Upload
trandieu
View
213
Download
0
Embed Size (px)
Citation preview
INPE-13956-TDI/1062
ANÁLISE MULTI-TEMPORAL DE CENAS DO SATÉLITE
QUICKBIRD USANDO UM NOVO PARADIGMA DE
CLASSIFICAÇÃO DE IMAGENS E INFERÊNCIAS ESPACIAIS:
ESTUDO DE CASO-BELO HORIZONTE, MG
Eduardo Henrique Geraldi Araújo
Dissertação de Mestrado do Curso de Pós-Graduação em Sensoriamento Remoto, orientada pelos Drs. Hermann Johann Heinrich Kux e Teresa Gallotti Florenzano,
aprovada em 18 de maio de 2006.
INPE São José dos Campos
2005
528.711.7 ARAÚJO, E. H. G. Análise multi-temporal de cenas do satélite quickbird
usando um novo paradigma de classificação de imagens e inferências espaciais: estudo de caso-Belo horizonte, MG / E. H. G .Araújo – São José dos Campos: INPE, 2006.
175p. ; (INPE-13956-TDI/1062). 1.Sensoriamento remoto. 2.Planejamento urbano.
3.Classificação de imagens.4.Correção geométrica. 5.Análise de imagens. I.Título.
“O tempo e o espaço são modos pelos quais pensamos e não condições nas quais vivemos”.
ALBERT EINSTEIN
AGRADECIMENTOS
Agradeço a todas as pessoas e instituições que de alguma forma contribuíram para a realização deste trabalho, em especial: À Fundação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES), pelo auxílio financeiro. Ao Instituto Nacional de Pesquisas Espaciais (INPE), pela oportunidade de estudos e utilização de suas instalações. Aos meus orientadores Dr. Hermann Johann Heinrich Kux e Dra.Teresa Gallotti Florenzano, pela confiança depositada, compreensão e atenção dispensadas. À coordenação do Curso de pós-graduação em Sensoriamento Remoto, pelo empenho em nos fornecer todas as condições necessárias para a realização dos nossos trabalhos. Ao Engenheiro Paulo Cesar Gurgel de Albuquerque, pelas explicações sobre o uso de GPS, preparações do trabalho de campo e correções geométricas. Ao Professor Dupont pelos ensinamentos de geologia e atenção dispensada. À Dra. Claudia Maria de Almeida, pelas sugestões valiosas ao meu trabalho. À empresa Intersat, pelo fornecimento das imagens utilizadas neste trabalho. À Prefeitura Municipal de Belo Horizonte, Empresa de Informática e Informação do Município de Belo Horizonte (PRODABEL), Companhia Urbanizadora de Belo Horizonte (URBEL) e Instituto de Geociências (IGC) da Universidade Federal de Minas Gerais (UFMG) pelo fornecimento de informações e dados usados neste trabalho. Ao Departamento de Estradas e Rodagens de Minas Gerais (DER-MG) por ceder seu espaço para a instalação da base do D-GPS e pelos auxílios no trabalho de campo. Aos meus colegas do INPE pelo companheirismo e ajudas freqüentes. Aos meus amigos de Minas Gerais que sempre me apoiaram e incentivaram. À Fernanda, minha noiva, pela paciência, incentivo, compreensão e apoio durante esses tempos em que estivemos distantes. À minha irmã Claudia e seu marido Cel. Darcton por me ajudarem a ingressar neste mestrado e incentivarem a continuar. À minha família por sempre acreditar em mim, me apoiando e incentivando em todos os momentos da minha vida. Por estarem sempre presentes.
RESUMO
Devido ao grande processo de urbanização no Brasil, que resultou num aumento da população residente nas cidades e em sérios impactos no meio ambiente, existe uma necessidade crescente em se desenvolver métodos e tecnologias que permitam monitorar, analisar e intervir na expansão urbana. Belo Horizonte (MG) é uma área metropolitana altamente complexa, onde é muito difícil diagnosticar seus problemas. Utilizando imagens de alta resolução espacial, é possível obter informações necessárias para as atividades de planejamento a fim de melhorar a qualidade de vida dos habitantes. Por meio de métodos de classificação automática da cobertura da terra que usam novos paradigmas é possível extrair informações importantes para o entendimento da urbe. Técnicas de classificação orientada a objetos que usam relações de contexto, hierarquia e lógica fuzzy são procedimentos recentes e eficientes no mapeamento do solo urbano, especialmente quando associadas a imagens de alta resolução espacial, como as do satélite Quickbird, e informações auxiliares. Este conjunto de dados e a análise multi- temporal permitem a realização de inferências espaciais, gerando conhecimento a respeito das cidades. No entanto, para se fazer estudos multi- temporais com imagens de alta resolução espacial, é necessário que todos os dados estejam devidamente co-registrados, e, para tanto, modelos de correção geométrica das imagens de alta resolução devem ser aplicados. As distorções sofridas por estas imagens impedem sua sobreposição direta sobre dados de origem cartográfica. Neste estudo, inferências espaciais foram feitas para dois bairros de Belo Horizonte, baseadas em cenas Quickbird de 2002 e 2004 usando classificação orientada a objetos bem como dados geológicos, geotécnicos e legais. Uma ortorretificação foi realizada em ambas as imagens, adotando-se o modelo rigoroso, o que permitiu a sobreposição dos dados em um SIG. Desta maneira, foi possível gerar informações sobre a expansão desses bairros entre 2002 e 2004, ocupações irregulares bem como áreas com riscos de deslizamento/erosão de encostas que podem causar danos à propriedade e aos indivíduos.
MULTI-TEMPORAL ANALYSIS OF QUICKBIRD IMAGES USING A NEW CLASSIFICATION PARADIGM AND SPATIAL INFERENCES. A CASE
STUDY: BELO HORIZONTE – MG, BRAZIL
ABSTRACT
Due to the strong urbanization process occurring in Brazil and of population increase in cities, and consequent ly to serious impacts on environment, there is a growing need to develop methodologies and technologies which allow to monitor, analyze and to make an intervention at the urban expansion. Belo Horizonte (State Capital of Minas Gerais) is a highly complex metropolitan area, making a diagnosis of its’ problems very difficult. Using high resolution images, it is possible to obtain information needed for planning activities, in order to improve quality of life. Applying automatic land use classification algorithms which use new paradigms, relevant information can be extracted to improve understanding of the city. Object-oriented classification which uses context relations, hierarchy and fuzzy logic, are new and efficient procedures to map urban land cover, specially when working with high-resolution images, like those from QUICKBIRD satellite and ancillary data. These datasets and multi- temporal analysis allow spatial inferences, generating new knowledge on urban areas. Meanwhile, to perform multi- temporal studies with high-resolution satellite images, all data must be duly co-registered and, in order to do that, geometric correction models must be applied. The distortions suffered by these images impede its’ direct superposition on thematic cartographic data. In this study, spatial inferences were made from two quarters of Belo Horizonte, based on QUICKBIRD images from 2002 and 2004, using object-oriented classification as well as geological, geotechnical and legal data. An ortho-rectification of both datasets was done, considering the rigorous model, allowing data superposition in a GIS. So it is possible to generate information on the expansion of these quarters in the timeframe 2002-04, the illegal land occupation and areas with landslide / erosion risks which could cause damage to property and individuals.
SUMÁRIO
Pág.
