Determinação da Área de Floresta Laurissilva por Detecção Remota

Determinação da Área de
Floresta Laurissilva da Ilha da
Madeira por Métodos de
Detecção Remota

Luís Correia Antunes

Aluno nº6128

Mestrado de Georrecursos – 2004/2005

Detecção Remota

Determinação da Área de Floresta Laurissilva da Ilha da Madeira por
Métodos de Detecção Remota

Índice

1. Introdução..................................................................................... 7

1.1. Floresta Laurissilva .................................................................... 7

1.2. Objectivos .............................................................................. 9

2. Material Utilizado .......................................................................... 11

2.1. Metadados da Imagem de Satélite ................................................ 11

2.2. Cartografia e Ortofotomapas ...................................................... 12

2.3. Software .............................................................................. 12

3. Processamento dos Dados................................................................. 13

3.1. Pré-processamento .................................................................. 15

3.2. Estatística da Imagem .............................................................. 19

3.2.1. Análise dos dados estatísticos ............................................... 19

3.2.2. Análise do Scattergram ....................................................... 22

3.3. Realce ................................................................................. 24

3.3.1. Transformação do Histograma ............................................... 24

3.3.2. Filtros............................................................................ 30

3.4. Transformações Multiespectrais................................................... 33

3.4.1. Quocientes Espectrais......................................................... 33
2


3.4.2. Análise em Componente Principal .......................................... 36

3.4.3. Transformação Tasseled Cap (TTC)......................................... 40

3.5. Classificação.......................................................................... 42

3.5.1. Classificação Assistida ........................................................ 43

3.5.2. Classificação Automática ..................................................... 51

3.6. Validação da Classificação ......................................................... 54

3.6.1. Validação da Classificação Assistida ........................................ 54

4. Conclusões .................................................................................. 58

5. Bibliografia .................................................................................. 59

Anexo I ............................................................................................ 60

Anexo II ........................................................................................... 72

Anexo III .......................................................................................... 84

3


Índice de Imagens

Figura 1 – Figura ilustrativa do tipo de vegetação existente na Floresta Laurissiva .... 8

Figura 2 – Mapa da Ilha da Madeira com a zona da Floresta Laurissilva .................. 9

Figura 3 – Esquema com a metodologia aplicada à imagem de satélite ................ 14

Figura 4 – Exemplo da rectificação Geométrica ............................................ 15

Figura 5 – Sistema de Coordenadas criado no ERMapper para o projecto .............. 16

Figura 6 – Reamostragem da uma imagem após a aplicação do método de Vizinho Mais
Próximo ........................................................................................... 17

Figura 7 – Reamostragem da uma imagem após a aplicação do método de
Interpolação Bilinear............................................................................ 18

Figura 8 – Reamostragem da uma imagem após a aplicação do método de
Interpolação Bicúbica ........................................................................... 19

Figura 9 – Apresentação dos 4 histogramas obtidos nas bandas 1, 2, 3 e 4
respectivamente ................................................................................. 21

Figura 10 – Exemplo do Scattergram com a banda 4 e a banda 2. ...................... 22

Figura 11 – Resultado da primeira selecção de dados no Scattergram.................. 23

Figura 12 – Resultado da segunda selecção de dados no Scattergram .................. 23

Figura 13 – Exemplo da transformação radiométrica efectuada numa das bandas ... 24

Figura 14 – Resultado final da transformação efectuado sobre o histograma da
imagem............................................................................................ 25
4


Figura 15 – Realce das 4 bandas obtida pela transformação da Expansão Linear
(Linearização) do Histograma ................................................................. 27

Figura 16 – Exemplo da aplicação da técnica de Equalização ............................ 28

Figura 17 – Realce das 4 bandas obtida pela transformação da Equalização do
Histograma........................................................................................ 29

Figura 18 – Execução da filtragem sobre uma imagem [Carvalho, J.; 2004] ........... 31

Figura 19 – Resultado obtido com a aplicação de um Filtro passa-baixo Avg5 numa
imagem de cor ver verdadeira ................................................................ 31

Figura 20 – Resultado obtido com a aplicação de um Filtro Mediana numa imagem de
cor ver verdadeira............................................................................... 32

Figura 21 – Resultado obtido com a aplicação de um filtro passa-alto ................. 33

Figura 22 – Resultado da aplicação do Índice de Vegetação NDVI ....................... 34

Figura 23 – Resultado obtido na divisão do histograma em 3 Classes. .................. 35

Figura 24 – Resultado da aplicação do Índice de Vegetação TVI ......................... 36

Figura 25 – Transformação processada na Análise de Componentes Principais........ 37

Figura 26 – Resultado obtido na componente principal da ACP .......................... 38

Figura 27 – Resultado obtido na segunda componente principal da ACP ............... 38

Figura 28 – Resultado obtido na terceira componente principal da ACP ............... 39

Figura 29 – Transformação “Tasseled Cap” [Carvalho, J.; 2004] ........................ 40

Figura 30 – Resultado da componente “Brilho” da TTC ................................... 41

Figura 31 – Resultado da componente “Verde” da TTC ................................... 41

Figura 32 – Resultado da componente “Humidade” da TTC .............................. 42

5


Figura 33 – Localização das várias áreas treinos através dos Ortofotomapas .......... 44

Figura 34 – Imagem com as áreas de treino criadas para a Classificação Assistida ... 45

Figura 35 – Resultado do Scattergram para a região Oceano............................. 48

Figura 36 – Resultado do Scattergram para a região Costa ............................... 48

Figura 37 – Resultado do Scattergram para a região do LSilva ........................... 49

Figura 38 – Resultado do Scattergram para a região da Vegetação Seca e Pasto ..... 49

Figura 39 – Resultado obtido na Classificação Assistida ................................... 51

Figura 40 – Parâmetros utilizados na Classificação Não Supervisionada ................ 52

Figura 41 – Número de iterações necessárias para atingir a classificação os
parâmetros definidos ........................................................................... 52

Figura 42 – Características dos Clusters obtidos na Classificação Auntomática ....... 53

Figura 43 – Imagem do resultado obtido com a Classificação Automática ............. 54

Figura 44 – Scattergram com elipse de um pixel pertencer a cada uma das regiões com
um nível de confianças de 95 % e a média de cada área treino nadas bandas 2 e 3. 55

Figura 45– Exemplo da incorrecta classificação no cidade do Funchal................. 56

6


1. Introdução

O relatório aqui apresentado diz respeito à realização do trabalho da caracterização
do uso do solo na Ilha da Madeira, em especial da Floresta de Laurissilva, respeitante
à cadeira de Detecção Remota, do Mestrado Georrecursos, do Instituto Superior
Técnico (IST), Departamento de Minas e Georrecursos.

O objectivo principal do trabalho é a delimitação da região respeitante da Floresta
Laurissilva e cálculo da respectiva área. Com o limite determinado, podemos
sobrepor à cartografia e ortofotomapas existente da Ilha da Madeira e poder localiza-
la de uma forma mais expedita e automática. Outra das áreas de interesse é
determinar as áreas urbanas das principais cedes de concelho. A Imagem de Satélite
utilizada para o estudo é de 1998 e foi obtida pelo satélite SPOT4.

Futuramente, pretende-se monitorizar estas duas áreas detectadas remotamente, e
poder compará-la com a existente actualmente.

1.1. Floresta Laurissilva

Laurissilva é o nome pelo qual é conhecida a floresta original da Madeira, aquela que
já aqui existia aquando da chegada dos descobridores portugueses. Esta designação
provem do latim, Laurus (loureiro, lauráceas) e Silva (floresta, bosque). Esta ocupou
outrora vastas extensões no Continente europeu, nomeadamente toda a bacia do
Mediterrâneo, europa meridional e norte de África, tendo-se aí extinguido devido às
glaciações. Os arquipélagos do Atlântico Norte, nomeadamente, Açores, Madeira,
Canárias e Cabo Verde conseguiram manter grande parte dessa ancestral vegetação
graças à capacidade termo-reguladora do oceano que os envolve.

Na Madeira, pela altura das descobertas, a Laurissilva cobria a quase totalidade da
Ilha; hoje em dia vamos encontrá-la principalmente na vertente de exposição norte

Introdução 7


da Ilha, ocupando os profundos e remotos vales do interior, distribuída entre os 300 e
os 1300 metros de altitude, podendo considerar-se uma floresta relíquia.

