2016

CLASSIFICAO SUPERVISIONADA DO MUNICPIO DE VILA

NOVA DE GAIA USANDO A IMAGEM DE SATLITE

ESTUDO DE CASO EM OPENSOURCE QGIS

PAULO RODRIGUES

ANLISE ESPACIAL AVANADA| DOCENTES ANA TEODORO E LIA DUARTE

CLASSIFICAO SUPERVISIONADA DO MUNICPIO DE VILA NOVA DE GAIA USANDO

IMAGEM DE SATLITE
PAULO RODRIGUES

PALAVRAS CHAVE:
Sistemas de Informao Geogrfica (SIG), Deteo Remota, Uso e Ocupao do Solo, QGIS

RESUMO:

A principal finalidade da metodologia apresentada neste documento o desenvolvimento e a

validao, atravs da aplicao a um caso de estudo, de uma forma eficiente de classificao de
imagens de satlite. Aqui usamos dados provenientes de Deteo Remota, num Sistema de
Informao Geogrfica. Num futuro estudo poder integrar informao auxiliar (dados dos
Censos, do Plano Diretor Municipal e a rede viria).

ndice
1. INTRODUO ........................................................................................................................... 1
Classificao das imagens .......................................................................................................... 2
Classificao supervisionada ................................................................................................... 2
Classificao no supervisionada ............................................................................................ 2
2. REA DE ESTUDO ..................................................................................................................... 3
Ocupao do solo .................................................................................................................... 3
3. METODOLOGIA ........................................................................................................................ 4
Dados ....................................................................................................................................... 4
Objetivo ................................................................................................................................... 4
Definir a rea de trabalho (Clip raster).................................................................................... 4
Pr- processamento ................................................................................................................ 4
Definio dos inputs da classificao ......................................................................................... 5
Escolha das ROIs (assinaturas espetrais).................................................................................... 5
Classificao ............................................................................................................................... 7
Exatido da Classificao ............................................................................................................ 7
4. RESULTADOS E DISCUSSO ...................................................................................................... 8
Matriz de Erro............................................................................................................................. 8
Grfico da refletncia espetral ................................................................................................... 9
5. DIFICULDADES ........................................................................................................................ 10
6. CONCLUSO ........................................................................................................................... 11
REFERNCIAS BIBLIOGRFICAS ................................................................................................ 11
ANEXOS ....................................................................................................................................... 13

Figura 1 - Decomposio da luz branca por um prisma ................................................................ 1

Figura 2 - Localizao da rea de estudo, PDM 2006, V. N. Gaia .................................................. 3
Figura 3 - Nomenclatura da CLC2006 ............................................................................................ 4
Figura 9 - comparao com o google earth para a subclasse planos de gua .............................. 6
Figura 4- Erros no mapa ................................................................................................................ 7
Figura 5 - Assinaturas espetrais das classes .................................................................................. 9
Figura 6 - Outros exemplos de assinaturas espetrais ................................................................. 10
Figura 7 - Pormenor do Cabedelo da Classificao ..................................................................... 10
Figura 8 - Classificao de imagem do Cabedelo, Ana Cludia Teodoro,.................................... 10

Tabela 1 - Matriz de erro ............................................................................................................... 8

Tabela 2 - Matriz de erro Kappa e % global .................................................................................. 8

Anexo 1 - Mapa da Imagem de satlite ...................................................................................... 14

Anexo 2 - Mapa da Corine ........................................................................................................... 15
Anexo 3 - Assinaturas espectrais das classes .............................................................................. 16
Anexo 4 - Email trocado sobre a classificao no supervisionada ............................................ 17

