0

UNIVERSIDADE FEDERAL DE ALFENAS – MG

RODRIGO CESÁRIO JUSTINO

MAPEAMENTO DO USO DA TERRA E DA COBERTURA VEGETAL DA SUB-

BACIA HIDROGRÁFICA DO RIO SÃO TOMÉ, SUL DE MINAS GERAIS, POR
MINERAÇÃO DE DADOS UTILIZANDO IMAGENS IRS-P6/ LISS III

Alfenas/MG
2014
 1

RODRIGO CESÁRIO JUSTINO

MAPEAMENTO DO USO DA TERRA E DA COBERTURA VEGETAL DA SUB-

BACIA HIDROGRÁFICA DO RIO SÃO TOMÉ, SUL DE MINAS GERAIS, POR
MINERAÇÃO DE DADOS UTILIZANDO IMAGENS IRS-P6/ LISS III

Dissertação apresentada como parte

dos requisitos para obtenção do título
de Mestre em Ecologia e Tecnologia
Ambiental pela Universidade Federal
de Alfenas/MG. Área de
concentração: Meio Ambiente,
Sociedade e Diversidade Biológica.
Orientador: Prof. Dr. Fernando Shinji
Kawakubo.

Alfenas/MG
2014
2
 3

Dedico a Deus, aos

meus pais Elaine e
Pedro e familiares e aos
meus amigos pelo apoio
na realização deste
trabalho.
 4

AGRADECIMENTOS

Ao Programa de Pós-Graduação em Ecologia e Tecnologia Ambiental da

Universidade Federal de Alfenas/MG pela oportunidade oferecida.
Ao Prof. Dr. Fernando Shinji Kawakubo, orientador, pela dedicação,
orientação e auxílio ao longo de todo o processo de realização deste trabalho.
Aos Profs. Dr. Marcos Roberto Martines e Dr. Paulo Henrique de Souza pela
participação como membros titulares da minha banca de defesa.
Ao Prof. Dr. Ronaldo Luiz Mincato e à Profa. Dra. Rúbia Gomes Morato pela
participação em minha banca de qualificação.
À Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES)
pelo apoio financeiro.
Ao corpo docente do Programa de Pós-Graduação em Ecologia e Tecnologia
Ambiental da Universidade Federal de Alfenas/MG.
Ao Laboratório de Geoprocessamento do curso de Geografia da Universidade
Federal de Alfenas/MG.
Ao Dr. Thales Sehn Korting pelos esclarecimentos com relação ao uso do
aplicativo GeoDMA.
A todos os meus familiares e amigos que me apoiaram nesta empreitada.
 5

RESUMO

O objetivo deste estudo foi realizar uma classificação do uso da terra e cobertura
vegetal na sub-bacia do rio São Tomé, no sul do Estado de Minas Gerais, utilizando
imagens multiespectrais geradas pelo sensor LISS III (Linear Imaging Self-Scanner)
a bordo do satélite IRS (Indian Resource Satellite ) e técnicas de mineração de
dados. A área de estudo localiza-se em uma região de grande tradição de cultivo de
café cujas propriedades são predominantemente de pequeno e médio portes. Para
realizar a classificação das imagens, foi utilizado o aplicativo GeoDMA (Geographic
Data Mining Analyst) que possui algoritmos para segmentação, extração de
atributos, seleção de feições e classificação. Os resultados mostraram o grande
potencial das técnicas de mineração de dados na classificação de imagens de
satélite. Algumas das vantagens da utilização de mineração de dados incluem: a
possibilidade de incorporar no processo de classificação um grande número de
variáveis, sejam espectrais, espaciais e atributos do terreno; a geração de
classificações consistentes e a simplicidade para interpretar a suas estruturas de
classificação.

PALAVRAS-CHAVE: GeoDMA, mineração de dados, sensoriamento remoto,

segmentação, atributos espectrais, atributos espaciais, árvore de decisão, exatidão.
 6

ABSTRACT

The objective of this study was to perform a classification of land use and land cover
of the São Tomé river watershed located in the south of the Minas Gerais State by
using multispectral imagery collected by the Linear Imaging Self-Scanner onboard
the Indian Resource Satellite and data mining techniques. The study area lies in a
region with great tradition of coffee cultivation whose properties are predominantly of
small and medium sizes. To carry out the image classification, we used the
Geographic Data Mining Analyst (GeoDMA), a toolbox that has algorithms for
segmentation, feature extraction, feature selection and classification. The results
showed the great potential of the data mining techniques for remote sensing imagery
classification. Some advantages encompass the possibility of incorporate in the
classification process a great variety of informations that includes spectral, spatial
and topographic attributes, the generation of high classification accuracy, and the
simplicity to interpret their classification structure.

KEYWORDS: GeoDMA, data mining, remote sensing, segmentation, spectral

attributes, spatial attributes, decision tree, accuracy.
 7

LISTA DE QUADROS

Quadro 1 - Fórmulas preexistentes no ILWIS........................................................ 25

Quadro 2 - Características espaciais baseadas em segmentação........................ 51
 8

LISTA DE TABELAS

Tabela 1 - Parâmetros cartográficos definidos no projeto................................... 23

Tabela 2 - Características das bandas da imagem IRS-P6/ LISS III................... 31
Tabela 3 - Diferentes valores para compacidade, escala e cor........................... 43
Tabela 4 - Matriz de confusão............................................................................. 48
Tabela 5 - Valores do índice Kappa e o seu grau de concordância.................... 49
 9

LISTA DE FIGURAS

Figura 1 - Mapa de localização da sub-bacia do rio São Tomé.......................... 18

Figura 2 - Fluxograma dos passos da metodologia............................................ 20
Figura 3 - Área de delimitação da sub-bacia...................................................... 22
Figura 4 - Modelo de superfície com os eixos x, y e z........................................ 23
Figura 5 - Cálculo da menor distância entre os contornos.................................. 24
Figura 6 - Mapa de hipsometria.......................................................................... 27
Figura 7 - Mapa de declividade........................................................................... 28
Figura 8 - Mapa de orientação das vertentes..................................................... 29
Figura 9 - Mapa de ordem hierárquica dos cursos d’água................................. 30
Figura 10 - Os três interpoladores presentes no ILWIS..................................... 33
Figura 11 - Exemplo de segmentação por crescimento de regiões................... 34
Figura 12 - Interação do GeoDMA como plugin do TerraView........................... 35
Figura 13 - Mudança na árvore de decisão........................................................ 39
Figura 14 - Estrutura e aparência de uma árvore de decisão............................. 40
Figura 15 - Precisão e exatidão.......................................................................... 41
Figura 16 - Pontos aleatórios de verdades terrestres......................................... 42
Figura 17 - Resultados da segmentação utilizando diferentes parâmetros....... 43
Figura 18 - Árvore de decisão para a classificação por mineração de dados.... 44
Figura 19 - Mapa final de uso da terra e cobertura vegetal................................. 47
 10

SUMÁRIO

RESUMO.................................................................................................... 11
ABSTRACT................................................................................................ 12
1 INTRODUÇÃO........................................................................................... 13
2 OBJETIVOS............................................................................................... 16
3 JUSTIFICATIVA......................................................................................... 16
4 MATERIAL E MÉTODOS.......................................................................... 17
4.1 ÁREA DE ESTUDO................................................................................... 17
4.2 ESTRUTURAÇÃO DA BASE CARTOGRÁFICA E
CRIAÇÃO DE UM PROJETO EM SIG...................................................... 21
4.3 DERIVAÇÕES DE INFORMAÇÕES DO TERRENO................................. 23
4.4 PROCESSAMENTO DAS IMAGENS........................................................ 31
4.4.1 IMAGENS LISS III...................................................................................... 31
4.4.2 CORREÇÃO GEOMÉTRICA..................................................................... 31
4.5 SEGMENTAÇÃO E CLASSIFICAÇÃO...................................................... 33
4.5.1 SEGMENTAÇÃO....................................................................................... 33
4.5.2 CLASSIFICAÇÃO POR MINERAÇÃO DE DADOS................................... 37
4.5.3 ALGORITMO C4.5..................................................................................... 39
4.5.4 ANÁLISE DE EXATIDÃO........................................................................... 40
5 RESULTADOS........................................................................................... 43
6 DISCUSSÃO.............................................................................................. 50
7 CONCLUSÃO............................................................................................ 53
AGRADECIMENTOS................................................................................. 54
REFERÊNCIAS BIBLIOGRÁFICAS.......................................................... 54
APÊNDICE A – ARTIGO SUBMETIDO..................................................... 61
 11

MAPEAMENTO DO USO DA TERRA E DA COBERTURA VEGETAL DA SUB-

BACIA HIDROGRÁFICA DO RIO SÃO TOMÉ, SUL DE MINAS GERAIS, POR
MINERAÇÃO DE DADOS UTILIZANDO IMAGENS IRS-P6/ LISS III

Rodrigo Cesário Justino¹

Fernando Shinji Kawakubo²

¹Programa de Pós-Graduação em Ecologia e Tecnologia Ambiental (Mestrado)/

Universidade Federal de Alfenas – UNIFAL-MG
²Docente do curso de Geografia/ Instituto de Ciências da Natureza/ Universidade
Federal de Alfenas – UNIFAL-MG

¹[email protected], ²[email protected]

RESUMO

O objetivo deste estudo foi realizar uma classificação do uso da terra e cobertura
vegetal na sub-bacia do rio São Tomé, no sul do Estado de Minas Gerais, utilizando
imagens multiespectrais geradas pelo sensor LISS III (Linear Imaging Self-Scanner)
a bordo do satélite IRS (Indian Resource Satellite ) e técnicas de mineração de
dados. A área de estudo localiza-se em uma região de grande tradição de cultivo de
café cujas propriedades são predominantemente de pequeno e médio portes. Para
realizar a classificação das imagens, foi utilizado o aplicativo GeoDMA (Geographic
Data Mining Analyst) que possui algoritmos para segmentação, extração de
atributos, seleção de feições e classificação. Os resultados mostraram o grande
potencial das técnicas de mineração de dados na classificação de imagens de
satélite. Algumas das vantagens da utilização de mineração de dados incluem: a
possibilidade de incorporar no processo de classificação um grande número de
variáveis, sejam espectrais, espaciais e atributos do terreno; a geração de
classificações consistentes e a simplicidade para interpretar a suas estruturas de
classificação.

PALAVRAS-CHAVE: GeoDMA, mineração de dados, sensoriamento remoto,

segmentação, atributos espectrais, atributos espaciais, árvore de decisão, exatidão.
 12

ABSTRACT

The objective of this study was to perform a classification of land use and land cover
of the São Tomé river watershed located in the south of the Minas Gerais State by
using multispectral imagery collected by the Linear Imaging Self-Scanner onboard
the Indian Resource Satellite and data mining techniques. The study area lies in a
region with great tradition of coffee cultivation whose properties are predominantly of
small and medium sizes. To carry out the image classification, we used the
Geographic Data Mining Analyst (GeoDMA), a toolbox that has algorithms for
segmentation, feature extraction, feature selection and classification. The results
showed the great potential of the data mining techniques for remote sensing imagery
classification. Some advantages encompass the possibility of incorporate in the
classification process a great variety of informations that includes spectral, spatial
and topographic attributes, the generation of high classification accuracy, and the
simplicity to interpret their classification structure.

KEYWORDS: GeoDMA, data mining, remote sensing, segmentation, spectral

attributes, spatial attributes, decision tree, accuracy.
 13

1. INTRODUÇÃO

No intuito de criar condições para a sua sobrevivência, o homem, ao longo de

sua história, tem se apropriado da paisagem para a construção de moradias, para
produzir alimentos e para gerar riquezas através da exploração dos recursos
naturais, da criação de animais em pastos e das grandes plantações de
monocultura. Entretanto, antes do desenvolvimento da agricultura, o homem era
nômade e na sua forma primitiva de subsistência sobrevivia à base da caça e da
coleta de alimentos. Com o passar do tempo, o homem foi se tornando menos
nômade e mais dependente da terra em que vivia. Famílias, clãs e vilas se
desenvolveram e, com isto, o desenvolvimento da habilidade de produzir, ou seja,
surgiu a agricultura (LOPES; GUILHERME, 2007). A partir daí é que surgiram
condições para a sua fixação e tornou-se possível o desenvolvimento das
civilizações.
Os primeiros sistemas de cultivo e de criação apareceram no período
neolítico, há menos de dez mil anos e daí se expandiu pelo mundo de duas formas
principais; pelos sistemas pastorais em regiões com vegetação herbácea (estepes e
savanas) e pelo cultivo de derrubada-queimada na maior parte das zonas de
florestas temperadas e tropicais (MAZOYER; ROUDART, 2010).
No Brasil as primeiras experiências de cultivo de plantas teriam ocorrido no
Planalto Central há aproximadamente 6 mil anos, quando se firmaram os climas
tropical e subtropical (LOPEZ; MOTA, 2008). Já a ocupação econômica das terras brasileiras
pelos portugueses se deu segundo furtado (2005), em consequência da pressão política
exercida sobre Portugal e Espanha pelas demais nações europeias. Ao longo de sua
história, o Brasil passou por inúmeros ciclos econômicos importantes, tais como o
ciclo do ouro (século XVII-XVIII), o ciclo da borracha (século XIX-XX) e os ciclos
econômicos atrelados à agricultura, se destacando o da cana-de-açúcar (século XVI-
XVII), do café (século XVIII-XIX) e do cacau (século XIX-XX).
A agricultura exerceu e continua exercendo papel fundamental no
desenvolvimento econômico do país. Atualmente, o Brasil possui uma grande
diversidade em termos de produção agrícola. Esta diversidade se deve, em grande
parte, à forma como o território foi ocupado, a dimensão continental e diversidade
climática e cultural de suas regiões (ROSS, 2005).
 14

Não obstante a importância que possui na economia brasileira, a agricultura

muitas vezes é praticada sem um planejamento adequado, sendo que a retirada da
vegetação nativa ou a substituição por outro tipo de uso da terra tem agravado o
processo da fragmentação florestal e provocado consequências negativas nos
diferentes compartimentos da natureza, afetando inúmeras espécies da fauna e da
flora (SOARES et al., 2011), impactando ainda neste processo o bem estar da
própria sociedade.
O planejamento agrícola e ambiental é, portanto, de suma importância para
minimizar os possíveis impactos negativos que a intervenção humana pode trazer ao
meio ambiente e à própria sociedade. Pessoa; Fernandes (2010) citam que o
planejamento vem sendo apontado por vários autores como o ponto-chave para a
integração harmoniosa entre o desenvolvimento e a necessidade de proteção e
conservação do meio ambiente.
Estudos de capacidade de uso da terra e de aptidão agrícola (IBGE, 2006),
bem como da fragilidade ambiental do terreno que compromete a funcionalidade do
sistema, quebrando o seu estado de equilíbrio dinâmico (SPÖRL; ROSS, 2004), são
instrumentos valiosos na elaboração do planejamento agrícola e ambiental, pois
definem o potencial do solo para o cultivo e as limitações físicas do terreno com
relação ao desencadeamento de processos erosivos.
A tecnologia do sensoriamento remoto (SR) constitui em uma das principais
fontes de informações de apoio aos estudos destinados ao planejamento agrícola e
ambiental, pois, além de fornecer uma visão geral da paisagem e registrar
comprimentos de ondas inacessíveis à visão humana (MACHADO; QUINTANILHA,
2008), o SR também permite obter informações em intervalos tempo curtos entre
uma data e outra e a um baixo custo na aquisição (KAWAKUBO, 2010).
O Brasil possui grande tradição na utilização dos recursos de SR para a
geração de informação territorial. Desde a década de 1970, o INPE (Instituto
Nacional de Pesquisas Espaciais) recebe imagens da série dos satélites Landsat
(Land Remote Sensing Satellite) em uma estação de recepção própria localizada em
Cuiabá-MT, centro geográfico da América do Sul (FLORENZANO, 2008). As
imagens Landsat permitem em conjunto, quando analisadas, reconstituir a história
de uso e ocupação do território brasileiro nas últimas quatro décadas. Estas imagens
são armazenadas em um arquivo que conta também com um volumoso acervo de
 15