Esta floresta de características higrófilas, sub-tropical húmida, representa um
ecossistema de extrema importância sob o ponto de vista botânico e científico: trata-
se de um património raro a nível mundial, onde, para além da Madeira, apenas
ocorre com significado em algumas ilhas do grupo ocidental do Arquipélago das
Canárias, dado que nos Açores e em Cabo Verde não terá resistido à ocupação
humana. A Laurissilva é caracterizada por árvores de grande porte, maioritariamente
pertencentes à família das Lauráceas (o til, o loureiro, o vinhático e o barbusano),
para além de outras como o pau branco, o folhado, o aderno, o perado ou o cedro da
Madeira. Por debaixo da copa das grandes árvores abundam arbustos (quase todos de
folha perene, à semelhança das árvores) como as urzes, a uveira, o piorno e o
sanguinho, encontrando-se, ainda, um estrato mais baixo rico em fetos, musgos,
líquenes, hepáticas e outras plantas de pequeno porte, com numerosos endemismos.

Figura 1 – Figura ilustrativa do tipo de vegetação existente na Floresta Laurissiva

A Madeira detém a mais extensa e bem conservada Laurissilva do mundo, ocupando
uma área de 14.953,7 ha, como mostra a Figura 2, totalmente incluída no Parque
Natural da Madeira como Reserva Natural Parcial e Reserva Natural Integral. É uma
Zona de Protecção Especial no âmbito da Directiva Aves Selvagens e um Sítio de

Introdução 8


Interesse Comunitário ao abrigo da Directiva Habitats. É Reserva Biogenética do
Conselho da Europa desde 1992 e foi incluída na Lista do Património Natural Mundial
da UNESCO em Dezembro de 1999.

Área de
Laurissilva

Figura 2 – Mapa da Ilha da Madeira com a zona da Floresta Laurissilva

1.2. Objectivos

O objectivo inicial do trabalho apresentado é o de aplicar os conhecimentos
adquiridos na cadeira de Mestrado numa imagem SPOT da Madeira, e poder, com a
aplicação de técnicas de Classificação Assistida e Automática, poder delimitar as
várias áreas que pretendemos caracterizar.

Futuramente, com os resultados obtidos, pretende-se realizar uma monitorização da
orla costeira e da floresta Laurissilva, e a determinação do aumento das zonas
urbanas. Será também interessante determinar o aumento e distribuição das
florestas introduzidas, como o eucalipto e/ou pinheiro.

O trabalho é constituído pelas seguintes fases:

Capítulo 2 – Descrição dos vários elementos utilizados durante a execução
do trabalho;

Capítulo 3 – Descrição das várias fases do processamento dos dados onde se
expõe as várias metodologias utilizadas e os resultado de cada uma delas. Este
capítulo é devido pelas seguintes fases:

Introdução 9


. Pré-processamento dos dados;
. Estatística da Imagem;
. Realce da Imagem
. Transformação Multiespectrais;
. Classificação da Imagem;
. Verificação/Validação dos resultados obtidos;

Capítulo 4 – Conclusões sobre os resultados obtidos.

Introdução 10


2. Material Utilizado

Neste capítulo vamos descrever e caracterizar todos os elementos utilizados para a
execução do referido trabalho. Haverá referência dos softwares e em que fase do
processo foram utilizados, a descrição de outra informação geográfica de auxílio e
uma descrição dos Metadados da imagem de satélite.

2.1. Metadados da Imagem de Satélite

A imagem utilizada foi capturada pelo Satélite SPOT4 em Agosto de 1998, ou seja, foi
adquirida no pico do Verão. Isto pode influenciar os valores existentes na banda
infra-vermelhos. Se houvesse vegetação de folhagem caduca, estas apareceriam com
os valores elevados nestas bandas. Mas a floresta em estudo não tem folhagem
sazonal, não influenciando com a época de captura da imagem.

Uma característica deste satélite em relação aos antecessores satélites SPOT é a
introdução de uma nova banda Infra-Vermelho médio (SWIR), dedicado a estudar a
vegetação e interpretar com maior detalhe as várias características do solo. Devido a
captar comprimentos de ondas maiores, esta banda não é tão influenciada pelos
ruídos provocados pela atmosfera terrestre, melhorando assim o contraste e a
claridade textual da imagem. Esta banda SWIR fornece maior detalhe do conteúdo de
água e humidade, e fases do crescimento das plantas na altura que o SPOT 4 passa
sobre esta área.

As características gerais deste satélite são descritas no Quadro 1.

Lançamento 24 Março 1998
Lançador Ariane 4
Orbita 822 km de altitude
Inclinação 98.7 graus heliosíncrono
Largura do
60 km
swath
Sensor HRVIR Pancromático: Resolução espacial: 10 metros; Banda espectral 510-

Material Utilizado 11


730 nm)
Multi-espectral: Resolução espacial: 20 metros; Bandas espectrais:
Banda1 (500-590 nm) -> Banda visível verde;
Banda2 (610-680 nm) -> Banda visível vermelho;
Banda3 (780-890 nm) -> Banda Infra-Vermelho Próximo;
Banda4 (1580-1750) -> Banda Infra-vermelho Médio.
Multi-espectral: Resolução espacial: 1000 metros; Bandas espectrais:
Sensor VGT
1 (430-470 nm); 2 (610-680 nm); 3 (780-890 nm); 4 (1580-1750)
Dinâmica 8 bits/pixel
Quadro 1 – Características básicas do Satélite SPOT

2.2. Cartografia e Ortofotomapas

Para auxílio à localização e delimitação das áreas treino para a Classificação Assistida
foram utilizadas a Cartografia Base 1:5000 de 1994 e Ortofotomapas à escala 1:2000
e 1:5000 de 2004. Estando esta informação com sistema de coordenadas uniforme,
UTM – 28 N, Datum Porto Santo Base SE, é possível fazer a transição dos vectores
delimitadores das várias zonas entre software.

Esta Informação Geográfica é da propriedade da Direcção Regional da Geografia e
Cadastro (DRGC) da Região Autónoma da Madeira.

2.3. Software

Para a elaboração do trabalho de Classificação da imagem foi utilizado o software de
manuseamento e tratamento de imagens de satélite ER Mapper V6.4. Este programa
demonstrou ser dotado de todas as funcionalidade necessárias para a execução do
estudo em causa.

Para o tratamento da restante informação geográfica, foi utilizado o software da
Bentley/Intergraph o MicroStation V8.0. Este programa permite carregar e sobrepor
os diversos Ortofotomapas e a Cartografia Base e, se for necessário, fazer a
delimitação das várias áreas treino.

Material Utilizado 12


3. Processamento dos Dados

Neste capítulo será descrito toda a metodologia aplicada à imagem de satélite de
modo a se proceder à classificação da imagem. Para tal, o trabalho é iniciado por um
pré-processamento da imagem, um minucioso estudo da mesma, seguido de uma
classificação, e finalizando com uma validação da mesmo. A Figura 3 esquematiza a
metodologia aplicada à imagem de satélite, desde o pré-processamento até à
validação final da classificação.

Processamento dos Dados 13


Imagem
Original

Correcções
Correcção
Radiométricas

TIN
Correcção
Geométrica

Pontos de
Imagem Controlo
Corrigida

Classificação
Cartografia

Interpretação Vectorial

Visual

Áreas de
Treino
Ortofotomapas
Algoritmo de
Classificação

Imagem
Classificada

Validação
Áreas de
Amostra

Matriz de
Confusão

Classificação
Final
Figura 3 – Esquema com a metodologia aplicada à imagem de satélite



3.1. Pré-processamento

O objectivo desta fase do trabalho é corrigir as distorções radiométricas e
geométricas existentes na imagem.

A correcção geométrica (Figura 4) pode vir executada já na aquisição da imagem. As
imagens SPOT4 podem ser adquiridas com quatro níveis de rectificação. Neste caso,
foi necessário proceder-se à correcção geométrica. Sempre que se obtém uma
imagem por scanning ou por imagens aéreas, é necessário proceder à
georreferênciação ou/e Ortorrectificação. O processo de correcção geométrico inclui
os seguintes passos:
. Escolha do Sistema de Coordenadas;
. Escolha dos Pontos de Controlo;
. Escolha do modelo de transformação da reamostragem;
. Execução da correcção.

Figura 4 – Exemplo da rectificação Geométrica

O Sistema de Coordenadas em vigor na Região Autónoma da Madeira é a Projecção
UTM – Fuso 28N com Datum Porto Santo, Base Astronómica SE. Como o ERMapper não
tinha este Sistema de Coordenadas incluído na lista existente foi necessário
acrescenta-lo, inserindo todos os parâmetros requisitados pelo software. A Figura 5
mostra a definição do sistema de coordenadas utilizado.



Figura 5 – Sistema de Coordenadas criado no ERMapper para o projecto em estudo

Para a transformação, utilizaram 5 Pontos de Controlo (ver Quadro 2) com
coordenadas UTM 28N retiradas da Carta Militar 1:25000. Escolheram pontos bem
distribuídos pela área de trabalho (madeira) e pontos bem definidos na imagem e na
cartografia (cruzamentos de estrada, cantos de edifícios, por exemplo).