1. INTRODUO
As imagens de satlite so um meio de obter informao atualizada, a custos relativamente
baixos desde o seu aparecimento tem servido de base a estudos de caracterizao da ocupao
do solo, sendo um meio extremamente eficaz para cartografia do uso e ocupao do solo.
O seu formato de dados permite a utilizao de algoritmos de classificao automtica e/ou
semiautomtica viabilizando, assim, uma anlise mais clere, menos dispendiosa e
espectralmente mais abrangente. A deteo remota (DR) pode ser definida como uma cincia
de obteno de informao acerca de objetos, reas ou fenmenos, atravs de dados recolhidos
por instrumentos que no se encontram em contacto fsico direto com o objeto.
O conceito subjacente DR utilizado em diversas reas (como medicina, por exemplo), no
entanto, esta designao atribuda quase exclusivamente s cincias relacionadas com a
observao, tais como: cartografia, geologia, agricultura, climatologia, meteorologia,
oceanografia, geografia, planeamento, entre outros.
Para efeitos DR, as bandas com mais interesse so as bandas do visvel, do IR, do UV e as bandas
micro-ondas, especialmente as de radar luz branca composta por todas as cores do espectro
do visvel, facto que foi provado por Isaac Newton ao fazer pass-la por dois prismas. No
primeiro a luz branca era decomposta nas cores do
arco-ris. O segundo recebia as cores do primeiro e
voltava a compor a luz branca. Esta experincia
serviu tambm para provar que, ao contrrio do que
se pensou durante sculos, o prisma no criava a cor,
simplesmente dispersava a luz branca (figura 1).
Mas o que incide diferente do que refletido, como
por ex: rvores, gua escura mais pura, refletncia Figura 1 - Decomposio da luz branca por
quase 0 e areia o contrrio devido ao quartzo, os um prisma
solos diminuem a sua refletncia com o aumento do
teor de gua, no depende apenas da atmosfera. Tudo depende da capacidade de refletir dos
objetos. A cor falsa a mais usada: combinao RGB 432 permite ver melhor a vegetao, j o
artificial no (745 RGB).

Classificao das imagens

No passado as tcnicas de classificao da fotografia baseavam-se na anlise visual. Atualmente,
com as imagens digitais, possvel classificar de uma forma mais rigorosa, recorrendo
informao espectral do DN de cada pixel. O satlite grava de 0 a 255 os valores (em 8 bits) (DNDigital Number) e o SIG depois faz um degrad e cria uma imagem.
O objetivo amplo da classificao atribuir as classes espectrais s classes de informao, ou
seja, associar os conjuntos de pixis com valores de brilho semelhantes nas vrias bandas do
espectro, com os elementos que se pretendem analisar no terreno (ex. espcies vegetais, tipos
de rocha, entre outros). Os mtodos de classificao podem dividir-se em dois tipos, o mtodo
supervisionado e o no supervisionado (Lillisand, Kiefer, & Chipman, 2000).

Classificao supervisionada
Na classificao supervisionada recorre-se a reas treino, isto , a reas onde se sabe que
existem as classes de informao de interesse. Numa primeira fase o computador constri as
assinaturas espectrais dessas classes, por meio de anlises estatsticas, baseando-se na
informao numrica constante nos pixis das reas treino. Posteriormente compara cada pixel
com as assinaturas e atribui classe espectral com que este mais se assemelha digitalmente.

Classificao no supervisionada
pura, mais realista, mas cega, enquanto a supervisionada se for bem-feita (certeza nas classes),
melhor! Devemos fazer primeiro a no supervisionada! Porque uma comparao no viciada!
Neste estudo optou-se por no a realizar por limitaes de tempo (ver anexo 4) pois seria
necessrio configurar o OrfeoToolbox pois o plugin Semi-automatic classification apenas faz
anlise supervisionada.

2. REA DE ESTUDO
O concelho de Vila Nova de Gaia localiza-se na regio Noroeste de Portugal, na zona costeira do
Douro Litoral. (ver fig. 2)
O territrio concelhio limitado a Oeste pelo
Oceano Atlntico, e a Norte e Nordeste pelo
Rio Douro, o qual constitui a sua fronteira
natural com os concelhos do Porto e
Gondomar.

Ocupao do solo
A imagem de satlite utilizada de 2004, logo
optou-se por usar fontes de informao de
apoio classificao mais ou menos do mesmo
perodo. A anlise do uso e ocupao do solo
alternativa dizem respeito aos anos de 1990 e
2003 e foi consultada no Pdm de Vila Nova de
Gaia1. A informao cartogrfica referente a

Figura 2 - Localizao da rea de estudo, PDM 2006, V.