imagens geradas pelos satélites da série CBERS (China Brazil Earth Resources
Satellite) e mais recentemente do IRS (Indian Resources Satellite).
Até há poucos anos, a interpretação das imagens de satélite para o
mapeamento do uso da terra e cobertura vegetal era feita de maneira analógica,
utilizando como recurso os elementos de reconhecimento da fotointerpretação
herdados das fotografias aéreas (CERON; DINIZ, 1966).
Já as técnicas de processamento de imagens voltadas para o reconhecimento
de padrões, por sua vez, adotam critérios objetivos no reconhecimento das classes.
Apesar de muitas vezes as classificações digitais não atingirem os níveis de
exatidão exigidos, o método permite economia de tempo na execução do
mapeamento e os produtos gerados podem ser facilmente integrados a uma base de
informações gerenciada por um Sistema de Informação Geográfica (SIG).
Vários trabalhos têm sido desenvolvidos no território nacional, fazendo uso
dos recursos do SR e das técnicas de processamento digital de imagens (PDI) para
analisar e mapear o uso da terra e cobertura vegetal em diversos níveis de enfoque
que variam da escala regional (CARREIRAS et al., 2002; BERNARDES et al., 2012)
à dimensão local (EPIPHANIO et al., 1994; KAWAKUBO et al., 2013).
Atualmente, com a disponibilidade de imagens de alta resolução espacial em
níveis de detalhamento de poucos metros ou submétricos (por exemplo, Ikonos-2,
QuickBird, GeoEye, WordView-2, etc.), é possível extrair com bastante precisão
informações do uso da terra antes negligenciadas pelas escalas mais generalizadas,
já que esses dados orbitais de resolução submétrica são comparáveis aos de uma
fotografia aérea (OLIVEIRA et al., 2009). Todavia, estas imagens ainda são pouco
utilizadas, pois esses satélites de alta resolução não coletam imagens repetidamente
de toda sua área de cobertura, mas adquirem suas imagens seletivamente,
dependendo da solicitação do cliente (MACHADO; QUINTANILHA, 2008). Sendo
que essa restrição se dá, principalmente, pelo elevado custo de aquisição.
Portanto, o aprimoramento de métodos destinados à extração de informações
utilizando produtos com um nível de detalhamento no terreno entre 10-30 metros
(sistemas Landsat-TM, ETM+; SPOT-HRV, HRVIR, HRG; CBERS-CCD; IRS-
P6/LISS III etc.) é crucial para suprir a demanda de mapeamento ainda existente e
que não foi suprida com as imagens de alta resolução. Tal questão é válida
especialmente em aplicações de uso da terra e cobertura vegetal.
 16

2. OBJETIVOS

Geral:
 Contribuir com os estudos de aplicação das técnicas de sensoriamento
remoto para a classificação de uso da terra e de cobertura vegetal.

Específicos:
 Demonstrar o potencial e a limitação da técnica de classificação de imagens
de satélite por meio de mineração de dados com o propósito de auxiliar na
extração de informação temática relacionada ao uso da terra e cobertura
vegetal.
 Verificar a possibilidade de se melhorar o desempenho da classificação,
utilizando além das variáveis espectrais, atributos espaciais (como por
exemplo, forma, tamanho, perímetro etc.) e topográficos (sub-bacias,
altimetria, declividade, orientação das vertentes).
 Aplicar a metodologia de mineração de dados na sub-bacia do rio São Tomé
como o propósito de colaborar com os estudos regionais de uso da terra e de
cobertura vegetal no sul de Minas Gerais.

3. JUSTIFICATIVA

O presente trabalho faz parte de um projeto temático intitulado “Como o

entorno interfere na conservação da biodiversidade de fragmentos florestais naturais
ou antrópicos?”, que tem como objetivo conhecer o efeito de diferentes tipos de
matrizes no entorno de fragmentos florestais naturais ou antrópicos, sobre a
estrutura, diversidade e abundância de espécies da flora e fauna dos fragmentos.
Um dos eixos do projeto temático consiste na descrição da paisagem com relação à
distribuição, tamanho, formato e conectividade das matrizes.
Portanto, o aprimoramento de métodos voltados para a extração temática dos
atributos da paisagem é de fundamental importância na pesquisa interdisciplinar na
qual o presente trabalho se enquadra. A técnica de classificação por mineração de
dados foi selecionada por dois motivos principais: 1) consiste em uma nova
abordagem de classificação que ainda requer estudos para um melhor entendimento
 17

(vantagens e desvantagens) da técnica e 2) permite inserir atributos que

normalmente não são considerados no processo de decisão de uma classificação
tradicional pixel a pixel.
A área de estudo, que corresponde à sub-bacia do rio São Tomé, foi
selecionada por ser bastante representativa em termos de uso e cobertura vegetal
no Sul de Minas Gerais. As propriedades são dominantemente de pequeno e médio
porte, o que resulta em uma configuração da paisagem bastante fragmentada, o que
a torna uma área interessante para a realização de um teste de classificação com
uma nova concepção: a mineração de dados.
Variáveis espectrais, espaciais e atributos do terreno foram considerados na
análise pelo fato de alguns cultivos presentes na área de estudo, especialmente o
café, ser fortemente controlado pela disposição do relevo.

4. MATERIAIS E MÉTODOS

4.1. ÁREA DE ESTUDO

A área de estudada corresponde à sub-bacia do rio São Tomé, localizada no

sul de Minas Gerais (Figura 1). O rio São Tomé constitui em um importante afluente
do reservatório de Furnas, drenando uma área de aproximadamente 34 mil hectares
que compreende parte dos Municípios de Machado, Serrania e Alfenas (SILVA et al.,
2011). A nascente do rio São Tomé localiza-se no Município de Machado, a cerca de
1200 metros de altitude.
 18

Figura 1. Mapa de localização da sub-bacia do rio São Tomé, sul de Minas Gerais. A
imagem corresponde a uma composição colorida do sensor LISS III utilizando as bandas do
infravermelho médio (b5), infravermelho próximo (b4) e vermelho (b3), combinadas em
RGB.

A geomorfologia da região está incluída na unidade morfoclimática do domínio

das regiões serranas de morros mamelonares, caracterizadas por morros
arredondados em formato de “meia-laranja” (AB’ SABER, 1963).
Segundo o RADAMBRASIL (1983), a vegetação típica da região é formada
por floresta estacional semidecidual ombrófila mista e cerrado. Já o clima é
 19

subtropical, classificado como Cwa segundo Köppen, com verão úmido e inverno
seco (PEEL et al., 2007).
Com relação ao histórico de ocupação, os municípios que compõem a região
da sub-bacia do rio São Tomé tiveram um início de ocupação bastante parecido, já
que, a princípio, eram apenas áreas de descanso para faiscadores, tropeiros e
boiadeiros. Somente nos séculos XVIII e XIX é que ocorre a fixação da população na
região (IBGE, 2012).
O Brasil é o maior produtor de café do mundo (EMBRAPA, 2013) e Minas
Gerais se destaca como o maior estado produtor, com 50% da produção nacional
(RUFINO et al., 2010), colocando assim a região do sul de Minas como a maior
produtora de café do país (SINDICAFÉ-MG, 2013). Nos três municípios pertencentes
à sub-bacia contabilizou-se para o café um total de 26.597 ha de área plantada em
2010 e 27.057 ha em 2012. No campo da pecuária, o censo agropecuário (2006)
contabilizou um total de 84.156 cabeças de gado para aquele ano; já em 2012 foram
contabilizadas 78.525 (IBGE, 2013). Estes números colocam estas duas atividades
como as mais importantes da região. Entretanto, mais recentemente, observa-se um
avanço significativo do plantio da cana-de-açúcar, que alcançou em 2012, um total
de 2.868 ha nos municípios da área de estudo (IBGE, 2013).
A Figura 2 abaixo demonstra quais foram os principais passos aplicados nas
cartas topográficas e na imagem de satélite dentro da metodologia aplicada neste
trabalho, para a confecção do mapa final de uso da terra e cobertura vegetal da área
de estudo.
 20

Figura 2. Fluxograma demonstrando os principais passos da metodologia aplicada neste

trabalho.
 21

4.2. ESTRUTURAÇÃO DA BASE CARTOGRÁFICA E CRIAÇÃO DE UM

PROJETO EM SIG

Foram utilizadas como base cartográfica, quatro cartas topográficas na escala

1: 50 000 publicadas pelo IBGE, folhas: Areado (FOLHA SF-23-V-D-I-4), Alfenas
(FOLHA SF-23-I-I-3), Campestre (FOLHA SF-23-V-D-IV-2) e Machado (FOLHA SF-
23-I-III-1). Estas cartas, com os respectivos planos de informações (PI’s) em formato
DGN (Design do MicroStation), foram convertidas para o formato shapefile (.shp) e,
em seguida, os PI’s foram importados para o Sistema de Informação Geográfico
ILWIS (Integrated Land and Water Information System).
Depois da importação dos PI’s de curvas de nível, pontos cotados, drenagem
e estradas, referentes a cada carta topográfica, os valores das coordenadas X,Y
expressas em unidade de quilômetro, foram convertidas para a unidade métrica por
meio de um algoritmo de conversão de coordenadas disponível no ILWIS. Em
seguida, foi realizada a mosaicagem dos PI’s com o objetivo de adquirir um produto
contínuo que envolvesse toda a sub-bacia selecionada (Figura 3).
 22

Figura 3. Área de delimitação da sub-bacia composta pelo mosaico dos PI’s de curvas de
nível, drenagem e estradas usados no SIG ILWIS.

A etapa seguinte consistiu na criação de um projeto no ILWIS, de um sistema

de coordenadas, onde foi definido o retângulo envolvente da área de estudo e os
parâmetros cartográficos (Tabela 1). Por fim, foi feita a edição das informações. Os
PI’s de drenagem e de estradas foram editados como tipo temático e as curvas de
 23

nível e pontos cotados como tipo valor. Os erros de topologia também foram
corrigidos nesta etapa por meio de análise visual, na tela do computador com o
algoritmo Check Segment disponível no ILWIS.

Tabela 1. Parâmetros cartográficos definidos no projeto.

Datum Datum
Retângulo Envolvente Projeção Zona
Horizontal Vertical
Xmin.= 384306/ Xmax.= 404097
Córrego Ibitura,
UTM 23 S
Alegre SC.
Ymin.= 7596072/ Ymax.= 7627504

4.3. DERIVAÇÕES DE INFORMAÇÕES DO TERRENO

Foram geradas informações do terreno com base nas informações das cartas
topográficas implementadas no SIG ILWIS. Inicialmente foi gerado um modelo
matemático contínuo do terreno e, em seguida, foram geradas também informações
hipsométricas, clinográficas, de orientação das vertentes, de hierarquia de drenagem
e de sub-bacias.
O Modelo Digital do Terreno (MDT) consiste numa representação matemática
computacional da distribuição de um fenômeno espacial que ocorre dentro de uma
região da superfície terrestre, sendo que dados de relevo são um dos fenômenos
representados por esse modelo (FELGUEIRAS, 2001). As variações dadas pelo
MDT e relacionadas à altitude do terreno (Figura 4) são descritas por três eixos: x, y
que fornecem a posição espacial da superfície modelada (normalmente em unidades
métricas como aquelas fornecidas pela projeção Universal Transversa de Mercator -
UTM) e pelo z (atributo) que descreve a altitude do terreno.

Figura 4. Modelo de superfície com os eixos x, y e z (DPI/INPE, 2013).

 24

Estão descritos na literatura especializada diversos métodos de estimativas

de superfícies contínuas que podem ser utilizados para modelar uma grande
variedade de temas com diferentes níveis de precisão e de complexidade
(BURROUGH, 1986; DESMET, 1997; BURROUGH; MCDONNELL, 1998;
YAMAMOTO, 1998). A qualidade do modelo é influenciada por fatores relacionados,
tanto à natureza dos dados, quanto aos processos de estimativa. A rugosidade do
terreno, a densidade e a distribuição das amostras, além dos métodos de
interpolação, são os principais fatores que exercem influência na qualidade dos
modelos gerados (KUBIK; BOTMAN, 1976; LI, 1991; RAVIBABU; JAIN, 2008).
Para a geração do MDT, utiltizando resolução espacial de 20 m, foram
utilizadas informações de curvas de nível e pontos cotados com os devidos registros
dos valores altimétricos. A geração do MDT foi feita utilizando um interpolador linear
que se baseia na distância de Borgefors, que calcula o valor de menor distância em
altura de cada contorno linear (Figura 5). Segundo Kawakubo et al. (2011), este
algoritmo é dividido em duas etapas: a primeira, de conversão das linhas de
contorno do formato vetorial para o raster. Após esta conversão, os pixels cobertos
pela linha de contorno possuem valores de altitude e os demais pixels estão com
valores indefinidos. Na segunda etapa é realizada a interpolação linear entre os
pixels com valores de altitude, para obter as elevações dos pixels com valores
indefinidos entre as linhas de contorno rasterizadas. As distâncias são calculadas,
tanto para frente, quanto para trás, até que não ocorram mais mudanças (GORTE;
KOOLHOVEN, 1990). Esse cálculo é feito utilizando a seguinte equação:

Onde, Hp é o valor da altura calculada para um pixel de saída; H1 e H2 são os valores da

altura das linhas de contorno superior e inferior e d1 e d2 são as distâncias entre o pixel para
as linhas de contorno superior e inferior.

Figura 5. Cálculo da menor distância entre os contornos lineares H1 e H2 pelo método de

Borgefors. Adaptado de Nijmeijer et al. (2001).
Por fim, os pontos contados, também em formato raster são inseridos no
MDT. A inserção destes pontos no modelo é importante para que, principalmente, os
 25

topos de morro não fiquem achatados, criando uma aparência artificial da

modelagem. A partir do MDT foram geradas, automaticamente, as cartas
hipsométrica, clinográfica e de orientação das vertentes. Essas cartas foram criadas
utilizando fórmulas preexistentes no ILWIS (Quadro 1).

Quadro 1. Fórmulas preexistentes no ILWIS e utilizadas para a elaboração das cartas

Hipsometrica, Clinografia e de Orientação das vertentes, utilizando como apoio o guia de
usuário do ILWIS (NIJMEIJER et al., 2001).
Fórmulas Resultado
Fórmula usada para
gerar a combinação
dos mapas de pontos
Combination=IFUNDEF(cotas,CurvasRasterized,cotas) e de segmentos já
rasterizados para se
calcular a
hipsometria.
Fórmula usada para
se confeccionar o
dem1 = MapInterpolContour(Combination)
mapa de altimetria de
toda a área.
Fórmula para gerar
um mapa de
porcentagem antes
Slope_percentage=((HYP(Dx,Dy))/pixsize(dem_sub))*100
de confeccionar o
mapa de declividade
(Slope).
Fórmula usada para
gerar um mapa de
orientação de
Aspect=RADDEG(ATAN2(Dx, Dy) + pi)
vertente de toda a
área de entorno da
bacia.
Gerou o mapa de
altimetria com os
contornos da área de
Hipsométria Dem_bacia = dem_sub*bacia_rec
estudo com os
valores de topo
estáveis.
Gerou o mapa de
Cartas

declividade com os
Clinográfica Slope=Slope_porcentage*bacia_rec
contornos da área de
estudo.
Gerou o mapa de
Orientação de orientação de
Vertentes Aspect_bacia= Aspect*bacia_rec vertentes com os
contornos da área de
estudo.

