UNIVERSIDADE FEDERAL DO RIO GRANDE DO SUL CENTRO ESTADUAL DE PESQUISA EM SENSORIAMENTO REMOTO E METEOROLOGIA PROGRAMA DE PS-GRADUAO EM SENSORIAMENTO REMOTO

E METEOROLOGIA

ROBERTO KIEL

DETECO DE MUDANAS NO USO E NA COBERTURA DO SOLO EM UMA SRIE TEMPORAL DE IMAGENS DA REGIO DA CAMPANHA DO RIO GRANDE DO SUL

Porto Alegre 2008

ROBERTO KIEL

DETECO DE MUDANAS NO USO E NA COBERTURA DO SOLO EM UMA SRIE TEMPORAL DE IMAGENS DA REGIO DA CAMPANHA DO RIO GRANDE DO SUL

Dissertao de mestrado apresentada ao Programa de Ps-Graduao em Sensoriamento Remoto da Universidade Federal do Rio Grande do Sul, como parte dos requisitos para a obteno do ttulo de Mestre em Sensoriamento Remoto. rea de Sensoriamento Geoprocessamento. concentrao: Remoto e

ORIENTADOR: Prof. D.Sc. Jorge Ricardo Ducati CO-ORIENTADORA: Prof. Dr. Dejanira Luderitz Saldanha

Porto Alegre 2008

Roberto Kiel

DETECO DE MUDANAS NO USO E NA COBERTURA DO SOLO EM UMA SRIE TEMPORAL DE IMAGENS DA REGIO DA CAMPANHA DO RIO GRANDE DO SUL

Esta dissertao foi julgada adequada para a obteno do ttulo de Mestre em Sensoriamento Remoto e aprovada em sua forma final pelo Orientador e pela Banca Examinadora. Orientador:
Prof. Dr. Jorge Ricardo Ducati, UFRGS D.Sc. pela University of Wisconsin - Madison, U.W., Madison, Estados Unidos

Banca Examinadora:
Prof. Dr. Eliana Lima da Fonseca, Depto. Geografia, Instituto de Geocincias e Programa de Ps-Graduao em Sensoriamento Remoto do Centro Estadual de Pesquisas em Sensoriamento Remoto e Meteorologia (CEPSRM), Universidade Federal do Rio Grande do Sul (UFRGS). Doutora em Sensoriamento Remoto pelo Instituto Nacional de Pesquisas Espaciais (INPE) So Jos dos Campos, SP, Brasil. Prof. Dr. Laurindo Antonio Guasselli, Depto. Geografia, Instituto de Geocincias e Programa de Ps-Graduao em Sensoriamento Remoto do Centro Estadual de Pesquisas em Sensoriamento Remoto e Meteorologia (CEPSRM), Universidade Federal do Rio Grande do Sul (UFRGS). Doutor pelo Instituto de Pesquisas Hidrulicas (IPH) da Universidade Federal do Rio do Sul (UFRGS), Porto Alegre, RS, Brasil. Prof. Dr. Rosa Maria Vieira Medeiros, Depto. Geografia, Instituto de Geocincias, Universidade Federal do Rio Grande do Sul (UFRGS). Doutora em Geografia Humana pela Universidade de Poitiers, Frana.

Coordenador do CEPSRM:
Profa. Dra. Silvia Beatriz Alves Rolim

Porto Alegre, agosto de 2008.

DEDICATRIA

Dedico este trabalho a todos os homens e as mulheres, que no satisfeitos com o mundo, conseguem decidir o que melhor para si, sem desconsiderar a humanidade.

AGRADECIMENTOS

A minha esposa e filho, por tudo. Ao Programa de Ps-Graduao em Sensoriamento Remoto, pela oportunidade de realizao de trabalhos em minha rea de pesquisa. Ao Instituto Nacional de Colonizao e Reforma Agrria e ao Instituto Nacional de Pesquisas Espaciais, pela concesso dos meios para que este trabalho pudesse ser realizado. Aos professores do Centro Estadual de Pesquisa em Sensoriamento Remoto e Meteorologia, em especial aos meus Orientadores, pelo apoio incondicional e exemplo. Aos colegas do mestrado, pelo seu auxlio nas tarefas desenvolvidas durante o curso e contribuies e crticas durante a elaborao e reviso deste trabalho. E por fim, a todos aqueles que me atrapalharam de alguma forma nesta contenda, por no terem logrado xito.

RESUMO
A deteco de mudanas no uso e na cobertura do solo pode ser considerada a funo do sensoriamento remoto que agrega uma dimenso temporal anlise das informaes contidas nas imagens. Ao confront-las duas a duas, para identificar, localizar e qualificar as transformaes que ocorreram na cobertura e no uso do solo em determinados espao e tempo, atravs das respostas espectrais registradas nos pares de pixels homlogos quando aplicados limiares que permitam distinguir entre a mudana e a no mudana. A anlise ponto a ponto, ou instante a instante permite inferir sobre a quantidade e qualidade das mudanas detectadas em uma regio durante um determinado perodo. J a anlise comparativa entre dois ou mais destes resultados, utilizando uma srie temporal de imagens, permite inferir acerca da dinmica das transformaes em vrios outros aspectos; como topologia, intensidade, tipo de mudana (substituio ou converso) e taxa de mudana. So vrias as tcnicas disponveis para a deteco de mudanas no uso e cobertura do solo a partir de imagens digitais, obtidas por sensores orbitais, dois grandes grupos podem ser propostos: tcnicas de pr-classificao e de ps-classificao, diferindo fundamentalmente sobre quais produtos so aplicados os limiares da deteco das mudanas, se sobre produtos temticos da classificao de imagens, ou se sobre imagens diretamente. Este trabalho utiliza tcnicas de deteco baseadas em subtrao de imagens de ambos os grupos, especificamente, a ps-classificao por mxima verossimilhana e da pr-classificao, por ndice de Vegetao por Diferena Normalizada (NDVI) e por Transformada Kauth-Thomas (KT), nesse caso o componente de verdor. Visa avaliar a sensibilidade e adequao destas tcnicas para a anlise das transformaes ocorridas no uso e da cobertura do solo durante os dois perodos de comparao: 1988 a 2001 e 2001 a 2006 e no conjunto dos 18 anos, na captao das tendncias das transformaes deste ambiente da Campanha Sul do Estado do Rio Grande do Sul, que majoritariamente rural, muito dinmico e bastante heterogneo. Considerando que durante o perodo abrangido neste trabalho, grandes fazendas tradicionais de pecuria, em um primeiro momento, foram convertidas para agricultura familiar atravs da criao intensiva de assentamentos da reforma agrria, ocorrida entre a metade dos anos 80 e a metade dos anos 90, mais recentemente, substitudas por plantios florestais da indstria do papel. Os resultados permitiram confrontar os tratamentos e verificar as acurcias das deteces e identificar as principais dificuldades, em especial, o efeito da fenologia nas diversas fases em que se apresentam nas substituies florestais de ciclos longos. A dificuldade da tcnica KT, em lidar com plantios semi-perenes e perenes, a impossibilidade de se considerar reas cobertas em algum momento por nuvens. Por fim, corrobora com a inviabilidade do estabelecimento a priori da melhor tcnica, ou mesmo, daquela mais acurada, sem que sejam considerados plenamente os objetivos, a escala, a natureza do ambiente analisado e as classes de mudana estabelecidas para o trabalho, alm da qualidade das imagens disponveis.

Palavras-chaves: sensoriamento remoto, deteco de mudanas, uso e cobertura do Solo, classificao de imagens, NDVI, diferenciao de bandas.

ABSTRACT
The detection of alterations in land use and cover can be considered as being an operation in Remote Sensing which adds a time dimension to the analysis of information in images. This is done when images are compared, by groups of two, at certain space and time looking for spectral responses stored in pairs of homologous pixels, through the application of thresholds which lead to the differentiation between change and non-change. A point-to-point, or instant-to-instant analysis, permits to infer on the amount and quality of alterations detected in a region, during a certain period. The comparative analysis between two or more of these results, via a time series of images, informs on the dynamics of transformations in other aspects, as topology, intensity, kind of change (substitution or conversion), and change rate. Several techniques are available to detect alterations in land use and cover, from digital images collected by orbital sensors. Two larger groups can be highlighted: preclassification techniques, and post-classification techniques. They differ basically on over which products the thresholds defining changes are applied, these products being either thematic ones for image classification, or the image itself. This work uses detection techniques based on image subtraction of both groups. Pre-classification uses the Normalized Difference Vegetation Index (NDVI) and the Kauth-Thomas Transform (KT), the green index in this last case. Post-classification uses the Maximum Likelihood. The objective is to estimate the sensitivity and adequacy of these techniques for the detection and analysis of changes in land use and cover during two comparison periods: the first one is from 1988 to 2001; the second, from 2001 to 2006. Besides, the whole 18-years period is studied to detect tendencies of the transformation of the region. The study area is at the Campanha Sul region, at Rio Grande do Sul State Brazil. It is largely rural, heterogeneous and dynamic, since during the period covered (1988-2006) large estates where either converted into smaller properties, family-managed; though an intensive policy of agrarian reform (from the mid-eighties to the mid-nineties), or, more recently, by industrial-style cultures of forests to serve the paper industry. The results allowed comparing the different treatments and to verify the accuracy of detections. The main difficulties were the phonological cycles, the various phases of long-cycle artificial forests, the limitations of the KT technique to handle semi-perennial cultures, and cloud-covered areas. It was not possible to clearly define the better or more accurate technique; this definition depends of specific objectives, of the scale and nature of the study region, and of the classes of change being analyzed, besides of the quality of available images.

Keywords: Remote Sensing, change detection, land use and cover, image classification, NDVI, band differentiation.

SUMRIO

1 1.1 1.1.1 1.1.2 1.1.3 1.1.3.1 1.1.3.2 1.1.3.3 1.2 2 2.1 2.2 2.2.1 2.2.2 2.2.3 2.3 2.3.1 2.3.1.1 2.3.1.2 2.3.1.3 2.3.1.4 2.3.2 2.3.2.1 2.3.2.2

Introduo .................................................................................... 15 Projetos Baseados na Det. de Mudanas no Uso e na Cob.do Solo.. 20 Projetos em Escala Global ............................................................. 21 Projetos em Escala Continental e Nacional..................................... 22 Projetos no Brasil .......................................................................... 26 Programa PRODES ........................................................................ 27 Projeto DETER .............................................................................. 29 Monitoramento de Queimadas ....................................................... 30 Escopo e Objetivos da Pesquisa ..................................................... 33 Reviso de Literatura ..................................................................... 34 Metodologia da deteco de Mudanas no Uso e na Cob. do Solo ... 34 Aplicaes da Deteco de Mudanas no Uso e na Cob. do Solo ..... 37 Meio Ambiente............................................................................... 38 Ecologia ........................................................................................ 40 Desenvolvimento Rural .................................................................. 42 Tcnicas de Deteco de Mudanas no Uso e Cobertura do Solo .... 46 Tcnicas de Ps-Classificao ........................................................ 47 Ps-classificao No Supervisionada: ........................................... 49 Ps-classificao Supervisionada: .................................................. 49 Ps-classificao com Segmentao: .............................................. 49 Ps-classificao com Chaves de Deciso: ...................................... 50 Tcnicas de Pr-Classificao ........................................................ 50 Tcnicas com Imagens Multitemporais........................................... 51 Tcnicas Algbricas ....................................................................... 53

2.3.2.1.1 Anlise Composta .......................................................................... 52 2.3.2.2.1 Subtrao de Imagens ................................................................... 53 2.3.2.2.2 Razo de Imagens.......................................................................... 54 2.3.2.2.3 Regresso de Imagens ................................................................... 55 2.3.2.2.4 Anlise da Mudana Vetorial (CVA) ............................................... 56 2.3.2.3 Subgrupo de Tcnicas com Transformadas .................................... 57

2.3.2.3.1 Diferenciao de ndices ................................................................ 57 2.3.2.4 Subgrupo de Tcnicas com Transformaes Lineares ..................... 58 2.3.2.4.1 Anlise de Componentes Principais (PCA ) ..................................... 59 2.3.2.4.2 Transformada Kauth-Thomas (KT) ................................................ 61 2.3.2.4.3 Transformada Chi-Quadrado ......................................................... 64 2.3.2.5 2.3.2.6 2.4 2.5 2.6 2.6.1 2.6.2 3 3.1 3.2 3.3 3.3.1 3.3.2 3.3.3 3.3.4 3.3.5 3.4 3.4.1 3.4.2 3.5 3.5.1 3.5.2 3.5.3 3.6 3.6.1 3.6.1.1 3.6.1.2 3.6.2 3.6.2.1 3.6.2.2 Subgrupo de Tcnicas com Modelos............................................... 64 Tcnicas Experimentais ou Infreqentes ........................................ 65 Perspectivas futuras ...................................................................... 66 Comparaes entre as Tcnicas ..................................................... 70 Tratamentos e Correes de Pr-processamento ............................ 76 Correo Geomtrica ..................................................................... 78 Correo Atmosfrica..................................................................... 79 Material e Mtodos ........................................................................ 85 Imagens ........................................................................................ 85 Definio da rea de Abrangncia do Estudo ................................. 86 Pr-Processamento das Imagens .................................................... 87 Correo Geomtrica .................................................................... 87 Registro das Imagens..................................................................... 90 Recorte da rea de Interesse .......................................................... 91 Mascaramento das Nuvens ............................................................ 93 Correo Atmosfrica com o Mdulo FLAASH ................................ 94 Gerao de Transformadas ............................................................ 98 Transformada NDVI ...................................................................... 99 Transformada KT........................................................................... 99 Deteco de Mudanas com Ps-Classificao ............................. 100 Classes e Amostras de Treinamento ............................................. 101 Classificao e Tematizao ......................................................... 102 Tratamento aps a classificao .................................................. 104 Deteco de Mudanas com Pr-classificao .............................. 105 Subtrao de Transformadas NDVI .............................................. 105 Tratamento Aps a Subtrao das Transformadas NDVI .............. 108 Tabela e Mapa de Temtico de Tendncia das Mudanas NDVI .... 110 Subtrao da Componente KT Verdor .......................................... 113 Tratamento Aps a Subtrao da Componente KT Verdor ............ 115 Tabela de Tendncia das Mudanas KT Verdor ............................ 115 2.3.2.5.1 Anlise por Modelo de Mistura Espectral (SMA) ............................ 65

4 4.1 4.2 4.3 4.3.1 4.3.2 4.4 4.4.1 4.4.1.1 4.4.1.2 4.4.2 4.4.2.1 4.5 5 5.1 5.2

Resultados e Discusso ............................................................... 117 Pr-processamento ...................................................................... 117 Metodologia ................................................................................. 118 Deteco de Mudanas com Ps-classificao .............................. 120 Resultados da Deteco de Mudanas com Ps-classificao ....... 120 ndice de Estabilidade e Indicador de Tendncia .......................... 123 Deteco de Mudanas com Pr-classificao .............................. 126 Resultados da Subtrao das Transformadas NDVI ..................... 126 Resultados da Subtrao dos Mapas de Mudana NDVI............... 128 Resultado do Mapa Temtico de Tendncia das Mudanas NDVI . 133 Resultados da Subtrao de Componentes KT Verdor .................. 134 Resultados da Tabela de Tendncias das Mudanas KT Verdor .... 136 Deteco de Mudanas e Desenvolvimento Rural ......................... 137 Concluses e Recomendaes ............. ERRO! INDICADOR NO DEFINIDO. Concluses .................................................................................. 149 Recomendaes ........................................................................... 152

REFERNCIAS .......................................................................................... 153 APNDICE ................................................................................................ 161 ANEXO 1 ................................................................................................... 175 ANEXO 2 ................................................................................................... 176 ANEXO 3 ................................................................................................... 177 ANEXO 4 ................................................................................................... 178 ANEXO 5 ................................................................................................... 181 ANEXO 6 ................................................................................................... 184 ANEXO 7 ................................................................................................... 187 ANEXO 8 ................................................................................................... 189 ANEXO 9 ................................................................................................... 191 ANEXO 10 ................................................................................................. 193 ANEXO 11 ................................................................................................. 198 ANEXO 12 ................................................................................................. 199 ANEXO 13 ................................................................................................. 200 ANEXO 14 ................................................................................................. 201 ANEXO 15 ................................................................................................. 202 ANEXO 16 ................................................................................................. 203

LISTA DE ILUSTRAES Ilustrao 1 Imagem KT do ano de 2006 na composio RGB Brilho Verdor Umidade e grfico de disperso Verdor X Brilho com detalhe das regies das feies. ..........................................................................................63 Ilustrao 2 Polgono da rea de interesse sobre a cena Landsat 5 de 2006. ..... 86 Ilustrao 3 - Levantamento de campo realizado com receptor GPS destacando uma encruzilhada e a ponte sobre o Rio Piratini. ................................ 89 Ilustrao 4 Imagem de 2006 georreferenciada com os arquivos vetoriais sobrepostos. ...................................................................................................... 90 Ilustrao 5 Imagens aps o registro, dispostas em seqncia 1988 2001 e 2006, da margem direita para esquerda. ................................................ 91 Ilustrao 6 Imagens co-registradas acima e as respectivas reas de interesse a baixo, dispostas da margem direita para a esquerda, na seqncia 1988, 2001 e 2006. ........................................................................................ 92 Ilustrao 7 Da margem direita para a esquerda podem ser vistos o subconjunto da imagem 2006, na composio RGB com as nuvens realadas e os ROIs construdos, a mscara gerada a partir dos ROIs e o resultado da aplicao da mscara......................................... 93 Ilustrao 8 Na primeira linha esto dispostos, da margem direita para a esquerda, os subconjuntos das imagens de 1988, 2001 e 2006 corrigidos pelo FLAASH , no centro respectivos originais e na janela de baixo os valores de um pixel selecionado (em vermelho)............. 98 Ilustrao 9 Mapas Temticos de 1988 (1), 2001 (2) e 2006 (3) em cima, legenda e janela de detalhe no centro e regio da cidade de Bag 2006 em baixo. ................................................................................................................. 103 Ilustrao 10 Classificao original e janela de detalhes acima e classificao tratada e janela de detalhes abaixo, ambas do ano de 2006. ........ 104 Ilustrao 11 Imagens de NDVI de 1988, 2001 e 2006 com destaque de uma rea que incrementou sucessivamente seu valor: 209, 219 e 232. ............................................................................................................................. 106 Ilustrao 12 Mapa de diferena 01 88 com a distribuio das classes. ......... 107 Ilustrao 13 Detalhes dos Mapas Temticos de Mudana, obtidos por subtrao das imagens de NDVI (01 - 88) - (06 - 01) e reclassificao. ............................................................................................... 110 Ilustrao 14 Detalhe e Mapa de Tendncia das Mudanas no centro, acompanhado dos detalhes e Mapas Temticos de Mudana nos dois lados: (01 - 88) direita e (06 - 01) esquerda. Abaixo a rvore de deciso utilizada. ....................................................................... 112

Ilustrao 15 Mapa Temtico de Mudanas por subtrao das componentes KT Verdor 2001 1988. .................................................................................... 114 Ilustrao 16 - Mapa Temtico de Mudanas por subtrao das componentes KT Verdor 2006 2001. .................................................................................... 115 Ilustrao 17 Mapa de Tendncia de Mudana por Subtrao de Transformadas NDVI (2001 1988) ...................................................................................... 129 Ilustrao 18 - Mapa de Tendncia de Mudana por Subtrao de Transformadas NDVI (2006 2001) ...................................................................................... 130 Ilustrao 19 Mapa Temtico de Tendncia das Mudanas NDVI ......................... 132 Ilustrao 20 Imagem da rea de Estudo de 2006 com os PAs sobrepostos ..... 138 Ilustrao 21 Mscaras e resultados das aplicaes sobre o Mapa Temtico de 2006. ................................................................................................................. 139

LISTA DE TABELAS Tabela 1 Matriz de Converso KT adaptada de Crist, Laurin e Cicone (1986) .. 62 Tabela 2 Sensor, rbita/ponto, data, bandas e formato das imagens utilizadas. ................................................................................................................ 85 Tabela 3 Freqncia das classes de mudana na subtrao das imagens NDVI. ....................................................................................................................... 108 Tabela 4 - Classes Sintticas de Tendncia das Mudanas. ..................................... 111 Tabela 5 Deteco de Mudanas 2001 - 1988 ............................................................ 121 Tabela 6 - Deteco de Mudanas 2006 - 2001 ............................................................ 122 Tabela 7 Valores de IE e IT para as Classes de Uso e Cobertura do Solo ......... 124 Tabela 8 Freqncia das classes sintticas ................................................................. 127 Tabela 9 Tabela de Tendncia das Mudanas NDVI ((01 - 88) - (06 - 01)) ........ 131 Tabela 10 Freqncias da Distribuio das Classes Sintticas de Tendncia das Mudanas NDVI .......................................................................................... 133 Tabela 11 - Freqncia das classes no Ps-processamento KT................................ 134 Tabela 12 Tabela de Tendncia das Mudanas KT Verdor ((01 - 88) - (06 - 01)) ........................................................................................... 135

Tabela 13 - Freqncias da Distribuio das Classes Sintticas de Tendnciadas Mudanas KT Verdor ......................................................................................... 136 Tabela 14 Deteco de Mudanas 2001 1988 Fora dos PAs............................... 140 Tabela 15 Deteco de Mudanas 2006 2001 Fora dos PAs............................... 141 Tabela 16 Valores de IE e IT para as Classes de Uso e Cobertura do Solo Fora dos PAs ......................................................................................................... 142 Tabela 17 Deteco de Mudanas 2001 1988 Dentro dos PAs .......................... 143 Tabela 18 Deteco de Mudanas 2006 2001 Dentro dos PAs .......................... 144 Tabela 19 Valores de IE e IT para as Classes de Uso e Cobertura do Solo Dentro dos PAs ........................................................................................... 145

LISTA DE ABREVIATURAS E SIGLAS

BIL: Band Irterlevead-by-Line BIP : Band-Irterlevead-by-Pixel CAP : Coastal ChangemAnalysis Program CVA: Anlise de Mudana Vetorial DETER : Deteco de Imagens em Tempo Real PRODES: Monitoramento Sistematico do Desflorestamento da Amaznia IBAMA: Instituto brasileiro de Meio Ambiente IBGE: Instituto Brasileiro de Geografia e Estatstica IE: ndice de Estabilidade das Classes IT: Indicador de Tendncia INPE :Instituto Nacional de Pesquisas Espaciais KT : Transformada de Kauth-Thomas MLR: Ministy of Land and Resources MODTRAM: Moderale Resolucion Atmospheric Radiance and Transmiltance Model NALC: National Oceanic and atmospheric Administracion NASA : Nacional Aeronauttcs and Space administration NDVI : Normalized difference Vegetation Index NOAA :National Oeanic and atmosferic administration PCA : Anlise de ccomponentes principais EPA : Enviromental Protetion Agency SIG: Sistema de Informaes Geogrficas USGS : Unitef States Geological Survey

15

1 INTRODUO O Brasil o considerado o quarto maior Pas em extenso territorial contnua do planeta, possui mais de oito milhes e meio de quilmetros quadrados e sua populao, coincidentemente, a quarta maior. O ltimo senso disponvel, realizado em 2005, revelou que existe pouco menos que cento e oitenta e cinco milhes e meio de brasileiros, e destes, cerca de cento e cinqenta e dois milhes, moram nas cidades. Possui, por tanto, propores continentais e uma populao mal distribuda. Estas duas situaes resultam em distores econmicas de toda ordem e problemas generalizados causados, em boa parte, pela pulverizao e insuficincia da infra-estrutura e dos servios pblicos. Neste contexto fcil compreender porque vem crescendo a importncia da utilizao do sensoriamento remoto orbital nas principais polticas pblicas de planejamento, acompanhamento e monitoramento do desenvolvimento do Pas. Assim, como na gesto e proteo dos recursos naturais e do meio ambiente e, em especial, para reunir, processar e compreender as transformaes ocorridas por fora dos principais fatores antropognicos (e.g. urbanizao, intensificao da agricultura, expanso da capacidade energtica, ocupao desordenada do espao rural) e naturais (secas, enchentes, fogo). Na capacidade de detectar as mudanas ocorridas nestes processos reside uma das principais aplicaes do sensoriamento remoto: a deteco de mudanas no uso e na cobertura do solo (RYMASHEUSKAYA, 2007). Para que estas mudanas posam ser detectadas, com esta tcnica, necessria a comparao, duas a duas, de uma srie de imagens satlite, tomadas em diferentes momentos buscando identificar onde, quanto e o que foi alterado de um momento para o outro, atravs das assinaturas espectrais dos alvos. Quando as tendncias das mudanas tambm so importantes, ento preciso comparar os resultados dos tratamentos de deteco entre si, olhando de uma s vez todo o perodo para inferir sobre as taxas das transformaes e suas relaes espaciais e temporais.

16 Dentro do sensoriamento remoto os pares de imagens orbitais encontram vrias aplicaes; a estereoscopia, por exemplo, permite produzir modelos em trs dimenses da superfcie do terreno imageado. Ela se baseia na visualizao concomitante de duas imagens obtidas sob ngulos diferentes, abertas em canais prprios de forma a construrem uma noo de profundidade. Na verso digital desta tcnica o clculo das diferenas de altura se d pelos deslocamentos dos pixels homlogos, uma funo da geometria de cada imagem (MENDONA e BRITO, 2003). Sob esta tica, a deteco de mudanas no se distancia tanto da estereoscopia, pois em ambas so as mudanas as informaes chave. Na primeira so extradas dos valores de radincia dos pixels em cada banda e na segunda, da geometria da imagem. A deteco das mudanas quantitativa quando se atm apenas a quantificao das transformaes que ocorreram informando o estado de cada um dos pixels em termos de mudou ou no mudou e delimitando as regies com e sem mudanas. Ela qualitativa se a informao da mudana, para alm da localizao e quantificao, avana at uma discriminao em classes, habilitando o estudo das trajetrias dos pixels entre elas. Neste caso a correta interpretao depende da informao da classe inicial e final de uso e de cobertura do solo de cada pixel, donde a necessidade de ser estabelecidos limiares entre a mudana e a no mudana para todas as classes e opcionalmente distinguir as substituies (i.e. possibilidades intermedirias dentro das classes) das converses (i.e. substituio completa de uma classe por outra) (SHALABY, TATEISHI, 2007; COPPIN, 2004). A abordagem qualitativa sempre sucede uma etapa quantitativa, de uma forma resumida, se volta para a determinao e descrio das propriedades das mudanas ocorridas em um ponto, rea ou regio, organizando-as em classes. Ela possvel pela comparao de imagens de satlite compondo um conjunto temporal de dados co-registrados, aptos a revelar as mudanas atravs das discrepncias em relao a uma distribuio normal, ou aos distanciamentos dos valores dos pixels que representam uma mesma regio (Chan e Yeh, 2001, Muchoney e Haack, 1994, Singh, 1989 apud SHALABY e TATEISHI, 2007).

17 Note-se que o entendimento da natureza da mudana e suas causas so bem mais complexos que sua simples quantificao, localizao e categorizao. Isto core porque as classes da mudana no guardam, necessariamente, uma correlao com as causas da mudana. Elas podem no ser mutuamente exclusivas e os sistemas de classificao podem no ser exaustivos. Alm disto, nem todas as mudanas no uso e cobertura do solo so detectveis, logo suas causas tambm no o so e mesmo dentre as detectveis h vrios nveis de capacidade de deteco, que por sua vez, dependem de escalas temporais diversas, talvez inacessveis. (COPPIN et al., 2004). Nesta perspectiva possvel vincular a qualificao da informao procurada aos objetivos do estudo ou trabalho, assim como o nvel de a acurcia desejado, to importante para compreenso dos resultados, como para os usos futuros dos resultados. Infelizmente estimar a acurcia de um mapeamento por sensoriamento remoto, independente da tcnica de classificao utilizada, no um assunto pacificado na comunidade cientfica. A necessidade de estabelecer uma mtrica e produzir uma matriz de confuso na fase de classificao so dois elementos referenciados com freqncia, mas apenas opcionalmente sugerido o estabelecimento de protocolos rgidos de checagem das acurcias. Contar ou no, com informaes complementares, como verdades de campo e testes, por vezes citado como importante, principalmente quando se tratam de reas extensas sob monitoramento, nas quais as concluses e resultados podem ser muito limitados se as estimativas de acurcia forem inseguras (FOODY, 2002). H uma distino importante entre uso e cobertura do solo na deteco de mudanas. O uso do solo relaciona as atividades humanas, ou funes econmicas, que so encontradas no local, ou regio do estudo. A cobertura se refere s feies ali presentes, de forma que ambos esto altamente correlacionados, mas no so sinnimos. Inmeras categorias ou classes podem ser utilizadas para descrever os diferentes usos e as diferentes coberturas do solo, mas o emprego delas sempre depender dos objetivos do trabalho, que por sua vez, definem a escala apropriada e a maior importncia que ser dada aos usos ou as coberturas do solo (LILLESAND, KIEFER e CHIPMAN, 2004, p. 215).

18 O estudo das mudanas ocorridas no uso e na cobertura do solo atravs de imagens est baseado no vnculo entre elas e os alvos biofsicos. Este fato restringe o rol das informaes possveis a serem extradas e a localizao geogrfica delas, elevao e declividades onde ocorreram, alm de informaes qualitativas derivadas da composio das feies captadas nas assinaturas espectrais destes alvos. Inmeras outras informaes secundrias podem ser obtidas por cruzamentos dos dados, tais como estimativas de biomassa, nvel de atividade fotossintetizante, a temperatura do solo, o tipo e natureza das misturas do solo e vegetao. Desta forma, uma orientao geral sempre buscar as regies do espectro mais adequadas para os objetivos do estudo (JENSEN, 1983). Ao lado das transformaes, importante lembrar que os ecossistemas esto em permanente fluxo de mudanas, independentemente das causas serem naturais ou antropognicas, alm disto, seguidamente elas ocorrem de forma combinada, desigualmente distribudas na superfcie da terra e os impactos no so percebidos de forma equivalente em todos os lugares. Como a sustentabilidade destas alteraes uma das preocupaes primordiais da atualidade, ela faz crescer a demanda por informaes, as mais acuradas possveis, em todas as direes. A compreenso dos fluxos das transformaes, em qualquer escala um grande desafio, pois as variveis climticas, a complexidade da cobertura e a antiguidade dos processos de converso possuem grande peso nos resultados. Esta realidade impede qualquer tipo de abordagem simplista e prova disto a literatura cientfica resignar a deteco digital de mudanas a uma tarefa difcil (COPPIN et al., 2004). A alta correlao existente entre a resposta da refletncia espectral das comunidades vegetais (e substratos) e suas estruturas e composio, pode ser considerada como a principal qualidade do sensoriamento remoto no estudo das mudanas no uso e na cobertura do solo. Ela permite que mesmo pequenas alteraes na composio de uma comunidade vegetal (e.g. sucesso florestal) ou no seu meio (e.g. seca) possam ser detectadas por meio de imagens orbitais. Ocorre o mesmo nos processo de regenerao, quando a densidade das espcies se intensifica, rumo ao clmax, facilitando os estudos ecolgicos de estabilidade ou instabilidade de zonas florestais, sob condies naturais. At

19 ento, eles dependiam exclusivamente de investigaes pontuais de campo, caras e pouco representativas de regies mais extensas (LIU et al., 2005). Neste trabalho a investigao se centra na deteco das mudanas que podem ocorrer no uso e na cobertura do solo. O primeiro passo est no Captulo 1, onde so examinados os principais projetos de pesquisa baseados na deteco de mudanas no uso e na cobertura do solo. Eles so extremamente importantes porque impulsionam a pesquisa das aplicaes, dos limites e das potencialidades da deteco de mudanas no sentido de novas descobertas e avanos, em especial na utilizao do sensoriamento remoto aplicado ao acompanhamento das dinmicas locais, regionais e continentais. Esta primeira parte finaliza com a propositura do escopo do trabalho. O Captulo 2 inicia a segunda parte deste trabalho, ele baseado na reviso bibliogrfica dos principais textos cientficos que sintetizam as aplicaes mais intensivas em deteco de mudana e as tcnicas propriamente ditas. Na sua primeira parte as principais aplicaes no campo do meio ambiente, da ecologia e do desenvolvimento so examinadas por meio de estudos de caso. A segunda parte deste captulo dedicada a discusso das tcnicas de deteco de mudanas no uso e na cobertura do solo atravs da comparao de imagens de satlite que foram organizadas em dois grupos: Tcnicas de Psclassificao e Tcnicas de Pr-classificao. Elas so listadas e discutidas uma a uma, seguidas de uma anlise das perspectivas de evoluo da deteco de mudanas e dos resultados obtidos em trabalhos comparativos entre as tcnicas. O Captulo 3 abrange uma exposio sucinta do Material e dos Mtodos utilizados neste trabalho. Inicia com uma discusso sobre os tratamentos corretivos de pr-processamento das imagens, inerentes aplicao de tcnicas de deteco de mudanas no uso e na cobertura do solo, pois em que pese serem assessrios em alguns casos, no devem ser considerados dispensveis a princpio. Ao longo deste captulo so especificadas as imagens utilizadas, a regio de interesse e as descries das prticas de campo e de escritrio, englobando todos os tratamentos e metodologias utilizadas. As consideraes sobre os

20 resultados intermedirios dos tratamentos e caminhos utilizados foram organizadas comparativamente sempre que possvel. O Captulo 4 abrange a discusso dos resultados obtidos com os tratamentos aplicados, em especial os resultados da subtrao dos mapas temticos obtidos por ps-classificao e pr-classificao. Nele avaliada a utilizao do ndice de Mudana e do Indicador de Tendncia e, confrontadas as consistncias dos resultados das tcnicas de ps-processamento comparadas, a saber, a subtrao de imagens transformadas de ndice de Vegetao de Diferena Normalizada (NDVI) e a componente verdor da Transformada Kauth Thomas (KT). No ltimo captulo esto expostas as concluses possveis da elaborao deste trabalho, assim como as recomendaes para o esforo de pesquisa futuro em deteco de mudanas no uso e na cobertura do solo, assim como do desenvolvimento do sensoriamento remoto no Brasil. Opcionalmente, no Apndice A deste trabalho h uma abordagem marcadamente conceitual e livre sobre a transformao e sua dimenso temporal, discutidas luz dos ensinamentos da filosofia clssica, para destacar alguns aspectos mais ou menos sutis das metodologias, tcnicas e circunstncias da deteco das mudanas. H tambm uma pequena anlise da evoluo da deteco de mudanas, que inicia nas anotaes de campo e segue at a era digital e, por fim, so sistematizadas algumas abordagens e funes que a deteco de mudanas no uso e cobertura do solo pode assumir no sensoriamento remoto orbital, quando ele tratar do estudo das transformaes que ocorreram na superfcie da terra. 1.1 PROJETOS BASEADOS SOLO Adquirir conhecimento sobre o uso e a cobertura do solo fundamental para compreender o planeta como um sistema. S a partir da correta aquisio de dados possvel produzir modelos e estudar as tendncias em qualquer escala, seja local, regional ou mundial. Antes da existncia dos satlites essa j era uma preocupao da pesquisa mundial, pois o mapeamento com imagens fotogrficas de mdia
NA

DETECO

DE

MUDANAS

NO

USO

E NA

COBERTURA

DO

21 resoluo data dos anos 30, haja vista a fundao da Sociedade Americana de Fotogrametria em 1934 (LILLESAND, KIEFER e CHIPMAN, 2004, p.61). Existem vrios projetos baseados na deteco de mudanas no uso e na cobertura do solo e esto sendo desenvolvidos em larga escala. So orientados, em maior parte, para a identificao quantitativa e qualitativa das mudanas, de forma a estabelecer pontos comparativos no tempo e espao para o monitoramento e anlise das transformaes ao longo das ltimas dcadas. As relaes de causa e efeito entre os impactos, as mudanas e seus determinantes so buscadas para melhorar a capacidade de previso sobre o futuro. 1.1.1 Projetos em Escala Global A agncia espacial americana NASA denominado LULC
2 1

iniciou em 1996 um programa

voltado para o estudo das mudanas no uso e na cobertura do solo, que inicialmente voltou-se para um pequeno nmero de locais, onde estavam ocorrendo importantes mudanas no uso e na cobertura do solo. As prioridades ento foram a Amaznia, o Mxico, a China e o Sudeste Asitico. O programa buscou produzir estudos baseados em dados obtidos por satlites, acrescidos de trabalhos de campo para a parametrizao de modelos e realizao de inventrios. Em 2000, o programa entrou na segunda fase visando produo de conjuntos de dados regionais e o aprimoramento dos modelos de uso do solo. Sua evoluo at 2004 permitiu que sua abrangncia o levasse para escalas regionais e diversos estudos de caso incorporando tambm estudos sobre os impactos das modificaes no uso e na cobertura do solo, que enfatizavam os ciclos da gua e do carbono. Mais recentemente o programa foi reorientado modelagem de previso dos processos de mudanas. Este programa desenvolve pesquisas cientficas sobre o sistema Terra, buscando compreender as respostas s mudanas induzidas por fenmenos naturais e antrpicos e desenvolver as capacidades de previso das transformaes globais do clima, tempo, atmosfera, uso do solo e de ameaas naturais. Seus principais objetivos so compreender as interaes do homem com meio ambiente e fornecer as bases cientficas para o estudo dos sistemas da terra,
1 2

National Aeronautics and Space Administration (NASA). Land-Cover and Land-Use Change Program (LULC Program).

22 do ponto de vista da sustentabilidade vulnerabilidade regenerao e usos, longo prazo, visa estabelecer uma forma de monitoramento global, a partir do espao, baseadas em modelos que permitam prever os impactos diretos e indiretos das mudanas no uso e cobertura do solo e suas conseqncias sociais, fornecendo ao governo americano e comunidade cientfica mundial seus produtos, modelos, servios e ferramentas (NASA, ca. 2007). 1.1.2 Projetos em Escala Continental e Nacional O continente europeu despertou definitivamente para os problemas ambientais em 1972, desde ento, procura desenvolver projetos de monitoramento e pesquisa neste sentido. O divisor de guas definitivo foi a lavratura do Tratado de Amsterd, em 1992, quando o tema ambiental foi alado a prioridade no seio da Comunidade Europia (FERANEC et al., 2007). Na esteira desse esforo de monitoramento ambiental, as informaes atualizadas sobre o uso e cobertura do solo, assim como a dinmica de suas transformaes, adquiriram centralidade dentre as informaes bsicas para o planejamento e tomada de deciso, levando a Agncia Ambiental Europia e a Junta de Centros de Pesquisa
3

a lanarem em colaborao, no ano de 2000, o

programa I&CLC2000, divulgado como CORINE 4. Este programa inventariou o meio biofsico de toda cobertura e uso do solo na Europa utilizando, para tanto, quarenta e quatro classes e uma resoluo horizontal de duzentos e cinqenta metros quadrados por clula (LILLESAND, KIEFER e CHIPMAN, 2004, p.225). Seus principais objetivos foram prover a Europa de um mosaico de imagens satlite e de informaes gerais e regionais atualizadas do uso e da cobertura do solo neste continente naquele ano, assim como dar informaes gerais sobre as transformaes que ocorreram de 1990 at ento e desenvolver metodologias de deteco de mudanas propondo formas para sua utilizao (FERRANEC et al., 2007).