1990, Carta de Ocupao do Solo Cos90, N. Gaia

produzida na escala 1:25.000, disponibilizada pelo Instituto Geogrfico Portugus. A Cos
parece um estudo com mais pormenor funciona melhor que a Corine. Os dados relativos a 2003
foram produzidos pela equipa de reviso do PDM com base em ortofotomapa na escala 1:5.000
(Paiva, 2011).
A anlise referente a 2003, mostra claramente o domnio dos espaos impermeabilizados sobre
qualquer outro uso. Entre 1990 e 2003 registou-se uma perda de espaos agrcolas e florestais
muito significativa. Em 1990, os espaos agrcolas ocupavam cerca de 29% do total do territrio
municipal e, em apenas treze anos, houve uma diminuio na ordem dos 35%, passando os
espaos agricultados a representar apenas 19% do total do territrio em 2003. Da mesma forma
os espaos florestais sofreram uma diminuio (cerca de 10%). Em 1990, os espaos florestais
representavam 32% da ocupao total e em 2003 apenas 29%. Efetivamente, a perda de espao
florestal e agrcola ficou a dever-se sobretudo expanso da urbanizao a que est associado
um aumento populacional muito significativo

http://www.gaiurb.pt/revpdm/rel/6/6_1.pdf

3. METODOLOGIA
Dados
As imagens de satlite foram fornecidas pelas docentes e tm cada pixel 30 metros de lado de
resoluo espacial.
Foram fornecidas 7 bandas de uma imagem Landsat 5 TM (16 bits) da rea do Norte de Portugal.
As bandas que iro ser usadas so as seguintes, pelo objetivo do trabalho que a classificao
do uso do solo:
Band 1 = Blue;
Band 2 = Green;
Band 3 = Red;
Band 4 = Near-Infrared;

Objetivo
Classificar esta imagem nas classes de ocupao do solo de acordo com a nomenclatura da
Corine Land Cover (ver fig. 3), para isso:

Definir a rea de trabalho (Clip raster)

Foi fornecida uma shapefile com as freguesias no norte de
Portugal. Selecionou-se e exportou-se para uma nova
shapefile as freguesias de estudo.
Clicar em Band Set e depois na aba Clip multiple rasters.
Clicar em Refresh list para obter todos os raster que esto
abertos no QGIS. Selecionar as bandas.
Fazer check na box. Usar shapefile for clipping e defina o
diretrio onde se encontra a shapefile que criou.
Finalmente clicar em Clip selected rasters. Verificar os
resultados.
Figura 3 - Nomenclatura da CLC2006

Pr- processamento
Antes de efetuar a classificao necessrio efetuar algumas etapas de pr processamento. O
primeiro passo consiste na converso dos DN para valores de refletncia TOA (Top-Of
4

Atmosphere). Para alm disso ir ser efetuada uma correo atmosfrica baseada no mtodo
DOS.
Aceder a Band Set e selecionar Pre processing > Landsat
Selecionar o diretrio onde se encontram as bandas ( necessrio o ficheiro MTL.txt).
Ativar Apply DOS1 atmospheric correction, fazer check na opo Create Virtual Raster e
em Create Band set e clicar em Perform conversion. Definir o diretrio onde se pretende
guardar as bandas aps a correo.
No final do processo as bandas convertidas so adicionadas no QGIS. Um raster
(landsat.vrt) criado com a refletncia. Selecionar este raster, clicar com o boto esq.
do rato nas propriedades e em Style selecionar a banda 4 (i.e. Near-Infrared) para a
banda red, banda 3 (i.e. Red) para a banda green, and band 2 (i.e. Green) para a banda
blue.

Definio dos inputs da classificao

Nesta etapa necessrio definir as bandas, a shapefile de treino (ROIs) e a lista das assinaturas
espetrais (ficheiro que contm as assinaturas espetrais calculadas a partir das ROIs).
No Band Set clicar no Boto Select All, depois Add rasters to set (ordenar as bandas de
modo ascendente) e depois selecionar Landsat 4-5 TM na combo box Quick wavelength
settings de modo a serem escolhidos automaticamente os centros dos comprimentos
de onda de cada banda. No final fazer Close.
Para criar a shapefine de treino, no ROI creation clique no boto New shp e dizer onde
queremos gravar (pe ROI.shp).
Criar uma lista de assinaturas clicando no boto save no Classification (pe SIG.xml).
Na barra de ferramentas, o nome << band set >> deve aparecer no Input image. O nome
da shapefile deve aparecer na Training shapefile e o caminho para o ficheiro deve
aparecer na Signature list file. Nesta fase estamos prontos para recolher as ROIs.

Escolha das ROIs (assinaturas espetrais)

Para a escolha dos Rois apenas se usou o GoogleEarth (ver fig. 9) para efeitos de comparao e
a Corine 2006 (ver fig. 3) para ajuda na identificao das reas.

