Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
DO
RIO
DE
JANEIRO
COMO
PARTE
DOS
REQUISITOS
1. Bacia hidrogrfica
2. Modelagem Hidrolgica
3. Sensoriamento remoto
4. Classificao de imagem
5. Textura
I.COPPE /UFRJ II.Ttulo (srie)
ii
iv
Tia Nena e Zo
AGRADECIMENTOS
vi
vii
NDICE
CAPTULO 1 - INTRODUO .................................................................................................. 1
CAPTULO 2 - CONSIDERAES TERICAS ....................................................................... 6
2.1 Gesto de recursos hdricos..................................................................................................... 6
2.2 A cidadania plena como pr-condio para a participao popular ................................... 134
2.3 Sensoriamento remoto e modelagem hidrolgica.................................................................10
2.4 Sensoriamento remoto e geoprocessamento......................................................................... 15
2.4.1 Leis da radiao ......................................................................................................... 18
2.5 Satlites Ambientais............................................................................................................. 20
2.5.1 Sistema Landsat5-TM................................................................................................ 21
2.5.2 Sistema RADARSAT ................................................................................................ 25
2.6 Classificao de Imagens.................................................................................................... ..28
2.7 Anlise de textura................................................................................................................. 36
2.7.1 Geoestatstica aplicada em sensoriamento remoto......................................................39
CAPTULO 3 METODOLOGIA.............................................................................................45
3.1 Processamento digital da imagem..........................................................................................44
3.2 Classificao de imagem........................................................................................................47
3.2.1 Mtodo Isodata............................................................................................................48
3.2.2 Mtodo da mxima verossimilhana...........................................................................49
3.3 Anlise geoestatstica.............................................................................................................54
3.3.1 Teoria das variveis regionalizadas.............................................................................54
3.3.2 Funo variograma............................................................................................................. 58
3.3.3 Anlise estrutural.........................................................................................................56
3.4 Mtodo NGLDM de anlise de textura..................................................................................57
3.5 Mtodo GLCM de anlise de textura .................................................................................... 63
CAPTULO 4 - ESTUDO DE CASO: BACIA HIDROGRFICA DOS RIOS IGUAU E
SARAPU.................................................................................................................................... 65
4.1 Descrio da regio .............................................................................................................. 65
4.2 Tendncias scio-econmicas da Baixada Fluminense......................................................... 65
4.3. Localizao da regio de estudo e algumas caractersticas .................................................. 70
4.3.1 Dados orbitais..............................................................................................................65
4.3.2 Dados auxiliares...........................................................................................................65
4.3.3 Tratamento Preliminar da imagem..............................................................................66
4..4 Processo histrico da ocupao e a cobertura vegetal.......................................................... 70
4.4.1 Trabalho de Campo.....................................................................................................70
CAPTULO 5 RESULTADOS E DISCUSSO.......................................................................76
CAPTULO 6 - CONCLUSES E RECOMENDAES .......................................................101
REFERNCIAS BIBLIOGRFICAS ...................................................................................... 112
APNDICE A - Participao Comunitria ..............................................................................106
APNDICE B - Programa de Despoluo da Baa de Guanabara ..........................................118
APNDICE C - Estimativa de Parmetros................................................................................126
viii
LISTA DE FIGURAS
Figura 2.1 - Espectro eletromagntico...................................................................................... 13
Figura 2.2 - Sistema de imageamento por meio de sensoriamento remoto .............................. 16
Figura 2.3 - Satlite Landsat5-TM.............................................................................................21
Figura 2.4 - Esquema bsico de funcionamento de um radar convencional............................. 26
Figura 2.5 - Grfico de espao de atributos para o caso de uma imagem com apenas duas
bandas espectro. ................................................................................................... 29
Figura 2.6 - As curvas de probabilidade das classes A, B e C ................................................. 33
Figura 2.7 - Limites de deciso ................................................................................................ 34
Figura 2.8 - Distribuies normais representando os dados de duas reas de treinamento ...... 34
Figura 3.1 - Fluxograma Metodolgico.....................................................................................43
Figura 3.2 - Deciso por funes discriminadas........................................................................53
Figura 5.1 - Histograma das bandas 1/2/3/4/5/6/7.................................................................... 76
Figura 5.2 - Representao do conjunto de cartas topogrgicas............................................... 73
Figura 5.3 - Composio colorida das bandas 3/4/5 nas cores vermelho ................................. 73
Figura 5.4 - Pontos de controle utilizados para o registro da imagem Landsat5-TM de 27/06/94
(composio colorida das bandas 4, 5 e 3)........................................................... 76
Figura 5.5 - Classificao pelo mtodo da verossimilhana..................................................... 78
Figura 5.6 - Variogramas adimensionais empricos para as bandas 1, 4, 5 e 8.........................87
Figura 5.7 - Variogramas adimensionais empricos para as bandas 1, 4, e 5............................87
Figura 5.8 - Variogramas adimensionais empricos para as bandas 1, 4, 5 e 8.........................88
Figura 5.9 - Classificao supervisionada pelo mtodo da mxima verossimilhana...............97
Figura 5.10 - Classificao supervisionada pelo mtodo da mxima verossimilhana.............98
Figura 5.11 - Classificao supervisionada pelo mtodo da mxima verossimilhana.............99
Figura 5.12 - Classificao supervisionada pelo mtodo da mxima verossimilhana...........100
ix
LISTA DE TABELAS
Tabela 2.1 - Histrico do sistema Landsat e algumas caractersticas dos instrumentos .............22
Tabela 2.2 - Caractersticas espectrais e aplicaes do Landsat5-TM........................................23
Tabela 2.3 - Bandas de freqncia mais utilizadas em radares....................................................26
Tabela 2.4 - Caractersticas dos satlites Landsat e Radarsat Radarsat versus Landsat...............28
Tabela 5.1- Pontos de controle terrestre para georreferenciar .................................................... 74
Tabela 5.2 - Matriz de correlao entre as bandas 1/2/3/4/5/6/7/8.............................................. 79
Tabela 5.3a - Resultados obtidos a partir da imagem Landsat Calibrao............................... 82
Tabela 5.3b - Resultados obtidos a partir da imagem Landsat Validao................................ 82
Tabela 5.4a - Resultados obtidos a partir da imagem de radar - Calibrao ............................... 83
Tabela 5.4b - Resultados obtidos a partir da imagem de radar - Calibrao................................83
Tabela 5.5a - Resultados obtidos a partir da imagem Landsat - Calibrao ............................... 84
Tabela 5.5b - Resultados obtidos a partir da imagem Landsat - Validao.................................84
Tabela 5.6a - Resultados obtidos a partir da imagem de radar - Calibrao ............................... 85
Tabela 5.6b - Resultados obtidos a partir da imagem de radar - Validao ................................ 85
Tabela 5.7 - Anlise estatstica das reas de treinamento - Calibrao....................................... 90
Tabela 5.8 - Anlise estatstica das reas de treinamento - Validao.........................................91
Tabela 5.9 - Anlise estatstica das reas de treinamento - Calibrao....................................... 92
Tabela 5.10 - Anlise estatstica das reas de treinamento - Calibrao..................................... 93
Captulo 1 - Introduo
CAPTULO 1 - INTRODUO
de fundamental importncia o estudo dos recursos hdricos disponveis nas
bacias hidrogrficas. A partir desse referencial, o mapeamento produzido atravs de
imagens de satlites possibilita, cada vez mais, conhecer as caractersticas da cobertura
do solo e apontar para polticas pblicas de planejamento urbano que viabilizem a
efetiva participao comunitria na tomada de decises relativas gesto das cidades.
A cincia e a tecnologia, por sua vez, devem atender aos interesses e aos
projetos que contemplem todas as camadas sociais. Faz-se necessrio, portanto,
repensar a forma de gesto imposta pelo modelo liberal ou neoliberal, que atende,
prioritariamente, aos interesses do capital, ficando a populao merc de uma poltica
econmica que fortalece as desigualdades sem uma contrapartida cultural que estimule a
solidariedade.
A busca constante de um equilbrio entre desenvolvimento e meio ambiente deve
ser uma meta permanente a ser atingida pela sociedade. Uma bacia hidrogrfica, apesar
de suas variadas caractersticas topogrficas, geolgicas, climticas e diversidade de sua
utilizao, representa um clssico exemplo de ecossistema, onde as relaes entre o
homem e a natureza merecem ser estudadas e entendidas.
Atualmente, no mais aplicvel a ao emprica e isolada na resoluo e
tomada de deciso acerca dos problemas que provocam direta ou indiretamente
impactos, conflitos e depredaes ao meio ambiente, sendo essencial o desenvolvimento
de uma viso holstica na identificao e abordagem das variveis pertinentes a um
estudo ambiental e, mais especificamente, sob a tica do gerenciamento de recursos
hdricos em uma bacia hidrogrfica. A preservao da qualidade ambiental em uma
bacia hidrogrfica altamente desejvel, no s ao bem estar e segurana do homem
como de todos os seres vivos que vivem em parceria naquela rea.
