmos os resultados de IK do processo de classificao por nveis
(Tabela 17 e Tabela 18) verificamos que estes acompanham naturalmente o
comportamento das EG, situando as melhores classificaes num intervalo de
concordncia igual ou superior a Razovel, dando-nos assim uma maior confiana nos
resultados obtidos.
No segundo grupo, com EG mais baixas, podemos verificar que inclui em geral
classes mais difceis de discriminar pela sua natureza espectral, e.g., no nvel III NoVegetao as classes classificadas foram Telhados, Pavimentos, Solo Agrcola e Solo

37

Existem classificadores que no conseguiram classificar todas as classes dos nveis em questo.

38

Ver captulo II.3 Classificadores supervisionados pixel a pixel

57

Nu. As classes Telhados e Pavimentos podem ter assinaturas espectrais semelhantes, o

que dificulta a aquisio de parcelas de treino suficientemente puras para garantir uma
boa separabilidade para a classificao. Assim, mais uma vez, verificmos que, como
era previsvel, os classificadores paramtricos tm melhor desempenho sobre os noparamtricos, dada a riqueza espectral da imagem.
De facto, a gnese probabilstica deste tipo de algoritmos comporta-se bem em
imagens de alta resoluo espacial como o caso da imagem utilizada.

ndice Kappa

Nvel I

Paraleleppedo

Nvel II

Nvel III
No-Vegetao

Nvel IV

Vegetao

rvores

Pavimentos

Telhados

0,393

--

--

0,033

0,090

0,040

--

Mnima Distncia

0,076

0,324

0,297

0,228

0,372

0,640

0,345

Mahalanobis

0,096

0,584

0,396

0,335

0,451

0,645

0,493

Mxima Verosimilhana

0,462

0,204

0,550

0,435

0,459

0,604

0,719

MAE

0,018

0,394

0,355

0,206

0,109

0,511

0,319

--

--

--

0,033

--

--

Codificao Binria

--

Tabela 17 ndice Kappa dos resultados dos vrios classificadores no processo de classificao por
nveis

ndice Kappa
(qualitativo)

Nvel I

Paraleleppedo

Razovel

Mnima Distncia

Nvel II

Nvel III
No-Vegetao
Vegetao

--

--

Baixo

Razovel

Mahalanobis

Baixo

Mxima Verosimilhana
MAE
Codificao Binria

rvores

Nvel IV
Pavimentos
Telhados

Baixo

Baixo

Baixo

Razovel

Razovel

Razovel

Substancial

Razovel

Moderado

Razovel

Razovel

Moderado

Substancial

Moderado

Moderado

Razovel

Moderado

Moderado

Moderado

Substancial

Substancial

Baixo

Razovel

Razovel

Razovel

Baixo

Moderado

Razovel

--

--

--

--

Baixo

--

--

--

Tabela 18 Nveis de concordncia do ndice Kappa dos resultados dos vrios classificadores no
processo de classificao por nveis

58

IV.2 Processo de classificao por classes

A avaliao no processo de classificao por classes incidiu sobre as exactides
do utilizador (EU) de cada uma das classes e classificaes dos vrios nveis, com
excepo da classe Sombra, que no foi objecto de processamento de classificao por
no ser considerada alvo para o presente estudo. Para cada classe em cada nvel
seleccionmos a classificao com EU mais altas para serem utilizadas como mscaras
para o clculo do nvel seguinte.
Considermos para a nossa anlise no apenas as EU mas tambm o IK igual ou
superior a Razovel como forma de garantir uma melhor qualidade das classificaes.
No primeiro nvel, o classificador MV apresenta a melhor conjugao EU/IK para
as classes em questo, com uma EU de 91,2% na classe Sombra e 79,5% na classe NoSombra e um IK Moderado para o nvel classificado (Tabela 19). Estes resultados vm
ao encontro do expectvel para um nvel constitudo por classes que permitem uma boa
separabilidade, dada a sua natureza espectral. Apesar de os classificadores MD e
MAHA apresentarem, para a classe Sombra um valor de EU de 98,9% e 97,2%
respectivamente, estes no foram considerados por apresentarem um IK Baixo.

Exactido do Utilizador

Nvel I

ndice Kappa

Sombra

No-Sombra

Paraleleppedo

90,5%

74,4%

0,393 / Razovel

Mnima Distncia

98,9%

36,3%

0,076 / Baixo

Mahalanobis

97,2%

41,3%

0,096 / Baixo

Mxima Verosimilhana

91,2%

79,5%

0,462 / Moderado

MAE

44,2%

40,7%

0,018 / Baixo

--

--

-- / --

Codificao Binria

Tabela 19- Processo de classificao por classes

Nvel I (Exactido das classes e ndice kappa do nvel)

De referir ainda que, alm do classificador Codificao Binria, que no

conseguiu classificar correctamente as classes do nvel, o classificador com piores
resultados de EU foi o MAE, o que era igualmente expectvel, dado tratar-se de um
classificador que utiliza os ngulos espectrais para a classificao, o que se torna muito

59

difcil num nvel em que as classes (Sombra e No-Sombra) apresentam uma grande
disperso espacial na imagem.
O segundo nvel apresenta uma diviso entre classificadores com as melhores EU
(Tabela 20). O classificador MAHA obtm 77,8% de EU para a classe Vegetao,
enquanto que a classe No-Vegetao apresenta melhores resultados com o classificador
Mnima Distncia (MD) com uma EU de 96,0%.

Nvel II No-Sombra
Paraleleppedo

Exactido do Utilizador
Vegetao
--

No-Vegetao

ndice Kappa

--

-- / --

Mnima Distncia

51,3%

96,0%

0,324 / Razovel

Mahalanobis

77,8%

91,7%

0,584 / Moderado

Mxima Verosimilhana

29,0%

90,4%

0,204 / Razovel

MAE

57,5%

87,4%

0,394 / Razovel

Codificao Binria

--

--

-- / --

Tabela 20 - Processo de classificao por classes

Nvel II No-Sombra (Exactido das classes e ndice kappa do nvel)

No nvel III No-Vegetao, podemos observar que as melhores EU esto

divididas entre os classificadores MAHA e MV com valores entre os 64,8% e os 79,3%
(Tabela 21).

Exactido do Utilizador

Nvel III No-Vegetao

ndice Kappa

Telhados

Solo Nu

Pavimentos

Solo Agrcola

Paraleleppedo

--

--

--

--

-- / --

Mnima Distncia

41,4%

60,9%

64,1%

51,5%

0,297 / Razovel

Mahalanobis

46,3%

68,5%

79,1%

38,5%

0,396 / Razovel

Mxima Verosimilhana

64,8%

68,0%

79,3%

65,2%

0,550 / Moderado

MAE

35,5%

66,1%

73,6%

49,4%

0,355 / Razovel

Codificao Binria

--

--

--

--

-- / --

Tabela 21 - Processo de classificao por classes

Nvel III No-Vegetao (Exactido das classes e ndice kappa do nvel)

60

So resultados que reflectem a dificuldade de classificar classes muito prximas

espectralmente, sendo de esperar que nestes casos os melhores resultados surjam com
classificadores paramtricos. Apesar destes resultados, existe a garantia de um razovel
nvel de concordncia das classes classificadas com valores IK superiores a 0,396.
No nvel III Vegetao verifica-se em primeiro lugar que existe um forte
desequilbrio nos resultados obtidos no classificador Paraleleppedo (PARA) nas trs
classes de Vegetao, sendo que a classe rvores apresenta uma classificao muito alta
em contraste com os resultados anormalmente baixos nas restantes (Vegetao
Herbcea e Relva), o que corroborado pela obteno de um IK Baixo, indiciando uma
classificao deficiente, e por essa razo foi desconsiderado.
Assim, nos restantes classificadores continuamos a assistir supremacia do
classificador MV na classificao das classes (Tabela 22).