European Environmental Agency e Joint Research Centre eEA e JRC respectivamente. IMAGE 2000 & CORINE Land Cover 2000, onde CORINE significa Coordination of Information on the Environment. Informaes complementares podem ser encontradas em <http//www.eea.eu.int>.
3 4

23 Com iguais propores continentais, a Organizao das Naes Unidas para a Agricultura e Alimentos (FAO) iniciou um projeto na frica com a finalidade de suprir a demanda de vrios pases por informaes estratgicas, sobre seus recursos naturais. Esses dados permitem gerenciar e qualificar as tomadas de deciso sobre os principais temas nacionais (vida selvagem, agricultura, biodiversidade cima etc.). O projeto foi denominado Africover
5

gerou, por interpretao visual de imagens de satlite, uma base de dados georreferenciada de toda cobertura do solo do continente africano em detalhes nacionais e territoriais, sob escalas de 1:200.000 e no caso de pases menores, 1:100.000, (LILLESAND, KIEFER e CHIPMAN, 2004, p.225). Em escala nacional um dos mais antigos projetos de pesquisa em deteco de mudanas no uso e na cobertura do solo o projeto do Servio de Reconhecimento Geolgico dos Estados Unidos USGS 6. Este projeto adota um sistema de classificao do uso e da cobertura do solo criado na dcada de setenta, mas que ainda se mostra atual e empregado corriqueiramente nos Estados Unidos, com pequenas alteraes, quando necessrio. O USGS produziu por este meio uma srie de mapas da cobertura nacional do solo Americano e do Hava no em escala 1:250.000, adotando na maioria dos casos, 16 hectares como unidade mnima de mapeamento. Outros mapas em escala maior (1:100.000) tambm foram produzidos, mas em menor nmero e abrangncia, nos quais a rea mnima de mapeamento adotada foi de quatro hectares para polgonos e 400 metros de largura mnima para feies que delineassem reas naturais; no caso de feies culturais, como reas urbanas, a rea mnima dos polgonos foi mantida, apenas reduzindo a largura mnima das feies para 200 metros. Todos estes dados esto disponveis no EROS Data Center
7

e tiveram por base os mapas topogrficos produzidos pelo prprio

USGS e as imagens do satlite Landsat. Mais recentemente para responder ao desenvolvimento das atividades de geoprocessamento, em parte fomentadas pelo seu projeto de mapeamento da cobertura do solo, o USGS iniciou o Projeto

Multipurpouse Africover Database for Environmental Resources. Informaes complementares podem ser encontradas em <http//www.africover.org>. 6 USGS: United States Geological Survey. URL: http://www.usgs.gov/aboutusgs/default.asp 7 Maiores informaes podem ser encontradas em http://edc.usgs.gov.
5

24 Mapa Nacional
8

com a misso de construir e distribuir uma base de dados

geogrfica que seja acurada, atual e consistente de mbito nacional, incluindo imagens ortorretificadas de alta resoluo, dados de elevao da superfcie e de batimetria, alm de dados vetoriais da hidrografia, transporte estrutura, terras pblicas, identificao de feies naturais e culturais e uma extensa base de dados da cobertura do solo (LILLESAND, KIEFER e CHIPMAN, 2004, p. 216224). A partir de 1993 a agencia de proteo ambiental americana (EPA) integralmente os Estados Unidos e o Mxico, denominado NALC
10. 9

em

cooperao com o USGS, iniciou outro projeto, neste caso abrangendo O projeto focado no desenvolvimento da padronizao dos conjuntos de dados do sensoriamento remoto e na anlise das metodologias de investigao das mudanas na cobertura do solo e visa desenvolver inventrios dos estoques terrestres de carbono; avaliar a ciclagem deste elemento e mapear as fontes de emisso dos gases estufa. Nele esto sendo utilizados dados multiespectrais da srie Landsat, adquiridos nos anos de 1973, 1986 e 1991 (mais ou menos um ano) com observncia das caractersticas sazonais da cobertura vegetal na produo de conjuntos de imagens denominados de Triplicates. Estes produtos so disponibilizados para a compra na forma de trs imagens componentes (uma por ano) registradas entre si contendo as bandas 1, 2, 3 e 4 do sensor MSS, um ndice normalizado de vegetao produzido a partir das bandas 2 e 4 e uma banda de identidade dos pixels, na qual os pixels que no correspondam a dados da imagem tm valor zero, esta banda serve para auxiliar nos processamentos de correo atmosfrica. O projeto uma inestimvel fonte de informaes para o estudo da dinmica das alteraes na cobertura e uso do solo nas regies abrangidas por suas aes (NALC, 1996). Outra iniciativa americana de monitoramento do uso e cobertura do solo, mas neste caso de reas litorneas, o programa de anlise de mudanas costeiras, denominado C-CAP
11

que foi iniciado em 1990. Ele gerenciado pelo

Maiores informaes podem ser encontradas em http://nationalmalp.usgs.gov. Environmental Protection Agency (EPA). 10 North American Landscape Characterization (NALC) Project. 11 Coastal Change Analysis Program (C-CAP).
8 9

25 rgo de administrao ocenica e atmosfrica NOAA

12

foi criado para estudar

os impactos das mudanas no uso e na cobertura do solo nos ecossistemas costeiros, que perderam cerca de 53% das reas alagadas para a agricultura, moradia e outros usos comerciais em 260 anos, contados a partir de 1720 at 1980 (Dahl, 1980 apud DOBSON et al. 1995). Este programa desenvolve uma metodologia baseada no uso de imagens de satlite de diversos sensores, integradas a outras informaes, histricas, inclusive em um ambiente de geoprocessamento. Ele fruto da integrao de diversos rgos federais e estaduais americanos e fornece acesso a uma base de dados nacional, usada no monitoramento, mapeamento e estudo da cobertura das reas costeiras e seus habitats, inclusive os submersos. Os ciclos de monitoramento so de um a cinco anos, dependendo da taxa e magnitude das mudanas em curso e da disponibilidade de dados atualizados do sensoriamento remoto. O programa adota um protocolo bem definido e um esquema de classificao da cobertura e uso do solo e suas mudanas bastante extenso, apto a escalas locais e regionais (DOBSON et al., 1995). No oriente a China, desenvolve desde 1999 o Programa Nacional de Mudanas no Uso do Solo, atravs do Ministrio de Terras e Recursos
13

que

direcionado para o monitoramento da expanso urbana (escala e distribuio) e o decrescimento das reas plantadas. Este programa foi oportunizado pelas estatsticas chinesas da dcada de 80 e 90, que alertaram para a diminuio da rea cultivada na China em um montante aproximado de onze milhes de hectares (quase 12% do total). As principais converses foram para horticultura, infra-estrutura, minerao, indstria e reflorestamento, alm de desastres naturais, notando que elas se intensificavam com o passar do tempo. O programa usa extensamente dados do sensoriamento remoto (CBERS, TM, TM+, SPOT e Rasarsat1) e produtos acessrios (modelos digitais de elevao, ortofotos, dados e mapas topogrficos) adotando escalas de trabalho entre 1:10.000 e 1:100.000. O tratamento das imagens inclui o pr-processamento (normalizao radiomtrica, retificao geomtrica e registro), a fuso de imagens e o uso de algoritmos de deteco de mudanas em complementao
National Oceanic and Atmosferic Admintration (NOAA). Do Ingls National Land Use Change Program e Ministry of Land and Resources (MLR), respectivamente.
12 13

26 (principais componentes, tasseled-cap

14

e diferenciao

15).

A definio da

mudana ou no mudana segue a definio de limiares, apoiado em uma fase automtica e uma fase assistida. As classes utilizadas so: rea cultivada, horticultura, floresta, pastagens e campos, reas construdas, transportes, corpos de gua e reas no utilizveis. A maior parte do esforo de deteco se d entre imagens bi-temporais, no entanto imagens isoladas so ocasionalmente utilizadas na comparao direta com mapas de uso do solo j gerados, acaso imagens mais antigas no estejam disponveis. Cada regio metropolitana investigada pelo programa demanda aes de campo para validao dos resultados e as reas mnimas detectadas nestes casos dependem da fonte: 1,5 ha para imagens com pixels de 30 metros, 0,25 ha para imagens com 15 a 10 metros, 0,067 ha para imagens com at cinco metros e 0,01 ha para imagens com at 1,5 metros. A acurcia da deteco depende da imagem utilizada e as comparaes com os dados de campo permitem correlacion-las tanto na rea quanto no tipo de classe. As principais dificuldades vivenciadas no programa so: o grande nmero de anlises no automatizadas; o desenvolvimento de algoritmos para tratar dados de imagens diferentes e ou fusionadas; a construo de um sistema organizado para o armazenamento de todas as informaes dos sete anos de existncia do programa; o incremento da capacidade de anlise dos dados e a incorporao de tcnicas mais avanadas como redes neurais e anlises espectrais e estruturais das feies (ZHANG e ZHANG, 2007). 1.1.3 Projetos no Brasil O Brasil no conta com projetos de deteco de mudanas no uso e na cobertura do solo, propriamente ditos, de qualquer mbito. H sim um grande esforo do Instituto Nacional de Pesquisas Espaciais (INPE), autarquia federal vinculada ao Ministrio da Cincia e Tecnologia (MCT), na gerncia de trs projetos de excepcional importncia estratgica e que podem ser considerados parcialmente de deteco de mudanas (PRODES, DETER e Monitoramento de Queimadas).

14 15

Vide Transformada de Kauth-Thomas (KT) na Reviso da Literatura, segunda seo. Vide Tcnicas de Deteco de Mudanas, seo 2.

27 Dois deles so voltados para o desmatamento na Amaznia e um para a deteco de queimadas e incndios florestais no mbito da Amrica Latina. Esses projetos utilizam apenas duas classes, mudana e no mudana, se restringindo ao acompanhamento da presena dos incndios na Amrica Latina e de mudanas na cobertura do solo amaznico provocadas por desmatamento. Todos quantificam as ocorrncias, localizando-as e determinado os quantitativos anuais de reas impactadas por queimadas ou desmatamento. Por fim, devem ser reconhecidos os esforos no desenvolvimento de metodologias para a deteco de mudanas em solo brasileiro ao encargo dos programas isolados de pesquisa, sejam acadmicos, sejam dos rgos federais e estaduais de pesquisa. No conjunto, mesmo sem configurar um programa oficial, como os que esto em andamento na Comunidade Europia, Estados Unidos e China eles constituem uma grande quantidade de iniciativas de boa qualidade e resultados comprovados. Ressentem-se, no entanto, da falta de uma coordenao que permitisse dotar suas iniciativas de direcionamento estratgico e maior ressonncia com as prioridades dentro dos rgos governamentais, principalmente aqueles voltados para o planejamento e desenvolvimento estratgico. 1.1.3.1 Programa PRODES

Primeiro e mais longo programa de acompanhamento do desmatamento na Amaznia, vigendo at hoje ele iniciou suas atividades em 1985 e desde 1988 est produzindo e distribuindo estimativas anuais de desmatamento na Amaznia Legal. At o ano de 2002 sua metodologia foi baseada na interpretao visual das imagens, da por diante seguiu uma nova metodologia esta baseada na classificao digital de imagens de satlite. As estimativas de desmatamento produzidas pelo PRODES so referenciadas em 1 de agosto de cada ano, todos os dados so disponibilizados na internet de forma tabulada e vetorial em formatos nativos de geoprocessamento. Os dados anteriores a 2001 esto acessveis somente em relatrios analgicos, todos os demais esto disponveis no banco de dados do PRODES em formatos nativos de geoprocessamento (PRODES, 2008).

28 Sua metodologia extensa e passou por vrios aprimoramentos. Inicialmente foi desenvolvida para utilizao de dados analgicos produzidos por interpretaes visuais de imagens impressas em papel, mas de 2003 em diante, utiliza tcnicas de classificao de imagens digitais assistidas por computador e em 2005 sofreu sua mais recente reviso, quando foi aberta a possibilidade de utilizao de outros sensores que no o Landsat TM, quando no houvesse imagem sem cobertura excessiva de nuvens. A classificao das imagens produzida sob um modelo linear de mistura espectral (MLME) que gera trs bandas sintticas, representando as propores de vegetao, de solo e de sombra existentes em cada pixel da imagem. As imagens-frao, sombra ou solo normalmente so mais eficientes na identificao das reas desflorestadas, servindo etapa classificatria reamostradas para 60 metros, por compatibilidade com a escala de apresentao final de 1:250.000. Os passos seguintes so a segmentao das imagens-frao e a classificao dos segmentos, neste processo as nuvens so mascaradas e quantificadas para que componham a estimativa final atravs de um peso mdio. A ltima fase a estimativa da taxa de desmatamento total, centrada na estao seca; ela inicia pela normalizao dos dados na data de referncia supra, calcula as taxas de desmatamento em cada imagem e interpola a rea coberta por nuvens, permitindo que pelo somatrio da taxa de cada imagem, a taxa total possa ser estimada, alm de prevista uma para o perodo seguinte. (CMARA et al., 2006). Este programa fornece dados para diversas aes governamentais que se desenvolvem na Amaznia brasileira e sua base de dados pode ser considerada a maior existente no Pas, sobre alteraes na cobertura vegetal da Amaznia. Ela serve inclusive como parmetro para aferir os resultados das polticas governamentais de preservao do meio ambiente naquela regio, assim como da organizao e planejamento das aes de combate ao desmatamento ilegal. Seus bons resultados estimularam o INPE e seus parceiros, o MMA em especial, a tomarem novas iniciativas no sentido de complementar o PRODES com novas aes que suprissem algumas de suas fragilidades, notadamente a baixa resoluo temporal na aquisio dos dados.

29 1.1.3.2 O Projeto DETER Projeto DETER, reconhecido como Sistema de Deteco de

Desmatamento em Tempo Real, pode ser considerado como uma das aes advindas dos bons resultados do PRODES. Este programa se localiza como uma alternativa complementar ao esforo de controle do desmatamento da Amaznia e por tanto ao PRODES, monitorando, de forma operacional, o desflorestamento ocorrido em intervalos de tempo de quinze dias e iniciou suas atividades em maio 2004, como parte das atividades do Plano de Ao para a Preveno e Controle do Desmatamento na Amaznia Brasileira (SHIMABUKURO et al., 2005). Utilizando sensores de alta resoluo temporal e uma metodologia em grande parte automatizada, consegue contribuir de forma eficaz para solucionar dois grandes problemas que o Projeto PRODES sempre padeceu: a impossibilidade metodolgica de divulgar dados em prazo menores e a obteno de imagens sem cobertura de nuvens excessiva. Suas principais fontes de dados so o sensor MODIS e o sensor WFI, o primeiro a bordo da Plataforma Terra e Aqua, o segundo compondo o CBERS-2, ambos com resoluo espacial e temporal prximas de 250 metros e trs a cinco dias, respectivamente. A resoluo espacial menor restringe a deteco de reas desmatadas ao mnimo de 25 hectares (o PRODES detecta polgonos de seis hectares de desmatamento); mas a maior freqncia temporal compensa essa diferena, assegurando seu papel como importante fonte de fornecimento de informaes peridicas (DETER, 2004). Sua metodologia parte da construo de uma mscara das reas desmatadas com os dados do PRODES, incluindo as reas de no-floresta, com o objetivo de recortar das imagens MODIS, antes da anlise as regies sem interesse e reas desflorestadas anteriormente com isso evitando erros na interpretao e reduzindo significativamente a rea total analisada. O ambiente de trabalho foi estruturado em nove bancos de dados georreferenciados, organizados por estados utilizando a projeo policnica SAD 69. O polgono de trabalho foi contido entre as coordenadas geogrficas 44 00 00W a 74 00 00 W de longitude e 08 00 00N a 20 00 00 S (SHIMABUKURO et al., 2005).

30 Diariamente verificada a disponibilizao de imagens do tipo MOD09 atravs de uma rotina computacional. Todas as imagens so analisadas preliminarmente de forma que restem aprovadas para seleo imediata, apenas aquelas que apresentem baixa cobertura de nuvens e centralidade do Estado na faixa de varredura do satlite. As reas de interesse so extradas pela mscara e nelas aplicado um Modelo Linear de Mistura Espectral (MLME), para a gerao de imagens-frao, denominadas de vegetao, solo e sombra. Este modelo parte do princpio que um pixel representa a soma linear das radincias espectrais dos seus componentes, na forma de um sistema linear de equaes capaz de ser resolvido com tcnicas matemticas de distribuio de erros por mnimos quadrados (com e sem restries) e por anlise de principais componentes (PCA). Ao final, a relao linear resolvida nas imagens-frao representa bem a mistura espectral dos componentes dos pixels e permite que eles sejam classificados de acordo com a combinao linear das respostas de seus componentes gua, sombra e solo. A classificao realizada no DETER e utiliza o algoritmo ISOSEG (o mesmo do PRODES), portanto no supervisionada e se d em imagens previamente segmentadas. Aps estas etapas do processamento, h uma ltima conferncia, realizada diretamente sobre a matriz raster das imagens, que visa editar os dados para retificar os erros de classificao (SHIMABUKURO et al., 2005). Todos os resultados do DETER so disponibilizados pela internet e j configuram mais uma potente ferramenta para auxiliar o controle e a fiscalizao do desmatamento da Amaznia. 1.1.3.3 Monitoramento de Queimadas

O INPE por meio do Centro de Previso de Tempo e Estudos Climticos (CPTEC), dentro de uma ao conjunta entre Ministrios do Meio Ambiente e da Cincia e Tecnologia, renovou recentemente, sua metodologia de controles de queimadas e passou a disponibilizar informaes sobre focos e riscos de incndio em tempo, quase real, para toda Amrica do Sul atravs do sitio do Prevfogo na internet. Similarmente aos efeitos do desmatamento, o fogo provoca alteraes drsticas e abruptas na cobertura do solo e em alguns casos, tambm no seu

31 uso, de forma que ideal seria dispor em ambos os casos de sistemas de monitoramento mais completos, porm o estado da arte atual desta importante ao est restrito deteco dos focos:
Este sistema de Queimadas do INPE detecta a ocorrncia de fogo, dado por si s extremamente importante e vlido e necessrio para milhares de usurios deste sistema do INPE. Detalhes precisos do que est queimando e quanto queimou so informaes impossveis de se obter com os sensores atuais (QUEIMADAS, 2007).

As atividades de preveno, monitoramento, controle de queimadas e combate aos incndios florestais no Brasil, dentro do contexto do Sistema Nacional de Preveno e Combate aos Incndios Florestais (Prevfogo), uma ao governamental coordenada pelo Instituto Brasileiro do Meio Ambiente e dos Recursos Naturais Renovveis (IBAMA) (PREVFOGO, 2008). O INPE iniciou a utilizao de imagens do satlite AVHRR/NOAA-9 na deteco de queimadas em 1985. Em 1987, ocorreu o primeiro monitoramento temporal de queimadas com dezenas de imagens AVHRR/NOAA-9 processadas manualmente. Seus bons resultados viabilizaram a institucionalizao do Prevfogo. O ano de 1996 marca o incio da divulgao, pelo INPE de mapas de queimadas atravs da Internet. O satlite GOES ao integrar as fontes de dados de sensoriamento remoto do sistema, propiciou a ampliao da abrangncia do sistema de deteco de focos de incndio para toda Amrica do Sul, alm de reduzir o tempo de aquisio para 3 horas. As primeiras estimativas e mapas de risco de fogo foram produzidas em fevereiro de 2002. Um ano antes, foi revisada a classificao de susceptibilidade da vegetao ao fogo da Amrica do Sul usando imagens AVHRR. O sistema de visualizao dos mapas na internet foi vertido para formato genrico e vrias funcionalidades esto sendo constantemente introduzidas como a disponibilizao do produto de Previso de Risco de Fogo Semanal, com um ms de antecedncia e com grade 40 km. Atualmente, os produtos oferecidos pelo INPE esto listados infra. (QUEIMADAS, ca. 2007b). a) Tabelas com as quantidades de focos e grficos mostrando estes dados; b) Mapas de ocorrncia de focos nos ltimos dois dias e no ms atual;

32 c) E-mails dirios automticos para focos em Unidades de Conservao; d) Relatrios dirios automticos pessoais de produtos do sistema; e) Mapas de risco de fogo para a vegetao; f) Condies meteorolgicas referentes a queimadas; g) Banco de Dados/SIG de focos; h) Banco de Dados/SIG de focos das Unidades de Conservao e reas especiais; i) Previses numricas de risco de fogo por fogogramas; j) Animao mensal de focos no Brasil nos ltimos anos; k) Animao mensal de focos na Amrica do Sul nos ltimos anos; l) Mapas de concentrao e disperso de fumaa das queimadas; m) Endereos para mais de 400 pginas internet sobre o tema Queimadas/Incndios Florestais; O sistema opera, na atualidade, qualquer informao disponibilizada por satlites que possuam sensores ticos e operem na faixa termal-mdia de 4m, ou seja, o AVHRR dos satlites polares NOAA-12, NOAA-15, NOAA-16, NOAA17, NOAA-18, as imagens MODIS dos satlites polares NASA TERRA e AQUA, as imagens dos satlites geoestacionrios GOES-10, GOES-12 e o MSG-2. No total so processadas mais de 100 imagens por dia. A dimenso dos focos de calor que podem ser detectados depende da fonte, se for dos satlites NOAAs, distantes a 800 km de distncia e do TERRA e AQUA, a 730 km, possvel a deteco de fontes de calor com pelo menos de 30 m de extenso por 1 m de largura. No caso dos satlites geoestacionrios GOES-10, GOES-12 e MSG-2 em rbita a 36 mil km, a dimenso do foco deve ser o dobro. Ressalva deve ser feita quanta a baixa resoluo espacial destes sensores, pois ela no permite avaliar com preciso focos de calor menores que um pixel, de forma que ao ocorrerem um ou mais focos pequenos de calor que, embora no tenham de

33 um a cinco quilmetros quadrados, se somados, na representao das imagens eles sero tratados pelo total do pixel, permitindo que ocorra em alguns casos e regies, um vis de alta nos resultados (QUEIMADAS, 2007a). 1.2 ESCOPO E OBJETIVOS DA PESQUISA Mesmo limitando o esforo de pesquisa deteco de mudanas e ela exclusivamente ao uso e cobertura do solo com dados provenientes s do sensoriamento remoto digital, ainda assim, ele se manteria extremamente vasto, abrangendo qualquer regio e ou tema - de vulces a pesquisas mineralgicas, do aquecimento das guas marinhas aos impactos de um furaco. Este fato impe a necessidade de delimitar escopo do trabalho ao uso e avaliao de tcnicas j consagradas de deteco de mudana, aptas a operar imagens de regies predominantemente rurais e que possuam capacidade de captar a dinmica das alteraes no uso e na cobertura do solo sob uma escala de trabalho regional. O principal objetivo deste trabalho avaliar da capacidade de detectar as mudanas que ocorreram na rea de estudo, delimitada na regio da campanha do Rio Grande do Sul, durante os 18 anos abrangidos, alm de localiza-las, qualifica-las e estudar suas tendncias, mediante o emprego de tcnicas de ps e pr-processamento de deteco digital de mudanas em imagens transformadas e mapas temticos gerados a partir de imagens Landsat-TM dos anos de 1988, 2001 e 2006, corrigidas e georreferenciadas. Colateralmente, o trabalho visa fornecer subsdios para o entendimento dos impactos que a criao de Projetos de Assentamento causou nesta regio atravs da dinmica das transformaes do uso e da cobertura do solo, assumindo que h uma relao proporcional ela e o desenvolvimento rural.

34

REVISO DE LITERATURA

2.1 METODOLOGIA DA DETECO DE MUDANAS NO USO E NA COBERTURA DO SOLO Uma separao entre as metodologias da deteco de mudanas pode ser estabelecida pelo nmero de imagens utilizadas na comparao, se forem apenas duas imagens, a metodologia de deteco de mudanas bi-temporal, se forem utilizadas trs ou mais delas ento a metodologia de anlise da trajetria temporal. No caso da utilizao de apenas duas imagens, a escolha das datas de aquisio das imagens crucial para evitar a contaminao das mudanas por efeitos fenolgicos e sazonais, como a diferentes condies de iluminao da cena (COPPIN, 2004). A dimenso temporal influencia profundamente os resultados da deteco de duas formas: tanto pelo tempo entre as capturas das imagens quanto pela poca do ano do imageamento. O distanciamento no tempo deve ser entendido como uma funo dos objetivos do trabalho, da mesma forma que a escala de trabalho, e por isto deve ser adequado dinmica das mudanas. Fenmenos naturais de sucesso podem demandar um distanciamento de dcadas entre uma imagem e outra, j os impactos do fogo, poucos meses. Quanto s pocas de aquisio, a importncia delas est diretamente relacionada minorao das diferenas na iluminao da cena e dos fatores fenolgicos que afligem a vegetao, consoantes variao do clima regional (i.e. poca seca e de chuvas, presena de neve queda de folhas) (COPPIN et al., 2004; ROGAN et al., 2002; LU et al., 2004). Quando as imagens que compem o conjunto temporal esto pouco distantes no tempo, cinco anos ou menos. As reas que sofreram algum tipo de transformao podem representar uma parcela muito pequena da cena total, prejudicando a deteco, se for utilizada uma amostragem casual, ou mesmo no caso de amostragens sistemticas, se a intensidade no for adequadamente alta (Binging et al., 1988 apud CAKIR, KORRAM e NELSON, 2006). Nestes casos, quando h perigo de subestimao, uma amostragem estratificada e orientada por uma prvia subtrao de bandas, ou gerao de transformadas (e.g. NDVI), pode ser necessria para melhorar a capacidade de

35 deteco. No caso de uma imagem diferena a ser gerada, tambm permitir a identificao dos extratos em conformidade com as probabilidades dos tipos especficos de transformaes terem ocorrido (e.g. possvel desvegetao, possvel vegetao), assim como da no mudana na cobertura, ou no uso do solo (CAKIR, KORRAM e NELSON, 2006). No h um espaamento temporal padro, pois ele se subordina ao tipo de mudana e aos objetivos pesquisados, por exemplo, no caso dos impactos de um desastre natural, o perodo entre as imagens pode ser exatamente o da durao do fenmeno em estudos envolvendo o desenvolvimento de culturas devem ser considerados espaamentos de uns poucos meses, quando o foco reside em aes antrpicas, como o desmatamento, usual acumular por um ano, ou por ano agrcola, fenmenos menos dinmicos como a urbanizao. Na maioria dos casos, dependem de alguns anos para uma deteco segura e em casos mais extremos, como a regenerao de florestas, dcadas sero necessrias. De uma forma geral a literatura cientfica apenas alerta para a importncia de sua correta determinao, levando em conta os fins e os meios disponveis e converge para perodos mnimos de trs a seis anos, para os casos nos quais as mudanas analisadas possuem algum fator antrpico, ou ocorrem sob taxas mdias (DOBSON et al.; 1995; COPPIN et al., 2004; LU et al., 2004). O intervalo de tempo entre as imagens deve assegurar, principalmente, que a quantidade de mudanas ocorridas e detectveis possa ser maior que a soma dos erros inerentes tcnica utilizada, sob pena da informao ruidosa assumir um peso significativo nos resultados. Por outro lado, ele no pode ser maior, ou igual ao tempo de regenerao dos impactos, ressaltando-se que h grande correspondncia entre a freqncia temporal do sensor, ou seja, sua resoluo temporal e sua capacidade de servir deteco e monitoramento de mudanas (LUNETTA et al., 2004). A rigor, alm do tempo entre imagens, todos os fatores que podem influenciar nos resultados devem ser controlados ao mximo. Independente da metodologia adotada: a preciso do registro das imagens, a qualidade da calibrao ou da normalizao dos dados, a disponibilidade dados de verdade de campo, a complexidade do uso e cobertura do solo na rea de estudo, o algoritmo de deteco usado, o esquema de classificao criado, a experincia

36 do analista e seu conhecimento acerca da rea em estudo e por fim quais so as restries de tempo e de recursos (LU et al., 2004). Idealmente os trabalhos de deteco de mudanas no sensoriamento remoto devem utilizar imagens de um mesmo sensor, que estejam bem registradas e tenham sido obtidas espaadamente no tempo em mltiplos anuais, reduzindo assim as influncias causadas pelas fontes internas e externas de erro como a comparao de pocas diferentes do ano. Essas medidas, nem sempre so possveis (anlises extensas no tempo podem envolver a vida til de vrios satlites, assim como dados e fotografias histricas), mas enquanto uma diretriz geral deve ser sempre perseguida porque reduz as dificuldades que advm da comparao de imagens com caractersticas de resoluo espacial, bandas, geometria, poca e ou hora de captura muito diferentes. (LILLESAND, KIEFER e CHIPMAN, 2004, p.596). O grande peso dos elementos ambientais na deteco de mudanas no deve ser desprezado nunca e sua considerao deve ir alm da influncia atmosfrica em que pese dela depender muito da confiabilidade das concluses obtidas. preconizado bastante cuidado com a umidade do solo e com a presena da gua nas cenas (normalidade, seca, enchentes, mars) (LILLESAND, KIEFER e CHIPMAN, 2004, p.596 - 597). Quanto escolha do algoritmo de deteco ocorre similar fato, h uma impossibilidade de se eleger o melhor dentre os vrios existentes e abordados inf. Est pacificado na literatura que cada algoritmo possui uma forma prpria de lidar com a extrao e com a classificao das mudanas e que ao se empregar diferentes algoritmos sobre os mesmos dados, resultados diferentes sero obtidos assim como o mesmo ocorrer se um algoritmo for aplicado sobre o mesmo conjunto de dados, mas com variveis espaciais espectrais, temporais e temticas configuradas de forma diferente, donde se pode concluir que no h um algoritmo aplicvel em todas as situaes (COPPIN et al., 2004). Outro tema pacfico a necessidade de uma etapa de pr-processamento das imagens para a deteco de mudanas, na qual, dentre os procedimentos mais recomendados, constam a correo geomtrica, a correo radiomtrica e correo atmosfrica e opcionalmente a correo topogrfica, o registro das

37 imagens e a aplicao de tratamentos de realce (ROGAN e CHEM 2004; ROGAN et al., 2002, COPPIN et al., 2004). Para consolidar um esforo das possibilidades metodolgicas na deteco de mudanas no uso e cobertura do solo possvel propor que os primeiros passos sejam de organizao dos objetivos buscados, a iniciar pela definio da rea de estudo e aferio da taxa das mudanas que ocorrem ali, a seguir pelo exame dos tipos de mudanas, distribuio espacial e relaes esperadas, investigando as sucesses na cobertura e nos usos do solo que podem ocorrer dentro da escala de tempo definida. Em seguida proceder aquisio das imagens, preferindo sempre aquelas perto de aniversrios, espaadas o suficiente e com datas nas pocas mais propcias para a deteco das mudanas julgadas importantes. Executar o pr-processamento delas (indispensveis as correes geomtrica, atmosfrica e radiomtrica, alm do registro das imagens) e aps, uma vez definido o algoritmo de deteco em funo dos fins e meios do estudo, aplica-lo at a obteno de resultados vlidos de deteco que permitam a localizao e quantificao das mudanas. Por fim, se os objetivos exigirem, classificar as mudanas detectadas, aplicando o esquema criado para o trabalho sem dispensar a aferio da acurcia, que deve estar dentro do aceitvel conforme os controles de qualidade adotados (DOBSON et al., 1995; LU et al., 2004). 2.2 APLICAES DA DETECO DE MUDANAS NO USO E NA COBERTURA DO SOLO Em que pese a impossibilidade de listar a totalidade das aplicaes das tcnicas de deteco de mudana no uso e na cobertura do solo e reconhecendo que h muito potencial por ser explorado, alguns esforos em sistematizar suas aplicaes j foram empreendidos e resultaram resumidamente em: (1) mudanas no uso e cobertura do solo propriamente dito; (2) mudanas na cobertura vegetal ou florestal; (3) determinao de danos em florestas por mortalidade ou desfolhamento; (4) desflorestamento, regenerao e uso seletivo em florestas; (5) mudanas em reas alagadas; (6) incndios florestais; (7) mudanas na paisagem; (8) mudanas urbanas; (9) mudanas no meio ambiente, e (10) aplicaes diversas como monitoramento de colheitas, de

38 rotao de culturas, segmentao de estradas e alteraes na massa de geleiras (Lu et al., 2004). Este rol de aplicaes, do ponto de vista deste trabalho, encontra maior correlao com os objetivos gerais propostos em trs reas principais listadas a seguir. Elas, alm de deter potencial para concentrar as aplicaes prticas da deteco de mudanas no uso e na cobertura do solo para o caso brasileiro, j contam com algumas iniciativas em andamento, tanto que o uso das metodologias de deteco de mudanas est se disseminando e os resultados obtidos so significativos. 2.2.1 Meio Ambiente A temtica ambiental freqentemente vista como um vasto campo para a aplicao de tcnicas do sensoriamento remoto e de fato os trabalhos com esta temtica que se utilizam destas tcnicas so numerosos. Dentre estes, o uso da deteco de mudanas no monitoramento ambiental vem servindo eficientemente comprovao de vrias relaes, diretamente proporcionais entre a preservao dos habitats naturais e a manuteno dos potencias produtivos de extrao sustentvel de recursos naturais, haja vista o potencial pesqueiro da costa norte americana, que depende comprovadamente da manuteno quantitativa e qualitativa das condies ambientais das reas alagadas, porque decresce na mesma proporo em que estas reas so degradadas (DOBSON et al.; 1995). O desflorestamento da Amaznia, em especial, um tema de vital importncia para a sustentabilidade ambiental em qualquer nvel, uma vez seus impactos comeam a ser sentidos no mundo inteiro. Ele est atraindo a ateno da comunidade cientfica de forma crescente que responde aumentando da quantidade de pesquisa nesta e sobre esta regio. Este fato est constituindo um grande desafio para o avano da deteco de mudanas, pois os estudos sobre os impactos destas transformaes na regio amaznica devem sempre levar em conta a relao direta existente entre as mudanas na cobertura do solo e seu uso e suas causas. Na esteira dos esforos da pesquisa nacional para produzir uma forma de monitoramento semi-automtico do desmatamento da Amaznia, h uma

39 abordagem prxima do tempo real, proposta com base na utilizao de imagens do sensor MODIS e possivelmente complementar ao DETER. O estudo utilizou imagens MODIS da composio de 16 dias (produto MOD13A1, bandas do azul, vermelho infravermelho prximo - NIR e infravermelho mdio) adquiridas em julho de 2002 e imagens dirias da refletncia de superfcie (produtos MOD09GHK e MOD09GQK reamostrados para 250 metros) adquiridas no inverno de 2002, poca da estiagem. A comparao se deu com imagens de julho de 2002, do sensor ETM+ (Enhanced Thematic Mapper Plus) do satlite Landsat7, que foram corrigidas
16,

radiomtrica

geometricamente.

processamento das imagens de ambos os sensores foi atravs de um modelo linear de mistura espectral com trs componentes principais: solo, vegetao e sombra, assumindo que a partir de uma contribuio de 50% ou mais de solo exposto, o pixel representaria uma rea desmatada e para anlise temporal, foi utilizada uma mscara com as reas desmatas desde 2002, de forma a identificar novos desmatamentos. O resultado em acurcia, do uso dos produtos MODIS, foi obtido confrontando a contribuio de solo exposto nos pixels das imagens ETM+ (resoluo de 30 metros) e nos pixels MODIS (resoluo espacial de 250 metros). Em todas as comparaes os coeficientes de correlao foram significativos, demonstrando uma consistncia no mtodo proposto, capaz de identificar incrementos no desmatamento entre duas datas, mesmo com uma resoluo espacial substancialmente menor, apenas ressalvando que as composies de 16 dias tendem, como esperado, a subestimar as previses de desmatamento, se tomadas seqencialmente (ANDERSON et al., 2005). Outra importante contribuio para a anlise das transformaes na cobertura e uso do solo amaznico escolheu a regio de Ji-paran em Rondnia. A metodologia envolveu o uso de chaves de interpretao (mtodo adaptado da fotointerpretao) baseadas em caractersticas de forma, tamanho, textura e cor de alvos terrestres, sobre as bandas 5, 4 e 3 de cenas de 1995 e 1997 do sensor TM do satlite Landsat 5. Foram considerados aspectos espectral e temporal das imagens e com auxlio de um trabalho de campo foi possvel definir seis
Este tratamento capaz de produzir inferncias sobre a proporo de cada componente subpixel na resposta espectral do pixel em cada banda exigindo para tanto, que o nmero de componentes principais seja menor que o bandas e que as propores das contribuies no sejam negativas.
16

40 classes
17

de cobertura. Os dados obtidos nestas etapas permitiram a

construo de uma mscara do uso do solo de cada ano. Atravs da sobreposio da mascara nas imagens, com o auxlio das chaves de interpretao, foi criada uma matriz das alteraes no uso e cobertura do solo, que revelou o avano das classes solo exposto e pastagens sobre a classe floresta, concomitantemente a significativa transformao de uma parte da classe solo exposto do ano de 1995, em pastagem no ano de 1997 (ANDRADE NUMATA e VALRIO FILHO, 1998). Outro bioma nacional, sob igual ameaa de esgotamento dos recursos naturais a caatinga ela tambm objeto de estudos e trabalhos de pesquisa em monitoramento ambiental, apoiados na deteco de mudanas no uso e na cobertura do solo concentrados nos impactos da ao antrpica. As transformaes no serto cearense de uma dcada (1985 a 1994) foram estudadas atravs de imagens do satlite Landsat, sensor TM-5, cobrindo 10.539.9 km2 de uma rea representativa das principais formas da caatinga18. Neste trabalho foi possvel avaliar os impactos ambientais na cobertura regional, mediante a elaborao e sobreposio de dois mapas temticos da cobertura vegetal da regio alvo, originados por segmentao e classificao por mxima verossimilhana das imagens em oito classes de cobertura e uso do solo. A pesquisa concluiu que houve diminuio da presena de todas as formas arbustivas (abertas e densas) e subarbustivas da caatinga e das matas de galeria, que cederam lugar para solo descoberto, crescimento de 175% e um pequeno incremento no uso agrcola. Os dados obtidos foram confrontados com os censos agropecurios do Instituto Brasileiro de Geografia e Estatstica (IBGE) de 1985 e 1995 e corroboraram com a grave concluso de que nos dez anos abrangidos pelo estudo, a tendncia aps a degradao das reas foi o abandono. (ANDRADE e OLIVEIRA 2004). 2.2.2 Ecologia interessante lembrar que a deteco de mudanas no uso e na cobertura do solo concentra suas atenes em transformaes ocorridas por
17 18

Floresta Primria, Floresta Secundria, Capoeira Nova, Pastagem, Solo Exposto e Queimada. Arbrea Densa (CAD), Caatinga Arbrea Aberta (CAA), Caatinga Arbustiva Aberta (CArA) e Caatinga Subarbustiva (CS).

41 substituio ou conversao, mas estas tcnicas esto suficientemente maduras para permitir o estudo e avaliao de processos mais tnues, como a sucesso vegetal dentro de ecossistemas e at mesmo a captao dos elementos fenolgicos de comunidades vegetais. A transformao temporal dentro de classes de cobertura do solo foi o objetivo de um profundo esforo de pesquisa desenvolvido em 2004, na regio do Atlntico mdio dos Estados Unidos da Amrica, envolvendo o uso de cem cenas Landsat TM que cobriram 168.000 Km2 (cento e sessenta e oito mil quilmetros quadrados) com dados do incio de 1988 at o final de 2002. O trabalho objetivou a descrio da fenomenologia das classes de vegetao da cobertura do solo, exigindo que as fossem separadas em primavera, vero e quanto s folhas em brotao, desfolhamento e amadurecimento vegetativo
19.

Em seguida as imagens foram processadas, de forma a preservar a maior parte das caractersticas originais de geometria e radiometria. Na etapa final de classificao foi desenvolvido um algoritmo baseado em rvore de deciso, que permitiu a produo de mapas temticos com boa acurcia (GOETZ, 2004). Nesta mesma linha de pesquisa fenolgica em recente trabalho nacional, vinte e duas reas prioritrias do projeto de conservao de remanescentes do cerrado
20,

cobertas por imagens do satlite Landsat TM, foram selecionadas

para estudos comparativos com imagens MODIS, produto ndice de Vegetao por Diferena Normalizada (NDVI). Essas imagens foram adquiridas entre novembro de 2000 e julho de 2002, nas duas resolues disponveis do sensor MODIS (duzentos e cinqenta e quinhentos metros). As imagens foram utilizadas na anlise temporal das mudanas fenolgicas atravs de ndices de vegetao, fornecendo valores mdios sazonais para cada polgono delimitado dentro da rea prioritria, representativos das fisionomias estudadas. Os dados locais foram comparados com os padres das imagens Landsat-TM e um modelo terico da fenologia sazonal do cerrado que pode ser proposto para as reas de preservao estudadas (MESQUITA e BITENCOURT, 2003).

19 20

Respectivamente spring, summer, leaf-on, leaf-off e fall. Projeto FAPESP n 98/05251-0: The Conservation Feasibility of the Cerrado Remnants in So Paulo State .