O planejamento urbano e regional no contexto de bacias hidrogrficas constitui
um desafio, pois a ocupao no ordenada dessas reas, principalmente em regies
metropolitanas, acarreta inmeras alteraes ambientais que, em ltima anlise, afetam
milhes de habitantes. Dentre tais alteraes, destaca-se a modificao do regime
1
Captulo 1 - Introduo
Captulo 1 - Introduo
Ressalte-se que a bacia dos rios Iguau e Sarapu abrangem boa parte da Baixada
Fluminense, incluindo os municpios de Belford Roxo, Duque de Caxias, Nilpolis,
Nova Iguau, Rio de Janeiro e So Joo do Meriti. Baixo nvel scio-econmico,
servios precrios de sade e educao, extrema concentrao de pobreza e
marginalidade social so problemas da Baixada Fluminense e de seus quase trs milhes
de habitantes, que, secundarizados pelo poder pblico, so obrigados a reinventar
diariamente novas formas de sobrevivncia. A saturao do espao urbano e o
crescimento desordenado das cidades sem qualquer planejamento agravam ainda mais
os problemas da regio, que exigem enfrentamento poltico dos governantes. Lembre-se
ainda que a bacia em estudo rea contribuinte da baa de Guanabara e que, portanto,
discusses relacionadas com o Programa de Despoluio da Baa de Guanabara so
pertinentes.
Cabe destacar que, quando da introduo de qualquer tecnologia, pode-se inferir
a existncia de benefcios potenciais trazidos pelo sensoriamento remoto para a
populao como um todo, a partir da possibilidade de, por exemplo, obteno de maior
preciso nos dados relativos cobertura do solo e infra-estrutura de uma determinada
regio. Supondo a adoo de uma poltica de uso racional do solo com base nos dados
3
Captulo 1 - Introduo
Captulo 1 - Introduo
com destaque especial para a abordagem geoestatstica e para aplicaes dos mtodos
de textura GLCM e NGLDM, utilizados nesta dissertao. No Captulo III, apresentase a metodologia adotada na presente pesquisa, incluindo o procedimento de
classificao digital de imagens por mtodos como isodata e mxima verossimilhana e
a discusso dos mtodos de classificao GLCM e NGLDM envolvendo textura. O
Captulo IV apresenta uma descrio da rea de estudo referente a bacia hidrogrfica
dos rios Sarapu e Iguau, enquanto o Captulo V mostra os resultados obtidos no
processo de caracterizao da cobertura do solo atravs de imagem de satlite Landsat5TM e Radarsat. Finalmente, o Captulo VI apresenta as concluses da pesquisa e
recomendaes para futuros trabalhos, com apreciao do papel de algoritmos de
textura em classificao digital bem como do uso de imagens de radar com fins de
classificao da cobertura e uso do solo.
A lei federal 9.433 de 8 de janeiro de 1997 ou aqui chamada Lei das guas
ainda no conhecida pela maior parte da populao brasileira. A sua regulamentao
tem sido feita aos poucos, incluindo a criao da Agncia Nacional de guas (ANA)
atravs da lei 9.984 de 17 de julho de 2000, autarquia federal vinculada ao Ministrio do
Meio Ambiente, Amaznia Legal e Recursos Hdricos com vistas a implementar a
poltica nacional de recursos hdricos. O princpio fundamental reside em uma gesto de
recursos hdricos por bacia hidrogrfica, descentralizada, com a participao do poder
pblico, dos usurios e da comunidade. A Lei das guas estabelece a criao da figura
do comit de bacia (dimenso poltica) e da agncia de bacia (dimenso tcnica com
vistas a fornecer subsdios para as decises do comit).
Pode-se estabelecer essa questo em relao ao Programa de Despoluio da
Baa de Guanabara (PDBG), uma vez que a regio de estudo desta dissertao, a bacia
dos rios Iguau e Sarapu, rea contribuinte da baa de Guanabara. PDBG um
programa criado pelo governo do estado do Rio de Janeiro, resultante da ECO/92 e
implementado a partir de 1994 (Potsch e Rotunno, 1998 - Apndice A). Esse programa
foi elaborado a fim de melhorar as condies das guas que compem a baa de
Guanabara e recebeu ajuda de rgos na esfera municipal, estadual e federal, mas
mesmo assim est bem longe de cumprir seu objetivo principal. Os modelos
hidrolgicos e hidrodinmicos foram criados com o objetivo de tentar modelar a
natureza na inteno de estudar solues para diversos problemas que afligem a nossa
populao. Nesse contexto, abrigam-se ainda questes que passam pelo gerenciamento
de recursos hdricos, at a forma como as organizaes surgem, desenvolvem-se e
estruturam-se de acordo com seus objetivos e relacionamentos com o ambiente, seja na
esfera pblica ou privada. Mas antes deve-se estabelecer e esclarecer o ncleo da
discusso, de forma que se possa, aos poucos, chegar a um entendimento sistmico do
PDBG.
6
comunitria, uma vez que, no juzo da autora, este tpico fundamental para a
realizao de uma verdadeira gesto de recursos hdricos (Apndice B).
2.2
est afastado do objeto e a anlise dos dados para interpretar os atributos fsicos do objeto.
Essa uma definio bem ampla. Convencionalmente, contudo, o termo sensoriamento
remoto implica uma distncia bastante significativa entre sensor e objeto, da ordem de
quilmetros ou centenas de quilmetros. Em tal situao, o espao interveniente
preenchido de ar (plataforma area) ou at mesmo parcialmente constitudo do vcuo
(plataforma espacial), onde somente as ondas eletromagnticas so capazes de servir de
ligao eficiente entre o sensor e o objeto. Sensoriamento remoto, como Gupta (1991)
afirma, tem, por essa razo, significado a aquisio de dados de radiao eletromagntica
(comumente situada na faixa de comprimentos de onda entre 0,4 m and 30 cm) a partir
de sensores colocados em plataformas areas ou espaciais e interpretao das
caractersticas dos objetos terrestres.
O princpio bsico envolvido nos mtodos de sensoriamento remoto que, em
diferentes faixas de comprimentos de ondas/freqncias, cada tipo de objeto reflete ou
emite uma certa intensidade de luz, que dependente dos atributos fsicos ou da
composio do objeto em estudo. Assim,utilizando essa informao de uma ou mais
faixas de comprimentos de ondas, h possibilidade de se diferenciar diferentes tipos de
objetos e mapear a sua distribuio, seja no solo seja na gua.
O espectro eletromagntico a ordenao das radiaes eletromagnticas de
acordo com os comprimentos de onda ou, em outras palavras, freqncia ou energia. O
espectro usualmente apresentado entre raios csmicos e ondas de rdio, com as partes
intermedirias constituindo os raios gama, raios X, ultravioleta, visvel (VIS),
infravermelho prximo (NIR), infravermelho intermedirio (MIR), infravermelho afastado
(FIR) e microondas (Figura 2.1). O espectro eletromagntico entre comprimentos de onda
de 0.02 m a 1 m pode ser dividido em duas partes principais: faixa tica e faixa de
microondas. A faixa tica refere-se quela parte do espectro eletromagntico em que
fenmenos ticos de reflexo e refrao podem ser utilizados para anlise da radiao.
Essa faixa estende-se dos raios X (0.02 m de comprimento de onda) passando pelo
visvel e incluindo o infravermelho afastado (1 mm de comprimento de onda). A regio de
microondas compreende a faixa de comprimentos de onda de 1 mm a 0.8 m.
A seguir, apresenta-se, com mais detalhes, as principais faixas do espectro
eletromagntico representadas na Figura 2.1:
10
raios gama
12
e imagem Landsat foram fornecidas ao modelo HEC-1 (U.S. Army Corps of Engineers,
1981) para gerar curvas de freqncia de descarga. As diferenas nos resultados foram
consideradas insignificantes. Tambm chegaram concluso de que, para bacias
maiores do que 26 km2, a abordagem envolvendo imagem Landsat era mais eficiente em
termos de custo.
Fortin et al. (1986) forneceu um exemplo da aplicao da cobertura do uso do
solo
hidrolgicos (Schmugge et al., 1980; Jackson et al., 1981, Engman, 1990; Pietroniro,
1993; Rotunno, 1995). H dois modos importantes de utilizar a umidade do solo em
modelos hidrolgicos. reconhecido que a umidade inicial tem um importante papel na
definio do hidrograma (vazo ao longo do tempo) para eventos chuvosos. A segunda
forma consiste em se empregar a umidade do solo em diferentes tempos para controlar e
corrigir o desempenho do modelo (Kuczera (1983a, 1983b)).
Verifica-se, pois, que a grande variabilidade espacial das caractersticas fsicas
de uma bacia hidrogrfica coloca, em evidncia, o uso do sensoriamento remoto como
provedor de uma nova base de dados. Essa nova base de dados um dos elementos
essenciais no desenvolvimento dos novos modelos hidrolgicos distribudos com base
fsica.
2.3 Sensoriamento remoto e geoprocessamento
Conforme j destacado no item anterior, sensoriamento remoto, segundo
Lillesand e Kiefer (1994), a cincia e a arte de obter informaes sobre o objeto, rea,
ou fenmeno atravs de anlise de dados adquiridos por um dispositivo que no est em
contato com o objeto, a rea ou o fenmeno (Figura 2.2).
.
Sensoriamento remoto e o processamento digital de imagens representam
atualmente uma grande fonte de dados, obtidos de maneira rpida e precisa, permitindo
assim uma atualizao permanente dessas informaes. Com a introduo da
informtica na pesquisa ambiental, a reunio desses dados foi bastante facilitada,
permitindo a otimizao da tomada de deciso no gerenciamento e monitoramento do
espao geogrfico, ficando a cargo do monitoramento a funo de acompanhar as
alteraes espao-temporais dessas informaes (Novo, 1988). As informaes de
sensoriamento remoto podem ser incorporadas em sistemas de informaes geogrficas
(SIG), parte do campo do conhecimento denominado de geoprocessamento.