As primeiras quatro fórmulas foram aplicadas em toda a área da imagem de

satélite, onde HYP é a Hipotenusa, o DX é o filtro que detecta diferentes declives na
direção X e o DY é o filtro que detecta diferentes declives na direção Y. Ambos os
filtros foram aplicados no mapa Dem_sub (mapa de altimetria de toda a área da
imagem) e depois utilizados na geração dos mapas clinográfico e de orientação das
vertentes. Já RADDEG converte radianos para graus e ATAN2 retorna o ângulo em
 26

radianos de dois valores de entrada; x é horizontal, y é vertical. Ambos são funções

internas MapCalc / TabCalc. O valor de pi (π) é 3,141592653589....; as três últimas
fórmulas do quadro foram utilizadas para gerar as cartas hipsométrica, clinográfica e
de orientação das vertentes (NIJMEIJER et al., 2001), onde bacia_rec é o arquivo
vetorial com os contornos da área da bacia.
As Figura 6, 7 e 8 ilustram os mapas confeccionados a partir das três últimas
fórmulas do Quadro 1 e a figura 9 ilustra o mapa de hierarquia de drenagem e sub-
bacias. Em (a), o mapa de hipsometria ilustra a variação dos valores de altimetria do
terreno, da cota mais alta de até 1.309 m à cota mais baixa de 780 m. Em (b), o
mapa clinográfico aponta a declividade da área de estudo em porcetagem, ido de 0
à acima de 45%. Já em (c), o mapa de orientação das vertentes aponta em qual
direção dos pontos cardeais as vertentes da área de estudo estão direcionadas. O
mapa (d) é o de hierarquia de drenagem e sub-bacias.
Para a elaboração da hierarquia de drenagem e sub-bacias, o procedimento
foi realizado manualmente, utilizando como referência as informações das curvas de
nível, da drenagem e da carta hipsométrica. Primeiramente, a rede de drenagem foi
editada, utilizando a classificação de Strahler (1952), que define os cursos d’água
em ordem hierárquica de primeira, segunda ordem e assim por diante. Neste
trabalho, para a elaboração do mapa de hierarquia de sub-bacias, os limites destas
foram digitalizados e, em seguida, poligonizados, utilizando um recurso de
conversão de segmento para polígono no ILWIS, tendo a sub-bacia alcançado um
nível hierárquico de até sexta ordem.
 27

Figura 6. Mapa de hipsometria mostrando as diferenças de altitude do terreno, indo de

780m a 1309m.
 28

Figura 7. Mapa de declividade mostrando as diferentes inclinações do relevo dadas em

porcentagem.
 29

Figura 8. Mapas de orientação das vertentes apontando em qual direção as vertentes

dentro da área de estudo estão direcionados.
 30

Figura 9. Mapa da ordem hierárquica dos cursos d’água na sub-bacia, mostrando que os
cursos d´água atingiram a 6 ordem.
 31

4.4. PROCESSAMENTO DAS IMAGENS

4.4.1. IMAGENS LISS III

A imagem obtida junto ao INPE e usada neste trabalho foi gerada pelo sensor
LISS III (Linear Imaging Self-Scanner) que é um sensor do tipo Pushbroom e que
possui quatro faixas espectrais (SILVA et al., 2013) que operam nos intervalos do
verde (0.52-0.59 µm), vermelho (0.62-0.68 µm), infravermelho próximo (0.77-0.86
µm) e infravermelho médio (1.55-1.70 µm), com resolução espacial de 23,5 metros
no terreno quantificado em 7 bits e com tempo de revisita de 24 dias (EMBRAPA,
2013). O sensor LISS IIII está a bordo do satélite IRS-P6 ou RESOURCESAT-1 que
foi lançado em 2003 pela ISRO - Indian Space Research Organisation (Tabela 2).

Tabela 2. Características das bandas da imagem IRS-P6/ LISS III utilizada no trabalho.
Satel./ Data Az. Elev. Orb./ Bandas Range Res. Res.
Sensor Solar Solar Ponto Espec. Esp. Rad.
(µm) (m) (Bits)
B2 0.52 – 0.59 23.5 7

IRS-P6/ July, 31, B3 0.62 – 0.68 23.5 7

35.5 42.4 331/93
LISS III 2010 B4 0.77 – 0.86 23.5 7
B5 1.55 – 1.70 23.5 7
Fonte: DGI/ INPE, 2013.

As informações obtidas pelo sensor podem ser aplicadas em vários estudos,

inclusive os de cunho ambiental como uso do solo, agricultura, vegetação dentre
outros (INPE, 2013). As imagens LISS-III são compatíveis com outros sistemas de
resolução moderada como as do Landsat 5 (Thematic Mapper - TM), 7 (Enhanced
Thematic Mapper Plus - ETM+), 8 (Operational Land Imager - OLI) e CBERS (High
Resolution CCD Cameras), que permite comparar as informações extraídas ao longo
do tempo.

4.4.2. CORREÇÃO GEOMÉTRICA

A correção geométrica da imagem visa acertar as distorções geométricas

causadas por vários motivos, principalmente aquelas resultantes da rotação da Terra
e da instabilidade da plataforma (CRÓSTA, 2002). O procedimento de correção
geométrica é um passo fundamental para a eliminação das distorções sistemáticas e
 32

para permitir a integração das imagens com outras fontes cartográficas em SIG,
inclusive possibilitar a comparação das imagens ao longo dos anos.
A forma mais comum de realizar a correção geométrica é por meio de
georreferenciamento, que é feito identificando pontos de controle na imagem
(ROQUE et al., 2006), utilizando como referência dados obtidos em um mapa, como
no caso deste trabalho, que realizou o georreferenciamento utilizando como
referência a base cartográfica estruturada ou por meio de um sistema de GNSS –
Global Navigation Satellite System (SEGANTINE, 2001). Foram selecionados 15
pontos de controle distribuídos na imagem e que foram coletados nos cruzamentos
de estradas, rios e feições geométricas visíveis na imagem.
Em seguida, foi aplicada uma relação de ajuste entre as coordenadas da
imagem (expressas em linhas e colunas) com as coordenadas cartográficas,
normalmente em unidades métricas e em projeção UTM. O ajustamento dos pontos
foi feito utilizando a transformação afim, buscando no ajuste um erro inferior a 1
pixel. Essa transformação é um modelo matemático que consiste em corrigir uma
imagem em relação à outra fonte de dados já corrigida, sendo que no caso deste
trabalho foram as cartas topográficas. A imagem foi ajustada em um polinômio de 2ª
ordem. A transformação afim é útil quando se deseja investigar deformações de
escala ao longo de direções perpendiculares (D’ALGE, 2001).
Após o georreferencimento, as imagens tiveram que ser reamostradas
utilizando algum interpolador espacial. Os interpoladores espaciais têm como
objetivo calcular o valor do nível de cinza da imagem corrigida. O ILWIS possuiu três
interpoladores disponíveis: o vizinho mais próximo, o bilinear e o de convolução
cúbica (Figura 10). O vizinho mais próximo tem a vantagem de não alterar o valor do
pixel da imagem original, considerando no processo de interpolação o valor do pixel
mais próximo. O interpolador bilinear e o de convolução cúbica consideram na
interpolação os valores da vizinhança, abrangendo os quatro e dezesseis vizinhos,
respectivamente. Apesar de alterar o valor da imagem original, estes dois
interpoladores resultam em imagens com qualidade estética bem superior ao vizinho
mais próximo.
 33

Vizinho Mais Próximo Interpolação Bilinear Convolução Cúbica

Figura 10. Os três interpoladores presentes no ILWIS, adaptado de Gonzalez & Woods
(1992).

Neste trabalho foi selecionado o interpolador vizinho mais próximo para a

correção geométrica das imagens pelo fato dos valores de brilho destas imagens
não sofrerem alteração, característica importante na etapa de classificação. O
espaçamento da grade definido no momento da reamostragem (resample) foi de 20
metros, resultando no final deste processo uma imagem com dimensão de 1.717
linhas e 1.454 colunas.

4.5. SEGMENTAÇÃO E CLASSIFICAÇÃO

4.5.1. SEGMENTAÇÃO

Segundo Bins et al. (1996), o processo de segmentação é uma das primeiras

etapas na análise de imagens de SR onde a imagem é dividida em regiões que
melhor representam objetos relevantes na cena. Na abordagem por segmentação,
ao invés de se trabalhar a imagem no nível do pixel, se trabalha com o conceito de
objetos que agregam pixels que possuem alguma propriedade em comum. São
várias as vantagens de se trabalhar com objetos em comparação à abordagem
tradicional pixel a pixel. Dentre os quais se pode citar a possibilidade dos segmentos
guardarem informações espectrais adicionais como, por exemplo, os valores de
média, moda, mediana, variância, etc., além de considerar atributos espaciais como
a forma dos segmentos, perímetro, área, etc. (BLASCHKE, 2010), que são usados
para treinar ou construir uma base de conhecimento para a classificação de imagens
(KAWAKUBO et al., 2013).
 34

Existem diferentes métodos de segmentação (HARALICK; SHAPIRO, 1985,

PAL; PAL, 1993, KORTING et al., 2013). Por muitos anos, os procedimentos de
segmentação têm sido foco de pesquisa nas áreas de análise de imagens (BAATZ
et al., 2004). De acordo com Vand Der Sande et al. (2003), os algoritmos destinados
à segmentação de imagens de SR podem ser grosseiramente divididos em três
categorias: (1) detecção de bordas; (2) crescimento de regiões e (3) baseadas no
conhecimento (KAWAKUBO, 2010).
A segmentação por detecção de bordas segmenta a imagem localizando as
mudanças abruptas nos valores de intensidade dos níveis de cinza (PAL; PAL,
1993). Já a segmentação por crescimento de regiões (Figura 11) parte de um pixel
“semente” que é comparado com o seus pixels vizinhos para determinar se são
semelhantes, usando uma medida de similaridade. Se forem semelhantes, eles se
agregam (BINS, 1996). A vantagem deste método é que nem todos os pixels
pertencem a alguma destas regiões. Por fim, a segmentação baseada no
conhecimento é a abordagem mais moderna existente para a extração de regiões
em imagens de sensoriamento remoto. Neste tipo de segmentação, informações
adicionais ou dados auxiliares, como por exemplo, mapas temáticos, podem ser
incorporados no processo de segmentação para auxiliar na extração das regiões
(KAWAKUBO, 2010).

Figura 11. Exemplo de segmentação por crescimento de regiões (KAWAKUBO, 2010,

adaptado de GONZALEZ E WOOD, 1992).

Na figura acima se tem em (a) Imagem original identificado os pixels

sementes com valores 1 (coordenadas 3º linha, 2º coluna) e 7 (coordenadas 3º linha,
4º coluna); (b) resultado da segmentação rotulado como classes a e b usando um
limiar T com diferença de menos 3 entre os níveis de cinza; e (c) resultado da
 35

segmentação rotulado como classe adotando um T com diferença de menos 8.

(KAWAKUBO, 2010, adaptado de GONZALEZ E WOOD, 1992).
Na segmentação foi utilizado o aplicativo GeoDMA (Geographic Data Mining
Analyst), proposto por Körting et al. (2009; 2013). O GeoDMA integra métodos de
análise de imagens com técnicas de mineração de dados (DPI/INPE, 2011).
Segundo Korting et al. (2013) o GeoDMA funciona como um plugin do TerraView
(Figura 12) e possui todas as fases de análise de imagens (segmentação, extração e
seleção de atributos, mineração de dados e análise multitemporal).

Figura 12. Interação do GeoDMA como plugin do TerraView, onde BD é o banco de dados
trabalhado no programa. Adaptado de Korting et al. (2009).

Para realizar a segmentação, foi adotado o algoritmo por crescimento de

região, baseado em Baatz et al. (2000), que incorpora o conceito de multirresolução.
A multirresolução consiste em minimizar a heterogeneidade dos objetos de uma
imagem (BAATZ et al., 2004; TIAN; CHEN, 2007), incorporando objetos menores
dentro de objetos maiores com o objetivo de minimizar a heterogeneidade espacial
(CHUBEY et al., 2006).
No GeoDMA, para gerar a segmentação, três critérios foram definidos: a
compacidade, que trabalha com a densidade dos objetos compactados e não
compactados dentro da imagem; a escala, que influencia no tamanho médio dos
 36

objetos; e a cor, que tem relação com os valores espectrais das bandas da imagem
(BAATZ, et al., 2004). Cada um deles tem influência no processo de segmentação,
sendo que esses parâmetros recebem valores aleatórios definidos pelo intérprete
para a geração da segmentação.
Foram realizados vários testes de segmentação com o objetivo de adquirir
uma adequada ao conteúdo da imagem. Ou seja, buscou-se um resultado de
segmentação que não fosse nem muito densa (over-segmentation), pois subdivide a
imagem em regiões menores criando uma divisão excessiva da paisagem; e nem
com falta de segmentos (under-segmentation), visto que resulta em uma
classificação demasiadamente generalizada (BAATZ et al., 2004). Uma das
consequências que pode ser observada de um excesso de segmentos é a perda de
informações importantes relacionadas aos atributos espaciais do cultivo, como
forma, área, perímetro etc. Por outro lado, quando ocorre uma falta de segmentos,
classes distintas ou semelhantes podem ser agregadas e tratadas como sendo
objetos comuns.
A análise dos resultados foi visual, verificando se os segmentos foram bem
delimitados e ajustados ao conteúdo da informação presente na imagem
(KAWAKUBO et al., 2013). Após a segmentação, foi iniciada a etapa de extração
dos atributos. Além das bandas multiespectrais do sensor LISS-III (bandas do verde
(b2), vermelho (b3), infravermelho próximo (b4) e infravermelho médio (b5)), foram
também incluídas as informações derivadas do MDT, como a hipsometria,
declividade, orientação das vertentes e ordem de sub-bacias hidrográficas. As
informações topográficas foram incluídas porque o relevo exerce um forte controle
no ordenamento territorial da bacia.
Estudos realizados por do Prado et al. (2013), na região de Muzambinho e
Cabo Verde, nas proximidades de Alfenas-MG, também mostraram uma forte
influência do relevo na distribuição espacial do plantio do café. Os autores
observaram que o plantio do café distribui-se entre 800-1250 metros de altitude com
predomínio na cota de 1000 metros. A declividade também exerce grande influência,
sendo o café plantado normalmente da meia vertente em direção aos topos,
evitando-se os fundos de vale em função dos maiores riscos de geadas.
Além das propriedades espectrais e topográficas, também foram extraídas
propriedades texturais e espaciais de cada objeto delimitado pela segmentação. As
propriedades texturais são importantes porque incorporam os conceitos de
 37

variabilidade interna das classes. Já as propriedades espaciais são importantes

porque as formas dos segmentos fornecem fortes indícios dos tipos de uso e de
cobertura vegetal. As formas regulares, por exemplo, correspondem a diferentes
plantios e as formas irregulares, as coberturas vegetais naturais.

4.5.2. CLASSIFICAÇÃO POR MINERAÇÃO DE DADOS

O objetivo das técnicas de classificação consiste em associar os pixels ou

segmentos presentes na imagem a uma determinada classe de uso da terra ou
cobertura vegetal. Existem diversos algoritmos destinados à classificação de
imagens com variados níveis de complexidade e eficiência na extração de
informação (GONZALEZ; WOOD, 1992; CROSTA, 2002; JENSEN, 2009).
Basicamente, podem-se agrupar as técnicas de classificação em:
supervisionada, não-supervisionada e híbrida. Na classificação supervisionada o
analista seleciona amostras de treinamento que são representativas das classes a
serem mapeadas. Por meio de parâmetros estatísticos presentes no software, as
amostras selecionadas são utilizadas como padrão de comparação aos demais
pixels ou segmentos da imagem para decidir a qual classe eles pertencem. Na não-
supervisionada o analista não precisa fornecer amostras de treinamento ao sistema,
bastando definir o número de classes de saída (clusters). O agrupamento (ou
clustering) é feito automaticamente pelo sistema, identificando-se as nuvens de
pixels ou a dos valores dos segmentos que apresentam respostas espectrais
semelhantes no espaço de atributos (CRÓSTA, 2002). Por fim, a classificação
híbrida consiste em realizar uma não-supervisionada, como base para a seleção de
amostras de treinamento, seguida de uma supervisionada (FLORENZANO, 2011).
O aplicativo GeoDMA utiliza-se da classificação supervisionada, ou seja, para
realizar a classificação é necessária a coleta de amostras de treinamento com o
objetivo de fornecer ao sistema parâmetros estatísticos de referência. Foram
selecionadas amostras de sete classes, comumente encontradas na paisagem:
corpo d’água, café formação, café produção, cana-de-açúcar, mata, pastagem e solo
exposto. O café formação corresponde aos plantios de café em processo de
formação, ou seja, em sua fase mais jovem, enquanto o café produção inclui os
plantios em estágio de produção de grãos ou os plantios que foram podados.
Uma das abordagens mais promissoras é a classificação de imagens orientada a
objeto, que trabalha com pixels agrupado em regiões, como já citado. Esta
 38

classificação, baseada no conhecimento, simula o processo de fotointerpretação.

