Beruflich Dokumente
Kultur Dokumente
INPE
So Jos dos Campos
2014
Instituto
I. Ttulo.
Copyright AAAA by MCT/INPE. No part of this publication may be reproduced, stored in a retrieval system, or transmitted in any form or
by any means, electronic, mechanical, photocopying, recording, microfilming or otherwise, without written permission from the INPE, with
the exception of any material supplied specifically for the purpose of being entered and executed on a computer system, for exclusive
use of the reader of the work.
CDU
II
FOLHA DE APROVAO
CONFECCIONADA PELO SPG E INCLUDA PELO SID.
III
IV
VI
VII
VIII
AGRADECIMENTOS
A Deus, pois sem Ele nenhuma dessas conquistas seria possveis. Pela fora,
determinao, disciplina e coragem para enfrentar todos os desafios.
Aos familiares, principalmente meus pais Maria de Lourdes de Almeida e Genis
Vieira Furtado Filho, que me apoiaram incondicionalmente, de todas as
maneiras possveis. No deve ser nada fcil aturar um filho que est prestes a
dar a luz a uma dissertao!
Aos meus orientadores, Dr. Thiago Silva e Dr Evlyn Novo, que me apoiaram,
ensinaram, ajudaram, puxaram minhas orelhas e ao mesmo tempo me deram
grandiosa liberdade para trabalhar. Por terem se levantado ao meu favor,
quando foi preciso, e por todo apoio frente a tudo que ocorreu durante esses
dois anos de mestrado.
A todos os amigos de UFF e INPE, a dizer Andressa, Pedro Jos, Carlos
Leandro,
IX
RESUMO
reas midas so regies de extrema importncia pela sua biodiversidade e
servios ecolgicos prestados, alm de serem considerada uma das principais
fontes naturais de gases estufa. Estima-se que entre 12% e 29% da bacia
Amaznica seja constituda por reas midas. Devido a sua grande extenso e
ao carter dinmico da sua vegetao, dados de radares de abertura sinttica
(SAR) so fundamentais, pois permitem a aquisio de informaes de
maneira sinptica e multitemporal, mesmo em regies de frequente cobertura
de nuvens. Dados SAR polarimtricos (PolSAR) obtm maior quantidade de
informao sobre cobertura vegetal, podendo melhorar a discriminao de
diferentes tipos de vegetao e melhor caracterizar sua estrutura, quando
comparado com dados multipolarizados e multitemporais. Este estudo teve
como objetivo avaliar a eficincia do uso de dados polarimtricos do sensor
Radarsat-2 (banda C) para a classificao da vegetao e caracterizao de
sua distribuio e estrutura na vrzea Amaznica, na regio da vrzea do Lago
Grande de Curuai, no Par Para isso, seis imagens PolSAR Radarsat-2
multitemporais foram classificadas utilizando-se anlise de imagem baseada
em objetos (OBIA) e algoritmo de minerao de dados. Os resultados da
classificao permitiram comparar o desempenho do mapeamento dos tipos de
vegetao da vrzea usando (a) imagens polarizadas com diferentes ngulos
de incidncia, (b) diagonais principais das matrizes C e T, (c) diferentes
combinaes de decomposies polarimtricas e (d) imagens multitemporais.
Os resultados dessa comparao permitiram constatar que combinaes entre
imagens polarizadas e decomposies polarimtricas maximizam a
separabilidade de classes tomadas individualmente, mas quando essas classes
so analisadas em conjunto, as imagens multitemporais so as que
apresentam o melhor desempenho. Por outro lado, as decomposies
polarimtricas sobressaram-se na modelagem da estrutura da vrzea do Lago
Grande de Curuai e de atributos correlatos, gerando os melhores modelos para
estimar DAP, IAF, Densidade de indivduos e Altura de Inundao. Todos os
modelos apresentaram alta correlao com atributos extrados das cenas SAR,
porm todos eles apresentaram heterocedasticidade, havendo necessidade de
pesquisas posteriores para identificar e sanar a causa desse problema. Dessa
maneira, os resultados desse estudo permitem concluir que os dados
polarimtricos foram mais indicados para anlises quantitativas da estrutura da
vegetao e que as cenas multitemporais foram as mais indicadas para o
mapeamento de diversos tipos de vegetao da vrzea amaznica.
XI
XII
ABSTRACT
Wetlands are important regions due its biodiversity and ecological services, and
also are considered one of the main sources of green house gases. It is
estimated that 12% up to 29% of Amazon River basin area consist of
floodplains. Due to its great area extent and the vegetation communities
dynamics, synthetic aperture radar (SAR) data are important because of its
synoptically and multitemporally image acquisition, even on intense cloudcovered regions. Polarimetric SAR data (PolSAR) register an increased amount
of vegetation information, increasing vegetation types discrimination and a
better structural characterization, when compared to polarized or multitemporal
SAR data. This paper have as objective assess the performance of using C
band PolSAR data on mapping Lago Grande de Curuai vrzea vegetation types
and characterizing its structural properties. To achieve this objective, six full
polarimetric Radarsat-2 images were classified using object based image
analysis (OBIA) and a data-mining algorithm. The classification results allowed
assessing the performance of vrzea vegetation mapping using PolSAR images
with (a) different incidence angles and polarizations, (b) C and T matrixes main
diagonals, (c) polarimetric decompositions and (d) multitemporal imagery. The
results allowed perceiving that the combination of polarimetric decompositions
and polarized images maximizes individual classs discrimination performances,
but when those classes are analyzed on group, the multitemporal images
achieved the best validation indexes. On the other side, polarimetric
decompositions highlights on structural and correlated attributes modeling,
adjusting the best models to estimate DBH, LAI, individual density and flood
height. All models have high correlation with SAR imagery, but all of them are
heterocedastical, and there is need of further research to understand why. This
way, this study concludes that PolSAR data are best suited to quantitative
studies of vrzea vegetation, and multitemporal scenes are indicated to map
different vegetation types of Amazon vrzea.
XIII
XIV
LISTA DE FIGURAS
Pg.