Exactido do Utilizador

Nvel III Vegetao

rvores

Vegetao
Herbcea

ndice Kappa
Relva

Paraleleppedo

99,5%

0,12%

3,4%

0,005 / Baixo

Mnima Distncia

54,2%

47,2%

55,8%

0,217 / Razovel

Mahalanobis

61,6%

58,3%

50,7%

0,315 / Razovel

Mxima Verosimilhana

63,0%

70,7%

50,5%

0,417 / Moderado

MAE

44,4%

57,6%

32,6%

0,189 / Baixo

Codificao Binria

--

--

--

-- / --

Tabela 22 - Processo de classificao por classes

Nvel III Vegetao (Exactido das classes e ndice kappa do nvel)

De referir ainda a classe Relva com o resultado mais baixo entre as trs classes
(55,8%), classificada com o classificador MD. Este comportamento deve-se
provavelmente escassa presena da classe na rea de estudo, facto que aumenta a
dificuldade na classificao em alguns classificadores, nomeadamente os paramtricos.
O nvel IV rvores consegue um resultado de EU de 91,8% para as rvores
escuras com o classificador MD, e de 66,2% para as rvores claras com o classificador
MV (Tabela 23).

61

Nvel IV rvores

Exactido do Utilizador
ndice Kappa
Claras

Escuras

Paraleleppedo

98,5%

9,9%

0,102 / Baixo

Mnima Distncia

51,0%

91,8%

0,390 / Razovel

Mahalanobis

60,2%

90,1%

0,468 / Moderado

Mxima Verosimilhana

66,2%

84,5%

0,482 / Moderado

MAE

52,9%

53,0%

0,140 / Baixo

Codificao Binria

43,4%

65,9%

0,086 / Baixo

Tabela 23- Processo de classificao por classes

Nvel IV rvores (Exactido das classes e ndice Kappa do nvel)

Tambm nesta classe se verifica no classificador PARA um forte desequilbrio

entre as duas classes do nvel (rvores Claras e rvores Escuras), apresentando a classe
rvores Claras uma classificao muito alta em contraste com os resultados
anormalmente baixos na classe rvores Escuras, o que corroborado pela obteno de
um IK Baixo, indiciando uma classificao deficiente, tendo por essa razo sido
desconsiderado.
Considermos que, mais uma vez, apesar de o classificador PARA mostrar um
resultado melhor para as rvores claras, no indicia uma boa concordncia de valores
com um IK muito baixo.
Nos nveis IV, Pavimentos e Telhados, continuamos a verificar a homogeneidade
dos classificadores paramtricos com os classificadores MV e MAHA a dividirem as
melhores EU para as classes em questo (Tabela 24 e Tabela 25).

Nvel IV Pavimentos

Exactido do Utilizador
ndice Kappa
Claros

Escuros

Paraleleppedo

99,7%

5,1%

0,040 / Baixo

Mnima Distncia

76,4%

87,1%

0,640 / Substancial

Mahalanobis

76,7%

87,4%

0,645 / Substancial

Mxima Verosimilhana

91,0%

72,4%

0,604 / Substancial

MAE

83,1%

66,8%

0,511 / Moderado

Codificao Binria

--

--

-- / --

Tabela 24 - Processo de classificao por classes

Nvel IV Pavimentos (Exactido das classes e ndice kappa do nvel)
62

Exactido do Utilizador

Nvel IV Telhados

ndice Kappa
Telha Laranja
--

Paraleleppedo

Claros
--

Mdios

Escuros

--

--

-- / --

Mnima Distncia

69,2%

84,1%

48,1%

89,1%

0,345 / Razovel

Mahalanobis

72,6%

87,4%

77,3%

90,5%

0,493 / Moderado

Mxima Verosimilhana

91,9%

93,4%

71,5%

81,6%

0,719 / Substancial

MAE

62,6%

80,5%

44,2%

45,6%

0,319 / Razovel

---

--

--

--

Codificao Binria

-- / --

Tabela 25 - Processo de classificao por classes

Nvel IV Telhados (Exactido das classes e ndice kappa do nvel)

IV.3 Processo de classificao por nveis vs Processo de classificao

por classes
Para cada um dos processos elabormos um mapa com os melhores resultados
obtidos para a nomenclatura de classes final apresentada na Tabela 14, para assim
conseguirmos comparar os resultados das duas abordagens. Contudo, preciso salientar
que este agrupamento de classes um processo bastante sensvel. Trata-se de uma
juno de classificaes de classes provenientes de diferentes classificadores, o que
poder resultar na sobreposio de algumas classes (Figura 20). Para minimizar o efeito
da sobreposio de classes elabormos um esquema de pesos para cada um dos
resultados dos processos de classificao, atribuindo a cada classe a sua EU como peso
(Tabela 26 e Tabela 27).

63

No-Vegetao (Classificador MAHA)

Vegetao (Classificador MD)
Figura 20 - Nvel II No-Sombra do PCC - Coluna da esquerda, exemplo de resoluo de
sobreposio de classes (de cima para baixo: classe No-Vegetao; classe Vegetao; resoluo da
sobreposio). direita mapa final

Nvel

Classes

Peso
(exactido do
utilizador)

Nvel III
Vegetao

Relva

57,4%

Nvel III
No Vegetao
Nvel IV
rvores

Nvel IV
Telhados

Nvel IV
Pavimentos

Vegetao Herbcea

70,1%

Solo Nu

68,0%

Solo Agrcola

65,2%

rvores Claras

67,7%

rvores Escuras

81,8%

Telhados Claros

93,4%

Telhados Mdios

71,5%

Telhados Telha Laranja

91,9%

Telhados Escuros

81,6%

Pavimentos Claros

76,7%

Pavimentos Escuros

87,4%

Classificador

Mxima
Verosimilhana

Mxima
Verosimilhana
Mxima
Verosimilhana

Mxima
Verosimilhana

Mahalanobis

Tabela 26 - Pesos atribudos s classes da nomenclatura final.

