Anda di halaman 1dari 8

II Simpsio Brasileiro de Cincias Geodsicas e Tecnologias da Geoinformao Recife - PE, 8-11 de setembro de 2008 p.

000- 000

AVALIAO DO USO DO MODELO LINEAR DE MISTURA ESPECTRAL NA CLASSIFICAO DE IMAGEM ALOS


KELISON JUBINI MACHADO1 EDNEYA GOMES DA SILVA SOARES1 LEANDRO TEIXEIRA DE CARVALHO1 MRCIO PUPIN DE MELLO2 CARLOS ANTONIO OLIVEIRA VIEIRA1 Universidade Federal de Viosa - UFV Departamento de Engenharia Civil DEC Setor de Engenharia de Agrimensura, Viosa - MG {edneyagomes, kelisonufv, carvalhoufv}@yahoo.com.br calos.vieira@ufv.br 2 Instituto Nacional de Pesquisas Espaciais INPE Coordenao Geral de Observao da Terra OBT Diviso de Sensoriamento Remoto, So Jos dos Campos - SP pupin@dsr.inpe.br
1

RESUMO - Tcnicas de Sensoriamento Remoto como a classificao de imagens de satlite tem se mostrado de fundamental importncia no auxlio tomada de decises. Uma das limitaes apresentadas na classificao a estimativa incorreta para algumas classes temticas. A presena de pixels de mistura na imagem est dentro da problemtica dessa abordagem. Uma maneira de minimizar esse problema seria uma modelagem que discriminasse propores de cada componente presente na mistura espectral de cada pixel. Essa modelagem aplicada atravs de uma tcnica conhecida como Modelo Linear de Mistura Espectral (MLME). Este trabalho tem como principal objetivo avaliar a viabilidade do uso do MLME integrado com procedimentos de classificao supervisionada para a identificao de reas de matas. Foi utilizada uma imagem AVNIR2-ALOS, da regio de Anpolis-GO. Os algoritmos de classificao supervisionada utilizados foram o de Mxima Verossimilhana (MV) e de Rede Neural Artificial (RNA). Os resultados indicaram no haver melhorias estatisticamente significativas nas classificaes quando da integrao com o uso do MLME para o MV. Na classificao por RNA o uso do MLME prejudicou a discriminao da classe de interesse. O fato corrobora com a premissa de que quanto maior a resoluo espacial do sensor, menor a influncia da mistura espectral. ABSTRACT - Remote Sensing techniques such as classification of satellite imagery, has proven extremely important by helping the decision-making. One of the limitations outlined in classification is the wrong estimate for some thematic classes. The presence of mixing pixels in the image is one problem of this approach. One way to minimize this problem would be using a model that discriminate proportions of each component in this mixture spectrum at each pixel. This model is applied using a technique known as Linear Spectral Mixing Models (MLME). This work aims evaluating the feasibility of using MLME integrated with supervised classification procedures for the identification of forests areas. It was used an AVNIR2-ALOS image, corresponding region of Anpolis-GO (Brazil). The algorithms used for supervised classification were Maximum Likelihood (MV) and Artificial Neural Network (RNA). The results indicates no statistically significant improvements in the classifications when the MLME integration with MV. In the RNA classification, using MLME in the discrimination of interesting class wasnt good. This fact confirms the premise that the higher spatial resolution of the sensor turn down the influence of the mixture spectrum.