Figura 2.1
Figura 2.2
Figura 2.3
Figura 3.1
Figura 3.2
Figura 3.3
Figura 3.4
Figura 3.5
Figura 3.6
Figura 3.7
XV
10
24
27
29
31
34
37
43
Figura 4.1
Figura 4.2
Figura 4.3
Figura 4.4
Figura 4.5
Figura 4.6
Figura 4.7
XVI
46
47
48
49
50
52
53
Figura 4.8
Figura 4.9
Figura 4.10
Figura 4.11
Figura 4.12
Figura 4.13
Figura 4.14
Figura 4.15
Figura 4.16
Figura 4.17
XVII
54
55
56
57
58
59
60
61
62
63
Figura 4.18
Figura 4.19
Figura 4.20
Figura 4.21
Figura 4.22
Figura 4.23
XVIII
64
66
67
68
69
70
Figura 4.24
Figura 4.25
Figura 4.26
Figura 4.27
Figura 4.28
Figura 4.29
XIX
71
72
75
77
78
81
Figura 4.30
Figura 4.31
Figura 4.32
Figura 4.33
Figura 4.34
Figura 4.35
Figura 4.36
Figura 4.37
Figura 4.38
Figura 4.39
Figura 4.40
Figura 4.41
Figura 4.42
Figura 4.43
Figura 4.44
Figura 4.45
Figura 4.46
Figura 4.47
XX
84
84
85
85
86
86
87
88
89
89
90
90
91
91
97
98
99
100
dependente DAP.................................................................
Figura 4.48
Figura 4.49
Figura 4.50
Figura 4.51
Figura 4.52
Figura 4.53
Figura 4.54
Figura 4.55
Figura 4.56
Figura 4.57
Figura 4.58
XXI
101
102
103
104
105
106
107
108
109
110
111
Figura 4.59
XXII
LISTA DE TABELAS
Pg.
Tabela 3.1
Tabela 3.2
Tabela 3.3
Tabela 3.4
Tabela 4.1
Tabela 4.2
Tabela 4.3
Tabela 4.4
Tabela 4.5
Tabela 4.6
Tabela 4.7
XXIII
25
32
38
41
51
63
65
73
76
79
82
Tabela 4.8
Tabela 4.9
Tabela 4.10
Tabela 4.11
Tabela 4.12
Tabela 4.13
Tabela 4.14
Tabela 4.15
XXIV
92
93
93
94
95
96
112
113
AD
alpha
Anisotropy
Matriz de Covarincia
CP
Decomposio de Cloude-Pottier
cp_alpha
CSV
CV
Coeficiente de variao
DAP
DEM
double
ENL
entropy
ETM+
FD
GLCM
IAF
OBIA
odd
PolSAR
SAR polarimtrico
QD
REM
Radiao eletromagntica
RMSE
Matriz de Sinclar
SAR
SRTM
Matriz de Coerncia
TM
Thematic Mapper
XXV
touzi_alpha_s
touzi_phi_s1
touzi_phi_s2
touzi_phi_s3
touzi_psi_s
touzi_psi_s1
touzi_psi_s2
touzi_psi_s3
touzi_tau_m
touzi_tau_m1
touzi_tau_m2
touzi_tau_m3
vol
VZ
yama
Decomposio de Yamaguchi
ndice Kappa
XXVI
SUMRIO
1
1.1
2
2.1
2.2
2.3
2.3.1
2.4
2.4.1
2.5
2.6
2.7
3
3.1
3.2
3.3
3.4
3.5
3.5.1
3.5.2
3.5.3
3.5.4
4
4.1
4.2
4.3
4.4
4.5
4.6
4.6.1
4.6.2
4.6.3
4.6.4
INTRODUO..............................................................................
Hiptese e objetivos.....................................................................
FUNDAMENTAO TERICA...................................................
Ecossistemas da vrzea amaznica............................................
A vegetao da vrzea amaznica...............................................
Sensoriamento Remoto por Radar...............................................
Tipos de interao com alvos de vrzea......................................
Radares Polarimtricos................................................................
Decomposio de alvos................................................................
SAR e reas midas.....................................................................
Anlise de imagem baseada em objetos......................................
Minerao de dados e rvores de deciso...................................
MATERIAIS E MTODOS............................................................
rea de estudo.............................................................................
Dados de sensoriamento remoto..................................................
Metodologia de campo.................................................................
Processamento dos dados...........................................................
Anlise dos dados e classificao................................................
Seleo das amostras de treinamento e gerao dos grficos
boxplot..........................................................................................
Teste dos parmetros do minerador de dados.............................
Classificao e validao.............................................................
Modelagem dos atributos biofsicos da vegetao de vrzea......
RESULTADOS E DISCUSSES.................................................
Teste do tamanho da janela do filtro speckle...............................
Teste do tamanho da janela de mdia espacial das
decomposies polarimtricas.....................................................
Seleo das amostras de treinamento e gerao de grficos
boxplot..........................................................................................
Pr-selees dos dados polarimtricos........................................
Parametrizao do minerador de dados.......................................
Classificao dos dados...............................................................
Classificao dos ngulos de incidncia......................................
Classificao das diagonais da matriz C e T................................
Classificao das decomposies polarimtricas........................
Classificao da diagonal da matriz C multitemporal...................
XXVII
Pg.
1
3
3
3
5
7
8
9
11
18
21
21
23
23
24
25
29
33
35
36
43
45
45
45
48
50
53
62
65
65
74
76
80
4.6.5
4.6.5.1
4.6.5.2
4.7
5.
5.1
5.1.1
5.1.2
5.1.3
5.1.4
5.2
6
XXVIII
82
82
87
92
115
115
115
116
116
117
118
120
122
1. INTRODUO
Wetlands ou reas midas 1 so ecossistemas na interface entre ambientes
terrestres e aquticos, continentais ou costeiros, naturais ou artificiais,
permanentemente ou periodicamente inundados por guas rasas ou com solos
encharcados, doces, salobras ou salgadas, com comunidades de plantas e
animais adaptadas sua dinmica hdrica (JUNK et al., 2014)As reas midas
so ecossistemas ricos em biodiversidade, e possuem importante papel nos
ciclos
biogeoqumicos
do
planeta
atuando
como
armazenadores,
podem
acredita-se que essas imagens podem gerar maior quantidade de dados sobre
a estrutura dos alvos de vegetao e mape-los com maior preciso utilizando
menor nmero de cenas, quando comparado com as imagens dos SAR
convencionais e com estudos multitemporais.
1.1.
Hiptese e objetivos
Figura 2.2 Em (a), soma coerente dos vetores das respostas dos inmeros
espalhadores da superfcie, resultando na flutuao radiomtrica do
sinal de retorno; em (b) exemplo de imagem com rudo speckle.
Fonte: http:/earth.esa.int, acessado em 21/02/2013.
Radares Polarimtricos
(2.2)
(2.3)
Sendo S = Matriz S ou de Sinclair; K P = Matriz S na base vetorial de Pauli; K P*T
= vetor de Pauli conjugado transposto.