Processo de classificao por nveis

64

Nvel

Classes

Peso
(exactido do
utilizador)

Classificador

Nvel III
Vegetao

Relva

55,8%

Mnima Distncia

Vegetao Herbcea

70,7%

Mxima Verosimilhana

Solo Nu

68,5%

Mahalanobis

Solo Agrcola

65,2%

Mxima Verosimilhana

rvores Claras

66,2%

Mxima Verosimilhana

rvores Escuras

91,8%

Mnima Distncia

Telhados Claros

93,4%

Mxima Verosimilhana

Telhados Mdios

77,3%

Mahalanobis

Telhados Telha Laranja

91,9%

Mxima Verosimilhana

Telhados Escuros

90,5%

Mahalanobis

Pavimentos Claros

91,0%

Mxima Verosimilhana

Pavimentos Escuros

87,4%

Mahalanobis

Nvel III
No Vegetao
Nvel IV
rvores

Nvel IV
Telhados

Nvel IV
Pavimentos

Tabela 27 - Pesos atribudos s classes da nomenclatura final.

Processo de classificao por classes

65

Feita esta atribuio de pesos a todas as classes da nomenclatura final, seguimos

um fluxograma de deciso para resolver todas as sobreposies de classes (Figura 21).
Considermos assim, em cada caso de sobreposio, que a classe com maior EU se
reporta classificao que estar mais prxima da realidade, sendo por isso considerada
na realizao do mapa final.

Figura 21 - Fluxograma de deciso sobre a sobreposio das classes

As Tabela 28 e Tabela 29 apresentam as classes da nomenclatura de classes final

antes e depois da resoluo das sobreposies das classes.
Podemos verificar nas duas tabelas que houve um srio decrscimo de EU em
relao s EU originais (antes da aplicao dos pesos nos casos de sobreposio). As
classes que foram mais prejudicadas no caso do processo de classificao por nveis
(PCN), com uma diferena entre exactides de cerca de 74.0% foram, no nvel IV
Telhados, os Telhados Claros e os Telhados de Telha Laranja (Tabela 28). O mesmo
no se verificou no entanto nas classes Solo Agrcola (nvel III No-Vegetao), e
rvores Escuras (nvel III Vegetao), que registaram uma diferena muito baixa de
EUs entre a EU verificada antes e a EU verificada depois da resoluo da sobreposio
(menos de 0,9%).

66

Nvel

Classes

Exactido do utilizador
Extrada dos
Mapa final (depois da
nveis
aplicao dos pesos)

Nvel III
Vegetao

Relva

57,4%

52,1%

Vegetao Herbcea

70,1%

23,1%

Nvel III
No Vegetao

Solo Nu

68,0%

43,8%

Solo Agrcola

65,2%

64,8%

Nvel IV
rvores

rvores Claras

67,7%

41,1%

rvores Escuras

81,8%

80,9%

Telhados Claros

93,4%

19,2%

Telhados Mdios

71,5%

63,4%

Telhados Telha
Laranja

91,9%

17,8%

Telhados Escuros

81,6%

72,9%

Pavimentos Claros

76,7%

53,3%

Pavimentos Escuros

87,4%

69,9%

Nvel IV
Telhados

Nvel IV
Pavimentos

Tabela 28- Comparao entre as EU dos nveis e as EU do mapa final.

Processo de classificao por nveis

Nos resultados provenientes do processo de classificao por classes (PCC) as

maiores diferenas do-se no nvel IV Telhados, sendo as classes Vegetao Herbcea e
Solo Agrcola as classes com menores diferenas entre EU (Tabela 29).

67

Nvel

Classes

Exactido do utilizador
Extrada das
Mapa final (depois da
classes
aplicao dos pesos)

Nvel III
Vegetao

Relva

55,8%

43,3%

Vegetao Herbcea

70,7%

68,6%

Nvel III
No Vegetao

Solo Nu

68,5%

58,9%

Solo Agrcola

65,2%

68,1%

Nvel IV
rvores

rvores Claras

66,2%

31,2%

rvores Escuras

91,8%

82,0%

Telhados Claros

93,4%

19,7%

Telhados Mdios

77,3%

13,6%

Telhados Telha Laranja

91,9%

3,1%

Telhados Escuros

90,5%

45,0%

Pavimentos Claros

91,0%

69,5%

Pavimentos Escuros

87,4%

73,6%

Nvel IV
Telhados

Nvel IV
Pavimentos

Tabela 29 - Comparao entre as EU dos nveis e as EU do mapa final

Processo de classificao por classes

Comparando os resultados dos dois processos, antes da aplicao dos pesos s

classes, verificamos que so bastante semelhantes (Tabela 30). No entanto, em quatro
classes rvores Escuras, Telhados Mdios, Telhados Escuros, e Pavimentos Claros
podemos verificar melhores resultados no PCC.

68

Nvel

Classes
PCN

Nvel III
Vegetao
Nvel III
No Vegetao
Nvel IV
rvores

Nvel IV
Telhados

Nvel IV
Pavimentos

Exactido do Utilizador
PCC

Relva

57,4%

55,8%

Vegetao Herbcea

70,1%

70,7%

Solo Nu

68,0%

68,5%

Solo Agrcola

65,2%

65,2%

rvores Claras

67,7%

66,2%

rvores Escuras

81,8%

91,8%

Telhados Claros

93,4%

93,4%

Telhados Mdios

71,5%

77,3%

Telhados Telha Laranja

91,9%

91,9%

Telhados Escuros

81,6%

90,5%

Pavimentos Claros

76,7%

91,0%

Pavimentos Escuros

87,4%

87,4%

Tabela 30 - Quadro comparativo dos resultados das classes dos processos de classificao antes de
aplicados os pesos s classes

J quando comparamos os resultados depois de aplicados os pesos s classes

(Tabela 31), assistimos a um decrscimo de EU bastante acentuado. Existem diferenas
considerveis entre os resultados dos dois processos de classificao na maioria das
classes. Com efeito apenas as classes Solo Agrcola, rvores Escuras, Telhados Claros
e Pavimentos Escuros apresentam diferenas baixas. Contudo, podemos verificar que as
EG de ambos os processos so prximas, tendo um ndice de concordncia (IK)
classificado como Moderado.

69

Nvel

Classes
PCN

Nvel III
Vegetao
Nvel III
No Vegetao
Nvel IV
rvores

Nvel IV
Telhados

Nvel IV
Pavimentos

Exactido do Utilizador
PCC

Relva

52,1%

43,3%

Vegetao Herbcea

23,1%

68,6%

Solo Nu

43,8%

58,9%

Solo Agrcola

64,8%

68,1%

rvores Claras

41,1%

31,2%

rvores Escuras

80,9%

82,0%

Telhados Claros

19,2%

19,7%

Telhados Mdios

63,4%

13,6%

Telhados Telha Laranja

17,8%

3,1%

Telhados Escuros

72,9%

45,0%

Pavimentos Claros

53,3%

69,5%

Pavimentos Escuros

69,9%

73,6%

Exactido Global

54,1

51,6%

ndice Kappa

0,483 / Moderado

0,455 / Moderado

Tabela 31 - Quadro comparativo do mapa final dos dois processos

depois de aplicados os pesos s classes

Como referido anteriormente a construo de um mapa final das nomenclaturas

pressupe um processo de deciso delicado. Ser sempre um compromisso assumir que
as classes com uma EU mais elevada sero as que melhor reflectem a realidade.