X Y N (m) E (m)
1 1669.729032 1003.767742 308322.5936 3631557.8357
2 723.870968 1138.890323 288371.5488 3631772.3630
3 2374.296774 1911.019355 318190.8523 3611177.7361
4 3387.716129 1119.587097 340287.1707 3623620.3232
5 2654.193548 965.16129 325699.3100 3630699.7262
Quadro 2 – Coordenadas dos 5 Pontos de Controlo

Existem três tipos de métodos de reamostragem:

Vizinho Mais Próximo: Este método recolhe o valor do pixel da imagem
original para o fazer corresponder ao pixel da imagem final. Tem como vantagem o
de não criar valores novos e como desvantagem o de se poderem perder valores ou
duplicar. A imagem tende a ficar com uma aparência disjunta. Ver Figura 6.



Figura 6 – Reamostragem da uma imagem após a aplicação do método de Vizinho Mais
Próximo

Interpolação Bilinear:

A interpolação Bilinear é mais sofisticado que o método do Vizinho Mais Próximo,
utilizando a média dos 4 pixies vizinhos para produzir um novo valor de cinzento na
reamostragem. A vantagem deste método é que todos os pixeis originais contribuem
para a criação da nova imagem. O aspecto da imagem fica mais suavizada do que o
método anterior.

Tem a desvantagem de “picos” de contraste na imagem original, ao serem
processados com a média dos pixeis vizinhos, aparecerem mais “borrados” na
imagem final. A nível computacional, demora mais tempo a processar que o primeiro
método. A Figura 7 exemplifica a aplicação deste método e demonstra, assim, o que
foi dito, em contraste com o Método do Vizinho Mais Próximo.



Figura 7 – Reamostragem da uma imagem após a aplicação do método de Interpolação
Bilinear

Interpolação Bicúbica:

Com este método a imagem é dividida numa malha (ou matriz) de 4x4 pixeis,
aproveitando-se assim média dos Níves Digitais (ND) dos 16 pixeis para o cálculo do
novo valor do pixel. A imagem criada na reamostragem é mais suavizada que a
anterior, perdendo assim ainda mais o contraste. É também o método mais lento dos
três no que se refere a processamento devido ao cálculo da média dos 16 valores.

Como este método cria uma imagem mais “borrada”, eleminando os “picos” de
contraste. É usual utilizar um filtro passa-alto (ver Capítulo 3.3.2) após a execução
da reamostragem de por Interpolação Bicúbica.

O resultado da aplicação deste Método de Interpolação Bicúbica pode ser visto na
Figura 8 onde se confirma o maior suavização dos contaste.



Figura 8 – Reamostragem da uma imagem após a aplicação do método de Interpolação
Bicúbica

3.2. Estatística da Imagem

O primeiro estudo que é feito com a imagem é a análise estatística da mesma. Desta
maneira podemos conhecer as suas características espectrais de uma maneira mais
aprofundada.

3.2.1. Análise dos dados estatísticos
O software ERMapper permite obter os dados estatísticos das bandas existentes no
conjunto de dados. Neste caso, analisaram-se as 4 bandas da imagem SPOT em
estudo.

As características estatísticas descritivas obtidas estão anunciadas no Quadro 3.



STATISTICS FOR DATASET: madeira_Luis.ers
REGION: All
Band1 Band2 Band3 Band4
----- ----- ----- -----
Null Cells 4377152 4377152 4377152 4377152

Non-Null Cells 11111552 11111552 11111552 11111552
Area In Hectares 444462.080 444462.080 444462.080 444462.080
Area In Acres 1098289.801 1098289.801 1098289.801 1098289.801

Minimum 65.000 37.000 1.000 1.000
Maximum 254.000 254.000 254.000 254.000
Mean 105.786 63.065 23.941 31.796
Median 100.000 51.000 7.000 6.000
Std. Dev. 20.172 30.515 40.068 61.507
Std. Dev. (n-1) 20.172 30.515 40.068 61.507

Quadro 3 – Análise estatística descritiva (de localização e dispersão)

Dos valores de localização mínimo e máximo, podemos apreender que a banda 3 e 4
ocupam a maior parte do histograma, visto que têm 1 e 254 respectivamente em
mínimo e máximo. Acontece o inverso na banda 1 e na banda 2, visto que temos os
valores mínimos e máximos de 65 e 254 na primeira banda e 37 e 254 na segunda
banda. Neste caso, a será importante executar uma expansão linear para se
conseguir preencher a totalidade dos valores espectrais.

Uma característica comum às quatro bandas é um certo enviesamento do histograma
à esquerda (assimetria positiva), isto porque a média tem valores mais elevados ao
da mediana. Esta característica pode ser mais visível nas duas bandas de Infra-
vermelho. Estas duas bandas têm valores de mediana muito baixos, 7 e 6, o que
significa que metade dos valores é inferior ou igual a esse valor. No caso da Banda4 a
média chega a 31.796, o que nos indica haver uma grande disparidade entre valores
baixos (pixeis situados no mar ou em zona urbana) e valores altos (pixeis situados em
zona de vegetação). Esta teoria pode ser confirmada pelo valor de dispersão Desvio
Padrão, com 61.507 nessa banda. Os histogramas apresentados na Figura 9
demonstram o explicado atrás. Nos eixos dos XX temos os valores das bandas (0-255)
e nos eixos dos YY temos o total de pixeis com o respectivo valor de cinzento.



Figura 9 – Apresentação dos 4 histogramas obtidos nas bandas 1, 2, 3 e 4 respectivamente

Correlation Matrix Band1 Band2 Band3 Band4
------------------ ----- ----- ----- -----
Band1 1.000 0.966 0.669 0.793
Band2 0.966 1.000 0.740 0.878
Band3 0.669 0.740 1.000 0.928
Band4 0.793 0.878 0.928 1.000
Determinant 0.001

Covariance Matrix Band1 Band2 Band3 Band4
----------------- ----- ----- ----- -----
Band1 406.892 594.446 540.618 984.007
Band2 594.446 931.180 904.721 1647.553
Band3 540.618 904.721 1605.447 2286.070
Band4 984.007 1647.553 2286.070 3783.171
Determinant 3094060090.834

Quadro 4 – Descrição dos resultados obtidos na Matriz de Correlação
e Covariância entre bandas

Os resultados obtidos na Matriz de Correlação e de Covariância, descritos no Quadro
4, são os esperados para a imagem em estudo. Existe uma forte correlação entre a
Banda 1 e Banda 2, as duas Bandas Visíveis, com um valor próximo do 1
(aproximadamente 0.966) e uma forte correlação entre a Banda 3 e Banda 4, as duas
Bandas do Infra-vermelho, obtendo 0.928. As restantes correlações são todas
positivas e acima de 0.669.

Em relação à Matriz de Covariância, os resultados obtidos indicam que os maiores
valores de covariância são entre a Banda 4, com 3783.171, sendo o valor mais
reduzido obtido na Banda 1, com 406.892.



3.2.2. Análise do Scattergram
Uma das maneiras de determinação das áreas de estudo é através do Scattergram.
Esta técnica compara os ND entre duas bandas, relacionando-os num gráfico XY,
estando cada uma das bandas associadas a cada eixo. Associámos a banda 2 e a
banda 4 nos dois eixos e obtemos o gráfico apresentado na Figura 10. Com a
associação destas duas bandas, conseguimos seleccionar a área associada ao mar.
Isto acontece porque o mar não reflecte o infra-vermelhor e reflecte pouco nas cores
visíveis e é o que esta representado no scattergram. Em Y (banda 4) os valores são
baixos, próximos de zero, e em X (banda 2) os valores varia de 40 e 70.

Água
2
1

Figura 10 – Exemplo do Scattergram com a banda 4 e a banda 2.

Se seleccionarmos no Scattergram os pixeis correspondentes à água (1), obtemos o
resultado ilustrado na Figura 11. A vermelho está representado os elementos
seleccionados no Scattergram e podemos confirmar que, efectivamente, foram
seleccionados pixeis associados ao mar.

Fazendo uma segunda selecção aos pixeis associados à água, agora somente com os
valores de Infra-Vermelho mais elevados (2), o resultado é o representado na Figura


12. Foram seleccionados os pixeis da água perto da costa. Isto porque são águas com
alguma poluição e sedimentos de elementos trazidos das ribeiras. Podemos ainda
concluir que estas águas são mais quentes e menos profundas.

Figura 11 – Resultado da primeira selecção de dados no Scattergram

Figura 12 – Resultado da segunda selecção de dados no Scattergram



3.3. Realce

3.3.1. Transformação do Histograma
De modo a sobressair a informação radiométrica existente na imagem de satélite,
podemos usar técnicas de realce e de contraste dos histogramas. Desta maneira,
facilitamos a interpretação e classificação das várias áreas treino.