LISTA DE FIGURAS
LISTA DE TABELAS
LISTA DE SIGLAS E ABREVIATURAS
CAPÍTULO 1 - INTRODUÇÃO ................................................................................. 25
CAPÍTULO 2 - FUNDAMENTAÇÃO TEÓRICA ................................................... 29 2.1 A Área Urbana .......................................................................................................... 29 2.2 Correção Geométrica ................................................................................................ 31 2.2.1 Ortorre tificação ...................................................................................................... 32 2.2.1.1 Modelo Rigoroso Aplicado a Imagens Quickbird .............................................. 33 2.2.1.2 GCP e GPS em Modo Diferencial ...................................................................... 35 2.3 Classificação do Uso do Solo – Abordagem Orientada a Objetos ........................... 36 2.3.1 Avaliação da Classificação .................................................................................... 43 2.3.1.1 Matriz de Confusão ............................................................................................. 43 2.3.1.2 Estabilidade dos objetos classificados ................................................................ 44 2.4 Inferências Espaciais ................................................................................................ 45 2.4.1 Processo Analítico Hierárquico – AHP ................................................................. 46 2.4.2 Álgebra Booleana .................................................................................................. 47 2.4.3 Geologia e Geotecnia ............................................................................................. 48 2.4.3.1 Risco Geológico .................................................................................................. 50 2.4.4 Legislação .............................................................................................................. 51
CAPÍTULO 3 - ÁREA DE ESTUDO.......................................................................... 53 3.1 Bairro Belvedere ....................................................................................................... 53 3.1.1 Características Gerais ............................................................................................ 53 3.1.2 Características Legais – LEIPUOS ........................................................................ 55 3.1.3 Características Geológicas- Geomorfológicas........................................................ 56 3.2 Bairro Buritis ............................................................................................................ 59 3.2.1 Características Legais – LEIPUOS ........................................................................ 61 3.2.2 Características Geológicas ..................................................................................... 62
CAPÍTULO 4 - MATERIAL E MÉTODOS .............................................................. 65 4.1 Material..................................................................................................................... 65 4.1.1 Dados de Sensoriamento Remoto .......................................................................... 65 4.1.2 Dados Cartográficos .............................................................................................. 65 4.1.3 Softwares Aplicativos ............................................................................................ 66 4.1.4 Equipamentos ........................................................................................................ 67 4.2 Metodologia .............................................................................................................. 67 4.2.1 Definição da Área de Estudo ................................................................................. 68 4.2.2 Correção Geométrica ............................................................................................. 70 4.2.2.1 Modelo Digital de Terreno ................................................................................. 70
4.2.2.2 Obtenção dos Pontos D- GPS .............................................................................. 72 4.2.2.3 Ortorretificação ................................................................................................... 78 4.2.2.4 Avaliação ............................................................................................................ 81 4.2.3 Classificação Orientada a Objetos ......................................................................... 82 4.2.3.1 Preparação dos Dados ......................................................................................... 82 4.2.3.2 Definição das Classes ......................................................................................... 84 4.2.3.3 Segmentação ....................................................................................................... 88 4.2.3.4 Hierarquia entre as Classes ................................................................................. 90 4.2.3.5 Regras de Pertinência ......................................................................................... 91 4.2.3.6 Avaliação da Classificação ................................................................................. 92 4.2.4 Inferências Espaciais ............................................................................................. 93 4.2.4.1 Processamento dos Dados Cartográficos ............................................................ 94 4.2.4.2 Expansão Urbana ................................................................................................ 96 4.2.4.3 Risco ao Deslizamento de Encostas ................................................................... 96 4.2.4.4 Ocupação Irregular ............................................................................................. 97 4.2.4.5 Áreas Críticas de Riscos Geológicos .................................................................. 98 4.2.4.6 Prejuízo à População ........................................................................................... 98
CAPÍTULO 5 - RESULTADOS E DISCUSSÕES .................................................. 103 5.1 Correção Geométrica .............................................................................................. 103 5.2 Classificação Orientada a Objetos .......................................................................... 107 5.2.1 Segmentação ........................................................................................................ 109 5.2.1.1 Primeira Segment ação – Nível Dois ................................................................. 109 5.2.1.2 Segunda Segmentação – Nível Três ................................................................. 110 5.2.1.3 Terceira Segmentação – Nível Um................................................................... 110 5.2.2 Rede Hierárquica ................................................................................................. 111 5.2.3 Regras de pertinência ........................................................................................... 113 5.2.4 Resultados e Avaliação da Classificação ............................................................. 119 5.2.4.1 Classificação da Imagem de 2004 do Bairro Belvedere ................................... 119 5.2.4.2 Classificação da Imagem de 2002 do Bairro Belvedere ................................... 129 5.2.4.3 Classificação da Imagem de 2004 do Bairro Buritis ........................................ 132 5.2.4.4 Classificação da Imagem de 2002 do Bairro Buritis ........................................ 135 5.3 Inferências Espaciais .............................................................................................. 138 5.3.1 Expa nsão Urbana no Período de 2002- 2004 ....................................................... 138 5.3.2 Risco ao Deslizamento de Encostas .................................................................... 142 5.3.3 Ocupação Irregular .............................................................................................. 143 5.3.4 Áreas Críticas de Riscos Geológicos ................................................................... 145 5.3.5 Prejuízos à População .......................................................................................... 145
CAPÍTULO 6 - CONCLUSÕES ............................................................................... 149 6.1 Recomendações ...................................................................................................... 153
REFERÊNCIAS BIB LIOGRÁFICAS ...................................................................... 155
APÊNDICE A - DESCRIÇÃO DO ZONEAMENTO URBANO PRESENTE NAS ÁREAS DE ESTUDO ........................................................................................ 163
APÊNDICE B - TRABALHO DE CAMPO ............................................................. 165
APÊNDICE C - PÓS - PROCESSAMENTO............................................................. 169
LISTA DE FIGURAS
2.1 – Ordem primária dos elementos de imagens em foto-interpretação. ...................... 38 2.2 – Modelo conceitual da classificação orientada ao objeto........................................ 40 2.3 – Operações de transformação no SIG. .................................................................... 45 3.1 – Localização do bairro Belvedere em Belo Horizonte, M.G. ................................ 54 3.2 – Área residencial unifamiliar. ................................................................................. 55 3.3 – Área residencial multi- familiar e comercial. ......................................................... 55 3.4 – Mapa da LEIPUOS.. .............................................................................................. 56 3.5 – Unidades geológicas simplificadas do bairro Belvedere. ...................................... 57 3.6 – Exemplos de áreas com condições geológicas favoráveis ao escorregamento de
camadas. ................................................................................................................ 58 3.7 – Localização do bairro Buritis na cidade de Belo Horizonte, M.G. ........................ 60 3.8 – Exemplo de poluição visual das fundações ........................................................... 61 3.9 – Exemplo de setor com alta declividade ................................................................. 61 3.10 – Mapa da LEIPUOS.. ............................................................................................ 62 3.11 – Unidades geológicas simplificadas do bairro Buritis. ......................................... 63 3.12 – Carta de declividade do bairro Buritis. ................................................................ 64 4.1 – Fluxograma dos procedimentos metodológicos. ................................................... 68 4.2 – Área de sobreposição das imagens Quickbird de 2002 e 2004 nos bairros