IV.4 Processos de classificao propostos vs Classificao directa das

classes mais discriminantes

Para podermos inferir sobre qualidade das abordagens propostas face

classificao feita aplicando directamente as parcelas de treino da nomenclatura
proposta (Tabela 14), apresentamos de seguida um quadro comparativo das trs
classificaes.

70

A classificao directa das classes mais discriminantes com todos os seis

classificadores revelou que o classificador com o qual se obtm os melhores resultados
o classificador Mxima Verosimilhana (Tabela 32).

Mapa Final

Exactido
Global

ndice Kappa

Paraleleppedo

--

--

Mnima Distncia

38,6%

0,321 / Razovel

Mahalanobis

43,1%

0,370 / Razovel

Mxima Verosimilhana

55,4%

0,501 / Moderado

MAE

37,9%

0,322 / Razovel

Codificao Binria

--

--

Tabela 32 - Exactides dos resultados dos seis classificadores para o Mapa Final39

39

Os classificadores Paraleleppedo e Codificao Binria no conseguiram classificar todas as classes da

nomenclatura final.

71

Na Tabela 33 comparmos as EUs das classes obtidas ao longo dos processos de

classificao propostos com a EU das classes obtidas pela classificao directa das
classes mais discriminantes (Tabela 14).

Nvel

Classes
PCN

Exactido do Utilizador
Classificao
PCC
directa

Nvel III
Vegetao

Relva

57,4%

55,8%

32,2%

Vegetao Herbcea

70,1%

70,7%

60,3%

Nvel III
No
Vegetao

Solo Nu

68,0%

68,5%

65,2%

Solo Agrcola

65,2%

65,2%

59,2%

rvores Claras

67,7%

66,2%

44,2%

rvores Escuras

81,8%

91,8%

78,6%

Telhados Claros

93,4%

93,4%

58,0%

Telhados Mdios

71,5%

77,3%

37,6%

Telhados Telha Laranja

91,9%

91,9%

53,3%

Telhados Escuros

81,6%

90,5%

50,7%

Pavimentos Claros

76,7%

91,0%

46,5%

Pavimentos Escuros

87,4%

87,4%

78,9%

Exactido Global

N/A

N/A

55,4%

ndice Kappa

N/A

N/A

0,501 / Moderado

Nvel IV
rvores

Nvel IV
Telhados

Nvel IV
Pavimentos

Tabela 33 Comparao de exactides do utilizador dos processos de classificao (antes da

aplicao dos pesos s classes) com a classificao directa das classes mais discriminantes

Podemos verificar uma clara superioridade na exactido alcanada por qualquer

um dos processos em estudo quando comparadas com a classificao directa das classes
mais discriminantes (CDCD), existindo somente um caso onde os valores se aproximam
(Solo Nu).
Contudo, uma questo pertinente se levanta na anlise deste primeiro quadro
legtimo comparar resultados dos processos de classificao propostos, resultantes de
diferentes classificadores? A resposta, em nosso entender, dever ser negativa. De facto,
existem sobreposies de classes provenientes de diferentes classificadores, e
naturalmente a deciso ser sobre qual das classes ter maior peso sobre a outra.

72

O mtodo de deciso proposto (Figura 21) teve como factor de deciso a EU das
classes, optando pela classe com maior EU em caso de sobreposio. Podemos verificar
partida que os valores de EU resultantes da juno das classes provenientes num s
mapa (Tabela 34) em ambos os processos de classificao decresceu significativamente,
passando por exemplo, no caso da classe Telhados Claros e em ambos os processos
(PCN e PCC), de 93,4% antes da aplicao dos pesos s classes, para cerca de 19,2%
depois dessa aplicao, valor que fica nos 58,0% no caso da CDCD.

Nvel

Classes
PCN

Exactido do Utilizador
Classificao
PCC
directa

Nvel III
Vegetao

Relva

52,1%

43,3%

32,2%

Vegetao Herbcea

23,1%

68,6%

60,3%

Nvel III
No
Vegetao

Solo Nu

43,8%

58,9%

65,2%

Solo Agrcola

64,8%

68,1%

59,2%

rvores Claras

41,1%

31,2%

44,2%

rvores Escuras

80,9%

82,0%

78,6%

Telhados Claros

19,2%

19,7%

58,0%

Telhados Mdios

63,4%

13,6%

37,6%

Telhados Telha Laranja

17,8%

3,1%

53,3%

Telhados Escuros

72,9%

45,0%

50,7%

Pavimentos Claros

53,3%

69,5%

46,5%

Pavimentos Escuros

69,9%

73,6%

78,9%

Exactido Global

54,1%

51,6%

55,4%

ndice Kappa

0,483 / Moderado

0,455 / Moderado

0,501 / Moderado

Nvel IV
rvores

Nvel IV
Telhados

Nvel IV
Pavimentos

Tabela 34 - Comparao de exactides do utilizador obtidas convergindo as classes dos processos de

classificao propostos (depois da aplicao dos pesos s classes) num mapa final com a
classificao das classes mais discriminantes

Se compararmos as EG dos diferentes processos verificamos o que anteriormente

afirmmos. O PCN com 54,1% e o PCC com 51,6% de EG no ultrapassam os 55,4%
conseguidos pela CDCD. Verificamos tambm uma concordncia Moderada de IK em
todas as classificaes.

73

Verificamos assim que enquanto os 2 processos testados permitem obter classes

melhor classificadas isoladamente, os mapas finais de ambos os processos no ganham
em EG quando comparados com uma classificao directa, o que se deve ao facto de a
aplicao dos pesos, tendo como base as EUs das classes, no garantir que se opte pela
classe mais prxima da realidade. Portanto, existem classes que, por terem uma EU
maior, se sobrepuseram a outras que seriam, essas sim, as mais prximas da realidade,
levando a que o mapa final com essas classes apresentasse uma EG mais baixa quando
comparado com a CDCD.

74

Captulo V:

Concluses

A investigao efectuada permitiu comprovar que, sendo incontestvel a clara

vantagem na utilizao de imagens provenientes de sensores de alta resoluo espacial
para o estudo do meio urbano, a riqueza espacial que este tipo de imagens possui, a que
se juntam outros factores como as limitaes espectrais, a complexidade do meio, e as
limitaes dos classificadores e do nosso prprio conhecimento do meio, so factores
que nos levam a enfrentar problemas na correcta classificao do uso do solo em meio
urbano.
Estas contrariedades radicam desde logo na dificuldade de escolher parcelas de
treino suficientemente caracterizadoras de uma determinada classe temtica, devido
varincia espectral dentro de um mesmo tema e existncia de semelhanas espectrais
em classes diferentes (por exemplo, entre Telhados Escuros e Pavimentos Escuros).
Com os dois processos de classificao utilizados Processo de Classificao por
Nveis (PCN) e Processo de Classificao por Classes (PCC) procurmos explorar os
classificadores em estudo e minimizar os possveis erros nas classificaes por meio de
segmentaes, utilizando como mscaras de classificao as classes dos nveis melhor
classificados no caso do PCN ou as melhores classes em cada nvel no caso do PCC.
Os resultados demonstraram que existe um aumento considervel de exactido das
classes quando sujeitas aos processos de classificao propostos, com especial relevo
para a hegemonia dos classificadores paramtricos dada a sua natureza probabilstica,
factor que adquire especial relevncia em imagens de alta resoluo espacial e com uma
temtica de meio urbano que torna a caracterizao de classes por meio de parcelas de
treino uma tarefa delicada.
Comparando os processos de classificao usados podemos concluir que nenhum
dos dois se destacou, pois ambos conseguem exactides semelhantes. No entanto, de
referir que, no se destacando nenhum processo de classificao no que diz respeito s
exactides resultantes da classificao hierrquica, poder-se- optar pelo PCN, pois
mostra-se o mais expedito no que diz respeito rapidez de aplicao e obteno de
resultados.