Segundo Rodrigues (1990), o geoprocessamento pode ter diferentes sistemas
computacionais (sistemas aplicativos, sistemas especialistas, sistemas de satlite,
levantamento de campo e cadastros), podendo estar aliado cartografia digital, ao
sensoriamento remoto, modelagem numrica de terreno e inteligncia artificial.
Dentro deste contexto, o geoprocessamento possui a perspectiva de anlise
interdisciplinar e interinstitucional, integrando especialistas de diferentes ramos a
participarem do desenvolvimento dos estudos ambientais, sendo o mapeamento
temtico o seu principal modelo operacional.
Segundo Aronoff (1989), o advento dos sistema de informaes geogrficas
(SIGs) pode ser comparado ao advento da imprensa na Idade Mdia. Do mesmo modo
que a imprensa no somente tornou a informao mais rpida e financeiramente
acessvel, como tambm revolucionou a maneira pela qual o conhecimento passou a
fluir na sociedade, os sistemas de informaes geogrfica mudaram drasticamente a
possibilidade de a informao ser gerada, atualizada e disseminada de forma segura,
rpida e eficiente, tendo o sensoriamento remoto como um grande provedor de
informaes ambientais a serem manipuladas.
Segundo Simpson (1992), os pases desenvolvidos usam de forma rotineira os
dados orbitais juntamente com um SIG. A integrao do sistema de informaes
geogrfica e o sensoriamento remoto se d a partir do momento em que se transferem os
resultados obtidos dos tratamento de imagens de sensoriamento remoto para o sistema
16
17
(2.1)
onde:
h - constante de Planck (6,626 x 10-34 Joule x segundo );
f - freqncia (Hertz).
18
Cabe ressaltar que todo objeto com uma temperatura acima do zero absoluto
emite energia eletromagntica. Com o objetivo de melhor descrever as caractersticas
radiativas dos objetos, introduziu-se o conceito de corpo negro. Corpo negro definido
como um objeto que irradia energia a uma taxa mxima, por unidade de rea e
comprimento de onda, em uma dada temperatura. Assim, emite toda energia que possui,
com emissividade igual a 1 para todos os comprimentos de onda, e absorve toda energia
incidente.
Entre as leis da radiao, cabe destacar as leis de Planck, Stefan-Boltzmann,
Wien, Kirchhoff, Lambert, Beer-Bouguer-Lambert, sinteticamente apresentadas a
seguir.
A intensidade de radiao monocromtica relacionada com o comprimento de
onda e a temperatura do emissor atravs da lei de Planck como (Kidder et al., 1995):
M =
2hc2
5 (ehc/kT 1)
(2.2)
onde
M - energia radiante espectral emitida em W m-2 sr-1 m-1;
h
F= Fd = T 4
(2.3)
onde
- a constante de Stefan-Boltzmann;
F- densidade de escoamento monocromtica (W m-2 m-1)=
5,67x10-12W.cm-2.K-4;
19
(2.4)
onde
mx: comprimento de onda de mxima emisso (m);
C
:2898 (Km);
:temperatura (K).
a razo entre a
Sistema Landsat5-TM
A srie de satlites dedicada ao sensoriamento remoto dos recursos terrestres
teve incio a partir de maio de 1972 e tem, como misso, controlar e conservar os
recursos naturais da Terra (Figura 2.3). A Tabela 2.1 apresenta o histrico do sistema
Landsat.
21
com nmero superior de bandas espectrais, a resoluo espacial obtida pelo sensor TM
superior de 30 m x 30 m (Campbell 1987; Novo, 1988). A Tabela 2.2 apresenta as
caractersticas espectrais do TM a bordo do Landsat-5, satlite este que forneceu dados
utilizados neste estudo.
Tabela 2.1 - Histrico do sistema Landsat e algumas caractersticas dos instrumentos
(fonte: Novo, 1988)
Satlite
LANDSAT 1
LANDSAT 2
LANDSAT 3
LANDSAT 4
LANDSAT 5
LANDSAT 6
LANDSAT 7
Lanamento
(Inoperncia)
23/07/72
(06/01/78)
22/01/75
(25/02/82)
05/03/78
(31/03/83)
16/07/82
(09/93)
01/03/84
05/10/93
(05/10/93)
12/98
Instrumentos
Altitude
RBV/MSS
Resoluo
(metros2)
80/80
917
Repetio
(dias)
18
RBV/MSS
80/80
917
18
RBV/MSS
30/80
917
18
MSS/TM
80/30
705
16
MSS/TM
ETM
80/30
15 (pan*)
30 (ms**)
15 (pan*)
30 (ms**)
705
705
16
16
705
16
ETM
* pancromtica; ** multiespectral
O Landsat5-TM foi lanado em uma rbita de 705 km de altitude, buscando
suprir as deficincias do Landsat4 -TM, que apresentou defeitos na transmisso dos
dados do sensor TM.
Intervalo espectral
(m)
(0,45 0,52)
23
Banda
Intervalo espectral
(m)
(0,52 0,60)
(0,63 0,69)
(0,76 0,90)
(1,55 1,75)
(10,4 12,5)
(2,08 2,35)
Os intervalos de
potenciais cobrem uma faixa no terreno de 185 km. Em seis dessas imagens (bandas 1,
2, 3, 4, 5 e 7), o pxel corresponde a 30 m x 30 m. A resposta espectral de cada elemento
do terreno registrada a bordo pelos detectores em valores de cinza que variam de zero
(equivalente ao preto ou refletividade mnima) a 255 (branco ou refletividade mxima).
24
ndices reais de chuva ou com sua acumulao em um certo perodo (Fattorelli et al.,
1995). A Tabela 2.3 apresenta as bandas de radar mais utilizadas em meteorologia, onde
a nomenclatura de diferentes faixas do espectro atravs de letras funcionavam como
cdigos para evitar que se soubesse os comprimentos de onda efetivamente utilizados.
Fonte: Pessoa,1993
Freqncia
(GHz)
30,0
10,0
6,0
3,0
1,5
Resoluo Espacial:
30m2 multiespectral
15m2 pancromtico
imageamento
ativo
(SAR)
que
capta
energia emitida pelo sol (bandas visvel) e retroespalhamento (ou retorno) da energia
energia emitida (bandas infravermelho) pelo (bandaC, polarizao HH, comprimento de
sistema terra-atmosfera
de nuvens
A informao espectral de uma cena pode ser representada por uma imagem
espectral, na qual cada pxel tem coordenadas espaciais x, y, com uma assinatura
espectral L, que representa a radincia do alvo em todas as bandas espectrais. Para uma
29
imagem de K bandas, h K nveis de cinza associados a cada pxel, sendo um para cada
banda espectral. As caractersticas do pxel so denominadas atributos espectrais.
O conceito de espao de atributos essencial para se entender como funciona a
classificao de imagens multiespectrais. A Figura 2.5 mostra um grfico de espao de
atributos, para o caso de uma imagem com apenas duas bandas espectrais. Nesse
espao, encontram-se plotados 1 pxel de trs diferentes tipos de materiais superficiais,
denominados A, B e C. Se apenas a banda 1 for considerada, fcil notar que os
materiais B e C no poderiam ser separados, pois ambos apresentam um nmero digital
DN de aproximadamente 200. Porm, ao se considerar as bandas 1 e 2, esses trs
materiais superficiais teriam posies distintas no espao de atributos, que seriam
caractersticas, servindo, portanto,
(Crsta, 1992).
DN
25
20
15
10
50
0
BANDA 2
C
B
A
BANDA 1
50
10
15
20
25
Figura 2.5- Grfico de espao de atributos para o caso de uma imagem com apenas duas
bandas espectrais (fonte: Duda e Hart, 1973).
Os classificadores podem ser divididos em classificadores pxel a pxel e
classificadores por regies:
Classificao Supervisionada
A classificao dita supervisionada quando a identidade e a localizao dos
alvos/tipos da cobertura terrestre so conhecidos a priori, atravs de trabalhos de
campo, anlise de fotografias reas, mapas, entre outros. As reas da imagem na qual o
usurio conhece a verdade terrestre so identificadas como reas de treinamento, tendo
em vista que o uso das caractersticas espectrais dessas reas servem para treinar
diferentes
algoritmos
classificatrios,
que
envolvem clculos
de
estatsticas
cada pxel a uma ou outra classe dependendo de qual classe ele est mais prximo. Essa
questo da proximidade ou similaridade permear a discusso dos mtodos de
classificao supervisionada. Atravs do procedimento de classificao supervisionada,
o usurio identifica alguns dos pxeis pertencentes s classes desejadas e submete ao
algoritmo computacional, definido segundo alguma regra estatstica pr-estabelecida, a
tarefa de classificar todos os demais pxeis.
Pode-se considerar a questo da proximidade entre classes com base em
estatsticas dos dados. Uma forma de definir cada classe calcular a mdia estatstica
para cada classe em cada banda espectral. Um mtodo de classificar que considera,
como mtrica para o clculo das distncias de um pxel s diferentes classes, mdias
espectrais por banda e matriz de covarincia espectral das bandas selecionadas o
mtodo da mxima verossimilhana.
Para que a classificao por mxima verossimilhana seja precisa, necessrio
um nmero razoavelmente elevado de pxeis para cada conjunto de reas de treinamento
ou interesse, nmero esse preferencialmente acima de uma centena (Campbell, 1987).
Esse nmero permite uma base segura para tratamento estatstico. Devido a esse nmero
alto de pxeis, no possvel represent-los graficamente de maneira individualizada.
Utiliza-se, nesse caso, isolinhas ou curvas de contorno
no espao de atributos,
BANDA 1
34
dentro das classes B e C, mas com uma probabilidade de 10% de pertencer classe C
contra 0,1% de pertencer classe B, sendo portanto atribudo classe C.