10
12
(2.9)
(2.10)
Em relao componente double bounce, a matriz S de um diedro nometlico, ortogonal, se d por (equao 2.11):
(2.11)
(2.12
)
(2.13)
13
(2.14)
A matriz C resultante da operao vetorial de S e S *T, aps a distribuio
aleatria ter sido aplicada, (equao 2.15):
(2.15)
(2.16)
Onde PS, PD e PV so as componentes finais superficial, double-bounce e
volumtrica as imagens de sada.
A decomposio de Yamaguchi (LEE; POTTIER, 2009) diferente da de
Freeman Durden por conta de suas pressuposies. A decomposio de
Freeman Durden supe que h simetria de reflexo (SHHS*HV = SVVS*VH), o
que nem sempre verdade, e possui trs componentes: volumtrico,
superficial e double-bounce. A decomposio de Yamaguchi, por sua vez, no
supe simetria de reflexo (SHHS*HV SVVS*VH). Dessa maneira, a modelagem
da componente volumtrica diferente e o espalhamento dos alvos descrito
por quatro componentes: volumtrico, double-bounce, superficial e helicoidal.
Com exceo da componente volumtrica e helicoidal, essa decomposio
similar de Freeman Durden. As matrizes S de um espalhador em forma de
hlice so (equao 2.17):
14
(2.17)
Sendo SLH a hlice girando para a esquerda e S RH para direita. As matrizes C
oriundas das matrizes S acima so (equao 2.18):
(2.18)
(2.19)
SendoPC a proporo de espalhamento de hlice no retroespalhamento total.
O terceiro e ltimo grupo de decomposies a ser considerado nesse estudo
aquele baseado em decomposio dos autovalores (eigen values) e
autovetores (eigen vectors) das matrizes T e C.Os autovetores possuem
informaes sobre o tipo de espalhamento que os alvos possuem
volumtrico, double bounce, etc; e os autovalores, sobre a contribuio que
cada tipo de espalhamento possui em relao ao espalhamento total a
proporo do espalhamento em relao a todos os outros (CLOUDE, 2009;
LEE; POTTIER, 2009).
De uma maneira geral, pode-se escrever a matriz C ou T da seguinte forma
(equao 2.20):
(2.20)
(2.21)
15
(2.22)
3 contm os autovalores da matriz T 3. Os autovalores so nmeros reais, no
negativos, onde 1 >2 >3 > 0. U3 contm os autovetores da mesma matriz, que
so definidos como (equao 2.23):
(2.23)
Onde o ngulo que define o tipo de espalhamento; o ngulo de
orientao do alvo e , e so ngulos relativos fase da onda. Finalmente,
a matriz T 3 pode ser escrita da seguinte maneira (equao 2.24):
(2.24)
(2.25)
(2.26)
(2.28)
19
2.6.
hierrquica
entre
os
nveis
de
segmentao,
entre
outros,
algoritmo,
rea de estudo
gua do sistema (BONNET et al., 2008). Entre maio e junho ocorre o mximo
de inundao, e entre outubro e dezembro o menor nvel. A diferena na altura
de inundao entre as duas pocas alcana entre5e7 metros, e pode variar
anualmente em at 2 m(BARBOSA, 2005).
Cena
Data
SQ7
SQ14
SQ27
SQ7
SQ14
SQ27
19/jun
22/jun
29/jun
20/out
27/out
10/nov
Modo de
Imageamento
ngulo de
Incidncia
(Graus)
Standard
Quad-Pol
25
33
45
25
33
45
Elementos de Resoluo
Largura do
resoluo
Nominal
campo de visada
(pixel) (Rng x (Rng x Az
(Km)
Az - m)
- m)
- 27
- 35
- 47
- 27
- 35
- 47
8 x 5.1
9 x 7.6
25 x 25
Metodologia de campo
25
26
Figura 3.2 Composio colorida RGB321 de cena Landsat-5/TM, contemplando o pulso da seca do ano de 2005. Em vermelho, as rotas percorridas
em campo. As estrelas amarelas so os pontos amostrados em campo, e o polgono amarelo indica a cobertura das cenas de radar.
27
28
(3.1)
Para cada parcela, foi calculada a mdia de cada um dos atributos medidos em
campo (com exceo da rea basal e densidade de indivduos) e derivados.
Essa mdia foi utilizada para a quantificao da relao entre as imagens
PolSAR e os atributos de campo.
3.4.
29
Nessa etapa foi realizada a preparao dos dados PolSAR: (a) multilooking e
clculo da matriz T e C, (b) filtragem do efeito speckle, (c) clculo das
decomposies polarimtricas e pr-seleo das decomposies com maior
potencial para classificao da vegetao, (d) transformao do nvel digital
para (valores de retroespalhamento) e (e) correo de terreno RangeDoppler (Figura 3.4).
As matrizes T e C foram calculadas usando o dado complexo original, atravs
do software Polarimetric SAR Data Processing and Educational Tool
(PolSARPRO) v.4.2.0. O processamento multilook passo obrigatrio no
clculo das matrizes C e T (LEE, POTTIER, 2009). Para tal foram utilizados
2x3 looks, para que os elementos de resoluo da cena, de 8 x 5.1 m (range x
azimute) resultassem em pixels de aproximadamente 15 x 15 m.
As matrizes C e T foram filtradas usando o filtro polarimtrico Refined Lee, o
qual preserva as bordas entre os objetos e ao mesmo tempo suaviza o efeito
speckle em regies homogneas (LEE; POTTIER, 2009).Para escolher o
tamanho da janela do filtro Refined Lee, foi realizado um teste com janelas
variando de 3x3 at 11x11. O teste objetivou escolher o tamanho de janela que
apresentasse o melhor custo-benefcio entre (a) reduo do efeito speckle,
avaliado atravs do coeficiente de variao (CV) e (b) a preservao das
bordas entre os objetos e sua textura, que foi escolhido atravs de anlise
visual de toda a imagem. Amostras da classe Floresta de Terra Firme, na cena
SQ7 da poca da cheia, na polarizao HH, em Sant range, foram usadas para
calcular o CV.
30
31
Entropia
H
Descrio
32
33
34
35
36
37
Nome
Descrio
gua
Arbustos
Indivduos lenhosos
com altura reduzida,
organizados em
formaes fechadas
alternando-se com
reas abertas
cobertas por
gramneas, sujeitos a
inundvel sazonal.
Floresta
Inundvel
Floresta sujeita a
inundao, com
variados graus de
densidade de
indivduos, localizada
ao longo de diques e
nas regies com
maiores elevaes da
vrzea.
Macrfitas
Emersas
Herbceas anuais ou
perenes, enraizadas,
sujeitas aos maiores
perodos de inundao
da vrzea;
Fotointerpretao
38
Fotografia
Macrfitas
Flutuantes
Herbceas no
enraizadas, agrupadas
em banco de espcies
flutuantes em corpos
dgua, com menor
densidade de
indivduos quando
comparada com as
Macrfitas Emersas.