Figura 13 – Exemplo da transformação radiométrica
efectuada numa das bandas

A Figura 13 mostra o histograma com uma transformação efectuada na banda azul.
Neste caso, podemos ver que os valores-cinzento input da imagem original se situam
entre 70-254. Para aproveitarmos ao máximo a banda dos valores, maximizamos o
histograma, passando o 75 para 0 e o 200 para 255. Assim é alargado o histograma,
uma expansão linear havendo um aumento do contraste. Depois de fazer a mesma
transformação para as restantes duas bandas, obtemos uma imagem com maior
contraste e mais “luminosa”, ajudando a interpretação visual da mesma, como
demonstra a Figura 14.



Figura 14 – Resultado final da transformação efectuado sobre o histograma da imagem

Para se retirar o máximo de informação das imagens por bandas, pode efectuar este
realce e manipular o histograma de cada banda. E para além do realce manual
efectuado na figura anterior, existe uma “biblioteca” de transformações automáticas
no ERMapper que permitem uma análise exaustiva das bandas e das composições
coloridas.

A transformação mais usual é a Expansão Linear, autoclip transform, que nos
possibilita entrar com uma percentagem de autoclip. Esta transformação faz uma
transformação de 99% dos dados iniciais, excluindo os primeiros e os últimos 0,5%.
Estes valores residuais vão ser acumulados para o primeiro (0) e último (255) nível de
cinzento da imagem final. A percentagem do corte pode ser alterado consoante a
característica espectral da imagem. Assim, a técnica de Expansão Linear consiste em
identificar os limites inferiores e superiores da imagem inicial (através do
histograma) e fazer corresponder o valor 0 ao valor mais baixo e 255 ao valor mais
alto, expandindo assim a amplitude inicial para os restantes níveis. Os restantes
níveis são expandidos através da fórmula [Carvalho, J; 2004]:

⎛ ND − Min ⎞
ND' = ⎜ ⎟ * 255
⎝ Máx − Min ⎠



onde: ND’ é o nível digital da imagem final
ND é o nível digital da imagem inicial
Min é o nível digital mínimo da imagem inicial
Max é o nível digital máximo da imagem inicial.

O resultado obtido na Expansão Linear está apresentado na Figura 15.



Figura 15 – Realce das 4 bandas obtida pela transformação da Expansão Linear (Linearização)
do Histograma

Outra técnica de realce é a transformação de Equalização, que faz corresponder mais
níveis de cizento às classes com mais frequência, expandido assim os níveis com
grandes frequências e agrupando os níveis com menor representação. A Figura 16
exemplifica a aplicação desta técnica numa imagem onde se consegue um aumento
significativo de contraste.



Figura 16 – Exemplo da aplicação da técnica de Equalização

Na Figura 17 estão representadas as quatro imagens onde foram aplicadas a
transformação de Equalização.



Figura 17 – Realce das 4 bandas obtida pela transformação da Equalização do Histograma

Do resultado obtido nas duas transformações de realce podemos concluir que no que
se refere à Expansão Linear conseguiu-se obter mais contraste da imagem. Assim, nas
quatro bandas, o mar ficou mais escuro devido à expansão dos valores baixos da



imagem inicial para o valor 0 e os valores altos para 255. Foi conseguido o aumento
do contraste pretendido inicialmente.

Em relação à transformação por Equalização do histograma os resultados obtidos não
foram os desejados. Como grande parte da imagem é constituída por mar, ao se
equalizar esta área do histograma ganha contraste mas perde contraste na restante.
Conseguiu-se assim um aumento de contraste na zona com maior frequência do
histograma inicial, o mar, mas diminui nas restantes zonas (Ilha da Madeira). Para
contrariar este característica da transformação, poderíamos equalizar unicamente a
zona do histograma correspondente à Ilha da Madeira.

3.3.2. Filtros
A utilização de filtros tem como objecto o realçar/eliminar determinados objectos
que existem nas imagens. Com a aplicação de determinados filtros, os ND originais
são alterados de modo a se realçar pixeis em relação aos seus vizinhos. Desta
maneira, podemos conseguir uma melhoria na interpretação visual, eliminando ruídos
e realçando estruturas importantes na imagem. A aplicação de filtros pode ter um
lado negativo. Quando se tem uma estrutura importante mas de dimensões reduzidas
(por exemplo estradas), essa estrutura pode ser incorrectamente eliminada com a
aplicação de certos filtros. Por esta razão convém ter atenção na aplicação dos
filtros e saber de antemão o que temos na imagem e o que queremos fazer
sobressair/atenuar. Quando se pretende realizar uma classificação da imagem
convém utilizar imagens sem filtragens, contendo os ND originais.

Os filtros são divididos por duas categorias consoante o tipo de aplicação. Podemos
classifica-los como:

- Filtros aplicados sobre as frequências (Transformação de Fourie);

- Filtros aplicados sobre o domínio espacial (filtros passa-alto e passa-
baixo).



Estes últimos são aplicados com uma matriz sobre os pixeis que pretendemos alterar
com a informação dos ND dos próprio e com as dos seus vizinhos, com exemplifica a
Figura 18.

Figura 18 – Execução da filtragem sobre uma imagem [Carvalho, J.; 2004]

O filtro passa-baixo é um dos exemplos deste tipo de transformações em que se
pretende suavizar estruturas na imagem, podendo assim perder o contraste inicial
visto que reduz a diferença entre de ND entre pixeis vizinhos. É utilizado para
eliminar ruídos existente nas imagens. Para a imagem em estudo, com as cores
naturais, foi utilizado o filtro Avg5.ker que calcula a média dos pixeis numa matriz
5x5. O resultado está exposto na Figura 19. Podemos verificar que se perdeu algum
do contraste inicial.

Figura 19 – Resultado obtido com a aplicação de um Filtro passa-baixo Avg5 numa imagem de
cor ver verdadeira



Um outro filtro que tem ganho grande expressão é o filtro que transforma o pixel
através do cálculo da mediana dos pixeis vizinhos. A mediana é menos sensível a
valores extremos e não cria novos valores de ND, mantendo os originais preservando
assim melhor os contornos dos objectos. A aplicação deste filtro pode ser visualizado
na Figura 20.

Figura 20 – Resultado obtido com a aplicação de um Filtro Mediana numa imagem de cor ver
verdadeira

Os outros tipos de filtros executados sobre o domínio espacial da imagem são os
filtros passa-alto. Ao contrário do anterior, este tende a realçar os fenómenos de
alta-frequência como fronteiras entre usos do solo e estradas, por exemplo. Isso
acontece na aplicação de um filtro passa-alto (Quadro 5) na imagem da Madeira,
como é demonstrado na Figura 21. Conseguimos um maior contraste entre os vários
limites da vegetação, de estradas e de estruturas existentes na vegetação.

0 -1 0
-1 5 -1
0 -1 0
Quadro 5 – Filtro passa-alto aplicado na imagem



Figura 21 – Resultado obtido com a aplicação de um filtro passa-alto

3.4. Transformações Multiespectrais

3.4.1. Quocientes Espectrais
O Quociente Espectral (QE) tem como objectivo salientar e sobressair elementos
existentes nas várias bandas espectrais. Assim, ao efectuarmos um quociente entre
duas bandas espectrais diferentes a imagem final evidencia as variações nos declives
das curvas de resposta espectral entre as duas amplitudes espectrais.

3.4.1.1 Índice de Vegetação

Os quocientes de Índice de Vegetação (IV) aproveitam a diferença de valores
espectrais existentes nas áreas florestais ou de densa vegetação. Como se sabe, a
curva espectral da vegetação começa a subir a partir do infra-vermelho. Se
aplicarmos um quociente, por exemplo, com a Banda vermelha, com valores baixos
na vegetação, e a banda infra-vermelho, com valores altos nessa mesma área,
conseguimos fazer um mapeamento das áreas florestais. Isso pode ser demonstrado



com os dois quocientes de IV apresentados de seguida que têm como numerador a
subtracção da banda3 e banda2 no quociente. Assim, se obtivermos valores altos
significa que estamos perante um zona com vegetação.

O primeiro quociente IV a estudar é o NDVI, representado na Figura 22 com uma
palete de cores brown_green e que apresenta a castanho os valores baixos a verde os
valores altos de ND. O NDVI obedece à seguinte formula:

Banda 3 − Banda 2
ND NDVI =
Banda 3 + Banda 2

Figura 22 – Resultado da aplicação do Índice de Vegetação NDVI

Desta nova imagem podemos concluir que a zona norte da Ilha da Madeira tem uma
vegetação mais densa, sendo esta a localização da maior área da vegetação de
Laurissilva, como pode ser verificado na Figura 2. Por outro lado, podemos também
verificar que as zonas altas e a ponta Este da ilha são zonas secas e conseguimos
distinguir ainda as zonas urbanas e as ribeiras.