42 2.2.3 Desenvolvimento Rural Tcnicas de monitoramento das mudanas locais e regionais captadas em imagens de satlite tambm encontram utilidade na avaliao dos impactos das polticas pblicas voltadas para o desenvolvimento rural e para o estudo das dinmicas locais e regionais. A reestruturao agrria do nordeste chins, promovido no ltimo quarto do sculo vinte, foi avaliada quanto aos seus impactos em um trabalho utilizando imagens dos sensores TM e ETM+, cobrindo os anos de 1990, 1995 e 2000. As imagens escolhidas foram obtidas nas estaes do ano que apresentariam o maior contraste para as mudanas estudadas e aps a correo geomtrica, foram interpretadas visualmente para produo de mapas de cobertura e uso do solo que continham seis classes: agricultura, floresta, pastagens, construes, gua e inaproveitveis (salinizadas, areia, pntanos). Os mapas gerados foram conferidos a campo e serviram deteco de mudanas por sobreposio em um sistema de geoprocessamento. Dentre os resultados obtidos consta a revelao de uma drstica reduo (um milho de hectares) das reas utilizadas com lavouras, em boa parte reconvertida em florestas plantadas, demonstrando que as polticas governamentais de agroflorestas e de desenvolvimento, que preconizaram o balano entre a perda das reas cultivadas, pela incorporao de novas reas, promoveram de fato, uma compensao forada na converso de campos e florestas nativas, as classes que perderam mais rea (quinhentos mil hectares). Outro aspecto esclarecido foi o impacto da rpida urbanizao ensejada por estas polticas, que por no ter sido acompanhada da gerao de empregos em mesma monta, causou graves alteraes migratrias naquele pas, levando um grande contingente da populao a se estabelecer nas periferias urbanas e ocupar as reas de reserva ambiental (GAO, LIU e CHEN, 2006). A expanso da fronteira agrcola no em torno da BR 163 no Par foi objeto de pesquisa nas modificaes no uso e na cobertura do solo com os dados de 1999 e 2004. Mediante a classificao das imagens, obtidas em datas prximas de aniversrio, com classes representativas das feies encontradas na regio (vrzea, urbana, savana e gua, floresta primria, floresta primria em

43 regenerao) e uma para o desmatamento, foi possvel estimar as quantidades desmatadas anuais e estimar as taxas mdias de desmatamento por estrato, floresta primria e floresta primria em regenerao. Durante o tempo abrangido pelo trabalho 80.893 hectares foram desmatados, representando 6,96% do total da rea. Destes, 4,04% ocorreu na mata primria, representando a incorporao de 46.934 hectares. Reconhecendo a grande influncia da presena de nuvens nas imagens, que impactam profundamente a estimativa anualizada dos desmatamentos, foi adotada a metodologia do PRODES. Ela considera os dias do ano da estao seca em relao s datas de aquisio das imagens, para gerar a estimativa da taxa, possibilitando detectar tendncias de decrscimo, ou de acrscimo - como foi o caso - no desmatamento da regio ao longo do tempo. As causas do desmatamento tambm foram investigadas em interessante etapa do trabalho de campo, agregando grande qualidade s concluses e revelando que a concentrao dos maiores desmatamentos, nas florestas primrias motivada, principalmente, pela expanso da agricultura mecanizada e da pecuria de larga escala em contraposio aos impactos da agricultura familiar, que desmata reas menores e tende a preferir aquelas em regenerao (COHENCA, 2005). A deteco de mudanas tambm pode ser aplicada em estudos anuais e interanuais de estimativa de safra. Um trabalho envolvendo a indstria de citrus da Flrida foi levado a termo mesclando fontes e dados economtricos com informaes do sensoriamento remoto, especificamente imagens TM+, sob uma abordagem interdisciplinar e visando estimar as correlaes existentes entre as variaes espectrais e os impactos na economia local. Dados estatsticos, comerciais e industriais foram obtidos de rgos governamentais e informaes sobre quantidade de rea plantada, localizao de propriedades e zonas de produo obtidas de SIGs, disponveis na internet e informaes oficiais extradas da anlise de fotografias areas para a regio central e sul daquele estado. O tratamento das imagens fornecidas pela Universidade de Maryland baseou-se na classificao supervisionada o conjunto das imagens cobriu os anos de 1999, 2000, 2001 e 2002, acompanhando os dados de produo disponveis. A comparao dos dados fotogramtricos com os resultados da classificao das imagens revelou grande diferena na rea total

44 plantada em torno de 30% menos (1.000 Km2). Na anlise econmica, pressupondo que o crescimento da rea plantada se correlaciona positivamente com o incremento da produo, as diferenas detectadas nas imagens de satlite foram correlacionadas e comparadas com as estimativas de produo oficiais, comprovando uma boa correlao, mesmo se mantido o vis de baixa e a produo valorada em 390 milhes de dlares, que representa 32% a menos das projees oficiais. Dentre as concluses a resoluo das imagens deve ser considerada nestes estudos, aumentando-a sempre que possvel, pois o cruzamento da rea com a produo baseia-se em estimativas de densidade de plantio, que ao longo do tempo vem crescendo, levando s dificuldades na interpretao dos resultados usando imagens que no permitem distinguir entre as diferentes densidades de plantio. A resoluo espectral tambm deve ser considerada para separar reas com a cultura em crescimento de reas com outros tipos comuns de cobertura (agricultura, pastagem, vegetao arbustiva), pois a contribuio subpixel foi muito alta e gerou erros de omisso. A utilizao de imagens de pocas bem distintas tambm pode ter contribudo, mas de forma geral, pois a fenomenologia das variedades bem distinta e deve ser levada em conta em estudos futuros e o sensoriamento remoto em que pesem as subestimaes, foi considerado vlido para a construo de estimativas e de um sistema de monitoramento constante desde que ajustadas s metodologias (SHRIVASTAVA e GEBELEN, 2007). Colateralmente a deteco de mudanas nos tipos de uso e cobertura do solo pode permitir que sejam correlacionados a tipos de agricultura, para discriminar tipos de fazendas. Neste rumo uma pesquisa foi desenvolvida na regio de Missiones, na Argentina, com o objetivo de correlacionar os tipos de cobertura do solo com os tipos de fazendas existentes em uma dada localidade. A diversidade dos sistemas de produo uma informao crucial para o planejamento do desenvolvimento rural de qualquer pas, assim como para o equacionamento das questes da produo e do uso sustentvel dos recursos naturais. O primeiro passo foi o delineamento de um esquema tipolgico para a classificao das fazendas, ou propriedades rurais, determinando uma hierarquia atravs dos diferentes enfoques produtivos que poderiam estar

45 coexistindo dentro dos polgonos identificados como imveis. Os dados foram originados de entrevistas estudos e de coletas de campo, a partir deles estabelecidas s correlaes entre o uso e a cobertura do solo. A execuo do estudo levou em conta trs etapas: (1) a determinao de quais tipos de cobertura do solo que quando e onde ocorressem permitiriam caracterizar o imvel; (2) determinar os casos em que o monitoramento das coberturas era possvel e por fim (3) o quanto da rea de cada imvel era necessrio para classific-lo. Para compor a amostra, 120 fazendas foram escolhidas e estudadas caso a caso, para diferenciar os grupos de fazendas: Grupo 1 fazendas pequenas, com rea de lavoura limitada, poucos animais e de uma forma geral, pobres; Grupo 2, diferindo do Grupo 1, pela presena de fumo na rea de lavoura e alguma mo de obra contratada, Grupo 3 maiores, mais diversificadas, com a presena de animais e plantios perenes e; Grupo 4 que reproduziam o grupo anterior, porm em extenses maiores. Para a classificao do universo de 949 fazendas, foi necessrio separar as amostra em dois grupos, um para examinar a correlao entre o tipo e a cobertura encontrada e o outro para o exame da acurcia da associao entre tipo de fazenda e cobertura encontrada. Uma classificao supervisionada foi levada a termo sobre imagens SPOT do inverno de 1991 e do vero de 1992. A cobertura do solo foi definida em classes: floresta natural, pinus, pastagens, duas classes de vegetaes arbustivas, cultura perene de ch, cultura perene de tunga, plantios anuais erva mate e desmatamentos. A rea desmatada total em hectares serviu como primeira varivel para uma rvore de classificao e a rea de pastagem, tambm em hectare como a segunda. Os resultados obtidos foram considerados bons para a predio do tipo de fazenda, face o cruzamento com o mapa cadastral, porm o exame das amostras identificou uma menor acurcia na separao de classes vizinhas. No entanto, foi possvel extrair informaes interessantes do exame espacial dos resultados, quando dados histricos revelaram alguns motivos para a ocorrncia de trajetrias evolutivas to distintas dentre as regies estudadas. A legalizao das posses, ocorrida no passado, em uma localidade, acarretou no presente a hegemonia de um tipo especfico de fazenda nesta regio (DUVERNOY, 2000).

46 2.3 TCNICAS DE DETECO DE MUDANAS NO USO E COBERTURA DO SOLO Como j pode ser visto nas seces anteriores, so vrias as tcnicas disponveis para a deteco de mudanas no uso e na cobertura do solo a partir de dados do sensoriamento remoto, porm no devem ser confundidas como sinnimos, mesmo que a maioria delas baseie-se em comparaes dos tipos antes - depois e de para, porque elas servem a objetivos distintos e seus algoritmos tratam os dados com princpios matemticos igualmente distintos. Na literatura consultada freqente encontr-las organizadas pelo uso preferencial, usualmente subdividido em (1) acompanhamento e monitoramento de processos de mudana incrementais e decrementais e (2) anlise comparativa, ponto a ponto, voltada preferencialmente para fenmenos dinmicos, de carter cclico, raramente processual. Do primeiro grupo so representativos os trabalhos que envolvem a Anlise Multitemporal Temporal (ANDRADE
21

(MESQUITA Jr. e BITENCOURT, 2003) ou Espaoe OLIVEIRA, 2004) e o Monitoramento com

Sries-Temporais (GOETZ, 2004). Estas tcnicas so empregadas normalmente nos trabalhos que envolvem a comparao, no s pelo total das mudanas por tipo, mas tambm da taxa de variao das transformaes no tempo, como no caso dos estudos que envolvem o crescimento urbano, a desertificao ou o desmatamento. No segundo, os trabalhos que espelham bem a avaliao de resultados de um projeto, poltica ou fenmeno como a rea plantada em uma safra comparada outra (HUANG, 2000; CAKIR, KORRAM e NELSON, 2006). Esta forma, por ser muito imprecisa, no pode ser considerada uma epistemologia suficientemente desenvolvida, para ser capaz de impedir confuses e ou impropriedades com conceitos e denominaes, dada a facilidade com que se encontram vrias denominaes. Corrobora com este fato a freqente utilizao de uma tcnica em diferentes situaes, nem sempre recomendvel, afinal, o emprego normalmente pende mais pela a familiaridade do pesquisador, que pelos objetivos da pesquisa, ou seja, desconsiderando qualquer critrio de adequao (LU, 2004).
21

Do ingls Multitemporal Analysis.

47 Diante deste quadro, foi necessrio optar por uma forma de

sistematizao baseada nas diferenas intrnsecas dos algoritmos, fazendo emergir dois grupos dentre o rol das tcnicas de deteco de mudanas do uso e cobertura do solo: as baseadas na ps-classificao das imagens e as baseadas na pr-classificao (Lunetta; Singh apud CAKIR, KORRAM e NELSON, 2006). Outros grupos seriam possveis, mas a deciso foi inclu-los como subgrupos da pr-classificao. Nestes casos esto as tcnicas consideradas mistas, ou hbridas, nas quais a deteco de mudanas no uso e cobertura do solo integrada com dados e informaes espectrais e no espectrais (e.g. dados literais, analgicos, histricos) em sistemas de informaes geogrficas
22,

as

tcnicas baseadas em transformadas por se diferenciarem apenas pelos princpios matemticos utilizados e as tcnicas baseadas em modelos em nmero diminuto, mas com grande potencial. Apenas aquelas tcnicas consideradas demasiado experimentais foram separas em um terceiro grupo, mas uma ressalva deve ser feita s tcnicas que utilizam sistemas especialistas, baseados em inteligncia artificial, assim como quelas baseadas em segmentao de imagens com classificadores de lgica de conjuntos nebulosos. Ambas justificariam um quarto grupo, possuem grandes diferenas tcnicas e acumulam bons resultados nos relatos da bibliografia mais recente que trata de imagens de alta resoluo espacial, mas sero apenas citas, quando oportuno, dado que extrapolariam a metodologia adotada neste trabalho. 2.3.1 Tcnicas de Ps-Classificao Estas tcnicas de deteco de mudanas no utilizam comparaes diretas imagem a imagem, baseiam sua etapa de deteco em comparaes de resultados obtidos a partir de classificaes realizadas sobre as imagens originais, donde a denominao de ps-classificao. considerada a tcnica mais bvia e pode ser empreendida com classificao supervisionada e no supervisionada. As desvantagens de seu uso residem nas suas exigncias em tempo e custo, pois a obteno de verdades de campo sempre deve ser considerada. Alm deste aspecto, o uso dos resultados
22

A exposio detalhada pode ser encontrada em LU et al., 2004.

48 fica sempre restrito as classes inicialmente escolhidas, que so normalmente discretas, ou seja, os pixels classificados no guardam informaes sobre a incerteza de sua classificao e conforme as probabilidades associadas s classes individuais, pequenas indicaes de mudana podero ser tratadas como estatisticamente no significantes. Finalmente os erros de classificao possuem um efeito componente, ou seja, a acurcia das classificaes de cada imagem deve ser multiplicada de forma que se possa estabelecer o erro da comparao, assim duas classificaes com 90% de acurcia, quando comparadas estabelecem uma probabilidade de erro de 19%. (DEER, 1995). A comparao de mapas temticos obtidos atravs da classificao pode ser realizada visualmente ou em um ambiente de geoprocessamento, sob funes de lgebra de mapas. Esta uma forma relativamente simples para a comparao bi-temporal, ressalva-se, no entanto, que requer o desenvolvimento de controles de qualidade e formas de comprovao da acurcia das informaes obtidas, dado o carter acumulativo do erro das classificaes (DEER, 1995; HUANG et al., 2000). O risco de erro sempre maior quando o objeto de estudo uma rea muito extensa, aumentando sempre que os limites da escala de trabalho so fixados pelos objetivos do trabalho e no pelos insumos geogrficos, geodsicos e de sensoriamento remoto disponveis. Finalmente o nmero de classes utilizadas diretamente proporcional ao crescimento do erro da deteco de mudana. A principal vantagem destas tcnicas reside na independncia entre as imagens temporais que minora os problemas de correo e a normalizao radiomtrica, alm de que acessoriamente um bom esquema de classificao pode ajudar no foco da deteco de mudanas ao isolar as transformaes que no importam aos objetivos (COPPIN, 2004). Uma ressalva vlida para todas as tcnicas deste grupo a necessidade se ter cautela em relao necessria classe que representa a no mudana, ou seja, aquela onde sero depositados os pixels que permaneceram na mesma classe. Ela no de deve significar como a excluso aconteceria da no mudana, caso de apenas pixels a impossibilidade capt-la, que

representassem coberturas com assinaturas similares, mas com significados

49 muito diferentes (e. g. floresta em regenerao e floresta em manejo sustentvel). O mesmo cuidado deve haver quando existem pixels no classificados em um, ou ambos os mapas temticos, nestes casos no possvel estabelecer as trajetrias da mudana quando envolver classe e no classe ou vice e versa, assim como contabilizar um pixel como estvel (no mudana) quando ele permanece no classificado nos dois mapas temticos. 2.3.1.1 Ps-classificao No Supervisionada:

Ambas as imagens so classificadas por meio de algum algoritmo de clusterizao e os resultados so comparados da mesma forma que nas demais possibilidades de classificao supervisionada. A classificao no supervisionada possui reconhecidamente de menor acurcia, de forma que os resultados esperados so muito limitados. Nestas tcnicas, s no segundo momento as classes recebem algum tipo de significado, pois a anlise dos resultados da classificao deve preceder as expectativas de comparao e interpretao dos resultados da tematizao. 2.3.1.2 Ps-classificao Supervisionada:

O algoritmo de classificao utilizado requer a captura de amostras das classes estabelecidas e a definio de limiares entre as classes, opcionalmente podem ser estabelecidas probabilidades, a priori, para cada classe e construdas rvores de deciso. Alternativamente a operadores booleanos, possvel utilizar lgica de conjuntos nebulosos e redes neurais. Aps a classificao dos pixels de cada imagem, conforme o sistema de classes definidos, so gerados mapas temticos para cada data e a comparao se d entre eles, detectando mudanas pela troca de pixels de uma classe para outra. 2.3.1.3 Ps-classificao com Segmentao:

A classificao precedida de uma etapa de segmentao das imagens, manual ou automtica e procedida sobre os segmentos e no sobre os pixels, de forma que o tratamento estatstico se torna mais consistente principalmente se houver muitos dados, como ocorre nas imagens de alta resoluo espacial.

50 Bons resultados com esta tcnica foram obtidos em uma abordagem integrada entre sensoriamento e geoprocessamento sobre uma regio do sudoeste escocs, permitindo reduzir os erros mais bvios do processo de classificao (Xu e Young, 1990 apud COPPIN, 2004). 2.3.1.4 Ps-classificao com Chaves de Deciso:

Nesta tcnica de ps-classificao, o sistema supervisionado de coleta de amostras das classes acompanhado da construo de rvores de deciso que permitem incluir decises dicotmicas sobre o resultado dos classificadores estatsticos e a incluso de operadores lgicos. Este mtodo de classificao foi utilizado em um trabalho recente que estudou a fenologia de diversas espcies em uma extensa regio dos Estados Unidos. O primeiro passo foi a separao das cenas em pocas fenolgicas, para facilitar as comparaes vis a vis e diminuir o efeito da topografia na iluminao das cenas. Logo a seguir, a refletncia das cenas foi convertida ao do topo da atmosfera e as imagens ortorretificadas. A classificao da cobertura do solo foi realizada a partir de amostras de treinamento, com o desconto da mscara de nuvens, atravs de uma rvore de deciso para as reas permeveis (solo, pasto, floresta) e rvore de regresso para as reas impermeveis (estradas, telhados, pedras). O algoritmo de classificao desenvolvido dividia a populao de pixels em dois grupos, conforme a maior proporo do desvio da varivel independente em ciclos sucessivos at que os ns terminais das rvores contivessem apenas representantes nicos das dezesseis classes definidas nas amostras (variveis dependentes). Os considerados diferenciao entre mapas temticos em relao e plantaes produzidos sob esta tcnica foram aos anteriores, e os pois testes permitiram de a pastagens acurcia avanos

demonstraram a coerncia dos produtos, configurando o uso de dados multitemporais sob esta metodologia como promissora ferramenta para o suporte a deciso no manejo dos recursos naturais (GOETZ, 2004). 2.3.2 Tcnicas de Pr-Classificao Neste conjunto de tcnicas as fases quantitativas e qualitativas ocorrem aps a aplicao do algoritmo de deteco de mudanas, independentemente de

51 ser levado a termo com classificadores estatsticos, ou formas menos comuns, como redes neurais, donde so consideradas como tcnicas de pr-classificao, ou seja, primeiro so detectadas as regies onde houver mudanas e logo a seguir estas mudanas so analisadas, quantificadas e qualificadas. A deteco de mudanas por pr-classificao possui vrias abordagens, que podem ser distintas pela forma com que acessam os dados: nas imagens em separado ou, construindo uma imagem multitemporal na qual bandas de diferentes datas produzem uma imagem contrastada nas mudanas. Nestes casos so impossveis as concluses do tipo de-para (DEER, 1995; DOBSON, 1995). Os tratamentos qualitativos e quantitativos da fase classificatria da deteco de mudanas no uso e na cobertura do solo, com tcnicas de prprocessamento utilizam bandas imagens e imagens transformadas ou ndice de vegetao. H uma maior freqncia no emprego de classificadores estatsticos, mas recentemente novas tcnicas, algumas bastante intensivas em processamento esto sendo desenvolvidas para enfrentar os desafios advindos do crescimento constante das resolues espacial e espectral. A deteco de mudanas, aos poucos, tende a deixar a exclusividade do sensoriamento, incorporando-se aos sistemas de informaes geogrficas (GIS). Nestes sistemas especialistas, baseados em inteligncia artificial, tcnicas de estatstica espacial, modelos lineares generalizados e o cruzamento dos dados de informaes de diversas fontes, literais e especiais esto contribuindo para alargar seus horizontes e aplicaes (COPPIN et al., 2004). O objetivo bsico de todos estes tratamentos, no entanto, garantir que as feies interessantes ao estudo das mudanas sejam realadas. Por diversas formas, a transformao ocorrida no uso e na cobertura do solo, normalmente contida na menor poro dos dados, pode ter a ocorrncia identificada e em seguida, analisada com toda acurcia possvel. 2.3.2.1 Tcnicas com Imagens Multitemporais

Estas tcnicas se caracterizam pelo tratamento concomitante das imagens de diferentes datas, atravs da construo de um cubo multitemporal, ou seja, uma imagem composta por diversas bandas de datas distintas.

52 2.3.2.1.1 Anlise Composta

realizada atravs da combinao, ou empilhamento, de um conjunto de imagens, co-registradas de diferentes datas, valendo igualmente a recomendao de que as pocas do ano devem coincidir, assim como as condies do imageamento quanto iluminao. Uma vez construda a imagem multitemporal ela classificada uma nica vez para a deteco das mudanas, sob o princpio de que nas reas onde correram as transformaes se concentrem discrepncias estatsticas quando comparadas com o restante da imagem, que se manteve inalterado, ou com poucas mudanas. Ressalva deve ser feita complexidade desta classificao, pois a juno das imagens aumenta a dimensionalidade dos dados e podem ser necessrias muitas classes, aumentando o risco de redundncia, se no for realizada uma anlise discriminante prvia. A classificao tambm deveras dificultada pela equivalncia assumida entre as feies espectrais e temporais, a priori, inseparveis exigindo muita intimidade do analista para com as cenas que poder incluir vrios estgios e sistemas lgicos de deciso (COPPIN et al., 2004). A vantagem reconhecida desta tcnica a possibilidade de visualizar duas e at trs imagens de datas distintas ao mesmo tempo, permitindo contrastes por falsa cor diretamente na tela. Serve de forma excelente a anlises rpidas e quantitativas que complementem a escolha de mtodos mais complexos e acurados de deteco de mudanas, conforme os resultados preliminares. A principal desvantagem, comentada supra, reside na impossibilidade de detectar as mudanas entre classes, pois apenas uma classificao possvel. Ela pode ser tradicional, atravs operadores estatsticos, supervisionada ou no, ou realizada por tcnicas que envolvam imagens transformadas (DOBSON et al., 1995). A classificao supervisionada exige a coleta de amostras nas reas com e sem mudanas para derivar os subespaos com anormalidade espectral dentro do espao das feies, sem que seja possvel identificar o tipo de classe. O procedimento no supervisionado, baseado em uma anlise de clusterizao, atuar de forma similar, diferindo a mudana da no mudana. As diferenas

53 estatsticas significativas em todos os casos permitem a diferenciao das regies e s na etapa seguinte quando for necessria, que podero ser propostas classes e significados s regies detectadas (DEER, 1995). A Anlise Composta realizada utilizando-se um conjunto de bandas coregistradas para construir uma imagem com informaes temporais e espectrais e sobre ela so aplicados algoritmos estatsticos de classificao. Note-se que ao criar uma imagem com bandas obtidas em momentos distintos, a direcionalidade do tempo perdida, resultando que nas mudanas detectadas na cobertura, ou mesmo uso do solo, as converses no sero distinguveis, a priori, das regeneraes. Nestes casos, as informaes temporais e espectrais so tratadas no conjunto e bastante difcil separ-las (Schowengerd apud COPPIN et al., 2004). 2.3.2.2 Tcnicas Algbricas Estas tcnicas se caracterizam pela utilizao de equaes algbricas entre bandas e transformadas das imagens em comparao, assim como de mapas temticos. As operaes algbricas mais freqentes so a subtrao e a razo de bandas e imagens. 2.3.2.2.1 Subtrao de Imagens Das tcnicas de deteco de mudanas no uso e na cobertura do solo a mais largamente utilizada e pode ser considerada uma das mais simples, potencialmente produtora de bons resultados (COPPIN et al., 2004). Seu princpio a subtrao dos contadores digitais dos pixels homlogos de duas imagens (podem ser bandas, ou transformadas) co-registradas, obtidas em datas distintas, de forma que uma nova imagem seja produzida. Esta terceira imagem dever apresentar um histograma onde em torno da mdia se situaro os pixels sem mudana, ou com nenhuma mudana e nas pontas, aqueles que mudaram significativamente entre os dois momentos. Quando a subtrao se d apenas entre duas bandas, a tcnica, por vezes, referida como Diferenciao Univariada (DEER, 1995).

54 Nota-se que a operao de subtrao, alm de concentrar os pixels sem mudana em torno do valor 0, pode resultar em uma imagem diferena contendo valores negativos e positivos nos contadores digitais dos seus pixels, isso se d porque na imagem original de 8 bits os valores discretos possveis so 0 a 255, mas com a subtrao a amplitude passa de -255 a 255. Nessa condio possvel que ocorram distores no tratamento estatstico da etapa de classificao, de forma que recomendvel a soma de uma constante (e.g. 255) para eliminar este problema (DOBSON, 1995). A subtrao tambm pressupe um mnimo de igualdade entre as imagens, portanto ela dependente do sucesso das etapas corretivas anteriores, principalmente o registro e a correo atmosfrica e em casos especficos, algum tipo de normalizao. Outro fator crtico o ajuste dos limiares entre a mudana e a no-mudana, dado que a distribuio dos pixels no histograma da imagem diferena se aproximar de uma normal e nas caudas estaro os pixels com mudanas significativas. O caminho emprico, testando vrios limiares e interpretando seus resultados, na maioria das vezes a melhor forma de encontrar os limiares em que pese seu subjetivismo e dependncia da familiaridade do operador com a regio analisada, pois no estaro disponveis quaisquer informaes sobre a natureza destas mudanas alm da localizao e intensidade (DOBSON, 1995, COPPIN et al., 2004). 2.3.2.2.2 Razo de Imagens A razo de imagens possui os mesmo princpios da subtrao, pois obtida por uma operao aritmtica entre os contadores digitais dos pares de pixels homlogos de imagens registradas entre si, que neste caso a diviso. As transformaes so reveladas pelos valores dos pixels da imagem razo, devido ao distanciamento da unidade (pixels no modificados) para mais ou para menos (DEER, 1995). Note-se que dentro da faixa de variao dos pixels que sofreram alteraes, diferentes causas podem se apresentar indistintas sob uma mesma taxa, assim como um nico valor pode se apresentar flutuando como resultado de taxas bem diferentes, o que exige um critrio maior na anlise dos resultados

55 e imposio de limites nas extrapolaes (OGUMA e YAMAGATA apud LIU, 2005). Nesta tcnica devem ser tomados os mesmos cuidados assessrios de correo dos valores dos pixels que no se relacionam resposta espectral dos alvos (e.g. mudanas atmosfricas, umidade no solo, sensor), porm a deteco de mudanas com esta tcnica sofre menos influncia de problemas de iluminao, como ngulo solar, topografia e sombras por envolver na diviso pixels com valores prximos de zero (LU et al., 2004). absolutamente crtica, neste mtodo, uma exaustiva anlise estatstica da distribuio dos pixels no histograma da imagem razo, dada a natureza da operao que pode retornar taxas de mudana e no-mudana em uma distribuio bi-modal dos dados. As freqncias se concentram na unidade, mas haver picos em pelo menos outros dois valores, um superior e outro inferior a unidade nem sempre simtricos mdia, tornando muito difcil fixar limiares sem a aplicao de funes de normalizao diferentes para cada cauda, assim como representar a imagem em 8 bits (DERR, 1995; COPPIN et al., 2004). 2.3.2.2.3 Regresso de Imagens Esta tcnica no largamente utilizada. Nela a comparao das imagens depende de assumir uma delas (normalmente a mais antiga) como parmetro fixo, servindo de base para o estabelecimento de uma equao linear que as correlacione e permita inferir os valores dos pixels na segunda imagem. Os pixels da segunda imagem indicaro mudanas quando diferirem dos valores esperados, calculados pela regresso e pela aplicao de limiares, assim as regies que mudaram sero identificadas. Note-se que os elementos comparativos so as mdias e varincias dos valores dos pixels entre as diferentes datas, fatos que reduzem as influncias da atmosfera e da angulao solar so reduzidos (DEER, 1995). Uma forma de construo da equao de regresso identificar pixels homogneos invariveis (e.g. rochas, asfalto) presentes nas duas imagens e

56 subtrair seus valores para fornecer os parmetros do modelo de regresso (LIU, 2005). Similar a outras tcnicas, o estabelecimento dos limiares e a escolha das bandas so os elementos mais crticos para o sucesso nos resultados exigindo profunda anlise dos resduos da regresso e testes com as diversas bandas. Alertando-se que para cada uma delas dever ser determinada uma equao de regresso, de forma que pode ser possvel que o uso desta tcnica no seja muito amplo, porque seus resultados se apresentam muito prximos ao de outras tcnicas mais simples, como a subtrao de imagens (COPPIN et al., 2004; LU et al., 2004; RIDD e LIU, 1998). 2.3.2.2.4 Anlise da Mudana Vetorial (CVA) 24 A dependncia do grau de relacionamento existente entre as alteraes captadas pelo sensor e as mudanas reais na refletncia da superfcie significativo para a qualidade das informaes extradas pela deteco das mudanas na cobertura e no uso do solo, um tema j tratado de forma devida no primeiro captulo. Restando lembrar a presena de informaes ruidosas que certamente causam erros de comisso e de omisso, quando da interpretao dos dados, que a maior parte das metodologias de correo no capaz de controlar eficientemente. Em situaes mais severas, h a opo de deteco de mudanas pela anlise da trajetria vetorial dos pixels, que possui uma caracterstica interessante neste sentido. Esta tcnica minora os problemas de calibragem e normalizao radiomtrica e admite um grau elevado de automatizao, porque se baseia no exame entre a posio inicial de um pixel no espao espectral (bandas na data inicial) e a magnitude da mudana e seu ngulo de orientao previamente (HUANG, 2000).
25 23

em relao

posio do pixel na data final, face uma posio esperada calculada

Nos estudos envolvendo vegetao o uso da banda infravermelho prximo (NIR) recomendvel. 24 Do ingls Change Vector Analysis (CVA.
23
25

Magnitude (M) =

(B1t 2 B1t1 )2 + (B 2t 2 B 2t1 )2

e ngulo tang(A) =

(B1t 2 B1t1 ) (B 2t 2 B 2t1 ) .

57 Revisando o conceito vetorial do pixel de uma imagem multiespectral, sabe-se que os valores em cada dimenso (banda) representam seu nvel de brilho e por isso, podem ser plotados em sistemas de coordenadas. Quando comparadas imagens (ou suas transformadas) de datas distintas, os dados associados a cada pixel definem vetores de cada data respectiva no espao multidimensional. A trajetria destes vetores pode ser comparada por subtrao vetorial e as mudanas em amplitude e direo (tipo da mudana), que a partir de limiares definidos, diferenciaro os pixels com mudana daqueles inalterados (DEER, 1995). Esta tcnica, por permitir a comparao direta de todas as bandas, tida como um processo multidimensional completo, considerando as informaes espectrais e as informaes temporais. Sua aplicao gera dois produtos: a direo das mudanas e a magnitude das mudanas entre bandas e a total. Essas mudanas so determinveis por clculo da distncia euclidiana, onde reside a maior dificuldade da identificao das trajetrias das mudanas (de-para). A tcnica til em procedimentos automticos e aceita a utilizao de imagens segmentadas ao permitir a anlise de das trajetrias dos grupos de pixels integralmente. Requer, no entanto, o preciso registro das imagens e se forem utilizadas imagens transformadas, a et al., 2004, Colwel et al. apud COPPIN, 2004) 2.3.2.3 Subgrupo de Tcnicas com Transformadas normalizao dos dados, pois as escalas das componentes so normalmente bem distintas (DERR, 1995, COPPIN

2.3.2.3.1 Diferenciao de ndices Aproveitando a natureza multidimensional da informao nas imagens multi e hiperespectrais, vrias tcnicas existentes combinam os dados de diferentes comprimentos de onda, atravs de operadores matemticos, para atender a necessidades especficas de determinados tipos de anlise. Estas combinaes entre diferentes bandas geram novas imagens transformadas a partir dos dados originais. Uma das formas mais comuns de combinao de bandas no clculo de ndices de Vegetao. Estes ndices, com pequenas diferenas, baseiam-se em

58 duas propriedades espectrais da vegetao: forte refletncia do infravermelhoprximo e alta absoro do vermelho. Suas variaes giram em torno da alta correlao existente entre a quantidade de folhas verdes na biomassa e a taxa obtida pela diviso dos valores de refletncia dos pixels no infravermelho-prximo pelo vermelho (Tucker, 1979 apud DEER, 1995). O ndice de vegetao mais amplamente utilizado o ndice de Vegetao por Diferena Normalizada (NDVI)
26.

Sua principal propriedade a eliminao

dos efeitos multiplicativos dos fatores externos que atuam em todas as bandas. Em contrapartida aumenta o efeito dos rudos e outros efeitos randmicos. (LU et al., 2004; DEER, 1995). O NDVI pode ser obtido pela frmula a baixo, que utiliza os valores de refletncia dos pixels nas duas bandas especificadas:
[(Infravermelho-prximo) (vermelho)] / [(Infravermelho-prximo) + (vermelho)] (1)

Dentro dos propsitos da deteco de mudanas no uso e na cobertura do solo, a utilizao de imagens transformadas obtidas por ndices de Vegetao aceita como uma forma vlida para detectar alteraes quantitativas na cobertura verde do solo, que se correlaciona diretamente biomassa verde. A forma mais corrente de seu uso pela subtrao das imagens NDVI (DEER, 1995; MAS, 1999). Possui os mesmos fatores crticos da diferenciao de imagens: identificar o melhor ndice de vegetao para os objetivos do trabalho e ajustar os limiares para distinguir as reas com mudana daquelas que permaneceram inalteradas (LU et al., 2004). 2.3.2.4 Subgrupo de Tcnicas com Transformaes Lineares

Existem diversas tcnicas baseadas em transformaes lineares que podem ser aplicadas na deteco de mudanas no uso e na cobertura do solo a partir da comparao de duas imagens com n-dimenses, ou bandas e espaadas no tempo. Variando o tratamento matemtico dos dados, todas compartilham o mesmo princpio de descorrelacionamento dos dados, buscando concentrar as informaes pertencentes s menores modificaes estatsticas
26

Do ingls Normalized Difference Vegetation Index.

59 nos componentes
27.

ortogonais

para

ressaltar

as

diferenas

(COPPIN et al., 2004)

2.3.2.4.1 Anlise de Componentes Principais (PCA) Dentre as vrias tcnicas de transformao linear de imagens digitais est a tcnica PCA. Ela caracterizada por ser til na reduo da dimensionalidade dos dados, pois ao serem aplicada a uma imagem gera novas imagens (componentes) a partir do descorrelacionamento dos dados apoiado na criao de um novo sistema ortogonal de coordenadas orientado para realar as diferenas estatsticas entre os dados. Assim, concentra os dados significativos nas primeiras componentes, sob uma nova distribuio espacial. O uso da PCA na deteco de mudanas deriva do fato dela permitir o tratamento de duas imagens concomitantemente em um espao 2ndimensional, onde o nmero n o nmero de bandas utilizadas na comparao (COPPIN et al., 2004). Outra faculdade que lhe propicia bom emprego na deteco de mudanas a reduo da redundncia nos dados, proporcionando a comparao das componentes principais, para uma diferenciao mais eficiente na qual o novo histograma de distribuio dos pixels tende a localizar as mudanas ocorridas nas duas caudas da curva de distribuio (CAKIR, KORRAM e NELSON, 2006). Alm destas qualidades, a PCA guarda a maior parte das informaes nos primeiros componentes, alocando neles as mudanas mais fortes (regionais) e nos componentes de menor ordem as variaes locais, mais tnues, onde uma criteriosa aplicao de limiares, at no nvel do pixel, pode revel-las com grande eficincia (Byme apud HUANG, 2000). Esta tcnica, que por vezes referida como a Transformada de Hotelling, ou a Transformao Discreta de Karhunen-Loeve essencialmente uma transformao linear dos dados matriciais da imagem original, pela definio de um novo sistema ortogonal de coordenadas, onde eles no tm correlao e a matriz de covarincia, assim, passa a ser uma matriz diagonal. Os eixos deste

27

A deteco de mudanas usando a Transformada de Gramm-Schimidt foi dispensada de comentrio por ser utilizada na tcnica Tasseled Cap, no agregando informaes especficas.

60 novo sistema de coordenada so definidos pelos eigenvectors

28

obtidos atravs

das matrizes de covarincia originais. A transposio dos dados originais para o novo sistema ocorre pela multiplicao vetorial dos dados originais pelos eigenvectors, retornando novas coordenadas para cada pixel e gerando uma nova imagem. Nesta operao cada eigenvector produz uma nova imagem, ou banda transformada, onde as coordenadas dos pixels podem ser interpretadas como uma quantidade de brilho. (DEER, 1995). A aplicao desta tcnica requer que as imagens sejam empilhadas, constituindo um nico conjunto de dados, subdividido em bandas. O nmero de bandas ser igual ao de componentes principais, porm deve ser notado que no h relao banda-componente e o analista dever ter condies de identificar quais componentes melhor representam as mudanas e os melhores limiares (LU et al., 2004). Uma forma simplificada de seu uso na deteco de mudanas a comparao de duas bandas de imagens com datas distintas, que neste caso realizada atravs das duas componentes geradas, na primeira estaro concentradas as informaes compartilhadas nas duas imagens, na segunda, as informaes que pertencem a apenas uma deslas (Chavez e Kwarteng apud MAS.1999). Normalmente, ocorre de a primeira componente (PC1) representar a varincia global (similar a uma imagem de albedo) e as demais componentes altas (PC2, PC3 etc.) representarem as mudanas ocorridas na varincia da imagem, mais sensveis s mudanas entre as datas e mais teis para a deteco das mudanas entre elas. Ressalta-se que a anlise com PCA baseia-se apenas nas propriedades estatsticas dos dados das imagens, resultando que muito limitada no caso de comparaes entre componentes. Alm disto, a natureza da construo dos eigenvectors muito influenciada pelas reas com maior varincia, causando resultados ruins por contaminao quando h
28 O termo eigenvector no foi traduzido por ser conceitual, a palavra eigen da lngua alem e significa prprio, de forma que o termo pode ser entendido como o vetorprprio, ou vetorespecfico do vetor original. A compreenso auxiliada analisando a equao eigenvalue: x = x , onde a funo de linear transformao vetorial, x um vetor no zero, definido como eigenvector se satisfaz a igualdade na qual o escalar que corresponde ao eingenvalue, por analogia significando valorprprio. Informaes complementares podem ser obtidas em <http://en.wikipedia.org/wiki/Eigen_Vectors#Definitions:_the_ eigenvalue_equation>.

61 mudanas fortes na cena que no so o objetivo da deteco (ROGAN e CHEN, 2004). 2.3.2.4.2 Transformada Kauth-Thomas Apresentada originalmente em 1976
29 30

(KT) por R. J. Kauth e G. S. Thomas

esta tcnica objetivou, atravs de uma aproximao emprica, propor uma interpretao para as concorrncias encontradas nos padres das respostas espectrais do solo, da massa verde e da umidade (ou amarelecimento), durante o ciclo das culturas, que eram captados pelas bandas do vermelho visvel e do infravermelho, das imagens MSS. Na sua formulao bsica levava em conta, que o solo exposto criava uma linha (linha do solo) nos histogramas de duas dimenses (vermelho e infravermelho prximo), conforme variava de claro para escuro e que sobre ela era possvel ortogonalizar novos eixos que melhor diferenciassem a fase de emergncia das culturas, quando aumenta a resposta no infravermelho prximo e diminui a do vermelho (absoro pela clorofila). Tambm ocorre algo parecido na fase do crescimento das culturas, que capaz de ser enfatizada quando o solo sombreado e tem que abaixar sua resposta no vermelho (o ngulo solar e a cor clara do solo so neste caso importantes), mas h um grande incremento de ganho no infravermelho prximo. Por fim, na fase de maturidade das culturas, que se encerra na senescncia, o realce se torna possvel quando o denso dossel praticamente elimina a influncia do solo e as leituras no infravermelho prximo e no vermelho cai at ponto de colheita, assinalado por uma queda abrupta no infravermelho. Esta trajetria quando descrita em um sistema de coordenadas toma a forma similar de um gorro de l, curvo na ponta, donde o nome vulgar de Taselled Cap (WATKINS, s.d.) Possivelmente inspirada na reduo da dimensionalidade dos dados da tcnica PCA, a KT tambm produz um novo sistema ortogonal para os dados. Mas como foi visto independente da matriz de covarincia das imagens, pois seus coeficientes de transformao so obtidos a partir de dados independentes (pontos semi-invariantes em imagens e bibliotecas espectrais) e ajustados para
Tambm conhecida como Tasselled Cap. "The tasseled Cap -- A Graphic Description of the Spectral-Temporal Development of Agricultural Crops as Seen by LANDSAT". Anais do Simopsio Machine Processing of Remotely Sensed Data, publicado pela Universidade de Purdue Indiana.
29 30

62 cada tipo de sensor, inicialmente o MSS, mais tarde para o TM e TM+. Seu processo de transformao se d atravs da ortogonalizao sucessiva dos dados, pelo processo Gam-Schimdt e na forma proposta originalmente pelos autores, adaptada ao sensor MSS, so produzidas quatro componentes: intensidade de brilho, intensidade de verde intensidade no amarelo e nenhuma
31.

A disponibilizao das imagens TM exigiu a reviso dos

coeficientes da tcnica KT, para que tratasse imagens hexadimensionais, quando passou a ter seis componentes, dos quais apenas os trs primeiros tm significncia: intensidade de brilho, intensidade de verde e intensidade de umidade
32

(GLERIANI, ANTUNES e EPIPHANIO, 2003).

J foi mencionado antes que a KT originalmente destinava-se a imagens do sensor MSS e que ser aplicada nas imagens hexadecimais do sensor TM necessitou de uma atualizao incluindo uma nova matriz de converso (6 X 6) com os respectivos coeficientes de multiplicao e um novo vetor de coeficientes aditivos, valores expostos na Tabela 1.
Tabela 1 Matriz de Converso KT adaptada de Crist, Laurin e Cicone (1986).

Interessa particularmente deteco de mudanas com esta tcnica, o fato dela operar a partir de coeficientes definidos por conjuntos de assinaturas espectrais de alvos independentes, com isto capaz de determinar a presena de feies no nvel subpixel, desde que seja possvel assumir que no h interao maior entre estes subcomponentes, apenas a presena fsica dos materiais da cena. Para cada imagem TM a KT produz trs transformadas com significncia, aptas comparao na deteco de mudanas no brilho, no verde e na umidade, portanto, capaz de extrair, inclusive informaes fsicas da cena, e sua preciso pode ser considerada boa, sempre que a informao de fundo (solo ou substrato) no hegemnica sobre a vegetao, (e.g. reas onde
31 32

Livre traduo do original em ingls brigthness, greeness, yellowness e non-such. Porposta por Crist e Cicone em 1984 como wetness.

63 a floresta rala e plantios nos estgios iniciais) (ROGAN et al., 2003; ROGAN e CHEN, 2004).As caractersticas desta tcnica, portanto, apontam para um bom potencial na deteco de mudanas tnues, como por exemplo, o desmatamento seletivo ou a ausncia de pastejo. Nestes casos as pequenas alteraes no brilho, a presena de solo e as quantidades de umidade podem fornecer contrastes suficientes para o realce das reas no transformadas.

Ilustrao 1 Imagem KT do ano de 2006 na composio RGB Brilho Verdor Umidade e grfico de disperso Verdor X Brilho com detalhe das regies das feies.

Na deteco de mudanas, a independncia dos dados da cena e a reduo da dimensionalidade (redundncia) dos dados produzem um realce de diferentes informaes em diferentes componentes; esta qualidade configura uma de suas principais vantagens. J a desvantagem principal, reside na dificuldade inerente a sua interpretao, logo de sua classificao, que so ampliadas pela impossibilidade de gerar uma matriz de mudanas completa e pelo cuidado que deve ser tomado na fixao de limiares de diferenciao entre os pixels transformados e os estveis, recomendando que se evite qualquer uso generalizado desta tcnica, alm de cenas onde h preponderncia da vegetao e presena de solo agrcola (LU et al., 2004).

64 2.3.2.4.3 Transformada Chi-Quadrado Esta tcnica aplicada raramente, porm, possui a interessante caracterstica de produzir uma s imagem transformada (imagem mudana), a partir do tratamento simultneo das mltiplas bandas das duas imagens em comparao. O tratamento consiste na seguinte equao de bandas: Y = (X M)T -1(X M) (2)

Onde Y representa o contador digital do pixel na imagem diferena, X o vetor da diferena dos valores do pixel em cada banda das duas imagens, M o vetor dos resduos mdios de cada banda tomando a cena inteira, T a transversa da matriz (X M) e -1 a inversa da matriz de covarincia das bandas das duas imagens. Dela resulta que Y assume uma distribuio Chi Quadrado, similar a de uma varivel randmica, com tantos graus de liberdade quantas so as bandas que por sua vez possuem uma distribuio multivariada normal; nestes termos, o conjunto dos valores de Y pode ser compreendido como uma imagem, na qual as mudanas sero evidenciadas pelo distanciamento do valor zero, que representa a no mudana do pixel correspondente. Esta tcnica muito dependente dos dados, e, por isso, no recomendada para imagens com grandes regies transformadas (RIDD e LIU, 1988). 2.3.2.5 Subgrupo de Tcnicas com Modelos

Foram encontrados, na bibliografia consultada, o modelos de refletncia em Li-Strahler (Macomber e Woodcock apud LU et al., 2004) e um mtodo de parametrizao biofsica (Lu, 2001 e Lu et al., 2002 apud LU et al., 2004) como passveis de utilizao na deteco de mudanas, mas por guardarem um grande carter experimental e extrapolarem os limites deste trabalho, no sero pormenorizados. Alm destes, o Modelo de Mistura Espectral (SMA) tambm foi encontrado, de forma bastante freqente e ser descrito a seguir.