Floresta de
Terra Firme
Vegetao lenhosa
bem desenvolvida,
localizadas em regies
de terra firme, no
sujeitas a inundao.
Solo Exposto
39
Matrix,
GLCM).
atributo
de
textura
decresce
40
Mnimo
Mximo
0.491
SQ7 Cheia HV
0.100
SQ7 Cheia VV
0.379
SQ14 Cheia HH
0.316
SQ14 Cheia HV
0.086
SQ14 Cheia VV
0.301
SQ27 Cheia HH
0.275
SQ27 Cheia HV
0.065
SQ27 Cheia VV
0.281
SQ27 Seca HH
0.231
SQ27 Seca HV
0.058
SQ27 Seca VV
0.228
0.323
0.230
0.060
25.133
51.646
0.172
0.707
0.462
0.904
0.149
SQ27 VZ - Superficial
0.238
SQ27 VZ - Volumtrico
0.098
41
42
43
(3.3)
Onde o desvio padro dos valores medidos no polgono e sua mdia.
O nmero mnimo de pixels amostrais foi calculado segundo Laur et al. (2004),
para que o intervalo de confiana das amostras seja, com 95% de confiana,
de +/- 2 dB. Para calcular o ENL foram utilizando cerca de 1500 pixels de
regies de gua (regio homognea).
Posteriormente, foi calculada a mdia dos pixels das imagens utilizando os
polgonos desenhados ao redor dos pontos das parcelas de campo. As
imagens utilizadas foram as mesmas da etapa da classificao. Cada ponto, no
final
dessa
etapa,
possui
atrelado
ele
um
valor
de
mdia
de
44
seguida
foram
ajustados
os
modelos
para
todas
as
variveis
Pode-se observar que a partir do tamanho de janela 5x5 (figura 4.1), a reduo
do CV bem menor. H forte decrscimo para a janela 3x3, um pouco menor
para a janela 5x5. A reduo do CV inversamente proporcional ao tamanho
da janela, tornando-se menos significativa a partir de 5x5 e quase
imperceptvel entre as janelas 9x9 e 11x11.
45
46
Figura 4.2 - Efeito da aplicao do filtro Refined Lee para diferentes tamanhos
de janelas de operao. Imagem: polarizao HH, ngulo de
incidncia SQ7, slant range, na poca da cheia. Cenas Radarsat-2
fornecidas
atravs
do
programa
Science
and
Operational
47
fornecidas
atravs
do
programa
Science
and
polarimtricas
Novamente, observa-se que as janelas com tamanhos maiores que 5x5 (figura
4.4), apresentam pouca reduo do CV em relao s menores. A reduo do
CV varia com as componentes da imagem, sendo maior para a componente
double-bounce, enquanto que para as componentes (volumtrica e superficial)
ocorre a estabilizao j em janelas de menor tamanho.
48
49
Figura 4.5 - Anlise visual das janelas de mdia espacial das decomposies
polarimtricas. Imagem: componente volumtrica da decomposio
de Freeman Durden, em slant range, ngulo de incidncia SQ7
para a poca da cheia.
4.3.
As classes com menor expresso de rea nas cenas, como Solo Exposto e
Macrfitas Flutuantes tiveram o menor nmero de amostras 16 e 20 (tabela
4.1). Todas as outras classes apresentam nmero semelhante de amostras (de
24 a 32). A distribuio das amostras na imagem pode ser observada nas
figuras 4.6 e 4.7. Para a coleta de amostras das classes de vrzea, foi utilizada
uma mscara excluindo a regio de terra firme, desenhada atravs de
fotointerpretao.
50
Classe
Nmero de amostras
gua
Ambos
32
Arbustos
Ambos
27
Campos de Vrzea
Vrzea
29
Floresta Inundvel
Ambos
28
Terra Firme
30
Macrfitas Emersas
Ambos
24
Macrfitas Flutuantes
Ambos
20
Solo Exposto
Terra Firme
16
51
Figura 4.6 Distribuio das amostras das classes gerais na rea de estudo
(destaque em vermelho). Cenas Radarsat-2 fornecidas atravs do
programa Science and Operational Applications Research (SOAR),
coordenado pela Canadian Space Agency (CSA), projeto nmero
5052/LAN0922. Os dados e produtos Radarsat-2 so licenciados
para uso pela MacDonald, Dettwiler e Associados, Ltd.
52
atravs
do
programa
Science
and
Operational
53
Figura 4.8 Retroespalhamento, em dB, das imagens da diagonal da matriz C (c11 HH, c22 HV e c33 VV) e T (t11
HH + VV, t22 HH - VV e t33 HV) para todas as classes de uso e cobertura da vrzea do Lago Grande
de Curuai, PA.
54
55
todos
os
seus
outros
produtos
apresentaram
desempenhos
56
57
58
59
60
61
62
tabela 4.2). Dessa maneira, optou-se por utilizar o valor padro do algoritmo
J.48 implementado no Weka 3.6.10, de 0,25.
Figura 4.17 Variao da exatido global (%) das rvores de deciso geradas
em funo de diferentes valores de Fator de Confiana, para todos
os alvos de uso e cobertura da terra da vrzea do Lago Grande de
Curuai, PA.
Tabela 4.2 Valores de exatido global (%), erro mdio absoluto e nmero de
ns em funo da variao do fator de confiana, para todos os
alvos de uso e cobertura da terra da vrzea do Lago Grande de
Curuai, PA
Fator de Confiana
Exatido Global
Nmero de ns
0.1
80.3371
0.0588
31
0.2
80.3371
0.0589
31
0.3
80.3371
0.0589
31
0.4
80.3371
0.0589
31
0.5
80.3371
0.0589
31
0.6
80.3371
0.0589
31
0.7
80.3371
0.0589
31
0.8
0.9
80.3371
80.3371
0.0589
0.0589
31
31
80.3371
0.0589
31
63
Figura 4.18 Variao da exatido global (%) (A), do erro mdio absoluto (B) e
do nmero de ns (C) das rvores de deciso geradas em funo
de diferentes valores de nmero mnimo de objetos, para todos os
alvos de uso e cobertura da terra da vrzea do Lago Grande de
Curuai, PA.
64
Tabela 4.3 valores de exatido global (%), erro mdio absoluto e nmero de
ns em funo da variao do fator de confiana, para todos os
alvos de uso e cobertura da terra da vrzea do Lago Grande de
Curuai, PA.