Figura 4 - comparao com o google earth para a subclasse planos de gua

No ROI creation clicar no boto + ao lado do Create a ROI e depois clicar em num pixel
da imagem (numa zona correspondente a uma classe). Fazer zoom no mapa e clicar num
pixel no rio.
Por baixo da ROI Signature definition escreve-se uma breve descrio da ROI dentro dos
campos Class Information e Macroclass Information e atribuiu-se a Macroclass ID e Class
ID.
Para guardar a ROI fazer Save ROI to shapefile
De seguida podemos escolher a cor que vai ser usada (duplo clique Color).
Repetiu-se os passos anteriores paras as seguintes classes:
o
o
o

o
o

Territrios artificializados (Macroclass ID 1)

Tecido urbano (Class ID 1)
Areas Agricolas (Macroclass ID 2)
agricultura (Class ID 2)
Florestas e meios naturais e seminaturais (Macroclass ID 3)
Florestas (Class ID 3)
Vegetacao (Class ID 4)
Praias, dunas e areais (Class ID 9)
Zonas hmidas (Macroclass ID 4)
Zonas entre mars (Class ID 5)
Corpos de agua (Macroclass ID 5)
Oceano (Class ID 8)
Curso de agua (Class ID 7)
Planos de agua (Class ID 6)

 Depois na tabela Signature list selecionou-se as assinaturas e clica-se no boto spectral

signature plot.

Classificao
No Classification por baixo do Classification preview colocou-se Size = 500 e selecionouse Spectral Angle Mapping algorithm em Classification algorithm. O mtodo Spectral
Angle Mapping algorithm calcula o angulo espectral entre as assinaturas espectrais dos
pixis da imagem e as assinaturas espectrais das reas de treino.
Ativou-se a checkbox Use Macroclass ID, e clicou-se no Redo; outra classificao
apareceu agora usando as macroclasses.
De modo a efetuar a classificao final, clicou-se no boto Perform classification e
selecionou-se o ficheiro de sada (e.g. classification.tif).

Exatido da Classificao

Figura 5- Erros no mapa

A avaliao de exatido da classificao de cobertura do solo permitiu identificar os erros do
mapa. O plugin permitiu o clculo da exatido comparando o raster classificado para uma
shapefile de referncia.
Em Band set, seleciona-se Post processing > Accuracy.

 Seleciona-se o resultado da classificao (classification.tif) ao lado de Select the

classification to assess e seleciona-se a shapefile da ROI ao lado de Select the reference
shapefile.
Clica-se no boto Calculate error matrix e seleciona-se a diretoria onde a matriz de erro
(ficheiro .csv) e o raster de erro sero guardados; a matriz de erro ser mostrada, e o
raster de erro ser mostrado no QGIS, mostrando os erros no mapa (cada valor deste
raster representa uma classe de comparao entre classificao e shapefile de
referncia).(fig. 4)

4. RESULTADOS E DISCUSSO
Matriz de Erro
Tabela 1 - Matriz de erro
V Classification
1.0 (territorio
artificializado)
2.0 (Agricultura)
3.0 (Florestas)
4.0 (Zonas hmidas)
5.0 (Corpos de gua)
Total

1.0

2.0
7
0
3
2
2
14

3.0
0
6
0
0
0
6

4.0
2
0
132
17
329
480

5.0
7
0
10
5
3
25

1
0
0
0
26330
26331

Total
17
6
145
24
26664
26856

Os resultados da matriz de erro mostram uma preciso global de 98,6%, (ver tabela 2) o que
muito bom, pois quanto mais prximo de 100% melhor. Quanto ao erro Kappa no foi assim to
bom pois quanto mais prximo de 1 melhor (as classes que baixam o valor so a classe 4 e aa
classe 5 (Corpos de gua). A matriz de erro representa o nmero de pixels classificados
corretamente na (maior diagonal).
Tabela 2 - Matriz de erro Kappa e % global
Overall accuracy [%] = 98.599940423
Class 1.0 producer accuracy [%] = 50.0
Class 2.0 producer accuracy [%] = 100.0
Class 3.0 producer accuracy [%] = 27.5
Class 4.0 producer accuracy [%] = 20.0
Class 5.0 producer accuracy [%] =
99.9962021951
Kappa hat classification =
0.470886444995

user accuracy [%] = 41.1764705882

user accuracy [%] = 100.0
user accuracy [%] = 91.0344827586
user accuracy [%] = 20.8333333333