65 2.3.2.5.1 Anlise por Modelo de Mistura Espectral (SMA)

33

O crescimento da dimensionalidade dos dados pela elevao da resoluo espectral dos sensores oportunizou o desenvolvimento da tcnica de Anlise da Mistura Espectral. A premissa desta tcnica compreender que cada elemento de uma imagem composto por um conjunto de assinaturas espectrais puras, ou endmembers
34.

possvel ento, construir um modelo de mistura

espectral que traduza a totalidade da refletncia dos elementos da imagem em diferentes composies de endmembers, a partir dos pesos que suas coberturas possuam na superfcie. Na deteco de mudanas esta tcnica aplicada atravs da anlise das alteraes destas composies no tempo, pressupondo que se os endmembers que compe (ou assinam) um pixel ou elemento da imagem muda, ento ele sofreu alterao durante o tempo transcorrido entre as imagens. Normalmente os endmembers so escolhidos para representar a assinatura espectral de coberturas de interesse (e.g. copa das rvores, solo, sombra), por serem capazes de prover medies padronizadas da presena fsica das fraes destas coberturas. Eles podem ser colhidos em bibliotecas espectrais de referncia, ou por dados de campo, ou ainda diretamente da imagem, mas neste caso com suporte de dados de referncia (COPPIN, 2004). As principais vantagens desta tcnica residem nos significados biofsicos que estas fraes detm, na capacidade de extrair as propores com que participam em cada pixel e nos resultados acurados, suportando escalas grandes, sem deixar de serem estveis e repetveis. As maiores dificuldades centram-se na escolha dos endmembers e na definio, baseada neles, dos limiares que representam cada classe de cobertura (LU et al., 2004), 2.3.2.6 Tcnicas Experimentais ou Infreqentes

Dentre as tcnicas utilizadas na deteco de mudanas, h um subconjunto delas que possui um carter experimental, seja porque no foi
Do ingls Spectral Mixture Analysis (SMA). No possvel a traduo de endmember por ser conceitual: so refletncias espectrais de materiais bem caractersticos, que se misturam para produzir o espectro dos pixels de interesse na imagem.
33

34

66 testada suficientemente, seja porque apresentou resultados indiferenciados em relao a tcnicas clssicas como a subtrao de imagens, requerendo aprimoramentos. Independentemente do grau de complexidade resultados e comprovaes, todas estas tcnicas guardam potencial e assim no poderiam ser deixadas de lado. No entanto, no h motivo para um detalhamento maior, de forma que sero apenas listadas: Medio da Dependncia Espacial (Henebry, 1993 apud LU et al., 2004). Sistemas Especialistas de Visualizao (Wang, 1993 apud LU et al., 2004). Mtodo de Produo por rea (Hussin et al., 1994 apud LU et al., 2004). Combinao de ndices (vegetao, temperatura da superfcie estrutura espacial) (Lambin e Strahler, 1994b apud LU et al., 2004). Curvas de Mudana (Lawrence e Ripple 1999 apud LU et al., 2004). Modelos Lineares Generalizados (MORISETTE e KHORRAM, 1997) Abordagem pelo teorema da curva (Yue et al., 2002 apud LU et al., 2004). Abordagem pela estrutura (Zhang et al., 2002 apud LU et al., 2004). Mtodo Espacial baseado em estatsticas (Read e Lam, 2002 apud LU et al., 2004). Anlise Correspondente (CAKIR, KHORRAM e NELSON, 2006). 2.4 PERSPECTIVAS FUTURAS O esforo de pesquisa no desenvolvimento de tcnicas de deteco de mudanas vem se mantendo intenso ao longo das ltimas duas dcadas e a tendncia que se mantenha assim por muito tempo. A exemplo disto os

67 Estados Unidos da Amrica, preparam uma nova edio de um conjunto de imagens e mapas temticos recobrindo toda sua extenso e mais a de Porto Rico, com dados colhidos em torno de 2001 (Vogelmann apud LUNETTA et al., 2006). Grandes projetos, como o citado acima, so desafios significativos a serem enfrentados pelos governos e comunidade cientfica, pois mesmo envolvendo custos altos e demora na obteno dos resultados (e.g. atraso de seis anos entre a coleta das imagens e a disponibilizao das informaes), oferecem uma inestimvel fonte de informaes estratgicas que podem ser imediatamente utilizadas nas principais questes sociais, ambientais e econmicas. Ideal seria j poder contar, no Brasil, com diversos produtos e projetos como estes freqentes e atualizados, que permitissem a extrao de informaes complementares, como a forma e a natureza das mudanas ocorridas. Neste rumo, dentre as perspectivas futuras dos projetos de deteco de mudanas no mbito de abrangncia de grandes extenses, constam a necessidade de aprimoramentos metodolgicos urgentes que lhes permitam controlar a influncia da fenologia dos diferentes ecossistemas e o desenvolvimento de mtodos cada vez mais robustos para a identificao e controle de erros. Quanto s tcnicas, de uma forma geral, as perspectivas convergem para o aprimoramento da capacidade de estimar a quantidade de biomassa verde ou fotossintetizante referida por vezes como Biomassa Fotossintetizante Ativa (BFA), donde se espera uma intensidade cada vez maior na aplicao dos diversos ndices de vegetao (LUNETTA et al., 2006). A cada gerao de novos sensores, h um incremento na resoluo espacial e em alguns casos, na espectral tambm, impactando progressivamente a quantidade de dados que das imagens. Neste novo contexto, as ferramentas clssicas de classificao, baseadas na estatstica multivariada, esto dando sinais de exausto, seja porque a reduo da rea recoberta na superfcie por um pixel torna as informaes espectrais mais variadas dentro de amostras tomadas para configurar as classes e limiares tornam se difceis de fixar, seja por que a dimensionalidade dos dados est alcanando nveis no suportados pela capacidade de processamento comum.

68 Esta evoluo induz, inexoravelmente, a necessidade de novas

abordagens na deteco de mudanas no uso e na cobertura do solo, especialmente nas etapas de qualificao essencialmente classificatrias. Mais de uma dcada atrs esta tendncia j podia ser notada, ao se antever o potencial de desenvolvimento das reas da computao visual, sistemas especialistas e inteligncia artificial, segmentao de imagens e lgica de conjuntos nebulosos confirmada (DEER, 1995). Atualmente em plena sintonia com estas mudanas, no cenrio do sensoriamento remoto, cresce sensivelmente o conjunto de trabalhos e pesquisas que utilizam o binmio da segmentao de imagens com classificadores nebulosos. Estas tcnicas que utilizam intensivamente a classificao orientada a objetos (segmentos), ao invs da orientada a pixel, esto acumulando bons resultados em termos de preciso, seja com imagens de alta, seja com imagens de mdia resoluo. (ORUC, MARANGOZ e BUYUKSALIH, 2004; ZHANG e MAXWELL, 2006). Outras tecnologias que despontam promissoras e crescem na produo cientfica so os Sistemas Especialistas, com algoritmos baseados em inteligncia artificial, que comeam deixar o plano conceitual da deteco de mudana e se apresentam potencialmente para superarem os limites dos classificadores puramente estatsticos. Nestes sistemas possvel aliar informao espectral em conjunto com outros tipos de dados, como aqueles relativos s formas das feies, ou aos relacionamentos entre os tipos de cobertura (classes) e at mesmo, dados scio-econmicos. Ao utilizarem um conjunto to complexo de informaes e de fontes de dados, para guiar e assistir a classificao estes sistemas realmente se aproximam da conduta de um analista, mas de uma forma muito mais rpida e precisa, porm dentro dos limites de sua programao (COPPIN et al., 2004; IM, JENSEN e TULLIS, 2005). Modelos baseados em redes neurais e em rvores de deciso tambm esto cada vez mais presentes na pesquisa dos ltimos anos, em especial no tratamento de imagens de alta resoluo, onde a quantidade de feies e seus componentes distinguveis so desafiadores. O bom desempenho deste grupo de
35

35

na deteco de mudanas, boa parte j foi

Do ingls Fuzzy Set.

69 tcnicas freqentemente atestado pelos incrementos na acurcia dos resultados relatados na bibliografia cientfica, mais recente mesmo quando confrontados resultados: a com mtodos tradicionais de detectar e de robustos como que a mxima possuem verossimilhana ou PCA. Duas vantagens que explicam em parte estes capacidade mudanas relacionamentos no lineares com as assinaturas espectrais dos alvos e a possibilidade de tratarem informaes no espectrais nas suas clulas, ou neurnios. Resta, porm avaliar se o incremento na acurcia realmente compensador, face aos custos em programao e as altas exigncias para o processamento, principalmente em rotinas direcionadas para a deteco de mudanas, (ROGAN et al., 2003; COPPIN et al., 2004; PACIFICI et al., 2007). Ao lanar um olhar sobre toda evoluo recente da deteco de mudanas no uso e na cobertura do solo, em especial aquela baseada no sensoriamento remoto, se nota a tendncia de mescl-la com geoprocessamento, dentro de Sistemas de Informao Geogrfica (SIGs) e vice-versa. Funes de SIG (e.g. buffers, custos, distncias) freqentemente encontram novas utilidades no tratamento e anlise de dados espectrais, assim como as funes do sensoriamento remoto esto servindo para derivar produtos geogrficos cada vez mais complexos. Alm disto, esta tendncia no pode ser considerada como muito nova, pois os primeiros trabalhos neste sentido dataram da dcada de 70, em que pese o processo de convergncia ter se intensificado recentemente, tomando forma e se apresentando freqentemente nos principais projetos de deteco de mudanas, em especial aqueles voltados para o estudo e o monitoramento de ecossistemas complexos, onde estudos fenolgicos e a investigao das causas das transformaes exigem a utilizao de diversos tipos de dados (ROGAN e MILLER, 2006). O impulso deste desenvolvimento tecnolgico que o sensoriamento remoto e do geoprocessamento esto sentindo atualmente tambm contribui para o alinhamento da deteco de mudanas no uso e cobertura do solo tendncia de convergir com os SIGs e ao mesmo tempo amplia seu campo de atuao. Estudos envolvendo fatores de mudanas agressivos, como fogo, vento, enchentes, por lidarem com distrbios muito grandes nas respostas espectral dos alvos, que at a pouco tempo, praticamente excluam a possibilidade de

70 xito de uma classificao, dada a entropia que causavam. Nestes casos, grandes avanos esto sendo viabilizados pela deteco de mudanas apoiada em ferramentas de SIG (ROGAN e MILLER, 2006). H, porm, a necessidade de referenciar uma peculiaridade da deteco de mudanas, que se apresenta como um desafio ainda por ser equacionado. O carter cumulativo da maior parte das mudanas, que pode ser sumarizado regional ou globalmente revelando que, embora sejam detectveis, as mudanas esto longe de serem explicadas suficientemente, donde a importncia de se investir esforo na construo de modelos que permitam generalizaes a partir da compreenso das causas das mudanas. A modelagem correta o que permitir avaliar as tendncias melhor e revelar os ciclos e seqncias recorrentes, teis principalmente para predizer os impactos no meio ambiente e nos sistemas humanos de ocorrncias reincidentes; pavimentando desta forma, o caminho para projetos consistentes de desenvolvimento sustentvel em qualquer escala. A dificuldade de explicar completamente a mudana ocorrida, principalmente quanto as suas causas e desdobramentos esperados o maior obstculo para o avano da deteco de mudanas e no futuro deve receber muita ateno do esforo de pesquisa mundial, pois no deve ser adiada, por muito mais tempo a proposio de uma teoria geral para as transformaes no uso e na cobertura do solo que afirme a condio indissocivel entra a mudana e sua trajetria, pois s por este meio ser possvel explicar a ocorrncia das mudanas e seus desdobramentos na forma de cenrios que contemplem as caractersticas (LAMBIN, 1997). 2.5 COMPARAES ENTRE AS TCNICAS A comparao entre tcnicas as de deteco de mudanas , por vezes, objeto de pesquisa, mas so poucos os trabalhos que se debruam sobre uma anlise comparativa sistemtica de vrias tcnicas, amarrada a uma metodologia rgida; na maioria resumem-se a comparao entre duas, ou trs possibilidades e quase sempre comparam apenas os resultados entre si, inferindo as acurcias. das foras que as impulsionaram e seus resduos

71 A primeira referncia de uma comparao entre mtodos de deteco de mudanas encontrada na bibliografia consultada foi realizada em 1977 confrontando a diferenciao de imagens, a ps-classificao e a anlise composta, mas no utilizou controles de campo (Westmiller et al,. apud DEER, 1995). Na dcada de 80 vrios trabalhos foram desenvolvidos com o objetivo de comparar os resultados de diversas tcnicas de deteco de mudanas, mas ainda sem ultrapassar os limites de uma anlise qualitativa. S no final daquela dcada, sob uma abordagem diferente automatizao das tcnicas de deteco de mudanas em reas de floresta foi produzido um trabalho comparativo extenso, englobando a comparao as tcnicas (1) diferenciao de imagens, (2) diferenciao de transformadas de NDVI, (3) diviso de imagens, (4) regresso de imagens, (5) anlise de componentes principais, (6) anlise composta e (7) de ps-classificao. Neste trabalho tambm foram aplicadas diversas tcnicas de realce espacial (filtragem, subtrao de fundo, realce de limites e texturas) e realizados testes para estipular o melhor limiar em cada cauda das distribuies. Suas principais concluses apontaram para a regresso de imagens (banda 2 do Landsat MSS) como o mtodo de maior acurcia e para indiferena nos resultados obtidos com a diferenciao e a diviso de imagens em segundo lugar em acurcia, alm de pouca ou nenhuma resposta aos tratamento de realce espacial. A Ps-classificao foi dada como a tcnica de menor acurcia (Singh, 1989 apud DEER, 1995). Sob uma metodologia bastante rgida, utilizando o coeficiente Kappa
36

para estimar a acurcia dos resultados e investigar os limiares, foi possvel compara a diferenciao, a diviso e a anlise de componentes principais em outro trabalho realizado no final da dcada de 80. Os resultados obtidos ento registraram que a PCA apresentou a maior acurcia dentre as tcnicas comparadas, porm em alguns tipos de classes de mudana, as outras tcnicas foram superiores (Fung e Ledrew, 1989 apud DEER, 1995).

36

Este coeficiente relaciona na matriz de erro de uma classificao o total de classificaes obtidas com xito, situadas na diagonal principal, com o total de amostras, retornando uma medida geral da acurcia do resultado.

72 Apoiado neste mesmo tipo de metodologia diferindo, apenas na

normalizao do coeficiente Kappa, e visando melhorar seu desempenho, quatro algoritmos de deteco de mudanas foram aplicados um conjunto de imagens TM obtidas nos anos de 1986 e 1990 da regio de Salt Lake Valley, nos EUA. As duas imagens forneceram seis bandas para comparao, as quais foram tratadas, duas a duas, por diferenciao e regresso, e num segundo momento em conjunto pela KT e pela Transformada do Chi quadrado. No total este trabalho cruzou dezesseis imagens diferenas com um conjunto de verdades de campo, sob sete classes (mais a no-mudana)
37.

A acurcia das tcnicas em

termos da capacidade de diferenciao entre mudana e no mudana apresentou grandes diferenas na comparao dos ndices Kappa normalizados, corroborando com a idia de que no h uma tcnica ideal. A acurcia global dos mtodos em termos da diferenciao entre as classes de mudana, apresentou resultados igualmente dispares, revelando que tratamentos de deteco de mudana se comportam de forma diferente em relao a classes de mudana diferentes. A diferenciao e a regresso foram em geral, mais eficientes nas mudanas que envolviam solo e materiais inertes, mas foram suplantadas quando as classes envolviam vegetao ou matrias inertes. Nestes casos as transformadas responderam melhor pela subtrao das componentes de verdor e de brilho da KT, respectivamente (RIDD e LIU, 1998). Na mesma linha metodolgica de comparao entre tcnicas atravs dos valores calculados para o ndice Kappa, seis delas foram comparadas utilizando imagens Landsat MSS da costa mexicana, tomadas em fevereiro de 1974 e abril de 1991 e fornecidas pelo EROS Digital Image Processing Center, como produtos do tipo NALC Triplicate
38.

O conjunto das tcnicas incluiu a

diferenciao (bandas 2 e 4), diferenciao de NDVI, PCA, anlise composta e a ps-classificao, com e sem mascara de mudana. Contrapondo-se a alguns resultados anteriores, neste a deteco de mudanas com ps-classificao aferiu os melhores resultados, fato atribudo a alta acurcia obtida na classificao de cada imagem e a correta juno das classes que no
As classes foram: obra para nova habitao, nova habitao para habitao com vegetao, fazenda para obra, fazenda para comrcio ou indstria, solo para vegetao e mudana de cor no solo. 38 Para uma viso do projeto NALC ver o item 2.1.5.
37

73 contrastaram bem. Os tratamentos de realce neste caso concordaram com os resultados anteriores, no melhorando a acurcia de nenhuma tcnica. Resumidamente as demais concluses obtidas apontaram a banda 2 como aquela que forneceu as melhores performances e a banda 4 as piores, explicado pela refletncia das vegetaes herbceas nas reas clareadas. A acurcia da diferenciao de NDVI aproximou-se da obtida na diferenciao da banda 2 e a da PCA foi um pouco superior a ela. As aparentes contradies dos resultados deste trabalho em relao a muitos outros, que atriburam ps-classificao os piores resultados, pode ser explicada em parte, por uma forte influncia da fenologia e das condies ambientais (gua, luz, umidade no solo) quando so comparadas imagens de pocas do ano bem distintas (MAS, 1999). Trabalhos que abrangem grandes e complexas extenses territoriais requerem um esforo no sentido de encontrar as tcnicas mais adequadas para as diferentes situaes de campo, onde feies, interferncias climticas e tipos de mudana podem variar substancialmente dentro da rea de estudo. Um exemplo pode ser obtido no programa C-CAP conduzido pela Administrao Nacional de Oceanos e Atmosfera
39

dos Estados Unidos da Amrica, que utiliza

concomitantemente sete tcnicas de deteco de mudanas em seus trabalhos de deteco de mudanas, a saber, (1) anlise composta, (2) anlise de componentes principais, (3) lgebra de bandas por diferenciao, (4) lgebra de bandas por razo, (5) ps-classificao, (6) vetorizao manual de mudanas e (7) aplicao de mscaras temporais, todas em conjunto com dados histricos e de aerofotogrametria. Os testes comparativos realizados neste programa recomendam a adoo de metodologias mistas, que utilizem tcnicas de psclassificao, mscaras e dados histricos (DOBSON et al., 1995). Por vezes, no possvel fixar uma diferena significativa entre os mtodos, haja vista a comparao entre as tcnicas de anlise da trajetria espectral, diferenciao de imagens e componentes principais, que foi levada a termo utilizando imagens do sensor TM, previamente convertidas para refletncia de trs locaes muito distantes (Chile, Estados Unidos e Egito). Os resultados apontaram para acurcias no significativamente diferentes entre as tcnicas, tanto em termos da acurcia do produtor (classificador), quanto do
39

National Oceanic na Atmospheric Adminitration - NOAA

74 usurio, na deteco de mudanas na cobertura do solo entre duas datas diferentes, atravs da comparao das assinaturas espectrais das principais coberturas
40

com outras derivadas de uma imagem do sensor AVHRR

41

(HUANG et al., 2000). Neste contexto de projetos cobrindo grandes extenses, a acurcia na identificao de mudanas na cobertura da vegetao da Califrnia, nos Estados Unidos da Amrica (USA) entre o ano de 1990 e o de 1996, foi estudada com dados do sensor TM transformados em imagens componentes pela aplicao das tcnicas de transformao de Kauth-Thomas (KT) e de modelo de mistura multiespectral (SMA). Elas foram classificadas
42,

por

mxima

verossimilhana e rvore de deciso sob cinco classes independente da transformada. Este resultado
43.

revelando que a melhor

classificao por rvore de deciso superou a mxima verossimilhana, foi atribudo capacidade dos classificadores no paramtricos em lidar com as distribuies no normais que ocorreram nas amostras Quanto comparao das tcnicas de transformao, o melhor desempenho foi obtido pelo modelo de mistura espectral, independente do mtodo de classificao, resultado reputado impossibilidade de flexibilizar os coeficientes do KT, para captar a desvegetao por fogo, pois este tratamento no lida com dados de refletncia do solo exposto, causando uma grande desvantagem quando o estudo abrange reas no homogeneamente vegetadas (ROGAN et al., 2002). A despeito dos fatores de seleo das tcnicas nos diferentes trabalhos, todas elas podem ser vistas como complementares em que pese subtrao de imagens, a PCA e a ps-classificao serem as tcnicas mais utilizadas at o momento, porm, de alguns anos para c, o modelo de mistura espectral, as redes neurais e a integrao com GIS esto se tornando mais recorrentes. O conjunto destas tcnicas, que partem de princpios muito distintos, dificilmente

Desflorestamento e Urbanizao nos Estados Unidos expanso da agricultura por revegetao no Egito e desflorestamento, rebrota e alagamento no Chile. 41 Advanced Very High Resolution Radiometer 42 Aumento da vegetao, diminuio da vegetao, lagos, reas no vegetadas e sem mudana. 43 Corretamente o estudo registrou que a acurcia do classificador de mxima verossimilhana poderia ter sido incrementada, caso as probabilidades a priori das classes tivessem sido indicadas.
40

75 poder ser analisado sob um s prisma, toda via, podem ser indicas algumas tendncias extradas das comparaes pesquisadas que esto listadas a seguir: a) quando os objetivos so simplesmente qualitativos, basta a interpretao visual, ou a anlise composta, de um conjunto bi ou multitemporal de imagens e quando os objetivos circunscrevem a discriminao da mudana da no mudana ento a diferenciao de bandas e a PCA so mais teis; b) se na anlise alm da deteco da mudana, h a interpretao de-para, ento a ps-classificao mais indicada, mesmo que seja muito exigente em amostras de treinamento; c) sob dados de diferentes fontes, a melhor alternativa integrar a deteco de mudana a um ambiente de SIG; d) ndices de vegetao e a KT so indicados para estudos deteco em cenas dominadas cobertura vegetal por possurem uma correlao que qualquer bandas isoladamente, lidam mais eficientemente com os principais fatores da resposta espectral: volume de biomassa verde, sua composio, estrutura e condio, solo e umidade; e) caso as correes atmosfricas no possam ser feitas, as tcnicas que na fase de classificao precisam generalizar amostras entre regies e datas devem ser evitadas, possivelmente seja mais adequada as anlise com ps-classificao nestas situaes; f) independentemente da tcnica, o efeito sazonal inerente comparao de imagens de pocas distintas do ano muito grande. Sua presena causa um vis de alta nos erros, na medida em que so comparadas as mesmas coberturas vegetais em condio, volume e massa distintos;

76 g) quando houver muita complexidade e vrias classes de mudana, ou ento a acurcia dos resultados muito importante, preconizam-se as tcnicas mais avanadas, como redes neurais e os modelos de mistura espectral; h) a banda 2 do TM (regio do verde) apresenta, normalmente os melhores resultados na deteco de mudanas e a banda 4 deve ser considerada com muito cuidado; i) utilizar tcnicas lineares e paramtricas com imagens de alta definio no surte bons resultados, nestes casos a segmentao das imagens e a utilizao de classificadores avanados (redes neurais, lgica de conjuntos nebulosos) e sistemas especialistas o melhor caminho (DEER, 1995; RIDD e LUI, 1998; MAS, 1999; COPPIN et al., 2004; LU et al., 2004; ORUC, MARANGOZ e BUYUKSALIH, 2004; ZHANG e MAXWELL, 2006). 2.6 TRATAMENTOS E CORREES DE PR-PROCESSAMENTO A comparao de imagens distanciadas no tempo, sob qualquer forma, traz vrios tipos de problemas que devem ser considerados minuciosamente em todas as etapas do trabalho, sob pena de invalidar as concluses obtidas, dado o carter acumulativo dos erros e sua independncia da fonte. Quando a comparao foca na deteco de mudanas este problema se avulta, pois os algoritmos empregados nestas tcnicas no so capazes de evitlos e na maior parte das situaes, tambm no conseguem control-los, de forma que as estimaes da ocorrncia e da influncia sobre os resultados dependero em grande parte da experincia do operador em se precaver, isolando as variveis independentes o quanto puder. Neste caso, a principal questo que se coloca na deteco de mudanas no uso e cobertura do solo a partir de imagens de satlite, a capacidade de se afirmar a veracidade das transformaes detectadas e definir os intervalos de

77 segurana de sua aplicabilidade conforme os dois tipos de erro que a estatstica moderna utiliza: afirmar verdadeira uma informao falsa e afirmar falsa uma informao verdadeira. Em termos prticos, as prprias imagens so as maiores fontes de erro da deteco de mudanas e por tanto, deve ser assegurado que nelas, a menor parte possvel dos dados tenha, realmente, algum potencial de representar mudanas. Isto acarreta o fato de que raramente possvel prescindir dos tratamentos de corretivos nas imagens, devido s diferenas que ocorrem naturalmente de uma data de aquisio para outra, na geometria, iluminao e condio dos alvos. O efeito aditivo dos processos de correo o que permite a comparao das imagens, autorizando a obteno de resultados confiveis, aptos a interpretaes, porm deve ser sempre considerado que nem todas as inconsistncias dos processos comparativos entre imagens podem ser tratadas e mesmo dentro das passveis de tratamento, o grau de sucesso muito varivel. o caso da contribuio dos fenmenos fenolgicos, que permanece sem um tratamento especfico, levando diversos autores a lamentar a ausncia de um modelo de correo fenolgica, quando os trabalhos envolvem o aumento ou diminuio de classes vegetais em comparaes com imagens datadas de pocas distintas do ano (Mas; Waller; Hall e Goetz, apud ROGAN, 2003. Situao similar ocorre quando h uma disparidade muito grande na geometria dos imageamentos em comparao, nestes casos uma imagem pode estar concentrando as informaes do topo das feies e a outra as dividindo entre topo e as laterais (e.g. floresta pouco densa), o que aumenta a contribuio de classes como solo e sombra. Por fim, reconhecendo que nada impede a utilizao de imagens de sensores diferentes na deteco de mudanas, mediante alguns procedimentos a mais como a reamostragem dos pixels, sempre recomendvel muita cautela na interpretao dos resultados, pois h uma relao direta de proporcionalidade entre o afastamento das condies ideais (imagens do mesmo sensor, o campo de visada instantneo (IFOV) constante, imagens pouco deslocadas do nadir e da mesma poca do ano) e o aumento da impreciso na deteco (DOBSON et al., 1995).

78 A seguir sero discutidos os tratamentos dos fatores de erro mais importantes na deteco de mudanas no uso e na cobertura do solo, lembrando que a apresentao em separado deles um mero recurso para facilitar a compreenso, tendem pois a se na realidade, alm entre de si, ocorrerem ocasionado concomitantemente potencializar

seguidamente a necessidade de aplicao do conjunto inteiro de correes, sob pena de no ser atingida uma diminuio efetiva da impreciso dos resultados. 2.6.1 Correo Geomtrica Na deteco de mudanas que compara pixel a pixel de cada imagem, o menor erro de registro
44

entre as imagens podem acarretar falsas mudanas,

frutos da comparao de pixels que representam locais diferentes da cena e ocasionar uma superestimao das transformaes entre as cenas (CAKIR, KORRAM e NELSON, 2006; Stow apud SHALABY, TATEISHI, 2007). O registro de uma imagem em relao outra, sob um sistema de coordenadas, importante tambm para que outros tratamentos corretivos sejam melhores aplicados, como a correo atmosfrica baseada em modelos (RIDD, LIU, 1998). Simples e eficiente a correo geomtrica das imagens realizada mediante a identificao de pontos de controle em ambas as imagens, ou outros obtidos por trabalhos de campo, ou em mapas. Estes pontos serviro aplicao da equao polinomial de ajuste que co-registrar uma imagem a outra (imagem para imagem), ou elas a um sistema de coordenadas nico para georreferenci-las (imagem para mapa). A correo geomtrica deve ser seguida de uma etapa de reamostragem, interpolao dos dados, ou deslocamento por proximidade para ajustar o tamanho dos pixels nova geometria do imageamento (RICHARDS, JIA, 1999 p.57-61; RIDD, LIU; 1988 e SHALABY, TATEISHI, 2007).

44

recorrente aceitar meio pixel de erro quadrtico mdio (EQM) como um parmetro mximo (LUNETTA; ELVIDGE 1998 apud SHALABY; TATEISHI, 2007 e DOBSON et al., 1995).

79 2.6.2 Correo Atmosfrica Da energia total irradiada pelo sol por unidade de tempo (fluxo radiante) que chega superfcie terrestre uma parcela refletida hemisfericamente em todas as direes. Uma parcela transmitida hemisfericamente atravs de alguma superfcie e por fim, uma parcela absorvida. Estas trs interaes bsicas entre a energia eletromagntica e a matria fundamentam o sensoriamento remoto, pois cada material possui sua forma peculiar de interao com a energia em cada comprimento de onda, consignando assim, o que se reconhece como as assinaturas espectrais dos alvos. A energia que chega ao sensor, vinda da superfcie terrestre acumulada e medida por ele de forma segmentada, conforme os comprimentos de onda da sua resoluo espectral. Estas medies so registradas em unidades de radincia
45

que posteriormente so convertidas nos valores discretos dos

contadores digitais dos pixels da imagem e representam desta forma, o brilho dos materiais que ocorre na superfcie imageada. Ocorre que a energia eletromagntica interage com a atmosfera intensamente antes de chegar ao sensor, tanto no caminho de ida da fonte at a superfcie quanto no caminho de volta, da superfcie at o sensor. Nestas interaes atmosfricas uma parcela dos ftons perdida por absoro e outra agregada ao fluxo que chega at o sensor, por contribuies da prpria atmosfera e das adjacncias dos alvos. Neste contexto, o valor registrado pelo sensor refere se a uma radincia total, ou seja, o brilho da superfcie, mais ganhos e menos atenuaes causados pela presena dos gases da atmosfera, da gua e seus aerossis e de relaes de vizinhana entre os alvos. So quatro as interaes entre o sinal e a atmosfera que imprimem informao ruidosa na radincia total registrada no sensor (que uma funo do ngulo de visada) e que devem ter suas contribuies isoladas e subtradas de cada banda, para a obteno da refletncia pura da superfcie, ou seja, a contribuio da superfcie na ausncia de atmosfera e demais interaes. A primeira interao se d na direo da fonte (sol) para superfcie onde uma
45

Radincia definida como o fluxo radiante por unidade de ngulo slido deixando uma fonte extensa em uma dada direo por unidade de rea projetada nesta direo, sua unidade watts por metro quadrado por sterradiano.

80 poro dos ftons que deveria chegar superfcie espalhada e toma uma trajetria complexa chegando ao sensor na forma de rudo, pois no carrega informaes sobre a superfcie (as demais se do na poro restante dos ftons, que ilumina a cena, chegando superfcie para ser e refletida de volta at o sensor). A segunda interao tem efeito atenuante para o sinal refletido dos alvos e devida a absoro e espalhamento pelos constituintes da atmosfera (ela maior ou menor, conforme o ngulo de visada). A terceira interao se d no mesmo sentido alvo-sensor. Deve-se a contribuies da refletncia das adjacentes entre os alvos captados pelo sensor, que tambm sofre o espalhamento, portanto aditiva. Por fim, resta uma pequena parcela da radincia total recepcionada pelo sensor, que devida ao retro-espalhamento de ftons (RICHARDS e JIA, 1999). Na deteco de mudanas, quando duas imagens de datas distintas so comparadas, as condies da atmosfera destas duas datas esto registradas nos dados das imagens e participaro da comparao, causando diferentes efeitos, principalmente quanto maior ou menor for a presena de gua e aerossis (nvoa) nos instantes das tomadas. Na maioria dos casos o problema da contribuio atmosfrica exigir algum tratamento porque a interferncia atmosfrica seletiva em relao aos comprimentos de onda e alguns alvos podem parecer refletir menos em determinadas bandas e assim, introduzir erros na deteco, pois, sempre desejvel que apenas naquelas regies onde houve alguma mudana dos materiais biofsicos da superfcie as imagens apresentem diferentes respostas espectrais dos pixels. (DOBSON et al., 1995; VERMOTE et al., 1995 e 1997 apud BAPTISTA, 2006). Preventivamente reduo das informaes ruidosas, mas sem substituir nenhum tratamento corretivo, recomendvel sempre que possvel utilizar imagens aniversariantes e do mesmo sensor, pois adquiridas na mesma hora do dia e na mesma poca do ano no trazem diferenas de iluminao, alm das outras vantagens citadas anteriormente (CAKIR, KORRAM e NELSON, 2006).

81 Existem diversas maneiras de proceder a uma correo atmosfrica, a mais simples a emprica
46,

que se vale de pixels de conhecida refletncia (e. g.

pixels escuros) para estipular um parmetro de correo para toda cena em cada banda. Embora simples, nem sempre aplicvel, pois acontece de no haver pixels com refletncia conhecida na cena, alm disto, uma fraqueza deste mtodo a linearidade presumida na contribuio atmosfrica, igual para toda cena, o que muito difcil de ocorrer (MATEW et al., 2000). A forma emprica de correo pertence ao grupo de algoritmos de correo relativa, caracterizados por assumirem que os valores iguais dos contadores digitais representam sempre uma mesma refletncia, independente do valor que poderiam assumir na superfcie do solo. As tcnicas relativas mais freqentes a subtrao de objetos negros, operada pela identificao de pixels que representem objetos negros e que possuam valores diferentes de zero, uma vez contabilizados estes valores eles so subtrados de todos os pixels da imagem (valores negativos so convertidos em zero). Opcionalmente tambm pode ser realizada a correo por objetos prximos da invarincia, neste caso so identificados grupos de pixels que representem materiais que se mantiveram constantes nas duas imagens (rochas, asfalto, gua profunda) e deles so extradas amostras de treinamento para a construo de um modelo linear de correo atmosfrica (SONG et al., 2001). O outro conjunto de tcnicas corretivas o dos algoritmos absolutos, impulsionado a partir de 1997, pelos estudos de Kaufman, sobre as relaes estveis que ocorrem entre as refletncias de superfcie observadas em vegetaes densas e escuras, nas bandas do infravermelho mdio, no azul e vermelho (Kaufman, 1997 apud SONG et al., 2001). As informaes obtidas neste estudo auxiliaram a construo de modelos de transferncia radiativa para a atmosfera que dispensassem medidas empricas da profundidade ptica da atmosfera, por inferi-las diretamente a partir dos dados das imagens. Na correo atmosfrica absoluta os contadores digitais dos pixels so corrigidos diretamente para os valores calculados de refletncia de superfcie, ou seja, os efeitos atmosfricos so integralmente retirados da cena, por meio do modelo de correo, que aplicado pixel a pixel e
46

Usualmente referida como Tcnica do Pixel Negro.

82 assim evitando que as variaes na atmosfera ao longo da cena no sejam levadas em conta, o que de fato os modelos relativos no conseguiam resolver. Antes destes avanos, uma das primeiras iniciativas de correo absoluta dos efeitos atmosfricos da absoro e do espalhamento, foi desenvolvida em meados da dcada de oitenta, propondo um modelo capaz de expressar a refletncia aparente da atmosfera, baseado na teoria da transferncia relativa. Este algoritmo comumente conhecido por 5S
47

e utiliza os dados do ngulo

zenital e ngulo azimutal do sol e o comprimento de onda, a radincia, o fluxo solar no topo da atmosfera e o valor do cosseno do ngulo zenital do sensor, no clculo dos valores de correo (Tanr et al.,1986 apud BAPTISTA, 2006). Este modelo relaciona a refletncia aparente de uma superfcie uniforme (lambertiana) transmitncia total dos gases (absoro) e a refletncia atmosfrica (espalhamento) na trajetria sol-superfcie-sensor, mas de forma isolada, no considerando que os fenmenos ocorrem conjuntamente e estabelecem inter-relaes (BAPTISTA, 2006, p.79). Outro algoritmo de correo atmosfrica, bastante utilizado em imagens hiperespectrais (e.g. AVIRIS) o Programa de Remoo Atmosfrica (ATREM)
48.

Ele deriva da presena do vapor de gua da transmitncia atmosfrica na trajetria sol-superfcie-sensor, a partir das feies centradas nos comprimentos de onda de 0,94 e 1,14m. A seguir calcula os valores de remoo das contribuies do espalhamento e da absoro atmosfricas para cada pixel isoladamente atravs da tcnica de razo de trs bandas, para toda a regio espectral compreendia entre 04 e 2,5m. O algoritmo primeiro encontra o ngulo zenital, pelas informaes fornecidas da hora e das coordenadas do vo em seguida calcula a transmitncia atmosfrica total e a da faixa imageada (o espectro do oznio vm da geometria solar e das observaes referenciadas em tabelas de absoro, a dos demais gases tm o espectro calculado pelo modelo de absoro atmosfrica tropical, denominado LOWTRAN7
49),

para ento

encontrar os espectros de vapor de gua (mediante o clculo da absoro do vapor de gua, sobre a transmitncia total e a transmitncia de cada gs). A
Do ingls Simulation of Satellite Signal in the Solar Spectrum (5S). Do ingls ATmosferic Removal Program. 49 Do ingles Low Resolution Atmospheric Radiance and Transmittance Model . Foi desenvolvido pela Air Force Geophysics Laboratory.
47 48

83 partir do clculo destes dados ele procede de forma similar ao algoritmo 5S extraindo os demais dados necessrios: a refletncia atmosfrica, o albedo esfrico, a transmitncia do espalhamento da irradincia e a transmitncia do espalhamento da radincia, o efeito dos aerossis simulado com uma densidade 0,55m. Finalmente para obter o espectro de refletncia aparente divide-se o espectro de radincia calculado pela curva de irradincia solar no topo da atmosfera. A refletncia aparente um bom estimador para o clculo dos valores do vapor de gua, atravs da razo de trs bandas e tambm da transmitncia do vapor de gua, que so cruzados com as transmitncias dos gases para derivar a refletncia do solo (GAO et al., 1993 apud BAPTISTA, 2006, p. 84-85). Mais adiante na linha evolutiva dos algoritmos de correo, situa-se o FLAASH, que incorpora um modelo mais acurado de transferncia radiativa da atmosfera, o MODTRAN4
50,

no qual a resoluo espectral incrementada de 20

para 2 cm-1. Alm isso, ele permite modelar a absoro atmosfrica molecular como uma funo da temperatura e da presso e calcula os parmetros dos modelos de banda para 12 molculas gasosas, incluindo a presena varivel do gs carbnico. A verso 4 conta com a capacidade de predizer efeitos atmosfricos em ambientes nublados e/ou com aerossis pesados (Berk et al., 1996; Alder-Golden et al., 1998 apud LATORRE et al., 2002). Este algoritmo possui ainda duas funes que atuam incrementando a acurcia do clculo do espalhamento mltiplo, mas operacional apenas em imagens de alta resoluo espectral, uma que trata nuvens altas e outra para o polimento da informao espectral (LATORRE et al., 2002). Reconhecidamente os mtodos absolutos proporcionam uma acurcia maior nos resultados da classificao, porm ela pode no ser vantajosa em todos os casos, se comparada aos resultados de mtodos relativos, que so bem mais simples e muito menos exigentes em processamento. Sob condies climticas favorveis ao imageamento e em reas menores, os resultados de ambas as tcnicas se aproximam muito (SONG et al., 2001).

50

Do Ingls Moderate Resolution Atmospheric Radiance and Transmittance Model (MODTRAN) e est em desenvolvimento na verso 4 pela Air Force Geophysics Laboratory.

84 Por fim, as correes podem se tornar opcionais em situaes especiais, quando amostras de treinamento para a classificao so retiradas de um local, ou data e aplicadas em outro local ou data. Neste caso, as tcnicas de deteco utilizam classificaes conjuntas e anlise composta, que prescinde a correo atmosfrica porque ela no seria capaz de adicionar as informaes perdidas pelo espalhamento (SONG et al., 2001).

85

MATERIAL E MTODOS

3.1 IMAGENS Para os tratamentos de deteco de mudanas no uso e na cobertura do solo foram selecionadas trs cenas obtidas atravs do sensor TM, a bordo do satlite Landsat 5, permitindo assim evitar algumas dificuldades inerentes comparao de imagens com geometria de imageamento e resolues espacial e espectral diferentes. As principais caractersticas das imagens esto apresentadas na tabela a seguir.
Tabela 2 Sensor, rbita/ponto, data, bandas e formato das imagens utilizadas.

O perodo de cobertura das imagens de 18 anos e, as datas foram escolhidas em funo dos ciclos produtivos comuns na metade sul do Estado do Rio Grande do Sul. O plantio das culturas anuais nesta regio raramente se inicia antes da primeira quinzena de setembro, dadas as baixas temperaturas e, se estende at meados de novembro quando as restries hdricas que ocorrem normalmente em fevereiro se tornam limitantes. A safra de vero, ou safrinha, no prtica generalizada nesta regio, ela aproveita uma janela de tempo em dezembro, quando realizado o preparo do solo e cultivares precoces so utilizadas. Outro aspecto importante da configurao deste conjunto de imagens a escolha de datas prximas, com isto as influncias do clima, fenologia e iluminao da cena so minoradas pela comparao de uma mesma poca do ano para todas as imagens.