75

A comparao dos resultados obtidos nos dois processos com um mapa resultante
da classificao directa das doze classes mais discriminantes da hierarquia de classes
proposta (CDCD) revelou que no existe uma clara vantagem na aplicao dos
processos em estudo, uma vez que os resultados em termos de Exactido Global foram
muito semelhantes. No entanto, tal concluso poder estar enviesada por ter sido
necessrio resolver problemas de sobreposio de classes quando, em qualquer um dos
processos de classificao, essas classes so provenientes de classificadores diferentes.
Esta necessidade levou opo por uma metodologia de resoluo das sobreposies
que implicou o decrscimo verificado na EG nas classes submetidas a este processo.
Com efeito, a comparao directa das exactides das classes obtidas no decorrer
dos dois processos de classificao (PCN e PCC) com o resultado da CDCD revela que
qualquer um daqueles processos de classificao obtm melhores resultados do que a
metodologia clssica de classificao de classes (CDCD). No entanto, esta comparao
levanta dvidas metodolgicas, uma vez que as classes obtidas so provenientes de
classificadores diferentes, o que se pode traduzir numa sobreposio de classes aquando
da tentativa de juno das vrias classes de um processo num s mapa. A aplicao de
um processo de deciso ponderado pela EU como metodologia de resoluo das
sobreposies verificadas, mostrou-se uma estratgia pouco eficaz, ao obter resultados
de EU para as classes dos processos de classificao globalmente bastante mais baixos
do que as classes do mapa da CDCD. Da mesma forma, a EG revelou-se igualmente
mais baixa, no ultrapassando os 51,6% nos processos de classificao, enquanto na
CDCD se obteve uma EG de 55,4%. Desta forma, no se verificam vantagens
comparativas relevantes na juno de classes provenientes de diferentes classificadores
num s mapa.
Levantam-se assim algumas questes que devero merecer um estudo mais
aprofundado em trabalhos futuros. Em primeiro lugar, parece-nos interessante explorar
a problemtica da sobreposio de classes provenientes de diferentes classificadores,
estudando outro tipo de parmetros que auxiliem o refinamento do resultado final do
mapa resultante da juno das vrias classes, como por exemplo decisores estatsticos,
que podero levar a resultados mais interessantes no que diz respeito exactido das
classificaes. Em segundo lugar, a substituio dos classificadores supervisionados por
classificadores orientados por objectos nos processos de classificao propostos. Por

76

ltimo, aplicar os processos de classificao noutro tipo de malha urbana para avaliar o
seu comportamento noutro tipo de classes temticas.

77

Bibliografia de referncia
Cohen, J. A., 1960. Coefficient of Agreement for Nominal Scales, Educational
and Psychological Measurement - v.20, n.1, p. 37-46.
Freire S., Santos T., Navarro, A., Soares F., Dinis J., Afonso N., Fonseca A.,
Tenedrio J. A., (2010). Extraction of buildings from QuickBird imagery for municipal
planning purposes: quality assessment considering existing mapping standards.
Proceedings of GEOBIA2010. Ghent, 29 June July 2, 2010
Freire S., Santos T., Gomes N., Fonseca A., Tenedrio J. A. (2010). Extraction
of buildings from QuickBird imagery what is the relevance of urban context and
heterogeneity? Proceedings of ASPRS/CaGIS/ISPRS Fall Conference. Orlando,
November 15 18, 2010.
Lillesand, T.M. e Kiefer, R.W., 1994. Remote Sensing and Image Interpretation.
New York: John Wiley & Sons.
Santos T., Freire S., Navarro, A., Silva J., Soares F., Fonseca A., Tenedrio J. A.
(2010). Extracting buildings in the city of Lisbon using QuickBird images and LiDAR
data. Proceedings of GEOBIA2010. Ghent, 29 June July 2, 2010.

78

Bibliografia geral e Fontes

Blumberg, D. G. e Zhu, G., 2007. Using a hierarchical multi-resolution
mechanism for the classification and semantic extraction of landuse maps for BeerSheva, Israel. International Journal of Remote Sensing - 28:15,3273 - 3289.
Carleer, A. P. e Wolff, E., 2006. Urban land cover multi-level region-based
classification of VHR data by selecting relevant features. International Journal of
Remote Sensing - 27:6,1035 1051.
Chen, Y., Shi, P., Fung, T., Wang, J. e Li, X., 2007. Object-oriented classification
for urban land cover mapping with ASTER imagery. International Journal of Remote
Sensing - 28:20,4645 - 4651.
DellAcqua, F. D., Gamba, P., Ferrari, A., Palmason, J.A., Benediktsson, J. A.,
Arnason, K., 2004. Exploiting Spectral and Spatial Information in Hyperspectral Urban
Data With High Resolution. IEEE Geoscience ad remote sensing letters, vol. 1, no. 4.
Freire S., Santos T., Tenedrio J., and Fonseca A., 2008. Extraco de objectos
geogrficos em reas urbanas densas a partir de imagens de satlite com alta resoluo
espacial. Actas do ESIG2008 - X Encontro de Utilizadores de Informao Geogrfica.
Oeiras, Portugal, 14-16 de Maio, 2008, pp. 279-293
Herold, M., Liu, X. e Clarke, K.C., 2003. Spatial metrics and image texture for
mapping urban land use. Photogrammetric Engineering and Remote Sensing - 69, pp.
9911001.
Herold, M., Gardner, M. E., e Roberts, D. A., 2003. Spectral resolution
requirements for mapping urban areas. IEEE Transactions on geoscience and remote
sensing - vol.41, no.9.
Jat, M. K., Garg, P. K. e Khare, D.. 2007. Modelling of urban growth using spatial
analysis techniques: a case study of Ajmer city (India). International Journal of Remote
Sensing - 29:2,543 567.
Lavigne, D., Hong, G, e Zhang, Y., 2006. Performance assessment of automated
feature extraction tools on high resolution imagery. Proceedings of the ASPRS Annual
Conference, 6-10 November, San Antonio, TX.