N min. Objetos
2
5
10
15
20
25
30
Exatido Global
80.3371
79.2135
83.7079
84.2697
66.8539
66.8539
67.4157
Nmero de ns
31
17
13
13
11
9
9
65
66
67
68
69
70
71
72
Classes
Atributo
utilizado
Imagens
utilizadas
Escala
SQ7
SQ14
Amplitude
SQ27
SQ7
SQ14
Classes
Gerais
Textura
HH, HV e
VV
SQ27
Nmero de
ns na
rvore
Kappa
13
0,68
13.73
10,14
13
0,65
11.00
14,96
13
0,63
14.47
12,98
23
0,32
14.30
37,46
19
0,18
20.07
50,21
17
0,38
11.52
33,80
15
0,60
12.96
17,26
13
0,64
11.31
14,96
15
0,67
5.79
16,98
0,71
12.61
6.82
0,65
13.07
10.85
0,74
12.86
4.77
Quantity
Allocation
Disagreement Disagreement
25
SQ7
SQ14
Amplitude
+ Textura
SQ27
SQ7
SQ14
Classes de
Amplitude
vrzea
HH, HV e
VV
SQ27
73
74
75
Matriz
Classes
Imagens
utilizadas
Classes
Gerais
Diagonal da
matriz C (HH,
HV e VV);
CeT
C
T
25
CeT
C
Escala
Classes de
vrzea
Diagonal da
matriz T
(HH+VV, HHVV e HV)
Nmero de
ns na
rvore
Kappa
Quantity
Disagreement
13
0,71
11,95
9,84
13
0,63
14,11
12,98
15
0,72
12,40
8,41
0,74
10,49
6,85
0,74
13,11
4,77
11
0,73
11,97
6,72
Allocation
Disagreement
76
Devido a essas
caractersticas, quando as
imagens
da
77
78
Decomposio Classes
Imagens
utilizadas
CP
Escala
Nmero
de ns na
rvore
Kappa
15
21
0,37
12,62
39,83
15
0,71
13,97
7,33
15
0,73
12,44
8,22
15
0,72
12,49
8,65
15
0,73
10,43
10,09
13
0,71
12,25
9,79
11
0,39
16,64
31,65
11
0,69
14,73
6,52
11
0,75
11,27
5,95
CP + C
CP + VZ
CP + VZ + C
VZ
VZ + C
CP
CP + C
CP + VZ
CP + VZ + C
Classes
Gerais
CP anisotropia,
entropia e
ngulo
alpha; VZ superficial,
volumtrico
e doubleClasses bounce e C de
HH, HV e VV
Vrzea
25
15
25
Quantity
Allocation
Disagreement Disagreement
0,74
11,42
6,22
VZ
11
0,75
11,26
5,63
VZ + C
0,74
11,42
6,22
79
no
houve
aumento
significativo
do
desempenho
geral
das
80
81
Multitemporal
Classes
Sem razes
multitemporais
Com razes
multitemporais
Classes
Gerais
Sem razes
multitemporais
Com razes
multitemporais
Imagens
utilizadas
Classes de
Vrzea
Nmero
de ns
Quantity
Allocation
Escala
Kappa
na
Disagreement Disagreement
rvore
17
0,74
6,78
13,99
17
0,79
4,52
11,81
13
0,78
5,69
9,45
11
0,87
2,75
7,02
20
maioria delas
foi mais
82
83
84
85
86
87
88
89
90
91
4.7.
Tabela 4.8 ENL para amostra de gua das imagens do ngulo SQ7
SQ7
Imagem
Mnimo
Mximo
Mdia
Desvio - Padro
CV
ENL
HH
0.010095
0.041026
0.021007
0.004041
0.192364
5.198466
HV
0.000537
0.001347
0.000873
0.000115
0.13173
7.591304
VV
0.017697
0.064462
0.0327
0.006641
0.203089
4.923957
HH+VV
0.024128
0.098634
0.049476
0.010041
0.202947
4.927398
HH-VV
0.002306
0.007251
0.004232
0.000675
0.159499
6.26963
CP - Ang. Alpha
9.747467
19.40197
13.58763
1.286517
0.094683
10.56156
CP - Anisotropia
0.444154
0.716297
0.597365
0.039188
0.065601
15.24357
CP - Entropia
0.198152
0.412209
0.289789
0.032037
0.110553
9.045447
VZ - Double bounce
0.003205
0.004209
0.003267
0.00014
0.042853
23.33571
VZ - Superficial
0.028514
0.078232
0.049373
0.007432
0.150528
6.643299
VZ - Volumtrico
0.003205
0.003205
0.003205
NaN
NaN
NaN
92
Tabela 4.9 ENL para amostra de gua das imagens do ngulo SQ14
Imagem
SQ14
Mnimo
Mximo
Mdia
Desvio - Padro
CV
ENL
HH
0.00102
0.008873
0.002048
0.000812
0.396484
2.522167
HV
0.000265
0.000841
0.000473
0.000069
0.145877
6.855072
VV
0.001051
0.018008
0.002403
0.002089
0.86933
1.150311
HH+VV
0.001011
0.023466
0.002675
0.002656
0.992897
1.007154
HH-VV
0.000966
0.003675
0.001776
0.000333
0.1875
5.333333
CP - Ang. Alpha
20.38732
57.21869
45.73904
6.581062
0.143883
6.9501
CP - Anisotropia
0.385504
0.69407
0.557949
0.044393
0.079565
12.5684
CP - Entropia
0.369319
0.929341
0.83952
0.104229
0.124153
8.054572
VZ - Double bounce
0.001083
0.002234
0.001501
0.000228
0.151899
6.583333
VZ - Superficial
0.001083
0.017558
0.002281
0.002649
1.161333
0.86108
VZ - Volumtrico
0.001083
0.001345
0.001087
0.00002
0.018399
54.35
Tabela 4.10 ENL para amostra de gua das imagens do ngulo SQ27
SQ27
CV
ENL
0.001865
Desvio Padro
0.000324
0.173727
5.756173
0.000613
0.000093
0.151713
6.591398
0.005187
0.00288
0.000699
0.242708
4.120172
0.001242
0.004937
0.002953
0.000692
0.234338
4.267341
0.001045
0.003185
0.001792
0.000282
0.157366
6.35461
CP - Ang. Alpha
33.97376
53.85497
43.06652
3.183489
0.07392
13.52809
CP - Anisotropia
0.287791
0.590873
0.446909
0.054101
0.121056
8.260642
CP - Entropia
0.721367
0.929108
0.830974
0.046077
0.055449
18.03446
VZ - Double bounce
0.001657
0.002169
0.001664
0.000044
0.026442
37.81818
VZ - Superficial
0.001657
0.003884
0.002572
0.000607
0.236003
4.237232
VZ - Volumtrico
0.001657
0.001657
0.001657