Utilizando três valores de corte na imagem de IV do tipo NDVI conseguimos uma
“classificação” da imagem. Um dos cortes foi obtido de modo a agrupar a área
respeitante ao mar (cor castanha). As restantes duas cores agrupam as zonas de
vegetação seca, ausência de vegetação, zonas urbanas e ribeiras com a cor verde-
escuro, e representada com a cor verde-claro as zonas com vegetação mais densa e
viva. O resultado está apresentado pela Figura 23.

Figura 23 – Resultado obtido na divisão do histograma em 3 Classes.

Outro quociente de IV estudado foi o TVI para o satélite SPOT. Para este caso foi
usado a tabela de cores com níveis de cinzento, como está ilustrado na Figura 24.
Este quociente utiliza de novo as Bandas 2 e 3, obedecendo à seguinte fórmula:

( Banda 3 − Banda 2 )
NDTVI = + 0 ,5
( Banda 3 + Banda 2 )



Figura 24 – Resultado da aplicação do Índice de Vegetação TVI

Neste IV conseguiu-se um maior contraste dos vários níveis mas, de uma maneira
geral, as zonas de vegetação mantêm-se.

3.4.2. Análise em Componente Principal
A Análise em Componentes Principal (ACP) é um estudo estatístico sobre a imagem
de satélite com o objectivo de reduzir e/ou remover redundância de informação. Ao
existir uma elevada correlação entre bandas, com informação similar obtida nos
diferentes comprimentos de onda, a primeira componente principal contém,
normalmente, a maior parte da informação necessária. Por exemplo, nas imagens
SPOT4, a ideia é reduzir a informação das quatro bandas para uma ou duas (conforme
a correlação existente entre elas). Quanto maior a correlação entre as várias bandas,
maior concentração de informação se consegue na direcção principal. A Figura 25
representa a transformação dos dados executados na ACP, onde I p corresponde à

imagem obtida numa direcção das componentes principais p, VPp , k o Vector Próprio



da componente p em cada uma das K imagens e NDk os níveis de cinzento para as K
imagens.

< Banda 1

<<<<
Banda 2 .. CP2
...
Banda 3 ..
. CP1

Banda 4

4 Bandas Do SPOT4 A. Componente Principal Duas direcções principais
n
I p = ∑VPp , k * NDk
k =1

Figura 25 – Transformação processada na Análise de Componentes Principais

Por norma, as primeiras direcções são as mais importantes por evidenciarem as
(dis)semelhanças entre bandas. Mas, de uma maneira geral, a segunda e a terceira
direcção apresentam os maiores contraste. As interpretações que podemos fazer das
principais direcções são:
CP1: representa o albedo (medida da reflectividade de um corpo ou de
uma superfície. É a razão entre a radiação electromagnética reflectida e a
quantidade incidente). Para o estudo, esta componente principal tem pouco
significado visto que ela representa a semelhança entre as várias bandas e nos
queremos o contrário;
CP2: Representa muitas vezes características da vegetação.

Existem interpretações específicas para cada caso em função da cobertura do solo,
da estação do ano, das condições climatéricas próximas (precipitações nos dias
anteriores, etc).

O resultado em cada uma das componentes pode ser visto na Figura 26 (primeira
componente CP1), Figura 27 (segunda componente CP2) e Figura 28 (terceira
componente CP3). A última componente, a quarta, foi analisada e não acrescentava



grande informação. Normalmente, esta última componente faz sobressair o ruído da
imagem.

Figura 26 – Resultado obtido na componente principal da ACP

Figura 27 – Resultado obtido na segunda componente principal da ACP



Figura 28 – Resultado obtido na terceira componente principal da ACP

Analisando as três componente apresentadas chegou-se às seguintes conclusões:

CP1: Imagem idêntica à original. Não acrescenta informação à inicial;

CP2: Imagem com resultados interessantes visto que apresenta uma
distribuição bem conseguida da presença/ausência de vegetação. Mais uma vez, o
norte da ilha com grandes valores de vegetação e onde se consegue distinguir
perfeitamente as estradas e ribeiras no meio desta zona. Sobressai ainda as zonas
urbanas com valores muito baixos nesta componente;

CP3: A terceira componente parece representar as zonas húmidas da ilha da
Madeira. Nesta componente salientam-se as várias ribeiras, as zonas de costa com a
rebentação das ondas. Do lado oposto, com valores reduzidos vemos as zonas
montanhosas com vegetação seca, a ponta este, uma das zonas mais áridas da Ilha.



Podemos concluir que os resultados obtidos nesta análise foram positivos,
conseguindo fazer novas discriminações entre espaços geográficos.

3.4.3. Transformação Tasseled Cap (TTC)
A Transformação “Tasseled Cap” (TTC) é outra das transformações multiespectrais
que tenta a distinguir e monitorizar as características da vegetação através das
bandas visíveis e infra-vermelho. Esta transformação foi inicialmente elaborada para
o Satélite LandSat, pelo Dep. de Agricultura dos EUA com o intuito de melhorar a
precisão de colheitas. O objectivo é assim, a partir de 4 novos eixos de dados
espectrais poder obter mais informações da vegetação.

Figura 29 – Transformação “Tasseled Cap” [Carvalho, J.; 2004]

Os novos eixos/componente criados pela TTC são:

• Brilho (Brightness): nesta componente é executada com a soma
ponderada de cada um dos canais (com excepção feita ao canal
térmico) e pode ser vista na Figura 30;

• Verde (Greeness): contraste entre as bandas do vísivel e do infra-
vermelho próximo (Figura 31);



• Humidade (wetness): é a componente que relaciona o conteúdo da
água na vegetação e no solo (Figura 32).

Figura 30 – Resultado da componente “Brilho” da TTC

Figura 31 – Resultado da componente “Verde” da TTC



Figura 32 – Resultado da componente “Humidade” da TTC

3.5. Classificação

Neste capítulo do processamento dos dados é feita a Classificação Semi-Automática
(ou Assistida) e a Classificação Automática (ou Não Assistida) da imagem de satélite a
partir da informação radiométrica existente nas várias bandas.

Apesar de o objectivo principal do trabalho ser a delimitação da Floresta Laurissilva,
optou-se pela criação de um total de 8 grupos para a Classificação Assitida. No total,
foram criados os seguintes regiões de treino, com as respectivas cores associadas na
classificação:

Nome da Região Descrição da Região Cor
Laurissilva Vegetação do tipo Laurissilva
Pasto e Vegetação
Vegetação Seca usual nas zonas altas
Seca



Agricultura Zonas agrícolas, como bananal, vinhas, etc
Zona urbana Áreas urbanas e suas periferias
Oceano Zonas de alto mar, afastado da costa
Zona Seca Zonas áridas sem vegetação
Vegetação introduzida pelo humano, com especial
Vegetação
incidência nos anos 80/90 com a arborização de
Introduzida
Eucaliptos e Pinheiros
Costa Litoral Zonas próximas à costa

Foram escolhidas regiões suficientes para haver uma discriminação de um
determinado número de usos de solos para, assim, ser mais fácil a delimitação da
Floresta Laurissilva. Foi tido ainda em conta regiões com possíveis estudos futuros em
monitorizações e evoluções do seu uso.

3.5.1. Classificação Assistida
A classificação Assistida (ou Semi-Automática) consiste na classificação da imagem a
partir de áreas treino. Estas foram escolhidas e delimitadas com a ajuda de todas as
imagens criadas até este ponto, com as técnicas de Realce (Capítulo 3.3 acima) e as
Transformações Multiespectrais (Capítulo 3.4) e recorrendo ao auxilio dos
Ortofotomapas e Cartografia Base. Assim, podemos dividirr esta classificação pelas
seguintes fases de produção::
1. Definir as regiões ou classes temáticas que queremos discriminar;
2. Estudo estatístico e reconhecimento dos padrões espectrais através de
técnicas de realce e transformações espectrais;
3. Localizar na Cartografia Base e Ortofotomapas (Figura 33) exemplos
das regiões em estudo;
4. Delimitação das áreas treinos através de vectores;
5. Análise estatística das áreas treinos obtidos para cada uma das
regiões;



6. Executar a Classificação com a definição do método de Classificação
Assistida (Máxima Verosimilhança Melhorada e Standard, Distância
Mínima, Distância Mínima ao Desvio Padrão, etc) e o filtro agregação;
7. Validação da Classificação executada;

Figura 33 – Localização das várias áreas treinos através dos Ortofotomapas

Com os valores estatísticos determinados nas áreas treino, a restante imagem será
classificada por regiões tendo por base esses valores estatísticos definidos
anteriormente nessas áreas. A Figura 34 ilustra a imagem em coloração RGB, com as
Bandas 3, 2 e 1 respectivamente, e com as 8 regiões definidas.