Assim, critérios espectrais, texturais e de contexto são considerados no processo de
decisão. De acordo com Vieira et al. (2012), uma etapa importante desta abordagem
é a construção do modelo de interpretação de imagem (conhecimento). Neste
modelo, o analista deve ter uma exata noção dos melhores atributos a serem
utilizados na classificação. Condição esta, muitas vezes não atendida em virtude da
dificuldade em gerenciar a grande quantidade de informações disponíveis e do nível
de detalhamento exigido.
Como forma de superar tais limitações, a adoção de técnicas de mineração de
dados surge como uma alternativa viável para geração automática de uma estrutura
de conhecimento (SILVA et al., 2008; VIEIRA et al., 2012), já que segundo Korting et
al. (2009), a mineração de dados utiliza as técnicas de aprendizado por máquina,
permitindo trabalhar com um grande número de informações, e extrair ou evidenciar
padrões nestes dados. No GeoDMA, a classificação supervisionada utilizada é mais
complexa que as classificações tradicionais, pixel a pixel, já que utiliza a técnica de
classificação por mineração de dados.
A palavra mineração nos remete ao ato de extrair alguma coisa, como por
exemplo, na exploração de minerais na natureza. Em SR esse termo também tem o
mesmo sentido; entretanto, aqui o que se extrai são informações dos bancos de
dados. Neste trabalho foram realizados vários testes com a mineração de dados.
Após a coleta das amostras das classes escolhidas, foi iniciado o processo de
mineração. Esse processo consiste nas análises feitas pelo intérprete a cada
classificação realizada e a cada árvore de decisão gerada pelo GeoDMA.
Quando um ou mais atributos afetavam de modo negativo a classificação, os
mesmos eram retirados da classificação seguinte. Essa exclusão consistiu em deixar
de fora atributos que atrapalhavam o processo de classificação, tentando dessa
maneira, alcançar um melhor resultado na classificação final.
Foi notada que a retirada de um atributo, ou mais atributos, modifica a
estrutura da árvore de decisão gerada na classificação seguinte (Figura 13), pois, as
classes acabam sendo classificadas em atributos diferentes e em bandas diferentes.
Além disso, quase sempre há a inclusão de um novo atributo.
 39

Figura 13. Na primeira classificação vê-se a presença do atributo amplitude. Esse atributo já
não aparece na classificação seguinte, pois foi excluido do processo de mineração.

4.5.3. ALGORITMO C4.5

Para realizar o procedimento de classificação por mineração de dados, o

GeoDMA utiliza um algoritmo para classificar as amostras selecionadas em relação
às classes criadas pelo intérprete. O algoritmo utilizado pelo programa é o C4.5,
desenvolvido por Quinlan (1993).
A principal vantagem de se usar o C4.5 é trabalhar com uma grande
quantidade de dados e nenhuma hipótese de normalidade é adotada no processo de
decisão. O resultado da classificação é expresso de maneira binária por meio de
uma árvore de decisão como no exemplo da Figura 14. A escolha dos atributos é
baseada em uma métrica de entropia denominada de ganho de informação. Os
atributos com maiores ganhos de informação são selecionados na construção da
árvore de decisão. As informações são organizadas e distribuídas em nós, ramos
descendentes e folhas associadas às classes (GAMA, 2002), onde o primeiro
atributo no topo da árvore representa a raiz; as linhas representam os ramos que se
ligam aos nós que representam algum outro atributo que, se menor ou igual ao valor
dado, se desloca para a esquerda e, quando maior, se desloca para a direita. Por
fim, as classes classificadas nas extremidades dos ramos representam as folhas.
 40

Figura 14. Exemplo da estrutura e aparência de uma árvore de decisão. Adaptado de Silva
et al., 2008.

Os objetos da imagem são distribuídos e classificados por esse algoritmo, de

acordo com as classes criadas pelo intérprete. A distribuição e classificação são
feitas de modo automático pelo programa, baseando-se nos atributos espectrais e
espaciais presentes no GeoDMA e selecionados pelo usuário. Além de não requerer
suposições com relação à distribuição das amostras, a árvore de decisão é de fácil
interpretação, possibilita considerar variáveis categóricas e numéricas e permite
incorporar relações não lineares entre classes (FRIEDL; BRODLEY, 1997).

4.5.4. ANÁLISE DE EXATIDÃO

Foi realizado neste trabalho também uma análise de exatidão. Vale ressaltar
aqui que exatidão se difere de precisão (Figura 15). Cabral (2004) descreve que
exatidão é a maior ou a menor aproximação entre o resultado obtido e o valor real.
Já a precisão está associada à dispersão dos valores resultantes da repetição das
medições. O mesmo autor ainda compara exatidão e precisão como sendo um
projétil disparado contra um alvo, onde a exatidão é o acerto próximo ou no centro
do alvo, enquanto a precisão seria os disparos acertarem em pontos muito próximos
entre si. Veiga et al. (2012) também explica essa diferença ao citar como exemplo
um jogador de futebol que, cobrando dez pênaltis, acerta todos na trave direita,
 41

sendo assim, o jogador foi preciso, mas não exato, já que não conseguiu acertar o
gol que era o “verdadeiro valor”.

(a) (b) (c)

Figura 15. Precisão e exatidão. Em (a) preciso e inexato, (b) preciso e exato e (c) impreciso
e inexato. Adaptado de Veiga et al. (2012).

A análise de exatidão da classificação é uma etapa crucial para verificar os

acertos e os erros contidos no mapeamento. Esta análise é feita por meio de uma
tabela denominada de matriz de confusão. Para a construção desta matriz, dados de
referência, distribuídos aleatoriamente, são coletados. Em seguida, o resultado da
classificação é combinado com os dados de referência por meio da técnica de
tabulação cruzada.
A matriz de confusão é uma matriz quadrada formada por linhas e colunas
onde são dispostos os resultados da classificação e as amostras de referência. Os
valores distribuídos na diagonal principal desta matriz correspondem aos acertos
obtidos no mapeamento. Os valores fora da diagonal principal correspondem aos
erros que podem estar associados à inclusão ou exclusão de classes
(CONGALTON, 1991). Os erros de inclusão e exclusão são os referentes às classes
dentro da matriz de confusão. O erro de inclusão se refere a objetos presentes ao
longo da linha e que foram incluídos erroneamente em outras classes, enquanto o
erro de exclusão se refere a objetos presentes ao longo da coluna e que foram
incluídos erroneamente em outras classes.
Utilizando a técnica de tabulação cruzada, os dados de referência foram
combinados com o resultado da classificação. Foram extraídas porcentagens de
acertos globais (proporção de pontos dispostos na diagonal principal da matriz) e
individuais, bem como os respectivos erros associados com o objetivo de avaliar as
causas das confusões. Também foi utilizado o índice kappa como referência de
qualidade do mapeamento. De acordo com Congalton e Green (1993), o índice
 42

kappa é recomendado como uma medida aceitável de precisão, sendo mais

confiável que apenas a média da exatidão global, pois utiliza em um único índice
todos os valores da matriz de confusão. Detalhes de como são calculados os índices
mencionados são descritos com maior detalhe em Congalton (1991).
Para a construção desta matriz foram coletados três mil pontos de verdades
terrestres (Figura 16) distribuídos aleatoriamente na área de estudo. Congalton
(1991) afirma que pelo menos cinquenta pontos de referência são necessários para
cada classe mapeada para que a análise de exatidão tenha significado estatístico. A
checagem destes pontos foi feita em trabalhos de campo e com auxílio do Google
Earth.

Figura 16. Pontos aleatórios de verdades terrestres a serem validados no ILWIS.

 43

5. RESULTADOS

Após vários testes de segmentação, foram adotados como parâmetro de

segmentação os seguintes valores: 40 (compacidade), 30 (escala) e 70 (cor). A
Tabela 3 mostra os valores alcançados em uma segmentação com over-
segmentation, em outra com under-segmentation e a segmentação ideal usada no
trabalho. Já a Figura 17 ilustra alguns exemplos de resultados utilizando diferentes
valores de entrada.

Tabela 3. Utilizando diferentes parâmetros de compacidade, escala e cor gerou-se em (a)

uma segmentação alta com 13505 polígonos, em (b) uma baixa segmentação com 406
polígonos e em (c) melhor segmentação com 2499 polígonos.
Num. de
Segmentação Compacidade Escala Cor Escolha
Polígonos
Alta 30 10 40 13505 x
Baixa 30 40 10 406 x
Melhor 40 30 70 2499 

Figura 17. Resultados da segmentação utilizando diferentes parâmetros de compacidade/

escala/ cor. Observa-se em (A) excesso de segmentos, em (B) falta de segmentos e em (C)
um particionamento da paisagem mais equilibrado.
 44

Conforme já mencionado, a definição dos polígonos da segmentação foi feita

de maneira visual observando o particionamento da imagem. Como regra geral, os
melhores valores são aqueles que conseguem delimitar com eficiência os objetos
contidos na imagem sem que haja falta ou excesso de polígonos. Outra forma de
avaliação da segmentação é por meio de estatística espacial realizada por Câmara
et al. (2003) e Spindola et al. (2007) que utilizaram o índice Moran para definir quais
são os melhores valores de segmentação utilizando como critério a dependência
espacial.
Gerou-se na imagem segmentada uma classificação por mineração de dados,
utilizando as amostras coletadas na fase de treinamento da imagem. Com relação a
esta etapa de mineração de dados, a árvore que apresentou o melhor resultado é
ilustrada na Figura 18. Conforme pode ser observado, o parâmetro dominante
utilizado para classificar as regiões foi à moda das propriedades espectrais.

Figura 18. Árvore de decisão para a classificação por mineração de dados gerada no
GeoDMA utilizando o algoritmo C4.5.

Analisando a árvore gerada, a primeira divisão separou a classe corpo d’água

das demais utilizando a soma da banda 3 (comprimento de onda do vermelho). Os
 45

objetos com valores iguais ou abaixo de 1668 foram classificados como corpo
d’água e os objetos com valores acima foram subdivididos.
Na divisão seguinte, objetos com valores de moda na banda 4 (infravermelho
próximo) iguais ou abaixo de 51 e com valores de moda na banda 3, iguais ou
inferiores a 178, foram classificados como café formação. Os objetos com valores
acima de 178 e com valores iguais ou inferiores a 17 na banda 4 foram classificados
como mata. Os valores maiores que 17 foram então classificados como café
produção.
Os objetos com valores acima de 51 na banda 4 foram subdivididos,
utilizando a média de seus valores. Objetos com valores iguais ou inferiores a 131 e
que apresentaram, ao mesmo tempo, valores iguais ou inferiores a 110 na moda da
banda 3, foram rotulados como pastagem. Já os objetos com valores acima de 110 e
com valores de moda da banda 2 (canal do verde) iguais ou inferiores a 110 foram
classificados como cana-de-açúcar. Os valores acima de 110 foram novamente
classificados como café produção.
Objetos com valores acima de 131 na média da banda 4 e com moda na
banda 2, iguais ou inferiores a 187, foram classificados como solo exposto. Os
objetos com valores acima de 187 e com valores iguais ou inferiores a 212 na moda
da banda 5 (infravermelho médio) foram rotulados como pastagem e os valores
acima de 212 como solo exposto.
Conforme pode ser observado, as classes pastagem, solo exposto e café
produção foram classificadas em dois momentos distintos nas subdivisões da árvore
de decisão. Isto aconteceu, provavelmente, em virtude da heterogeneidade destas
classes. A classe pastagem inclui tanto a vegetação rasteira com baixa atividade
fotossintética (pastos secos) quanto os pastos sujos e banhados. A classe solo
exposto também apresenta grande diversidade espectral, pois inclui os solos secos
e os solos preparados para o cultivo. Já a classe café produção engloba tanto o café
em plena atividade produtiva (caracterizada por índices mais altos de área foliar e de
sombra de dossel) quanto o café velho ou podado (caracterizado pela maior
presença de galhos secos e menor abundância de folhas verdes e de sombra).
O resultado da classificação pode ser visto na Figura 19, que ilustra a
distribuição do uso do solo e da cobertura vegetal. Observa-se no mapa que, ao
longo de toda a área de estudo, o uso do solo é bastante particionado e a cobertura
vegetal é bastante fragmentada e espalhada ao longo da sub-bacia. Dentro da
 46

escala de análise utilizada neste trabalho (resolução espacial de 20m), nota-se que
não só ao longo do rio São Tomé, mas também em todos os outros cursos d’água
que compõem a sub-bacia uma grande ausência de mata ciliar, estando a mesma
presente em poucos lugares. O café dividido em formação e produção é a principal
cultura agrícola da bacia. Essa cultura ocupa principalmente as cotas mais altas do
relevo, sendo cultivada em vertentes e topos de morro. O café produção
visivelmente é o mais presente na área mapeada.
As outras classes que se fazem presentes de modo significativo na bacia são
o solo exposto e a pastagem. Essas duas classes ocupam áreas às margens dos
cursos d’água, tomando o lugar, como já citado, da mata ciliar. A pastagem é usada
principalmente para a criação de bovinos, sendo esta outra atividade que se destaca
na área da sub-bacia. O cultivo de cana-de-açúcar, apesar de ter mostrado
crescimento na região, ainda tem impacto pouco significativo, ocupando de modo
mais intenso uma área a nordeste do rio São Tomé.
 47

Figura 19. Mapa final de uso da terra e cobertura vegetal confeccionado para a área da sub-
bacia hidrográfica do rio São Tomé utilizando como base a imagem gerada pelo sensor LISS
III a bordo do satélite IRS-P6.

A Tabela 4 ilustra a matriz de confusão gerada na classificação da árvore de

decisão. Conforme já citado, três mil pontos de verdades terrestres foram
distribuídos aleatoriamente na área de estudo, sendo que todas as amostras de
referência que caíram dentro da área da sub-bacia foram utilizadas na validação.
 48

Com exceção das classes corpo d’água e cana-de-açúcar, todas as classes foram
contempladas com mais de 50 pontos. Tal fato ocorreu em decorrência da classe
corpo d’água ter pouca expressão de área e a cana-de-açúcar ocupar, de modo
mais intenso, apenas uma dada área dentro da sub-bacia, o que reduziu a
probabilidade de receber um número mais expressivo de pontos aleatórios.
Observou-se também um desequilíbrio bastante grande na distribuição dos pontos
em virtude da grande diferença de área ocupada pelas classes mapeadas. A classe
que recebeu o maior número de pontos foi café produção (354), seguida pela classe
solo exposto (220) e pastagem (152). Em virtude da classe corpo d’água ter pouca
expressão espacial, considerou-se que o número de pontos de referência (19) foi
suficientemente grande para expressar a variabilidade da classificação.