K J Machado;E G S Soares; L T Carvalho; M. P. Mello; C A O Vieira

II Simpsio Brasileiro de Cincias Geodsicas e Tecnologias da Geoinformao Recife - PE, 8-11 de setembro de 2008

1 INTRODUO Um estudo apresentado pela Organizao das Naes Unidas para a Agricultura e Alimentao (FAO) revela que o Brasil um dos pases da Amrica do Sul que apresentaram a maior perda real de rea de florestas nativas, nos ltimos anos. O pas registrou um aumento no ndice de desmatamento de 0,5% (perodo de 1990 a 2000) para 0,6% (perodo de 2000 a 2005), ou seja, no segundo perodo o Brasil perdeu mais de trs milhes de hectares de florestas (FAO, 2007). As tcnicas de Sensoriamento Remoto (SR) e Sistemas de Informaes Geogrficas (SIGs) tm sido utilizadas de forma conjugada em estudos de recursos terrestres, com especial ateno para o monitoramento das atividades antrpicas e seus impactos ambientais (PINTO e LOMBARDO, 2003). Uma destas tcnicas a classificao de imagens de satlite, que tem se mostrado de fundamental importncia no auxlio tomada de decises de processos como o acompanhamento de recursos naturais e o mapeamento do uso do solo. Segundo Crsta (1992) a classificao automtica de imagens multiespectrais de sensoriamento remoto diz respeito a associar cada pixel da imagem a um rtulo, descrevendo um objeto real ou classes informacionais (vegetao, solo, etc). A classificao pode ser dividida em supervisionada e no-supervisionada. A primeira utilizada quando o analista dispe de informaes que permitem a identificao das classes de interesse na imagem, permitindo um treinamento do classificador. J na no-supervisionada, o analista utiliza algoritmos computacionais para reconhecer as classes presentes na imagem e, posteriormente, atribui os rtulos a cada uma das classes previamente identificadas pelo algoritmo. Diversos so os classificadores supervisionados. O mais empregado o de Mxima Verossimilhana (MV). Os resultados apresentados pelo algoritmo da Mxima Verossimilhana tanto melhor quanto maior e representativo o nmero de pixels numa amostra de treinamento para implement-los na matriz de covarincia (PREVIDELLI, 2004). Outro classificador supervisionado que tem sido utilizado com sucesso o classificador por Redes Neurais Artificiais (RNAs). Ele apresenta algumas vantagens em relao aos classificadores baseados em conceitos estatsticos paramtricos, principalmente por no assumirem nenhuma distribuio estatstica das classes informacionais. Nelson e Illingworth (1990) definem as RNAs como sendo tcnicas inovadoras de processamento de informaes, que tm como objetivo bsico, simular, em computadores, o funcionamento do sistema nervoso biolgico. Uma das limitaes na classificao automtica de imagens, que contribui para resultados no satisfatrios, ocorre quando h estimativa incorreta para algumas classes temticas. So diversos os fatores que contribuem para esses erros de classificao. Dentre eles podemos citar existncia de pixels de mistura (AGUIAR et al., 1999). Contudo, esta uma situao complexa em