A deciso de atribuir o pxel 3 classe C exemplifica um outro conceito
importante na classificao pelo mtodo da mxima verossimilhana, que a definio
dos limites de deciso entre classes contguas. Esses limites so traados a partir dos
pontos onde contornos de igual probabilidade entre duas classes contguas se cruzam,
como mostrado na Figura 2.7.
BANDA 2
BANDA
limite de deciso
Classe 1
Classe 2
35
especficos encontrados na
o uso de
44
Captulo 3 Metodologia
CAPTULO 3 METODOLOGIA
O presente captulo aborda o processo desenvolvido para obteno da
classificao da cobertura do solo de uma bacia hidrogrfica utilizando imagem
Landsat5-TM e imagem Radarsat. O fluxograma apresentado na Figura 3.1 fornece
inicialmente uma viso simplificada da metodologia adotada.
Imagem Landsat5-TM
27/06/1994
Imagem Radarsat
23/07/1997
Georreferenciamento
Classificao
No Supervisionada
Supervisionada
Mtodo Isodata
Mtodo Mxima
Verossimilhana
Matriz de erros
Matriz de erros
Anlise Geoestatstica
Textura
45
Anlise comparativa entre as diversas classificaes obtidas.
Figura 3.1 Fluxograma metodolgico
Captulo 3 Metodologia
46
Captulo 3 Metodologia
Captulo 3 Metodologia
Captulo 3 Metodologia
Captulo 3 Metodologia
J = x mi
(3.1)
i =1 xS i
onde:
M - o nmero de classes;
50
Captulo 3 Metodologia
Captulo 3 Metodologia
52
Captulo 3 Metodologia
n
Ap = pi Ai
(3.2)
i=1
Supondo que as variveis aleatrias associadas a elementos de classes diferentes
so estatisticamente independentes, os autores propem uma expresso simplificada
para a matriz de covarincia da combinao das classes, dada por:
n
M p = pi M i
(3.3)
i=1
A seguir, descrito o mtodo proposto por Horwitz et al. (1971) para estimar as
propores.
Mtodo para estimar as propores
Sendo y = (y1, ..., ym) o vetor de observaes multiespectrais com distribuio
gaussiana para estimar p, tomamos a funo densidade conjunta, tambm denominada
funo de verossimilhana, dada por
1
F (y) = L =
Mp 1 2
(2)
exp -
1
( y - A p ) T M -p1 ( y - A p )
2
(3.4)
onde:
Mp- o determinante da matriz de covarincia Mp ;
Mp 1- a inversa da matriz de covarincia Mp ;
y e Ap - so vetores coluna.
Estimar por mxima verossimilhana significa escolher os parmetros para os
quais a Equao (3.4) maximizada. Como a funo lne (L) uma funo crescente de
L, o resultado obtido se maximizarmos o logaritmo natural de L. Ento, G = lne L.
Maximizar G o mesmo que minimizar F = - G; desprezando os termos constantes, a
soluo dada pelo vetor p que minimize
F = ln Mp + y - A p , M p
(y - Ap )
(3.5)
53
Captulo 3 Metodologia
onde
u, v o produto interno dos vetores u e v ,
sendo
u = (u1, u2, ..., un);
v = (v1, v2, ..., vn);
u, v = u1 v1 + u2 v2 + ...+ un vn.
Como p um vetor de propores da rea de um elemento de cena, est sujeito
s restries
pi = 1
pi
onde
i = 1,..., n ( nmero de componentes).
Nesse modelo, o nmero de classes (n) deve ser menor ou igual ao nmero de
canais espectrais (m) mais uma unidade, isto :
n m+1
Em geral, minimizar a Equao (3.5), sujeita s restries impostas, um tanto
difcil. Para resolver esse problema, uma simplificao proposta
n
Mp = M =
1
n
M i,
(3.6)
i=1
isto , M tomada como a mdia das matrizes de covarincia das classes i. Testes
realizados pelos autores mostram que essa aproximao razovel. Dessa forma, M
torna-se constante, reduzindo a Equao (3.6) a
(p) = y - A p , M -1 ( y - A p )
tornando-se um problema de programao quadrtica, sujeito s restries lineares:
54
Captulo 3 Metodologia
n
pi = 1;
i=1
pi 0,
onde:
i = 1,..., n (nmero de componentes).
Classificao pelo Mtodo da Mxima Verossimilhana.
A teoria estatstica de deciso base para a classificao estatstica de imagens.
O critrio estabelecido para a partio do espao de atributos a probabilidade de erro
ou um risco mdio, dependendo dos custos apropriadamente escolhidos.
Teoria estatstica de deciso (teoria bayesiana da deciso)
Os atributos xj, j = 1,..,M, so variveis aleatrias, que constituem o vetor
aleatrio de observao x.
Sejam conhecidas:
f (x wi) - funo densidade de probabilidade classe wi, i = 1,..., N;
P (wi ) - probabilidade a priori de cada classe wi, i = 1,...,N.
A chamada formulao bayesiana envolve tambm custos:
C(wkwi ) - custo de tomar por uma classe wk quando a verdadeira classe wi,
com i, k = 1,..,N.
Desse modo, sendo observado o vetor x, o erro decorrente de tomar a deciso wk
:
n
Lx (wk) = C (wk | wi) P (wi | x)
(3.7)
i=1
55
Captulo 3 Metodologia
(3.8)
(3.9)
(3.10)
f (x w k P(w k )
(3.11)
f (x)
(3.12)
para cada vetor de atributos x observados, de forma que o vetor x seja classificado como
pertencente a classe wk que fornece a mxima funo discriminante. A Figura 3.2 ilustra
tal esquema.
56
Captulo 3 Metodologia
g1()
g2(x)
MAX
X
x1
x
x= 2
.
x
n
DECISO
gM(x)
Figura 3.2 - Deciso por funes discriminadas (fonte: Mascarenhas e Velasco, 1984).
Adicionalmente, cabe ainda uma breve referncia sobre a identificao e a
correlao das informaes presentes nas reas de treinamento segundo as diversas
bandas espectrais da imagem fornecida pelo satlite Landsat5-TM. Neste trabalho,
tambm procedeu-se a anlise dessa informao espectral atravs da matriz de
correlao das bandas. As informaes contidas nessa matriz permitem fazer uma
previso sobre o potencial sucesso comparativo do uso de uma determinada combinao
de bandas em relao a outra composio no processo de classificao.
Com relao avaliao da preciso do procedimento de classificao, as reas
de treinamento ou interesse foram utilizadas como amostras de calibrao para
definio da preciso de calibrao. A preciso de calibrao um indicador da
adequabilidade de um esquema de classificao e da separabilidade espectral das
classes. Todavia, esses resultados no podem ser estendidos para o restante da rea de
estudo, uma vez que as reas de treinamento foram utilizadas para definir as regras de
deciso estatsticas no algoritmo de classificao supervisionada empregado. Portanto, o
indicador de preciso na calibrao representa uma estimativa inflada e tendenciosa da
preciso do processo de classificao. Por essa razo, em adio s amostras de
calibrao, foram selecionadas aleatoriamente amostras para validar o processo de
classificao.
O indicador utilizado para avaliar a preciso do processo de classificao tanto
na calibrao quanto na validao foi o coeficiente kappa. O coeficiente kappa uma
medida da concordncia entre as amostras da cena e aquelas derivadas atravs da
57
Captulo 3 Metodologia
A teoria
(3.13)
58
Captulo 3 Metodologia
(3.14)
onde C(0) a covarincia para o vetor de separao zero, ou seja, C(0) igual
varincia 2 da varivel aleatria em estudo.
Outra maneira de representar a estrutura espacial de uma funo estocstica
atravs do clculo de um correlograma, que relaciona a covarincia varincia como
uma funo de h :
( h) =
C ( h)
= 1
( h)
2
(3.15)
* (h) =
1 N ( h)
[z(x i ) - z(x i + h)]2
2 N (h) i =1
(3.16)
59
Captulo 3 Metodologia
Captulo 3 Metodologia
longo da imagem, avaliando a relao do tom de cinza do pxel central com os tons de
cinza dos pxeis vizinhos. Estatsticas de textura podem ser definidas como, por
exemplo, nmero no-uniforme (NNU), nfase nos nmeros pequenos (SNE), nfase
nos nmeros grandes (LNE), segundo momento (SMT) e entropia (ENT). As texturas
caracterizam e quantificam a distribuio de entradas na matriz do NGLDM.
Para uma dada imagem M(i,j), com i=1,2,..,n e j=1,2,...,m, o domnio espacial
horizontal pode ser representado por Zr= (1,2,..,n), e o domnio espacial vertical por
Zc=(1,2,..,m). Por essa razo Zr X Zc representa o conjunto dos elementos de resoluo
da imagem M. Adicionalmente, seja k=1,2,...,Ng, de forma que represente a possvel
amplitude de tons de cinza na imagem (M), e seja G a relao binria no espao Zr X Zc
de tal modo que sejam agrupados, aos pares, os elementos de resoluo na relao
espacial desejada.
A matriz de tons de cinza vizinhos dependentes da imagem M, referida aqui
como Q, definida, ento, por
Q(k, s) = # {(i,j) M (i,j) = k e
# [(q,r) ((i,j,) , (q,r))
(3.17)
e M(k,s) - M(q,r) ] = s }
onde:
(i,j), (q,r) G;
# - identifica o nmero de elementos no conjunto;
((i,j,),(q,r)) - a distncia entre os elementos (i,j) e (q,r);
- define a similaridade de tons de cinza;
- a mxima distncia entre elementos;
k - o tom cinza;
s - o nmero de pxeis similares presentes na vizinhaa definida por .