-NaN
-NaN
-NaN
Imagem
Mnimo
Mximo
Mdia
HH
0.000934
0.002974
HV
0.000335
0.000974
VV
0.001372
HH+VV
HH-VV
93
DAP
Altura de
Inundao
Densidade de
Indivduos
IAF
Var. Independente
Correlao
Ajuste
SQ7_C_33
-0.701
Db x Linear
SQ7_VZ_odd
-0.503
Db x Linear
SQ14_C_33
-0.517
Db x Linear
SQ14_T_22
-0.649
Linear x Log10
SQ14_VZ_double
-0.712
Linear x Linear
SQ27_C_11
-0.542
Db x Linear
SQ27_C_22
-0.619
Db x Linear
SQ27_C_33
-0.640
Db x Linear
SQ27_T_11
-0.578
Db x Linear
SQ27_T_22
-0.602
Db x Linear
SQ27_VZ_vol
-0.529
Db x Linear
SQ7_CP_alpha
0.603
Linear x Linear
SQ7_CP_ani
0.639
Linear x Linear
SQ7_VZ_double
0.569
Linear x Linear
SQ27_CP_ani
-0.629
Db x Linear
SQ14_C_33
0.548
Linear x Log10
SQ14_VZ_double
0.525
Linear x Log10
SQ27_C_22
0.666
dB x Log10
SQ27_C_33
0.604
dB x Log10
SQ27_T_11
0.597
dB x Log10
SQ27_CP_ani
-0.551
Linear x Linear
SQ27_VZ_odd
0.608
dB x Log10
SQ27_VZ_vol
0.740
dB x Log10
SQ7_VZ_vol
0.689
dB x Log10
SQ14_C_22
0.772
Db x Linear
SQ14_C_33
0.547
dB x Log10
SQ14_VZ_double
0.641
dB x Log10
SQ14_VZ_vol
0.823
Db x Linear
SQ27_C_11
0.674
Db x Linear
SQ27_C_22
0.567
dB x Log10
SQ27_C_33
0.721
dB x Log10
SQ27_T_11
0.699
dB x Log10
SQ27_T_22
0.747
dB x Log10
SQ27_VZ_double
0.713
dB x Log10
SQ27_VZ_odd
0.783
dB x Log10
SQ27_VZ_vol
0.723
dB x Log10
94
SQ14),
todas
as
variveis
independentes
so
altamente
DAP
Altura de Inundao
Densidade de Indivduos
IAF
Var. Independentes
Correlao
Ajuste
SQ7_C_33
-0.701
Db x Linear
SQ14_T_22
-0.649
Linear x Log10
SQ14_VZ_double
-0.712
Linear x Linear
SQ27_C_33
-0.640
Db x Linear
SQ7_CP_ani
0.639
Linear x Linear
SQ27_CP_ani
-0.629
Db x Linear
SQ14_C_33
0.548
Linear x Log10
SQ27_VZ_vol
0.740
dB x Log10
SQ7_VZ_vol
0.689
dB x Log10
SQ14_VZ_vol
0.823
Db x Linear
SQ27_VZ_odd
0.783
dB x Log10
95
Var. Independente
Ajuste (imagem x
atributo)
RMSE
RMSE (%)
SQ7_C_33
Db x Linear
0.49
3.05
15.51
-13.585
-2.344
SQ14_T_22
Linear x Log10
0.42
3.06
15.55
1.573
-3.703
SQ14_VZ_double
Linear x Linear
0.51
2.91
14.78
35.116
-279.935
SQ27_C_33
Db x Linear
0.47
3.10
15.72
-18.416
-1.505
DAP
Altura de
Inundao
SQ7_CP_ani
Linear x Linear
0.41
0.86
21.67
0.637
9.707
SQ27_CP_ani
Db x Linear
0.38
0.90
22.61
7.565
7.618
Densidade de
Indivduos
SQ14_C_33
Linear x Log10
0.30
228.75
31.36
2.356
3.022
SQ27_VZ_vol
dB x Log10
0.55
219.27
30.06
4.989
0.085
SQ7_VZ_vol
dB x Log10
0.47
0.83
17.99
1.857
0.060
SQ14_VZ_vol
Db x Linear
0.68
0.61
13.22
14.473
0.414
SQ27_VZ_odd
dB x Log10
0.61
0.72
15.52
1.595
0.058
IAF
96
Figura 4.44 Disperso dos pontos, histograma dos erros, anlise dos
resduos e teste de normalidade dos resduos do modelo da
imagem SQ7_C_33, em dB, para a varivel dependente DAP.
97
Figura 4.45 Disperso dos pontos, histograma dos erros, anlise dos
resduos e teste de normalidade dos resduos do modelo da
imagem SQ14_T_22, em amplitude linear, para a varivel
dependente Log10 (DAP).
98
Figura 4.46 Disperso dos pontos, histograma dos erros, anlise dos
resduos e teste de normalidade dos resduos do modelo da
imagem SQ14_VZ_double, em amplitude linear, para a varivel
dependente DAP.
99
Figura 4.47 Disperso dos pontos, histograma dos erros, anlise dos
resduos e teste de normalidade dos resduos do modelo da
imagem SQ27_C_33, em dB, para a varivel dependente DAP.
100
Figura 4.48 Disperso dos pontos, histograma dos erros, anlise dos
resduos e teste de normalidade dos resduos do modelo da
imagem SQ7_CP_ani, para a varivel dependente Altura de
Inundao.
101
Figura 4.49 Disperso dos pontos, histograma dos erros, anlise dos
resduos e teste de normalidade dos resduos do modelo da
imagem SQ27_CP_ani, transformada por Log10, para a varivel
dependente Altura de Inundao.
102
Figura 4.50 Disperso dos pontos, histograma dos erros, anlise dos
resduos e teste de normalidade dos resduos do modelo da
imagem SQ14_C_33, em amplitude linear, para a varivel
dependente Log10 (Densidade de Indivduos).
103
Figura 4.51 Disperso dos pontos, histograma dos erros, anlise dos
resduos e teste de normalidade dos resduos do modelo da
imagem SQ27_VZ_vol, em dB, para a varivel dependente Log10
(Densidade de Indivduos).
104
Figura 4.52 Disperso dos pontos, histograma dos erros, anlise dos
resduos e teste de normalidade dos resduos do modelo da
imagem SQ7_VZ_vol, em dB, para a varivel dependente Log10
(IAF).
105
Figura 4.53 Disperso dos pontos, histograma dos erros, anlise dos
resduos e teste de normalidade dos resduos do modelo da
imagem SQ14_VZ_vol, em dB, para a varivel dependente IAF.