p. 000 - 000 imagens com alvos de caractersticas espectrais semelhantes, pelo fato de muitas vezes, o valor do pixel no representar o valor de apenas um alvo e sim a interao destes. Essa relao cresce de maneira inversamente proporcional resoluo espacial do sensor, ou seja, quanto mais grosseira a resoluo maior a mistura espectral dos componentes presentes (Haertel e Shimabukuro, 2005). Uma maneira consistente de tentar contornar o problema da mistura espectral seria aplicar um Modelo Linear de Mistura Espectral (MLME). Trata-se de uma modelagem proposta por Shimabukuro e Smith (1991) atravs da tcnica de Mnimos Quadrados Restrito, para estimar a proporo de cada alvo dentro de cada pixel da imagem. Este modelo assume que a resposta espectral de um pixel pode ser modelada por uma combinao linear das respostas espectrais dos membros de referncia, algumas vezes chamados de endmembers. Mello et al. (2008) obtiveram um aumento considervel na exatido da classificao usando as fraes resultantes do MLME como vetor de atributos na entrada da classificao supervisionada por Mxima Verossimilhana quando comparadas s tcnicas convencionais de classificao apresentadas em Silva et al. (2008). Este trabalho tem como principal objetivo avaliar a viabilidade do uso do MLME integrado com procedimentos de classificao supervisionada pela Mxima Verossimilhana e Rede Neural Artificial para a identificao de reas de matas utilizando uma imagem do sensor AVNIR2, a bordo da plataforma orbital ALOS. 2. FUNDAMENTOS DA METODOLOGIA 2.1 O classificador de Mxima Verossimilhana (MV) O mtodo de classificao MV considera um vetor de observao xi pertencente classe i se a probabilidade que associa este pixel classe i for maior do que a probabilidade que associa o pixel a qualquer outra classe. O que pode ser equacionado de acordo com a Equao 1. xi i, se P(i | xi) > P(j | xi) para todo i j O clculo da probabilidade dado pela Equao 2: P(i | xi) = P(xi | i) . P(i) / P(xi) (2) Em que: P(i) a probabilidade da classe i ocorrer na imagem; P(xi | ) a probabilidade de um pixel da classe xi pertencer classe i; e P(xi) a probabilidade de um pixel xi ocorrer na imagem. O valor de P(xi|i) geralmente obtido assumindo-se a distribuio normal para as classes. Por isso, as estimativas da mdia e da matriz varincia-covarincia so fundamentais. Os conjuntos de treinamento definem o diagrama de disperso das classes e os valores paramtricos que descrevem suas distribuies de probabilidade, considerando a distribuio normal para cada classe. Estas distribuies representam probabilidade de um pixel (1)

K J Machado;E G S Soares; L T Carvalho; M. P. Mello; C A O Vieira

II Simpsio Brasileiro de Cincias Geodsicas e Tecnologias da Geoinformao Recife - PE, 8-11 de setembro de 2008

pertencer a uma ou outra classe, dependendo de sua posio em relao distribuio. Existem situaes em que duas classes, quando representadas em um diagrama, apresentam uma sobreposio de suas curvas, indicando que determinados pixels tm igual probabilidade de pertencer s duas classes. Nesta situao, estabelece-se um critrio de deciso, a partir da definio de limiares. Para diminuir este conflito entre classes, deve-se proceder aquisio de amostras significativas durante o processo de treinamento (CRSTA, 2002). 2.2 Procedimentos do classificador de RNA Uma Rede Neural Artificial (RNA) consiste de um determinado nmero de elementos de processamento chamados neurnios, armazenados em camadas, aos quais so associados pesos. O clculo dos valores para os pesos chamado treinamento, ou aprendizagem, da rede. O treinamento pode ser supervisionado, quando cada vetor do conjunto de entradas associado a uma resposta, ou no supervisionado, quando apenas o conjunto de entrada fornecido e devem-se extrair propriedades de acordo com determinadas representaes internas. Os neurnios so conectados entre si mediante padres que definem a arquitetura, ou topologia, da rede. Cada neurnio possui um estado, chamado ativao, que uma funo das entradas que ele recebe. Esta ativao responsvel pelo envio de um sinal para outros neurnios e pode ser binria ou contnua, dependendo da funo de ativao utilizada (GUIMARES e CHAVES NETO, 2008).

p. 000 - 000 neste erro efetua-se uma atualizao dos pesos. O processo repetido para todos os padres fornecidos, razo pela qual so tambm denominados padres de treinamento. Os pesos so atualizados de acordo com a taxa de aprendizagem. Este procedimento concludo quando a restrio atendida. A arquitetura do algoritmo das RNA est exemplificada conforme a Figura 1. O nmero de neurnios na camada de contribuio ou entrada definido pelo nmero de variveis discriminantes no processo de classificao (assimilado como vetor de atributos), enquanto que o nmero de neurnios na camada de sada definido pelo nmero de classes informacionais a ser mapeada. J o nmero de camadas ocultas e de neurnio por camada ocultas pode ser definido atravs de tentativa e erro (VIEIRA, 2000). 2.3 O Modelo Linear de Mistura Espectral (MLME) Este modelo fundamenta-se no pressuposto de que um espectro misturado (diferentes alvos no campo de viso do sensor) pode ser modelado atravs de uma combinao linear de espectros puros, conhecidos por endmembers, ou de classes membros de referncia (ROBERTS et al., 1998). Shimabukuro e Smith (1991) indicam as componentes vegetao, solo e sombra como constituintes bsicos de cenas florestadas, e descrevem o modelo de mistura espectral, em cada pixel da cena, pela seguinte equao:

ri = (aij .x j ) + ei
n j =1

(3)