Para calcular as texturas pelo NGLDM, h dois parmentros a serem definidos: o
intervalo de tom de cinza ou amplitude de similaridade () e a distncia em relao ao
pxel central ( ). Cada entrada na matriz Q para uma classe Q(k,s) gerada pelo
nmero de ocorrncias em que a diferena no nvel de cinza entre cada pxel na classe
61
Captulo 3 Metodologia
com um dado tom de cinza k e s dos seus vizinhos seja igual ou menor do que para
um valor especfico de . O valor mximo para s, Ns, depender de .
Nesta dissertao explorou-se, para efeito de classificao da imagem, as
estatsticas de textura com nfase nos nmeros pequenos (SNE), nfase nos nmeros
grandes (LNE), nmero no-uniforme (NNU), segundo momento (SMT) e entropia
(ENT), dadas por Sun e Wee (1983):
Ng
SNE =
k =1
[Q (k, s ) / s ] /
Ns
s =1
Ng
LNE =
k =1
[s
Ns
s =1
Ng
Ns
k =1
s =1
Ng
k =1
Ng
SMT =
k =1
Ng
ENT =
k =1
(3.18)
Q (k, s )
(3.19)
Ns
Q (k, s ) /
Ng
Ng
NNU = Q(k, s) /
s =1 k =1
k =1
Ns
Q (k , s )
s =1
Ns
Q (k, s )
Ns
Ng
Ns
s =1
k =1
s =1
2
[ Q (k, s )] /
Ns
s =1
(3.20)
s =1
Q (k , s )
Ng
Ns
Q (k, s )
(3.21)
(3.22)
s =1
A SNE fornece uma medida de rugosidade. Para uma textura rugosa, as entradas
na matriz Q sero feitas especialmente nas colunas mais esquerda. Valores maiores de
SNE esto associados com texturas mais rugosas. A LNE fornece uma medida de
suavidade. Entradas na matriz Q do mtodo NGLDM tendero a ser feitas nas colunas
mais direita para um campo com textura suave. Valores altos de LNE indicam textura
suave. Por outro lado, as estatstica do nmero no uniforme (NNU), segundo momento
(SMT) e entropia (ENT) indicam medidas de homogeneidade com respeito s entradas
na matriz Q.
Finalmente, cabe salientar que os parmetros do mtodo NGLDM utilizados
nesta dissertao foram =1 e =16,32,64. O tamanho da janela para o qual foi
definida a matriz Q foi 11 pxeis X 11 pxeis, levando-se em conta os variogramas
62
Captulo 3 Metodologia
possveis combinaes de pares de pxeis para uma dada janela computacional Wnm
(Haralick et al., 1973). A co-ocorrncia dos tons de cinza representa a probabilidade de
que quaisquer dois pares de tons de cinza ocorram, condicionada distncia entre pxeis
e orientao utilizadas no clculo computacional. Algebricamente, pode-se
expressar por
Pr(x) = {Cij | ,}
(3.23)
com
n
C ij = Pij / Pij
(3.24)
ij=1
HOM =
Cij
(3.25)
/(i j) /
(3.26)
Cij (i j)
(3.27)
i =1
DIS =
i =1
CON =
i =1
j=1
Cij
j=1
j=1
Captulo 3 Metodologia
menor variao local na textura. Quanto mais dissimilares os nveis de cinza, maiores
sero as estatsticas de dissimilaridade (DIS) e contraste (CON).
Finalmente, cabe salientar que os parmetros do mtodo GLCM utilizados nesta
dissertao foram =1 e = 900. O tamanho da janela para o qual foi definida a matriz
de co-ocorrncias C
64
Descrio da regio
O espao geogrfico, que hoje chamado de Baixada Fluminense, refere-se
ampla rea limite com a cidade do Rio de Janeiro, que se estende seguindo o contorno
da baa de Guanabara at a chamada serra do Mar, que costeia, ao norte, o Atlntico.
Ficou historicamente conhecida como Baixada, por suas terras baixas, que contrastam e
abarcam aproximadamente 140 Km2 de terras cultivveis.
Os resultados preliminares da contagem de populao em IBGE, (1996) indicam
para a Baixada Fluminense uma populao de quase trs milhes de habitantes do total
de aproximadamente 13.500.000 do estado do Rio.
A Baixada Fluminense faz parte da regio metropolitana do Rio de Janeiro e
hoje abrange as reas dos municpios de Nova Iguau, Duque de Caxias, So Joo de
Meriti, Nilpolis, Belford Roxo, Japeri e Queimados. Os trs ltimos foram
recentemente desmembrados de Nova Iguau, sendo que algumas anlises incorporam,
ainda em sua diviso poltico-geogrfica, os municpios de Itagua, Paracambi e Mag.
Esses, porm, no constam como tais nas fontes pesquisadas. , nessa regio, que se
insere a bacia hidrogrfica dos rios Iguau e Sarapu.
4.2 Tendncias scio-econmicas da Baixada Fluminense
Historicamente, essa regio considerada como cidade satlite ou cidade
dormitrio, por servir, durante o perodo de desenvolvimento do capital industrial, como
alternativa de existncia urbana migrante, quando a necessidade de terras na periferia da
cidade tornou-se desesperadora (Perlman, 1977). Uma imensa populao marginalizada
que abandonava o interior do pas em busca das luzes da cidade maravilhosa e de
sobrevivncia, passa a servir de mo-de-obra para o processo de montagem e expanso
industrial, num perodo em que apenas duas opes se abrem para os migrantes que
chegam: as favelas ou os subrbios, cidades-dormitrio que circundam o Rio.
65
com o
69
4.3
sendo que 168 km2 representam a sub-bacia do Sarapu, contm parte dos municpios
do Rio de Janeiro, Nilpolis, So Joo de Meriti ,Nova Iguau, Belford Roxo e Duque
de Caxias. Todos esses municpios esto dentro da rea metropolitana do Rio de
Janeiro.
A bacia est limitada ao norte com a bacia do rio Paraba do Sul; ao sul, com a
bacia dos rios Pavuna e Meriti; a leste, com as bacias dos rios Inhomirim e Estrela; a
oeste, com a bacia do rio Guandu e afluentes da bacia de Sepetiba.
O rio Iguau tem nascentes na serra do Tingu a uma altitude de cerca de 1000
m. Seu curso vai no sentido sudoeste, com uma extenso total de cerca de 43 km,
desaguando na baa de Guanabara, tendo como afluentes principais os rios Tingu, Pati,
e Capivara pela margem esquerda e Bota e Sarapu pela margem direita. A bacia do rio
Iguau apresenta duas caractersticas morfolgicas distintas: a serra do Mar e a Baixada
Fluminense.
O clima da bacia quente e mido com estao chuvosa no vero e uma
temperatura mdia anual em torno dos 22 C e precipitao mdia variando em torno de
1700mm.
A cobertura vegetal do solo da bacia, ainda remanescente, ocorre com
predominncia ao norte e nordeste, na regio do Tingu, e algumas reas na serra de
Madureira. Na serra do Tingu, est localizada a reserva biolgica do Tingu, onde um
trecho da Mata Atlntica rea de proteo ambiental.
4..4 Processo histrico da ocupao e a cobertura vegetal
A dificuldade de se visualizar a cobertura vegetal anterior ocupao da bacia
dos rios Iguau e Sarapu est relacionada destruio da maior parte dessa cobertura,
logo aps o descobrimento do Brasil. Mendes, (1940) comenta que o povoamento da
plancie que se estende do Meriti ao Estrela ou Inhomirim e da baa orla das serras foi
contemporneo da poca em que se principiou a povoar a cidade que Estcio de S
70
Segundo Pereira (1977), a cana de acar comeou a ser cultivada por volta de
1611, quando o mosteiro de So Bento recebeu uma sesmaria nas imediaes do rio
Iguau, (no atual municpio de Belford Roxo). Pereira (1977) relata:
... logo aps ter conseguido do Capito-Mor Afonso Albuquerque,
por Sesmaria dada aos 7 de junho de 1611, s voltas, pontas e sobejos
do rio Iguau, com muita lenha para o servio do engenho,
estabeleceu o mesmo, deixando todas as madeiras necessrias
prontas para a sua fbrica.
71
do
mercado
consumidor,
as
madeiras
de
construo.(Mendes,1940).
72
75
200000
Banda 4
Banda 5
Banda 6
Banda 7
150000
100000
50000
0
0
50
100
150
200
250
76
Miguel Pereira
Paracamb
Cava
Petrpolis
Santa Cruz
Vila Militar
Baa de Guanabara
Metros
1:5000
tanto nas cartas plani-altimtricas quanto na imagem. Nesse sentido, foram utilizadas
feies caractersticas e notveis como cruzamento de estradas, pontes, juno de canais
de rios, entre outras. A partir das coordenadas UTM de cada ponto e suas respectivas
coordenadas coluna e linha na imagem, juntamente com o mtodo de reamostragem do
vizinho mais prximo e uso de um polinmio de primeira ordem, foi possvel fazer a
retificao da imagem. O erro no procedimento de georeferenciamento da imagem
Landsat foi da ordem de 1 pxel. A Tabela 5.1 apresenta as coordenadas dos pontos de
controle utilizados no processo de georeferenciamento, enquanto a Figura 5.3 ilustra a
disposio desses pontos na imagem Landsat5-TM. Note-se a distribuio uniforme dos
pontos de controle na rea de estudo, que um dos requisitos para assegurar a qualidade
do trabalho de retificao. A Figura 5.4 mostra a imagem georeferenciada com o
sistema de coordenadas UTM e o limite da bacia dos rios Iguau e Sarapu com seus
cursos de gua atravs da composio colorida 4, 5 e 3 nas cores vermelho, verde e azul
respectivamente.