Belvedere e Buritis. ............................................................................................... 70 4.3 – Distribuição dos pontos coletados com D-GPS..................................................... 72 4.4 – Exemplo de ponto selecionado na imagem ampliada (O). .................................... 73 4.5 – Foto de um dos pontos com o GPS preparado para a coleta. ................................ 74 4.6 – Resíduos de um dos vetores processados. ............................................................. 75 4.7 – Distribuição dos pontos de controle e de teste para a imagem de 2004. ............... 77 4.8 – Distribuição dos pontos de controle e teste para a imagem de 2002. .................... 78 4.9 – Limiares usados na primeira segmentação. ........................................................... 89 4.10 – Limiares usados na segunda segmentação........................................................... 89 4.11 – Limiares usados na terceira segmentação. ........................................................... 90 4.12 – Esquema do procedimento aplicado na construção da hierarquia. ...................... 90 4.13 – Exemplo de visualização de um atributo: índice de vegetação. .......................... 91 4.14 – Histogramas das classes “Arbórea” e “Piscina”. ................................................. 92 4.15 – Mapas de declividade e orientação de vertentes. ................................................. 95 4.16 – Procedimento para a geração de um mapa temático de risco ao deslizamento. .. 97 4.17 – Procedimento para gerar um mapa de edificações com ocupação irregular........ 97 4.18 – Procedimento para gerar o mapa de “Áreas Críticas de Risco Geológicos”. ...... 98 4.19 – Procedimento para gerar o mapa de potenciais prejuízos à população. .............. 99 5.1 – Exemplos de resultados obtidos no processo de ortorretificação. ....................... 103 5.2 – Imagens originais e corrigidas com seus respectivos RMS em metros. .............. 104 5.3 – Sombra provocada pela visada lateral do sensor. ................................................ 106 5.4 – Imagens preparadas para a classificação. ............................................................ 108 5.5 – Exemplo do resultado da primeira segmentação: alvos de interesse e influência
do cadastro........................................................................................................... 109
5.6 – Resultado da segunda segmentação: discriminação de quadras e ruas................ 110 5.7 – Resultado da terceira segmentação (nível um) em comparação com o resultado
da primeira (nível dois). ...................................................................................... 111 5.8 – Rede hierárquica geral. ........................................................................................ 112 5.9 – Regras usadas na classificação dos níveis 1 e 3 das imagens do bairro
Belvedere de 2002 e 2004. .................................................................................. 114 5.10 – Regras usadas na classificação do nível 2 das imagens do bairro Belvedere de
2002 e 2004. ...................................................................................................... 115 5.11 – Regras usadas na classificação dos níveis 1 e 3 das imagens do bairro Buritis
de 2002 e 2004................................................................................................... 116 5.12 – Regras usadas na classificação do nível 2 da imagem do bairro Buritis de
2004. .................................................................................................................. 117 5.13 – Regras usadas na classificação do nível 2 da imagem do bairro Buritis de
2002. .................................................................................................................. 118 5.14 – Resultado da classificação da imagem de 2004 do bairro Belvedere. ............... 120 5.15 – Exemplo do desempenho na classificação por adição da regra de textura. ....... 122 5.16 – Resultado da classificação no nível 3. ............................................................... 123 5.17 – Resultado de classificação com e sem regra de pertinência. ............................. 125 5.18 – Estabilidade dos objetos classificados ............................................................... 129 5.19 – Resultado da classificação da imagem de 2002 do bairro Belvedere. ............... 130 5.20 – Estabilidade dos objetos classificados ............................................................... 132 5.21 – Resultado da classificação da imagem de 2004 do bairro Buritis. .................... 132 5.22 – Resultados diferenciados pelo uso de novas regras de pertinência. .................. 133 5.23 – Estabilidade dos objetos classificados. .............................................................. 135 5.24 – Resultado da classificação da imagem de 2002 do bairro Buritis. .................... 135 5.25 – Gráfico que demonstra o grande intervalo para o atributo. ............................... 136 5.26 – Estabilidade dos objetos classificados. .............................................................. 138 5.27 – Expansão urbana no período 2002-2004 no bairro Buritis. ............................... 140 5.28 – Mapa de risco ao deslizamento de encostas nos bairros Belvedere e Buritis. ... 143 5.29 – Exemplos de edificações em locais irregulares. ................................................ 144 5.30 – Mapa de áreas críticas........................................................................................ 145 5.31 – Mapas de prejuízo à população.......................................................................... 146 B.1 – Formulários utilizados em trabalho de campo. ................................................... 167 C.1 – Conjunto dos vetores processados com a localização dos pontos de coleta na
área de estudo e na base. ..................................................................................... 169
LISTA DE TABELAS
2.1 – Descrição das fontes de distorções geométricas das imagens de satélite. ............. 31 2.2 – Qualidade da classificação segundo intervalos do coeficiente de concordância
Kappa .................................................................................................................... 44 2.3 – Escala de valores AHP para comparação pareada. ................................................ 46 4.1 – Especificações das imagens Quickbird.................................................................. 65 4.2 – Processamentos testados para o modelo RPC. ...................................................... 79 4.3 – Classes selecionadas para o estudo. ....................................................................... 84 4.4 – Valores e ordenamento por restrição dos parâmetros usados. ............................. 100 5.1 – Resultado de avaliação da classificação. ............................................................. 128 5.2 – Resultado de avaliação da classificação. ............................................................. 131 5.3 – Resultado de avaliação da classificação. ............................................................. 134 5.4 – Resultado de avaliação da classificação. ............................................................. 137 5.5 – Áreas das classes de cobertura do solo obtidas das imagens de 2002 e 2004 dos
bairros Belvedere e Buritis. ................................................................................. 138 B.1 – Descrição da Estação Altimétrica (RN) utilizada como referência. ................... 165 B.2 – Descrição do ponto do IBGE no DER-MG. ....................................................... 166 C.1 – Lista de pontos utilizados nos processos da imagem de 2004. ........................... 170 C.2 – Lista de pontos utilizados nos processos da imagem de 2002. ........................... 170
LISTA DE SIGLAS E ABREVIATURAS
AHP - Analytic Hierarchy Process
AMBB - Associação dos Moradores do Bairro Belvedere
AMM - Associação Mineira de Municípios
ADE - Áreas de Diretrizes Especiais
CA - Coeficiente de Aproveitamento
CCRS - Canada Centre for Remote Sensing
CREA - Conselho Regional de Engenharia Arquitetura e Agronomia
DER - Departamento de Estradas e Rodagens
DGPS - Differential Global Positioning System
DNPM - Departamento Nacional da Produção Mineral
DSM - Digital Surface Model
FNEA - Fractal Net Evolution Analysis
FUNDEP - Fundação de Desenvolvimento da Pesquisa
GCP - Ground Control Points
GPS - Global Positioning System
IBGE - Instituto Brasileiro de Geografia e Estatísitca.
IGC - Instituto de Geociências
INPE - Instituto Nacional de Pesquisas Espaciais
IPT - Instituto de Pesquisas Tecnológicas
MDE - Modelo Digital de Elevação
MDT - Modelo Digital de Terreno
MG - Minas Gerais
NASA - National Aeronautics and Space Administration
NDVI - Normalized Difference Vegetation Index
PBH - Prefeitura Municipal de Belo Horizonte
PEC - Padrão de Exatidão Cartográfica
PRODABEL - Empresa de Informática e Informação do Município de Belo Horizonte
RMBH - Região Metropolitana de Belo Horizonte
RMS - Root Mean Square
RN - Referência de Nível
RPC - Rational Polynomial Coefficients
SENGE - Sindicato dos Engenheiros
SIG - Sistema de Informação Geográfica
SMPL - Secretaria Municipal de Planejamento
SRTM - Shuttle Radar Topography Mission
TO - Taxa de Ocupação
TP - Taxa de Permeabilização
UFMG - Universidade Federal de Minas Gerais
URBEL - Companhia Urbanizadora de Belo Horizonte
USGS - United States Geological Survey
UTC - Universal Coordineted Time
ZA - Zona Adensada
ZAP - Zona de Adensamento Preferencial
ZAR - Zona de Adensamento Restrito
ZE - Zona de Equipamento
ZP - Zona de Proteção
ZPAM - Zona de Preservação Ambiental
25
CAPÍTULO 1
INTRODUÇÃO
A área urbana é um dos sistemas mais dinâmicos e variados do nosso planeta por ser
resultado da ação humana em um ambiente natural. A interação das atividades humanas
com a natureza agrega à urbe características complexas que demandam um estudo
detalhado dos vários componentes deste sistema. A dificuldade de diagnosticar os
problemas dos centros urbanos, principalmente nas grandes metrópoles, deve-se ao fato
de que estes ambientes são bastante heterogêneos e com múltiplas atividades
simultâneas. Por isso, em muitos casos, a urbanização se dá com grande velocidade e,
por vezes, sem nenhum tipo de planejamento.
No Brasil, o avanço da urbanização tem provocado sérios impactos no modo de vida da
população. O contínuo aumento da impermeabilização do solo, da densidade
demográfica e da construção de edifícios em locais impróprios, dentre outros, são
sempre acompanhados de graves problemas sociais e econômicos e impactos negativos
na infra-estrutura urbana e no meio ambiente. Problemas como as enchentes, o
desaparecimento ou o rebaixamento do lençol freático, o trânsito congestionado e
poluição além da falta de energia, água, saneamento e serviços públicos adequados são
exemplos das conseqüências de uma urbanização desordenada e voltada freqüentemente
a interesses econômicos.