Kappa hat = 0.411457899604

Kappa hat = 1.0
Kappa hat = 0.90871325029
Kappa hat = 0.207595691551

user accuracy [%] = 98.7473747375 Kappa hat = 0.359228494278

Como se pode ver, a maioria dos erros so entre a classe 3 (florestas) e 4 (zonas hmidas) (ver
tabela 1). A classe 4 inclusive a que apresenta piores resultados, pois a subclasse que se
escolheu dava muita confuso com os pixis da classe floresta - classe 3, pois esta ltima inclua
a subclasse de areia, dunas (Classe Id 9). Esta classe das zonas hmidas diz respeito s zonas
entre-mars e podia ter sido melhor definida.
Podemos tambm calcular a exatido do utilizador e do produtor; os resultados mostram que a
classe 4 (zonas hmidas) tem um elevado erro de comisso e de omisso. A fim de melhorar os
resultados, deve-se recolher mais ROIs e assinaturas espetrais para a classe, prestando ateno
semelhana espectral com a classe rea florestal.

Grfico da refletncia espetral

O grfico da refletncia espetral de um objeto em funo do seu comprimento de onda
designado por curva de refletncia espectral, ou assinatura espetral (ver fig. 6).
No entanto, genericamente, a vegetao (Class ID 4) absorve mais na regio do azul e do
vermelho (com picos de absoro em aproximadamente 0.43-0.45 e 0.64-0.67 m) do que no
verde (pico de reflexo em 0.54 m aproximadamente). (ver fig. 5 ou anexo 3).

Figura 6 - Assinaturas espetrais das classes

A gua apresenta uma curva de refletncia espetral muito caracterstica (Macroclass ID 5),
devido ao facto de absorver totalmente a radiao para comprimentos de onda superiores ao
visvel, ou seja, no reflete praticamente nenhuma radiao nos comprimentos de onda do
infravermelho. Aqui a exceo a classe Planos de gua (Class ID6) que por ser uma gua menos
pura (de extrao de inertes - pedreiras) tem valores diferentes.

Figura 7 - Outros exemplos de assinaturas espetrais

5. DIFICULDADES
Os maiores problemas relacionaram-se com a escolha das Rois. Inicialmente a escolha do local
do rio foi determinante pois ao mudar a localizao para montante melhorou a classificao de
29% para 98% o que permitiu melhorar bastante, sendo da imagem a classe que ocupa mais
rea podemos dizer que determinou bastante a acurcia ao contrrio do Kappa que tambm
est bastante dependente das outras Rois.

Figura 8 - Pormenor do Cabedelo da Classificao

Figura 9 - Classificao de imagem do
Cabedelo, Ana Cludia Teodoro,

10

6. CONCLUSO
Concluindo, possvel afirmar com clareza que este estudo permitiu atingir os objetivos
propostos de classificao de uma imagem de satlite. A rea de Vila Nova de Gaia complexa
para esse efeito visto que uma rea que contm a desembocadura do rio Douro, o que causa
confuso entre as classes. Alm disso nos cordes dunares tambm no permitem muita
separabilidade de classes com o edificado visto que muitos destes telhados so feitos de
cimento.
Na perspetiva futura pode-se que nem que seja por uma questo crtica da geografia esta
abordagem interessante. Alm disso permite dar novas ferramentas precisas e prticas de
planeamento e ordenamento do territrio que o que se quer neste Mestrado.
Apenas a relatar que com mais horas dedicadas a esta parte da cadeira teria sido possvel
consolidar melhor as prticas e conhecimentos como o caso da classificao no
supervisionada.

REFERNCIAS BIBLIOGRFICAS
Brites, R., Soares, V., & Ribeiro, C. (1996). Verificao da exatido em classificaes de uma imagem orbital
mediante a utilizao de trs ndices. Revista rvore, 20, 415-424.
Foody, G. M. (1992). On the compensation for chance agreement in image classification accuracy
assessment. Photogrammetric Engineering and Remote Sensing, 58(10), 1459-1460.
Gong, P., & HOWARTH, P. (1990). An assessment of some factors influencing multispectral land-cover
classification. Photogrammetric Engineering and Remote Sensing, 56(5), 597-603.
Jensen, J. R. (1986). Introductory digital image processing: a remote sensing perspective. Retrieved from
Jensen, J. (2000). Remote Sensing of Environment: An Earth Resource. Saddle River: Prentice-Hall, Inc, New
Jersey.
Jensen, J. R., & Lulla, K. (2015). Introductory digital image processing: a remote sensing perspective.
Ma, Z., & Redmond, R. L. (1995). Tau coefficients for accuracy assessment of classification of remote
sensing data. Photogrammetric Engineering and Remote Sensing, 61(4), 435-439.