106
Figura 4.54 Disperso dos pontos, histograma dos erros, anlise dos
resduos e teste de normalidade dos resduos do modelo da
imagem SQ27_VZ_odd, em dB, para a varivel dependente Log10
(IAF).
Para a varivel dependente DAP (figura 4.55), o melhor modelo foi ajustado
utilizando-se a imagem do espalhamento double-bounce da decomposio de
van Zyl (R = 0,51 e RMSE = 2,91 ou 14,78%).Para a densidade de indivduos
(figura 4.56), a decomposio de van Zyl, componente volumtrica apresentou
melhor desempenho (R = 0,55 e RMSE = 219,27 ou 30,06%). Para o IAF
(figura 4.57) foram usadas imagens de espalhamento volumtrico e superficial
de van Zyl (R = 0,47; 0,68 e 0,61 e RMSE = 0,83/17,99%; 0,61/13,22% e
0,72/15,52%, para os ngulos SQ7, SQ14 e SQ27 respectivamente, utilizando
as imagens do espalhamento volumtrico para SQ7 e SQ14 e superficial para
SQ27).
107
Figura 4.55 Modelos para estimativa do DAP (cm). Em (a), modelo SQ7 VV x
DAP (dB x linear); em (b), modelo SQ14 T22 x DAP (Linear x
log10); em (c), modelo SQ14 van Zyl double-bounce X DAP (linear
x linear) e em (d) modelo SQ27 VV x DAP (dB x linear).
108
109
Figura 4.57 Modelos para estimativa do IAF. Em (a), modelo SQ7 van Zyl
volumtrico x IAF (dB x log10); em (b), modelo SQ14 van Zyl
volumtrico x IAF (dB x linear) e em (c), modelo SQ27 van Zyl
superficial x IAF (dB x log10).
A varivel altura de inundao (figura 4.58) apresentou os melhores resultados
para a imagem anisotropia, da decomposio de Cloude Pottier e tiveram
como entrada imagens dos ngulos SQ7 e SQ27.Os modelos, embora
apresentando variao explicada de maneira semelhante, apres entaram
correlao
inversa.
(R
0,41
110
0,38;
RMSE
0,86/21,67%
111
Entropia - SQ7
0.784
0.785
0.766
0.779
0.775
0.762
0.766
0.774
0.794
0.815
0.726
0.737
0.768
0.801
0.777
0.786
0.799
Anisotropia - SQ27
0.481
0.380
0.452
0.338
0.398
0.463
0.478
0.356
0.374
0.317
0.374
0.452
0.372
0.412
0.455
0.419
0.357
Entropia - SQ27
0.777
0.773
0.757
0.732
0.709
0.770
0.746
0.722
0.791
0.770
0.752
0.761
0.744
0.770
0.721
0.728
0.763
112
Anisotropia - SQ7
Anisotropia - SQ27
Anisotropia - SQ7
Anisotropia - SQ27
1
-0.321
-0.321
1
Esses resultados mostram que, como afirmado por Touzi et al. (2009), os
parmetros calculados pela decomposio de Cloude Pottier (ngulo alpha,
anisotropia e entropia) variam em funo do ngulo de incidncia, ou seja, no
113
114
5. Concluses
5.1.
Classificaes
115
apresentou
uma ou
mais
classes
com classificaes
excelentes, mas apresentou resultados ruins para todas as outras. Por conta
disso, em termos gerais, a classificao das decomposies apresenta ndices
medianos ruins.
116
diferentes
comprimentos
de
onda,
polarizaes,
decomposies
117
Modelagem
de
campo.
As
imagens
PolSAR
tambm
se
mostraram
de
perceber
essa
pouca
variao,
apesar
dos
rudos
heterocedsticos.
As imagens SAR adquiridas segundo maiores ngulos de incidncia foram
aquelas cujos produtos apresentaram as correlaes mais altas com os
atributos biofsicos da vegetao de vrzea. Entre as imagens multipolarizadas
e as decomposies de alvos, as ltimas apresentaram correlaes mais fortes
que as primeiras, gerando os melhores modelos. Sartori et al. (2012) e Proisy
et al. (2000) relatam que a polarimetria e os atributos polarimtricos so bons
estimadores de atributos biofsicos tanto para macrfitas como em regies de
mangue, tanto para banda C como para L, X e P. Como as decomposies
polarimtricas estimam mecanismos de espalhamento especficos, aumentam
a sensibilidade do dado a esse mecanismo, melhorando a distribuio dos
valores de retroespalhamento e assim, permitindo um melhor ajuste com os
modelos.
Em relao ao DAP, Townsend (2002) relata que a penetrao da REM do
radar no dossel vegetal altamente correlacionada com atributos derivados do
tronco da vegetao, principalmente para a polarizao VV. Esse resultado
pode ser observado para esse estudo, onde todos os modelos gerados com as
imagens da matriz C, para estimar o DAP, foram utilizando essa polarizao.
118
Para esses modelos a correlao entre o sinal do radar e o DAP foi negativa,
indicando que rvores mais grossas atenuam o sinal com mais intensidade do
que rvores mais finas. Tambm podem indicar que regies com DAP menor
possuem mais indivduos finos, aumentando o retroespalhamento da REM, ao
passo que regies com elevados valores de DAP possuem menos indivduos,
com troncos mais grossos.
Os modelos que estimaram o IAF foram aqueles que apresentaram os maiores
coeficientes de determinao e os menores erros mdios quadrticos,
mostrando que o sinal de banda C possui forte correlao com essa varivel.
Dessa vez, a correlao foi positiva, mostrando que o aumento do IAF causa
maior retroespalhamento no sinal do radar, pelo aumento dos elementos
espalhadores (folhas e pequenos galhos, no caso da banda C). Assim como o
IAF, a Densidade de Indivduos apresentou correlao positiva com o sinal do
SAR. Quanto maior essa varivel, mais indivduos esto presentes em uma
dada rea e assim, maior a disponibilidade de elementos espalhadores em
contato com a REM do radar.
Para a Altura de Inundao , existe uma tendncia de diminuio do IAF e rea
Basal quando a Altura de Inundao aumenta. Assim, como o ngulo SQ7
apresenta maior penetrao no dossel, na medida em que o IAF e a rea Basal
diminuem, diminui o espalhamento volumtrico (relacionado ao IAF) e os
double-bounces (relacionados a rea Basal) e aumenta a interao com o
substrato (liteira e sub bosque), colaborando para um aumento da anisotropia.