Figura 1 Imagem conceitual da arquitetura geral de uma Rede Neural Artificial. O algoritmo de aprendizado conhecido como um algoritmo que tem a capacidade de recalcular os pesos realizando uma nova redistribuio. A camada de contribuio recebe os sinais do conjunto de medidas, e estes sinais so enviados aos neurnios da camada oculta. Cada neurnio da camada oculta calcula sua ativao e envia o sinal obtido para o neurnio da camada de sada. O neurnio da camada de sada, por sua vez, calcula o seu sinal de ativao e o transforma em uma resposta para o padro fornecido, que comparada com a resposta j conhecida a fim de determinar o erro associado. Com base

Em que: r a resposta espectral do pixel na i-sima banda; aij a resposta espectral do j-simo endmember na i-sima banda; xj o valor de proporo a ser estimado do j-simo componente; e ei o erro associado na i-sima banda. O Mtodo dos Mnimos Quadrados (MMQ), na forma restrita, usado para resolver o modelo. As restries aplicadas so: a) a soma de todos os componentes estimados corresponde unidade; e b) todas as componentes estimadas devem ser maiores ou iguais a zero. O MLME visa identificar a contribuio de cada alvo presente nos pixels de uma cena, permitindo que uma imagem de satlite seja analisada de forma precisa, na escala de subpixel (SCHOWENGERDT, 1997; SCHWEIK e GREEN, 1999). 2.4 Caractersticas do satlite ALOS O satlite ALOS (do ingls: Advanced Land Observing Satellite) foi lanado pela agncia de Explorao Aeroespecial Japonesa em janeiro de 2006, com distribuio dos dados para o Brasil em outubro de 2007. O ALOS possui trs instrumentos (sensores) imageadores de Sensoriamento Remoto. So eles: o PRISM, o PALSAR e o AVNIR-2, cuja imagem usada neste trabalho.

K J Machado;E G S Soares; L T Carvalho; M. P. Mello; C A O Vieira

II Simpsio Brasileiro de Cincias Geodsicas e Tecnologias da Geoinformao Recife - PE, 8-11 de setembro de 2008

O AVNIR-2 (Advanced Visible and Near Infrared Radiometer - Type 2) possui resolues: radiomtrica de 8 bits; temporal de 46 dias (perodo de revisita); espacial de 10 m, com uma faixa de imageamento de 70 Km; e espectral com quatro bandas localizadas nos comprimentos de onda da faixa do azul (B), verde (G), vermelho (R) e infra-vermelho prximo (NIR) com intervalos de 8 e 13 nanmetros para as trs bandas do visvel e para a banda do infra-vermelho prximo, respectivamente (JAXA, 2008). 3 MATERIAIS E MTODOS 3.1 rea de estudo

p. 000 - 000 rea de tenso ecolgica, onde o cerrado predominante. Apresenta dois tpicos bsicos de cobertura: o cerrado propriamente dito e o campo cerrado. Uma das preocupaes atuais nesta regio a descaracterizao da cobertura vegetal do municpio pela ao do homem que h dcadas, vem substituindo as matas por cultura de cereais, como arroz, o milho, o plantio de caf e a formao de pastagens para alimentao do rebanho bovino (ANPOLIS, 2008).