79

Lu, D. and Weng, Q., 2007. A survey of image classification methods and
techniques for improving classification performance. International Journal of Remote
Sensing - 28:5, 823 870.
M. K. Jat; P. K. Garg; D. Khare, 2007. Modelling of urban growth using spatial
analysis techniques: a case study of Ajmer city (India). Indian Institute of Technology
Roorkee, Roorkee, India.
Maktav, D., Erbek, F. S. e Jrgens, C., 2005. Remote sensing of urban areas.
International Journal of Remote Sensing - 26:4,655 659.
Su, W., Li, J., Chen, Y., Liu, Z., Zhang, J., Low, T. M., Suppiah, I. e Hashim, S.
A. M., 2008. Textural and local spatial statistics for the object-oriented classification of
urban areas using high resolution imagery. International Journal of Remote Sensing 29:11,3105 3117.
Shackelford, A. K. and Davis, C. H., 2003. A Hierarchical Fuzzy Classification
Approach for High-Resolution Multispectral Data Over Urban Areas. IEEE
Transactions on Geoscience and Remote Sensing - vol. 41, no. 9.
O'Brien, M., 2003. Feature Extraction with the VLS Feature Analyst System.
Proceedings of the ASPRS Annual Conference - 3-9 May, Anchorage, AK.
Thomas, N., Hendrix, C. E Congalton, R.G., 2003. A comparison of urban
mapping methods using high-resolution digital imagery. Photogrammetric Engineering
and Remote Sensing - 69, pp. 963 972.
Heiden, U., Segl, K., Roessner, S. e Kaufmann, H., 2007. Determination of
robust spectral features for identification of urban surface materials in hyperspectral
remote sensing data. Remote Sensing of Environment - 537-552.
Zhou, W. e Troy, A., 2008. An object-oriented approach for analysing and
characterizing urban landscape at the parcel level. International Journal of Remote
Sensing - 29:11,3119 3135.
Tenedrio, Jos A., 2007. GeoSat Metodologias para extraco de informao
GEOgrfica a grande escala a partir de imagens de SATlite de alta resoluo. Projecto
da

FCSH

em

curso,

financiado

pela

FCT,

in

http://www.fct.mctes.pt/projectos/concursos/index.asp?area=9&pid=64826.

80

Welch, R., 1982. Spatial resolution requirements for urban studies. International
Journal of Remote Sensing - 3(2), 138146.
Kux, H. J. H. e Arajo, E. H. G., 2006. Multi-temporal object-oriented
classification and analysis of QuickBird scenes at a metropolitan area in Brazil (Belo
Horizonte, Minas Gerais State. INPE - SP Brazil.
Lillesand, T. M. e Kiefer, R. W., 1999. Remote sensing and image interpretation.
Fourth edition, Wiefer.
Richards, John A. e Jia, Xiuping, 2006. Remote Sensing Digital Image Analysis.
Fourth edition, Springer-Verlag Berlin Heidelberg.

81

Lista de Figuras
Figura 1 - Imagem QuickBird utilizada ................................................................ 10
Figura 2 - Rede hierrquica ................................................................................... 15
Figura 3 - Hierarquia de classes e respectivas caractersticas e regras de separao
........................................................................................................................................ 17
Figura 4 Espectro electromagntico ................................................................... 21
Figura 5- Caracterizao hierrquica de materiais urbanos de superfcie............. 23
Figura 6 - rvore de deciso usada no processo de classificao hierrquica...... 25
Figura 7- Diagrama de vore de deciso para classificao ................................. 26
Figura 8 - Histograma para os componentes bi-dimensionais da informao
espectral de uma parcela de treino. ................................................................................. 34
Figura 9 - Exemplo de rectngulos representativos de classes num grfico bidimensional de duas bandas. .......................................................................................... 34
Figura

10

Exemplo

de

inseparabilidade

resultante

do

classificador

paraleleppedo. ................................................................................................................ 35
Figura 11 - Princpio do classificador de mxima verosimilhana. ...................... 36
Figura 12 Exemplo das distncias de um pixel aos centrides de vrias parcelas
de treino. ......................................................................................................................... 38
Figura 13 Exemplo de duas amostras espectrais com o mesmo centride mas
com diferentes disperses. .............................................................................................. 38
Figura 14 Princpio do classificador distncia de Mahalanobis. ........................ 39
Figura 15 - esquerda dois elementos com o mesmo ngulo e magnitudes
diferentes. direita elementos com ngulos diferentes e magnitudes diferentes. ........ 40
Figura 16 - Hierarquia de classes (nomenclatura proposta para a zona abrangida
pela imagem QuickBird)................................................................................................. 46
Figura 17 - Mapa de referncia para as classes mais discriminantes .................... 50
Figura 18- Fluxograma do processo de classificao por nveis .......................... 52
Figura 19 - Fluxograma do processo de classificao por classes ........................ 54
82

Figura 20 - Nvel II No-Sombra do PCC - Coluna da esquerda, exemplo de

resoluo de sobreposio de classes (de cima para baixo: classe No-Vegetao; classe
Vegetao; resoluo da sobreposio). direita mapa final ........................................ 64
Figura 21 - Fluxograma de deciso sobre a sobreposio das classes .................. 66
Figura 22 Mapa de referncia para o Nvel I ..................................................... 94
Figura 23 - Mapa de referncia para o Nvel II No-Sombra ............................... 94
Figura 24 - Mapa de referncia para o Nvel III No-Vegetao ......................... 95
Figura 25 - Mapa de referncia para o Nvel III Vegetao ................................. 95
Figura 26 - Mapa de referncia para o Nvel IV rvores ..................................... 96
Figura 27 - Mapa de referncia para o Nvel IV Pavimentos ............................... 96
Figura 28 - Mapa de referncia para o Nvel IV Telhados ................................... 97
Figura 29 - Nvel I - Classificador de Mxima Verosimilhana ........................... 98
Figura 30 - Nvel II - Classificador Distncia de Mahalanobis ............................ 98
Figura 31 - Nvel III No-Vegetao - Classificador de Mxima Verosimilhana
........................................................................................................................................ 99
Figura 32 - - Nvel III Vegetao - Classificador de Mxima Verosimilhana .... 99
Figura 33 - Nvel IV rvores - Classificador de Mxima Verosimilhana ........ 100
Figura 34 - Nvel IV rvores - Classificador deDistncia Mahalanobis ............ 100
Figura 35 - Nvel IV Telhados - Classificador de Mxima Verosimilhana ...... 101
Figura 36 - Nvel I - Classificador de Mxima Verosimilhana ......................... 102
Figura 37 - Nvel II No-Sombra - Coluna da esquerda, exemplo de resoluo de
sobreposio de classes (de cima para baixo: classe No-Vegetao; classe Vegetao;
resoluo da sobreposio). direita mapa final ......................................................... 103
Figura 38 - Nvel III No-Vegetao - Coluna da esquerda, exemplo de resoluo
de sobreposio de classes (de cima para baixo: classe Solo Nu; classe Telhados;
resoluo da sobreposio). direita mapa final ......................................................... 103