Tabela 4. Matriz de confusão gerada para a classificação por mineração de dados no

GeoDMA. A média da acurácia (ACC%) foi de 75%. Já a média da confiabilidade em
porcentagem foi de 68% e a média global da diagonal principal (exatidão global) foi de 73%.
Classificação→ Café Café Solo Corpo
Cana Pastagem Mata Total ACC%
Referências ↓ Formação Produção Exposto d’Água
Café Formação
57 13 2 0 0 7 0 79 72%
Café Produção
8 219 48 37 7 35 0 354 61%
Cana
0 0 34 2 1 0 0 37 91%
Pastagem
0 5 1 106 38 2 0 152 69%
Solo Exposto
0 1 2 29 188 0 0 220 85%
Mata
2 13 1 2 0 108 0 126 85%
Corpo d’Água
0 3 0 1 0 3 12 19 63%
Total
67 254 88 177 234 155 12 987
Confiabilidade %
85% 86% 38% 59% 80% 69% 100%

Analisando a matriz de confusão observa-se que, mesmo com uma grande

variabilidade na classificação, os resultados de exatidão (proporção de acertos
contidos ao longo da linha) e de confiabilidade (proporção de acertos contidos ao
longo da coluna) do mapeamento foram resultados satisfatórios. A classe que teve a
maior exatidão individual foi a cana-de-açúcar (91%), seguida pelo solo exposto
(85%) e mata (85%). Este valor de exatidão da cana-de-açúcar foi ocasionado pela
baixa confusão com outras classes. Para as classes solo exposto e mata houve um
pouco de confusão entre solo exposto e pastagem seca e entre mata e café
produção. As demais classes tiveram exatidão inferior a 80%.
 49

No caso do café, vários estudos já realizados mostram a dificuldade em

separar cultivos de café de outros usos em decorrência de sua alta diversidade
espectral (MOREIRA et al., 2004, 2008; DO PRADO et al., 2013). Dependendo do
estágio fenológico do cultivo, idade, manejo e condições topográficas, o
comportamento espectral do café pode ser semelhante à mata (café produção), ao
pasto verde ou cana-de-açúcar (café formação ou café produção em terrenos
declivosos) ou pastagem (café velho ou podado).
Observa-se que no geral, os valores de confiabilidade foram menores que os de
exatidão. Entretanto, a classe corpo d’água foi a que apresentou a maior
confiabilidade (100%), seguido pelo café produção (86%) e café formação (85%). A
classe de menor confiabilidade foi a cana-de-açúcar (38%) em decorrência
principalmente da confusão com o café produção. A média da exatidão da
classificação foi de 75% e a média da confiabilidade foi de 68%. A exatidão global
que expressa à proporção de pontos corretamente classificados com relação ao total
de pontos amostrados alcançou um valor de 73%. A outra referência utilizada para
a avaliação da classificação foi o índice Kappa, que alcançou o valor de 0,66 –
sendo classificado na categoria de desempenho “muito bom” como mostrado abaixo
na escala de valores da Tabela 5 (LANDIS; KOCH, 1977).

Tabela 5. Valores do índice Kappa e o seu grau de concordância, baseado nesses valores.

Valor de Kappa Concordância

< 0,00 Péssima
0,00 – 0,20 Ruim
0,20 – 0,40 Razoável
0,40 – 0,60 Boa
0,60 – 0,80 Muito Boa
0,80 – 1,00 Excelente
Fonte: Adaptado de Landis; Koch, (1977).

O índice Kappa expressa à medida da diferença entre a concordância dos

dados de referência e a classificação automática, e a probabilidade de concordância
entre os dados de referência e a classificação aleatória (FRANÇA; SANO, 2011).
 50

6. DISCUSSÃO

A segmentação com 2499 polígonos foi o melhor resultado obtido. Porém,

para se chegar a esse resultado satisfatório, foi necessário escolher um método
eficiente. O método utilizando então foi o método de Baatz et al. (2000). Esse
método foi eficiente por utilizar a multirresolução e o crescimento por região para
segmentar a imagem. No resultado final, a combinação dessas duas técnicas gerou
uma imagem segmentada, pronta para ser usada nos passos seguintes de extração
e classificação. Sendo a região muito heterogênea em seus tipos de uso da terra, a
multirresolução reduz esta heterogeneidade e o crescimento por região, trabalhando
não com pixels isolados, mas com regiões, agrupou as mesmas de modo mais
eficiente. No entanto, vale resaltar aqui que esse processo evidencia ser
basicamente no que diz respeito à divisão da imagem em diversos polígonos
durante o processo de segmentação, não afetando diretamente no processo de
classificação da imagem.
O algoritmo C4.5 e a técnica de mineração de dados foram eficientes neste
trabalho, pois, respectivamente trabalhando com atributos espectrais, espaciais e
atributos do terreno (hipsometria, declividade e orientação das vertentes), mais a
utilização do aprendizado por máquina, ampliaram o número de variáveis a serem
utilizadas no processo de classificação.
A interação intérprete/software possibilita uma maior flexibilidade na geração
das árvores de decisão e das classificações. O conhecimento da área de estudo por
parte do usuário auxilia de modo positivo na hora da coleta de amostras e também
na distribuição de pontos de verdades terrestres. As visitas a campo, apesar de
darem uma percepção mais limitada da área de estudo, principalmente quando a
área é muito grande, ainda assim ajudam a confirmar aquilo que é feito em
laboratório, utilizando as imagens.
O resultado obtido por essas técnicas pode ser visto na árvore de decisão da
Figura 14 gerada pelo GeoDMA, que reúne os melhores valores para cada classe
classificada no mapa temático final da Figura 15. Entretanto, nenhuma propriedade
espacial ou topográfica foi selecionada pelo programa na construção da árvore de
decisão apresentada.
Em relação a essa classificação exposta na árvore de decisão, o primeiro
ponto a se ressaltar aqui, é que apesar de haver na árvore apenas atributos
 51

espectrais, a mineração dos dados dentro do programa é baseada em todos os

atributos espectrais e espaciais presentes no processo de extração e classificação.
O segundo ponto é que todas as árvores que utilizaram algum atributo espacial
tiveram problemas de superestimação de classes na classificação final; claro que
isso não significa que o atributo espacial influenciou neste erro.
Durante os vários testes realizados, algumas árvores selecionaram atributos
espaciais. Foram selecionados o perímetro, a área e a área-caixa, que analisam as
partes internas dos objetos e, a largura e o comprimento, que analisam as medidas
dos objetos (Quadro 2). Todavia, nenhuma delas selecionou atributos topográficos.
As classes solo exposto e pastagem foram as que mais frequentemente
selecionaram os atributos espaciais mencionados; porém, em todas as
classificações observou-se superestimava das classes mencionadas. Uma análise
visual foi feita para verificar os possíveis acertos e erros de cada classificação.

Quadro 2. Características espaciais baseados em segmentação, adaptado de Korting et al.

(2013).
Atributo espacial Significado
Perímetro É a quantidade de pixels na borda do objeto.
Área Retorna a área do objeto. Quando medida em pixels é igual a N.
Área-Caixa Retorna a área da caixa delimitadora de um objeto, medida em pixels.
Largura É a largura da caixa delimitadora do objeto.
Comprimento É a altura da caixa delimitadora do objeto.

Analisando um desses casos, o solo exposto e a pastagem foram classificados

no atributo espacial largura. Ao se observar esta classificação foi possível notar que,
apesar das duas classes terem sido classificadas neste atributo, houve erro já que
houve superestimação, principalmente da pastagem. Baseando-se apenas na
largura, a pastagem ocupou grande parte de sua área de modo correto; no entanto,
ocupou ainda não apenas áreas de solo exposto, mas também áreas de café
produção já podadas e áreas de cana-de-açúcar em início de colheita. O solo
exposto foi classificado também no atributo espectral moda e ficou bem distribuído
ao longo da área. Entretanto, também ocupou algumas áreas de café produção já
podadas e áreas de cana-de-açúcar em início de colheita.
No que diz respeito à distribuição dos tipos de uso do solo e da cobertura
vegetal ao longo da área de estudo, vale ainda ressaltar algumas observações
relevantes: (a) a ocupação do café na área ao longo de toda a sub-bacia vem
 52

apenas confirmar a importância que essa cultura agrícola tem na região, pois o sul
de Minas é o maior produtor de café do país, como já citado; (b) pelas
características da região do sul de Minas (mar de morros), o novo Código Florestal
(Lei nº 12.651/ 2012) prevê a manutenção de atividades agrossilvipastoris já
consolidadas em vertentes e topos de morro nos imóveis rurais antes de 22 de julho
de 2008. No entanto, a nova lei proíbe que novas áreas sejam ocupadas por
edificações e atividades agrossilvipastoris; e (c) sendo o objetivo deste trabalho
testar a classificação por mineração de dados, não fazendo aqui uma análise
multitemporal do uso do solo e da cobertura vegetal na área de estudo, houve então
excesso aparente de solo exposto. Isso se explica possivelmente pela
compatibilidade da imagem com a época de colheita, tanto e principalmente da
cana-de-açúcar que pouco aparece na área de estudo, quanto do café. Outra razão
deste excesso também está relacionada, mesmo que com um efeito menor, a
afloramentos rochosos ao longo da área da sub-bacia.
Após vários testes para se produzir a matriz de confusão da mineração de
dados, os valores resultantes na matriz da Tabela 4 exposta acima foram os
melhores valores alcançados. Isso se justifica principalmente pela grande
heterogeneidade da área de estudo, como observado no mapa de localização
(Figura 1) e também no mapa final de uso da terra e de cobertura vegetal (Figura
13), não havendo aqui, como já ressaltado, ação da homogeneidade gerada pela
multirresolução do método de segmentação baseado em Baatz et al. (2000). Então,
esta alta heterogeneidade e a mistura de classes limitaram os valores de acurácia
dentro da matriz.
Desse modo, fica clara a necessidade de mais estudos para se melhorar a
acurácia nestes casos específicos de alta heterogeneidade e de mistura de classes.
O próprio Korting et al. (2009) aponta a necessidade de otimizar os algoritmos
inclusos no sistema do GeoDMA, além da inclusão de ferramentas para a seleção
de atributos e manipulação de dados temporais para a análise da evolução dos
padrões.
O valor alcançado de 0,66 (muito bom) pelo índice Kappa para a classificação
por mineração de dados foi considerado um resultado bom já que na tabela de
valores que vai de 0 a 1, seu resultado ficou entre 0,60 – 0,80, ou seja, mais próximo
do grau de concordância “excelente”, que vai de 0,80 – 1,00.
 53

7. CONCLUSÃO

A técnica de mineração de dados mostrou-se eficiente no mapeamento do uso

da terra e cobertura vegetal em área com grande diversidade de uso como no sul de
Minas Gerais. As vantagens apresentadas neste trabalho, no que diz respeito a esta
técnica, é que ela, ao permitir o uso de outras variáveis que não só as espectrais,
faz com que cada segmento seja minuciosamente analisado e classificado. Além
disso, ao se trabalhar com grandes bancos de dados com esta técnica, chega-se à
conclusão de que ela é muito eficiente para trabalhos atuais.
No entanto, neste trabalho, apesar de se considerar na mineração de dados os
atributos espectrais, espaciais e topográficos, apenas informações espectrais foram
selecionadas na classificação, o que sugere pouca relevância de outros atributos no
processo de decisão. Todas as bandas do sensor LISS III (bandas do verde,
vermelho, infravermelho próximo e infravermelho médio) foram selecionadas no
processo de mineração de dados. Tal resultado reforça o potencial das imagens
LISS-III na identificação e classificação do uso da terra e cobertura vegetal.
A dificuldade maior de se usar a mineração de dados, mas que também se
converte em vantagem são as frequentes mudanças que o intérprete faz em relação
aos atributos espaciais e espectrais presentes no programa, já que os mesmos
podem interferir de modo negativo na classificação final. A dificuldade então se
resume ao grande número de testes que precisa ser feito para se alcançar uma boa
classificação; já a vantagem é que estes testes, que são analisados visualmente
pelo intérprete, possibilitam um maior controle dos atributos que serão usados pelo
programa para gerar uma classificação ideal para o usuário.
O software GeoDMA usado aqui foi eficiente. Esta eficiência ao utilizá-lo
ocorreu principalmente pela sua facilidade de manipular dados e informações,
apesar de trabalhar com uma técnica complexa como a de mineração de dados. O
seu uso como um plugin do TerraView permite que se tenha uma interface de fácil
interpretação, já que as próprias ferramentas que são usadas neste software são de
fácil manipulação, ajudando e facilitando o trabalho do usuário, principalmente no
que diz respeito ao tempo gasto no processamento da imagem.
A maior dificuldade em relação ao GeoDMA se deu pelo domínio das
ferramentas e etapas de análise de imagem presentes neste programa, já que o
primeiro contato com ele foi feito a partir deste trabalho. Contudo, ao se adquirir um
 54

pouco mais de contato com o programa, a sua utilização se deu de forma fácil e
rápida.
Áreas muito heterogêneas ainda pode ser um problema, pois, o grande
parcelamento do solo e a mistura de classes parecem que ainda não permitem
índices da acurácia maiores. Sendo assim, apesar das vantagens mostradas aqui,
ainda há de se fazer mais estudos e testes para se aproveitar todo o potencial que
essa técnica permite alcançar.
Os resultados alcançados neste trabalho só reforçam ainda mais que o
sensoriamento remoto aplicado ao uso da terra e cobertura vegetal, ao utilizar as
técnicas de classificação de imagens como a mineração de dados, pode e deve ser
auxílio e ponto de partida para um bom planejamento ambiental e agrícola.

AGRADECIMENTOS

Os autores expressam os seus agradecimentos ao Programa de Pós-

Graduação em Ecologia e Tecnologia Ambiental e ao Laboratório de
Geoprocessamento do curso de Geografia da Unifal-MG. Agradecem também a
CAPES pelo apoio financeiro concedido, ao Dr. Thales Sehn Korting e ao Rodrigo
César Pereira Nicolau.

REFERÊNCIAS BIBLIOGRÁFICAS

AB'SÁBER, A. N. Os domínios de natureza no Brasil: potencialidades

paisagísticas. 2ª ed. São Paulo: Ateliê Editorial, 2003. 160 p.

BAATZ, M. et al. User Guide 4 (eCognition). Definiens Imaging. Copyright © 2000 -

2004. Germany, 2004. 485 p.

BAATZ, M.; SCHÄPE, A. Multiresolution Segmentation: an optimization approach for

high quality multi-scale image segmentation. Journal of Photogrammetry and
Remote Sensing. Heidelberg, v. 58, n. 3-4, p. 12-23, 2000.

BERNARDES, T. et al. Monitoring biennial bearing effect on coffee yield using

MODIS remote sensing imagery. Remote Sensing, n. 9, p. 2492-2509, 2012, doi:
10.3390/rs4092492.

BINS, L. S. et al. Satellite Imagery Segmentation: a region growing approach. In: VIII
SIMPÓSIO BRASILEIRO DE SENSORIAMENTO REMOTO, 1996, Salvador, Brasil.
 55

Anais VIII Simpósio Brasileiro de Sensoriamento Remoto, Salvador: INPE, p.

677- 680, 14-19, abril, 1996.

BLASCHKE, T. Object based image analysis for remote sensing. International

Society for Photogrammetry and Remote Sensing (ISPRS), 65, p. 2-16, 2010.

BURROUGH, P. A. Principles of Geographical Information Systems for Land

Resources Assessment. Oxford: Clarendon, 1986.

BURROUGH, P. A.; MCDONNELL, R. A. Principles of Geographical Information

Systems. OXFORD UNIVERSITY PRESS, 1998.
CABRAL, P. Erros e Incertezas nas Medições. IEP/ ISEP, 2004, p. 116.

CÂMARA, G. et al. Análise Espacial de Áreas. In: Druck, S.; Carvalho, M. S.;
Câmara, G.; Monteiro, A. V. M. (eds.) "Análise Espacial de Dados Geográficos”.
Brasília, EMBRAPA, 2004.

CARREIRAS, J. M. B.; SHIMABUKURO, Y. E.; PEREIRA, J. M. C. Fraction images

derived from SPOT-4 Vegetation data to assess land-cover change over the State of
Mato Grosso, Brazil. International Journal of Remote Sensing. V. 23, n. 23, p.
4979-4983, 2002.

CARTAS TOPOGRÁFICAS. Manual Técnico de Uso da Terra, nº 7. In: Manuais

Técnicos em Geociências. 2ª Ed. IBGE, 2006. 91 p.

CERON, A. O.; DINIZ, J. A. F. O uso de fotografias aéreas na identificação das

formas de utilização agrícola da terra. Revista Brasileira de Geografia. N. 2, p.161-
173, 1966.

CHUBEY, M. S.; FRANKLIN, S. E.; WULDER, M. A. Object-based Analysis of

Ikonos-2 Imagery for Extraction of Forest Inventory Parameters. Photogrammetric
Engineering & Remote Sensing. V. 72, n. 4, p. 383–394, 2006.

CONGALTON, R. G. A Review of Assessing the Accuracy of Classifications of

Remotely Sensed Data. Remote Sens. Environ. 37, p. 35-46, 1991.

CONGALTON, R. G.; GREEN, K. A Practical Look at the Sources of Confusion in

Error Matrix Generation. Photogrammetric Engineering & Remote Sensing. V. 59,
n. 5, p. 641-644, 1993.

CRÓSTA, A. P. Processamento Digital de Imagens de Sensoriamento Remoto.

Ed. rev. 4ª Reimpressão. Campinas, SP: IG/UNICAMP, 2002. 170 p.