O espaço urbano, que é simultaneamente fragmentado e articulado (Corrêa, 1999),
necessita ser mapeado para se realizar ações locais e, assim, melhorar as características
de cada um destes fragmentos. Além disso, com o estabelecimento da obrigatoriedade
de implementação dos Planos Diretores das cidades brasileiras com mais de 20 mil
habitantes, iniciou-se a busca pelo conhecimento dos processos de uso e ocupação do
solo urbano, objetivando regulamentar o crescimento urbano e planejar seu futuro.
Entender o crescimento e as mudanças trazidas pela urbanização é essencial para
26
aqueles que estudam as dinâmicas urbanas e para quem precisa administrar os recursos
e prover serviços nestes ambientes de mudanças rápidas (Yang, 2002).
O uso das técnicas de sensoriamento remoto auxilia na obtenção de informações sobre o
uso do solo e na elaboração de um diagnóstico que subsidia o planejamento e a solução
de problemas. Estas técnicas são utilizadas para a coleta e integração de informações
por várias razões: são normalmente mais baratas e rápidas, proporcionam um melhor
entendimento espacial das relações entre os objetos vistos de cima e permitem ainda
capturar dados em regiões do espectro eletromagnético que o olho humano não alcança,
como, por exemplo, a porção infravermelha do espectro eletromagné tico (Congalton e
Green, 1999).
A partir de 1994, a maior disponibilidade de novas tecnologias para o uso civil
possibilitou um enorme ganho na resolução espacial dos sensores a bordo de satélites
que até então chegava a 10m. Hoje já existem sensores com resolução espacial de 1m ou
superior. O Quickbird, da empresa Digital Globe, é um exemplo desta nova geração de
satélites equipados com sensores de alta resolução espacial cujos dados garantem
qualidade e precisão às aplicações urbanas. No entanto, as informações geradas por
sensores de alta resolução demandam uma nova abordagem de processamento digital.
As distorções geométricas dessas imagens são maiores. Conseqüentemente, os métodos
de correção geométrica necessitam ser mais refinados e precisos.
Vários métodos de correção geométrica, dentre eles a ortorretificação, foram
desenvolvidos especificamente para os dados desse tipo de sensor. Os mais eficientes
são aqueles que usam os coeficientes racionais polinomiais (RPC - Rational Polynomial
Coefficients) que são disponibilizados nos metadados das imagens e aqueles que
procuram reconstruir a geometria física do sensor no ato da coleta da imagem (métodos
rigorosos). A possibilidade de se corrigir as distorções de imagens ORStandard (do
satélite Quickbird) pelo modelo rigoroso, que é mais exato, é avaliada neste trabalho
devido ao seu caráter inovador e pelo reduzido número de trabalhos que utilizaram este
procedimento.
27
Da mesma forma, tiveram que ser criados ou adaptados procedimentos para a análise
dessas imagens. Abordagens orientadas a objetos baseadas em segmentação multi-
resolução, redes hierárquicas, funções de pertinência fuzzy e elementos de cognição têm
se mostrado bastante eficientes para a discriminação da grande quantidade de alvos
representados em imagens de alta resolução espacial.
Técnicas de processamento digital de imagens de alta resolução espacial possibilitam a
realização de estudos e mapeamentos temáticos detalhados em escalas de até 1:5000.
Neste estudo, a aplicação de métodos de inferência espacial, a partir da integração dos
dados de sensores remotos de alta resolução e seus produtos derivados com dados
originados de outras fontes (como dados censitários, geológicos, ambientais, legais, etc)
em um ambiente computacional único, permitiram a geração de informações relevantes
aos governos e à população para tomadas de decisões sobre a cidade. Isto é importante,
pois possibilita a análise de locais específicos da cidade de forma sistemática e
contextualizada.
Este trabalho tem como objetivo avaliar o uso de técnicas de processamento digital de
imagens de alta resolução espacial e de métodos de inferência espacial de áreas urbanas,
destacando suas características, especificidades e limitações, de modo a atingir as metas
de diagnóstico e produção de informações sobre a cidade, com vistas ao seu
desenvolvimento sustentável e à melhoria da qualidade de vida de seus habitantes. Para
isso selecionou-se como área de estudo dois bairros da cidade de Belo Horizonte:
Belvedere e Buritis.
Neste contexto, os objetivos específicos desta dissertação são:
• Testar a eficiência de métodos de correção geométrica de imagens do satélite
Quickbird;
• Avaliar a precisão dos resultados da ortorretificação de imagens Quickbird tipo
ORStandard aplicando o modelo rigoroso com o uso de pontos de controle
terrestres adquiridos por Global Positioning System (GPS) em modo diferencial;
28
• Avaliar o desempenho da classificação orientada à objetos no mapeamento da
cobertura do solo urbano;
• Avaliar a integração de informações extraídas de imagens Quickbird e de outras
fontes em um Sistema de Informações Geográficas (SIG) na geração de novas
informações que subsidiem o planejamento urbano
29
CAPÍTULO 2
FUNDAMENTAÇÃO TEÓRICA
Neste Capítulo são apresentados os conceitos de urbanismo e sensoriamento remoto que
fundamentam esta pesquisa e as técnicas aplicadas no seu desenvolvimento: correção
geométrica, classificação da cobertura do solo e inferências espaciais.
2.1 A Área Urbana
A cidade, historicamente considerada local de assentamento e permanência, é ho je o
espaço símbolo da mobilidade. O espaço urbano contemporâneo se concretiza com a
ênfase e os investimentos em infra-estruturas e interconexões de massa. “A
preponderância dos fluxos, de informações, pessoas ou mercadorias em redes cuja
máxima função reside na aceleração logística do sistema territorial e econômico,
parece colidir com a lógica tradicional dos lugares e com o discurso da identidade”
(Abascal, 2005). Esta mesma autora afirma que a cidade concentra não apenas massas
de populações, mas desigualdades sociais e territoriais. Nestas condições, a urbe se
mostra fragmentada e em constante mudança impossibilitando sua representação na
totalidade. Por isso é necessário reunir informações sobre a cidade de maneira
localizada e constante.
A urbanização é tida como um sinal da vitalidade econômica de uma região, no entanto
as cidades são raramente planejadas, o que provoca problemas de degradação ambiental
e ecológica (Yang, 2003). Segundo Bezerra e Fernandes (2000), mudanças recentes no
processo de urbanização e na configuração da rede de cidades, devido às transformações
na dimensão espacial do desenvolvimento econômico, contribuíram para reforçar a
heterogeneidade econômica e social no desenvolvimento das regiões e das cidades
brasileiras.
Analisando o processo de urbanização de Belo Horizonte verifica-se que a gestão
pública pendeu muito mais para o desenvolvimento econômico e a modernização do que
30
para a preservação e conservação do patrimônio natural e cultural (Moreira et al., 2003).
Segundo estes autores, a especulação imobiliária chega em áreas anteriormente
destinadas ao tombamento histórico, como é o caso do bairro Belvedere III. A
aprovação do loteamento deste bairro se deu alheia à legislação urbanística do
município. Por ser área de grande interesse ambiental para a Região Metropolitana de
Belo Horizonte (RMBH), este bairro, que deveria possuir apenas o uso residencial
unifamiliar, encontra-se irregular por abrigar um modelo de ocupação vertical que
atende a interesses meramente econômicos e especulativos (Moreira et al., 2003).
Os impactos desse tipo de expansão trazem prejuízos locais de adensamento
populacional e congestionamento de trânsito bem como acarretam complicações para
seu entorno. Além dos impactos na qualidade ambiental de toda a RMBH, cada vez
mais edificações são construídas para suprir a demanda de serviços da população deste
bairro (clínicas médicas, centros comerciais, hospitais, etc). Isto acontece tanto no
próprio Belvedere como em bairros vizinhos que ainda possuem áreas não ocupadas. É
o caso do bairro Buritis que acompanhou a expansão do bairro Belvedere por ter
terrenos menos valorizados embora próximos. O bairro Buritis também apresenta
problemas causados pela impermeabilização do solo e adensamento populacional
agravados pela topografia acidentada da região e pelos interesses econômicos.