86 3.2 DEFINIO DA REA DE ABRANGNCIA DO ESTUDO Como todas as imagens utilizadas no trabalho foram da rbita 222, ponto 82, os cantos superior esquerdo e inferior
o

direito

se

localizam,

aproximadamente, nas coordenadas 30o 47 50S e 54

10 57O e 32o 40 35S

e 52o 38 16 e, cada cena cobre aproximadamente 34.000 Km2. Nesta configurao, as cenas incluem uma parcela do territrio uruguaio e, uma pequena poro da Lagoa do Peixe, ambas desnecessrias para os fins desta pesquisa. Alm disto, a imagem obtida em 2001 possui uma grande quantidade de nuvens no primeiro quadrante. Estas condies oportunizaram uma reduo da rea de estudo.

Ilustrao 2 Polgono da rea de interesse sobre a cena Landsat 5 de 2006.

87 A regio de interesse foi definida inicialmente como os municpios de Pinheiro Machado e Piratini, ambos situados no centro-direito da cena. Ocorre que ao sul de Bag entre os municpios de Acegu, Hulha Negra e Candiota, h uma grande concentrao de assentamentos da reforma agrria, sendo que uma boa parte deles foi criada durante o perodo de tempo abrangido no trabalho. Nestes casos pode-se esperar que tenha havido muitas mudanas no uso e na cobertura do solo, durante a converso da pecuria tradicional e extensiva para a agricultura familiar, justificando incluir esta regio na rea estudada. A regio de trabalho, desta forma, foi delimitada por um polgono que inicia nas cercanias da cidade de Bag e estendido, rumo sul, at a cidade de Acegu, deste ponto segue no rumo leste, acompanhando o limite internacional, at um ponto abaixo da cidade de Canguu, onde passa a rumar ao norte at bem perto dela, por fim, ruma ao oeste at seu fechamento. Ele pode ser visto na ilustrao 2. 3.3 PR-PROCESSAMENTO DAS IMAGENS Atendendo as recomendaes de correo prvia das imagens aos procedimentos de deteco de mudanas no uso e na cobertura do solo, foi realizada uma etapa de pr-processamento. Sua finalidade foi dotar a comparao das imagens distanciadas temporalmente da maior segurana possvel contra erros de comisso e omisso, que poderiam ser causados por fatores advindos de contribuies atmosfricas, capazes de introduzir artefatos nas imagens e, de erros de registro das imagens, que por sua vez provocariam falsas concluses pela comparao entre pixels no homlogos. Atendendo a estas necessidades, a fase de pr-processamento corretivo das trs imagens incluiu os tratamentos bsicos: correo geogrfica, registro, recorte da rea de interesse, eliminao de nuvens e correo atmosfrica. Eles tambm contriburam para eliminar, ou diminuir ao mximo, as discrepncias entre as cenas, que poderiam advir de fatores independentes, como o deslocamento da plataforma, os diferentes ngulos solares, informaes ruidosas e diferenas na calibrao do sensor.

88 3.3.1 Correo Geomtrica Das trs imagens disponveis, duas possuam informaes geogrficas de seu posicionamento, a de 2001 e a de 2006. Esta ltima foi escolhida para ser a imagem base do georreferenciamento, por estar mais atualizada e relao s principais e preferenciais feies para a coleta de pontos de controle em campo: cruzamentos de estradas e de pontes e rios. A anlise preliminar do posicionamento da imagem base revelou que seu formato era padro GeoTIFF grande deslocamento. Considerando que as fontes cartogrficas utilizavam o sistema de referencia SAD69, a correo do georreferenciamento foi levada em conjunto com a troca para este sistema de referncia, de forma que no registro de todas as imagens, utilizando-a como base, o datum e a projeo seriam unificados para as imagens, mapas e dados de campo. O primeiro passo foi a correo geomtrica da imagem utilizando a rotina imagem-mapa do programa Envi 4.4
52, 51

e se encontrava no sistema de referncia

WGS84. Nestas condies foi aferida a qualidade posicional, que revelou um

consistindo na sobreposio do arquivo

vetorial obtido atravs de trabalho de campo, realizado em 15 de agosto de 2006. Nele foram coletadas as coordenadas de algumas estradas e vias de acesso, alm de pontes e encruzilhadas, atravs de um equipamento receptor de sinais do Sistema Global de Posicionamento (GPS)
53.

O equipamento receptor utilizado foi da marca Trimble, modelo Juno, que permite a correo diferencial, na qual foram utilizados os dados da Estao Base de Santa Maria, integrante da Rede Brasileira de Bases Comunitrias pelo Instituto Nacional de Geografia e Estatstica (IBGE). A preciso do posicionamento das feies, sob correo diferencial, aumentou em trs vezes. O raio mnimo da elipse de erro posicional em campo foi de 15 metros, ou seja, a metade de um pixel, aps a correo ela passou o
Arquivo de imagem digital do tipo Tagged Image File Format (TIFF) que possui informaes geogrficas. 52 Do ingls Environment for Visualizing Images (ENVI), programa de computador desenvolvido pela ITT Visual Information Solutions, informaes detalhadas no site <www.ittvis.com>. Todos os procedimentos tcnicos utilizados neste trabalho utilizaram as rotinas deste programa, nesta verso. 53 Do ingls Global Positioning System (GPS).
51

89 mximo de 5 metros. Os vetores e os pontos coletados esto apresentados na ilustrao 3, onde tambm foram inseridas algumas fotos das feies colhidas nos locais durante o trabalho de registro.

Ilustrao 3 - Levantamento de campo realizado com receptor GPS destacando uma encruzilhada e a ponte sobre o Rio Piratini.

O georreferenciamento da imagem base de 2006 exigiu a prvia criao de um arquivo no formato meta, para o conjunto de bandas da imagem A banda seis, do termal, foi dispensada por no ser relevante para o tipo de deteco do trabalho. Foi criada uma serie de 24 pontos de controle sobre a imagem de 2006, todos ajustados at a obteno de um erro mdio quadrtico (RMS) de 0,42 pixel. A reorientao geogrfica foi levada a termo atravs de uma funo polinomial de primeiro grau e o mtodo de reamostragem dos pixels aplicado foi o vizinho-mais-prximo, para preservar ao mximo as informaes espectrais. Os erros quadrticos dos pontos de controle e os coeficientes da polinomial de primeiro grau esto no Anexo 1.

90

Ilustrao 4 Imagem de 2006 georreferenciada com os arquivos vetoriais sobrepostos.

resultado

do

tratamento

de

correo

geomtrica,

contido

na

ilustrao 4, foi a gerao de uma imagem que preservando a informao espectral, foi ajustada em escala, rotao, translao a um sistema de referencia com o datum South Amrica 69 (SAD69) e sistema de coordenadas plano Universal Transversal Mercartor (UTM), compatvel com os arquivos vetoriais e fontes cartogrficas disponveis. 3.3.2 Registro das Imagens A partir do georreferenciamento da imagem de 2006, foi efetuado o registro das imagens de 1988 e 2001, desta vez utilizando a ferramenta de georreferenciamento imagem para imagem. Note-se que os arquivos finais foram salvos com a rotina imagem para imagem como se fosse para mapa, para que compartilhassem o mesmo sistema de coordenadas e datum e, no apenas o registro dos pares de pixels homlogos. No registro das imagens, o RMS foi apurado at que ficasse menor que 0,5 pixel, em acordo com a literatura consultada. Os valores obtidos foram de 0,23 e 0,19 pixel, e seus coeficientes esto no Anexo 2 e no Anexo 3, respectivamente s imagens de 1988 e 2001

91

Ilustrao 5 Imagens aps o registro, dispostas em seqncia 1988 2001 e 2006, da margem direita para esquerda.

3.3.3 Recorte da rea de Interesse Aps o registro das imagens utilizando a imagem georreferenciada de 2006, foi recortada a rea de interesse, conforme o polgono definido na seo 3.1. Desta forma foi evitado o tratamento corretivo de dados sem utilidade para os fins do trabalho. A primeira metodologia testada para a extrao das reas de trabalho das imagens utilizou a ferramenta vetorial ROI
54,

construindo um polgono base na

imagem de 2006, para em seguida, abri-lo nas demais imagens e sobre ele construir novos polgonos a fim de gerar os subconjuntos das reas de estudo, por recorte. Os polgonos foram extrados com sucesso, no entanto no foi possvel faz-los perfeitamente coincidentes, pela presena dos resduos do registro das imagens. Os subconjuntos da rea de interesse apresentaram tamanhos ligeiramente diferentes (+ 3 pixels na de 1988 e -2 pixels na de 2001) em relao imagem base de 2006. Aparentemente estas diferenas no seriam relevantes, porm quando as imagens foram empilhadas nas etapas seguintes, estas inconsistncias causaram reamostragens e alteraram o tamanho dos pixels nas duas imagens. Ocorreu, ento, uma inconsistncia significativa nas classificaes durante a deteco de mudanas, em funo do carter acumulativo das reamostragens.

54

Do ingls Region Of Interest - ROI.

92 Foi necessrio reconstruir os polgonos das reas de interesse travs de uma ferramenta no vetorial. O procedimento adotado tomou a imagem base de 2006 e o polgono vetorial originalmente gerado de forma vetorial para construir uma mscara a ser aplicada em cada imagem, com o efeito de reduzir todos os pixels fora dela ao valor zero. Este procedimento por delimitar as reas de interesse atravs de um conjunto de pixels da imagem, ao invs de faz-lo por um vetor amarrado no sistema de coordenadas, permitiu a extrao de trs recortes com exatamente as mesmas dimenses em pixels, logo perfeitamente coincidentes.

Ilustrao 6 Imagens co-registradas acima e as respectivas reas de interesse a baixo, dispostas da margem direita para a esquerda, na seqncia 1988, 2001 e 2006.

Como os arquivos permaneciam com o tamanho original, novas regies de interesse foram criadas, unindo os pixels extremos de cada rea extrada pelas mascaras e, desta forma foi possvel gerar subconjuntos de cada imagem que eliminavam as regies sem interesse conforme disposto na Ilustrao 6. A observao desta ilustrao tambm permite notar, com facilidade, a importncia da correo geomtrica, do registro das imagens e da correo

93 atmosfrica. Os deslocamentos nas passagens do satlite so ntidos, assim como so as diferenas radiomtricas entre as imagens. 3.3.4 Mascaramento das Nuvens Aps a obteno dos subconjuntos das imagens, foi testada a

significncia da influncia das nuvens na classificao das imagens, dado que as regies sob elas e suas sombras poderiam gerar falsos resultados na deteco de mudanas, por no permitirem comparaes temporais. Os testes se concentraram em formas de classificao e atribuio de custos de classificao para as nuvens e sombras. Em todos os resultados estas duas feies agregaram erros considerveis e, o algoritmo (Maxver) nunca foi capaz de distinguir corretamente entre as classes Nuvens e No Agrcola, independentemente do nmero e tamanho das amostras, ou dos limiares adotados. Fato semelhante ocorreu nas regies sombreadas e as bordas das nuvens, mas nestes casos a confuso do algoritmo se deu entre com a classe gua. Em qualquer caso, a elevao do custo de classificao acima de 90% acarretava que muitos pixels no eram consignados a nenhuma classe. Neste contexto entre perder uma poro da informao ou agregar uma quantidade significativa de erro, a opo adotada foi o isolamento destas reas cobertas por nuvens e sombras para anular seus efeitos e minorar a impreciso dos resultados.

Ilustrao 7 Da margem direita para a esquerda podem ser vistos o subconjunto da imagem 2006, na composio RGB com as nuvens realadas e os ROIs construdos, a mscara gerada a partir dos ROIs e o resultado da aplicao da mscara.

Sua execuo foi baseada na inspeo visual de cada subconjunto das imagens, para a localizao das nuvens mediante a abertura deles em uma

94 composio colorida das bandas 7-2-1 em RGB, aliada a aplicao de realce linear de 2% no histograma. Desta forma as nuvens foram realadas pela cor amarela, que contrastou fortemente com o solo mostrado em roxo e a vegetao em azul, conforme pode ser visto na Ilustrao 7. Sob este procedimento foi possvel delimitar manualmente, por inspeo visual, cada nuvem e cada sombra, com uma regio de interesse. Estas regies serviram construo de uma mscara, que por sua vez foi aplicada anulando os valores dos pixels sob ela, eliminando-os das classificaes e das comparaes durante as fases seguintes de deteco de mudanas, em que pese a perda destas informaes. 3.3.5 Correo Atmosfrica com o Mdulo FLAASH O mtodo de correo aplicado foi o contido no mdulo FLAASH
55,

que

permite a correo atmosfrica das bandas espectrais do visvel, utilizando informaes das bandas do infravermelho prximo e do infravermelho curto (at 3 mm) no algoritmo MODTRAN4
56,

que possui um modelo de resoluo

moderada da transferncia radiativa da atmosfera. Sua aplicao requer a prvia normalizao radiomtrica da imagem, realizada atravs da converso da imagem de refletncia em imagem de radincia calibrada, a converso do formato de arquivo banda entrelaada para linha ou banda entrelaada por pixel, BIL e BIP apresentao dos dados na forma de ponto W/cm2 * nm* sr. O primeiro passo a transformao dos valores discretos dos contadores digitais dos pixels, que representam a refletncia dos alvos da superfcie acrescida de rudos e da contribuio atmosfrica, nos valores analgicos de radincia que o sensor captou originalmente. As imagens foram transformadas em valores de radincia atravs da ferramenta de calibrao de imagens Landsat TM
55 56

57

respectivamente e a na unidade

flutuante

58.

Ela retorna um meta

Do ingls Fast Line-of-sight Atmospheric Analysis of Spectral Hypercubes. O cdigo MODTRAN desenvolvido desde 1989 pelo Spectral Sciences Inc. patrocinado pelo U.S. Air Force Research Laboratory. 57 Do ingls band-interleaved-by-line (BIL) e band-interleaved-by-pixel (BIP), formatos de arquivo onde os pixels so arquivados em grupos por linha de cada banda e em grupos por valor do pixel em cada banda. 58 Ferramenta bsica de pr-processamento denominada Landsat TM Calibration.

95 arquivo para cada imagem contendo as respectivas bandas de interesse: 1,2,3,4,5 e 7, j calibradas e com valores de radincia. A ferramenta utiliza a frmula: L = LMIN + (LMAX LMIN / QCALMAX)*QCAL (3)

Onde L a radincia, QCAL a radincia escalada, calibrada e quantizada em nmeros digitais, LMIN a radincia em QCAL = 0, LMAX a radincia em QCAL = QCLMAX e QCALMAX a amplitude da radincia reescalada em nmeros digitais. LMAX e LMIN so derivados das tabelas providas pela NASA 59. A radincia retornada na unidade watts por metro quadrado por esterorradiano por mcron. O segundo passo foi converter o formato do arquivo original BSQ BIL
61 60

para

algum formato digital intercalado por pixel. Neste caso, foi adotado o formato e, a converso procedida pela respectiva ferramenta com uma interao seguida a unidade convertida conforme foi comentado mnima. Em anteriormente. Bastando introduzir o fator de escala 10 no cabealho da imagem (ou inform-lo diretamente no FLAASH, quando a imagem a ser corrigida aberta). Ele pode ser o mesmo para todas as bandas, ou ter valores diferentes para cada uma. O FLAASH s consegue calcular a quantidade de gua na atmosfera se estiverem disponveis bandas com comprimentos de onda entre 1050-1210 nm, 770-870 nm e 870-1020 nm, assim recomendvel utiliz-lo apenas em imagens com resoluo espectral de pelo menos 15nm. O espectro na regio do termal no utilizado. As bandas, os respectivos comprimentos de onda e seus centros (FWHM)
62

devem estar indicados no cabealho das imagens, ou em um

63.

arquivo texto em separado, como foi o caso

In Landsat Tecnical Notes, 1986. Do ingls Band-sequential (BSQ), formato de arquivo digital que armazena os valores dos pixels na ordem seqencial de cada banda e a imagem na ordem seqencial das bandas. 61 Do ingles Band Interleaved by Line (BIL), formato de arquivo digital que armazena os valores dos pixels da primeira linha da primeira banda seguida da primeira linha da segunda banda e esta seguida da primeira linha da terceira banda at a ltima linha da ltima banda. 62 Do ingls width half maximum (FWHM). 63 Arquivo texto com as seguintes colunas: n. banda centro de banda em nm - valor em nm do mximo da largura da banda (full width half maximum - FWHM): 1 - 0.485000 - 0.070000; 2 59 60

96 Atendidas estas exigncias prvias, o mdulo FLAASH inicia o tratamento das imagens aplicando uma equao padro de radincia, para um determinado pixel L e aplicvel a todos os comprimentos de onda da luz solar, considerando materiais planos de propriedade lambertiana equivalente: Le = (A/ 1 - eS) + (Be/1 - eS) + La (4)

Onde a refletncia de superfcie do pixel, e a mdia da refletncia de superfcie do pixel e sua vizinhana, S o albedo esfrico da atmosfera, La a radincia da contribuio do espalhamento atmosfrico e A e B so coeficientes determinados pelas condies atmosfricas e geomtricas da cena; note-se que cada varivel depende do comprimento de onda da banda para a qual est sendo utilizada. Nesta equao o primeiro termo corresponde a radincia refletida da superfcie at o sensor e o segundo termo, a radincia das contribuies do espalhamento atmosfrico e a distino entre e
e

devida contabilidade da

mistura espacial entre pixels vizinhos, importante quando h presena de nebulosidade na cena acentuando as diferenas entre os contrastes nas cenas. O valor dos coeficientes A, B, S e La diretamente determinado pelo cdigo MODTRAN4, por meio de clculos que consideram as informaes supridas do ngulo solar e da elevao mdia da superfcie, conjuntamente ao modelo de atmosfera, tipo de aerossol e alcance da visibilidade inicial. Todos eles so dependentes da quantidade de gua presente na atmosfera (coluna de vapor) que varia dentro da cena e raramente conhecida. Logo o algoritmo deve calcul-la para cada pixel, atravs dos valores obtidos nas bandas especificadas para a absoro, no conjunto de comprimentos de onda centrado em 1.130 nm e dos valores de referncia que so obtidos das bandas com comprimentos de onda fora da absoro. Aps este clculo, a equao 4 pode ser resolvida para a refletncia de superfcie de cada pixel de cada banda e, em seguida, para a radincia mdia de superfcie, que considera a vizinhana dos pixels, face as distncias relativas entre eles.

0.560000 - 0.080000; 3 - 0.660000 - 0.060000; 4 - 0.830000 - 0.140000; 5 - 1.650000 0.200000; 7 - 2.215000 - 0.270000.

97 As variveis independentes que devem ser informadas diretamente no mdulo so a latitude e longitude do centro da cena, tipo do sensor (TM), data e horrio da tomada da cena (GTM), altitude do sensor (705 km) elevao solo (0,1 km), modelo atmosfrico (subtropical de vero), modelo de aerossol (rural), recuperao de aerossol (no), polimento (no) e visibilidade inicial (40 km). Os parmetros multiespectrais requeridos para o clculo da recuperao do aerossol foram mantidos nos valores padres, ou seja, a banda superior foi consignada como a banda 6 e a inferior a banda 3. A recuperao do aerossol no foi selecionada por ser desnecessria. Nos ajustes avanados foi informado o fator de escala do aerossol (2), a concentrao de CO2 (390 para 2006 e 2001 e 370 para 1988), correo de adjacncias (sim), resoluo (15 cm-1), modelo de espalhamento (scaled distort) e o nmero de interaes ou fluxos (8). O ngulo zenital e o azimutal no foram alterados, o processamento por partes foi requerido, mas o tamanho foi aumentado para 200 Mb, pois o valor original de 100 Mb resultava em erro no processamento. Finalmente, foi informado o fator de escala de sada (10000). O algoritmo ainda permite ajustar o modelo do aerossol, para os casos nos quais for importante maximizar os resultados, porm esta funcionalidade s est disponvel quando houver bandas nos comprimentos de 660 e 2.100nm, que nas imagens multiespectrais utilizadas esto agregadas em outros comprimentos de onda. Como o FLAASH encontra um valor de correo para cada pixel, em cada banda, ele altamente intensivo em processamento. Um subconjunto das imagens levava em torno de 40 minutos para ser corrigido e, sada do mdulo era uma nova imagem, com todas as bandas corrigidas, outra imagem do modelo de correo aplicado e um arquivo contendo os parmetros utilizados e calculados. Os resultados nas imagens, da aplicao da correo atmosfrica utilizando o mdulo FLAASH, esto na Ilustrao 8 e os parmetros e resultados do tratamento constam nos Anexos 4, 5 e 6. Note-se a diferena dos valores dos pixels na parte inferior da tela salva.

98

Ilustrao 8 Na primeira linha esto dispostos, da margem direita para a esquerda, os subconjuntos das imagens de 1988, 2001 e 2006 corrigidos pelo FLAASH, no centro respectivos originais e na janela de baixo os valores de um pixel selecionado (em vermelho).

3.4 GERAO DE TRANSFORMADAS Vrias tcnicas de deteco de mudanas baseiam-se na utilizao de transformadas, seja porque permitem em a reduo da dimensionalidade dos dados e realam as mudanas, sejam por ressaltam as feies de interesse auxiliando a deteco. Para o trabalho foi definido o uso de transformadas NDVI e KT escolhidas pelas propriedades no contraste das alteraes sofridas pela vegetao, cobertura predominante nas cenas estudadas que so de uma regio rural.

99 3.4.1 Transformada NDVI A imagem de NDVI foi gerada a partir da ferramenta NDVI, que opera sem maior interao. Deve ser selecionada a imagem e indicado quais so as bandas do infravermelho prximo (NIR) e vermelho do visvel (VIS), que no caso do sensor TM so as bandas 4 e 3 e, assim que algoritmo inicia, ele s para quando retorna uma nova imagem transformada de NDVI. Nela os pixels assumem valores de -1 a +1, de forma que nestas imagens a vegetao em estado normal se situa entre os valores 0,2 e 0,8. Visando facilitar os clculos, o tratamento estatstico e a definio dos limiares da fase qualitativa da deteco de mudanas, os valores dos pixels foram transformados em bytes (0 a 255). A deciso da utilizao do NDVI deveu-se em boa parte as mesmas razes do uso da KT, porm note-se que ela se baseia em um quociente. O crescimento das culturas incrementa constantemente a quantidade de clorofila responsvel pela refletncia no infravermelho prximo, assim podem ocorrer nveis elevados de refletncia e o ndice saturar, revelando uma interessante caracterstica com significado potencial para a deteco de mudanas no incremento na massa fotossintetizante ou, nas flutuaes de densidade e de estrutura do dossel. 3.4.2 Transformada KT As componentes da KT produzidas a partir de imagens TM so frutos da rotao do espao dos dados, a partir de coeficientes e valores no estocsticos. Elas so orientadas para o realce das feies importantes, atravs de uma transformao linear da imagem, que se vale de dados captados de diferentes assinaturas espectrais de solo e de vegetao, para conformar dois planos espectrais: o plano do solo puro e o plano da vegetao pura, entre eles h uma zona de transio onde se concentram as feies parcialmente vegetadas. So trs as suas componentes, ou dimenses; a de Brilho ressalta a participao do solo, a do Verdor a quantidade de massa verde e a Terceira se relaciona com as feies do solo, principalmente a umidade. S a dimenso do Verdor correlacionada massa fotossintetizante da imagem e obtida pelo contraste

100 entre os dados da banda infravermelho curto e do infravermelho prximo (CRIST, LAURIN, CIONE; 1986). O processamento foi realizado com a ferramenta denominada Tasseled Cap, na qual tambm no h maior interao, uma vez selecionadas as imagens e indicado o sensor (Landsat TM), o algoritmo roda com dados internos e, ao final, so retornadas trs imagens componentes: Brilho, Verdor e Umidade A
65. 64

utilizao

da

KT

foi

definida

pelas

cenas

utilizadas

serem

preponderantemente rurais, levando a esperar que as mudanas se concentrem na cobertura vegetativa e no solo, todas as feies contempladas nos componentes. Um segundo aspecto considerado nesta escolha fora a independncia da KT em relao aos dados da cena. Uma caracterstica interessante para as condies do trabalho, considerando que as comparaes se dariam entre trs imagens muito espaadas no tempo e que houve vrios perodos crticos no funcionamento do satlite Landsat5 durante este intervalo, alm do uso duplo da imagem de 2001. A utilizao da tcnica de componentes principais seria mais susceptvel, pois o clculo da ortogonalizao dos eixos dependente das estatsticas das imagens, como j foi comentado antes. 3.5 DETECO DE MUDANAS COM PS-CLASSIFICAO A deteco de mudanas com ps-classificao est baseada na obteno de mapas temticos de cada data com a maior preciso possvel, independente do algoritmo utilizado, pois h que se considerar sempre o efeito multiplicativo do erro nestas comparaes. Cada mapa confrontado com seu anterior por subtrao, de forma a gerar um novo mapa temtico resultante desta diferenciao e uma tabela de mudanas entre as classes, do tipo de-para. Alguns autores consideram opcional a correo atmosfrica nesta tcnica, haja vista a comparao no se dar diretamente entre as bandas das imagens, mas sobre o resultado da classificao delas. Assim, a informao radiomtrica
64

original

poderia

ter

sido

utilizada,

mas

devido

aos

fins

Usualmente so referidas pelas suas siglas abreviadas do ingls, SWIR e VNIR respectivamente. 65 Em ingls as trs componentes so denominadas Brightness, Greeness e Third.

101 comparativos deste trabalho, a opo foi utilizar os subconjuntos corrigidos das imagens. Por fim, a definio das classes levou em conta a presena delas em todas as imagens e a representatividade dentro das cenas e, no foram determinados custos de classificao para que no houvesse pixels no classificados. 3.5.1 Classes e Amostras de Treinamento A definio do nmero de classes foi auxiliada por exerccios de agrupamento dos pixels, utilizando o apoio de um algoritmo de classificao no supervisionada (DOBSON, 1995). Foi escolhido o classificador no supervisionado Isodata porque calcula, de forma puramente estatstica e diretamente no espao dos dados, as mdias mais representativas para as classes, agrupando os pixels em funo das distncias mnimas s mdias encontradas. Este algoritmo parametrizado, devem ser indicados os nmeros mnimos e mximos de classes, a quantidade admissvel de interaes, os limiares entre classes e a distncia mnima para o agrupamento de um pixel. Seu resultado um mapa temtico acompanhado da distribuio dos pixels nas classes estatisticamente definidas. As simulaes realizadas revelaram que mais de sete classes diminuam a segurana dos agrupamentos, incorporando significativa confuso. A ao de fatores como a presena de umidade, o ngulo solar, as misturas espectrais e as diferenas fenolgicas, devem ter dificultado a diferenciao das feies mais parecidas (e.g. pasto e pastagem). Foram, tambm, evitadas as classes com poucos pixels (e.g. estradas, areia), considerando que estas decises no diminuiriam a qualidade dos resultados, nem influenciariam um nmero grande de pixels classificados. Cada subconjunto das imagens foi aberto em uma composio RGB usando as bandas 3 2 1 do TM e sobre elas foram identificados os conjuntos dos pixels representativos das classes: Solo Agrcola, Lavoura, Pastagem, Mata (nativa), Floresta (plantada), gua e No Agrcola, atravs de da ferramenta de regies de interesse (ROIs). O nmero pixels em cada amostra observou o mnimo de cem vezes o nmero de bandas utilizadas e cada conjunto de amostras foi analisado quanto

102 normalidade da distribuio de seus valores, para evitar que ocorresse bimodalidade ou outra anomalia. (RICHARDS e JIA, 1999) Uma segunda amostragem foi elaborada, visando aumentar a preciso, mas com outra metodologia. As mesmas sete classes foram utilizadas, porm as amostras constituram-se apenas de pixels que se mantiveram na mesma classe em todos os mapas temticos produzidos na primeira classificao. Neste caso o conjunto de pixels que comps as amostras de treinamento foi bem menor, dada dificuldade de localizar estas regies. Os resultados frustraram as expectativas e os mapas temticos obtidos desta forma foram descartados. 3.5.2 Classificao e Tematizao A fim de manter uma proximidade comparativa com a maioria dos trabalhos de deteco de mudanas encontrados na produo cientfica consultada, foi escolhido o algoritmo de classificao mxima verossimilhana para a produo dos mapas temticos. Este algoritmo assume uma normalidade nas distribuies das classes em cada banda e as separa com base em suas mdias. Os pixels so classificados de acordo com probabilidades, ou custos de classificao, definidos pelo usurio. Se no imposto nenhum custo, todos os pixels so classificados, de acordo com a maior probabilidade de pertencer a uma classe. A funo discriminante que foi implementada apresentada seguir: gi(x) ln p(i) ln |i| - (x - mi)t i-1 (x - mi) (5)

Onde i a classe, x o dado n-dimensional do pixel, p(i) a probabilidade de que a classe i ocorra na imagem, |i| o determinante da matriz de covarincia dos dados, i-1 a matriz inversa e mi o vetor de mdias. O algoritmo foi aplicado em cada subconjunto das imagens, sem custo de classificao e gerou trs mapas temticos, uma para cada data. Todos foram padronizados quanto aos nomes das classes e cores, fornecendo uma unidade visual e cognitiva interpretao. Os mapas temticos originados das classificaes dos subconjuntos das imagens podem ser vistos na Ilustrao 9, disposta a seguir. Abaixo deles, no centro da ilustrao, esto as legendas, com os nomes das classes e as cores

103 utilizadas nos mapas e, a janela de detalhe, posicionada em uma regio com todas as classes. Na ltima poro da ilustrao est a janela de visualizao, mostrando a regio da cidade de Bag.

Ilustrao 9 Mapas Temticos de 1988 (1), 2001 (2) e 2006 (3) a cima, legenda e janela de detalhe no centro e regio da cidade de Bag 2006 em baixo.

104

3.5.3 Tratamento aps a classificao Os mapas retornados pelo classificador, de uma forma geral, se apresentaram consistentes, porm ocorreram muitos pixels isolados dentro das classes. Este efeito quando ocorre em imagens monocromticas conhecido como sal e pimenta. Ele pode ser observado na Ilustrao 10, na janela de detalhe original, pela textura rugosa dos limites das classes. Tratando-se de um trabalho de deteco de mudanas, este tipo de efeito no desejvel, pois no agrega informaes confiveis acerca da ocorrncia, ou no, de uma mudana de fato nestes pixels, sendo prefervel que sejam reclassificados na classe majoritria que os contorna.

Ilustrao 10 Classificao original e janela de detalhes acima e classificao tratada e janela de detalhes abaixo, ambas do ano de 2006.

105 O tratamento escolhido foi a Anlise de Majoridade, uma funcionalidade que apresenta o funcionamento similar a um filtro, haja vista, que devem ser definidos o tamanho da janela, no caso 5X5 pixels e, o peso do pixel central, consignado em 3. A passagem por toda a imagem confronta o pixel e seu peso com sua vizinhana, calculando desta forma sua influncia. Sempre que a vizinhana for majoritariamente de outra classe, o pixel central reclassificado para esta classe. O resultado deste tratamento de ps-classificao pode ser observado na Ilustrao 10, onde tambm pode ser visto um detalhe da mesma regio do mapa temtico original da imagem de 2006, para fins comparativos. Os resultados da aplicao da Anlise de Majoridade esto nos Anexos 7, 8 e 9, na forma das Matrizes de Confuso que foram elaboradas comparando os pixels das amostras das classes com os resultados da classificao, donde saem os respectivos valores de acurcia geral e ndice Kappa
66

calculados. Nelas

tambm podem ser examinados os nmeros de pixels por classe e seus pesos percentuais. Nos Anexos 11, 12 e 13 esto os mapas temticos de 1988, 2001 e 2006. 3.6 DETECO DE MUDANAS COM PR-CLASSIFICAO 3.6.1 Subtrao de Transformadas NDVI Foi escolhido o NDVI, por ser um dos ndices de vegetao mais estudados e consistentes. Foi desenvolvido originalmente em 1973 e calculado pela diferena da refletncia entre NIR e VIS, normalizada pela diviso da soma delas, conforme exposto anteriormente. Seus valores possveis so todos entre 1 e +1, incluindo 0, os valores negativos normalmente representam nuvens e os prximos de zero, o solo nu, de forma quanto mais prximos de 1, maior o verdor que indicam (LIU, 2007, p. 221).

66

ndice geral de preciso da classificao, baseado nos acertos e erros da classificao dos pixels das amostras pelo classificador que permite a comparao entre classificaes.

106

Ilustrao 11 Imagens de NDVI de 1988, 2001 e 2006 com destaque de uma rea que incrementou sucessivamente seu valor: 209, 219 e 232.

A deteco de mudanas foi procedida integralmente utilizando a ferramenta Deteco de Mudanas. A primeira etapa foi a gerao dos Mapas de Diferena, iniciando pela subtrao da imagem NDVI de 1988 da imagem NDVI de 2001, em seguida a subtrao da imagem NDVI de 2001 da imagem NDVI de 2006. Em ambos os casos foram geradas vinte classes de mudana e uma de no mudana. Este procedimento assegurou que os limiares das classes ficassem igualmente escalonados de dez em dez por cento e a amplitude de deteco de mudanas de 100% a + 100%. A forma de deteco foi ajustada para diferena simples e os resultados requeridos na forma normalizada entre 0 e 1, para facilitar a classificao na fase qualitativa. Os resultados, na forma do mapa de diferena, da subtrao da imagem de NDVI de 1988 da imagem NDVI de 2001 esto na Ilustrao 12. No formato padro do Mapa de Diferena, as mudanas para menor (valor de NDVI do pixel na data anterior o maior) so mostradas em azul e quanto mais escuras, maior o percentual da mudana e, por conseguinte, a diminuio relativa do NDVI daquele pixel. Nas mudanas para maior (valor de NDVI do pixel na data posterior o maior) ocorre o mesmo, apenas so dispostas em vermelho. Os pixels invariveis, consignados na classe Sem Mudana so dispostos em cinza.

107

Ilustrao 12 Mapa de diferena 01 88 com a distribuio das classes.

interessante notar que os pixels do fundo so contabilizados, obviamente como invariantes e a distribuio aponta para uma grande concentrao dos pixels da imagem na classe entre 0 e 10% de mudana, onde de fato esto os pixels que se mantiveram inalterados. Outro aspecto interessante da distribuio o relativo despovoamento das caudas da distribuio, indicando que alteraes fortes, de mais de 80%, independentemente do sentido, praticamente no ocorreram, em que pese o pequeno vis para o positivo. Examinando o padro da imagem, fcil notar a concentrao das mudanas mais fortes no terceiro quadrante da imagem, configurando polgonos bem delimitados e a preponderncia de mudanas em azul nesta regio, indicando a diminuio do NDVI entre as datas (1988 e 2001).

108
Tabela 3 Freqncia das classes de mudana na subtrao das imagens NDVI.

A segunda etapa incluiu a anlise dos resultados de cada subtrao, na qual a freqncia de cada classe foi examinada para revelar agrupamentos possveis, que diminussem o nmero das classes, mas aumentasse o contraste entre elas. As freqncias das duas subtraes esto na Tabela 3, onde pode ser notado o deslocamento da mdia entre a primeira e a segunda poca. 3.6.1.1 Tratamento Aps a Subtrao das Transformadas NDVI

Para melhorar a capacidade de interpretao visual dos mapas e facilitar a classificao na fase qualitativa, foi aplicado o mesmo tratamento de majoridade que os mapas temticos da deteco de mudanas com psclassificao receberam
67.

Em seguida, as vinte e uma classes de mudana

67

A anlise dos dados e das freqncias antes e depois do tratamento mostrou um pequeno impacto sobre o resultado final.

109 foram agrupadas em cinco classes sintticas de mudana e, receberam novos nomes e cores. No mapa 01 88, as classes Mudana 0 a 10% e Mudana 0 foram combinadas na classe Sem Mudana, que recebeu a cor branco, a classe Mudana 10 a 20% foi denominada Crescimento da Vegetao e recebeu a cor verde e, todas as demais classes foram combinadas na classe Mudana 90 a 100%, representada na cor verde escuro e nome Alto Crescimento da Vegetao. Na cauda das distribuies negativas a classe Mudana 0 a -10% foi denominada Diminuio da Vegetao e recebeu a cor marrom e, todas as demais foram combinadas na classe Mudana -90 a -100% que recebeu o nome de Alta Diminuio da Vegetao, representadas na cor marrom avermelhado. No mapa 06 01 as mesmas cores foram utilizadas, as aglutinaes de classes, no entanto tiveram trs ressalvas, relacionadas ao deslocamento da mdia: a classe combinada com a Mudana 0 foi a Mudana 0 a -10% e a classe Mudana 0 a 10% foi transformada na classe Crescimento da Vegetao e, a classe Mudana -10 a -20% se transformaram na classe Diminuio da Vegetao. A Ilustrao 13 traz nas janelas de visualizao os recortes dos mapas temticos de mudana definitivos, resultantes de uma nova classificao supervisionada por Distncia Mnima. A esquerda est o mapa temtico da subtrao 01 - 88 e a direita, o da subtrao 06 01. Abaixo de cada mapa esto as janelas de detalhe, com ampliao de quatro vezes, mostrando a mesma regio, onde se pode notar a significativa dinmica das mudanas da regio. Ao centro a legenda que relaciona as cores s classes.

110

Ilustrao 13 Detalhes dos Mapas Temticos de Mudana, obtidos por subtrao das imagens de NDVI (01 - 88) - (06 - 01) e reclassificao.

3.6.1.2

Tabela e Mapa de Temtico de Tendncia das Mudanas NDVI

A gerao de um Mapa Temtico de Tendncia das Mudanas pode ser obtida pela subtrao direta dos Mapas Temticos de Mudana, obtidos na fase anterior, porm haveria grande confuso entre os valores resultantes, uma vez que e a em ambos os mapas, as classes foram valoradas de 1 a 5 subtrao retornaria valores iguais para classes diferentes

(e.g. 4 2 = 2 e 5 3 = 2). Alm disto, o resultado se resumiria a um novo mapa em tons de cinza, mas com menos nveis que o nmero de classes, pois haveria inconsistncias nos resultados produzidos por vrios caminhos. O primeiro passo foi criar um conjunto novo de classes sintticas que guardassem a informao das classes sintticas de mudana originais, na forma das tendncias que descrevem (e.g. Alto Crescimento + Alta Diminuio = Decomposio Acentuada). As novas classes esto dispostas na Tabela 8, na coluna Classe. A leitura da tabela por linha mostra a formao de cada classe. Na coluna D

111 est a classe sinttica de mudana inicial, ou seja, aquela que o pixel ocupava no primeiro momento (2001 - 1988) e, na coluna Para est a classe sinttica de mudana final, aquela que o pixel ocupou no segundo momento (2006 - 001).
Tabela 4 - Classes Sintticas de Tendncia das Mudanas.

O nmero de classes sintticas de tendncia das mudanas foi igual ao nmero correspondente da combinao das classes dos mapas originais, mais uma para os pixels no sem mudana totalizando vinte e cinco. Para proceder classificao foi necessria a construo de uma rvore de deciso, capaz de analisar e classificar os dados em funo das tendncias

112 evidenciadas em cada perodo, considerando assim as classes originais e no apenas o resultado da subtrao. Ela foi programada de forma visual e, recebeu operadores lgicos, por meio dos quais, foi possvel consignar as novas classes sintticas de tendncia das mudanas, considerando as cinco classes sintticas de mudana originais envolvidas em cada interao.

Ilustrao 14 Detalhe e Mapa de Tendncia das Mudanas no centro, acompanhado dos detalhes e Mapas Temticos de Mudana nos dois lados: (01 - 88) direita e (06 - 01) esquerda. Abaixo a rvore de deciso utilizada.

A Ilustrao 14, na sua parte superior traz detalhes dos Mapas de Mudana originais ( direita 2001-1988 e a esquerda 2006-2001) e do Mapa de Tendncia das Mudanas (no centro), resultante da subtrao e classificao por Arvore de Deciso dos mapas originais. Na parte inferior da ilustrao est uma viso da rvore de Deciso

113 3.6.2 Subtrao da Componente KT Verdor Para preservar capacidade de comparao com os resultados obtidos das imagens NDVI, foi escolhida a componente KT verdor, para os processamentos da deteco de mudanas, pois esta componente busca contrastar os dados relativos massa fotossintetizante presentes na cena. Alm deste aspecto, na bibliografia consultada h menes do seu potencial de ressaltar e caracterizar mudanas no uso e cobertura do solo, mesmo tnues. Os procedimentos seguiram os mesmos passos da deteco de mudanas com transformadas NDVI, ou seja, a componente KT verdor de 1988 foi subtrada da componente KT verdor de 2001 e a componente KT verdor 2001 foi subtrada da componente KT verdor 2006. As subtraes das imagens foram executadas pelo mesmo algoritmo de deteco de mudanas, com os mesmos parmetros: subtrao simples e resultados normalizados entre 0 e 1. Os limiares das intensidades das mudanas tambm foram os mesmos utilizados, ou seja, degraus de 10% resultando em vinte classes de mudanas originais, mais uma para no a mudana. A amplitude abrangeu de -100% a +100% de mudana, preservando assim o potencial comparativo dos dois tratamentos. O agrupamento das vinte e uma classes originais escalonadas com limiares de 10% de mudana (i.e. <-90%, <-80 at -90%, ... , 0%, <0% at +10%, ... ,<90%) seguiu a mesma metodologia utilizada nas NDVI, ou seja, foi precedido de filtragem para a eliminao de pixels isolados e realizado com base na anlise da distribuio dos pixels. As mesmas cores e denominaes de classe foram adotadas: Alta Diminuio da Vegetao de <-20%, Diminuio da Vegetao de -20% at 10%, Sem Mudana de -10% at +10%, Crescimento da Vegetao <10% at 20% e Alto Crescimento da Vegetao <20%. Esta medida foi necessria na KT, assim como o foi na NDVI, tambm porque as cenas apresentaram dinmicas de mudana bastante intensas e, as

114 influncias do clima, fenologia e do sensor estavam presentes da mesma forma que antes. So as provveis causas do esvaziamento da classe original Sem Mudana e, da concentrao dos pixels no intervalo entre +10% e -10% de mudanas. Os demais dados estavam contidos entre +10% e +20% e -10% e -20%, com uma pequena frao dispersa entre +20 e +40% e -20% e -40%, as classes superiores estavam despovoadas.