83

Figura 39 - Nvel III No-Vegetao - Coluna da esquerda, exemplo de resoluo

de sobreposio de classes (de cima para baixo: classe rvores; classe Relva; resoluo
da sobreposio). direita mapa final ......................................................................... 104
Figura 40 - Nvel IV rvores - Coluna da esquerda, exemplo de resoluo de
sobreposio de classes (de cima para baixo: classe rvores Claras; classe rvores
Escuros; resoluo da sobreposio). direita mapa final .......................................... 104
Figura 41- Nvel IV Pavimentos - Coluna da esquerda, exemplo de resoluo de
sobreposio de classes (de cima para baixo: classe Pavimentos Claros; classe
Pavimentos Escuros; resoluo da sobreposio). direita mapa final ...................... 105
Figura 42 - Nvel IV Telhados - Coluna da esquerda, exemplo de resoluo de
sobreposio de classes (de cima para baixo: classe Telha Laranja; classe Telhados
Escuros; resoluo da sobreposio). direita mapa final .......................................... 105
Figura 43 - Mapa final do processo PCN ............................................................ 106
Figura 44 - Mapa final do processo PCC ............................................................ 107

84

Lista de tabelas
Tabela 1- Especificaes do sensor Thematic Mapper dos satlites Landsat 4-5... 2
Tabela 2 - Especificaes do satlite IKONOS ...................................................... 3
Tabela 3 - Especificaes do satlite QuickBird ..................................................... 3
Tabela 4 - Classificadores supervisionados disponveis no software ENVI ........... 5
Tabela 5 - Chaves de pesquisa ................................................................................ 8
Tabela 6 Hierarquia de classes adoptada no estudo ........................................... 12
Tabela 7 - Definio de classes ............................................................................. 14
Tabela 8 Legenda de classes .............................................................................. 16
Tabela 9 - Esquema da classificao da imagem para a rea em estudo .............. 20
Tabela 10 - Sistema hierrquico de classificao ................................................. 26
Tabela 11 - Classes para a zona de teste ............................................................... 28
Tabela 12- Exemplo de uma matriz de confuso. Fonte: do autor........................ 41
Tabela 13 - Medidas de concordncia do ndice Kappa. ...................................... 43
Tabela 14 Nomenclatura final com as classes mais discriminantes da zona de
estudo .............................................................................................................................. 47
Tabela 15 Ordem do processo de classificao.................................................. 48
Tabela 16 - Exactido global dos resultados dos vrios classificadores

no

processo de classificao por nveis ............................................................................... 57

Tabela 17 ndice Kappa dos resultados dos vrios classificadores no processo de
classificao por nveis ................................................................................................... 58
Tabela 18 Nveis de concordncia do ndice Kappa dos resultados dos vrios
classificadores no processo de classificao por nveis.................................................. 58
Tabela 19- Processo de classificao por classes Nvel I (Exactido das classes e
ndice kappa do nvel)..................................................................................................... 59

85

Tabela 20 - Processo de classificao por classes Nvel II No-Sombra (Exactido

das classes e ndice kappa do nvel) ............................................................................... 60
Tabela 21 - Processo de classificao por classes Nvel III No-Vegetao
(Exactido das classes e ndice kappa do nvel) ............................................................. 60
Tabela 22 - Processo de classificao por classes Nvel III Vegetao (Exactido
das classes e ndice kappa do nvel) ............................................................................... 61
Tabela 23- Processo de classificao por classes Nvel IV rvores (Exactido das
classes e ndice Kappa do nvel) ..................................................................................... 62
Tabela 24 - Processo de classificao por classes Nvel IV Pavimentos (Exactido
das classes e ndice kappa do nvel) ............................................................................... 62
Tabela 25 - Processo de classificao por classes Nvel IV Telhados (Exactido
das classes e ndice kappa do nvel) ............................................................................... 63
Tabela 26 - Pesos atribudos s classes da nomenclatura final.

Processo de

classificao por nveis ................................................................................................... 64

Tabela 27 - Pesos atribudos s classes da nomenclatura final.

Processo de

classificao por classes ................................................................................................. 65

Tabela 28- Comparao entre as EU dos nveis e as EU do mapa final. Processo
de classificao por nveis .............................................................................................. 67
Tabela 29 - Comparao entre as EU dos nveis e as EU do mapa final Processo
de classificao por classes............................................................................................. 68
Tabela 30 - Quadro comparativo dos resultados das classes dos processos de
classificao antes de aplicados os pesos s classes ....................................................... 69
Tabela 31 - Quadro comparativo do mapa final dos dois processos depois de
aplicados os pesos s classes .......................................................................................... 70
Tabela 32 - Exactides dos resultados dos seis classificadores para o Mapa Final
........................................................................................................................................ 71
Tabela 33 Comparao de exactides do utilizador dos processos de
classificao (antes da aplicao dos pesos s classes) com a classificao directa das
classes mais discriminantes ............................................................................................ 72

86

Tabela 34 - Comparao de exactides do utilizador obtidas convergindo as

classes dos processos de classificao propostos (depois da aplicao dos pesos s
classes) num mapa final com a classificao das classes mais discriminantes .............. 73
Tabela 35 - Exemplo do resultado do operador "OU exclusivo" .......................... 90
Tabela 36 - Nvel I - Exactides do PCN - Classificador MV .............................. 91
Tabela 37 - Nvel II No-Sombra - Exactides do PCN - Classificador MAHA . 91
Tabela 38 - Nvel II No-Sombra - Exactides do PCN Classificador MV ...... 91
Tabela 39 - Nvel II Vegetao - Exactides do PCN Classificador MV .......... 92
Tabela 40 - Nvel II rvores - Exactides do PCN Classificador MV .............. 92
Tabela 41 - Nvel II Pavimentos - Exactides do PCN Classificador MAHA .. 92
Tabela 42 - Nvel II Telhados - Exactides do PCN Classificador MV ............ 93

87

Glossrio
ArcGIS
AVIRIS
B-On
ENVI
IKONOS 2
Landsat TM
QuickBird
Nvel Temtico

Software de processamento de sistemas de informao geogrfica

Airborne Visible/InfraRed Imaging Spectrometer
Biblioteca do Conhecimento On-line
Software para processamento e anlise de imagens de satlite
Satlite de alta resoluo espacial de observao da terra
Landsat Thematic Mapper
Satlite de alta resoluo espacial de observao da terra
Sub-Nvel da hierarquia de classes que caracteriza um tema

88

Anexo 1: Clculos auxiliares para uma matriz de confuso

Exactido do utilizador:

Omisso:

Exactido do produtor:

Comisso:

89

Anexo 2: Definio de OU exclusivo

Um operador OU exclusivo bit-a-bit tem como resultado 0 se os bits

comparados forem iguais e 1 se forem diferentes.