Figura 34 – Imagem com as áreas de treino criadas para a Classificação Assistida

3.5.1.1 Estudo Estatístico das Áreas Treino

Foram calculados os Estatísticos de todas as áreas treinos das regiões em estudo. Da
totalidade dos valores descritivos, apresentada no Anexo II, podemos salientar os
seguintes:



-Região Agricultura:

Minimum 134.000 96.000 128.000 133.000
Maximum 178.000 158.000 222.000 246.000
Mean 149.536 113.928 185.228 177.232
Median 149.000 112.000 186.000 171.000

- Região Zona Seca

Minimum 149.000 128.000 49.000 98.000
Maximum 254.000 254.000 254.000 254.000
Mean 209.406 224.544 90.942 202.871
Median 207.000 226.000 86.000 203.000
Std. Dev. 19.248 21.237 21.306 40.131

- Região Oceano

Minimum 94.000 47.000 5.000 1.000
Maximum 122.000 72.000 11.000 14.000
Mean 98.521 50.908 6.651 5.102
Median 99.000 51.000 7.000 5.000
Std. Dev. 1.166 1.386 0.501 0.809

- Região Vegetação Introduzida

Minimum 87.000 51.000 25.000 29.000
Maximum 180.000 204.000 254.000 254.000
Mean 115.729 87.764 117.989 126.879
Median 114.000 84.000 113.000 114.000
Std. Dev. 10.399 15.190 28.642 40.770

- Região Costa

Minimum 98.000 51.000 8.000 10.000
Maximum 153.000 115.000 18.000 28.000
Mean 111.601 60.554 10.543 16.445



Median 109.000 59.000 11.000 17.000
Std. Dev. 9.168 7.589 1.305 3.920

- Região Urbano

Minimum 119.000 87.000 45.000 97.000
Maximum 254.000 254.000 222.000 254.000
Mean 189.080 191.870 115.158 209.008
Median 189.000 195.000 115.000 212.000
Std. Dev. 30.335 42.136 19.533 33.884

- Região Veg Seca/Pasto

Minimum 98.000 77.000 43.000 93.000
Maximum 227.000 254.000 149.000 254.000
Mean 151.722 159.722 88.904 250.636
Median 152.000 159.000 87.000 253.000
Std. Dev. 14.927 19.199 13.499 11.551

- Região LSilva

Minimum 74.000 40.000 6.000 10.000
Maximum 168.000 153.000 243.000 253.000
Mean 101.811 65.587 102.997 99.158
Median 101.000 64.000 102.000 95.000
Std. Dev. 12.426 13.224 45.176 43.466

Para além dos valores descritivos atrás, podemos ainda analisar o Scattergram de
cada uma das regiões, escolhendo qual das bandas a utilizar no gráfico. Para esta
análise, foram definidos a Banda2 para o eixo dos XX e a Banda3 para o eixo dos YY.
As regiões em estudo foram o Oceano (Figura 35), a Costa (Figura 36), a Floresta
Laurissilva (Figura 37), a Vegetação Seca e Pasto (Figura 38).



Figura 35 – Resultado do Scattergram para a região Oceano

Figura 36 – Resultado do Scattergram para a região Costa



Figura 37 – Resultado do Scattergram para a região do LSilva

Figura 38 – Resultado do Scattergram para a região da Vegetação Seca e Pasto



Para além da análise estatística atrás descrita, podemos ainda estudar as regiões
pelas áreas totais respeitantes a cada área treino (Quadro 6) e a distância entre cada
classe (Quadro 7).

Class/Region Hectares Sq. Km Acres Sq. Miles
------------ -------- ------ ----- ---------
Agricultura 11.040 0.110 27.280 0.043
Costa 285.36 2.854 705.140 1.102
LSilva 1599.160 15.992 3951.611 6.174
Oceano 44076.880 440.769 108916.351 170.182
Urban 151.640 1.516 374.711 0.585
Veg introduzida 334.640 3.346 826.914 1.292
Veg Seca/Pasto 471.760 4.718 1165.744 1.821
Zona Seca 130.920 1.309 323.510 0.505
All 619030.720 6190.307 1529658.337 2390.091

Quadro 6 – Quadro com os valores das áreas utilizadas para a definição das várias áreas treino

Veget. Veget. Zona
Agricult Costa LSilva Oceano Urbano
Introd Seca Seca
AgriCult 0.000 42.360 8.287 78.137 6.447 6.056 8.525 11.027
Costa 42.360 0.000 14.106 9.412 27.996 19.791 40.483 25.967
LSilva 8.287 14.106 0.000 26.795 7.728 2.174 9.892 12.318
Oceano 78.137 9.412 26.795 0.000 57.378 37.455 89.768 58.672
Urbano 6.447 27.996 7.728 57.378 0.000 6.235 3.376 1.827
V Introd 6.056 19.791 2.174 37.455 6.235 0.000 7.798 10.322
V Seca 8.525 40.483 9.892 89.768 3.376 7.798 0.000 5.179
Z. Seca 11.027 25.967 12.318 58.672 1.827 10.322 5.179 0.000
Quadro 7 – Distância média entre as diversas regiões

3.5.1.2 Resultados Obtidos

Depois de testados os vários métodos de Classificação Assistida, escolheu-se o
método de Máxima Verosimilhança Standard visto ter sido o que obteve melhores
resultados de classificação das regiões. Há classificação final aplicou-se o filtro
Majoraty.c com uma matriz de 5x5, ficando a imagem com as regiões mais
homogéneas e eliminando as estruturas de pequenas dimensões. O resultado obtido
pode ser visto na Figura 39.



Figura 39 – Resultado obtido na Classificação Assistida

Todos os valores estatísticos da classificação realizada podem ser visualizada no
Anexo II.

3.5.2. Classificação Automática
O outro tipo de classificação é a Automática ou Não supervisionada, que como o
próprio nome indica, deixa de ser supervisionada pelo analista ou operador.
Deixamos assim de definir as áreas treinos especificando unicamente o número de
Clusters ou grupos que queremos obter no final da classificação, podendo ainda
definir os parâmetros relativos à distância entre os grupos e a variação dentro de
cada grupo.

Os parâmetros utilizados na Classificação Não Supervisionada podem ser visto na
Figura 40. Podemos ressaltar o número de classes iniciais iguais aos da classificação



Assistida, ou seja 8 regiões, número máximo de iterações 20, percentagem de
elementos não alterados 98% e o número máximo de classes 10. A classificação foi
atingida após valor de elementos não alterado ter sido alcançado (98.17%) após 8
iterações e com o número de classes máximo atingido (como pode ser visto na Figura
41).

Figura 40 – Parâmetros utilizados na Classificação Não Supervisionada

Figura 41 – Número de iterações necessárias para atingir a classificação os parâmetros
definidos



3.5.2.1 Resultados Obtidos

Após realização da classificação passou-se à denominação de cada cluster e fazer
corresponder uma cor. Os grupos obtidos e as suas características estão descritas na
Figura 42.

Figura 42 – Características dos Clusters obtidos na Classificação Automática

A imagem da classificação está apresentada na Figura 43. Esta imagem tem a
aplicação do filtro Majoraty.c e o resultado obtido não foi o melhor, isto porque a
vegetação Laurissilva não foi, de todo, delimitada com esta técnica. Um resultado
interessante foi a obtenção de uma linha de costa bem definida (a amarelo) que
contorna a costa do lado Sul. No lado norte essa delimitação não aconteceu, isto
talvez por existir maior ondulação desse lado ou o próprio limite ser de natureza
diferente. No Clusters da agricultura obteve-se bom resultado, assim como na



vegetação seca. O Anexo III descreve os estatísticos obtidos na Classificação
Automática

Figura 43 – Imagem do resultado obtido com a Classificação Automática

3.6. Validação da Classificação

3.6.1. Validação da Classificação Assistida
A primeira técnica que podemos utilizar é verificar se as áreas de treino foram bem
definidas. Juntamente com o scattergram podemos desenhar a elipse da
probabilidade de um pixel ser associado a uma região com um nível de confiança de
95% e a média de cada uma das áreas treino. Esta informação pode ser vista na
Figura 44, utilizando novamente a Banda 2 e a Banda 3.



Figura 44 – Scattergram com elipse de um pixel pertencer a cada uma das regiões com um
nível de confianças de 95 % e a média de cada área treino nadas bandas 2 e 3

Podemos concluir a área treino da região “Urbano” tem uma elipse grande demais,
podendo ser melhorada. Mas tem a sua lógica ser assim, visto que a zona urbana
contempla vegetação (como jardins), ribeiras, zonas industriais, casas, ect. A região
“Zonas secas” também merecia uma melhoria de delimitação das áreas treino. Em
relação as duas vegetações definidas (Laurissilva e a Introduzida), apesar de existir
diferença na elipse e na média, talvez se pudesse melhorar a sua definição nas
respectivas áreas treinos.



Uma das alterações que podia ser feita era uma diminuição da área das áreas treinos
mas um aumento do seu número. Desta forma, talvez se conseguisse discriminar
melhor cada uma das regiões em estudo.