Ilustrao 15 Mapa Temtico de Mudanas por subtrao das componentes KT Verdor 2001 1988.

115

Ilustrao 16 - Mapa Temtico de Mudanas por subtrao das componentes KT Verdor 2006 2001.

3.6.2.1

Tratamento Aps a Subtrao da Componente KT Verdor

Uma vez obtidos os mapas de diferena, tambm foi seguida a mesma metodologia adotada de ps-classificao nas imagens NDVI. A ferramenta de anlise de majoridade dos pixels foi aplicada com os mesmos parmetros (peso 3 do pixel central e tamanho do kernel 5). A aglutinao das vinte e uma classes de mudana que resultou em cinco classes sintticas de mudana tambm foi executada, mantendo as mesmas cores e denominaes, configurando unicidade interpretao dos resultados. A eliminao das classes vazias seguiu o mesmo procedimento utilizado anteriormente, ou seja, por uma nova classificao supervisionada utilizando o

116 classificador supervisionado Distncia Mnima. Os resultados podem ser analisados em detalhes nas Ilustraes 15 e 16. 3.6.2.2 Tabela de Tendncia das Mudanas KT Verdor

A tabela de tendncia das mudanas foi gerada com a mesma metodologia utilizada na NDVI, ou seja, por subtrao dos mapas temticos de mudana das componentes KT Verdor, contudo no foi produzido um Mapa de Tendncia, pois a comparao dos resultados foi definida, nesta etapa, apenas sobre os dados, excluindo-se a comparao visual dos produtos grficos. Foram mantidas as mesmas classes sintticas de tendncia das mudanas j utilizadas, assegurando assim a comparao entre os resultados, como pode ser visto na Tabela 13.

117

4 RESULTADOS E DISCUSSO 4.1 PR-PROCESSAMENTO Nas aplicaes que envolvem mais de uma imagem de satlite

independentemente de serem de um mesmo sensor, ou de sensores diferentes e, prximas ou afastadas no tempo ou na poca, recomendvel, segundo a maioria dos trabalhos consultados, a realizao de tratamentos de prprocessamento que auxiliem a anlise dos dados. Quanto s correes geomtricas, foram obtidos RMS de 0,420589 no georreferenciamento da imagem de 2006 e de 0,196756 e 0,238751 no registro respectivo das imagens de 2001 e 1988, em relao a imagem base de 2006. Valores de RMS abaixo de meio pixel so requeridos para a preciso geral da deteco de mudanas, e devem ser sempre os menores possveis. A importncia destes resultados foi confirmada na etapa de deteco de mudanas, pois at que as imagens fossem recortadas atravs de uma mascara, persistiram as inconsistncias nas comparaes, causadas pelo algoritmo de deteco de mudanas que ao empilhar reamostrava os subconjuntos das imagens, simulando assim um erro de registro. As normalizaes radiomtricas e a correo dos efeitos atmosfricos tambm contriburam para o sucesso nos resultados, que depende diretamente da utilizao de dados, os mais puros o possvel e, consignando, de fato, a refletncia dos alvos com o mnimo de rudo. S assim os erros qualitativos, que so impossveis de ser isolados durante o tratamento estatstico podem ser reduzidos. O algoritmo matemtico de correo atmosfrica absoluta que foi utilizado, a saber, o FLAASH trouxe os coeficientes necessrios para dar conta dos fatores relativos ao sensor e, um modelo de transmitncia atmosfrica capaz corrigir, com resoluo mdia, cada pixel, extraindo as informaes necessrias para estimar as quantidades de vapor de gua e de aerossis na cena das informaes espectrais. Os fatores intrnsecos ao sensor levados em considerao pelo FLAASH no tratamento das informaes foram: a altura da plataforma em relao ao geide,

118 o posicionamento do centro da cena, o ngulo de imageamento, a calibrao do sensor e, os fatores extrnsecos foram: a coluna de gs carbnico no ano do imageamento, o ngulo solar, a topografia, a regio do imageamento em relao ao trpico, a poca, se inverno ou vero e, o ambiente, se urbano ou rural. Os resultados obtidos pela aplicao do FLAASH, em especial o clculo da profundidade ptica da atmosfera, suportam a afirmao da importncia de sua implementao. Os valores calculados para as imagens de 1988 e 2006 ficaram bem prximos, 37,87 km e 45,14 km respectivamente, mas em comparao, o valor da imagem de 2001 foi muito maior, 300,00 Km. Os parmetros utilizados esto dispostos nos Anexos 4, 5 e 6. A correo atmosfrica, embora no tenha sido testada contra uma testemunha (mesma comparao sem correo), nem comparadas metodologias diversas - pois estes testes no compuseram os objetivos do trabalho seguramente contribuiu para reduzir a quantidade de artefatos presentes nas imagens e, por conseguinte, a quantidade de erros de comisso e omisso que ocorreram na fase classificadora das deteces de mudanas, bastando tomar a visibilidade, relacionada profundidade ptica da atmosfera, como um bom estimador da intensidade das contribuies atmosfricas. Estas fontes de erro so mais importantes quando a deteco de mudanas se vale de imagens de sensores diferentes, ou do mesmo sensor, mas em condies bem diferentes (e.g. visadas laterais). 4.2 METODOLOGIA A adoo de datas prximas de aniversrio para as imagens em comparao foi acertada, elas ajudaram a controlar a qualidade dos resultados na deteco de mudanas, que neste trabalho buscou evidenciar as substituies e as converses que ocorreram no uso e na cobertura do solo, quando da comparao das imagens. Sob objetivos diferentes, como um estudo da fenologia das espcies presentes, ou da localizao de uma determinada prtica de rotao de culturas, a comparao de pocas diferentes poderia ter sido habilitada como um fator de realce das mudanas de interesse. Ressalta-se que neste estudo, mesmo as diferenas relativamente pequenas, de trinta e cinco dias entre as datas de aquisio das imagens de

119 1988 e a de 2001 e, de dezessete dias entre as datas de aquisio de 2006 e 2001, puderam ser sentidas, principalmente nas classes envolvidas nos ciclos das culturas agrcolas, especialmente o preparo do solo e o crescimento das culturas, conforme os resultados obtidos com a deteco de mudanas na psclassificao. Constatou-se tambm o potencial que o sentido das diferenas de tempo entre as datas, em relao s prticas culturais naquela regio, tem para influir nos resultados. Na Tabela 5, por exemplo, o efeito da subtrao dos valores de NDVI de 04 de novembro dos valores de NDVI de 10 de dezembro, pode ser sentido no vis de alta da distribuio das freqncias dos pixels. J quando os valores de NDVI de 10 de dezembro so subtrados dos de 22 de novembro, a distribuio apresenta um vis de baixa. Estes dados corroboram com a curva de crescimento das culturas e das pastagens nesta regio rural, nesta poca. No caso do espaamento entre as datas de aquisio for maior, segundo os dados observados, pode-se esperar efeitos progressivamente maiores, em acordo com o que foi evidenciado por Cihlar (2000) e, Hal e Goetz (1991) apud ROGAN (2002), acerca da necessidade do desenvolvimento de modelos de correo fenolgica, para apoiar a deteco de mudanas. A coleta de amostras de treinamento para a classificao das imagens com pixels invariantes - pixeis onde a cobertura do solo, ou seu uso, no variou de imagem para imagem - no resultou em incremento acurcia da Ps-classificao Supervisionada, pelo contrrio a diminuiu. A concluso possvel, acerca da impreciso agregada por usar este tipo de amostragem, a da impossibilidade de anular a influncia da subjetividade do operador, na medida em que procede a um julgamento a priori, para escolher pixels invariantes. Sob esse procedimento a amostragem enviesada, no sentido de ressaltar as mudanas, e assim ocorre a contaminao do conjunto das amostras, por variveis, como a umidade do solo, a iluminao e a presena de classes parecidas visualmente, no configurando um conjunto de amostras viveis do ponto de vista estatstico.

120 4.3 DETECO DE MUDANAS COM PS-CLASSIFICAO A Ps-classificao Supervisionada se manteve em um patamar muito bom de eficincia, em que pese o efeito aditivo dos erros ter pressionado a acurcia nas comparaes. A acurcia da subtrao dos mapas temticos (2001-1988) alcanou 79% e, a acurcia da subtrao dos mapas temticos (2006-2001) atingiu 80%. Seus resultados qualitativos esto expostos nas Tabelas Deteco de mudanas (Tabelas 5 e 6) e, acompanharam o bom desempenho da acurcia deste tratamento, demonstrando sensibilidade aceitvel para o emprego na escala de trabalho regional. 4.3.1 Resultados da Deteco de Mudanas com Ps-classificao A deteco de mudanas com mapas temticos acontece ex post sobre os resultados das classificaes e, se constitui da subtrao direta de cada pixel classificado de uma imagem do pixel homlogo classificado na outra imagem, de forma a revelar todas as alteraes nas classes dos pixels, sempre que o resultado seja diferente de zero. Quando o valor de um pixel (valor da classe) confrontado, por subtrao, a outro e no resulta em zero, ento este resultado utilizado para consignar a mudana e a trajetria do pixel em relao s classes, que neste caso poderiam ser quarenta e duas, mais sete de permanncia unificadas na no mudana, mas guardando a informao da classe original. Estes resultados so facilmente interpretados na forma tabelada que fornecido pela funcionalidade Calcular Estatsticas de Mudana. Nas Tabelas 3 e 4 esto os resultados das diferenciaes entre os mapas, apresentados na forma de-para, note-se a cronologia das subtraes, a imagem mais antiga sempre subtrada da mais recente e que a leitura dos dados, na horizontal, o resultado da classificao posterior, assim como a leitura, na vertical, apresenta o estado inicial dos pixels, conforme a classificao anterior. Ao calcular as mudanas e suas estatsticas permitida a gerao de mapas temticos por classe, onde apenas os pixels que mudaram so mostrados ao final e todos os restantes so anulados.

121
Tabela 5 Deteco de Mudanas 2001 1988.

Tabela 6 - Deteco de Mudanas 2006 2001.

122

123 4.3.2 ndice de Estabilidade e Indicador de Tendncia A fim de facilitar as interpretaes das Tabelas 5 e 6, foram gerados ndices de Estabilidade das Classes (IE) e um Indicador de Tendncia (IT) sobre o ganho ou reduo da rea da classe no perodo comparado para cada classe alm de serem destacadas as relaes de ganho e doao de pixels mais intensas entre elas. Os valores calculados de IE e IT esto dispostos na Tabela 7, a seguir. O IE foi calculado para cada classe por meio da subtrao nmero dos pixels que se mantiveram na classe (aps a subtrao dos mapas temticos no mudana) do nmero total de pixels da classe na data inicial, em seguida o resultado foi dividido pela soma dos mesmos dois nmeros, para que os resultados fossem normalizados entre 0 e 1. Dentre os resultados, ressalta-se o comportamento da Classe Pastagem, que na deteco de mudanas (2001 - -1988) perdeu para a Classe Lavoura 32% de sua rea e, no perodo (2006 2001) recuperou 18%. A aparentemente este fato poderia ser considerado uma inconsistncia nos resultados, mas se as datas das imagens so analisadas em conjunto, uma boa parte da concorrncia entre as classes pode ser explicada pelo fato de que na primeira comparao, a defasagem entre as aquisies, alm de maior, se deu a favor da poca de preparo do solo e, na segunda, com uma defasagem menor, o sentido se inverteu, conforme foi comentado anteriormente. Este fato corrobora com a importncia de buscar sempre imagens de datas muito prximas, para evitar que mudanas entre classes, ocasionadas por substituies no ouso ou cobertura dentro de um ciclo de uma cultura agrcola, sejam tomadas como uma mudana, ocorrida de fato, na cobertura ou no uso do solo, causada por uma converso daquela regio. Neste rumo, interessante examinar as instabilidades das classes Solo Agrcola e Lavoura, onde h significativas substituies dentro dos ciclos anuais de preparo, plantio e colheita. Note-se que podem ocorrer tambm converses temporrias, delas e para elas, envolvendo a Classe Pastagens, resultado, possivelmente, da prtica de pousios na cultura do arroz irrigado, onde preconizado, a cada trs ou quatro anos de cultivo, um de descanso para o controle de invasoras.

124
Tabela 7 Valores de IE e IT para as Classes de Uso e Cobertura do Solo.

125 A converso, por outro lado, pode ser mascarada se anlise envolver culturas de ciclos longos. No primeiro perodo de comparao, a Classe Floresta apresentou tendncia expansiva, recebendo quase quatro vezes mais rea que cedeu, avanando principalmente sobre a pastagem e a lavoura. No segundo perodo aparentemente ficou estvel, perdendo e ganhando quase a mesma extenso. Este comportamento se for analisado em conjunto com outras informaes, e.g. a topologia das mudanas no campo e, o clico da cultura florestal (15 a 25 anos ou mais), revela que a expanso, na verdade continuou constantemente. Houveram reas florestais colhidas entre os pontos mdios das comparaes, distantes quase dez anos, que ressurgiram em outras classes, aps terem sido replantadas. Estas reas esto representadas nas perdas para a Classe Pastagens, pois se tratam de plantios novos, com muita contribuio das entrelinhas e nas perdas para a Classe Lavoura que representam reas em preparo para o replantio. Neste contexto a rea convertida para florestas durante os 18 anos do estudo deve passar de 80 mil hectares, bem mais que o pico de 2001 de 45 mil hectares. Estes resultados concordam com o carter complementar das tcnicas de deteco de mudanas e, com a perspectiva de haver uma grande convergncia entre elas e as tcnicas de geoprocessamento no futuro prximo, quando ento ser possvel cruzar, de forma bem mais abrangente, dados do sensoriamento remoto com dados outras fontes e, de outras formas. O Indicador de Tendncia (IT) no auferiu bons resultados e merece uma avaliao futura. Ele calculado pela subtrao dos pixels reclassificados lquidos dos pixels classificados lquidos de cada classe, dividido pela soma destes mesmos valores. O IT, desta forma, pode assumir quaisquer valores entre -1 e +1 e como os pixels classificados lquidos so os pixels invariantes, ou seja, aqueles que permaneceram na mesma classe aps a subtrao, o IT ao se afastar de zero indica a intensidade da perda ou ganho de pixels das classes, na forma de uma tendncia, uma vez que o sentido do tempo captado.

126 A principal fraqueza do IT se revelou na impossibilidade dele indicar de forma qualitativa quais as classes em concorrncia e que as propores careciam de significado, aparentemente no permitindo comparaes diretas entre as classes. Com estes resultados, no foi possvel vislumbrar uma utilizao direta do IT, compreendendo que ele agregou pouca informao auxiliar na interpretao das mudanas ocorridas entre as classes de uso e cobertura do solo. 4.4 DETECO DE MUDANAS COM PR-CLASSIFICAO Na deteco de mudanas com pr-classificao possvel o emprego de diversas tcnicas, a subtrao direta de bandas, por exemplo, mas h vantagens na utilizao de imagens transformadas. Neste sentido devem ser ressaltados os ndices de vegetao, que so desenvolvidos desde os primrdios do sensoriamento remoto digital da terra e, so adaptados ao realce da vegetao em diversas situaes. No ano de 1995 eles receberam uma grande reviso que encontrou mais de 40 diferentes ndices todos criados nos ltimos 20 anos (Bannari, Morin e Bonn, 1995 apud LIU, 2007, p.217). So altamente correlacionados com a cobertura vegetal da cena, donde a sua principal utilidade, inferir sobre a distribuio espacial e as condies da massa fotossintetizante. Eles operam geralmente atravs de funes matemticas, cruzando os dados espectrais das faixas do visvel (0,4 a 0,7 m) e do infravermelho ximo pr (0,725 a m), 1,1 VIS e NIR respectivamente. 4.4.1 RESULTADOS DA SUBTRAO DAS TRANSFORMADAS NDVI A aglutinao das vinte e uma classes de mudana originais em cinco classes sintticas de tendncia das mudanas gerou classes vazias. Visando elimin-las, dois novos Mapas Temticos foram produzidos utilizando as mesmas cores e nomes. Eles foram gerados atravs do classificador supervisionado Distncia Mnima e, esto nas Ilustraes 17 e 18 e, as respectivas distribuies de freqncia podem ser examinadas na Tabela 8, a seguir.

127
Tabela 8 Freqncia das classes sintticas.

A determinao dos limares foi bastante complexa em todos os tratamentos, em acordo com as diversas referncias encontradas nos trabalhos cientficos consultados. A deteco de mudanas no uso e na cobertura do solo por se dar na menor poro dos pixels das imagens e, ser fortemente influenciada por fatores acidentais (registro, contribuies atmosfricas, diferenas na condio do imageamento ou mesmo do sensor, presena de umidade) exige uma prvia e criteriosa avaliao dos dados, antes da determinao de qual valor percentual, para mais ou para menos, realmente pode ser definido como uma mudana no uso e ou na cobertura do solo quando so comparados dois pixels homlogos. A utilizao de limiares incrementados e decrementados em dez por cento, partindo o valor zero demonstrou se eficaz, para revelar as mudanas no tratamento NDVI, assim como no KT. Este escalonamento do limiar manteve a coerncia e a capacidade de comparao entre as tcnicas. Alm disso, caso um escalonamento menor tivesse sido implementado, haveria uma tendncia a detalhar o conjunto dos pixels acumulados entre zero e mais ou menos dez por cento. Nesta faixa, concentrarem os pixels que no sofreram nenhuma mudana, mas tambm o maior potencial dos erros de comisso por fatores acidentais, fato que elevaria o risco de impreciso nos resultados. Ressalva-se que nos trabalhos desenvolvidos sob uma escala local, onde a deteco de nuances menor pode ser o objetivo, a utilizao de uma escala menor para os limares pode se justificar. A anlise das distribuies tambm foi importante porque deu segurana aglutinao das classes para um contraste maior, pois se os limiares originais tivessem sido utilizados diretamente nas comparaes, a anlise qualitativa se

128 daria sobre uma quantidade considervel de classes, mas com um nmero muito pequeno de pixels distribudos nelas, dificultando as concluses ineficazes para a finalidade e escala do trabalho. A construo de classes sintticas de tendncia a partir da aglutinao das vinte e uma classes originais em cinco para gerar o Mapa de Tendncias das Mudanas demonstrou-se vivel, mediante a comparao dos dois resultados de deteco de mudanas obtidos com as transformadas de NDVI realizada por subtrao e posterior classificao por rvore de deciso. As informaes herdadas das classes originais de mudana no foram perdidas e puderam ser utilizadas na interpretao dos resultados do Mapa de Tendncia das Mudanas. 4.4.1.1 Resultados da Subtrao dos Mapas de Mudana NDVI

A partir da gerao dos mapas de mudanas obtidos atravs da subtrao das imagens NDVI, se tornou possvel compar-los, em termos das tendncias das mudanas detectadas. Bastando, para tal, que fosse procedida a subtrao destes mapas temticos, atravs da ferramenta de Deteco de Mudanas e sua funcionalidade: Gerar Estatsticas de Diferena, indicando nela que o mapa temtico de mudanas (01 - 88) era o estgio inicial e o mapa de mudanas (06 - 01) o estgio final, alm disso, mtodo de subtrao requerido foi o simples. Os resultados esto na Tabela 9, a seguir.

129

Ilustrao 17 Mapa de Tendncia de Mudana por Subtrao de Transformadas NDVI (2001 1988).

130

Ilustrao 18 - Mapa de Tendncia de Mudana por Subtrao de Transformadas NDVI (2006 2001).

131
Tabela 9 Tabela de Tendncia das Mudanas NDVI ((01 - 88) - (06 - 01)).

132

Ilustrao 19 Mapa Temtico de Tendncia das Mudanas NDVI.

133

4.4.1.2

Resultado do Mapa Temtico de Tendncia das Mudanas NDVI

Aps a obteno da tabela de tendncia de mudanas, gerou-se um Mapa de Tendncia das Mudanas, disposto na Ilustrao 19, atravs da utilizao de uma rvore de deciso programada com vinte e cinco classes sintticas de tendncia das mudanas. Estas classes e suas freqncias podem ser examinadas na Tabela 10, a seguir, que tambm mostra os resultados obtidos na classificao em termos das freqncias das classes. Eles guardam coerncia com os dados obtidos anteriormente, atravs da funcionalidade de estatsticas da deteco de mudanas.
Tabela 10 Freqncias da Distribuio das Classes Sintticas de Tendncia das Mudanas NDVI.

134 til esclarecer que as classes definidas para o mapa de tendncia foram baseadas nos estgios inicial e final buscando descrever a direo da tendncia que foi captada, ao combinar os trs instantes de imageamento nas duas comparaes (2001 1988 e 2006 2001). No Anexo 10 est a programao da rvore de Deciso que resultou no Mapa de Tendncia das Mudanas.

4.4.2 RESULTADOS DA SUBTRAO DE COMPONENTES KT VERDOR A Tabela 11 organiza os resultados do ps-processamento das imagens diferena KT e nos Anexos 17 e 18 podem ser analisados os Mapas Temticos das diferenas das componentes de Verdor da KT aps os procedimentos de ps-classificao.
Tabela 11 - Freqncia das classes no Ps-processamento KT.

135
Tabela 12 Tabela de Tendncia das Mudanas KT Verdor ((01 - 88) - (06 - 01)).

136

4.4.2.1

Resultados da Tabela de Tendncias das Mudanas KT Verdor

A Tabela 12 foi obtida diretamente da ferramenta de Deteco de Mudanas, atravs da funcionalidade de gerar Estatsticas de Diferena. O estgio inicial informado foi o mapa temtico da subtrao das componentes KT Verdor (01 - 88) e, como estgio final, foi informado o mapa temtico da subtrao das componentes KT Verdor (06 - 01). Os resultados da transformao das classes sintticas de mudana em classes sintticas de tendncia esto na Tabela 13 que foi obtida seguindo a mesma metodologia utilizada na subtrao dos mapas temticos de mudana NDVI.
Tabela 13 - Freqncias da Distribuio das Classes Sintticas de Tendncias das Mudanas KT Verdor.

137 Metodologicamente, a diferena foi no foi gerar um Mapa de Tendncia das Mudanas pela programao de uma rvore de deciso, por ser desnecessrio para os objetivos do trabalho, uma vez que a comparao possvel entre as tendncias de mudana detectadas com as imagens subtrativas de NDVI e de verdor da KT, perfeitamente possvel de ser realizada comparando, duas a duas, as Tabelas 9 e 12 e, 10 e 13. 4.5 DETECO DE MUDANAS E DESENVOLVIMENTO RURAL A regio escolhida para o trabalho, como foi comentado no captulo 3, detm uma grande concentrao de Projetos de Assentamentos (PAs) de agricultores familiares criados pelo INCRA ou reconhecidos por ele, quando criados em parceria com o Governo do Estado. No Anexo 14 est a lista completa de todos os assentamentos, com a data de criao e nmero de famlias assentadas e rea oficiais, alm do municpio. Em grandes nmeros, na rea de estudo, h 70 Projetos de Assentamento, criados entre 1992 e 2003, abrangendo uma rea aproximada de sessenta e dois mil e oitocentos hectares distribudos entre duas mil e duzentas famlias, ou seja, em torno de trinta hectares por famlia. importante ressaltar que a distribuio destes PAs no pulverizada. H um grande macio ao sul de Bag, que se estende at as cercanias da cidade de Acegu ao sul e Candiota ao leste, o que pode ser observado na Ilustrao 20 a seguir. Outro aspecto importante o fato de que a maior parte dos PAs (60%) foi criada entre dois anos antes e dois anos aps 2001, considerando que as imagens comparadas na deteco de mudanas datam dos finais de 1988, 2001 e 2006, se espera que os efeitos da implantao destes PAs sejam sentidos mais fortemente na comparao 2006/2001. Assumindo uma correlao forte entre a deteco de mudanas no uso e na cobertura do solo e o nvel de atividade econmica na rea de estudo durante o perodo examinado e, aproveitando os bons resultados do ndice de Estabilidade e o razovel desempenho do Indicador de Tendncia que foram propostos anteriormente, foi derivada uma metodologia comparativa entre as reas fora e dentro dos polgonos que circunscrevem os PAs.

138

Ilustrao 20 Imagem da rea de Estudo de 2006 com os PAs sobrepostos.

139 O primeiro passo foi a construo de duas mscaras, uma para recortar os PAs e outra para eliminar o que no estivesse contido neles. O segundo passo foi aplic-las nos mapas temticos que haviam sido produzidos nas etapas anteriores deste trabalho, mediante a classificao supervisionada por mxima verossimilhana dos subconjuntos das imagens de 1988, 2001 e 2006. Estes procedimentos geraram dois novos grupos de mapas temticos, um grupo com as informaes da classificao das reas dentro dos PAs e outro com as informaes fora.

Ilustrao 21 Mscaras e resultados das aplicaes sobre o Mapa Temtico de 2006.

A terceira etapa foi a subtrao dos novos mapas temticos para a deteco das mudanas. Neste caso cada conjunto foi subtrado separadamente na mesma ordem: 2001 1988 e 2006 2001. Cada subtrao gerou uma tabela do tipo de-para que serviram de base para o clculo do ndice e do indicador propostos. As tabelas esto dispostas a seguir.

140
Tabela 14 Deteco de Mudanas 2001 1988 Fora dos PAs.

141
Tabela 15 Deteco de Mudanas 2006 2001 Fora dos PAs.

142
Tabela 16 Valores de IE e IT para as Classes de Uso e Cobertura do Solo Fora dos PAs.

143
Tabela 17 Deteco de Mudanas 2001 1988 Dentro dos PAs.

144
Tabela 18 Deteco de Mudanas 2006 2001 Dentro dos PAs.

145
Tabela 19 Valores de IE e IT para as Classes de Uso e Cobertura do Solo Dentro dos PAs.

146 Comparando os resultados, especificamente as Tabelas 7, 16 e 19, possvel notar que h uma grande similaridade entre os dados obtidos no perodo (2001 1988) quando o conjunto dos dados da imagem utilizado (Tabela 7) e quando os PAs so extrados (Tabela 16), comprovada pela proximidade das mdias do IE (0,38 e 0,37) e seus respectivos desvios padro (0,22 e 0,24). O IE revela por meio de sua mdia que a taxa de mudanas alta (IE abaixo de 0,5) e que h pouca influncia dos PAs no perodo, que condiz com a pequena presena dos assentamentos neste perodo. O exame do subconjunto dos dados dos PAs no mesmo perodo revela que a mdia do IE alcana 0,56 e o desvio padro 0,36 e, neste caso, tambm h congruncia porque a criao dos PAs s foi acelerada a partir de 2000 ocasionando que os efeitos destas intervenes agrrias no possam ser completamente captados atravs da comparao (2001 2001). Nesta poca e nesta regio predomina o efeito das propriedades rurais no estgio inicial, antes da desapropriao
68

e nestes casos uma taxa de

mudana no uso e cobertura do solo ainda menor pode ser esperada, haja vista que o IE capta, na verdade, os indcios da improdutividade destas fazendas. J quando a comparao estabelecida entre os perodos, ela revela um distanciamento maior entre as mdias e o desvio padro do ndice de Estabilidade. Utilizando o conjunto dos dados (Tabela 7) a mdia do IE 0,38 e o desvio padro 0,22 no perodo (2001 - 988), no perodo (2006 2001) 0,40 e 0,24 respectivamente. H, portanto, um crescimento da mdia do IE de 5,26%. No subconjunto dos dados obtido pela excluso dos PAs o incremento bem superior, no perodo (2001 - 988) a mdia do IE 0,37, porm no perodo (2006 2001) alcana 0,46. O incremento na mdia do IE de 24,37%, revelando que a taxa de mudanas diminui significativamente entre
A desapropriao de imveis rurais para fins de reforma agrria se d, principalmente, pelo no cumprimento da funo social da posse da terra, aferida principalmente pela produtividade agrcola derivada do grau de utilizao da terra e do grau de eficincia econmica desta explorao.
68

147 os perodos analisados nas reas que no se transformaram em PAs. Na mesma Tabela 16 possvel ver que o motor das mudanas a converso de pastagens em lavouras e, que de fato, ele decresce do primeiro para o segundo perodo (-51% pixels reclassificados lquidos). J dentro dos PAs ocorre o inverso, a mdia do IE diminui entre os perodos. Ela parte de 0,56 e atinge 0,49, reduzindo 12,5%. Fato parcialmente explicado anteriormente pela obteno de terras improdutivas para a criao dos PAs e ora complementado, pelo aumento da taxa das mudanas no uso e na cobertura do solo que representa a implantao destes assentamentos. Analisando o impacto dos PAs na quantidade de mudanas detectadas em cada perodo, atravs da comparao das Tabelas 7 e 16, perodo a perodo, a mdia do IE cresce 15 pontos percentuais no perodo (2006 - 2001) e se mantm praticamente estvel (-2,6%) no perodo (2001 - 1988) sob a mesma comparao. Este comportamento explicado, em parte, pelo fato de que perodo (2001 - 1988) haviam poucos PAs criados, como j foi comentado, assim no poderia haver muita diferena entre a excluso dos PAs e os dados totais, porm no perodo (2006 2001) possvel estabelecer um efeito de 15% a mais na estabilidade do uso e cobertura do solo pela simples excluso dos PAs. possvel, assim, ponderar que h uma boa influncia dos PAs nas mudanas que ocorreram na regio neste perodo, haja vista a relao direta de proporcionalidade entre a aproximao da mdia do IE de 1 e a estabilidade no uso e na cobertura do solo. Os quinze pontos percentuais acrescidos na mdia do IE dizem respeito a apenas 5% da rea, ou 4,9% dos pixels totais. interessante tambm examinar a comparao do subconjunto dos dados dos PAs com o subconjunto dos dados sem os PAs. Neste caso a estabilidade do uso e da cobertura do solo diminui dentro dos PAs de um perodo para o outro enquanto ela aumenta fora deles. A mdia e o desvio padro do IE dos PAs no perodo (2001 1988) so 0,56 e 0,32 respectivamente e os do subconjunto dos dados restantes so

148 0,37 e 0,22 respectivamente. No perodo (2006 - 2001) os dados so 0,49 de mdia e 0,31 de desvio padro para os PAs contra 0,46 e 0,28 das reas fora dos PAs. Lembrando que o estudo utiliza apenas imagens de mesma poca do ano, as converses so mais ressaltadas que as substituies no uso e cobertura do solo, por isso estes fatos so passiveis de explicao, dada a dinmica do uso do solo na lavoura no ser completamente captada como mudana. Eventos como estes so esperados onde h uma densidade produtiva maior, dada a menor quantidade de rea dos imveis rurais que determina uma mudana maior no uso e na cobertura do solo, haja vista as reclassificaes de pixels entre a lavoura e o solo agrcola terem sido mais intensas nos PAs que no conjunto dos dados (Tabela 7) e, que a converso de pastagens superou 50% nas reas dos PAs. Por fim, ainda sobre as converses e substituies, no Anexo 15 h um detalhe do mapa de tendncias e no Anexo 16 est a regio coberta por ele na imagem de 2006. Escolhida por ser uma plantao florestal de Eucalipto na qual podem ser observadas reas consolidadas em manejo intenso com substituies e novas reas sendo incorporadas por expanso do plantio onde est ocorrendo converses da cobertura do solo e seu uso. Estas tendncias esto bem contrastadas nesta regio pela ocorrncia prxima de Classes de Tendncia de Desvegetao e Desvegetao Acentuada e de Revegetao e Revegetao Acentuada, emolduradas por um mosaico de reas sem mudana, onde esto as reas de preservao permanente (rios, veredas, com declividade alta), de reserva (mata nativa) e de estradas, rios e campos passveis de converso. Neste sentido reforada a idia de que a construo de classes Sintticas de Tendncia de Mudanas possui um bom potencial para revelar regies sob regimes de substituio de regies convertidas, permitindo em alguns casos, distinguir pela classificao sem precisar analisar as relaes espaciais, como foi necessrio, utilizando-se apenas mapas temticos na deteco de mudanas do uso e cobertura do solo.

149

5 CONCLUSES E RECOMENDAES 5.1 CONCLUSES a) Foi demonstrada a impossibilidade de se obter dados confiveis sem um bom registro das imagens, preconizando-se um RMS de no mximo meio pixel. b) A presena de nuvens se apresentou invivel de tratamento dentro das rotinas de deteco de mudanas, tanto nas reas cobertas, quanto nas imediaes influenciadas por suas bordas e sombras, revelando um limitante muito forte destas tcnicas. c) A adoo de imagens com datas prximas foi acertada para os objetivos do trabalho. Elas ajudaram a controlar a qualidade dos resultados e ressaltaram as mudanas importantes para o trabalho. d) Considerando a escala regional do trabalho, conclui-se que todos os e tratamentos guardaram coerncia entre si e, podem ser considerados equivalentes entre si, quanto aos resultados e aplicabilidade. e) Nenhuma tcnica se destacou das demais, de forma a ser recomendvel, isoladamente, para outros casos. f) Se os objetivos fossem mais detalhistas e as escalas apropriadas para trabalhos locais, possvel que o tratamento de deteco com pr-classificao de componente KT Verdor se sobressasse. g) A escolha da tcnica deve ponderar os objetivos do trabalho, os dados envolvidos e a escala de trabalho. Acessoriamente devem ser consideradas as ferramentas disponveis, a capacidade de processamento hbil e o conhecimento e familiaridade dos pesquisadores para com as tcnicas e regies em estudo.

150 h) A Ps-classificao Supervisionada se manteve em um patamar muito bom de eficincia, corroborando sua dependncia alta acurcia das classificaes. i) A gerao de um ndice de Estabilidade ajudou na interpretao dos resultados da deteco das mudanas, inclusive na diferenciao entre substituies e converses do uso e da cobertura do solo. j) O Indicador de Tendncia no alcanou suficientemente os objetivos, carecendo de um ajuste melhor para auxiliar a interpretao das tendncias. k) H vantagens significativas na utilizao das tcnicas de deteco de mudanas de forma complementar. l) A aplicao dos tratamentos de ps-classificao do NDVI e da KT demonstrou-se uma forma vlida de utilizar a deteco das tendncias das mudanas. m) Tratar a fase qualitativa, primeiro na perspectiva da captura das mudanas na massa fotossintetizante presente na cena e, depois na interpretao das tendncias ajudou na interpretao dos resultados. n) A distribuio das classes sintticas de tendncia prova a consistncia dos tratamentos ps-classificatrios NDVI e KT Verdor, pois hegemonia da classe Estvel, na distribuio dos pixels, foi herdada diretamente dos resultados originais. o) As variaes na biomassa fotossintetizante, captadas na cena pelos dois tratamentos, NDVI e KT, permitiram uma avaliao consistente das tendncias atravs das Classes Sintticas de Tendncia das Mudanas, ressaltando as concentraes nas classes de Diminuio e Crescimento. p) Cruzando informaes topolgicas do Mapa de Tendncias das Mudanas com os dados tabulados, tornou-se possvel avaliar as relaes das mudanas

151 espacialmente e colher incios para o estabelecimento de uma razovel discriminao entre as substituies (alteraes cclicas) e converses, (carter permanente) no uso e na cobertura do solo. q) A subtrao das componentes de Verdor da KT se demonstrou propcia para a deteco de mudanas, com uma ligeira maior sensibilidade para as flutuaes da biomassa, ao concentrar acima de 94% dos pixels na faixa entre + 10% e 10% de mudana em relao zero enquanto a NDVI atingiu 91,3% de teto. r) A utilizao do IE como parmetro par avaliar os impactos no uso e na cobertura do solo advindos da criao e implantao de Projetos de Assentamentos se demonstrou til. s) A utilizao de mapas temticos para a deteco de mudanas no uso e na cobertura do solo permite inferir sobre a intensidade dos processos produtivos no meio rural e mostrou potencial para ser realizado como instrumento de apoio s decises para as polticas pblicas de desenvolvimento rural. t) O IE conseguiu captar indcios de improdutividade nas reas que foram posteriormente desapropriadas para a criao dos Projetos de Assentamento, revelando taxas muito baixas de mudanas em comparao ao em torno destas regies. u) O IE no foi eficiente para detectar mudanas por substituies em ciclos lavoura - solo agrcola utilizando imagens de mesma poca. 5.2 RECOMENDAES Dentre as inumerveis recomendaes possveis diante de um tema to complexo e estratgico como a deteco de mudanas no uso e na

152 cobertura do solo, por meio de sensoriamento remoto, prefervel fazer contar apenas duas, altamente estratgicas. Primeiro, com base nos resultados deste trabalho e de todos os outros aqui apresentados pela reviso bibliogrfica, que sejam envidados todos os esforos possveis, tanto pela comunidade cientfica brasileira, quanto pelos rgos governamentais competentes para que seja iniciado, no menor prazo possvel, um programa de mbito nacional de deteco de mudanas, para dar conta de alicerar um pouco mais a soberania do Pas, no se deve esquecer, ele composto por homens e mulheres livres, e a informao constituinte da liberdade. Segundo, para que se realize o potencial estratgico da deteco de mudanas no Brasil, o programa espacial brasileiro deve continuar a receber os meios para seu desenvolvimento, ampliando-os sempre que necessrio e que o INPE permanea coerente com sua determinao de fornecer imagens orbitais de altssima qualidade, sem restries e gratuitamente
69.Uma

deciso pioneira, tomada em uma poca que mesmo

potncias mundiais no podiam sonhar com algo similar e que ainda hoje se mostra revolucionria, pois muitas delas, com meios melhores que os nossos, ainda relutam em nos acompanhar.

Do mundo e das mes, se pode afirmar que so nicos, por isto no podemos nos furtar de conhec-los o melhor possvel, para cuidar-lhes bem.
69

153

REFERNCIAS ANDERSON, L. O. et al. Assessment of Deforestation in Near Real Time Over the Brazilian Amazon Using Multitemporal Fraction Images Derived From Terra MODIS. In: IEEE Geoscience and Remote Sensing Letters, vol. 2, n. 3, jul. de 2005, p. 315-318. ANDRADE J. B.; OLIVEIRA, T. S. Anlise Espao-temporal do uso da terra em parte do semi-rido cearense. In: Revista Brasileira de Cincia do Solo, 2004, p. 28:393-401. ANDRADE N. S. O.; NUMATA, I.; VALRIO FILHO, M. Estudo da Dinmica da Cobertura Vegetal e Uso da Terra na Regio de Ji-Paran/RO In: IX Simpsio Brasileiro de Sensoriamento Remoto, 11-18 de setembro 1998, Santos, Brasil. Anais . . . So Jos dos Campos, SP: INPE p. 89-98. Disponvel em: < http://marte.dpi.inpe.br/col/sid.inpe.br/deise/1999/02.09.14.39/doc/4 _64p.pdf > . Acesso em 10 de janeiro de 2007. BERK, A. et al. MODTRAN4 Radioactive Transfer Modeling for Atmospheric Correction. SPIE Proceeding. Optical Spectroscopic Techniques and Instrumentation for Atmospheric and Space Research III, vol. 3756, PhotoOptical Instrumentation Engineers, julho de 1999. BERKOV, V. Application of Remote Sensing and GIS for Change Detection from Various Data Type of Remote Sensing. Proceedings esk Vysok Uen Technick Workshop 2007. Czech Technical University, Praga, 19 23 fev 2007. Disponvel em: < http://workshop.cvut.cz/2007/sbornik.php?sekce=14 >. Acesso em: 26 dez. 2007. BAPTISTA, G. M. M. Sensoriamento Remoto Hiperespectral: o novo paradigma nos estudos de solos tropicais. 2006, primeira edio. Ed. Universa Universidade Catlica de Braslia, Braslia, DF, p. 212 CMARA, G.; VALERIANO, D. M.; SOARES, J. V. Metodologia para o Clculo da Taxa Anual de Desmatamento na Amaznia Legal. Instituto Nacional de Pesquisa Espacial - Programa de Clculo do Desflorestamento da Amaznia. Revisado em set. 2006. Disponvel em: < http://www.obt.inpe.br/prodes/metodologia.pdf >. Acesso em: 23 set. 2007.

154 COHENCA, D. A Expanso da Fronteira Agrcola e Sua Relao com o Desmatamento Detectado em Imagens Landsat TM e ETM+ na Regio norte da Br 163, Par entre os Anos de 1999 e 2004. 2004, 23 p. Monografia apresentada para Ps-Graduao Latu Sensu em Gesto e Manejo Ambiental em Sistemas Florestais. Universidade Federal de Lavras, 2005. CARREIRAS, J. M. B. et al. Assessing the extent of agriculture/pasture and secondary succession forest in the Brazilian Legal Amazon using SPOT VEGETATION data. In: Remote Sensing of Environment. New York, NY: Elsevier, 2005, n. 101, p. 283298. CAKIR, H. I.; KHORRAM, S.; NELSON, S. Correspondence analysis for detecting land cover change. Remote Sensing of Environment. New York, NY: Elsevier, n.102, 2006, p. 306317. COPPIN, P. et al. Digital Change Detection Methods In Ecosystem Monitoring: a review. International Journal of Remote Sensing. Taylor e Francis Ltd., n. 9, p. 1565-1596, 10 mai. 2004. CRIST e. P.; LAURIN, R.; CICONE R. C. Vegetation and Soils Information Contained in Transformed Thematic Mapper Data... Proceedings of IGARSS86 Symposium, p. 1465 1470. European Space Agency, Paris, 1986. Disponvel, sob autorizao dos autores em: < http://www.ciesin.columbia.edu/docs/005-419/005-419.html > Acesso em: 20 mai. 2008. CPDS. Comisso de Polticas de Desenvolvimento Sustentvel e da Agenda 21. Agenda 21 Aes Prioritrias. 2 Edio, Ministrio do Meio Ambiente 2003. Disponvel em: < http://www.mma.gov.br/estruturas/agenda21/_arquivos/acoes2edicao.zi p >. Acesso em: 08 jan. 2008. DEER, P. Digital Change Detection Techniques In Remote Sensing. Technical Report DSTO TR - 0169. Defended Science and Technology Organization, Department of Defense United States of America, n. 169, maro de 1995, p. 01 - 53. Disponvel em: < http://www.dsto.defence.gov.au/publications/2231/ >. Acesso em: 30 mai. 2007. DETER. Programa Deteco de Desmatamento em Tempo Real. Desenvolvida pelo Instituto Nacional de Pesquisas Espaciais (INPE). ca. 2004. Apresenta informaes institucionais sobre o programa e seus resultados. Disponvel em: < http://www.obt.inpe.br/deter > . Acesso em: 27 de jan. de 2008.