Operador OU exclusivo
A

Resultado

Tabela 35 - Exemplo do resultado do operador "OU exclusivo"

90

Anexo 3: Exactides das melhores classificaes do PCN

Nvel I

Exactido
do Utilizador

Exactido
do Produtor

Sombra

91,2%

40,5%

No-Sombra

79,5%

98,3%

Exactido Global

81,1%

ndice Kappa

0,462 / Moderado

Tabela 36 - Nvel I - Exactides do PCN - Classificador MV

Nvel II
No-Sombra

Exactido
do Utilizador

Exactido
do Produtor

Vegetao

91,7%

58,3%

No-Vegetao

77,8%

96,5%

Exactido Global

81,3%

ndice Kappa

0,584 / Moderado

Tabela 37 - Nvel II No-Sombra - Exactides do PCN - Classificador MAHA

Nvel II
No-Vegetao

Exactido
do Utilizador

Exactido
do Produtor

Telhados

64,8%

85,0%

Solo Nu

68,0%

74,0%

Solo Agrcola

65,2%

51,5%

Pavimentos

79,3%

60,0%

Exactido Global

69,8%

ndice Kappa

0,550 / Moderado

Tabela 38 - Nvel II No-Sombra - Exactides do PCN Classificador MV

91

Nvel II
Vegetao

Exactido
do Utilizador

Exactido
do Produtor

rvores

63,7%

65,7%

Vegetao Herbcea

70,1%

77,6%

Relva

57,4%

37,1%

Exactido Global

66,6%

ndice Kappa

0,435 / Moderado

Tabela 39 - Nvel II Vegetao - Exactides do PCN Classificador MV

Nvel II
rvores

Exactido
do Utilizador

Exactido
do Produtor

rvores Claras

67,7%

86,5%

rvores Escuras

81,8%

59,5%

Exactido Global

72,9%

ndice Kappa

0,459 / Moderado

Tabela 40 - Nvel II rvores - Exactides do PCN Classificador MV

Nvel II
Pavimentos

Exactido
do Utilizador

Exactido
do Produtor

Pavimentos Claros

76,7%

80,6%

Pavimentos Escuros

87,4%

84,6%

Exactido Global

83,0%

ndice Kappa

0,645 / Substancial

Tabela 41 - Nvel II Pavimentos - Exactides do PCN Classificador MAHA

92

Nvel II
Telhados

Exactido
do Utilizador

Exactido
do Produtor

Telha Laranja

91,9%

97,2%

Telhados Claros

93,4%

75,0%

Telhados Mdios

71,5%

69,6%

Telhados Escuros

81,6%

46,4%

Exactido Global

89,5%

ndice Kappa

0,719 / Substancial

Tabela 42 - Nvel II Telhados - Exactides do PCN Classificador MV

93

Anexo 4: Mapas de referncia para os vrios nveis temticos

Sombra

No-Sombra

Figura 22 Mapa de referncia para o Nvel I

Vegetao

No-Vegetao

Figura 23 - Mapa de referncia para o Nvel II No-Sombra

94

Telhados
Solo Nu

Pavimentos
Solo Agrcola

Figura 24 - Mapa de referncia para o Nvel III No-Vegetao

rvores

Relva

Vegetao Herbcea
Figura 25 - Mapa de referncia para o Nvel III Vegetao

95

rvores Claras

rvores Escuras

Figura 26 - Mapa de referncia para o Nvel IV rvores

Pavimentos Claros

Pavimentos Escuros

Figura 27 - Mapa de referncia para o Nvel IV Pavimentos

96

Telha Laranja
Telhados Claros

Telhados Mdios
Telhados Escuros

Figura 28 - Mapa de referncia para o Nvel IV Telhados

97

Anexo 5: Mapas das melhores classificaes no Processo de

Classificao por Nveis

No-Sombra

Sombra

Figura 29 - Nvel I - Classificador de Mxima Verosimilhana

Vegetao

No Vegetao

Figura 30 - Nvel II - Classificador Distncia de Mahalanobis

98

Telhados

Pavimentos

Solo Nu

Solo-Agrcola

Figura 31 - Nvel III No-Vegetao - Classificador de Mxima Verosimilhana

Relva

rvores

Vegetao Herbcea
Figura 32 - - Nvel III Vegetao - Classificador de Mxima Verosimilhana

99

rvores Claras

rvores Escuras

Figura 33 - Nvel IV rvores - Classificador de Mxima Verosimilhana

Pavimentos Claros

Pavimentos Escuros

Figura 34 - Nvel IV rvores - Classificador deDistncia Mahalanobis

100

Telha Laranja

Telhados Mdios

Telhados Claros

Telhados Escuros

Figura 35 - Nvel IV Telhados - Classificador de Mxima Verosimilhana

101

Anexo 6: Mapas das melhores classificaes no Processo de

Classificao por Classes

No-Sombra (Classificador MV)

Sombra (Classificador MV)
Figura 36 - Nvel I - Classificador de Mxima Verosimilhana

102

No-Vegetao (Classificador MAHA)

Vegetao (Classificador MD)
Figura 37 - Nvel II No-Sombra - Coluna da esquerda, exemplo de resoluo de sobreposio de
classes (de cima para baixo: classe No-Vegetao; classe Vegetao; resoluo da sobreposio).
direita mapa final

Pavimentos (Classificador MV)

Solo Agrcola (Classificador MV)

Solo Nu (Classificador MAHA)

Telhados (Classificador MV)

Figura 38 - Nvel III No-Vegetao - Coluna da esquerda, exemplo de resoluo de sobreposio

de classes (de cima para baixo: classe Solo Nu; classe Telhados; resoluo da sobreposio).
direita mapa final

103

Vegetao Herbcea (Classificador MV)

Relva (Classificador MD)

rvores (Classificador MV)

Figura 39 - Nvel III No-Vegetao - Coluna da esquerda, exemplo de resoluo de sobreposio
de classes (de cima para baixo: classe rvores; classe Relva; resoluo da sobreposio). direita
mapa final

rvores Claras (Classificador MV)

rvores Claras (Classificador MD)
Figura 40 - Nvel IV rvores - Coluna da esquerda, exemplo de resoluo de sobreposio de
classes (de cima para baixo: classe rvores Claras; classe rvores Escuros; resoluo da
sobreposio). direita mapa final

104

Pavimentos Claros(Classificador MV)

Pavimentos Escuros (Classificador MAHA)
Figura 41- Nvel IV Pavimentos - Coluna da esquerda, exemplo de resoluo de sobreposio de
classes (de cima para baixo: classe Pavimentos Claros; classe Pavimentos Escuros; resoluo da
sobreposio). direita mapa final

Telha Laranja (Classificador MV)

Telhados Mdios (Classificador MAHA)

Telhados Claros (Classificador MV)

Telhados Escuros (Classificador MAHA)

Figura 42 - Nvel IV Telhados - Coluna da esquerda, exemplo de resoluo de sobreposio de

classes (de cima para baixo: classe Telha Laranja; classe Telhados Escuros; resoluo da
sobreposio). direita mapa final

105

Anexo 7: Mapa da nomenclatura final no Processo de Classificao por

Nveis

Vegetao Herbcea

rvores Escuras

Telhados Mdios

Pavimentos Claros

Relva

Telhados Escuros

Pavimentos Escuros

Telha Laranja

Solo Agrcola

rvores Claras

Telhados Claros

Solo Nu

Figura 43 - Mapa final do processo PCN

106

Anexo 8: Mapa da nomenclatura final no Processo de Classificao por

Classes

Vegetao Herbcea

rvores Escuras

Telhados Mdios

Pavimentos Claros

Relva

Telhados Escuros

Pavimentos Escuros

Telha Laranja

Solo Agrcola

rvores Claras

Telhados Claros

Solo Nu

Figura 44 - Mapa final do processo PCC

107