Governar o ambiente urbano envolve procedimentos de monitoramento e modelagem
que requerem uma base de informações confiáveis. Desta maneira, diversas pesquisas
sobre a cidade podem ser realizadas envolvendo várias áreas do conhecimento. Segundo
Jensen (2000), todas essas informações são necessárias para diversas aplicações práticas
como: (a) realização das leis de zoneamento de cidades, e regiões; (b) desenvolvimento
de comércio; (c) impostos sobre o parcelamento, uso e ocupação do solo: suas
características físicas e localização geográfica; (d) transportes; (e) infra-estrutura básica:
sua eficiência e custo; (f) serviços públicos; (g) recreação e turismo; (h) socorro
emergencial; (i) planejamento para o desenvolvimento e localização de indústrias,
comércio e residências; e (j) empreendimentos particulares de residência, comércio e
indústria.
31
A reunião do conjunto de informações necessárias para uma potencial intervenção
urbana depende da capacidade de cumprir as requisições práticas dos planejadores das
cidades (Donnay et al., 2001). O sensoriamento remoto e SIG, devido ao seu
custo/benefício e a tecnologia avançada, têm sido utilizados cada vez mais para gerar
informações úteis e para dar suporte a tomada de decisões na grande variedade de
aplicações urbanas (Yang, 2003). Neste sentido, imagens digitais são responsáveis pela
exploração de hipóteses e modelos atuais além de possibilitar a construção de novas
teorias de definição, identificação e comparação de entidades espaciais relevantes por
meio de análises urbanas (Donnay et al., 2001).
2.2 Correção Geométrica
O uso de todo o potencial das imagens orbitais de alta e muito alta resolução espacial
(de 4m a 10m e de 1m a 4m, respectivamente – Ehlers, 2005) requer um modelo
matemático adequado ou uma função de interpolação tridimensional baseada na
geometria e orientação do sensor (Büyüksalih et al., 2004). Além disso, a correção
geométrica de imagens digitais é necessária para a integração de dados de diferentes
origens e formatos. Segundo Toutin (2004), imagens originais contêm tantas e
significativas distorções que não podem ser sobrepostas diretamente a dados de origem
cartográfica num sistema de informações geográficas. As causas destas distorções,
resumidas na Tabela 2.1, estão relacionadas ao processo de aquisição da imagem.
TABELA 2.1 – Descrição das fontes de distorções geométricas das imagens de satélite. Categoria Sub-categoria Descrição da fonte de erros
Plataforma Variação de movimento Variação de atitude
Sensor Variação na mecânica do sensor Ângulos de visada lateral IFOV/ EIFOV
Observador/ Sistema de aquisição
Instrumento de medição Variações de tempo Sincronia de tempo
Atmosfera Refração Turbulência
Terra Curvatura Rotação Topografia
Observado
Mapa Geóide para elipsóide Elipsóide para mapa
FONTE: Adaptada de Toutin (2004).
32
As distorções encontradas em imagens digitais são mais relevantes hoje do que no
passado (Toutin, 2004). Este fato deve-se aos tipos de dados e procedimentos utilizados
atualmente. Anteriormente, eram usadas imagens de média a baixa resolução espacial
(quando comparadas com as atuais) com visada ao nadir; os produtos gerados eram
analógicos em papel e a interpretação dos produtos finais era feita visualmente.
Atualmente, são usadas imagens digitais com resolução inferior a um metro, obtidas
com visada lateral e a sua interpretação é feita no próprio computador.
Segundo Mather (1999), o processo de registro de imagens inclui: a determinação da
relação entre o sistema de coordenadas geográficas de um mapa e a imagem; o
estabelecimento de um conjunto de pontos de controle referenciados corretamente e a
estimativa dos valores dos pixels a serem associados a estes pontos.
De acordo com Kardoulas (1996), o registro de dados de sensoriamento remoto é
necessário quando a imagem ou um produto derivado desta imagem (como um índice de
vegetação ou uma classificação) for utilizado para uma das seguintes finalidades: (a)
transformar a imagem para sobrepô-la a um mapa; (b) localizar pontos de interesse em
mapa ou imagem; (c) mosaicar; (d) realizar estudos multi- temporais e multi-sensores;
(e) sobrepor imagens e mapas em um SIG.
2.2.1 Ortorretificação
Para corrigir todas as distorções geométricas das imagens de alta resolução é necessário
o uso de um modelo ou função matemática (Toutin, 2004), seja através de modelos
empíricos 2D/3D (como os polinomiais 2D/3D ou funções racionais 3D) ou de modelos
físicos e determinísticos 2D/3D.
Segundo Cheng et al. (2003), dentre os diversos métodos tridimensionais de correção
geométrica, três deles podem ser utilizados em imagens Quickbird: o racional
polinomial com os parâmetros matemáticos introduzidos pelo usuário, o racional
polinomial com parâmetros fornecidos pelos metadados da imagem e o rigoroso. O
primeiro, realizado por Toutin e Cheng (2002), computa os Rational Polynomial
Coefficients ou Rapid Positioning Coordinates (RPC) usando pontos de controle
33
terrestres (Ground Control Points - GCP) adquiridos pelo usuário. O segundo método,
desenvolvido pela empresa DigitalGlobe (DigitalGlobe, 2004), usa um modelo empírico
e estatístico que aproxima o modelo físico do sensor. Este método, que foi utilizado
ocasionalmente durante a década de oitenta, ganhou atenção redobrada a partir do
funcionamento do satélite Ikonos (Cheng et al., 2003). Estudos como o de Grodecki
(2003), demonstram como este método funciona e quais são suas características e
possibilidades. Este método permite a ortorretificação com ou sem GPC e de maneira
direta. O terceiro método é considerado o mais tradicional de todos, sendo aplicado
desde a década de sessenta. Ele modela matematicamente todos os componentes físicos
da geometria da visada (satélite, sensor e terreno).
Considerando as características das imagens do satélite Quickbird adquiridas para esta
pesquisa e conforme Cheng et al., (2003), quatro métodos podem ser aplicados para a
correção geométrica: corrigir imagens Basic usando RPC disponíveis nos metadados,
corrigir imagens Basic usando o modelo rigoroso, corrigir produtos Ortho Ready
Standard usando os RPC fornecidos e corrigir produtos Ortho Ready Standard pelo
modelo rigoroso.
2.2.1.1 Modelo Rigoroso Aplicado a Imagens Quickbird
Diversos autores indicam que o processo de correção mais preciso disponível é o
modelo rigoroso (Cheng et al., 2003; Gaza, 2004; Martín, 2005; PCI Geomatics, 2005;
Toutin et al., 2002; Toutin, 2004). Este modelo, também chamado de modelo físico,
modela todas as distorções decorrentes do movimento da plataforma (posição,
velocidade, atitude), do sensor (ângulos de visada, efeitos panorâmicos), da Terra
(elipsóide e topografia) e da projeção cartográfica (Toutin, 2004).
Em 2002 foi desenvolvido um módulo de correção geométrica pelo modelo rigoroso
com suporte para imagens básicas do satélite Quickbird, no aplicativo PCI Geomatics1.
Trata-se do primeiro software comercial, em parceria com a DigitalGlobe2 e o Centro
1 www.pcigeomatics.com 2 www..digitalglobe.com
34
Canadense para Sensoriamento Remoto3 (CCRS), a proporcionar este tipo de correção.
Este modelo possibilita a ortorretificação dessas imagens com elevada precisão (Best in
Space, 2002). Robertson (2003) utilizou este modelo para corrigir imagens do satélite
Quickbird e comparou os resultados com aqueles obtidos pelo método racional
funcional.
Apesar de muito preciso, o modelo rigoroso, até então, era aplicável somente a imagens
básicas (sem processamentos), cujos parâmetros de efemérides, atitude e correções da
geometria do sensor estivessem disponíveis. Trabalhar com imagens do tipo Basic
requer maior conhecimento e recursos computacionais, o uso da imagem sem recortes e
a aplicação de várias correções e processamentos. Dessa maneira, em imagens tipo
ORStandard não seria possível aplicar o modelo rigoroso, pois elas não possuem os
metadados com as informações necessárias devido a seu processamento prévio
(DigitalGlobe, 2004).