3.2 Softwares utilizados Foram utilizados os softwares: Idrisi Andes para a classificao (MV e RNA); SPRING (CMARA et al., 1996) para Windows, verso 4.3 para aplicao do MLME e obteno das imagens frao; ArcGIS, verso 9.2 para a posterior edio e apresentao das imagens geradas, alm do programa Kappa.exe (VIEIRA, 2000), para o clculo do ndice Kappa e do teste estatstico Z. 3.3 Dados primrios Tem-se como dado de entrada para a realizao deste trabalho uma imagem (Figura 3) do sensor AVNIR2 a bordo do satlite ALOS, adquirida em dezembro de 2007. A partir desta imagem foi obtida a imagem referncia atravs de interpretao visual como mostra a Figura 4.

Figura 2 Localizao da rea estudo (Anpolis-GO). A rea de estudo, como apresenta a Figura 2, localiza-se no Estado de Gois, municpio de Anpolis, que faz limite geograficamente ao norte com as cidades de Pirenpolis e Abadinia, a leste com Silvnia, sul com Leopoldo de Bulhes e a oeste com Nerpolis e Ouro Verde de Gois. Anpolis o terceiro maior municpio do Estado em populao e compe a regio mais desenvolvida do centro-oeste, o eixo Goinia-AnpolisBraslia, de clima tropical de altitude, com duas estaes bem definidas: uma seca, que vai de maio a setembro, e outra chuvosa de outubro a abril. Concentra-se em uma Figura 3 Imagem AVNIR-2/ALOS em composio corverdadeira da rea de estudo.

K J Machado;E G S Soares; L T Carvalho; M. P. Mello; C A O Vieira

II Simpsio Brasileiro de Cincias Geodsicas e Tecnologias da Geoinformao Recife - PE, 8-11 de setembro de 2008

Figura 4 Imagem de referncia da rea de estudo. 3.4 Classificao supervisionada O processo de classificao envolvendo os mtodos MV e RNA utilizou a imagem referncia para representar as assinaturas espectrais. No MV, uma vez determinadas as classes, foram geradas as assinaturas espectrais para a devida classificao. Em relao a RNA, o treinamento foi composto inicialmente pelas bandas da imagem ALOS com a entrada da imagem de referncia, sendo utilizando duas camadas de neurnios, a primeira com 15 neurnios e a segunda com 10, aps este processo executou-se a classificao propriamente dita. Na aplicao do MLME utilizou-se de trs componentes: vegetao, solo e sombra, gerando, ao final do procedimento, trs componentes frao que representam as propores de cada um desses elementos dentro de cada pixel da cena. Aps este processo estas fraes foram utilizadas como vetor de atributos de entrada para a criao das assinaturas espectrais a serem consideradas nos processos de classificao pelos mtodos de MV e RNA. Assim, sumarizando, as classificaes MV e RNA foram feitas de duas formas: utilizando as bandas da imagem como vetor de atributos, que a forma convencional (MV-IMG e RNA-IMG) e utilizando as fraes resultantes do MLME como vetor de atributos (MV-FRA e RNA-FRA). 3.5 Avaliao da classificao Visando avaliar os aspectos qualitativos e a distribuio espacial dos erros de classificao, foram geradas imagens binrias de erros. Essas imagens so obtidas pela comparao do cruzamento direto entre a imagem de referncia e as imagens produzidas a partir de classificao (GONALVES et. al., 2007). Para estas imagens de erro, cada pixel pode assumir dois valores: 0 para pixels corretamente rotulados ou 1 para pixels

p. 000 - 000 incorretamente rotulados. Foram geradas quatro imagens binrias de erros, uma para cada mtodo de classificao. Combinando essas quatro imagens binrias (cada qual correspondendo ao resultado de uma das classificaes) gera-se uma imagem que apresenta a porcentagem de vezes que o pixel foi erroneamente classificado. Assim, o pixel que foi classificado de maneira incorreta pelas quatro classificaes recebe o valor 100%; o que foi classificado incorretamente em trs das quatro classificaes recebe o valor 75%; e assim sucessivamente. A avaliao quantitativa e estatstica da classificao foi realizada atravs da gerao da matriz de confuso de onde podem ser derivados os valores do ndice Kappa e varincia do Kappa, necessrios para a realizao do teste estatstico Z, detalhado em Vieira (2000). O teste estatstico Z tem como finalidade verificar se os resultados dos classificadores so estaticamente diferentes ou iguais. Se o valor de Z calculado for maior que o tabelado, conclui-se que os mtodos empregados na classificao foram estaticamente diferentes. O clculo da estatstica do teste dado pela Equao 4:

Z calc =

| K a 2 K a1 | Va1 + Va 2

(4)

Em que: Kan o valor do ndice Kappa correspondente a n-sima classificao e Van o valor da Varincia para esse Kappa em questo. 5 RESULTADOS As imagens frao geradas segundo Shimabukuro e Smith (1991) descrevem vegetao, solo e sombra de forma independente, representando uma variao destes elementos na imagem. Esta variao representada na forma gradual de 0 a 1, onde o valor 1 indica que todo o pixel contem a frao desejada, como visto na Figura 5.

Figura 5 Frao vegetao.

K J Machado;E G S Soares; L T Carvalho; M. P. Mello; C A O Vieira

II Simpsio Brasileiro de Cincias Geodsicas e Tecnologias da Geoinformao Recife - PE, 8-11 de setembro de 2008

Como resultado do processo de classificao, empregando os mtodos MV e RNAs usando a imagem e as fraes, obteve-se quatro mapas temticos. Para uma analise qualitativa das imagens classificadas pelos mtodos empregados, foi realizado um cruzamento dos resultados com a imagem de referencia. Assim, foi gerada uma imagem com toda a possibilidade de combinao das classes presentes em ambas as imagens. A partir desse cruzamento que foi possvel obter a imagens de erro binrio, que descreveu o comportamento espacial dos pixels incorretamente rotulados. Duas destas imagens (Figura 6) so apresentadas a fim de permitir uma melhor comparao.

p. 000 - 000 A partir dos mtodos analisados pode-se gerar uma imagem que mostra a freqncia, em porcentagem, dos pixels classificados de forma incorreta (Figura 7). Contudo, geradas as matrizes de erros para cada mtodo empregado no processo, de onde se pode derivar o ndice Kappa e varincia para cada tipo de classificao, sendo eles (MV_IMG e RNA_IMG pelo mtodo tradicional e MV_FRA e RNA_FRA mtodo utilizando as fraes) que se passou a analisar as classificaes. Estes resultados foram avaliados e interpretados segundo um teste Z, sendo visualizados na matriz de significncia da tabela 1. Tabela 1 Matriz de significncia para a classificao pelos mtodos MV e RNA. Valores maiores que 1,96 indicam que o teste foi significativo com 95% de confiana (grau de liberdade assumido como infinito).
MV_IMG MV_FRA RNA_IMG RNA_FRA

Kappa VAR
MV_IMG MV-FRA RNA-IMG RNA-FRA

(a)

0.6509 0.0000360 108.363 1.548 2.749 2.414

0.6641 0.0000366 109.727 1.181 3.954

0.6741 0.0000351 113.749 5.181

0.6304 0.0000360

105.023

(b) Figura 6 - Ilustrao de duas imagens de erros binrio decorrentes do processo de classificao tradicional: (a) MV-IMG e (b) RNA-IMG.