155 DOBSON, J. E. et al. NOOA Coastal Change Analysis Program: Guidance for Regional Implementation. NOAA Tecnical Report NMFS 123. National Marine Fisheries Service Department of Comerce United States of America, abril de 1995, 97 p. Disponvel em: < http://www.csc.noaa.gov/products/sccoasts/html/pdecript.htm > Acesso em: 09 jul. 2007. DUVERNOY, I. Use of a Land Cover Model to Identify Farm Typoes in Missiones Agrarian Frontier (Argentina). Agricultural Systems, New York, NY: Elsevier, 2000, n. 64, p. 137 - 149. Disponvel em: < www.elsevier.com/locate/agsy >. Acesso em: 10 jan. 2007. FERANEC, J. et al. Corine Land Cover Change Detection in Europe (case studies of Netherlands and Slovakia). Land Use Policy. New York, NY: Elsevier, n.24, 2007, p.234 247. Disponvel em: < www.elsevier.com/locate/foreco >. Acesso em: 12 abr. 2007. FOODY, G. M. Status of land cover classification accuracy assessment. Remote Sensing of Environment. New York, NY: Elsevier, n.80, 2002, p. 185201. Disponvel em: < http://www.yale.edu/ceo/OEFS/ClassificationArticle_by_Foody_2002.pdf >. Acesso em: 21 jan. 2008. GAO, J.; LIU, Y.; CHEN, Y. Land Cover Changes During Agrarian Restructuring in Northeast China. Applied Geography. New York, NY: Elsevier, n.26, 2006, p.312 322. GLERIANI, J. M.; ANTUNES, M. A. H.; EPIPHANIO, J. C. N. Coeficientes da Transformao Espectral Tasseled Cap Para Uma Cena Com Predomno de Latossolo Roxo. In: XI Simpsio Brasileiro de Sensoriamento Remoto, 05-10 de abril 2003, Belo Horizonte Brasil. Anais . . . INPE So Jos dos Campos, SP: p. 101-107. Disponvel em: < http://marte.dpi.inpe.br/col/ltid.inpe.br/sbsr/2002/11.17.23.25.56/doc /01_353.pdf > . Acesso em 18 de janeiro de 2008. GOETZ, S. J.; et al. Application of Multitemporal Landsat Data to Map and Monitor Land Cover and Land Use Change in the Chesapeake Bay Watershed. In: Analysis of Multi-temporal Remote Sensing Images ed. P. Smits and L. Bruzzone p. 223-232. World Scientific Publishers, Singapore 2004. Disponvel em < http://www.whrc.org/resources/published_literature/pdf/GoetzetalWorld Scientific.04.pdf > Acesso em: 16 de mar. 2007. GONZALES, R. C.; WOODS, R. E. Processamento de Imagens Digitais. 2000. Editora Edgard Blcher Ltda., So Paulo, SP, 509 p. HUANG, C. et al. Detecting Land Cover Changes Based on Their Trajectories in the Spectral Space. In: Geoscience and Remote Sensing Symposium, 2000. IEEE 2000 International, p. 1984-1986, vol.5.

156 IM, J.; JENSEN, J. R.; TULLIS, J. A. Development of a Remote Sensing Change Detection System Based on Neighborhood Correlation Image Analysis and Intelligent Knowledge-based Systems. IEEE. IEEE vol., n., 2005, p. 2129 - 2132. JENSEN, J. R. Biophysical Remote Sensing. In: Association of American Geographers. Anais . . . Blackwell Publishing, 73(1), 1983, p.111 - 132. LAMBIN e. F. Modeling and Monitoring Land-Cover Change Processes in Tropical Regions. Progress in Physical Geography. SAGE Publications, vol. 21, n. 3, 1997, p. 375 - 393. Disponvel em: < http://ppg.sagepub.com >. Acesso em: 14 de fev. de 2008. LATORRE M. et al. Correo Atmosfrica: Conceitos e Fundamentos. Espao & Geografia, vol. 5, n. 1, 2002, p. 153 178. LILLESAND, T. M.; KIEFER, R. W.; CHIPMAN, J. W. Remote Sensing and Image Interpretation. Hoboken, NJ: Wiley, 2004, 5 ed., 764p. LIU, Q. J. et al. Monitoring Forest Dynamics Using Satellite Imagery a case study in the natural reserve of Changbai Mountain in China. Forest Ecology and Management. New York, NY: Elsevier, n.210, 2005, p.25 37. LIU, W. T. H. Aplicaes de Sensoriamento Remoto. Editora Uniderp, Campo Grande 1 ed., 908 p., 2007. LU, D. et al. Change Detection Techniques. International Journal of Remote Sensing. Taylor e Francis Ltd., n. 25, p. 2365-2407, 20 jun. 2004. Disponvel em: < http://www.tandf.co.uk/journals >. Acesso em: 10 jan. 2008. LULC PROGRAM. Land-Cover and Land-Use Program. Desenvolvida pela National Aeronautics and Space Administration (NASA), ca. 2007. Apresenta informaes institucionais sobre o programa e seus resultados. Disponvel em: < http://lcluc.umd.edu/index.asp > . Acesso em: 27 de jan. de 2008. LUNETTA, R. S. et al. Impacts of Temporal Frequency on Land-Cover Change Detection Monitoring. Remote Sensing of Environment. New York: Elsevier Science Inc., n. 89, 2004, p. 444-454. _____.Land Cover Detection Using Multi-Temporal MODIS NDVI Data. Remote Sensing of Environment. New York, NY: Elsevier, n.105, 2006, p. 142 - 154. MASEK, J.G. et al. Landsat-7 ETM+ as an observatory for land cover Initial radiometric and geometric comparisons with Landsat-5 Thematic Mapper. Remote Sensing of Environment. New York, NY: Elsevier, n.78, 2001, p.118 130.

157 MAS, J. F. Monitoring Land-cover Changes: A Comparison of Change Detection Techniques. International Journal of Remote Sensing. Taylor e Francis Ltd., vol. 20, n. 1, p. 139 -152, 1999. Disponvel em: < http://www.tandf.co.uk/journals >. Acesso em: 10 jan. 2008. MATEW, M. W. et al. Status of Atmospheric Correction Using a MODTRAN4based Algorithm. SPIE Proceeding, Algorithms for Multiespectral, Hyperspectral, and Ultraspectral Imagery. Society of Photo-Optical Instrumentation Engineers, VI, vol. 4049, abr. 2000. Disponvel em: < http://www.spectral.com >. Acesso em: 16 nov. 2006. MENDONA JR, M. G.; BRITO, J. N. L. S. 2003. Medio Automtica de Pontos por Correlao de Imagens: Caractersticas dos Locais de Maior Probabilidade de Erro. In: XXI Congresso Brasileiro de Cartografia, 29 de setembro a 03 de outubro, Belo Horizonte MG. Anais . . . Disponvel em < http://www.cartografia.org.br/xxi_cbc/030-F03.pdf >. Acessado em 21 jan. 2008. MESQUITA Jr., H. N.; BITENCOURT, M. D. Anlise Multitemporal de Fragmentos de Cerrado no Estado de So Paulo com Sensor MODIS. In: XI Simpsio Brasileiro de Sensoriamento Remoto, 05 - 10 abril 2003, Belo Horizonte Brasil. Anais . . . So Jos dos Campos, SP: INPE p. 2815 - 2822. Disponvel em: < http://marte.dpi.inpe.br/col/ltid.inpe.br/sbsr/2002/11.14.17.34.59/doc /19_213.pdf > . Acesso em: 10 de jan. de 2007. MILLER, O.; PIKAZ, A.; AVERBUCH, A. Objects Based Change Detection in a Pair of Gray-level Images. The Journal of Pattern Recognition Society, n. 38, p. 1976 1992, 2005. MORISETTE J. T. e KHORRAM, S. An Introduction to Using Generalized Linear Models to Enhance Satellite-based Change Detection. In: IEEE vol, n., 1997, p. 1769 -1771.

NALC - North American Landscape Characterization Project Campaign Document. U.S. Geological Survey. Revisado em 06 abr. 2005 e atualizado em 09 de set 1996. Disponvel em: http://eosims.cr.usgs.gov:5725/CAMPAIGN_DOCS/nalc_proj_camp.html >. Acesso em: 22 abr. 2007. ONU United Nations. Kioto Protocol to the United Nations Framework Convention on Climate Change. 1998. Disponvel em: < http://unfccc.int/resource/docs/convkp/kpeng.pdfm > . Acesso em: 08 jan. 2008. ORUC, M.; MARANGOZ, A. M.; BUYUKSALIH, G. Comparison of Pixel-based and Object-Oriented Classification Approaches Using Landsat-7 ETM Spectral Bands. 2004

158 PACIFICI, F. et al. Na Innovative Neural-Net Method to Detect Temporal Changes in High-Resolution Optical Satellite Imagery. IEEE Transactions on Geoscience and Remote Sensing. IEEE vol 45, n. 9, set. 2007. PREVFOGO. Sistema Nacional de Preveno e Combate aos Incndios Florestais. Desenvolvida pelo Instituto Brasileiro do Meio Ambiente e dos Recursos Naturais Renovveis (IBAMA), c.a. 2008. Apresenta as informaes institucionais sobre o sistema, resultados e instrues de combate e preveno a queimadas. Disponvel em: < http://www.ibama.gov.br/prevfogo > . Acesso em: 27 de jan. de 2008. PRODES. Programa de Clculo do Desflorestamento da Amaznia. Desenvolvida pelo Instituto Nacional de Pesquisas Espaciais (INPE), ca. 2008. Apresenta informaes institucionais sobre o programa e seus resultados. Disponvel em: < http://www.obt.inpe.br/prodes/index.html > . Acesso em: 27 de jan. de 2008. QUEIMADAS. Monitoramento de Queimadas em Tempo Quase-Real. Desenvolvida pelo Instituto Nacional de Pesquisas Espaciais (INPE), ca. 2007a. Apresenta as perguntas mais freqentes dos usurios do sistema. Disponvel em: < http://sigma.cptec.inpe.br/sigma/queimadas/queimadas/perguntas.htm l > . Acesso em: 27 de jan. de 2008. _____. Monitoramento de Queimadas em Tempo Quase-Real. Desenvolvida pelo Instituto Nacional de Pesquisas Espaciais (INPE), ca. 2007b. Apresenta as informaes institucionais a evoluo do sistema. Disponvel em: < http://sigma.cptec.inpe.br/sigma/queimadas/queimadas/evolucao.html > . Acesso em: 27 de jan. de 2007. RICHARDS, J. A.; JIA, X. Remote Sensing Digital Image Analysis: an introduction. 1999. 5 ed., Springer-Verlag Berlin Heidelberg, New York eUA. 363 p. RIDD, M. K.; LIU, J. A Comparison of Four Algorithms Four Change Detection in Urban Environment. Remote Sensing of Environment. New York: Elsevier Science Inc., n. 63, 1998, p. 95-100. ROGAN, J.; CHEN, D. M. Remote sensing technology for mapping and monitoring land-cover and land-use change. Progress in Planning, New York: Elsevier Science Inc n. 61, 2004, p. 301-325. ROGAN, J. et al. Land-Cover Change Monitoring with Classification Trees Using Landsat TM and Ancillary Data. Photogrammetric Engineering and Remote Sensing, vol. 69, n. 7, p. 793-804, jul. de 2003. ASPRS American Society for Photogrammetry and Remote Sensing.

159 ROGAN, J. MILLER, J. Integrating GIS and Remotely Sensed Data for Mapping Forest Disturbance and Change. Understanding Forest Disturbance and Spatial Pattern. M.A. Wulder e S.E. Franklin Editors (no prelo em 21 de mar. 2006), cap. 6, p. 133 170. ROGAN, J.; FRANKLIN, J.; ROBERTS, D.A. A Comparison of Methods for Monitoring Multitemporal Vegetation Change Using Thematic Mapper Imagery. Remote Sensing of Environment. New York, NY: Elsevier, n. 80, 2002, p. 143156. RYMASHEUSKAYA, M. Land Cover Change Detection in Northern Belarus. In: The 11th Scandinavian Research Conference on Geographical Information Science de 5 a 7 de setembro de 2007 em Norway. Proceedings ScanGIS2007. Norwegian University of Life Sciences, Department of Mathematical Sciences and Technology, Pombo 5003, N-1432 s, Norway. Disponvel em: < http://www.scangis.org/scangis2007/papers/e10_rymasheuskaya. pdf >. Acesso em 07 de janeiro de 2008. SERRA, P.; PONS, X.; SAUR, D. Evolucin metodolgica i instrumental en la deteccin de les cobertes i usos del sli en lanlisi dels seus canvis. Butllet de la Instituci Catalana d'Histria Natural n. 71, p. 21-37, 2004. Disponvel em: < http://www.iec.es/institucio/societats/ICHistoriaNatural/butlleti71.htm >. Acesso em 20 de jan. 2008. SHALABY, A.; TATEISHI, R. Remote Sensing and GIS for Mapping and Monitoring Land Cover and Land-use in Northwestern Coastal Zone of Egypt. Applied Geography. New York, NY: Elsevier, n. 27, 2007, p. 2841. SHIMABUKURO, Y. E. et al. Deteco de reas Desflorestadas em Tempo Real: Conceitos Bsicos, Desenvolvimento e Aplicao do Projeto. Instituto Nacional de Pesquisas Espaciais, So Jos dos Campos, 2005, 63 p. SHRIVASTAVA, R. J. e GEBELEIN, J. L. Land Cover Classification and Economic Assessment of Citrus Groves Using Remote Sensing. ISPRS Journal of Photogrammetry & Remote Sensing, New York, NY: Elsevier, n. 61, 2007, p. 341 353. SONG, C. et al. Classification and Change Detection Using Landsat TM Data: When and How to Correct Atmospheric Effects? Remote Sensing of Environment. New York, NY: Elsevier Science Inc., n. 75, 2001, p. 230 - 244. WATKINS, T. The Tasseled Cap Transformation in Remote Sensing. [ON LINE] (s.d.) Disponvel em < http://www.sjsu.edu/faculty/watkins/tassel.htm >. Acessado em 14 de maro de 2008.

160 ZHANG, Y.; MAXWELL, T. A Fuzzy Logic Approach to Supervised Segmentation for Object-oriented Classification. Conferncia Anual ASPRS 2006. Anais . . . ASPRS American Society for Photogrammetry and Remote Sensing, Reno, Nevada 1 5 de maio de 2006. ZHANG, J. e ZHANG, Y. Remote Sensing Research Issue of the National Land Use Change Program of China. ISPRS Journal of Photogrammetry & Remote Sensing, New York, NY: Elsevier, n. 62, 2007, p. 461 472.

161

APNDICE A

BREVE DISCUSSO SOBRE A MUDANA E SUA DETECO

1 O INSTANTE AS MUDANAS, A TRANSFORMAO, O DEVIR Uma imagem qualquer em ltima anlise o registro de uma cena real em um determinado instante por meio de um sensor, gravado em alguma forma de mdia, sob algum formato e sabendo-se quase inumerveis as possibilidades de obt-la, resta lembrar que os fins deste trabalho exigem considerar apenas aquelas obtidas atravs de sensores espectrais a bordo de satlites, armazenadas em formato digital e abrangendo uma regio da Terra. Neste tipo de imagem esto presentes todos os elementos principais: a cena, o tempo de captura, o sensor e a mdia de armazenagem, mas so suas caractersticas herdadas da tecnologia de captao e do formato de armazenagem que definem os limites e potencialidades de seu uso. A cena real para ser registrada na forma de uma imagem digital deve sofrer uma grande simplificao, a fim de que possa ser representada em quantidades discretas da energia eletromagntica til, refletida ou emitida, at o sensor durante sua exposio. Esta a principal caracterstica do imageamento digital e revela sua natureza integradora, onde os elementos reais captados da cena participam do registro com uma contribuio parcial, integrados na informao total de cada elemento pictorial, ou pixel (GONZALES e WOODS, 2000). Sob estes esclarecimentos possvel conceituar a imagem digital, dentro dos fins deste trabalho, como um conjunto de informaes

162 eletromagnticas captadas de uma cena real, por um sensor, que foram transformadas, integradas e armazenadas na forma dos valores discretos dos pixels em uma ou mais bandas espectrais conforme os comprimentos de onda, sob um formato de arquivo digital em um meio de armazenamento qualquer. Neste contexto deve ser lembrado em que pese o senso comum, que o imageamento, analgico ou digital, necessita de um intervalo de tempo para ser realizado, de forma que alm da informao, na imagem tambm est integrado o tempo que a cena levou para ser registrada no tempo de exposio. No caso dos sensores que operam montando uma imagem digital em partes, ou faixas, a integrao do tempo tende a ser maior, pois o tempo de exposio precisa ser subdividido na carga e na descarga do sensor, para cada parte captada da imagem e mesmo no caso dos sensores que captam a cena toda de uma s vez. Quando todos os diodos iniciam a sensibilizao ao mesmo tempo, por dependerem da natureza analgica da informao eletromagntica, no atingem juntos quantidade necessria para a sensibilizao, durante o tempo de exposio. No se pode extrair um efeito prtico da existncia desta integrao temporal no imageamento digital, alm de que seja a mais reduzida possvel. De fato, as escalas de tempo so to grandes que as mudanas na realidade durante o imageamento podem ser desconsideradas com total segurana. Importa apenas a natureza nica do registro da imagem, que garante s mudanas ocorridas durante o imageamento a impossibilidade de serem detectadas lhes configurando qualidade de um instante indivisvel de tempo. Depreende-se da que uma s imagem no sirva deteco de mudanas; bastando, para dissipar toda obviedade desta definio a lembrana de que o axioma Zeno
70

s foi resolvido pelos matemticos modernos muitos

sculos depois, atravs do desenvolvimento da teoria de limites.

Filsofo naturalista grego, do perodo pr-socrtico, nascido em Elia (495 a.C. - 430 a.C), que propunha em uma corrida entre o heri grego Aquiles e uma tartaruga, se fosse dada pequena vantagem em distncia para a tartaruga ele jamais a alcanaria, pois quando Aquiles chegasse ao ponto donde a tartaruga partira ela j teria se movimentado e assim ao infinito.

70

163 A deteco de mudanas, ento, necessita de pelo menos duas imagens-instante da mesma cena, tomadas em momentos distintos, suficientemente distanciados no tempo, para que a quantidade de mudana entre elas seja efetivamente maior que a capacidade deteco agregada de sua impreciso; alm disto, deve-se consider-la limitada ao que onde e quanto se transformou, jamais quando aconteceu a transformao. Neste sentido a deteco das mudanas depende de uma quantidade de transformao da realidade que na formulao de outro filsofo clssico, Parmnides
71,

o resultado do conflito sobre o equilbrio, ele que torna o

72.

ser em no-ser e novamente em ser

A transformao, por sua vez, s pode ser captada atravs das imagens-instante porque est registrada na diferena de cada elemento da cena em cada momento. Quando se tratam de imagens digitais, a comparao pixel a pixel, pois eles so os elementos da imagem e neles esto contidas as informaes das assinaturas espectrais de cada elemento real da cena. Os pixels, por serem elementos lgicos, permitem o pareamento de homlogos, donde se d o caminho para a comparao direta entre o ser e o novo ser de cada pixel em cada imagem-instante. Atravs dos valores dos contadores digitais que podem crescer, diminuir ou permanecer, esta comparao se parametrizada, permite discriminar probabilidades de ocorrncia real de transformaes e assim revelar mudanas em duas dimenses relativas: temporal (instantes) e material (substncia, quantidade e localidade). Lembrando sempre que o registro digital, como j foi comentado exige uma grande simplificao da realidade e desta forma, alm da transformao total nunca ser captada, tambm inerente ao processo de digitalizao a presena de insegurana. As transformaes, quando detectadas tambm podem ter uma taxa de ocorrncia que seja capaz de medir sua intensidade, mas neste caso so
Filsofo grego do perodo clssico, pr-socrtico, nascido em Elia (530 a.C. - 460 a.C.). Nos estgios da transformao o ser primeiro deve no-ser mais, quando ento, de fato no e s assim pode passar a vir-a-ser, quando de fato ento torna a ser e . O ser e o no-ser so necessrios para a transformao, so eles que, ocorrendo conjuntamente resultam no vir-a-ser.
71 72

164 necessrias trs ou mais imagens-instante que conformem uma srie temporal. A comparao entre resultados de comparaes de diversos pares de imagens-instantes permite estimar a rapidez com que uma mudana ocorre, pois ao se tomar cada instante relativamente aos seus instantes seguintes na linha do tempo, a deteco das mudanas se torna relativa e nestes casos a anlise da vizinhana dos pixels pode ganhar importncia ao viabilizar trabalhos que levam em conta a topologia das mudanas, para inferir sobre suas caractersticas de transitoriedade suas tendncias e relaes de impacto e co-ocorrncia. Por este caminho a deteco de mudanas deixa de lidar apenas com comparaes instantneas, passando a trabalhar o fluxo temporal da transformao e embora continue sendo impossvel definir os momentos das mudanas, torna-se possvel contabilizar e analisar os avatares dos pixels, correlacionando causas e efeitos e remetendo a deteco de mudanas a outra categoria da filosofia clssica, absolutamente atual: o Devir, formulado por Herclito
73

como a mudana incessante que acontece em

todas as coisas, a alternncia entre contrrios (e.g. quente e frio) que faz a realidade no acontecer nas alternativas, que so apenas partes dela, mas apenas na prpria mudana. 1.1 A DETECO DE MUDANAS A base para qualquer procedimento de deteco de mudanas a comparao de registros da realidade at que se pudesse contar com formas de sensoriamento apoiado em instrumentos, os sentidos foram os nicos meios disponveis para se produzir registros e sistematizar informaes para uso futuro. Historicamente o trabalho de campo, com observao direta, foi o primeiro mtodo de identificao e anlise de regies de interesse evidentemente carregado com toda gama de problemas voluntrios e involuntrios, inerentes a uma forma de trabalho baseada na percepo e
73

Filsofo grego do perodo clssico, pr-socrtico, nascido em feso, falecido na Jnia (540 a.C. 470 a.C.).

165 subjetividade dos observadores, sempre interferindo e limitando muito as quantificaes sistematizadas e a preciso dos mapeamentos (SERRA, PONS, SAUR, 2003). No Brasil, como mera ilustrao, o primeiro registro oficial pode ser considerado a carta de Pero Vaz Caminha ao rei de Portugal e a ele seguiram-se muitos outros, em maioria, artsticos e pictoriais, como a srie de Debret, iniciada em 1816
74.

O conjunto dos registros do botnico francs Augustin Franois Csar Prouvenal de Saint-Hilaire durante sua estada entre 1816 e 1822
75,

por

exemplo, considerado um marco dentre estes primeiros registros e possivelmente o primeiro com mtodos e controles, sistematizado por um cientista, que versou sobre a paisagem, flora e fauna brasileiras, alm dos costumes do sculo XIX, e ainda hoje referncia obrigatria em trabalhos de vrias reas. Poucos anos mais tarde em 1839, houve o advento da fotografia na Europa e com ela a forma da humanidade registrar a realidade e por tanto, pens-la foi modificada inexoravelmente. Ainda nos instantes iniciais esta tecnologia j foi testada e recomendada aos levantamentos de campo como instrumento eficaz para comparaes e quantificaes, mesmo que ainda fossem pouco precisas. Ela teve rpida expanso do seu emprego e em pouco tempo, fez surgir o imageamento de altura atravs de bales, pois o avio s pode ser usado como plataforma em 1908, quando foi inaugurada uma nova e importante fase na fotografia: a fotografia area que consagrou o apelo militar das tecnologias de imageamento (LILLESAND, KIEFER e CHIPMAM, 2004, p. 60 e 61). A fotografia por ser capaz de expressar e registrar o presente para o futuro e tambm registrar informaes do passado no presente como ocorre em algumas observaes astronmicas que investigam fenmenos a grandes distncias (quando o tempo que a luz leva para percorrer todo caminho

Para maiores detalhes ver MORAES, Rubens Borba de. Manual Bibliogrfico de Estudos Brasileiros. Rio de Janeiro: Grfica Editora Souza, 1949. p. 32. 75 Para maiores detalhes ver Brasiliana Brasileira da Biblioteca Nacional: Guia das Fontes Sobre o Brasil , Rio de Janeiro: Fundao Biblioteca Nacional, 2001. 637 p. e Viagem ao Rio Grande do Sul (1820-1821) SaintHilaire traduo de Adroaldo Mesquita da Costa. 2 ed., Porto Alegre: Martins Livreiro, 1987.
74

166 significativo), recebeu ao longo dos mais de cento e cinqenta anos de sua existncia inmeras aplicaes, se disseminando por quase todos os campos da cincia. A primeira referencia encontrada na pesquisa sobre o uso de fotografias areas na deteco de mudanas foi em 1957 em um estudo comparativo sobre interpretao de fotografias areas sobre as modificaes sazonais dos padres da agricultura (Brunshweiler, 1957 apud FERRANEC et al., 2006). 1.2 A DETECO DIGITAL DE MUDANAS Recentemente com o advento da tecnologia digital de imageamento a fotografia sofreu nova revoluo abrangendo seus usos, aplicaes, processamento, armazenagem e acesso, que praticamente se generalizou. A avaliao criteriosa destes acontecimentos est muito alm do escopo deste trabalho, mas relevante lembrar que a deteco de mudanas, ao depender da comparao de dois ou mais registros distanciados no tempo, s conseguiu evoluir de fato sobre esta nova base tecnolgica, quando pode contar com mtodos de controle e reduo das inconsistncias, inerentes aos processos subjetivos de anlise e classificao que foram os nicos meios disponveis, at o surgimento da estatstica moderna. Isto posto resta lembrar que as imagens digitais tm uma capacidade de processamento e anlise que est longe de serem esgotadas, dadas suas caractersticas e como praticamente toda tecnologia e mtodos envolvidos na deteco de mudanas baseiam-se nelas na atualidade eles tambm esto em constante evoluo, como de resto todo campo do sensoriamento remoto. Tanto assim que mesmo persistindo uma boa parcela da problemtica da fotografia analgica, como lidar com os problemas de subjetividade de sua manipulao pelo operador, ou o grande tempo envolvido na sua anlise e produo ela nunca paralisou sua evoluo. Note-se, por exemplo, o caso da fotografia area, que comparada aos mtodos tradicionais, incorporou avanos inegveis e ao longo do tempo sempre foi acrescentando inovaes, como sensibilizao por calor, o uso

167 de filtros e lentes especiais e a capacidade de construir de modelos de terreno bem precisos, (SERRA, PONS, SAUR, 2003). Neste contexto a deteco de mudanas pode ser compreendida, latu sensu, como uma funcionalidade da tecnologia de imageamento e est altamente concentrada na tecnologia digital, ao ponto de na atualidade ser praticamente indissocivel dela, porm no deve ser vista como restrita ao sensoriamento remoto. A videografia digital, por exemplo, est voltada para a identificao dos locais, dentro do campo de visada, onde ocorreram mudanas estruturais entre duas imagens co-registradas, que so os quadros do vdeo digital. Utiliza vrios tipos de algoritmos e sistemas, ou mquinas, de viso artificial, tais como interfaces inteligentes, segmentao de objetos em movimento e anlise de trfego e nos vdeos tpicos, onde a iluminao da cena praticamente constante entre os quadros, o principal desafio a quantidade das informaes analisadas, que exige a compresso dos dados e alguma forma de segmentao das imagens, pois as mudanas devem ser detectadas a partir dos objetos, dado que alm de ocorrerem em uma pequena parcela da cena elas tambm podem ocorrer parcialmente dentro dos objetos, (Chang, Chen e Chang, Lai e Chang, Wren et al., Shi e Malik, Meier e Nagan, Nagel apud MILLER, PIKAZ, AVERBUCH; 2005). E quando os dados de entrada no se limitam normalidade como em situaes onde que a captura dos vdeos se d em horas diferentes, ou dias diferentes e com plataformas diversas - inclusive com captura diurna e noturna - o rudo deve ser considerado em conjunto com os acontecimentos causais e os algoritmos devem ser capazes de reconhecer um mesmo objeto em cenas diferentes, sob circunstncias igualmente diferentes, que pode estar parcialmente alterado. Grosso modo, so possveis trs grupos de metodologias de deteco digital de mudanas para vdeos digitais: mtodos estatsticos de tratamento de imagens, mtodos de modelagem de superfcies e mtodos baseados no contraste invarivel (MILER, PIKAZ e AVERBUCH; 2005). Uma vez aceita a centralidade da imagem digital na deteco de mudanas na atualidade ela deve ser compreendida na sua forma mais

168 simples, que equivale a um registro monocromtico, discretizado e integralmente capaz de ser representado por um funo f (x,y), onde x e y representam as coordenadas espaciais e f o valor do brilho em qualquer ponto da matriz produzida por (nx * ny) central para todo campo da deteco de mudanas. Os valores de f normalizados para uma escala, so transformados em nveis de cinza (usualmente 0 para preto e 255 para branco) e representam os valores dos elementos da matriz da imagem, ou elementos da imagem: pixels (GONZALES e WOODS, 2000). Uma analogia compreensiva, acerca de seu uso na deteco de mudanas, pode ser proposta em relao mecnica clssica no sentido da sua organizao em trs campos distintos, a saber: nas imagens isoladas h apenas informaes instantneas, que se aproximam do conceito de esttica, o primeiro e mais elementar campo da mecnica; j quando se comparam imagens duas a duas, a informao relativa e o tempo decorrido entre as imagens-instantes se aproxima da noo de distncia que encontramos na cintica; por fim, quando as comparaes envolvem trs ou mais imagens em seqenciada cronolgica, alm das informaes relativas de todas as comparaes possveis, possvel ser extrada informao das prprias comparaes, projetando-as contra uma linha de tempo e examinando a intensidade as relaes e a direo no tempo em que ocorreram, lembrando o terceiro campo da mecnica clssica, a dinmica. plausvel, considerando o que foi exposto at o momento e para os fins deste trabalho, que deste ponto em diante a deteco de mudanas fique restrita ao processamento digital de imagens, dele herdando a ampla aplicao e ilimitada potencialidade de forma que para avanar, seja necessrio tom-la no stricto sensu do sensoriamento remoto. Referindo-se exclusivamente ao conjunto de tcnicas e metodologias utilizadas nas comparaes bi, ou multitemporais, de imagens digitais co-registradas, obtidas por sensores espectrais a bordo de satlites, procedidas visando deteco das transformaes ocorridas na superfcie do planeta, causadas por fenmenos temporais, cclicos ou no (i.e. meteorolgicos, antrpicos, fenolgicos, naturais, acidentais) quanto localizao, dimenso, qualidade quantidade e relacionamentos das

169 mudanas no uso e cobertura do solo (e.g. reas alagadas, queimadas, contaminadas), assim como das taxas de desenvolvimento e tendncias destas mudanas (e.g. previso de safra, taxa de desmatamento, crescimento anual, urbanizao) quando forem utilizadas sries temporais (LILLESAND, KIEFER e CHIPMAN, 2004, p. 596; SHALABY, TAEISHI, 2007, FERRANEC et al., 2007; CAKIR, KORRAM e NELSON, 2006). 1.3 A DETECO DIGITAL DE MUDANAS NO SENSORIAMENTO REMOTO A deteco de mudanas no sensoriamento remoto est presente em vrios trabalhos de pesquisa, todos de pleno consenso sobre o fato dela ser uma tcnica de geoprocessamento, intensiva em sensoriamento remoto (KREMER e RUNNING, 1993; EHRLICH et al., 1994, apud MESQUITA Jr. e BITENCOURT, 2003). Seus avanos esto propiciando o acesso cada vez mais fcil aos dados do sensoriamento remoto voltados para anlise das transformaes ocorridas na superfcie da terra, fazendo com que o uso deste tipo de informao seja crescente e em alguns segmentos cientficos, j tenha se generalizado, como nos estudos sobre as mudanas climticas globais, onde a preciso na identificao das alteraes fundamental para a compreenso das causas humanas e suas repercusses ambientais (RYMASHEUSKAYA, 2007; HUANG et al., 2000). fato que a partir da cobertura mundial de imagens de satlite que cresce em quantidade e qualidade o monitoramento das mudanas no planeta pode ser amplamente acompanhado pela comparao de imagens adquiridas em diferentes datas, ou atravs dos produtos gerados a partir delas, mas nestes casos com mais precauo, pois erros significativos podem ser introduzidos pela comparao direta de mapas temticos desconsiderando a preciso com que foram feitos (HUANG et al., 2000). O exame dos principais projetos de observao orbital do planeta fornece uma dimenso clara da importncia que a deteco de mudanas no planeta assumiu nos ltimos anos. Todos eles tm vrios produtos dedicados ao estudo e ou identificao de alteraes planetrias e permitem o acompanhamento, o monitoramento e a anlise das modificaes em

170 curso na terra, oceano e atmosfera (SERRA, PONS e SAUR, 2004; BERKOV, 2007) Um bom exemplo o Projeto Landsat, que representa bem esta prioridade at pela sua evoluo, pois iniciou como uma ao piloto da agncia espacial americana de ao governamental. Ele uma das maiores bases de dados e informaes disponveis, sua srie de satlites foi coroada a 15 abril de 1999, quando o Landsat-7, foi posto em rbita, dando continuidade aos 29 anos de aquisio contnua de dados, que iniciou em 1972, com o satlite ERTS
78 76

e hoje gerido por vrios rgos da

77

administrao do governo norte americano

que lhe conferiram um status

- depois denominado

Landsat-1. Durante todo este tempo a srie Landsat forneceu dados multiespectrais da cobertura do planeta e evoluiu a cada lanamento, comprovando seu valor para o estudo dos recursos naturais e do desenvolvimento da humanidade. O sucesso desta misso propiciou o lanamento em dezembro de 1999 do Sistema de Observao da Terra (EOS)
79,

denominado Plataforma Espacial Terra, dando continuidade ao

projeto no futuro e representando um forte compromisso de continuar aprimorando a observao do planeta (MASEK, 2001). Na esteira da importncia da deteco de mudanas atravs do sensoriamento remoto se assenta o aquecimento global, que j assumiu prioridade no debate dos rumos da humanidade e est diretamente relacionado s mudanas no uso e na cobertura do solo, assim como da atmosfera. Uma temtica atual e premente que foi contemplada nas aes previstas pelas naes que subscreveram o protocolo de Kioto, se comprometendo a aumentar a eficincia energtica, a preservar e manejar
National Aeronautics and Space Administration (NASA) National Oceanic and Atmospheric Administration (NOAA) e United States Geological Survey (USGS). 78 Abreviatura de Earth Resources Technology Satellite. 79 EOS significa Earth Observing System's que est a bordo do satite Terra, lanado em 18, de dezembro de 1999. Seu principal objetivo adquirir dados sobre as mudanas climticas e carrega cinco sensores,cada um focado em um tipo especfico de informao: ASTER, ou Advanced Spaceborne Thermal Emission and Reflection Radiometer, CERES, ou Clouds and Earth's Radiant Energy System, MISR, ou Multi-angle Imaging Spectroradiometer, MODIS, ou Moderate-resolution Imaging Spectroradiometer e MOPITT, ou Measurements of Pollution in the Troposphere.
76 77

171 de forma sustentvel as reservas florestais, a reconstituir as condies ambientais das reas degradadas. Alm disso, h o compromisso de mudar o paradigma produtivista da agricultura do sculo passado, substituindo-o por formas baseadas no uso de fontes renovveis e tcnicas de ciclagem do carbono, alm de estimularem de forma geral a reduo de gases de efeito estufa em todos os setores de suas economias (ONU, 1998). Estes temas devero organizar nos prximos anos uma grande quantidade das tomadas de deciso estratgicas de todas as naes. No Brasil ainda mais, porque em que pese s ter ratificado a assinatura do protocolo de abril 1998 em 2002, desde 16 de fevereiro de 2005, quando assumiu a participao efetiva no grupo das naes engajadas est pondo em prtica diversas aes concretas de monitoramento da emisso de gases do efeito estufa, de combate ao desmatamento na Amaznia, de desenvolvimento dos biocombustveis e de proteo dos mananciais de gua doce. Corroborando com esta expectativa est a Agenda 21 brasileira, principal documento de diretrizes para o desenvolvimento sustentvel nacional. Ela coordenada pelo Ministrio do Meio Ambiente e inclui no seu rol de objetivos e aes estratgicas diversas propostas baseadas - ou com potencial usar em tcnicas de deteco de mudanas no uso e na cobertura do solo por sensoriamento remoto. Destacam-se a busca de informao e conhecimento para o desenvolvimento sustentvel, a retomada do planejamento estratgico da infra-estrutura e da integrao regional e o desenvolvimento sustentvel do Brasil rural este ltimo com a promoo da agricultura sustentvel e a preservao da qualidade e da quantidade da gua nas bacias hidrogrficas, alm do monitoramento dos recursos naturais estratgicos: gua, biodiversidade e florestas (CPDS, 2003). Estes e outros inumerveis motivos ratificam a importncia do desenvolvimento da capacidade de deteco de mudanas a partir das tcnicas de sensoriamento remoto orbital que foquem as transformaes ocorridas na superfcie do planeta em qualquer escala.

172 1.4 FUNES A deteco de mudanas encontra aplicaes em diversos campos da cincia, da defesa, do planejamento estratgico e para a avaliao dos resultados de aes governamentais e privadas. O presente trabalho investigada as metodologias e tcnicas da deteco de mudanas no uso e cobertura do solo, mas colateralmente tambm atenta para o enfretamento de alguns problemas que a humanidade est vivenciando neste incio de sculo em especial queles atinentes ao desenvolvimento rural e sustentvel. Isto posto vlido olhar trs funes da deteco de mudanas no uso e na cobertura do solo que podem ser vlidas para superar os desafios que este tema apresenta. 1.4.1 Acompanhamento A deteco de mudanas no uso e cobertura do solo, na perspectiva do acompanhamento das mudanas, se detm na observao da evoluo destas atravs das imagens analisadas, neste caso prescindindo de qualquer processo de anlise e focando apenas nos resultados das comparaes, que so seqenciados e organizados, conforme os objetivos do acompanhamento. A abordagem funcionalista do acompanhamento empresta um vis ferramental s tcnicas de deteco de mudanas, que por vezes podem ser at aplicadas isoladamente sem maior considerao dos elementos estratgicos envolvidos nos processos de tomada de deciso. Um exemplo singelo pode ser obtido pelo emprego destas tcnicas na quantificao, pura e simples, das reas desmatadas de uma dada regio. 1.4.2 Monitoramento A funo de monitoramento que a deteco de mudanas pode receber muito mais complexa que o simples acompanhamento supra. claro que a componente de acompanhamento faz parte da funo de monitoramento, mas ao acoplar uma dimenso de anlise evita o vis funcionalista, lida tanto com os dados evolutivos fornecidos pela fase de acompanhamento, quanto com seus cruzamentos produzindo novos

173 conhecimentos deciso. Outro aspecto importante da funo de monitoramento que a deteco de mudanas no uso e cobertura do solo pode assumir possibilidade de integrar vrias informaes diferentes extradas de processos de acompanhamento igualmente distintos, tratadas na forma de ndices e ou indicadores, aptos a serem vertidos sobre escalas temporais que auxiliem o entendimento da dinmica das mudanas. Esta funo tem sido estimulada, sobretudo no desenvolvimento da automatizao de etapas a todo o processo da deteco de mudanas. Um exemplo claro deste esforo o projeto de previso de safras por sensoriamento remoto desenvolvido em parceria entre o INPE e a Companhia Nacional de Abastecimento (CONAB), que alm de ser integrador de diversas informaes, demanda processamento em escalas de tempo prximas do tempo real. 1.4.3 Anlise A funo de anlise que a deteco de mudanas no uso e na cobertura do solo tambm pode assumir a mais complexa e se vincula principalmente capacidade de fornecer informaes tanto do todo, que so teis no monitoramento e no acompanhamento, quanto das partes das mudanas. Esta capacidade lhe propicia a qualidade de avaliar a natureza das mudanas, suas propores, funes e relaes, permitindo destac-las para servir a trabalhos especficos, desde que todo trabalho todo tenha sido estruturado com esta perspectiva, pois a fase de classificao dever incluir formas que assegurem a coerncia entre as mudanas e as causas apontadas, nem sempre levadas em considerao pela dificuldade que agregam. A dimenso temporal de um trabalho sob esta funo crtica e deve garantir que o tempo necessrio deteco da mudana tambm sirva explicao das suas causas. a partir das informaes disponveis na forma de

informaes secundrias, naturalmente integrantes de qualquer processo de

174 Um estudo, por exemplo, das mudanas que ocorrem dentro de um mesmo bioma (i.e. pampa, cerrado), desde que utilize classes distintas para sucesses e para converses, pode permitir a averiguao, de forma segmentada e sob diferentes aspectos, dos os impactos locais de uma seca, ou do fogo, assim como de algumas causas e ocorrncias cclicas, como o processo natural de sucesso das espcies.