Com a implementação no aplicativo PCI de um módulo de correção geométrica pelo
modelo rigoroso em imagens ORStandard, foi possível alcançar grande precisão nos
resultados com a vantagem de se utilizar cenas menores e já com um certo nível de
processamento (Cheng et al., 2003; PCI Geomatics, 2005; Sysdeco, 2005). Grassi
(2005) e Biason et al. (2005) testaram este modelo em imagens ORStandard e
conseguiram resultados bastante satisfatórios para o uso dos produtos gerados em
planejamento territorial, cartografia e gestão de recursos hídricos.
Este modelo requer no mínimo oito pontos de controle para corrigir imagens
ORStandard e atingir boa precisão nos resultados (Cheng et al., 2003). Em imagens do
tipo Basic são necessários apenas seis pontos. Este autor ressalta que esta imposição é
devida a falta dos dados relacionados à geometria do satélite e do sensor, perdidos na
reamostragem sofrida pelos processamentos do produto ORStandard. Por isso, dois
pontos a mais são necessários para se obter o modelo adequado. A reconstrução da
geometria física do processo de aquisição da imagem pode ser feita com imagens
ORStandard mesmo sem os metadados originais (Cheng, 2006 - Toutin, 2006). Di
3 www.ccrs.nrcan.gc.ca
35
(2003), mostra o potencial de reconstrução do Modelo de Sensores (rigoroso) de uma
cena a partir de modelos racionais funcionais formulados por meio de seus RPC.
2.2.1.2 GCP e GPS em Modo Diferencial
Todos os trabalhos que procuram bons resultados para a produção de ortoimagens
utilizam pontos de controle terrestres para auxiliar neste processo. É o caso dos estudos
mencionados no item anterior. Chmiel et al. (2004), indicam a grande influência de
dados auxiliares como GPC e Modelo Digital de Terreno (MDT) no processo de
correção geométrica e seus resultados.
Os GCP devem ser feições bem definidas, geralmente de grande contraste espectral em
relação aos seus arredores na imagem, facilmente reconhecíveis e que podem ser
precisamente localizados tanto no mapa quanto na imagem (Crósta, 1999). Segundo
Pedro (2005), tais feições podem ser encontradas em interseções de retas, linhas
suficientemente longas ou centros de gravidade de feições circulares.
Estes pontos devem ser bem distribuídos na imagem, sendo dispostos nas bordas e no
centro da área de interesse. Devem também, preferencialmente, cobrir toda a variação
altimétrica do terreno, desde as cotas mais baixas até as mais altas (Toutin, 2004).
Toutin (2004) fornece uma revisão de todo o procedimento de correção geométrica de
imagens Quickbird. Dentre os assuntos abordados, dá atenção especial a etapa de coleta
de pontos de controle e teste. Seus resultados concordam com aqueles encontrados por
Wolniewicz (2004) e Jacobsen (2003), quanto à necessidade de poucos pontos de
controle para a geração das ortoimagens. Cerca de seis a nove pontos são necessários
(para o modelo rigoroso) dependendo dos dados disponíveis, da qualidade dos GCP e
do tamanho da área estudada.
Para saber com maior exatidão o número necessário de pontos a serem coletados deve-
se conhecer a área, as imagens, o GPS a ser utilizado e a precisão pretendida. Se estas
informações não forem reunidas a priori, cerca de 50% dos pontos podem ser
36
inutilizados e caso tenham sido analisados este valor cai para cerca de 20-30% (Toutin,
2004).
A limitação geométrica das imagens ortorretificadas depende muito freqüentemente da
qualidade dos pontos de controle adquiridos para uma determinada imagem
(Wolniewicz, 2004), sendo estes pontos responsáveis pela propagação de erros e pelo
erro final do processo de correção (Toutin, 2004).
Estes fatores indicam a necessidade de se realizar uma boa coleta de coordenadas para
serem usadas como pontos de controle e teste. Monico (2000) descreve a necessidade de
planejamento, reconhecimento e manutenção dos equipamentos em estudos práticos
com o uso de GPS.
O uso do GPS em modo diferencial (Differential Global Positioning System - DGPS)
tem sido utilizado como base para a coleta de coordenadas em estudos que demandam
alta precisão de resultados, como o estudo de Cheng et al. (2003). O DGPS é uma
técnica que não só melhora a exatidão, mas também a integridade4 do GPS (Monico,
2000). No método DGPS se a localização de um receptor for conhecida, pode-se
comparar os valores obtidos com os valores teóricos e deste modo calcular os erros para
corrigir as medições naquele ponto. Estes erros poderão ser usados também na correção
das medições dos outros receptores que estão em pontos desconhecidos (Bernardi e
Landim, 2002).
2.3 Classificação do Uso do Solo – Abordagem Orientada a Objetos
O avanço na capacidade de distinção de alvos devido à alta resolução dos sensores
modificou um dos principais usos do sensoriamento remoto no contexto urbano: o
mapeamento do uso do solo. Para este uso, é necessário definir o sistema de
classificação. A função do sistema de classificação é fornecer um quadro de referência
para a organização e hierarquização da informação (Novo, 1992). A grande variedade
de componentes do contexto urbano dificulta a distinção de alguns objetos de interesse e
4 Integridade é a probabilidade de que a posição informada atenda às especificações estabelecidas (Monico, 2000).
37
consequentemente a obtenção de iformações. Portanto, técnicas de mapeamento bem
definidas são as chaves para bons resultados.
A detecção das feições urbanas é essencial para a elaboração de um bom trabalho.
Deve-se investigar se as feições de interesse podem ser discriminadas na imagem digital
e quais são as características que permitem sua separação das demais, se as técnicas de
extração de informações são eficientes e apropriadas, se é possível usar o método de
mapeamento de forma sistemática, se a técnica escolhida deve substituir os métodos
tradicionais e quais são as possibilidades de uso de dados auxiliares neste processo
(Donnay et al., 2001).
Assim sendo, de acordo com os objetivos do estudo e os dados e recursos disponíveis, é
possível delimitar os alvos a serem mapeados bem como suas características. Este tipo
de análise inicial irá determinar, por exemplo, se será mapeada a cobertura ou o uso da
terra5. Barnsley et al. (2001) consideram que enquanto o tipo de cobertura da terra tem
uma relação simples e direta com a captação da reflectância espectral o mesmo não
acontece com o uso da terra que é um conceito abstrato e possui um conjunto de fatores
culturais e econômicos que não podem ser diretamente extraídos por meio do
sensoriamento remoto. Indicam que este é um problema central para estudos urbanos já
que o uso da terra é de grande interesse para os planejadores. Por isso investigam a
possibilidade de inferir o uso da terra a partir do reconhecimento de padrões espaciais e
estruturais obtidos pelo mapeamento de sua cobertura.
No passado, classificações automáticas baseavam seus resultados apenas no
comportamento espectral de cada pixel, negligenciando importantes características
como textura, forma, localização e contexto (Sharma e Sarkar, 1998). A associação de
informações contextuais e de conhecimento no processo de mapeamento permite
análises mais detalhadas dos alvos de interesse.
5 Segundo Barnsley et al., 2001, cobertura da terra diz respeito aos materiais presentes na superfície de uma dada parcela de terra (p. ex. grama, concreto, pavimentação, água) enquanto uso da terra se refere à atividade humana que acontece ou faz uso daquela terra (p. ex. residencial, comercial, industrial).
38
Com o avanço tecnológico, um conjunto de esforços foi direcionado no intuito de
conseguir melhores resultados na classificação de uma cena urbana. Técnicas baseadas
em contexto, que utilizam a informação de pixels vizinhos assim como do pixel
individualmente, têm se mostrado eficientes quando comparadas com técnicas utilizadas
anteriormente para imagens de média resolução espacial (Whiteside, 2005). As novas
técnicas de contexto assumem que a resposta espectral e a classe de pixels vizinhos são
altamente correlacionadas.
Para explorar a riqueza fornecida pelos dados de sensores de alta resolução espacial,
como Ikonos e Quickbird, é necessário realizar uma ponte entre as já estabelecidas e
familiarizadas abordagens de interpretação visual e processamento de imagens digitais
(Herold, 2003). As abordagens visuais tradicionais acompanham as relações
hierárquicas da interpretação dos elementos básicos de imagens e que podem ser
visualizadas na Figura 2.1.