D'ALGE, J. C. L. Geoprocessamento - Teoria e Aplicações - Parte I - Cap. 6 -

Cartografia para Geoprocessamento. INPE - Instituto Nacional de Pesquisas
Espaciais, 2001. Disponível em: <www.dpi.inpe.br/gilberto/livro/introd/>. Acesso em:
10 maio 2013.

DESMET, P. J. J. Effects of interpolation errors on the analysis of DEMs. Earth

Surface Processes and Landforms. V. 22, p. 563-580, 1997.
 56

DGI (Divisão de Geração de Imagens) - INPE. Características do satélite IRS-P6

ou RESOURCESAT-1/ sensor LISS III. Disponível em: <
http://www.dgi.inpe.br/CDSR/manage.php?INDICE=P6LIS333109320100731&DONT
SHOW=0>. Acesso em: 20 fev. 2013.

DO PRADO, D. F. C. et al. Mapeamento do cultivo de café no sul de Minas Gerais

utilizando imagens Landsat-5 TM. In: XVI SIMPÓSIO BRASILEIRO DE
SENSORIAMENTO REMOTO - SBSR, 2013, Foz do Iguaçu, PR, Brasil. Anais XVI
Simpósio Brasileiro de Sensoriamento Remoto - SBSR, Foz do Iguaçu, PR,
Brasil, INPE: 13-18, abril, 2013.

DPI (Divisão de Processamento de Imagens) - INPE. GeoDMA - Geographic Data

Mining Analyst. Disponível em:
<http://www.dpi.inpe.br/menu/Projetos/geodma.php>. Acesso em: 15 mar. 2013.

EMBRAPA – Monitoramento por Satélite. IRS - Indian Remote Sensing Satellite.

Disponível em: <http://www.sat.cnpm.embrapa.br/conteudo/missao_irs.php>. Acesso
em: 05 fev. 2013.

EMBRAPA – Brasil maior produtor mundial de café. Disponível em:

<https://www.embrapa.br/web/portal/busca-de-noticias/-/noticia/1477578/brasil-tem-
dia-nacional-do-cafe->. Acesso em: 15 dez. 2013.

EPIPHANIO, J. C. N; LEONARDI, L.; FORMAGGIO, A. R. Relações entre

parâmetros culturais e resposta espectral de cafezais. Pesquisa Agropecuária
Brasileira. V. 29, n. 3, p. 439-447, 1994.

ESPINDOLA, G. Emprego dos Índices de Autocorrelação Espacial na Avaliação da

Segmentação de Imagens de Sensoriamento Remoto. In: IV COLÓQUIO
BRASILEIRO DE CIÊNCIAS GEODÉSICAS - IV CBCG, 2005, Curitiba. Anais IV
Colóquio Brasileiro de Ciências Geodésicas - IV CBCG. Curitiba, 16-20, maio,
2005.

FELGUEIRAS, C. A. CAP. 7: MODELAGEM NUMÉRICA DE TERRENO. In:

INTRODUÇÃO À CIÊNCIA DA GEOINFORMAÇÃO. Gilberto Câmara, Clodoveu
Davis e Antônio Miguel Vieira Monteiro (Orgs.). INPE. São José dos Campos – SP,
2001. 345 p.

FLORENZANO, T. G. Iniciação em Sensoriamento Remoto. 3 ed. ampl. e atual.

São Paulo: Oficina de Textos, 2011. 128 p.

FLORENZANO, T. G. Os Satélites e Suas Aplicações. Série Espacializando. São

José dos Campos – SP. SindCT, 2008. 52 p.

FRANÇA, A. M. da S.; SANO, E. E. Mapeamento de Áreas de Campo Limpo

Úmido no Distrito Federal a Partir de Fusão de Imagens Multiespectrais. Soc. &
Nat. Uberlândia, ano 23, n. 2, p. 197-209, maio/ago. 2011.

FURTADO, C. Formação Econômica do Brasil. 32ª Ed. São Paulo. Companhia

Editoral Nacional, 2005.
 57

GAMA, J. Árvores de Decisão. Palestra ministrada no Núcleo da Ciência de

Computação da Universidade do Porto, Porto, 2002. Disponível em:
<http://www.dcc.fc.up.pt/~Ines/aulas/MIM/arvores_de_decisao.pdf>. Acesso em: 14
ago. 2013.

GONZALEZ, R. C.; WOODS, R. E. (1992). Processamento digital de imagens.

Tradução Cristina Yamagami e Leonardo Piamonte. 3. ed. São Paulo: Pearson
Prentice Hall, 2010. 624 p.

GORTE, B. G. H.; KOOLHOVEN W. 1990. Interpolation between isolines based on

the Borgefors distance transform. ITC Journal, 3, p. 245-247, 1990.

HALARICK, R. M.; SHAPIRO, L. G. Survey: image segmentation techniques.

Computer, Vision, Graphics, and Image Processing. V. 29, p. 100-132, 1985.

IBGE. Censo Agropecuário 2006. Brasil, Grandes Regiões e Unidades da

Federação. IBGE, Rio de Janeiro, 2006. 777 p.

IBGE. Histórico de ocupação dos municípios que compõem a bacia do rio São
Tomé. Disponível em:
<http://cidades.ibge.gov.br/xtras/uf.php?lang=&coduf=31&search=minas-gerais>.
Acesso em: 20 ago. 2012.

IBGE. Introdução ao Processamento Digital de Imagens. Manuais Técnicos em

Geociências – n. 9. IBGE. Rio de Janeiro, 2000.

IBGE. Produção agropecuária dos municípios que compõem a bacia do rio São
Tomé. Disponível em:
<http://www.cidades.ibge.gov.br/xtras/uf.php?lang=&coduf=31&search=minas-
gerais>. Acesso em: 08 out. 2013.

IBGE. Manual Técnico de Uso da Terra, n. 7. In: Manuais Técnicos em

Geociências. 2ª Ed. IBGE, 2006. 91 p.

INPE. Estudos Ambientais. Disponível em:

<http://satelite.cptec.inpe.br/home/novoSite/index.jsp>. Acesso em: 20 ago. 2013.

JENSEN, J. R. Sensoriamento remoto do ambiente: uma perspectiva em

recursos terrestres. Tradução: José Carlos Neves Epiphanio et al. São Jose dos
Campos: Parêntese, 2009. 598 p.

KAWAKUBO, F. S. Metodologia de Classificação de Imagens Multiespectrais

aplicada ao Mapeamento do Uso da Terra e Cobertura Vegetal na Amazônia:
Exemplo de Caso na Região de São Felix do Xingu, Sul do Pará. 2010. 129f.
Tese (Doutorado em Geografia Física). FFLCH/ USP. São Paulo, 2010.

KAWAKUBO, F. S.; MORATO, R. G.; LUCHIARI, A. Técnicas de Sensoriamento

Remoto. In: Luis Antonio Bittar Venturi. (Org.). Geografia: Práticas de Campo,
Laboratório e Sala de Aula. São Paulo: Sarandi, 2011, 528 p.

KAWAKUBO, F. S.; MORATO, R. G.; LUCHIARI, A. Use of fraction imagery,

segmentation and masking techniques to classify land-use and land-cover types in
 58

the Brazilian Amazon. International Journal of Remote Sensing. V. 34, n. 15, p.

5452–5467, 2013.

KORTING, T. S.; FONSECA, L. M. G.; CÂMARA, G. GeoDMA – Geographic Data

Mining Analyst. Computers & Geosciences, 57, p. 133-145, 2013.

KORTING, T. S. et al. GeoDMA – Um sistema para mineração de dados de

sensoriamento remoto. In: XIV SIMPÓSIO BRASILEIRO DE SENSORIAMENTO
REMOTO, 2009, Natal, Brasil. Anais XIV Simpósio Brasileiro de Sensoriamento
Remoto, Natal, Brasil: INPE, p. 7813-7820, 25-30, abril, 2009.

KUBIK, K.; BOTMAN, A. G. Interpolation accuracy for topographic and geological

surfaces. ITC Journal, n. 2, p. 136-274, 1976.
LANDIS, J. R.; KOCH G. G. The Measurement of Observer Agreement for
Categorical Data. Biometrics, 33, p. 159–174, 1977.

Lei nº 12.651/ 2012. Novo Código Florestal. Disponível em: <

http://www2.camara.leg.br/legin/fed/lei/2012/lei-12651-25-maio-2012-613076-
normaatualizada-pl.pdf>. Acesso em: 18 maio 2014.

LI, Z. Effects of checkpoints on the reliability of DTM accuracy estimates obtened

from experimental tests. Photogrammetric Engineering and Remote Sensing. N.
57, p.1333-1340, 1991.

LOPES, A.; MOTA, C. G. História do Brasil: uma interpretação. São Paulo:

Editora Senac São Paulo, 2008. 1056 p.
LOPES, A. S.; GUILHERME, L. R. G. Cap. I – Fertilidade do solo e produtividade
agrícola. In: Fertilidade do solo. Roberto Ferreira de Novais, Victor Hugo Alvarez V.,
Nairam Félix De Barros, Renildes Lúcio Fontes, Reinaldo Bertola Cantarutti e Júlio
César Lima Neves (Editores). Sociedade Brasileira de Ciência do Solo (SBCS),
Viçosa, 2007. 1017 p.
MACHADO, C. A. S.; QUINTANILHA, J. A. Módulo de treinamento: Sistemas de
Informações Geográficas (SIG) e Geoposicionamento: uma aplicação urbana.
Escola Politécnica da universidade de São Paulo. Departamento de Engenharia de
Transportes. São Paulo, 2008. 113 p.

MANGABEIRA, J. A. de C. et al. Avaliação do levantamento do uso das terras

por imagens de satélites de alta e média resolução espacial. In: Susceptibilidade
à erosão na Região Oeste do Estado da Bahia – Comunicado Técnico, 11.
Campinas, SP. Dezembro, 2003.

MAZOYER, M.; ROUDART, L. História das agriculturas pelo mundo: do neolítico

à crise contemporânea. Tradução: Cláudia F. Falluh Balduino Ferreira. São Paulo:
Editora UNESP, Brasília, DF: NEAD, 2010. 568 p.

MOREIRA, M. A.; ADAMI, M.; RUDORFF, B. F. T. Análise espectral e temporal da

cultura do café em imagens Landsat-5. Pesquisa Agropecuária Brasileira, Brasília,
v. 39, n. 3, p.223-231, 2004.
 59

MOREIRA, M. A.; BARROS, M. A.; RUDORFF, B. F. T. Geotecnologias no

mapeamento da Cultura do Café em Escala Municipal. Sociedade & Natureza,
Uberlândia, 20 (1), p. 101-110, junho, 2008.

NIJMEIJER et al. ILWIS 3.0 Academic user’s guide. Unit Geo Software
Development. International Institute for Geo-Information Science and Eath
Observation (ITC). Enschede, 2001. 520 p.

OLIVEIRA, J. de A. et al. Extração de atributos de Forma para Classificação de

Imagens de alta Resolução do Satélite HRC/CBERS-2B. In: XIV SIMPÓSIO
BRASILEIRO DE SENSORIAMENTO REMOTO, 2009, Natal, Brasil. Anais XIV
Simpósio Brasileiro de Sensoriamento Remoto, Natal, Brasil, INPE: p. 7015-
7022, 25-30, abril, 2009.

PAL, N. R.; PAL, S. K. A review on image segmentation techniques. Pattern

Recognition. V. 26, n. 9, p. 1277-1294, 1993.

PEEL, M. C.; FINLAYSON, B. L.; MCMAHON, T. A. Updated world map of the

Köppen-Geiger climate classification. Hydrology and Earth System Sciences, 11,
p. 1633–1644, 2007.

PESSOA, M. C. P. Y.; FERNANDES, E. N. Modelagem matemática e simulação

de sistemas aplicadas ao planejamento ambiental e da atividade agrícola. In:
Planejamento ambiental do espaço rural com ênfase para microbacias hidrográficas:
manejo de recursos hídricos, ferramentas computacionais e educação ambiental.
Marco Antonio Ferreira Gomes, Maria Conceição Peres Young Pessoa, editores
técnicos. – Brasília, DF: Embrapa Informação Tecnológica, 2010. 407 p.

QUINLAN, J. R. C4. 5: Programs for Machine Learning. [S.l.]: Morgan kaufmann,

1993.

RADAMBRASIL, Levantamento dos recursos naturais: geologia, geomorfologia,

pedologia, vegetação e uso potencial da terra. Folhas SF. 23 / 24, Rio de
Janeiro/Vitória. Rio de Janeiro: Ministério das Minas e Energia, 1983. 780 p.

RAVIBABU, M. V.; JAIN, K. Digital elevation models accuracy aspects. Journal of

Applied Sciences. V. 8, n. 1, p.134-139, 2008.

ROSS, J. S. L. (org.) Geografia do Brasil. 5 ed. rev. e ampl. – São Paulo: Editora da
Universidade de São Paulo, 2005.

RUFINO, J. L. dos S. et al. Introdução e Metodologia de Estudo. In:

Caracterização da Cafeicultura de Montanha de Minas Gerais / coordenadores,
Pierre Santos Vilela, José Luis dos Santos Rufino. – Belo Horizonte: INAES, 2010.
300 p.

SEGANTINE, P. C. L. Estudo do Sinergismo entre os Sistemas de Informação

Geográfica e o de Posicionamento Global, 2001. 237f. Livre-Docência. Escola de
Engenharia de São Carlos, Departamento de Transporte/ USP. São Carlos-SP,
2001.
 60

SILVA, A. C. et al. Desenvolvimento sustentável da bacia hidrográfica do rio São

Tomé. Gestão de Extensão e Estudos Independentes: Revista do I Fórum de
Extensão Universitária, 2011. 7 p.

SILVA, B. C. da et al. Comparação entre dados dos sensores LISS-III/ Resourcesat-

1 e ETM+/ Landsat 7. In: XVI SIMPÓSIO BRASILEIRO DE SENSORIAMENTO
REMOTO - SBSR, 2013, Foz do Iguaçu, PR, Brasil. Anais XVI Simpósio Brasileiro
de Sensoriamento Remoto - SBSR, Foz do Iguaçu, PR, Brasil, INPE: p. 9138-
9142, 13-18, abril, 2013.

SILVA, M. P. S. et al. Remote-sensing image mining: Detecting agents of land-use

change in tropical forest areas. International Journal of Remote Sensing, 29(16),
p. 4803–4822, 2008.

SINDICAFÉ – MG (Sindicato da Indústria de Café do Estado de Minas Gerais).

Produção de café no Sul de Minas Gerais. Disponível em: <http://sindicafe-
mg.com.br/plus/modulos/conteudo/?tac=tipos-de-cafe>. Acesso em: 10 maio 2014.

SOARES, V. P. et al. Mapeamento das Áreas de Preservação Permanente e dos

Fragmentos Florestais Naturais como Subsidio à Averbação de Reserva legal em
Imóveis rurais. Cerne, Lavras, v. 17, n. 4, p. 555-561, out./dez. 2011.
SPÖRL, C.; ROSS, J. L. S. Análise Comparativa da Fragilidade Ambiental Com
Aplicação de Três Modelos. GEOUSP – Espaço e Tempo, São Paulo, n. 15, p. 39-
49, 2004.

STRAHLER, A. N. Hypsometric (area-altitude) – analysis of erosion al topography.

Geological Society of America Bulletin, v. 63, n. 10, p. 1117-1142, 1952.

TIAN, J.; CHEN, D. M. Optimization in multi-scale segmentation of high-resolution

satellite images for artificial feature recognition. International Journal of Remote
Sensing. V. 28, n. 20, p. 4625–4644, 2007.

VEIGA, L. A. K.; ZANETTI, M. A. Z.; FAGGION, P. L. Fundamentos de Topografia.

UFPR, Paraná, 2012. 288 p.

VIEIRA, M. A. et al. Object Based Image Analysis and Data Mining applied to a
remotely sensed Landsat time-series to map sugarcane over large areas. Remote
Sensing of Environment, 123, p. 553-562, 2012.