O contrrio acontece para o ngulo de incidncia SQ27: quando o IAF e a rea
Basal diminuem, tambm diminui a atenuao da REM dentro do dossel.
Dessa maneira, h maior sinal de retorno do espalhamento volumtrico e
double-bounce, aumentando a importncia deles em relao ao superficial.
Dessa maneira, a anisotropia diminui. Percebe-se dessa maneira que, apesar
da altura de inundao ter sido medida indiretamente em campo, ela causa
mudanas na estrutura da floresta, e portanto pode ser estimada indiretamente.
119
120
Como pesquisas futuras, esse trabalho divide-se em dois ramos principais: (a)
relacionado classificao e mapeamento dos tipos de vegetao de vrzea
amaznica e (b) modelagem de seus parmetros.
Com relao a (a), pesquisas futuras vo investigar outros algoritmos de
minerao de dados (como Random Forests e Support Vector Machines
SVM) e seus desempenhos na classificao de dados PolSAR. Mtodo similar
a adotada a essa ser aplicada a dados multifrequncia, usando imagens
ALOS-PALSAR, e, quando disponvel, ALOS-PALSAR 2 polarimtrico.
Com relao a (b), mais campanhas de campo sero realizadas para aumentar
o banco de dados de pontos de controle na vrzea do Lago Grande de Curuai,
para um melhor ajuste de modelos preditivos de propriedades estruturais da
floresta de vrzea. Ser investigada a predio das variveis usando modelos
multivariados e no-lineares, e tambm o uso de dados multifrequncia,
principalmente no tocante ao uso de razes de imagens multifrequncia,
buscando superar as limitaes de cada uma das bandas espectrais utilizadas.
Algoritmos de minerao de dados tambm sero utilizados para testar a
combinao de todas as imagens entre si, buscando o melhor modelo possvel
para cada atributo da vegetao da vrzea.
121
REFERNCIAS BIBLIOGRFICAS
ALSDORF, D. E.; MELACK, J. M.; DUNNE, T.; MERTES, L. A. K.; HESS, L. L.;
SMITH, C. L. Interferometric Radar Measurements of Water Level Changes On
the Amazon Floodplain. Nature, v. 404, p. 174 177, 2000.
AMARAL, M.V.F.; SOUZA, A. L.; SOARES, V. P.; SOARES, C. P; LEITE, H. G.;
MARTINS, S.V.; FERNANDES FILHO, S.V.; LANA, E.I.J.M. Avaliao e
comparao de mtodos de classificao de imagens de satlites para o
mapeamento de estdios de sucesso florestal. Revista rvore, v. 33, n. 3, p.
575-582, 2009.
ANA,. Sries Histricas. Plataforma Hidroweb. Retrieved 23 Agos 2012, from
http://hidroweb.ana.gov.br/. 2012
ARNESEN, A. S., SILVA, T. S. F., HESS, L. L., NOVO, E. M. L. M., RUDORFF,
C. M., CHAPMAN, B. D., & MCDONALD, K. C. Monitoring flood extent in the
lower Amazon River floodplain using ALOS/PALSAR ScanSAR images.
Remote Sensing of Environment, v. 130, pp. 5161, 2013.
ARNESEN, A. S.; SILVA, T. S. F.; HESS, L. L.; NOVO, E. M. L. M.; RUDORFF,
C. M.; CHAPMAN, B. D. MCDONALD, K. C. Monitoring flood extent in the lower
Amazon River floodplain using ALOS/PALSAR ScanSAR images. Remote
Sensing of Environment, v. 130, p. 51 61, 2013.
BARBOSA, C. C. F. Sensoriamento remoto da dinmica de circulao da
gua do sistema plancie de Curuai/Rio Amazonas. 2005. 286p. (INPE
14614 TDI/1193). Tese (Doutorado em Sensoriamento Remoto) Instituto
Nacional de Pesquisas Espaciais, So Jos dos Campos, 2005.
BENNETT, L. T.; JUDD, T. S.; ADAMS, M. A. Close-Range Vertical
Photography for Measuring Cover Changes in Perennial Grasslands. Journal
of Range Management, v. 53, n. 6, p. 634-641, 2000.
122
123
CASTELLO, L.; MCGRATH, D.; HESS, L. L.; COE, M. T.; LEFEBVRE, P. A.,
PETRY, P.; MACEDO, M. N.; REN, V. F.; ARANTES, C. C. The vulnerability
of Amazon freshwater ecosystems.Conservation Letters (Advanced Online
Publication, DOI 10.1111/conl.12008), 2012.
CLOUDE, S. R. Polarisation: applications in remote sensing. New York:
Oxford University Press. 2009, 453 p.
CONGALTON, R. G. A Review of Assessing the Accuracy of Classifications of
Remotely Sensed Data. Remote Sensing of Environment, v. 37, n. 1, pp 35
46, 1991.
COSTA, M. P. F.; NIEMANN, O.; NOVO, E.; AHERN, A. Biophysical properties
and mapping of aquatic vegetation during the hydrological cycle of the Amazon
floodplain using JERS-1 and Radarsat. International Journal of Remote
Sensing, v. 23, n. 7, p. 1401 1426, 2002.
Costa, M. P. F., Telmer, K. H. Utilizing SAR imagery and aquatic vegetation to
map fresh and brackish lakes in the Brazilian Pantanal wetland. Remote
Sensing of Environment, v. 105, n. 3, pp. 204213, 2006.
DORREN, L.K.A.; MAIER, B; SEIJMONSBERGEN, A.C. Improved landsatbased forest mapping in steep mountainous terrain using object-based
classification.Forest Ecology and Management, v. 183, n. 1-3, p. 31-46, 2003.
EFRON, B.; GONG, G.A leisurely look at the bootstrap, the jackknife and crossvalidation.The American Statistician, v. 37, n. 1, p. 36 48. 1983.
FREEMAN, A.; DURDEN, S. L.A three-component scattering model for
polarimetric SAR data. IEEE Transactions on Geoscience and Remote
Sensing, v. 36, n. 3, p. 963 973, 1998.
FURTADO, L.F.A.; SILVA, T. S. F.; NOVO, E.M.L.M. Backscattering response
of different land cover types in the Lago Grande de Curuai floodplain (Amazon,
Brazil) determined from Radarsat-2 and TerraSAR-X data. In Anais XIII
124
125
126
127
128
129
130
131
YU, O.; GONG, P.; CLINTON, N.; BIGING, G.; KELLY, M.; SHIROKAUER, D.
Object-based Detailed Vegetation Classification with Airborne High Spatial
Resolution Remote Sensing Imagery. Photogrammetic Engineering and
Remote Sensing, v. 72, n. 7, p. 799-811, 2006.
132