FIGURA 2.1 – Ordem primária dos elementos de imagens em foto- interpretação.
FONTE: Adaptada de Herold (2003).
Com o uso cada vez maior de técnicas de classificação do uso do solo a partir de
abordagens orientadas a objetos, observou-se a crescente evolução na qualidade da
extração de informações de imagens de alta resolução espacial em ambientes urbanos
(Blaschke et al., 2000; Blaschke e Kux, 2005).
39
O primeiro sistema aplicativo comercial a implementar um sistema de interpretação de
imagens baseado em conhecimento foi o e-Cognition (Definiens, 2004). Este software
usa um algoritmo de segmentação que cria segmentos de imagens baseados em quatro
parâmetros: fator de escala, pesos para cada uma das bandas espectrais, pesos para cor e
forma e pesos para suavidade e compacidade (Pinho, 2005). Com base nestas
considerações, é possível extrair áreas espectralmente homogêneas da imagem e dessa
forma, lidar de forma mais eficiente com a complexidade espacial inerente aos alvos
urbanos.
A utilização do conceito de objeto é peça chave neste tipo de análise de imagens, pois
parte-se do princípio de que a informação semântica necessária para a interpretação de
uma imagem não está presente no pixel, e sim em objetos da imagem e nas relações
existentes entre eles (Definiens, 2004).
Antunes (2003) propõe um modelo conceitual de classificação orientada a objeto que
sintetiza muito bem os conceitos utilizados na classificação orientada a objetos
(FIGURA 2.2).
40
FIGURA 2.2 – Modelo conceitual da classificação orientada ao objeto.
FONTE: Antunes (2003).
No caso desta abordagem, os dados vetoriais criados através da segmentação passam a
ter atributos que permitem construir uma estrutura semântica onde os descritores são
passíveis de associação a regras de lógica fuzzy, o que possibilita a análise de contexto
(Pinho, 2005). Cabe salientar que este tipo de segmentação é chamado de segmentação
multi-resolução, que segundo Baatz e Schäpe (2000) utiliza o conceito de análise da
evolução de rede fractal (Fractal Net Evolution Analysis - FNEA), no qual se considera
a imagem de sensoriamento remoto como sendo de natureza fractal.
A principal característica da segmentação baseada em múltiplas resoluções é a
possibilidade de segmentar uma mesma imagem em níveis de escala diferentes que se
relacionam entre si, formando uma rede hierárquica de objetos (Baatz e Schäpe, 2000).
Os objetos resultantes da segmentação são conseqüências da associação das
informações espectrais e de forma dos elementos da imagem. A hierarquia de objetos
41
resultante da segmentação multi-resolução é uma maneira de formular a base do
conhecimento para a classificação dos objetos. Todas as classes são hierarquicamente
estruturadas (Antunes, 2003). Em conseqüência, a rede topológica resultante tem uma
grande vantagem ao permitir a eficiente propagação de vários tipos diferentes de
informações relacionais (Benz et al., 2004).
Antunes (2003) concluiu que a classificação baseada em objetos oriundos de multi-
resolução, através do algoritmo FNEA, mostrou-se superior a métodos paramétricos no
nível de pixel (p. ex.: máxima verossimilhança), para o objeto de sua pesquisa.
Pinho (2005) ressaltou que a segmentação multiresolução possibilita utilizar
informações a respeito do relacionamento entre objetos de diferentes escalas. Esta
informação contextual foi essencial para a distinção dos objetos em seu estudo.
Especificamente no aplicativo e-Cognition, as informações contextuais podem ser
descritas e usadas de duas formas principais: (a) num contexto espacial em que
entidades vizinhas são descritas numa árvore com direção horizontal ou vertical; (b)
num contexto semântico que permite agrupar classes que possuem características
semânticas parecidas (Hofmann e Reinhardt, 2000).
Como é possível criar níveis de segmentação em qualquer posição na rede hierárquica e
em qualquer tempo, é recomendado que se crie inicialmente o nível em que se irá
efetivar a classificação, deixando para depois os níveis auxiliares (Definiens, 2004).
Segundo Hofmann e Reinhardt (2000), a delimitação dos objetos é influenciada pela
estratégia adotada. Por exemplo, quando se inicia a segmentação a partir do nível mais
detalhado, o contorno dos objetos do nível superior será o resultado da soma dos objetos
deste nível. Este fato ressalta a importância de se usar uma estratégia para a etapa de
segmentação.
Ao usar um método de segmentação do espaço urbano em imagens de alta resolução
espacial por meio de integração espectral e de informações contextuais, é possível
classificar um objeto individual como tal e não como uma mistura desordenada de
pixels (Thomas et al.,2003).
42
Para associar os objetos obtidos pela segmentação às classes desejadas, existem no
aplicativo e-Cognition, duas possíveis abordagens: (a) classificação por vizinho mais
próximo; (b) regras de pertinência baseadas em lógica fuzzy. Em ambos os casos,
nenhuma característica dos pixels é considerada e sim aquelas características
relacionadas aos objetos formados (Definiens, 2004). Isto acarreta três vantagens
principais (Benz et al., 2001): (a) aumenta significativamente a razão sinal-ruído; (b)
diminui as necessidades computacionais; (c) novos atributos são incluídos no processo,
como geometria e relações de vizinhança.
Uma menor ambigüidade dos objetos classificados e demanda de tempo podem ser
conseguidas pelo uso das regras. Deve-se buscar definir uma classe com o menor
número de atributos possível. Do contrário, há um grande aumento da confusão no
espaço de atributos. As correlações num espaço de atributos multi-dimensional podem
ser mais bem resolvidas pela abordagem de vizinho mais próximo do que pelas funções
de pertinência (Definiens, 2004).
A classificação baseada em funções fuzzy transforma os valores de atributos de um
intervalo arbitrário para um intervalo padronizado entre zero e um, indicando a
pertinência de um objeto a uma classe específica. Desta maneira, cada objeto pode ter
uma pertinência fuzzy a mais de uma classe, expressa pelo seu grau de adequabilidade
para cada classe (Blaschke et al., 2000). A maior vantagem desta abordagem é a
expressão de incerteza na pertinência e conhecimento (Bock et al., 2005).
O ganho do uso da lógica fuzzy é a avaliação do grau de pertinência. Este método reúne
todas as incertezas trazidas durante a definição das classes dos objetos e dos erros das
coletas das amostras de treinamento além daqueles erros inerentes aos sensores e aos
sistemas de classificação propriamente ditos (Benz, 1999).
Técnicas de classificação orientadas a objetos permitem ao usuário definir regras
complexas baseadas em características espectrais e em relações espaciais herdadas.
Objetos podem ser definidos e classificados pela estrutura e comportamento de objetos
similares (Blaschke et al., 2000). As regras desenvolvidas por meio das funções fuzzy
43
possibilitam estas associações além de prover adequabilidade à descrição do atributo
(Definiens, 2004).
2.3.1 Avaliação da Classificação
Devido às dificuldades de uma classificação digital, a avaliação da qualidade dos
resultados é fundamental (Congalton e Green, 1999). Para que os dados coletados e
classificados possam ser confiáveis e terem a qualidade desejada, é preciso que se faça
uma avaliação da precisão dos métodos utilizados. Além disso, os analistas precisam
comparar várias técnicas, algoritmos, procedimentos de análises ou rotinas de
interpretações para testar qual é a melhor alternativa (Congalton e Green, 1999). A
verificação de precisão é uma etapa importante também quando envolve decisões a
serem tomadas, devendo ter, portanto, o grau de confiabilidade explícita para os
planejadores.
As primeiras pesquisas que propuseram critérios e técnicas para a avaliação da precisão
da classificação datam de 1975 (Aronoff, 1985; Congalton et al., 1983; Rosenfield et al.,
1982). Diversos estudos têm enfatizado que, além da matriz de confusão que serve para
avaliar a qualidade do mapa, é necessário analisar a qualidade do processo de
classificação por meio de avaliação das incertezas (Antunes, 2003; Pinho, 2005). A
incerteza está relacionada às dúvidas surgidas durante o processo de classificação, no
momento da atribuição do pixel ou objeto a uma determinada classe (Pinho, 2005) e
pode ser avaliada pela estabilidade da classificação.