YAMAMOTO, J. K. A review of Numerical Methods for the Interpolation of Geological

Data. Anais da Academia Brasileira de Ciências. V. 70, n.1, p. 92-116, 1998.
 61

APÊNDICE A – Artigo submetido

CLASSIFICAÇÃO DO USO DA TERRA E COBERTURA VEGETAL UTILIZANDO

MINERAÇÃO DE DADOS: EXEMPLO NO SUL DE MINAS GERAIS

Land-use and land-cover classification using data mining: example in southern Minas Gerais

RODRIGO CESÁRIO JUSTINO¹

FERNANDO SHINJI KAWAKUBO¹

¹Universidade Federal de Alfenas/ MG – UNIFAL/ MG

Alfenas – MG – Brasil

[email protected]; [email protected]

RESUMO
O objetivo deste estudo é realizar a classificação do uso da terra e cobertura vegetal na bacia do Rio São Tomé no sul do estado
de Minas Gerais utilizando imagens multiespectrais geradas pelo sensor LISS III (Linear Imaging Self-Scanner) a bordo do
satélite IRS (Indian Resource Satellite ) e técnicas de mineração de dados. A área de estudo localiza-se em uma região de
grande tradição de cultivo de café cujas propriedades são predominantemente de pequeno e médio portes. Para realizar a
classificação das imagens, foi utilizado o aplicativo GeoDMA (Geographic Data Mining Analyst) que possui algoritmos para
segmentação, extração de atributos, seleção de feições e classificação. Os resultados mostraram o grande potencial das técnicas
de mineração de dados na classificação de imagens de satélite. Algumas das vantagens da utilização de mineração de dados
incluem: a possibilidade de incorporar no processo de classificação um grande número de variáveis, sejam espectrais, espaciais
e atributos do terreno; a geração de classificações consistentes; e a simplicidade para interpretar a suas estruturas de
classificação.
Palavras-chave: mineração de dados, sensoriamento remoto, GeoDMA, segmentação, árvore de decisão, exatidão.

ABSTRACT
The objective of this study is to classify the land use and land cover of the São Tomé river watershed located in the south of the
Minas Gerais state by using multispectral imagery collected by the Linear Imaging Self-Scanner onboard the Indian Resource
Satellite and data mining techniques. The study area lies in a region with great tradition of coffee cultivation whose properties
are predominantly of small and medium sizes. To carry out the image classification, we used the Geographic Data Mining
Analyst (GeoDMA), a toolbox that has algorithms for segmentation, feature extraction, feature selection and classification. The
results showed the great potential of the data mining techniques for remote sensing imagery classification. Some advantages
encompass the possibility of incorporate in the classification process a great variety of informations that includes spectral,
spatial and topographic attributes, the generation of high classification accuracy, and the simplicity to interpret their
classification structure.
Keywords: data mining, remote sensing, GeoDMA, segmentation, decision tree, accuracy.

1. INTRODUÇÃO:
A tecnologia do sensoriamento remoto (SR) constitui em uma das principais fontes de informações de apoio aos estudos
destinados ao planejamento agrícola e ambiental. Além de fornecer uma visão panorâmica da paisagem, o SR permite a coleta
de dados em intervalos de tempos regulares (devido à periodicidade de revisita do satélite), em regiões do espectro
eletromagnético inacessíveis à visão humana (em razão do caráter multiespectral dos sensores), com confiabilidade e com baixo
custo relativo.
Uma das principais aplicações do SR voltadas para o planejamento agrícola e ambiental é o mapeamento do uso da terra e
cobertura vegetal. Tradicionalmente, este tipo de mapeamento é feito utilizando os elementos de reconhecimento da
fotogrametria interpretativa (CERON; DINIZ, 1966). Todavia, tal metodologia adota critérios bastante subjetivos no processo
de decisão, além de exigir bastante tempo na sua execução, o que encarece o custo do mapeamento.
As técnicas de classificação digital de imagens de satélite têm se sofisticado ao longo dos anos com significativas melhorias
no processo de reconhecimento de padrões de uso da terra e cobertura vegetal. Uma das abordagens mais promissoras é a
classificação de imagens orientada a objeto. A classificação orientada a objeto tem como unidade de análise grupos de pixels
delimitados por segmentos - ao invés de pixels isolados como feita na classificação tradicional. Esses segmentos geralmente
incorporam um amplo conjunto de informações que inclui atributos espectrais, texturais e espaciais (BLASCHKE, 2010) que
são usados para treinar ou construir uma base de conhecimento para a classificação de imagens (KAWAKUBO et al., 2013).
A classificação baseada no conhecimento simula o processo de fotointerpretação. Assim, critérios espectrais, texturais e de
contexto são considerados no processo de decisão. De acordo com Vieira et al. (2012), uma etapa importante desta abordagem é
a construção do modelo de interpretação de imagem (conhecimento). Neste modelo, o analista deve ter uma exata noção dos
 62

melhores atributos a serem utilizados na classificação. Condição esta, muitas vezes não atendida em virtude da dificuldade em
gerenciar a grande quantidade de informações disponíveis e do nível de detalhamento exigido.
Como forma de superar tais limitações, a adoção de técnicas de mineração de dados surge como uma alternativa viável para
geração automática de uma estrutura de conhecimento (SILVA et al., 2008; VIEIRA et al., 2012). A adoção de técnicas de
mineração de dados em classificação de imagens de satélite ainda é pouco disseminada e necessita de estudos mais
aprofundados como forma de avaliar o potencial e a limitação da técnica. Em vista dessas demandas existentes, o presente
trabalho tem como objetivo utilizar a técnica de mineração de dados aplicada ao mapeamento do uso da terra e cobertura vegetal
no sul de Minas Gerais. Atributos espectrais, texturas, espaciais e topográficos são explorados no processo de classificação.

2. ÁREA DE ESTUDO:
A área de estudo corresponde à bacia do rio São Tomé localizado no sul de Minas Gerais (Figura 1). O rio São Tomé
constitui um importante afluente do reservatório de Furnas, drenando uma área de aproximadamente 34 mil hectares
compreende parte dos municípios de Machado, Serrania e Alfenas (SILVA et al., 2011). A nascente do rio São Tomé localiza-
se no município de Machado a cerca de 1200 metros de altitude. A geomorfologia da região está incluída na unidade
morfoclimática do domínio das regiões serranas de morros mamelonares caracterizadas por morros arredondados em formato de
“meia-laranja” (AB’ SABER, 1963).
O clima é subtropical classificado como Cwa segundo Köppen (PEEL et al., 2007), com verão úmido e inverno seco. A
vegetação típica da região é formada por floresta estacional semidecidual ombrófila mista e cerrado (RADAMBRASIL, 1983).
Com relação ao uso da terra, a região destaca-se pelo plantio do café e atividade pecuária. Mais recentemente, observa-se
também o avanço crescente na região do plantio da cana-de-açúcar.

Figura 1 - Mapa de localização da bacia do rio São Tomé, sul de Minas Gerais. A imagem corresponde a uma composição
colorida do sensor IRS-P6 utilizando as bandas do infravermelho médio (b5), infravermelho próximo (b4) e vermelho (b3)
combinadas em RGB. A imagem foi adquirida em 31 de julho de 2010 correspondente a órbita/ponto 331/93.

3. MATERIAIS E MÉTODO

3.1 Derivações de Informações do Terreno

Foram utilizadas como base cartográfica quatro cartas topográficas na escala 1: 50000 publicadas pelo IBGE, folhas:
Areado (FOLHA SF-23-V-D-I-4), Alfenas (FOLHA SF-23-I-I-3), Campestre (FOLHA SF-23-V-D-IV-2) e Machado (FOLHA
SF-23-I-III-1). Utilizando as curvas de nível e pontos cotados, foi gerado um Modelo Digital do Terreno (MDT), que consiste
numa representação matemática contínua que descreve as variações relacionadas à altitude do terreno. Neste trabalho, optou-se
pela geração do MDT utilizando um interpolador linear que se baseia na distância de Borgefors. A geração deste modelo é
dividida em duas etapas. A primeira é a conversão das linhas de contorno do formato vetorial para o raster. Após a conversão,
os pixels cobertos pela linha de contorno assumem os valores de altitude das linhas correspondentes e os demais pixels possuem
 63

valores indefinidos. Na segunda etapa é realizada a interpolação linear feita entre os pixels com valores de altitude para obter as
elevações dos pixels com valores indefinidos. A partir do MDT foram derivados os seguintes produtos: informações de
hipsometria, declividade, orientação das vertentes e hierarquia de sub-bacias hidrográficas seguindo a metodologia de Strahler
(1952).

3.2 Imagens de Satélite e Pré-processamento

A imagem utilizada neste trabalho foi obtida junto ao INPE e foi gerada pelo sensor LISS III (Linear Imaging Self-Scanner)
que está a bordo do satélite indiano IRS - P6 (Indian Resource Satellite) ou RESOURCESAT-1. O LISS III é um sensor do tipo
Pushbroom que possui quatro faixas espectrais que operam nos intervalos do verde (0.52-0.59 µm (b2)), vermelho (0.62-0.68
µm (b3)), infravermelho próximo (0.77-0.86 µm (b4)) e infravermelho médio (1.55-1.70 µm (b5)). A imagem possui resolução
espacial de 23,5 metros no terreno quantificado em 7 bits e com tempo de revisita de 24 dias (EMBRAPA, 2013).
As especificações do sensor LISS III são compatíveis com outros sistemas de resolução moderada como as do Landsat -5
(Thematic Mapper - TM), -7 (Enhanced Thematic Mapper Plus - ETM+), -8 (Operational Land Imager - OLI) e CBERS (High
Resolution CCD Cameras), o que permite comparação das informações extraídas ao longo do tempo. Tal característica justifica
a importância de sua utilização em um contexto de complementaridade de informações.
A primeira etapa adotada no tratamento das imagens consistiu na correção geométrica da imagem, que tem como objetivo
corrigir as distorções geométricas causadas principalmente pela rotação da Terra e da instabilidade da plataforma (CRÓSTA,
2002). O procedimento de correção geométrica também é um passo fundamental para permitir a integração das imagens com
outras fontes cartográficas e possibilitar a comparação de imagens ao longo dos anos e entre instrumentos diferentes. A correção
geométrica foi realizada por meio da identificação de pontos de controle na imagem utilizando como referência a base
cartográfica definida no projeto. Foram selecionados 15 pontos de controle (ground control point – GCP) distribuídos ao longo
de toda a área de estudo. O erro de georreferenciamento utilizado a transformação afim foi inferior a 1,0 pixel.
Em seguida, as imagens foram reamostradas com o interpolador espacial vizinho mais próximo. A vantagem da utilização
do vizinho mais próximo em relação a outros interpoladores, como o bilinear e o bicúbico é que o algoritmo preserva os valores
dos pixels da imagem original. Condição esta importante para a etapa de classificação multiespectral. O espaçamento da grade
definido no momento da reamostragem foi de 20 metros, resultando no final deste processo, uma imagem com dimensão de
1717 linhas e 1454 colunas.

3.3 Análise das Imagens e Mineração

Esta etapa foi realizada utilizado o aplicativo GeoDMA (Geographic Data Mining Analyst), desenvolvido por Korting et al.
(2009; 2013). O GeoDMA integra métodos de análise de imagens com técnicas de mineração de dados (DPI/INPE, 2011).
Segundo Korting et al. (2013) o GeoDMA funciona como um plugin do TerraView e possui todas as fases de análise de
imagens como segmentação, extração e seleção de atributos, mineração de dados, análise multitemporal etc.
Segundo Bins et al. (1996), o processo de segmentação é uma das primeiras etapas na análise de imagens de SR onde a
imagem é dividida em regiões que melhor representam os objetos presentes na cena. Na abordagem por segmentação, ao invés
de trabalhar a imagem no nível do pixel, trabalha-se com o conceito de objetos, ou seja, conjuntos de pixels agregados que
possui alguma propriedade em comum, como cor, textura, padrão etc.
Para realizar a segmentação, adotou-se o algoritmo por crescimento de região baseado em Baatz et al. (2000) que incorpora
o conceito de multiresolução. A multirresolução consiste em minimizar a heterogeneidade dos objetos de uma imagem
(BAATZ et al., 2004; TIAN; CHEN, 2007), incorporando objetos menores dentro de objetos maiores com o objetivo de reduzir
a heterogeneidade espacial (CHUBEY et al., 2006). No GeoDMA três critérios são definidos: 1) compacidade, que trabalha
com a densidade dos objetos compactados e não compactados dentro da imagem; 2) escala, que influência no tamanho médio
dos objetos; e 3) cor, que tem relação com as propriedades espectrais das bandas (BAATZ et al., 2004).
Procurou-se um resultado de segmentação que não houvesse nem falta e nem excesso de segmentos. A análise dos
resultados da segmentação foi feita de maneira visual verificando se os segmentos foram bem delimitados e ajustados ao
conteúdo da informação presente na imagem (KAWAKUBO et al., 2009; KAWAKUBO et al., 2013).
Realizada a segmentação, iniciou-se a etapa de extração dos atributos. Além das bandas multiespectrais do sensor LISS III
(bandas do verde (b2), vermelho (b3), infravermelho próximo (b4) e infravermelho médio (b5)), foram também incluídas as
informações derivadas do MDT (hipsometria, declividade, orientação das vertentes e a hierarquia de bacia hidrográfica). As
informações topográficas foram incluídas porque observações em campo constataram um forte controle do relevo no
ordenamento territorial da bacia.
Estudos realizados por do Prado et al. (2013) na região de Muzambinho e Cabo Verde (nas proximidades a Alfenas, MG)
também mostraram uma forte influência do relevo na distribuição espacial do plantio do café. Os autores observaram que o
plantio do café distribui-se entre 800 - 1250 metros de altitude com predomínio na cota de 1000 metros. A declividade também
exerce grande influência, sendo o café plantado normalmente da meia vertente em direção aos topos, evitando-se os fundos de
vale em função dos maiores riscos de geada.
Além das propriedades espectrais e topográficas, também foram extraídas propriedades texturais e espaciais de cada objeto
delimitado pela segmentação. As propriedades texturais são importantes porque incorpora os conceitos de variabilidade interna
das classes. Já as propriedades espaciais são importantes porque as formas dos segmentos fornecem fortes indícios dos tipos de
uso e de cobertura vegetal. As formas regulares, por exemplo, correspondem a diferentes plantios e as formas irregulares, as
coberturas vegetais naturais.
 64

Após a extração de atributos, iniciou-se a fase de amostragem. Foram selecionadas amostras de 7 classes de uso da terra e
cobertura vegetal: Corpo d’água, Café formação, Café produção, Cana-de-açúcar, Mata, Pastagem e Solo exposto (esta classe
também inclui os afloramentos rochosos). O Café formação corresponde aos plantios de café em sua fase mais jovem, enquanto
o Café produção inclui os plantios em estágio de produção de grãos ou os plantios que foram podados.
Para a classificação, utilizou-se o algoritmo C4.5 desenvolvido por Quinlan (1993) para a geração da árvore de decisão. A
escolha dos atributos é baseada em uma métrica de entropia denominada de ganho de informação. Os atributos com maiores
ganhos de informação são selecionados na construção da árvore de decisão. A utilização de árvores de decisão em classificação
de imagens de satélite possui várias vantagens quando comparada com outros classificadores tradicionais, como por exemplo, o
da máxima verossimilhança (Maxver). Além de não requerer suposições com relação à distribuição das amostras, a árvore de
decisão é de fácil interpretação, possibilita considerar variáveis categóricas e numéricas e permite incorporar relações não
lineares entre classes (FRIEDL; BRODLEY, 1997).
No presente estudo, a classificação por árvore de decisão foi realizada de maneira interativa selecionando os atributos de
entrada e analisando os acertos e erros contidos na classificação. Foram realizados vários testes de classificação utilizando
diferentes atributos. Os atributos indicados na árvore de decisão que causavam erros nas classificações (analisados de maneira
qualitativa) foram sendo excluídos em cada teste até que o resultado da classificação atingisse um nível considerado satisfatório.