Os valores da diagonal significam as avaliaes dos mtodos individualmente, ou seja, se a classificao foi estatisticamente diferente de uma classificao casual. Os valores fora da diagonal, em vermelho, so correspondentes a avaliao comparativa entre os mtodos segundo o teste Z. Neste teste Z, realizado com um nvel de confiana de 95% e grau de liberdade assumindo como infinito, os valores em vermelhos maiores ou iguais a 1,96 (valor tabelado) implicam diferena significativa entre os classificadores. Logo, pode-se perceber que nem todas as classificaes foram consideradas estatisticamente iguais. Os resultados indicam que, para o MV as o uso de fraes ao invs da imagem no altera significativamente a preciso da classificao. J para o classificador RNA pode-se perceber que o uso das fraes prejudicou a classificao. Esse fato provavelmente se deu em decorrncia de o RNA ser mais afetado com a reduo da dimensionalidade dos vetor de atributos de entrada (de quatro bandas espectrais para trs fraes) do que o MV. Os resultados aqui encontrados diferem substancialmente dos apresentados por Mello et al. (2008), que usou imagens do sensor TM-Landsat5, com resoluo espacial de 30m. Isso evidencia a premissa de que quanto maior a resoluo espacial do sensor, menor a influncia da mistura espectral. Como resultados finais da classificao foram gerados mapas temticos, apresentados nas Figuras 8, 9, 10 e 11.

Figura 7 Imagem ilustrando as freqncias de pixels incorretamente classificados para as quatro classificaes.
K J Machado;E G S Soares; L T Carvalho; M. P. Mello; C A O Vieira

II Simpsio Brasileiro de Cincias Geodsicas e Tecnologias da Geoinformao Recife - PE, 8-11 de setembro de 2008

p. 000 - 000

Figura 8 Mapa classificado pelo mtodo MV-IMG.

Figura 11 Mapa classificado pelo mtodo RNA-FRA. 6 CONCLUSES A partir dos resultados encontrados conclui-se que no h evidncias de que o mtodo que combina o MLME com a classificao tradicional melhora significativamente a classificao para imagens do sensor AVNIR-2/ALOS quando da discriminao de feies de mata. Provavelmente isso se d pelo fato de o sensor imageador AVNIR-2 possuir alta resoluo espacial (10m), tendo assim menor efeito de pixel de mistura. Visando consolidar as metodologias aqui apresentadas prope-se um estudo mais aprofundado da tcnica usando outras resolues e outros sensores. REFERNCIAS AGUIAR, A. P. D.; SHIMABUKURO, Y. E.; MASCARENHAS, N. D. A. Use of synthetic bands derived from mixing models in the multispectral classification of remote sensing images. International Journal of Remote Sensing, v. 20, n. 4, p. 647-657, 1999. ANPOLIS. In: Wikipdia: a enciclopdia livre. Disponvel em: <http://pt.wikipedia.org/wiki/An%C3%A1polis> Acesso em: 21 jun. 2008. CMARA, G.; SOUZA, R. C. M.; FREITAS, U. M.; GARRIDO, J.; II, F. M. SPRING: integrating remote sensing and GIS by object-oriented data modelling. Computers & Graphics, v. 20, n. 3, p. 395-403, 1996. CRSTA, A. P. Processamento digital de Imagens de Sensoriamento Remoto. Campinas, SP: IG/UNICAMP, 2002. 170p.

Figura 9 Mapa classificado pelo mtodo MV-FRA.

Figura 10 Mapa classificado pelo mtodo RNA-IMG.


K J Machado;E G S Soares; L T Carvalho; M. P. Mello; C A O Vieira

II Simpsio Brasileiro de Cincias Geodsicas e Tecnologias da Geoinformao Recife - PE, 8-11 de setembro de 2008