79
(Mapa x,y)
(Imagem x,y):
(x,y estimado)
(Erro x,y)
(EMQ)
#1
(670206.37,7489178.04)
(1650.00,1519.00): (1649.85,1518.05)
(-0.15,-0.95)
(0.96)
#2
(679700.00,7493150.00)
(1938.00,1340.00): (1937.70,1339.59)
(-0.30,-0.41)
(0.51)
#3
(675715.00,7485870.00)
(1847.00,1593.64): (1847.23,1594.72)
(0.23,1.08)
(1.10)
#4
(681575.50,7465150.00)
(2150.00,2228.00): (2150.05,2228.51)
(0.05,0.51)
(0.51)
#5
(681850.50,7468150.00)
(2141.80,2130.60): (2142.80,2130.71)
(1.00,0.11)
(1.00)
#6
(679198.33,7486831.02)
(1956.25,1544.50): (1955.51,1545.17)
(-0.74,0.67)
(1.00)
#7
(676200.00,7501925.00)
(1776.00,1077.00): (1776.17,1076.60)
(0.17,-0.40)
(0.43)
#8
(671037.18,7468900.00)
(1787.00,2165.00): (1786.79,2164.75)
(-0.21,-0.25)
(0.32)
#9
(653145.00,7471230.00)
(1192.00,2185.00): (1191.74,2186.08)
(-0.26,1.08)
(1.12)
#10
(643475.00,7471475.00)
(875.75,2230.75):
(-0.13,-0.57)
(0.58)
#11
(665750.00,7481450.00)
(1547.00,1791.00): (1546.59,1790.14)
(-0.41,-.86)
(0.95)
I#12
(661770.00,7478630.00)
(1432.20,1902.40): (1432.29,1902.08)
(0.09,-.32)
(0.34)
#13
(644580.00,7485625.00)
(833.80,1769.00):
(834.31,1769.68)
(0.51,0.68)
(0.85)
#14
(646740.00,7487775.00)
(892.00,1689.25):
(892.94,1689.02)
(0.94,-0.23)
(0.97)
#15
(652035.00,7510235.00)
(943.20,939.20):
(943.06,939.17)
(-0.14,-0.03)
(0.15)
#16
(666250.00,7496400.00)
(1482.00,1307.67): (1481.76,1307.35)
(-0.24,-0.32)
(0.40)
#17
(650000.00,7490800.00)
(983.00,1574.00):
(982.65,1574.36)
(-0.35,0.36)
(0.50)
#18
(647100.00,7499025.00)
(843.50,1325.50):
(843.27,1325.70)
(-0.23,0.20)
(0.30)
#19
(686750.00,7501120.00)
(2123.75,1045.75): (2124.46,1045.91)
(0.71,0.16)
(0.73)
#20
(674400.00,7476050.00)
(1858.33,1918.00): (1857.54,1917.09)
(-0.79,-0.91)
(1.20)
#21
(663450.00,7494000.00)
(1403.67,1399.33): (1403.53,1399.44)
(-0.14,0.11)
(0.18)
#22
(661200.00,7488400.00)
(1360.25,1591.50): (1360.64,1591.36)
(0.39,-0.14)
(0.41)
#23
(687000.00,7509750.00)
(2086.09,767.09):
(-0.01,0.42)
(0.42)
80
(875.62,2230.18)
(2086.08,767.51)
Figura 5.3 - Composio colorida das bandas 4, 5 e 3, nas cores vermelho, verde e
azul respectivamente, com os pontos de controle que foram utilizados para o registro da
imagem Landsat5-TM obtida em 27 de junho de 1994.
81
Figura 5.4 Composio colorida das bandas 4, 5 e 3, nas cores vermelho, verde e azul
respectivamente, georeferenciada com sistema de coordenadas UTM e o limite da bacia dos rios
Iguau e Sarapu com seus cursos de gua
82
83
Legenda:
Vrzea
Densidade Urbana Mdia
Vrzea
Floresta
Mangue
Banda 3
Banda 4 Banda 5
Banda 6
Banda 7 Banda 8
1,000
0,975
0,903
0,792
0,889
0,953
0,817
0,261
0,975
1,000
0,961
0,772
0,925
0,889
0,885
0,250
0,903
0,961
1,000
0,621
0,884
0,757
0,934
0,248
0,792
0,772
0,621
1,000
0,845
0,844
0,572
0,155
0,889
0,925
0,884
0,845
1,000
0,820
0,893
0,210
0,953
0,889
0,757
0,844
0,820
1,000
0,663
0,239
0,817
0,885
0,934
0,572
0,893
0,663
1,000
0,229
0,261
0,250
0,248
0,155
0,210
0,239
0,229
1,000
85
p0 pl
1 pl
(5.1)
onde:
p0 - percentual total de acertos observado;
pl- percentual total de acertos esperado ao acaso.
87
Tabela 5.3 a - Anlise estatstica das reas de treinamento A1 (calibrao), bandas 1/2/7 (kappa=0,87)
Matriz de erros
Classe
No
Classificado
nuvem
gua
mangue
floresta
capoeira
cultura
varzea
sombra
urbmedio
urbalta
Total
nuvem
0
gua
0
mangue
0
floresta
0
Capoeira
0
Cultura
0
Varzea
0
sombra
0
urbmedio
0
urbalta
0
Total
0
1356
0
2
18
5
20
7
0
42
208
1658
16
5610
109
0
0
0
03
5
0
0
5823
04
0
673
1
2
0
37
0
0
0
717
0
0
0
2633
87
0
35
190
0
0
2945
0
0
5
47
1536
137
195
0
0
0
1920
3
0
0
0
102
1888
97
0
5
3
2098
4
0
86
7
348
180
2202
0
4
0
2831
0
22
0
208
0
0
0
1960
0
0
2190
0
0
0
0
0
0
16
0
2253
0
2269
37
0
0
0
0
0
0
0
176
985
1198
1552
5801
724
2855
1923
2114
2876
2258
2294
1252
23649
Tabela 5.3 b - Anlise estatstica das reas de treinamento A1 (validao), bandas 1/2/7 (kappa=0,66)
Classe
No Classificado
gua
mangue
floresta
capoeira
urbalta
varzea
Total
gua
0
2743
0
0
0
0
26
2769
mangue
0
48
65
102
0
0
755
975
floresta
0
0
0
674
338
0
0
1012
88
Capoeira
0
0
3
149
578
2
249
981
Urbalt
0
0
0
0
8
190
71
269
vrzea
0
0
0
0
51
0
996
1047
Total
0
2791
68
925
980
192
2097
7053
Tabela 5.4 a - Anlise estatstica das reas de treinamento A1 (calibrao), bandas 3/4/5(kappa= 0,97)
Matriz de erros
Classe
No
Classificado
nuvem
gua
mangue
floresta
capoeira
cultura
varzea
sombra
urbmedio
urbalta
Total
nuvem
0
gua
0
mangue
0
floresta
0
capoeira
0
cultura
0
Vrzea
0
sombra
0
Urbmedio
0
urbalta
0
Total
0
1504
0
0
18
9
18
15
0
17
77
1658
14
5801
6
0
0
0
0
2
0
0
5823
0
0
717
0
0
0
0
0
0
0
717
0
0
0
2787
0
0
43
115
0
0
2945
0
0
0
0
1899
21
0
0
0
0
1920
8
0
0
0
15
2075
0
0
0
0
2098
3
0
1
8
0
0
2795
0
24
0
2831
0
0
0
42
0
0
7
2141
0
0
2190
0
0
0
0
0
0
16
0
2253
0
2269
23
0
0
0
0
0
0
0
0
1175
1198
1552
5801
724
2855
1923
2114
2876
2258
2294
1252
23649
Tabela 5.4 b - Anlise estatstica das reas de treinamento A1 (validao), bandas 3/4/5 (kappa=0,73)
Classe
No Classificado
gua
mangue
floresta
capoeira
urbalta
varzea
Total
gua
0
2789
0
0
0
0
0
2789
mangue
0
2
66
118
0
0
728
938
floresta
0
0
0
770
213
0
1
984
89
Capoeira
0
0
0
217
698
5
67
987
urbalt
0
0
2
0
17
204
63
286
vrzea
0
0
0
0
1
2
1175
1178
Total
0
2815
68
1105
929
211
2034
7162
Tabela 5.5 a- Anlise estatstica das reas de treinamento A2(calibrao), bandas 3/4/5 (kappa=0,95)
Classe
No Classificado
gua
mangue
floresta
cultura
Capoeira
Vrzea
Sombra
Urbmedio
urbalta
Total
gua
mangue
0
5371
0
0
0
0
0
0
0
0
5371
0
4
732
0
1
1
36
0
0
0
774
floresta
0
0
0
869
0
0
8
57
0
1
935
cultura Capoeira
0
0
0
0
0
0
4
0
1520
17
135
427
23
1
0
0
0
0
3
0
1685
445
vrzea
0
0
98
4
24
7
2426
0
58
7
2624
sombra
0
0
0
66
0
0
0
1092
0
0
1158
Urbmedio Urbalta
0
0
0
0
0
0
0
0
1
2
0
0
78
2
0
0
2228
14
36
758
2343
776
Tabela 5.5 b- Anlise estatstica das reas de treinamento A2(validao), bandas 3/4/5 (kappa=0,72)
Classe
No Classificado
gua
mangue
floresta
capoeira
urbalta
varzea
Total
gua
0
2791
15
0
0
0
1
2791
mangue
0
8
143
52
0
0
774
977
floresta
0
0
0
862
0
1
5
868
90
Capoeira
0
0
0
381
193
17
108
699
urbalt
0
0
0
0
6
290
113
409
vrzea
0
0
0
0
0
5
1198
1203
Total
0
2739
143
1295
199
2194
317
6947
Total
0
5375
830
943
1565
570
2574
1149
2300
805
16111
Tabela 5.6 a- Anlise estatstica das reas de treinamento 2(calibrao), bandas 3/4/8 (kappa=0,92).