3.4 Análise de Exatidão

Realizou-se a análise quantitativa da exatidão da classificação por meio de uma matriz de confusão. A matriz de confusão é
formada por linhas e colunas onde são confrontados os resultados da classificação com as amostras de referência. Os valores
distribuídos na diagonal principal desta matriz correspondem aos acertos obtidos no mapeamento. Já os valores dispostos fora
da diagonal principal correspondem às confusões de classificação que podem estar associadas à inclusão ou exclusão de classes
(CONGALTON, 1991). Para a construção desta matriz foram coletados 3000 pontos de verdades terrestres distribuídos
aleatoriamente na área de estudo, sendo que todas as amostras de referência que caíram dentro da área de estudo foram
utilizadas na validação. A checagem destes pontos foi feita com informações obtidas em trabalhos de campo e com auxílio do
Google Earth.
Utilizando a técnica de tabulação cruzada, os dados de referência foram combinados com o resultado da classificação.
Foram extraídas porcentagens de acertos globais (proporção de pontos dispostos na diagonal principal da matriz) e individuais,
bem como os respectivos erros associados com o objetivo de avaliar as causas das confusões. Também foi utilizado o índice
kappa como referência de qualidade do mapeamento. De acordo com Congalton e Green (1993), o índice kappa é recomendado
como uma medida aceitável de precisão, sendo mais confiável que apenas a média da exatidão global, pois utiliza em um único
índice todos os valores da matriz de confusão. Detalhes de como são cálculos os índices mencionados são descritos com maior
detalhe em Congalton (1991).

4. RESULTADOS E DISCUSSÃO
Após vários testes de segmentação, adotaram-se como parâmetro de segmentação os seguintes valores: 40 (compacidade),
30 (escala) e 70 (cor), gerando no total 2499 objetos. Como regra geral, os melhores valores são aqueles que conseguem
delimitar com eficiência os objetos contidos na imagem sem que haja falta ou excesso de segmentos. A Figura 2 ilustram alguns
exemplos de resultados utilizando diferentes valores de entrada.

Figura 2 - Resultados da segmentação utilizando diferentes parâmetros de compacidade/ escala/ cor. Observa-se em (A) excesso
de segmentos, em (B) falta de segmentos e em (C) um particionamento da paisagem mais equilibrado.
 65

Com relação à etapa de mineração de dados, a árvore que apresentou o melhor resultado é ilustrada na Figura 3. Conforme
pode ser observado, os atributos utilizados na classificação foram a soma, a média e principalmente a moda das propriedades
espectrais. Nenhum atributo espacial ou topográfico foi selecionado na construção da árvore de decisão apresentada, o que
sugere pouca influência destes atributos no processo de classificação.

Figura 3 - Árvore de decisão utilizando o algoritmo C4.5.

A primeira divisão separou a classe água das demais utilizando a soma da banda 3 (comprimento de onda do verde). Os
objetos com valores iguais ou abaixo de 1668 foram classificados como Corpo d’água e os objetos com valores acima foram
subdivididos.
Na divisão seguinte, objetos com valores de moda na banda 4 (canal vermelho) iguais ou abaixo de 51 e com valores de
moda na banda 3 iguais ou inferiores a 178 foram classificados como Café formação. Os objetos com valores acima de 178 e
com valores iguais ou inferiores a 17 na moda da banda 4 (infravermelho próximo) foram classificados como Mata. Já os
valores maiores que 17 foram então classificados como Café Produção.
Os objetos com valores acima de 51 na moda banda 4 foram subdivididos utilizando a média de seus valores. Objetos com
valores iguais ou inferiores a 131 e que apresentaram ao mesmo tempo valores iguais ou inferiores a 110 na moda da banda 3
foram rotulados como Pastagem. Já os objetos com valores acima de 110 e com valores de moda da banda 2 iguais ou inferiores
a 110 foram classificados como Cana-de-açúcar. Os valores acima de 110 foram novamente classificados como Café produção.
Objetos com valores acima de 131 na média da banda 4 e com moda na banda 2 iguais ou inferiores a 187 foram
classificados como Solo exposto. Os objetos com valores acima de 187 e com valores iguais ou inferiores a 212 na moda da
banda 5 (infravermelho médio) foram rotulados como Pastagem e os valores acima de 212 como Solo exposto.
Conforme pode ser observado, as classes Pastagem, Solo exposto e Café produção foram classificados em nós distintos da
árvore de decisão. Isto aconteceu provavelmente em virtude da heterogeneidade destas classes. A classe Pastagem inclui tanto a
vegetação rasteira com baixa atividade fotossintética (pastos secos) quanto os pastos sujos e banhados. A classe Solo exposto
também apresenta grande diversidade espectral, pois inclui os solos secos e os solos preparados para o cultivo, além dos
afloramentos rochosos. Já a classe Café produção engloba tanto o café em plena atividade produtiva (caracterizado por índices
mais altos de área foliar e de sombra de dossel) quanto o café velho ou podado (caracterizado pela maior presença de galhos
secos e menor abundância de folhas verdes e de sombra).
Durante os vários testes realizados, algumas árvores selecionaram atributos espaciais. Foram selecionados o perímetro,
área, área-caixa, largura e comprimento, todavia, nenhuma delas selecionou atributos topográficos. As classes Solo exposto e
Pastagem foram as que mais frequentemente selecionaram os atributos espaciais mencionados, porém, em todas as
classificações observou-se superestimava das classes mencionadas.
O resultado da classificação (Figura 4) ilustra a diversidade de uso e fragmentação espacial da cobertura vegetal presente na
bacia. As matas ciliares são praticamente inexistentes e as pequenas manchas localizam-se principalmente nas áreas de encostas.
A matriz da bacia é composta por Pastagem, todavia, observa-se uma grande quantidade de Solo exposto em razão da classe
também englobar os afloramentos rochosos e haver confusão com os pastos secos. Os plantios de Cana-de-açúcar concentram-
se na porção nordeste da bacia por se tratar de uma área mais plana que favorece o cultivo mecanizado. O café, classificado em
Formação e Produção é a principal cultura agrícola da bacia. Essa cultura ocupa principalmente as cotas mais altas do relevo,
sendo cultivada em vertentes mais íngremes adjacentes às manchas de mata e em topos de morro.
 66

Figura 4 - Mapa de uso da terra e cobertura vegetal gerado a partir de classificação por Mineração de Dados.

Analisando a matriz de confusão (Tabela 1) observa-se que mesmo com uma grande variabilidade de uso existente, os
resultados de exatidão (proporção de acertos contidos ao longo da linha) e de confiabilidade (proporção de acertos contidos ao
longo da coluna) alcançaram resultados expressivos. A média da exatidão foi de 75% e a média da confiabilidade foi de 68%. A
exatidão global que expressa à proporção de pontos corretamente classificados com relação ao total de pontos amostrados
alcançou um valor de 73%. Outro índice utilizado como referência para a avaliação da classificação foi o índice Kappa, que
alcançou o valor de 0,66, sendo classificada na categoria de desempenho bom (0,61-0,80) (LANDIS; KOCH, 1977).
 67

Tabela 1 - Matriz de confusão gerada para a classificação por mineração de dados no GeoDMA. A média da acurácia (ACC%) foi de 75%.
Já a média da confiabilidade em porcentagem foi de 68% e a média global da diagonal principal (exatidão global) foi de 73%.

Solo exposto
Pastagem
formação

produção

Cana-de-
Classificação →

ACC%
d’água
açúcar

Corpo
Mata

Total
Café

Café
Referências ↓

Café formação
57 13 2 0 0 7 0 79 72%
Café produção
8 219 48 37 7 35 0 354 61%
Cana-de-açúcar
0 0 34 2 1 0 0 37 91%
Pastagem
0 5 1 106 38 2 0 152 69%
Solo exposto
0 1 2 29 188 0 0 220 85%
Mata
2 13 1 2 0 108 0 126 85%
Corpo d’água
0 3 0 1 0 3 12 19 63%
Total
67 254 88 177 234 155 12 987
Confiabilidade %
85% 86% 38% 59% 80% 69% 100%

As classes que tiveram as maiores exatidões individuais foram a Cana-de-açúcar (91%) seguida pelo Solo exposto (85%) e
Mata (85%). No caso do café, vários estudos já realizados mostram a dificuldade em separar cultivos de café de outros usos em
decorrência de sua alta diversidade espectral (MOREIRA et al. 2004, 2008; PRADO et al., 2013). Dependendo do estágio
fenológico do cultivo, idade, manejo e condições topográficas, o comportamento espectral do café pode ser semelhante à mata
(café produção), ao pasto verde ou cana-de-açúcar (café formação ou café produção em terrenos declivosos) ou pastagem (café
velho ou podado). A exatidão da classe Pastagem (69%) foi comprometida pela grande confusão com o Solo exposto. Por fim, a
classe Corpo d’água (63%) foi confundida com as áreas de mata e de café produção em virtude provavelmente do
sombreamento existentes nestas classes. Com relação à confiabilidade individual, a classe Corpo d´água foi a que apresentou a
maior confiabilidade (100%), seguido pelo Café produção (86%) e Café formação (85%). A classe de menor confiabilidade foi
a Cana-de-açúcar (38%) em decorrência principalmente da confusão com o Café produção.

5. CONCLUSÃO
A técnica de mineração de dados mostrou-se eficiente no mapeamento do uso da terra e cobertura vegetal em área com
grande diversidade de uso como no sul de Minas Gerais. A exatidão global alcançada foi de 73% com índice kappa de 0,66, o
que a enquadra na categoria de desempenho bom. Apesar de considerar na mineração de dados atributos espectrais, espaciais e
topográficos, apenas informações espectrais foram selecionados na classificação, o que sugere pouca relevância de outros
atributos no processo de decisão. Todas as bandas do sensor LISS III (bandas do verde, vermelho, infravermelho próximo e
infravermelho médio) foram selecionadas no processo de mineração de dados. Tal resultado reforça o potencial das imagens
LISS-III na identificação e classificação do uso da terra e cobertura vegetal.

AGRADECIMENTOS
Os autores expressam os seus agradecimentos a CAPES pelo apoio financeiro concedido. Agradecimentos especiais ao Dr.
Thales Korting pelos esclarecimentos com relação ao uso do aplicativo GeoDMA.

REFERÊNCIAS BIBLIOGRÁFICAS
AB'SÁBER, A. N. Os domínios de natureza no Brasil: potencialidades paisagísticas. 2ª ed. São Paulo: Ateliê Editorial, 2003.
BAATZ, M. et al. USER GUIDE 4 (eCognition). Definiens Imaging. Copyright © 2000 - 2004. Germany, 2004.
BAATZ, M.; SCHÄPE, A. Multiresolution Segmentation: an optimization approach for high quality multi-scale image
segmentation. Journal of Photogrammetry and Remote Sensing, Heidelberg, v. 58, n. 3-4, p. 12-23, 2000.
BINS, L. S. et al. Satellite Imagery Segmentation: a region growing approach. In:
Anais VIII Simpósio Brasileiro de Sensoriamento Remoto, Salvador, Brasil, 14-19, abril, 1996, INPE, p. 677- 680.
BLASCHKE, T. Object based image analysis for remote sensing. ISPRS Journal of Photogrammetry and Remote Sensing,
65(1), 2–16, 2010.
CERON, A. O.; DINIZ, J. A. F. O uso de fotografias aéreas na identificação das formas de utilização agrícola da terra.
Revista Brasileira de Geografia. n. 2, p.161-173, 1966.
CHUBEY, M. S. FRANKLIN S. E.; WULDER M. A. Object-based Analysis of Ikonos-2 Imagery for Extraction of Forest
Inventory Parameters. Photogrammetric Engineering & Remote Sensing. Vol. 72, No. 4, April 2006, pp. 383–394.
CONGALTON, R. G. A Review of Assessing the Accuracy of Classifications of Remotely Sensed Data. REMOTE SENS.
ENVIRON. 37:35-46 (1991).
CONGALTON, R. G.; GREEN, K. A Practical Look at the Sources of Confusion in Error Matrix Generation.
 68

Photogrammetric Engineering & Remote Sensing, Vol. 59, No. 5, May 1993, pp. 641-644.
CRÓSTA, A. P. Processamento Digital de Imagens de Sensoriamento Remoto. Ed. rev. 4ª Reimpressão. Campinas,
SP: IG/UNICAMP, 2002. 170 p.
DPI/INPE. GeoDMA-Geographic Data Mining Analyst. Disponível em: <http://www.dpi.inpe.br/menu/Projetos/geodma.php>.
Acesso em: 20 de jul. de 2013.
DO PRADO, D. F. C. et al. Mapeamento do cultivo de café no sul de Minas Gerais utilizando imagens Landsat-5 TM. Anais
XVI Simpósio Brasileiro de Sensoriamento Remoto, Foz do Iguaçu, Brasil, 13-18 de abril 2013, INPE, p. 186-192.
EMBRAPA – Monitoramento por Satélite. IRS - Indian Remote Sensing Satellite. Disponível em:
<http://www.sat.cnpm.embrapa.br/conteudo/missao_irs.php>. Acesso em: 05 de fev. de 2013.
FRIEDL, M. A.; BRODLEY, C. E. Decision tree classification of land cover from remotely sensed data. Remote Sensing of
Environment, 61(3), 399–408, 1997.
KAWAKUBO, F. S. et al. Land-use and vegetation-cover mapping of an indigenous land area in the state of Mato Grosso
(Brazil) based on spectral linear mixing model, segmentation and region classification. In: Geocarto International.
Vol. 24, nº 2, p. 165–175, 2009.
KAWAKUBO, F. S.; MORATO, R. G.; LUCHIARI, A. Use of fraction imagery, segmentation and masking techniques to
classify land-use and land-cover types in the Brazilian Amazon. In: International Journal of Remote Sensing.
Vol. 34, nº 15, p. 5452–5467, 2013.
KORTING, T. S. et al. GeoDMA – Um sistema para mineração de dados de sensoriamento remoto. Anais XIV Simpósio
Brasileiro de Sensoriamento Remoto, Natal, Brasil, 25-30 abril 2009, INPE, p. 7813-7820.
KORTING, T. S.; FONSECA, L. M. G.; CÂMARA, G. GeoDMA – Geographic Data Mining Analyst. In: Computers
& Geosciences, 57 (2013), 133-145.
LANDIS, J. R.; KOCH G. G. The Measurement of Observer Agreement for Categorical Data.” Biometrics 33: 159–174, 1977.
MOREIRA, M. A.; ADAMI, M.; RUDORFF, B. F. T. Análise espectral e temporal da cultura do café em imagens Landsat-5.
Pesquisa Agropecuária Brasileira, Brasília, v.39. n.3, p.223-231. 2004.
MOREIRA, M. A. et al. Geotecnologias no mapeamento da Cultura do Café em Escala Municipal. Sociedade & Natureza,
Uberlândia, 20 (1): 101-110, jun. 2008.
PEEL, M. C.; FINLAYSON, B. L.; MCMAHON, T. A.. Updated world map of the Köppen-Geiger climate classification.
Hydrology and Earth System Sciences 11, 1633–1644, 2007.
QUINLAN, J. R. C4. 5: Programs for Machine Learning. [S.l.]: Morgan kaufmann, 1993.
RADAMBRASIL, Levantamento dos recursos naturais: geologia, geomorfologia, pedologia, vegetação e uso potencial da terra.
Folhas SF. 23 / 24, Rio de Janeiro/Vitória. Rio de Janeiro: Ministério das Minas e Energia, 1983. 780p.
SILVA, A. C. et al. Desenvolvimento sustentável da bacia hidrográfica do rio São Tomé. Gestão de Extensão e Estudos
Independentes: Revista do I Fórum de Extensão Universitária. 2011. 9p.
SILVA, M. P. S. et al. Remote-sensing image mining: Detecting agents of land-use change in tropical forest areas. International
Journal of Remote Sensing, 29(16), 4803–4822, 2008.
STRAHLER, A. N. Hypsometric (area-altitude) – analysis of erosion al topography. Geological Society of America Bulletin,
v.63, n.10, p.1117-1142, 1952.
TIAN, J.; CHEN, D. M. Optimization in multi-scale segmentation of high resolution satellite images for artificial feature
recognition. International Journal of Remote Sensing, Vol. 28, Nº 20, p. 4625–4644, 2007.
VIEIRA, M. A. et al. Object Based Image Analysis and Data Mining applied to a remotely sensed Landsat time-series to map
sugarcane over large areas. Remote Sensing of Environment 123 (2012) 553-562.