Para validar a classificação podemos utilizar a matriz de confusão que compara o
resultado da classificação com uma amostra de pontos terrenos “verdadeiros” ou
com outra classificação. Podemos, desta maneira, usar a matriz de confusão para
obtermos um indicador de precisão da classificação. Nesta matriz as linhas
representa as classes reais e as colunas representam as classes deduzidas da
classificação.

Na Figura 45 temos um exemplo de uma associação mal feita na Classificação
Automática. Temos a cidade do Funchal classificada como zona seca e as redondezas
classificadas (e bem) como zonas urbanas. Esta classificação errónea talvez se tenha
dado pela ausência ou reduzidas áreas de jardins na zona do centro enquanto que nas
redondezas haja as casas com os quintais e casas mais dispersas.

Figura 45– Exemplo da incorrecta classificação no cidade do Funchal



4. Conclusões

Como conclusão do trabalho realizado, podemos considerar que atingimos os
objectivos a que nos propusemos. Conseguimos obter um GRID que, para além de
discriminar a floresta Laurissilva, delimita ainda outras regiões de interesse para
futura monitorização e estudo. Conseguiu-se obter duas Classificações, a Assistida e a
Automática. Em relação à primeira o resultado foi, de um modo geral, positivo. No
que diz respeito à Classificação Automática, o resultado obtido na delimitação da
Floresta Laurissilva foi muito negativo visto que não se conseguiu uma zona
homogénea dessa floresta, havendo muita “confusão” com a Floresta Introduzida,
isto porque as duas regiões têm características espectrais idênticas. Mas por outro
lado, conseguimos criar uma nova região que é a linha de costa.

No que diz respeito à área da Floresta Laurissilva, a Classificação Assistida obteve um
total de 20679.640 Ha (ver em Anexo II), não muito longe do “oficialmente”
estipulado, perto de 15 Ha. Mas não se sabe qual o método utilizado neste cálculo e
qual a sua data.

Em relação as restantes regiões, estas poderiam merecer melhor discussão e uma
melhoria das áreas treino. Principalmente áreas tão difíceis de definir como as zonas
urbanas.

Conseguiu-se ainda fazer uma análise pormenorizada dos dados estatísticos e da
imagem inicial, o que nos permitiu executar a classificação de um modo mais
expedito e eficaz.

Assim, penso que foi conseguido a implementação de um estudo a partir dos
conceitos teóricos e práticos estudados e desenvolvidos durante as aulas da cadeira
de Detecção Remota.

Conclusões 58


5. Bibliografia

Carvalho, Júlia. Introdução ao ER Mapper. Documento não Editado;

Carvalho, Júlia. (2004 ) Detecção Remota. Documento não Editado;

Reis, Elizabeth. (2001, 2º edição) Estatística Multivariada Aplicada. Edições Sílabo,
343p.;

Rosário, Lúcios; Pereira, Maria João. (1999) Caracterização Espacial da Laurissilva da
Ilha da Madeira com Recurso às Imagens SPOT. Seminário Interno do CMRP

http://www.cartesia.org/ Site acedido em Março de 2006;

http://rst.gsfc.nasa.gov/ Site acedido em Março de 2006;

http://ccrs.nrcan.gc.ca/index_e.php Site acedido em Março de 2006;

Conclusões 59


Anexo I

Descrição dos Estatísticos
das Áreas Treino

Anexo I 60


STATISTICS FOR DATASET: madeira_Luis.ers
REGION: Agricultura
----- ----- ----- -----

Non-Null Cells 276 276 276 276
Area In Hectares 11.040 11.040 11.040 11.040
Area In Acres 27.280 27.280 27.280 27.280

Minimum 134.000 96.000 128.000 133.000
Maximum 178.000 158.000 222.000 246.000
Mean 149.536 113.928 185.228 177.232
Median 149.000 112.000 186.000 171.000
Std. Dev. 5.611 9.358 15.773 26.648
Std. Dev. (n-1) 5.622 9.375 15.802 26.696
Corr. Eigenval. 2.428 0.915 0.546 0.112
Cov. Eigenval. 809.621 185.799 80.965 5.509

------------------ ----- ----- ----- -----
Band1 1.000 0.863 -0.258 0.319
Band2 0.863 1.000 -0.435 0.463
Band3 -0.258 -0.435 1.000 -0.452
Band4 0.319 0.463 -0.452 1.000
Determinant 0.136

Corr. Eigenvectors PC1 PC2 PC3 PC4
------------------ ----- ----- ----- -----
Band1 0.531 0.540 0.033 -0.652
Band2 0.591 0.311 0.059 0.742
Band3 -0.416 0.607 -0.665 0.130
Band4 0.442 -0.493 -0.744 -0.086

Inv. of Corr. Ev. PC1 PC2 PC3 PC4
----------------- ----- ----- ----- -----
Band1 0.531 0.591 -0.416 0.442
Band2 0.540 0.311 0.607 -0.493
Band3 0.033 0.059 -0.665 -0.744
Band4 -0.652 0.742 0.130 -0.086

----------------- ----- ----- ----- -----
Band1 31.602 45.464 -22.948 47.912
Band2 45.464 87.886 -64.387 115.810
Band3 -22.948 -64.387 249.704 -190.631
Band4 47.912 115.810 -190.631 712.702

Cov. Eigenvectors PC1 PC2 PC3 PC4
----------------- ----- ----- ----- -----
Band1 0.077 0.073 -0.519 -0.848
Band2 0.183 0.186 -0.809 0.528
Band3 -0.337 -0.905 -0.254 0.047
Anexo I 61


Band4 0.920 -0.375 0.111 -0.016

Inv. of Cov. Ev. PC1 PC2 PC3 PC4
---------------- ----- ----- ----- -----
Band1 0.077 0.183 -0.337 0.920
Band2 0.073 0.186 -0.905 -0.375
Band3 -0.519 -0.809 -0.254 0.111
Band4 -0.848 0.528 0.047 -0.016

REGION: Zona Seca
----- ----- ----- -----

Non-Null Cells 3273 3273 3273 3273
Area In Hectares 130.920 130.920 130.920 130.920
Area In Acres 323.510 323.510 323.510 323.510

Minimum 149.000 128.000 49.000 98.000
Maximum 254.000 254.000 254.000 254.000
Mean 209.406 224.544 90.942 202.871
Median 207.000 226.000 86.000 203.000
Std. Dev. 19.248 21.237 21.306 40.131
Std. Dev. (n-1) 19.251 21.240 21.309 40.137
Corr. Eigenval. 2.629 0.747 0.496 0.128
Cov. Eigenval. 2062.485 490.021 280.247 54.028

------------------ ----- ----- ----- -----
Band1 1.000 0.830 0.526 0.432
Band2 0.830 1.000 0.383 0.522
Band3 0.526 0.383 1.000 0.544
Band4 0.432 0.522 0.544 1.000
Determinant 0.125

------------------ ----- ----- ----- -----
Band1 0.541 -0.424 0.274 -0.672
Band2 0.532 -0.493 -0.194 0.661
Band3 0.455 0.584 0.623 0.252
Band4 0.466 0.486 -0.706 -0.220

----------------- ----- ----- ----- -----
Band1 0.541 0.532 0.455 0.466
Band2 -0.424 -0.493 0.584 0.486
Band3 0.274 -0.194 0.623 -0.706
Band4 -0.672 0.661 0.252 -0.220

----------------- ----- ----- ----- -----
Band1 370.603 339.245 215.647 333.438
Band2 339.245 451.144 173.313 444.596
Anexo I 62


Band3 215.647 173.313 454.066 464.867
Band4 333.438 444.596 464.867 1610.968

----------------- ----- ----- ----- -----
Band1 0.273 -0.619 0.033 -0.736
Band2 0.326 -0.586 0.392 0.630
Band3 0.317 -0.181 -0.902 0.229
Band4 0.848 0.491 0.176 -0.091

---------------- ----- ----- ----- -----
Band1 0.273 0.326 0.317 0.848
Band2 -0.619 -0.586 -0.181 0.491
Band3 0.033 0.392 -0.902 0.176
Band4 -0.736 0.630 0.229 -0.091

REGION: Oceano
----- ----- ----- -----

Non-Null Cells 1101922 1101922 1101922 1101922
Area In Hectares 44076.880 44076.880 44076.880 44076.880
Area In Acres 108916.351 108916.351 108916.351 108916.351

Minimum 94.000 47.000 5.000 1.000
Maximum 122.000 72.000 11.000 14.000
Mean 98.521 50.908 6.651 5.102
Median 99.000 51.000 7.000 5.000
Std. Dev. 1.166 1.386 0.501 0.809
Std. Dev. (n-1) 1.166 1.386 0.501 0.809
Corr. Eigenval. 2.632 0.758 0.366 0.243
Cov. Eigenval. 3.124 0.546 0.405 0.110