Classe
No Classificado
gua
mangue
floresta
cultura
capoeira
vrzea
sombra
urbmedio
urbalta
Total
gua
mangue
0
5366
3
0
0
0
1
1
0
0
5371
0
2
712
0
2
1
57
0
0
0
774
floresta
0
0
0
865
0
0
9
61
0
0
935
cultura Capoeira
0
0
0
0
0
0
2
0
1440
31
210
412
28
2
0
0
0
0
5
0
1685
445
vrzea
0
0
180
26
35
23
2294
0
55
11
2624
Sombra
0
0
0
66
0
0
1
1091
0
0
1158
urbmedio Urbalta
0
0
0
0
5
0
0
0
3
5
0
0
64
2
0
0
2185
19
86
750
2343
776
Tabela 5.6 b- Anlise estatstica das reas de treinamento 2 (validao), bandas 3/4/8 (kappa=0,71).
Classe
No Classificado
gua
mangue
floresta
capoeira
urbalta
varzea
Total
gua
0
2775
1
0
0
0
1
2786
mangue
0
6
122
518
0
331
0
977
Floresta
0
0
0
838
1
2
16
857
91
Capoeira
0
0
0
376
217
134
35
762
urbalt
0
0
9
0
2
52
308
371
vrzea
0
0
0
0
0
1179
7
1186
Total
0
2781
141
1732
220
1699
366
6939
Total
0
5368
900
959
1516
646
2458
1153
2259
852
16111
5.8) presentes na imagem, enquanto, na gua, esse efeito foi menos pronunciado (Figura
5.6). Note-se que esses variogramas apresentam o patamar em torno de 1, uma vez que
foram adimensionalizados pela varincia dos tons de cinza. O efeito pepita existe em
funo de que o suporte de amostragem o pxel (30 m X 30 m), onde variabilidades
que ocorrem em escalas inferiores ao tamanho do pxel so contabilizadas na origem.
No entanto, h diferenas no que diz respeito, por exemplo, ao alcance ou zona de
influncia, medido em pxeis, para os diferentes tipos de cobertura examinados nas
Figuras 5.6, 5.7 e 5.8. Por exemplo, a rea de mangue apresentou alcance da ordem de
50 pxeis. As reas de floresta apresentaram alcances variando de 20 a 40 pxeis
conforme a banda utilizada. Esse tipo de informao essencial em algoritmos que
pretendam
fazer
estimativas
de
atributos
em
processo
de
interpolao
extrapolao.
1,8
1,6
s
e 1,4
m
i
1,2
v
a
r
1
i
n 0,8
c
i
a 0,6
banda1
banda4
banda5
banda8
0,4
0,2
0
0
10
20
30
40
50
60
distncia(pxel)
93
2,5
s
e
m
i
v
a
r
i
n
c
i
1,5
banda1
banda4
banda5
0,5
0
0
20
40
60
80
100
120
140
160
Distncia(pxel)
3,5
s
e
m
3
i
v
a
r 2,5
i
n
2
c
i
a
banda1
banda8
banda4
banda5
1,5
0,5
0
0
20
40
60
80
100
120
140
160
Distncia(pxel)
A ttulo de
95
96
900. Essa uma devantagem desse mtodo, mais utilizado na literatura e disponvel em
cdigos computacionais comerciais como, por exemplo, o ENVI(2000).
97
98
Tabela 5.7 - Resultados relativos preciso do processo de classificao obtidos a partir da imagem Landsat Calibrao
Combinao das bandas
1/2/7
3/4/5
1/2/3/4/5/7
1/2/7-NNU-NG16
1/2/7-LNE-NG16
3/4/5-NNU-NG16
3/4/5-CON-GL
3/4/5-HOM-GL
3/4/5-DIS-GL
1/2/7-DIS-GL
3/4/5-SMT-NG32
3/4/5-SMT-NG64
3/4-NNU-NG16/5
gua
96,34
99,62
99,62
93,63
63,42
97,60
98,39
99,67
98,08
94,57
99,57
99,66
98,80
Calibrao
Mangue Floresta Capoeira Cultura Vrzea
93,86
89,41
80,00
89,99
77,78
100,00
94,63
98,91
98,90
98,73
100,00
94,94
98,13
98,95
99,22
83,26
78,85
46,35
89,04
68,92
82,43
92,84
45,00
81,03
38,40
99,58
93,28
95,47
95,42
97,32
99,30
94,53
95,36
94,52
97,35
99,86
93,45
95,52
96,00
97,74
99,86
93,45
95,26
96,38
97,63
84,66
90,56
52,60
87,08
67,47
99,86
93,89
95,31
96,81
97,95
99,86
93,89
95,26
96,66
97,85
99,86
94,36
92,24
94,47
95,05
99
Urbmdia Urbalta
93,12
82,22
99,29
98,08
99,82
98,25
87,62
79,88
91,10
86,23
97,93
96,58
98,10
95,33
98,72
98,33
98,28
94,99
93,79
86,14
98,33
98,91
98,15
99,17
97,93
93,57
Kappa
0,87
0,97
0,97
0,78
0,65
0,95
0,96
0,96
0,96
0,81
0,96
0,96
0,95
Tabela 5.8 - Resultados relativos preciso do processo de classificao obtidos a partir da imagem Landsat - Validao
Combinao das bandas
1/2/7
3/4/5
1/2/3/4/5/7
1/2/7-NNU-NG16
1/2/7-LNE-NG16
3/4/5-NNU-NG16
3/4/5-CON -GL
3/4/5-HOM-GL
3/4/5-DIS-GL
1/2/7-DIS-GL
3/4/5-SMT-NG32
3/4/5-SMT-NG64
3/4-NNU-NG16/5
gua
99,06
100,00
100,00
99,25
73,09
100,00
100,00
100,00
100,00
100,00
100,00
100,00
100,00
Validao
Mangue Floresta Capoeira Vrzea
6,67
66,6
58,92
95,13
7,04
78,25
70,72
99,75
7,27
78,62
71,17
99,59
5,60
70,37
55,66
78,31
2,46
93,29
38,16
36,90
12,64
75,46
78,85
98,44
5,53
75,42
73,04
99,91
9,25
76,74
76,85
98,34
8,00
75,86
76,87
98,31
2,77
81,94
57,48
69,60
8,10
75,23
73,13
99,49
9,38
74,20
76,02
99,39
10,44
55,99
82,02
98,44
100
Urbalta
70,63
71,33
82,46
84,47
99,31
99,01
92,68
98,04
99,37
100,00
97,09
99,70
91,45
Kappa
0,66
0,73
0,74
0,65
0,46
0,75
0,74
0,73
0,74
0,67
0,75
0,72
0,71
Tabela 5.9 - Resultados relativos preciso do processo de classificao envolvendo a imagem de radar - Calibrao
Combinao das bandas
gua
3/4/5
1/2/7
1/2/3/4/5/7/R
3/4/R
2/7/R
4/5/R
3/4/R- DIS-GL
3/4/R-HOM-GL
3/4/R-MED-GL
R/R-HOM-GL/ R-MED-GL
R/R-VAR-GL/R-MED-GL
R/R-NNU-NG16/R-CON-NG16
R/R-LNE-NG16/R-NNU-NG16
R/R-SNE-NG16/R-SMT-NG16
100,00
98,44
99,93
99,91
98,19
99,89
100,00
100,00
100,00
100,00
98,55
96,46
99,18
99,85
Calibrao
Mangue Floresta Capoeira Cultura Vrzea
94,57
89,92
95,22
91,99
88,50
68,35
94,06
91,60
85,40
16,15
66,15
5,68
61,24
95,35
92,94
95,29
95,51
92,51
93,05
89,09
92,41
99,57
70,70
12,73
13,90
68,66
11,98
91,55
90,21
81,12
95,73
92,58
82,02
95,06
91,91
97,30
80,90
24,27
56,63
92,36
57,98
91,24
101
95,96
81,07
93,06
85,46
64,33
86,59
88,07
71,99
61,54
8,55
13,00
5,52
19,76
87,89
92,45
70,66
94,21
87,42
54,92
62,42
89,25
78,54
72,03
13,83
57,36
0,00
33,46
89,10
Urbmdia Urbalta
95,09
92,70
97,14
93,26
88,13
91,51
96,80
92,79
90,44
54,63
51,22
36,66
61,80
96,07
97,68
75,26
97,81
96,65
69,46
97,81
96,39
92,01
89,43
38,02
19,33
2,96
24,61
95,75
Kappa
0,95
0,86
0,96
0,92
0,80
0,85
0,94
0,86
0,81
0,39
0,49
0,37
0,48
0,94
Tabela 5.10 - Resultados relativos`a preciso do processo de classificao envolvendo a imagem de radar - Validao
Combinao das bandas
3/4/5
1/2/7
1/2/3/4/5//7/R
3/4/R
2/7/R
4/5/R
3/4/R-DIS-GL
3/4/R-HOM-GL
3/4/R-MED-GL
R/R-HOM-GL/ R-MED-GL
R/R-VAR-GL/ R-MED-GL
R/R-NNU-NG16/R-CON-NG16
R/R-LNE-NG16/R-NNU-NG16
R/R-SNE-NG16/R-SMT-NG16
gua
100,00
98,28
99,39
99,61
98,16
99,96
99,10
98,91
100,00
100,00
82,47
84,59
80,43
91,91
Validao
Mangue Floresta Capoeira
14,64
99,31
27,61
10,66
97,24
5,28
15,25
99,46
16,62
12,49
97,78
28,48
32,34
89,84
5,50
8,12
68,94
59,34
21,19
0,00
16,30
12,49
0,00
37,11
7,74
0,00
76,53
25,75
0,00
18,23
70,40
0,00
9,91
1,89
0,00
45,78
81,21
0,00
26,16
20,90
83,28
14,35
102
Vrzea
99,58
87,30
99,27
99,41
80,54
99,56
97,98
94,88
91,54
30,05
81,11
0,00
25,21
97,33
Urbalta
70,90
65,75
76,50
83,02
81,37
45,74
93,09
82,68
44,39
5,90
2,83
27,87
2,48
96,57
Kappa
0,72
0,62
0,72
0,71
0,61
0,68
0,57
0,66
0,58
0,45
0,47
0,31
0,37
0,67
Por outro lado, quando se passa para a anlise das Tabelas 5.9 e 5.10, constata-se
que a textura pode contribuir em procedimentos de classificao envolvendo imagem de
radar. Deve-se destacar novamente, neste ponto, que o presente trabalho contribui para a
utilizao da imagem de radar em aplicaes hidrolgicas. No caso, o enfoque est
direcionado para o procedimento de classificao da cobertura e uso do solo. Uma vez
que a imagem de radar no afetada por nuvens, como o caso da imagem Landsat (em
muitas regies, so poucas as imagens Landsat disponveis em funo da cobertura
constante de nuvens), pode-se antever o uso desse tipo de informao tambm em
aplicaes agrcolas, como o caso de previso de safras. Nesse caso, necessrio um
acompanhamento mais dinmico e sistemtico, que os sensores na faixa de microondas,
como caso do Radarsat, podem proporcionar.