175

ANEXO 1
1. Tabela de Pontos de Controle e coeficientes da poligonal de georreferenciamento da imagem rbita 222 ponto 82 de 22 de novembro de 2006:
Mapa X Y 304462.85 6495165.67 280068.93 6501078.76 307932.39 6500712.34 301054.84 6520059.36 306684.93 6492593.45 320075.08 6489215.07 319883.77 6489316.10 341723.70 6487382.82 346318.73 6488681.48 347452.43 6488514.07 274993.68 6504290.65 274577.66 6504060.97 281043.24 6500940.95 285130.06 6499373.09 287918.10 6499319.21 300682.49 6493880.14 302046.26 6493915.29 305761.68 6506260.98 306688.50 6501447.94 301206.88 6516734.77 306038.44 6496553.05 305479.61 6507266.99 295077.87 6497655.41 299774.68 6495166.56 Imagem X Y 4493.00 2530.80 3659.40 2457.40 4580.74 2331.54 4260.33 1729.53 4578.00 2604.20 5037.80 2649.60 5030.80 2647.20 5761.40 2602.60 5906.55 2537.25 5945.60 2536.40 3477.00 2376.80 3465.20 2386.00 3693.12 2457.01 3834.80 2488.20 3927.02 2476.26 4373.70 2592.06 4418.89 2584.19 4481.64 2159.53 4536.20 2312.60 4281.19 1837.39 4537.93 2477.52 4467.78 2127.98 4170.89 2495.48 4337.93 2554.07 Previso X Y 4492.75 2530.92 3659.79 2457.22 4580.34 2331.32 4260.33 1729.08 4578.56 2604.52 5037.29 2649.35 5030.47 2646.97 5761.67 2602.46 5906.95 2537.00 5945.25 2536.90 3477.39 2376.72 3464.76 2386.33 3692.57 2456.92 3834.75 2488.25 3926.97 2476.22 4374.17 2591.91 4419.03 2584.00 4481.89 2159.58 4535.76 2313.29 4281.35 1837.67 4538.03 2477.49 4467.73 2127.89 4171.09 2495.50 4338.02 2554.10 Erro Erro RMS X Y -0.25 0.12 0.27 0.39 -0.18 0.43 -0.40 -0.22 0.45 -0.00 -0.45 0.45 0.56 0.32 0 .64 -0.51 -0.25 0.57 -0.33 -0.23 0.40 0.27 -0.14 0.30 0.40 -0.25 0.47 -0.35 0.50 0.61 0.39 -0.08 0.40 -0.44 0.33 0.55 -0.55 -0.09 0.56 -0.05 0.05 0.07 -0.05 -0.04 0.06 0.47 -0.15 0.50 0.14 -0.19 0.23 0.25 0.05 0 .26 -0.44 0.69 0.82 0.16 0.28 0 .32 0.10 -0.03 0.11 -0.05 -0.09 0.10 0.20 0.02 0 .20 0.09 0.03 0 .09 Erro RMS Total: 0.420589

2. Coeficientes da Polinomial de Grau 1 de Registro: kx = ky = 3541.8370984643 0.9913463343 2933.8002178265 -0.1484847375 -0.1404443676 -0.0000046476 -0.9865680235 -0.0000000829

176

ANEXO 2
1. Tabela de Pontos de Controle e coeficientes da poligonal de georreferenciamento da imagem rbita 222 ponto 82 de 10 de dezembro de 2001: Mapa X Y 2174.44 4376.56 2229.71 2303.43 2263.00 2430.86 4874.86 2532.00 4579.57 4204.29 4621.14 4281.86 3752.29 3241.29 3606.00 3194.00 785.14 5225.00 976.29 5105.43 6334.29 5551.00 6060.00 2009.43 3459.43 1948.71 3507.14 1769.00 1618.57 3372.14 1937.86 3595.14 1583.14 1665.86 4684.86 3250.86 4675.14 3017.57 4595.14 3148.71 4672.71 5005.43 3465.14 2805.14 3131.57 3814.14 4374.14 6405.86 4650.00 2132.86 3577.14 4491.57 6536.14 3581.43 6350.71 5278.00 Imagem X Y 1730.50 4090.40 1510.14 2036.29 1560.00 2157.00 4151.00 1875.00 4100.14 3569.00 4152.57 3639.29 3142.21 2739.04 2990.91 2713.93 453.57 5130.29 629.73 4984.47 6049.86 4641.86 5241.98 1185.77 2673.44 1506.30 2695.56 1321.92 1046.68 3180.37 1392.29 3353.29 790.29 1501.29 4067.00 2612.71 4023.97 2383.49 3963.52 2524.51 4307.95 4345.98 2797.71 2350.86 2606.14 3395.57 4209.71 5771.86 3871.69 1513.97 3142.69 3998.75 5951.00 2668.29 6024.65 4370.05 Erro Erro RMS X Y -0.28 -0.19 0.34 0.17 -0.14 0.22 0.05 0.04 0.07 0.06 0.05 0.08 -0.27 -0.14 0.30 -0.19 0.06 0.19 0.15 0.18 0.23 0.01 -0.00 0.01 0.30 0.10 0.32 0.05 0.02 0.05 0.05 0.09 0.10 -0.04 0.18 0.19 0.04 -0.03 0.05 -0.04 -0.00 0.04 -0.17 -0.20 0.26 -0.15 0.30 0.34 0.02 0.19 0.19 0.17 -0.33 0.37 -0.04 0.04 0.06 0.13 0.16 0.20 0.01 0.04 0.04 -0.06 -0.15 0.16 -0.03 -0.26 0.26 -0.04 0.04 0.06 -0.01 -0.02 0.02 -0.05 0.08 0.09 -0.07 -0.12 0.14 0.21 0.01 0.21 Erro RMS Total: 0.196756 2. Coeficientes da Polinomial de Grau 1 de Registro: 0.1221452029 0. 0000046978 0.9867681179 0.0000000620 Previso X Y 1730.22 4090.21 1510.31 2036.15 1560.05 2157.04 4151.06 1875.05 4099.87 3568.86 4152.38 3639.35 3142.36 2739.22 2990.92 2713.93 453.87 5130.39 629.78 4984.49 6049.91 4641.95 5241.94 1185.95 2673.48 1506.27 2695.52 1321.92 1046.51 3180.17 1392.14 3353.59 790.31 1501.48 4067.17 2612.38 4023.93 2383.53 3963.65 2524.67 4307.96 4346.02 2797.65 2350.71 2606.11 3395.31 4209.67 5771.90 3871.68 1513.95 3142.64 3998.83 5950.93 2668.17 6024.86 4370.06

kx = ky =

-968.9822232701 0.9749847223 89.0139234658 -0.1463393480

177

ANEXO 3
1. Tabela de Pontos de Controle e coeficientes da poligonal de georreferenciamento da imagem rbita 222 ponto 82 de 04 de novembro de 1988: Mapa X Y 2173.75 4377.00 4264.75 2734.50 3994.00 3001.25 3654.80 4397.80 3537.60 4309.40 2555.20 1955.20 2916.00 5546.00 3748.00 3629.40 5664.80 5705.40 1392.00 1388.80 942.00 6399.40 6087.20 5973.80 5228.60 3358.80 3482.60 3249.00 3296.40 3131.40 861.60 3268.40 6247.40 1286.40 1556.40 3068.40 3178.60 2598.00 2398.20 5476.80 4972.00 4072.80 2181.00 1968.80 2306.00 2777.20 3433.00 3859.20 3814.00 3924.60 5225.40 5555.60 Imagem X Y 2303.50 4595.00 4522.75 2873.75 4236.75 3153.75 3872.40 4619.00 3748.57 4526.48 2733.72 2056.72 3079.17 5822.44 3986.80 3861.43 5996.17 6039.48 1504.60 1503.80 978.80 6784.29 6447.32 6316.93 5534.80 3573.06 3700.09 3449.43 3496.29 3322.36 921.94 3456.60 6626.60 1354.40 1637.55 3225.29 3341.11 2730.60 2521.20 5744.60 5227.92 4281.60 2292.37 2069.00 2424.28 2918.65 3606.57 4053.72 4006.26 4119.62 5487.20 5841.00 Previso X Y 2303.49 4595.16 4522.78 2873.95 4237.04 3153.92 3872.24 4619.35 3748.61 4526.41 2733.51 2056.67 3079.22 5822.34 3986.75 3861.34 5996.30 6039.51 1504.24 1504.12 978.54 6784.12 6447.14 6316.86 5534.81 3573.12 3700.07 3449.51 3496.44 3322.42 922.02 3456.82 6626.62 1354.10 1637.57 3225.14 3341.00 2730.58 2521.31 5744.69 5227.76 4281.52 2292.19 2069.47 2424.26 2918.64 3606.57 4053.73 4006.13 4119.44 5486.94 5841.22 Erro X Y -0.01 0.16 0.03 0.20 0.29 0.17 -0.16 0.35 0.04 -0.07 -0.21 -0.05 0.05 -0.10 Erro RMS 0.16 0.20 0.34 0.39 0.09 0.22 0.11

-0.05 -0.30 0.30 -0.09 0.02 0.10 0.13 -0.15 0.20 0.03 -0.11 0.12 -0.36 -0.02 0.36 0.32 0.11 0.34 -0.26 0.09 0.28 -0.17 -0.16 0.23 -0.18 -0.08 0.19 -0.07 -0.18 0.19 0.01 0.47 0.47 0.06 -0.02 0.06 -0.02 -0.01 0.02 0.08 0.00 0.08 0.15 0.01 0.15 0.06 -0.13 0.14 0.08 -0.18 0.20 0.22 -0.26 0.34 0.02 0.22 0.22 Erro RMS Total: 0.238751

2. Coeficientes da Polinomial de Grau 1 de Registro: kx = ky = 100.6831059100 12.6644807584 -0.0227968809 1.0461674620 1.0385885404 -0.0022919612 0.0000047304 0.0000008886

178

ANEXO 4
1. Parmetros de correo atmosfrica utilizados no mdulo FLAASH para o subconjunto da a imagem de 22 de novembro de 2006: ;ENVI FLAASH PARAMETERS TEMPLATE (4.4) ;Written Fri Feb 22 20:48:32 2008 ; ; Project Parameters enviacc.prj.radiance_file bil enviacc.prj.reflect_file subset ref enviacc.prj.filter_func_file = C:\Program Files\ITT\IDL64\products\envi44\filt_func\tm.sli enviacc.prj.filter_func_file_index = 6 enviacc.prj.water_band_choice = 1.13 enviacc.prj.red_channel = 3 enviacc.prj.green_channel = 2 enviacc.prj.blue_channel = 0 enviacc.prj.water_abs_channel = 0 enviacc.prj.water_ref_channel = 0 enviacc.prj.kt_upper_channel = 6 enviacc.prj.kt_lower_channel = 3 enviacc.prj.kt_cutoff = 0.1000 enviacc.prj.kt_ratio = 0.4500 enviacc.prj.cirrus_channel = 0 enviacc.prj.water_retrieval = 0 enviacc.prj.user_stem_name = 2006_ref_ enviacc.prj.modtran_directory C:\Users\Administrador\Desktop\Mestrado\Dissertao\Imagens\Calibradas\2006\ ; ; MODTRAN Parameters enviacc.modtran.visvalue = 40.0000 enviacc.modtran.f_resolution = 15.0000 = = C:\Users\Administrador\Desktop\Mestrado\Dissertao\Imagens\Calibradas\2006\2006 = C:\Users\Administrador\Desktop\Mestrado\Dissertao\Imagens\BIL\2006 subset rad

179
enviacc.modtran.day = 22 enviacc.modtran.month = 11 enviacc.modtran.year = 2006 enviacc.modtran.gmt = 13.3164 enviacc.modtran.latitude = -31.7423 enviacc.modtran.longitude = -53.3862 enviacc.modtran.sensor_altitude = 705.0000 enviacc.modtran.ground_elevation = 0.1000 enviacc.modtran.view_zenith_angle = 180.0000 enviacc.modtran.view_azimuth = 0.0000 enviacc.modtran.atmosphere_model = 2 enviacc.modtran.aerosol_model = 1 enviacc.modtran.multiscatter_model = 2 enviacc.modtran.disort_streams = 8 enviacc.modtran.co2mix = 390.0000 enviacc.modtran.water_column_multiplier = 1.0000 ; ; Image Parameters enviacc.img.nspatial = 5605 enviacc.img.nlines = 4324 enviacc.img.data_type = 4 enviacc.img.margin1 = 0 enviacc.img.margin2 = 0 enviacc.img.nskip = 0 enviacc.img.pixel_size = 30.0000 enviacc.img.sensor_name = Landsat TM5 ; ; Analysis Parameters enviacc.ana.aerosol_scaleht = 2.0000 enviacc.ana.use_adjacency = 1 enviacc.ana.output_scale = 10000.0000 enviacc.ana.polishing_res = 0 enviacc.ana.aerosol_retrieval = 1 enviacc.ana.calc_wl_correction = 0 enviacc.ana.reuse_modtran_calcs = 0 enviacc.ana.use_square_slit_function = 0 enviacc.ana.convolution_method = fft enviacc.ana.use_tiling = 1 enviacc.ana.tile_size = 200.0000

180
; ; Spectral Parameters enviacc.spc.wavelength_units = micron enviacc.spc.lambda = [ 0.4850, 0.5600, 0.6600, 0.8300, 1.6500, 2.2150] enviacc.spc.fwhm = [ 0.070000, 0.080000, 0.060000, 0.140000, 0.200000, 0.270000] enviacc.img.p_input_scale = [ 10.0000, 10.0000, 10.0000, 10.0000, 10.0000, 10.0000]

2. Resultados da correo atmosfrica do subconjunto da a imagem de 22 de novembro de 2006: FLAASH Run Date: Fri Feb 22 21:11:55 2008 Input bil Output subset ref Template _ref_template.txt Visibility = 37.8790 km Average Water Amount = 2.7848 cm 10.0000, 10.0000, 10.0000, 10.0000, enviacc.img.p_input_scale = [ 10.0000, 10.0000] File: C:\Users\Administrador\Desktop\Mestrado\Dissertao\Imagens\Calibradas\2006\2006 File: C:\Users\Administrador\Desktop\Mestrado\Dissertao\Imagens\Calibradas\2006\2006 File: C:\Users\Administrador\Desktop\Mestrado\Dissertao\Imagens\BIL\2006 subset rad

181

ANEXO 5
1. Parmetros de correo atmosfrica utilizados no mdulo FLAASH para o subconjunto da a imagem de 10 de dezembro de 2001: ;ENVI FLAASH PARAMETERS TEMPLATE (4.4) ;Written Fri Feb 22 20:11:35 2008 ; ; Project Parameters enviacc.prj.radiance_file bil enviacc.prj.reflect_file subset ref enviacc.prj.filter_func_file = C:\Program Files\ITT\IDL64\products\envi44\filt_func\tm.sli enviacc.prj.filter_func_file_index = 6 enviacc.prj.water_band_choice = 1.13 enviacc.prj.red_channel = 3 enviacc.prj.green_channel = 2 enviacc.prj.blue_channel = 0 enviacc.prj.water_abs_channel = 0 enviacc.prj.water_ref_channel = 0 enviacc.prj.kt_upper_channel = 6 enviacc.prj.kt_lower_channel = 3 enviacc.prj.kt_cutoff = 0.1000 enviacc.prj.kt_ratio = 0.4500 enviacc.prj.cirrus_channel = 0 enviacc.prj.water_retrieval = 0 enviacc.prj.user_stem_name = 2001_ref_ enviacc.prj.modtran_directory C:\Users\Administrador\Desktop\Mestrado\Dissertao\Imagens\Calibradas\2001\ ; ; MODTRAN Parameters enviacc.modtran.visvalue = 40.0000 enviacc.modtran.f_resolution = 15.0000 = = C:\Users\Administrador\Desktop\Mestrado\Dissertao\Imagens\Calibradas\2001\2001 = C:\Users\Administrador\Desktop\Mestrado\Dissertao\Imagens\BIL\2001 subset rad

182
enviacc.modtran.day = 10 enviacc.modtran.month = 12 enviacc.modtran.year = 2001 enviacc.modtran.gmt = 13.0664 enviacc.modtran.latitude = -31.7470 enviacc.modtran.longitude = -53.3545 enviacc.modtran.sensor_altitude = 705.0000 enviacc.modtran.ground_elevation = 0.1000 enviacc.modtran.view_zenith_angle = 180.0000 enviacc.modtran.view_azimuth = 0.0000 enviacc.modtran.atmosphere_model = 2 enviacc.modtran.aerosol_model = 1 enviacc.modtran.multiscatter_model = 2 enviacc.modtran.disort_streams = 8 enviacc.modtran.co2mix = 370.0000 enviacc.modtran.water_column_multiplier = 1.0000 ; ; Image Parameters enviacc.img.nspatial = 5605 enviacc.img.nlines = 4324 enviacc.img.data_type = 4 enviacc.img.margin1 = 0 enviacc.img.margin2 = 0 enviacc.img.nskip = 0 enviacc.img.pixel_size = 30.0000 enviacc.img.sensor_name = Landsat TM5 ; ; Analysis Parameters enviacc.ana.aerosol_scaleht = 2.0000 enviacc.ana.use_adjacency = 1 enviacc.ana.output_scale = 10000.0000 enviacc.ana.polishing_res = 0 enviacc.ana.aerosol_retrieval = 1 enviacc.ana.calc_wl_correction = 0 enviacc.ana.reuse_modtran_calcs = 0 enviacc.ana.use_square_slit_function = 0 enviacc.ana.convolution_method = fft enviacc.ana.use_tiling = 1 enviacc.ana.tile_size = 200.0000

183
; ; Spectral Parameters enviacc.spc.wavelength_units = micron enviacc.spc.lambda = [ 0.4850, 0.5600, 0.6600, 0.8300, 1.6500, 2.2150] enviacc.spc.fwhm = [ 0.070000, 0.080000, 0.060000, 0.140000, 0.200000, 0.270000] enviacc.img.p_input_scale = [ 10.0000, 10.0000, 10.0000, 10.0000, 10.0000, 10.0000]

2. Resultados da correo atmosfrica do subconjunto da a imagem de 10 de dezembro de 2001: FLAASH Run Date: Fri Feb 22 20:35:41 2008 Input bil Output subset ref Template _ref_template.txt Visibility = 300.0003 km Average Water Amount = 2.7848 cm File: C:\Users\Administrador\Desktop\Mestrado\Dissertao\Imagens\Calibradas\2001\2001 File: C:\Users\Administrador\Desktop\Mestrado\Dissertao\Imagens\Calibradas\2001\2001 File: C:\Users\Administrador\Desktop\Mestrado\Dissertao\Imagens\BIL\2001 subset rad

184

ANEXO 6
1. Parmetros de correo atmosfrica utilizados no mdulo FLAASH para o subconjunto da a imagem de 04 de novembro de 1988: ;ENVI FLAASH PARAMETERS TEMPLATE (4.4) ;Written Fri Feb 22 18:58:51 2008 ; ; Project Parameters enviacc.prj.radiance_file bil enviacc.prj.reflect_file C:\Users\Administrador\Desktop\Mestrado\Dissertao\Imagens\Calibradas\1988 subset cal1 enviacc.prj.filter_func_file = C:\Program Files\ITT\IDL64\products\envi44\filt_func\tm.sli enviacc.prj.filter_func_file_index = 6 enviacc.prj.water_band_choice = 1.13 enviacc.prj.red_channel = 3 enviacc.prj.green_channel = 2 enviacc.prj.blue_channel = 0 enviacc.prj.water_abs_channel = 0 enviacc.prj.water_ref_channel = 0 enviacc.prj.kt_upper_channel = 6 enviacc.prj.kt_lower_channel = 3 enviacc.prj.kt_cutoff = 0.1000 enviacc.prj.kt_ratio = 0.4500 enviacc.prj.cirrus_channel = 0 enviacc.prj.water_retrieval = 0 enviacc.prj.user_stem_name = f88_ enviacc.prj.modtran_directory C:\Users\Administrador\Desktop\Mestrado\Dissertao\Imagens\Calibradas\1988\ ; ; MODTRAN Parameters enviacc.modtran.visvalue = 40.0000 enviacc.modtran.f_resolution = 15.0000 = = = C:\Users\Administrador\Desktop\Mestrado\Dissertao\Imagens\BIL\1988 subset rad

185
enviacc.modtran.day = 4 enviacc.modtran.month = 11 enviacc.modtran.year = 1988 enviacc.modtran.gmt = 13.0000 enviacc.modtran.latitude = -31.4744 enviacc.modtran.longitude = -53.2241 enviacc.modtran.sensor_altitude = 705.0000 enviacc.modtran.ground_elevation = 0.1000 enviacc.modtran.view_zenith_angle = 180.0000 enviacc.modtran.view_azimuth = 0.0000 enviacc.modtran.atmosphere_model = 2 enviacc.modtran.aerosol_model = 1 enviacc.modtran.multiscatter_model = 2 enviacc.modtran.disort_streams = 8 enviacc.modtran.co2mix = 370.0000 enviacc.modtran.water_column_multiplier = 1.0000 ; ; Image Parameters enviacc.img.nspatial = 5605 enviacc.img.nlines = 4324 enviacc.img.data_type = 4 enviacc.img.margin1 = 0 enviacc.img.margin2 = 0 enviacc.img.nskip = 0 enviacc.img.pixel_size = 30.0000 enviacc.img.sensor_name = Landsat TM5 ; ; Analysis Parameters enviacc.ana.aerosol_scaleht = 2.0000 enviacc.ana.use_adjacency = 1 enviacc.ana.output_scale = 10000.0000 enviacc.ana.polishing_res = 0 enviacc.ana.aerosol_retrieval = 1 enviacc.ana.calc_wl_correction = 0 enviacc.ana.reuse_modtran_calcs = 0 enviacc.ana.use_square_slit_function = 0 enviacc.ana.convolution_method = fft enviacc.ana.use_tiling = 1 enviacc.ana.tile_size = 200.0000

186
; ; Spectral Parameters enviacc.spc.wavelength_units = micron enviacc.spc.lambda = [ 0.4850, 0.5600, 0.6600, 0.8300, 1.6500, 2.2150] enviacc.spc.fwhm = [ 0.070000, 0.080000, 0.060000, 0.140000, 0.200000, 0.270000] enviacc.img.p_input_scale = [ 10.0000, 10.0000, 10.0000, 10.0000, 10.0000, 10.0000]

2. Resultados da correo atmosfrica do subconjunto da a imagem de 04 de novembro de 1988: FLAASH Run Date: Fri Feb 22 19:22:22 2008 Input bil Output C:\Users\Administrador\Desktop\Mestrado\Dissertao\Imagens\Calibradas\1988 subset cal1 Template emplate.txt Visibility = 45.1475 km Average Water Amount = 2.7848 cm File: C:\Users\Administrador\Desktop\Mestrado\Dissertao\Imagens\Calibradas\1988\f88_t File: File: C:\Users\Administrador\Desktop\Mestrado\Dissertao\Imagens\BIL\1988 subset rad

187

ANEXO 7

1. Matriz de Confuso resultante da Classificao da Imagem de 1988, retornada pelo Envi 4.4. Confusion Matrix: C:\Documents and Settings\roberto.kiel\Desktop\Imagens\Classificaes\Temtico 1988 Majoridade Overall Accuracy = (26887/30706) 87.5627% Kappa Coefficient = 0.8487 Ground Truth (Pixels) Class Solo Agrcola Lavoura Unclassified 0 0 Solo Agrcola 5976 165 Lavoura [Oran 57 2672 Pastagem [Cha 0 1183 No Agrcoal 113 55 Floresta [Gre 28 25 Mata [Sea Gre 98 449 gua [Blue] 2 28 0 Total 6300 4549 Ground Truth (Pixels) Class Mata gua Unclassified 0 0 Solo Agrcola 0 51 Lavoura [Oran 81 0 Pastagem [Cha 119 0 No Agrcoal 0 0 Floresta [Gre 152 0 Mata [Sea Gre 2046 0 gua [Blue] 2 0 2373 Total 2398 2424 Pastagem No Agrcoal Floresta 0 0 0 0 5 0 353 0 165 7780 0 19 29 3869 0 201 0 2171 235 0 208 0 0 0 8598 3874 2563

Total 0 6197 3328 9101 4066 2577 3036 2401 30706

Ground Truth (Percent) Class Solo Agrcola Lavoura Pastagem No Agrcoal Floresta Unclassified 0.00 0.00 0.00 0.00 0.00 Solo Agrcola 94.86 3.63 0.00 0.13 0.00 Lavoura [Oran 0.90 58.74 4.11 0.00 6.44 Pastagem [Cha 0.00 26.01 90.49 0.00 0.74 No Agrcoal 1.79 1.21 0.34 99.87 0.00 Floresta [Gre 0.44 0.55 2.34 0.00 84.71 Mata [Sea Gre 1.56 9.87 2.73 0.00 8.12 gua [Blue] 2 0.44 0.00 0.00 0.00 0.00 Total 100.00 100.00 100.00 100.00 100.00 Ground Truth (Percent)

188
Class Mata gua Unclassified 0.00 0.00 Solo Agrcola 0.00 2.10 Lavoura [Oran 3.38 0.00 Pastagem [Cha 4.96 0.00 No Agrcoal 0.00 0.00 Floresta [Gre 6.34 0.00 Mata [Sea Gre 85.32 0.00 gua [Blue] 2 0.00 97.90 Total 100.00 100.00 Total 0.00 20.18 10.84 29.64 13.24 8.39 9.89 7.82 100.00

Class Commission Omission Commission Omission (Percent) (Percent) (Pixels) (Pixels) Solo Agrcola 3.57 5.14 221/6197 324/6300 Lavoura [Oran 19.71 41.26 656/3328 1877/4549 Pastagem [Cha 14.51 9.51 1321/9101 818/8598 No Agrcoal 4.85 0.13 197/4066 5/3874 Floresta [Gre 15.75 15.29 406/2577 392/2563 Mata [Sea Gre 32.61 14.68 990/3036 352/2398 gua [Blue] 2 1.17 2.10 28/2401 51/2424 Class Prod. Acc. User Acc. (Percent) (Percent) Solo Agrcola 94.86 96.43 Lavoura [Oran 58.74 80.29 Pastagem [Cha 90.49 85.49 No Agrcoal 99.87 95.15 Floresta [Gre 84.71 84.25 Mata [Sea Gre 85.32 67.39 gua [Blue] 2 97.90 98.83 Prod. Acc. User Acc. (Pixels) (Pixels) 5976/6300 5976/6197 2672/4549 2672/3328 7780/8598 7780/9101 3869/3874 3869/4066 2171/2563 2171/2577 2046/2398 2046/3036 2373/2424 2373/2401

189

ANEXO 8

1. Matriz de Confuso resultante da Classificao da Imagem de 2001, retornada pelo Envi 4.4. Confusion Matrix: C:\Documents and Settings\roberto.kiel\Desktop\Imagens\Classificaes\Temtico 2001 Majoridade Overall Accuracy = (16765/18662) 89.8350% Kappa Coefficient = 0.8789 Ground Truth (Pixels) Class Solo Agrcola Lavoura No Agrcola Floresta Mata Unclassified 0 0 0 0 0 Solo Agrcola 3894 330 16 0 8 Lavoura [Oran 346 2251 0 51 100 No Agrcola 26 13 1386 0 0 Floresta [Gre 61 16 0 1211 43 Mata [Sea Gre 16 243 0 114 2385 gua [Blue] 2 0 0 0 0 0 Pastagem [Cha 3 357 1 45 2 Total 4346 3210 1403 1421 2538 Ground Truth (Pixels) Class gua Pastagem Unclassified 0 0 Solo Agrcola 0 0 Lavoura [Oran 1 105 No Agrcola 0 0 Floresta [Gre 0 0 Mata [Sea Gre 0 0 gua [Blue] 2 2790 0 Pastagem [Cha 0 2848 Total 2791 2953

Total 0 4248 2854 1425 1331 2758 2790 3256 18662

Ground Truth (Percent) Class Solo Agrcola Lavoura No Agrcola Floresta Mata Unclassified 0.00 0.00 0.00 0.00 0.00 Solo Agrcola 89.60 10.28 1.14 0.00 0.32 Lavoura [Oran 7.96 70.12 0.00 3.59 3.94 No Agrcola 0.60 0.40 98.79 0.00 0.00 Floresta [Gre 1.40 0.50 0.00 85.22 1.69 Mata [Sea Gre 0.37 7.57 0.00 8.02 93.97 gua [Blue] 2 0.00 0.00 0.00 0.00 0.00 Pastagem [Cha 0.07 11.12 0.07 3.17 0.08 Total 100.00 100.00 100.00 100.00 100.00

190

Ground Truth (Percent) Class gua Pastagem Total Unclassified 0.00 0.00 0.00 Solo Agrcola 0.00 0.00 22.76 Lavoura [Oran 0.04 3.56 15.29 No Agrcola 0.00 0.00 7.64 Floresta [Gre 0.00 0.00 7.13 Mata [Sea Gre 0.00 0.00 14.78 gua [Blue] 2 99.96 0.00 14.95 Pastagem [Cha 0.00 96.44 17.45 Total 100.00 100.00 100.00 Class Commission Omission Commission Omission (Percent) (Percent) (Pixels) (Pixels) Solo Agrcola 8.33 10.40 354/4248 452/4346 Lavoura [Oran 21.13 29.88 603/2854 959/3210 No Agrcola 2.74 1.21 39/1425 17/1403 Floresta [Gre 9.02 14.78 120/1331 210/1421 Mata [Sea Gre 13.52 6.03 373/2758 153/2538 gua [Blue] 2 0.00 0.04 0/2790 1/2791 Pastagem [Cha 12.53 3.56 408/3256 105/2953 Class Prod. Acc. User Acc. (Percent) (Percent) Solo Agrcola 89.60 91.67 Lavoura [Oran 70.12 78.87 No Agrcola 98.79 97.26 Floresta [Gre 85.22 90.98 Mata [Sea Gre 93.97 86.48 gua [Blue] 2 99.96 100.00 Pastagem [Cha 96.44 87.47 Prod. Acc. User Acc. (Pixels) (Pixels) 3894/4346 3894/4248 2251/3210 2251/2854 1386/1403 1386/1425 1211/1421 1211/1331 2385/2538 2385/2758 2790/2791 2790/2790 2848/2953 2848/3256

191

ANEXO 9

1. Matriz de Confuso resultante da Classificao da Imagem de 2006, retornada pelo Envi 4.4. Confusion Matrix: C:\Documents and Settings\roberto.kiel\Desktop\Imagens\Classificaes\Temtico 2006 Majoridade Overall Accuracy = (26568/29812) 89.1185% Kappa Coefficient = 0.8703 Ground Truth (Pixels) Class Solo Lavoura Pastagem No Agrcola Floresta Unclassified 0 0 0 0 0 Solo [Red3] 3 3309 638 0 98 0 Lavoura [Oran 587 4656 56 19 0 Pastagem [Cha 0 593 5163 0 0 No Agrcola 41 74 0 2485 0 Floresta [Gre 0 163 0 0 4516 Mata [Sea Gre 0 23 0 0 904 gua [Blue] 1 0 0 0 0 0 Total 3937 6147 5219 2602 5420 Ground Truth (Pixels) Class Mata gua Unclassified 0 0 Solo [Red3] 3 0 0 Lavoura [Oran 15 0 Pastagem [Cha 0 0 No Agrcola 0 2 Floresta [Gre 31 0 Mata [Sea Gre 5020 0 gua [Blue] 1 0 1419 Total 5066 1421

Total 0 4045 5333 5756 2602 4710 5947 1419 29812

Ground Truth (Percent) Class Solo Lavoura Pastagem No Agrcola Floresta Unclassified 0.00 0.00 0.00 0.00 0.00 Solo [Red3] 3 84.05 10.38 0.00 3.77 0.00 Lavoura [Oran 14.91 75.74 1.07 0.73 0.00 Pastagem [Cha 0.00 9.65 98.93 0.00 0.00 No Agrcola 1.04 1.20 0.00 95.50 0.00 Floresta [Gre 0.00 2.65 0.00 0.00 83.32 Mata [Sea Gre 0.00 0.37 0.00 0.00 16.68 gua [Blue] 1 0.00 0.00 0.00 0.00 0.00 Total 100.00 100.00 100.00 100.00 100.00

192

Ground Truth (Percent) Class Mata gua Unclassified 0.00 0.00 Solo [Red3] 3 0.00 0.00 Lavoura [Oran 0.30 0.00 Pastagem [Cha 0.00 0.00 No Agrcola 0.00 0.14 Floresta [Gre 0.61 0.00 Mata [Sea Gre 99.09 0.00 gua [Blue] 1 0.00 99.86 Total 100.00 100.00

Total 0.00 13.57 17.89 19.31 8.73 15.80 19.95 4.76 100.00

Class Commission Omission Commission Omission (Percent) (Percent) (Pixels) (Pixels) Solo [Red3] 3 18.20 15.95 736/4045 628/3937 Lavoura [Oran 12.69 24.26 677/5333 1491/6147 Pastagem [Cha 10.30 1.07 593/5756 56/5219 No Agrcola 4.50 4.50 117/2602 117/2602 Floresta [Gre 4.12 16.68 194/4710 904/5420 Mata [Sea Gre 15.59 0.91 927/5947 46/5066 gua [Blue] 1 0.00 0.14 0/1419 2/1421 Class Prod. Acc. User Acc. (Percent) (Percent) Solo [Red3] 3 84.05 81.80 Lavoura [Oran 75.74 87.31 Pastagem [Cha 98.93 89.70 No Agrcola 95.50 95.50 Floresta [Gre 83.32 95.88 Mata [Sea Gre 99.09 84.41 gua [Blue] 1 99.86 100.00 Prod. Acc. User Acc. (Pixels) (Pixels) 3309/3937 3309/4045 4656/6147 4656/5333 5163/5219 5163/5756 2485/2602 2485/2602 4516/5420 4516/4710 5020/5066 5020/5947 1419/1421 1419/1419

193

ANEXO 10 1. rvore de Deciso para a classificao da subtrao das imagens temticas de NDVI.
ENVI Decision Tree Text File (version=1.0) begin node name = "1,1" type = Decision location = 1,1 expression = "(b1 EQ 1) AND (b2 EQ 1)" end node begin node name = "Cresc.Est." type = Result location = 2,2 parent name = "1,1" parent decision = Yes class value = 1 class rgb = 0,200,0 end node begin node name = "2,1" type = Decision location = 2,1 parent name = "1,1" parent decision = No expression = "(b1 EQ 2) AND (b2 EQ 1)" end node begin node name = "Cresc.Des." type = Result location = 3,2 parent name = "2,1" parent decision = Yes class value = 3 class rgb = 0,170,0 end node begin node name = "3,1" type = Decision location = 3,1 parent name = "2,1" parent decision = No expression = "(b1 EQ 3) AND (b2 EQ 1)" end node begin node name = "Cresc." type = Result location = 4,2 parent name = "3,1" parent decision = Yes class value = 4 class rgb = 0,140,0 end node begin node name = "4,1" type = Decision location = 4,1 parent name = "3,1" parent decision = No expression = "(b1 EQ 4) AND (b2 EQ 1)" end node begin node name = "Reveg." type = Result location = 5,2 parent name = "4,1" parent decision = Yes class value = 5 class rgb = 0,110,0 end node begin node name = "5,1" type = Decision location = 5,1 parent name = "4,1" parent decision = No expression = "(b1 EQ 5) AND (b2 EQ 1)" end node begin node name = "Reveg.Acn." type = Result location = 6,2 parent name = "5,1" parent decision = Yes class value = 6 class rgb = 0,80,0 end node begin node name = "1,2" type = Decision

194
location = 6,1 parent name = "5,1" parent decision = No expression = "(b1 EQ 1) AND (b2 EQ 2)" end node begin node name = "Cresc.Acl." type = Result location = 7,2 parent name = "1,2" parent decision = Yes class value = 7 class rgb = 0,255,0 end node begin node name = "2,2" type = Decision location = 7,1 parent name = "1,2" parent decision = No expression = "(b1 EQ 2) AND (b2 EQ 2)" end node begin node name = "Vegetado" type = Result location = 8,2 parent name = "2,2" parent decision = Yes class value = 8 class rgb = 0,50,0 end node begin node name = "3,2" type = Decision location = 8,1 parent name = "2,2" parent decision = No expression = "(b1 EQ 3) AND (b2 EQ 2)" end node begin node name = "Cresc.Acn." type = Result location = 9,2 parent name = "3,2" parent decision = Yes class value = 9 class rgb = 0,230,0 end node begin node name = "4,2" type = Decision location = 9,1 parent name = "3,2" parent decision = No expression = "(b1 EQ 4) AND (b2 EQ 2)" end node begin node name = "Recomp." type = Result location = 10,2 parent name = "4,2" parent decision = Yes class value = 10 class rgb = 100,255,0 end node begin node name = "5,2" type = Decision location = 10,1 parent name = "4,2" parent decision = No expression = "(b1 EQ 5) AND (b2 EQ 2)" end node begin node name = "Recomp.Acn." type = Result location = 11,2 parent name = "5,2" parent decision = Yes class value = 11 class rgb = 130,255,0 end node begin node name = "1,3" type = Decision location = 11,1 parent name = "5,2" parent decision = No expression = "(b1 EQ 1) AND (b2 EQ 3)" end node begin node name = "Recomposto" type = Result location = 12,2 parent name = "1,3" parent decision = Yes class value = 12 class rgb = 50,255,0 end node begin node name = "2,3" type = Decision location = 12,1 parent name = "1,3" parent decision = No expression = "(b1 EQ 2) AND (b2 EQ 3)"

195
end node begin node name = "Revegetado" type = Result location = 13,2 parent name = "2,3" parent decision = Yes class value = 13 class rgb = 60,255,60 end node begin node name = "3,3" type = Decision location = 13,1 parent name = "2,3" parent decision = No expression = "(b1 EQ 3) AND (b2 EQ 3)" end node begin node name = "Estvel" type = Result location = 14,2 parent name = "3,3" parent decision = Yes class value = 14 class rgb = 255,255,255 end node begin node name = "4,3" type = Decision location = 14,1 parent name = "3,3" parent decision = No expression = "(b1 EQ 4) AND (b2 EQ 3)" end node begin node name = "Degradado" type = Result location = 15,2 parent name = "4,3" parent decision = Yes class value = 15 class rgb = 255,165,0 end node begin node name = "5,3" type = Decision location = 15,1 parent name = "4,3" parent decision = No expression = "(b1 EQ 5) AND (b2 EQ 3)" end node begin node name = "Desvgtado" type = Result location = 16,2 parent name = "5,3" parent decision = Yes class value = 16 class rgb = 238,154,0 end node begin node name = "1,4" type = Decision location = 16,1 parent name = "5,3" parent decision = No expression = "(b1 EQ 1) AND (b2 EQ 4)" end node begin node name = "Desvgto" type = Result location = 17,2 parent name = "1,4" parent decision = Yes class value = 17 class rgb = 205,100,0 end node begin node name = "2,4" type = Decision location = 17,1 parent name = "1,4" parent decision = No expression = "(b1 EQ 2) AND (b2 EQ 4)" end node begin node name = "Desvg.Acn." type = Result location = 18,2 parent name = "2,4" parent decision = Yes class value = 18 class rgb = 255,90,0 end node begin node name = "3,4" type = Decision location = 18,1 parent name = "2,4" parent decision = No expression = "(b1 EQ 3) AND (b2 EQ 4)" end node begin node name = "Diminuio"

196
type = Result location = 19,2 parent name = "3,4" parent decision = Yes class value = 19 class rgb = 255,120,80 end node begin node name = "4,4" type = Decision location = 19,1 parent name = "3,4" parent decision = No expression = "(b1 EQ 4) AND (b2 EQ 4)" end node begin node name = "Dimin.Est." type = Result location = 20,2 parent name = "4,4" parent decision = Yes class value = 20 class rgb = 255,116,100 end node begin node name = "5,4" type = Decision location = 20,1 parent name = "4,4" parent decision = No expression = "(b1 EQ 5) AND (b2 EQ 4)" end node begin node name = "Dimin.Desac." type = Result location = 21,2 parent name = "5,4" parent decision = Yes class value = 21 class rgb = 255,184,132 end node begin node name = "1,5" type = Decision location = 21,1 parent name = "5,4" parent decision = No expression = "(b1 EQ 1) AND (b2 EQ 5)" end node begin node name = "Degradao" type = Result location = 22,2 parent name = "1,5" parent decision = Yes class value = 22 class rgb = 160,80,45 end node begin node name = "2,5" type = Decision location = 22,1 parent name = "1,5" parent decision = No expression = "(b1 EQ 2) AND (b2 EQ 5)" end node begin node name = "Degrd.Acn." type = Result location = 23,2 parent name = "2,5" parent decision = Yes class value = 23 class rgb = 192,97,56 end node begin node name = "3,5" type = Decision location = 23,1 parent name = "2,5" parent decision = No expression = "(b1 EQ 3) AND (b2 EQ 5)" end node begin node name = "Dimin.Acn." type = Result location = 24,2 parent name = "3,5" parent decision = Yes class value = 24 class rgb = 255,83,46 end node begin node name = "4,5" type = Decision location = 24,1 parent name = "3,5" parent decision = No expression = "(b1 EQ 4) AND (b2 EQ 5)" end node begin node name = "Dimin.Acl." type = Result location = 25,2 parent name = "4,5" parent decision = Yes

197
class value = 25 class rgb = 255,43,43 end node begin node name = "5,5" type = Decision location = 25,1 parent name = "4,5" parent decision = No expression = "(b1 EQ 5) AND (b2 EQ 5)" end node begin node name = "No Veget." type = Result location = 26,2 parent name = "5,5" parent decision = Yes class value = 26 class rgb = 238,238,0 end node begin node name = "No Classificado" type = Result location = 26,1 parent name = "5,5" parent decision = No class value = 2 class rgb = 0,0,0 end node begin variable variable name = "b1" file name = "C:\Mestrado\Dissertao\Imagens\Imagen s Dissertao\Subset Reflectncia\Subtraes NDVI\88 01\Distribuio das 05 Classes 88 - 01 Tratadas Majoridade K5 P3" file pos = 1 end variable begin variable variable name = "b2" file name = "C:\Mestrado\Dissertao\Imagens\Imagen s Dissertao\Subset Reflectncia\Subtraes NDVI\01 06\Distribuio das 05 Classes 01 - 06 Tratadas Majoridade K5 P3" file pos = 1end variable

ANEXO 11

198

ANEXO 12

199

ANEXO 13

200

201 ANEXO 14

202 ANEXO 15

203 ANEXO 16