------------------ ----- ----- ----- -----
Band1 1.000 0.730 0.629 0.411
Band2 0.730 1.000 0.715 0.359
Band3 0.629 0.715 1.000 0.334
Band4 0.411 0.359 0.334 1.000
Determinant 0.178

------------------ ----- ----- ----- -----
Band1 0.539 -0.102 0.680 0.487
Band2 0.550 -0.248 0.093 -0.792
Band3 0.523 -0.275 -0.719 0.366
Band4 0.364 0.923 -0.114 -0.050

----------------- ----- ----- ----- -----
Band1 0.539 0.550 0.523 0.364
Anexo I 63


Band2 -0.102 -0.248 -0.275 0.923
Band3 0.680 0.093 -0.719 -0.114
Band4 0.487 -0.792 0.366 -0.050

----------------- ----- ----- ----- -----
Band1 1.361 1.179 0.367 0.388
Band2 1.179 1.920 0.496 0.403
Band3 0.367 0.496 0.251 0.135
Band4 0.388 0.403 0.135 0.655
Determinant 0.076

----------------- ----- ----- ----- -----
Band1 0.592 0.199 0.777 -0.080
Band2 0.744 -0.415 -0.482 -0.208
Band3 0.215 -0.044 -0.051 0.974
Band4 0.226 0.887 -0.402 -0.031

---------------- ----- ----- ----- -----
Band1 0.592 0.744 0.215 0.226
Band2 0.199 -0.415 -0.044 0.887
Band3 0.777 -0.482 -0.051 -0.402
Band4 -0.080 -0.208 0.974 -0.031

REGION: Veg introduzida
----- ----- ----- -----

Non-Null Cells 8366 8366 8366 8366
Area In Hectares 334.640 334.640 334.640 334.640
Area In Acres 826.914 826.914 826.914 826.914

Minimum 87.000 51.000 25.000 29.000
Maximum 180.000 204.000 254.000 254.000
Mean 115.729 87.764 117.989 126.879
Median 114.000 84.000 113.000 114.000
Std. Dev. 10.399 15.190 28.642 40.770
Std. Dev. (n-1) 10.399 15.191 28.643 40.772
Corr. Eigenval. 3.069 0.783 0.104 0.044
Cov. Eigenval. 2312.601 446.955 55.659 6.525

------------------ ----- ----- ----- -----
Band1 1.000 0.931 0.480 0.874
Band2 0.931 1.000 0.283 0.810
Band3 0.480 0.283 1.000 0.651
Band4 0.874 0.810 0.651 1.000
Determinant 0.011

Anexo I 64


------------------ ----- ----- ----- -----
Band1 0.548 -0.224 0.428 -0.683
Band2 0.512 -0.466 0.205 0.692
Band3 0.370 0.852 0.306 0.209
Band4 0.548 0.084 -0.825 -0.104

----------------- ----- ----- ----- -----
Band1 0.548 0.512 0.370 0.548
Band2 -0.224 -0.466 0.852 0.084
Band3 0.428 0.205 0.306 -0.825
Band4 -0.683 0.692 0.209 -0.104

----------------- ----- ----- ----- -----
Band1 108.149 147.084 142.883 370.417
Band2 147.084 230.776 123.338 501.910
Band3 142.883 123.338 820.439 760.493
Band4 370.417 501.910 760.493 1662.376

----------------- ----- ----- ----- -----
Band1 0.186 0.162 -0.456 -0.855
Band2 0.241 0.381 -0.730 0.514
Band3 0.462 -0.850 -0.242 0.069
Band4 0.833 0.325 0.448 0.004

---------------- ----- ----- ----- -----
Band1 0.186 0.241 0.462 0.833
Band2 0.162 0.381 -0.850 0.325
Band3 -0.456 -0.730 -0.242 0.448
Band4 -0.855 0.514 0.069 0.004

REGION: Costa
----- ----- ----- -----

Non-Null Cells 7134 7134 7134 7134
Area In Hectares 285.360 285.360 285.360 285.360
Area In Acres 705.140 705.140 705.140 705.140

Minimum 98.000 51.000 8.000 10.000
Maximum 153.000 115.000 18.000 28.000
Mean 111.601 60.554 10.543 16.445
Median 109.000 59.000 11.000 17.000
Std. Dev. 9.168 7.589 1.305 3.920
Std. Dev. (n-1) 9.168 7.590 1.305 3.920
Corr. Eigenval. 2.928 0.909 0.095 0.068
Cov. Eigenval. 138.486 14.869 5.172 0.205

Anexo I 65


------------------ ----- ----- ----- -----
Band1 1.000 0.907 0.593 0.313
Band2 0.907 1.000 0.715 0.440
Band3 0.593 0.715 1.000 0.855
Band4 0.313 0.440 0.855 1.000
Determinant 0.017

------------------ ----- ----- ----- -----
Band1 0.486 -0.543 -0.568 -0.383
Band2 0.529 -0.390 0.391 0.644
Band3 0.540 0.328 0.530 -0.566
Band4 0.439 0.667 -0.494 0.344

----------------- ----- ----- ----- -----
Band1 0.486 0.529 0.540 0.439
Band2 -0.543 -0.390 0.328 0.667
Band3 -0.568 0.391 0.530 -0.494
Band4 -0.383 0.644 -0.566 0.344

----------------- ----- ----- ----- -----
Band1 84.061 63.120 7.095 11.258
Band2 63.120 57.601 7.079 13.082
Band3 7.095 7.079 1.704 4.374
Band4 11.258 13.082 4.374 15.367

----------------- ----- ----- ----- -----
Band1 0.764 -0.332 -0.553 0.001
Band2 0.625 0.179 0.756 0.068
Band3 0.076 0.216 -0.027 -0.973
Band4 0.139 0.900 -0.348 0.221

---------------- ----- ----- ----- -----
Band1 0.764 0.625 0.076 0.139
Band2 -0.332 0.179 0.216 0.900
Band3 -0.553 0.756 -0.027 -0.348
Band4 0.001 0.068 -0.973 0.221

REGION: Urbano
----- ----- ----- -----

Non-Null Cells 3791 3791 3791 3791
Area In Hectares 151.640 151.640 151.640 151.640
Area In Acres 374.711 374.711 374.711 374.711

Minimum 119.000 87.000 45.000 97.000
Anexo I 66


Maximum 254.000 254.000 222.000 254.000
Mean 189.080 191.870 115.158 209.008
Median 189.000 195.000 115.000 212.000
Std. Dev. 30.335 42.136 19.533 33.884
Std. Dev. (n-1) 30.339 42.141 19.535 33.888
Corr. Eigenval. 2.591 1.085 0.243 0.081
Cov. Eigenval. 3340.866 584.166 199.060 102.288

------------------ ----- ----- ----- -----
Band1 1.000 0.903 0.026 0.686
Band2 0.903 1.000 -0.011 0.754
Band3 0.026 -0.011 1.000 0.351
Band4 0.686 0.754 0.351 1.000
Determinant 0.055

------------------ ----- ----- ----- -----
Band1 0.575 -0.203 0.546 -0.575
Band2 0.588 -0.221 0.110 0.770
Band3 0.128 0.926 0.335 0.120
Band4 0.555 0.231 -0.760 -0.249

----------------- ----- ----- ----- -----
Band1 0.575 0.588 0.128 0.555
Band2 -0.203 -0.221 0.926 0.231
Band3 0.546 0.110 0.335 -0.760
Band4 -0.575 0.770 0.120 -0.249

----------------- ----- ----- ----- -----
Band1 920.449 1154.413 15.396 705.600
Band2 1154.413 1775.888 -8.771 1076.399
Band3 15.396 -8.771 381.634 232.649
Band4 705.600 1076.399 232.649 1148.409

----------------- ----- ----- ----- -----
Band1 0.487 -0.240 0.489 -0.683
Band2 0.709 -0.310 0.026 0.633
Band3 0.040 0.692 0.670 0.266
Band4 0.509 0.606 -0.557 -0.250

---------------- ----- ----- ----- -----
Band1 0.487 0.709 0.040 0.509
Band2 -0.240 -0.310 0.692 0.606
Band3 0.489 0.026 0.670 -0.557
Band4 -0.683 0.633 0.266 -0.250

Anexo I 67

Determinação da Área de Floresta Laurissilva por Detecção Remota

Determinação da Área de Floresta Laurissilva por Detecção Remota

Recommandé

Recommandé

Contenu connexe

Tendances

Tendances (19)

En vedette

En vedette (11)

Similaire à Determinação da Área de Floresta Laurissilva por Detecção Remota

Similaire à Determinação da Área de Floresta Laurissilva por Detecção Remota (20)

Dernier

Dernier (20)

Determinação da Área de Floresta Laurissilva por Detecção Remota