FOOD AND AGRICULTURE ORGANIZATION OF THE UNITED NATIONS (FAO): Brasil responsvel por 74% do desmatamento sul-americano, aponta FAO Agncia Brasil EBC Empresa Brasil de Comunicao. Disponvel em: <http://www.agenciabrasil.gov.br/noticias/2007/03/13/ma teria.2007-03-13.6141450425/view>. Acesso: 25 jun. 2008. GONALVES, R. P.; ASSIS, L. C.; VIEIRA, C. A. O. Comparison of sampling methods to classification of remotely sensed images. In: Simpsio Internacional de Agricultura de Preciso, 4., 2007, Viosa, MG. Anais... Viosa: UFV, 2007. (CD-ROM). GUIMARES, I. A.; CHAVES NETO, A. Reconhecimento de Padres: Comparao de Mtodos Multivariados e Redes Neurais. Biblioteca digital. Disponvel em <http://publica.fesppr.br/index.php/rnti/article/viewFile/3/ 2>. Acesso em: 07 abr. 2008. HAERTEL, V. F.; SHIMABUKURO, Y. E. Spectral linear mixing model in low spatial resolution image data. IEEE Transactions on Geoscience and Remote Sensing, v. 43, n. 11, p. 2555-2562, 2005. JAXA. ALOS: Advanced Land Observing Satellite. Disponvel em: <http://www.eorc.jaxa.jp/ALOS/index.htm>. Acesso em: 10 jun. 2008 MELLO, M. P.; SILVA, G. B. S.; PEREIRA, G.; PRADO, B. R.; SHIMABUKURO, Y. E.; RUDORFF, B. F. T.; VIEIRA, C. A. O.; PETERNELLI, L. A. Avaliao do uso do modelo linear de mistura espectral na discriminao de fitofisionomias do Cerrado. In: Simpsio Nacional do Cerrado - Simpsio Internacional de Savanas Tropicais, 9-2., 2008, Braslia, DF. Anais... Planaltina, DF: EMBRAPA-CERRADOS, 2008 (Aceito para publicao). NELSON, M. M.; ILLINGWORTH, W. T. A Pratical Guide to Neural Nets. Addison-Wesley Publishing Company, Inc.: USA, 1991. PINTO, S. A. F.; LOMBARDO, M. A. O Uso do Sensoriamento Remoto e Sistemas de Informaes Geogrficas no Mapeamento e Uso da Terra e Eroso do Solo. In: Congresso Brasileiro de Cartografia, 21., 2003, Belo Horizonte. Anais... Rio de Janeiro: Sociedade Brasileira de Cartografia, 2003. PREVIDELLI, I. T. S. Estimadores de mxima verossimilhana corrigidos para modelos superdispersados no lineares. So Carlos: UFSC. Tese de Doutorado em Economia. 2004.

p. 000 - 000 ROBERTS, D. A.; GARDNER, M.; CHURCH, R.; USTIN, S.; SCHEER, G.; GREEN, R. O. Mapping Chaparral in the Santa Monica Mountains using multiple endmember spectral mixture models. Remote Sensing of Environment, v. 65, p. 267-279, 1998. SCHOWENGERDT, R. A. Remote sensing: models and methods for image processing. 2. ed. San Diego: Academic Press, 1997. 522p. SCHWEIK, C. M.; GREEN, G. M. The use of spectral mixture analysis to study human incentives, actions, and environmental outcomes. Social Science Computer Review, v. 17, n. 1, p. 40-63, 1999. SHIMABUKURO, Y. E.; SMITH, J. A. The least-squares mixing models to generate fraction images derived from remote sensing multispectral data. IEEE Transactions on Geoscience and Remote Sensing, v. 29, n. 1, p. 1620, 1991. SILVA, G. B. S.; BETIOL, G. M.; SANO, E. E. Anlise comparativa de quatro mtodos de classificao supervisionada para a discriminao de fitofisionomias de Cerrado. Geografia, Ensino & Pesquisa, v. 12, n. 1, p. 3935-3947, 2008. Disponvel em: <http://bibdigital.sid.inpe.br/rep-/sid.inpe.br/mtcm17@80/2008/05.27.22.12>. Acesso em: 05 jun. 2008. VIEIRA, C. A. O. Accuracy of remotely sensing classification of agricultural crops: a comparative study. Thesis (Ph.D.) - University of Nottingham, Nottingham. 2000. 323p.

K J Machado;E G S Soares; L T Carvalho; M. P. Mello; C A O Vieira