Mais especificamente, com relao aos resultados, pode-se observar que a
combinao 3/4/5 do Landsat (k=95%)t apresentou desempenho ligeiramente superior
que a combinao 3/4/R (k=92%), lembrando-se que a banda R diz respeito imagem
de radar. Quando se subtitui a banda R (3/4/R) por uma banda sinttica como, por
exemplo, R-DIS-GL, formando 3/4/R-DIS-GL (k=94%), h melhora no desempenho do
algoritmo de classificao. No mtodo GLCM, a estatstica dissimilaridade (DIS)
forneceu resultados superiores (3/4/R-DIS/GL, k=94%) quando comparada com as
estatsticas mdia (MED) (3/4/R-MED-GL, k=81%) e homogeneidade (HOM) (3/4/RHOM-GL, k=86%). Quando, no entanto, fazemos uso apenas de imagem de radar e
bandas sintticas derivadas a partir desse tipo de imagem, os resultados pioram, como
mostram as combinaes R/R-HOM-GL/R-MED-GL( k=39%), R/R-VAR-GL/R-MEDGL (k=49%), R/R-NNU-NG16/R-CON -NG16 (k=37%) e R/R-LNE-NG16/R-NNUNG16 (k=48%). Mas h um resultado surpreendente (R/R-SNE-NG16/R-SMT-NG16,
k=94%), em que a performance foi equivantente a composio 3/4/5 do Landsat
(k=95%), o que incentiva que esforos sejam empreendidos na incorporao da imagem
de radar e de textura em estudos de classificao da cobertura e uso do solo.
Um ltimo comentrio pode ainda ser feito com relao s diferentes classes de
cobertura do solo quando se analisam os ndices de acerto para algumas classes nas
combinaes envolvendo textura. Classes com maior homogeneidade espectral como
gua, por exemplo, apresentaram baixos valores para os ndices de acerto. Por outro
104
105
Legenda:
Vrzea
Densidade Urbana Mdia
Vrzea
Floresta
gua
Mangue
Figura 5.9 - Classificao supervisionada pelo mtodo da mxima verossimilhana
envolvendo as bandas 3, 4 e 5 da imagem Landsat
106
Legenda:
Vrzea
Densidade Urbana Mdia
Vrzea
Floresta
gua
Mangue
Figura 5.10 - Classificao supervisionada pelo mtodo da mxima verossimilhana
envolvendo as bandas 3, 4 da imagem Landsat e a banda de radar (Radarsat).
107
o procedimento de classificao da
foram
111
Referncias Bibliogrficas
REFERNCIAS BIBLIOGRFICAS
112
Referncias Bibliogrficas
Referncias Bibliogrficas
114
Referncias Bibliogrficas
Referncias Bibliogrficas
116
Referncias Bibliogrficas
117
Referncias Bibliogrficas
118
Referncias Bibliogrficas
Referncias Bibliogrficas
120
Referncias Bibliogrficas
Referncias Bibliogrficas
122
Referncias Bibliogrficas
123
APNDICE A
PROGRAMA DE DESPOLUIO DA BAA DE GUANABARA
A.1 Descrio Bsica do Programa
1 Etapa: Programa de Saneamento Bsico da Baa de Guanabara
Objetivo Final: descontaminao/Saneamento Completo da Baa de Guanabara
Melhoramento da Qualidade de vida/Grande parte da comunidade
fortalecimento institucional/Entidades envolvidas na execuo do programa
A.2 Componentes (Entidades Executora; Objetivos;Custos estimados; rea de atuao;
populao beneficiada; descrio das atividades)
sanitrio
(municpio
RJ/baixada
fluminense/Niteri/So
de
plantas
de
tratamento
primrio
de
esgotos:
5/capacidade:7,1m /s;
planta de tratamento secundrio/Ilha de Paquet/emissrio submarinoextenso: 2.500m/dimentro: 300mm.
coletores troncos - extenso: 108,4 km
redes coletoras - extenso: 1.005 km/estaes de bombeamento: 35
124
integrao das
redes
de
decantao aos
sistemas
de
tratamento
(existentes/novos).
terreno sanitrio / Xerm / Duque de Caxias - capacidade: 763 mil m3 (at
2005);
lodos:
720m3/dia
(55%
slidos);
processo
de
pr-
Macrodrenagem (SERLA - Superintendncia de rios e lagoas)/ reassentamento (rio Urbe - Empresa Municipal de Urbanizao)
submarinos/manguesais;
Prazo de execuo
5 anos (1994/1998).
Custo/financiamento
custo total: US$ 760 milhes (BID: US$ 405 milhes; US$ 355 milhes).
Organismo executor
CEDEG - Grupo executivo de descontaminao da baa de Guanabara.
Entidades participantes: CEDAE; SERLA; RIO-URBE; SOSP;
COMLURB; FEEMA; IEF; SEMAN; SERLA;
ADEG/CEDAE (Unidade Gerencial/principal entidade executora do
programa).
Informao comunidade
UERJ - Universidade do estado do Rio de Janeiro: Apresentao/Debates
com ONGs (26/03/93);
128
129
131
Figura A.3- Valo do bairro Comendador Soares, curso de gua receptor de esgoto e
lixo do bairro, Nova Iguau (fonte:PNUD/BRA/93/22, 1995)
132
APNDICE B
Participao Comunitria
Conceituar representatividade no mostra, atualmente, a mesma solidez que se
conheceu em tempos passados. Particularmente, no sculo XIX, aps a revoluo norteamericana e a revoluo francesa, a representao foi aceita entre os direitos que
fundamentam a condio do homem. Ficou institucionalizada, embora crticas de
diversos
detalhado e rigoroso de
polticas de gesto
137
APNDICE C
Estimativa de Parmetros pelo Mtodo da Mxima Verossimilhana (MAXVER)
Seja x = (x1, ... ,
(C.1)
dada a amostra.
(C.2)
um vetor de parmetros.
M
=
m
e
n
(C.3)
139
(C.4)
b = Ax +
(C.5)
onde:
x - vetor n-dimensional
^
b - vetor m-dimensional
A - matriz m x n de elementos constantes conhecidos
^
E( ) = 0 e
(C.6)
E ( t ) = S
(C.7)
em que,
S - matriz m x n positiva definida de covarincia do vetor observado dada por
^
S = b = E [ ( b - E( b )) ( b - E( b ))T]
140
(C.8)
(C.9)
E (b) = Ax
^
(C.10)
(C.11)
( x ) = (b A x ) T S1 (b A x )
(C.12)
d
^
= 2A TS1 b + 2A TS1A x = 0
(C.13)
dx
ou
^
A TS1A x = A TS1 b
(C.14)
141
x = (A TS1A) 1 A TS1 b
(C.15)
E( x ) = x
(C.16)
cov(x ) = (A TS1A) 1
(C.17)
x = (A T W 1A) 1 A T W 1 b
(C.18)
( x ) MQ = (b A x ) T W 1 (b A x )
(C.19)
142
L( x ) =
2
m/2
1/ 2
log e L( x ) =
T 1
exp (b A x ) S (b A x )
2
(C.20)
^
^
^
m
1
1 ^
log e 2 log e S (b A x ) T S 1 (b A x )
2
2
2
(C.21)
MV ( x ) = (b A x )S1 (b A x )T
(C.22)
MV ( x ) = (b A x ) T S 1 (b A x )
(C.23)
143
[ ],
a estimativa