Lillisand, T. M., Kiefer, R. W., & Chipman, J. (2000). Remote sensing and image interpretation.
Wiley, NY. 724pp.
Paiva, C. E. M. A. d. (2011). Estudo do impacto do quebramar nas comunidades de mexilho e barroeira na
praia da Aguda usando dados de deteco remota.
Pereira, R., Madruga, P. d. A., & Hasenack, H. (1995). Geoprocessamento aplicado ao planejamento de uso
de recursos naturais-Curso. Santa Maria: UFSM-CCR-FATEC.
Ponzoni, F. J., & Shimabukuro, Y. E. (2007). Sensoriamento remoto no estudo da vegetao: Parntese So
Jos dos Campos.
Schowengerdt, R. A. (2007). Remote sensing: models and methods for image processing: Academic press.
Story, M., & Congalton, R. G. (1986). Accuracy assessment-A user\'s perspective. Photogrammetric
Engineering and Remote Sensing, 52(3), 397-399.
Viceconti, M., Testi, D., Tadei, F., Martelli, S., Clapworthy, G., & Jan, S. (2008). Gonzalez, RC, and Woods, RE,
Digital Image Processing: Pearson Prentice Hall, Upper Saddle River, New Jersey.

11

CONSULTAS ONLINE
http://www.scielo.br/scielo.php?script=sci_arttext&pid=S0100-67622004000100011
http://wiki.awf.forst.unigoettingen.de/wiki/index.php/Unsupervised_classification_(Tutorial)
http://www.gaiurb.pt/revpdm/rel/6/6_1.pdf

12

ANEXOS

13

Anexo 1 Mapa
da
Imagem
de
satlite

14

Anexo
Mapa
Corine

da

15

Anexo 3 - Assinaturas espectrais das classes

16

---

Lia

Anexo 4 - Email trocado sobre a classificao no

supervisionada

Duarte

liaduarte@fc.up.pt
Assistente Convidado
Geocincias, Ambiente e Ordenamento do
Territrio
FACULDADE DE CINCIAS DA UNIVERSIDADE DO
PORTO
Rua do Campo Alegre, s/n, 4169-007 Porto,
Portugal
www.fc.up.pt

A 2016-06-04 13:25, Paulo Rodrigues escreveu:

Ol professora,

Como combinado presencialmente na aula segue ento o pedido sobre o procedimento da

anlise no supervisionada em Qgis.
Ao contrrio do que eu achava realmente o plugin Semi-automatic classification apenas faz
anlise supervisionada. Fiz uma pesquisa para ver como se podia fazer no QGIS e encontrei este
tutorial

que

utiliza

as

ferramentas

do

OrfeoToolbox

(http://wiki.awf.forst.uni-

goettingen.de/wiki/index.php/Unsupervised_classification_(Tutorial)).

Mas

aqui

um

problema. O OrfeoToolbox tem que ser configurado, coisa que nunca fiz no QGIS. Poderei depois
ver isso com amis calma mas neste momento estou um pouco atrapalhada :/ Tente pesquisar
sobre configurao do Orfeo no QGIS e penso que ter sucesso! Se entretanto precisar de algo
mais diga-me.

Como fizemos na aula anlise supervisionada na aula gostaramos de aprender a no

supervisionada no Qgis.

Alm disso, gostaria de fazer uma questo sobre a classificao: durante a semana tentei fazer
j a classificao mas o erro enrome pois a taxa de sucesso apenas de 29%.
muito baixo!
Isto penso eu que se deve confuso entre o rio e o oceano.
Na criao das macro e dos Ids para o rio poderemos criar dois grupos de treino para o rio mas
com a mesma macroclasse e o mesmo ID, pois no?
17

Exemplo: para o rio dei a macro 4 e a subclasse 11, poderei dar dois grupos de treino (4/11) mas
com selees diferentes na orto? Isto para tentar dar uma melhor classificao ao rio para no
se confundir tanto com o oceano1.
No sei se essa uma boa opo. Tente criar a classe do rio um pouco mais afastada do oceano.
Se criar o ROI muito perto do oceano pode haver maior confusao. Tente criar o mais afastada
possvel.
Se depois no conseguir v dizendo.
Cumprs,
Lia Duarte

18