2.3.1.1 Matriz de Confusão
A forma mais freqüente de testar a precisão dos métodos de classificação dos dados de
imagens de sensoriamento remoto é a matriz de erro. Esta matriz relaciona valores de
uma categoria particular com outros valores de uma categoria relativa sendo um destes
considerado correto (denominado como “Dado de Referência”). A matriz de erro tem
eficiência comprovada e seu correto uso incrementa a credibilidade do produto final.
Contudo, para que ela tenha validade, as amostras precisam ser bem definidas e as
análises rigorosas.
44
A avaliação da precisão pode ser qualitativa ou quantitativa, de maior ou menor custo
computacional e conseqüentemente financeiro, rápida ou demorada, sendo efetuada em
quatro passos: 1) determinar e moldar amostras (já que a área a ser testada normalmente
é muito grande); 2) coletar dados para cada amostra; 3) formular e testar uma matriz de
erro e 4) analisar os resultados. A partir da matriz de confusão, é possível calcular
algumas medidas descritivas como a exatidão global, a exatidão do usuário e do
produtor bem como o coeficiente de concordância Kappa geral e por classe (Congalton
e Green, 1999). Especificamente no programa e-Cognition, pode-se obter ainda os
valores de Hellden e Short que são usados para compensar a diferença de interesse entre
os valores do usuário e do produtor (Definiens, 2004). O coeficiente Hellden representa
uma visão otimista da interação entre os valores do usuário e do produtor enquanto o
coeficiente Short considera uma visão pessimista (Definiens, 2004).
Quanto ao Coeficiente Kappa, Landis e Koch (1977), propuseram uma escala de
avaliação na qual os intervalos de valores são atribuídos à qualidade da classificação
(Tabela 2.2)
TABELA 2.2 – Qualidade da classificação segundo intervalos do coeficiente de concordância Kappa.
Valor do Kappa Qualidade da Classificação
< 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: Landis e Koch (1977).
2.3.1.2 Estabilidade dos objetos classificados
Quando se usa um método fuzzy de classificação6, os objetos podem pertencer a diversas
classes, porém com diferentes graus de pertinência caso haja uma sobreposição de
6 Método utilizado nesta Dissertação.
45
descrições das classes (Definiens, 2004). Neste caso, é importante avaliar a estabilidade
de uma classe observando os diferentes graus de pertinência dos objetos classificados.
Cabe salientar que um objeto classificado com um alto grau de ambigüidade não
significa que ele foi erroneamente classificado, porém que ele não pertence
explicitamente a uma determinada classe. Em contrapartida, quanto mais uma classe
distingue um objeto, mais claramente ela expressa o conteúdo de uma imagem
(Definiens, 2004). O aplicativo e-Cognition apresenta uma ferramenta que permite
quantificar ou medir a diferença entre o maior e o segundo maior grau de pertinência de
um objeto. Desta maneira, pode-se avaliar a estabilidade de um objeto que varia entre
zero (totalmente ambíguo) e 1 (não ambíguo).
2.4 Inferências Espaciais
Aqui são apresentados os métodos de inferências espaciais utilizados neste trabalho,
bem como os dados de outras fontes incorporados no processo de análise urbana. Em
estudos que utilizam imagens de sensores remotos e dados auxiliares, é possível integrar
tais informações num ambiente computacional único. Moura (2003) apresenta um
esquema teórico de um Sistema de Informações Geográficas (SIG), evidenciando os
estágios de transformação dos dados no processo de produção da informação espacial
(Figura 2.3).
FIGURA 2.3 – Operações de transformação no SIG.
FONTE: Moura (2003).
46
Desta maneira, diversas combinações de dados podem ser feitas, possibilitando a
geração de um grande número de resultados. Um bom exemplo das possibilidades de
integração de dados num estudo urbano foi desenvolvido pela Embrapa Monitoramento
por Satélite, a pedido da Prefeitura Municipal de Campinas, São Paulo (Prefeitura
Municipal de Campinas, 2003). Neste trabalho é proposta uma metodologia para apoiar
a montagem (diagnóstico), a implementação (ações) e o acompanhamento (avaliação)
da Agenda 21 municipal com o uso de imagens de sensores de alta resolução espacial,
entre outros dados.
Com base na visão de que decidir é escolher entre alternativas, Câmara et al. (2004)
consideram o processo de manipulação de dados num sistema de informação geográfica
como uma forma de produzir diferentes hipóteses sobre o tema em estudo.
2.4.1 Processo Analítico Hierárquico – AHP
O Analytic Hierarchy Process (AHP) é um método com base matemática que permite
organizar e avaliar a importância relativa entre critérios e medir a consistência dos
julgamentos. Ele requer a estruturação de um modelo hierárquico e um processo de
comparação pareada. Com base nesta comparação, o AHP pondera todos os sub-
critérios e critérios e calcula um valor de razão de consistência no intervalo [0, 1], com
0 indicando a completa consistência do processo de julgamento, e 1 demonstrando a
total falta dessa consistência (Câmara et al., 2004).
Neste procedimento, os diferentes fatores que influenciam a tomada de decisão são
comparados dois-a-dois, e um critério de importância relativa é atribuído ao
relacionamento entre estes fatores conforme uma escala pré-definida, conforme Tabela
2.3.
TABELA 2.3 – Escala de valores AHP para comparação pareada. Intensidade de importância Definição e Explicação 1 Importância igual - os dois fatores contribuem igualmente para o objetivo 3 Importância moderada - um fator é ligeiramente mais importante que o
outro 5 Importância essencial - um fator é claramente mais importante que o outro
(continua)
47
TABELA 2.3 – (conclusão) 7 Importância demonstrada - Um fator é fortemente favorecido e sua maior
relevância foi demonstrada na prática 9 Importância extrema - A evidência que diferencia os fatores é da maior
ordem possível 2,4,6,8 Valores intermediários entre julgamentos - possibilidade de compromissos
adicionais FONTE: INPE (2005b).
Muitos trabalhos foram publicados baseados no AHP. Vaidya e Kumar (2006) fazem
uma avaliação geral do uso desta técnica e citam várias aplicações em diferentes
campos do conhecimento. Cunha et al. (2001) utilizam esta técnica para detectar a
favorabilidade de ocorrência de cobre na prospecção mineral e Araújo e Kux (2005)
identificam áreas propícias para a construção do bairro Belvedere de Belo Horizonte.
Câmara et al. (2004) consideram que uma das situações mais comuns no uso da técnica
AHP em geoprocessamento é a classificação do espaço em áreas mais ou menos
adequadas para uma determinada finalidade. Eles citam o exemplo de uma política de
ocupação de encostas associada a mapas de risco de desmoronamento e impacto
ambiental. Carvalho (2003) conclui que o Processo Analítico Hierárquico constituiu
uma eficiente ferramenta para a geração da Carta de Suscetibilidade a Escorregamentos,
visto que considera de forma ponderada, de acordo com o objetivo do trabalho, todos os
condicionantes do meio físico.
2.4.2 Álgebra Booleana
A inferência espacial booleana se destaca por sua simplicidade. É uma combinação
lógica da sobreposição de planos de informações. Cada plano de informação é composto
por mapas binários que combinados procuram satisfazer uma hipótese ou preposição.
Cada localização é testada para determinar se as evidências naquele ponto satisfazem ou
não aquela hipótese, gerando um resultado final expresso de forma binária em que zero
e um correspondem, respectivamente, à hipótese não satisfeita e satisfeita (Câmara et
al., 2004).
48
2.4.3 Geologia e Geotecnia
As condições de suporte do meio físico a um desenvolvimento sadio e ambientalmente
sustentado encontram-se no limiar da exaustão, podendo comprometer severamente as
qualificações da cidade de Belo Horizonte para continuar exercendo o papel de principal
núcleo metropolitano do interior do país (Silva et al., 1995).
Carvalho (1999) entende a cidade como um arranjo de três camadas estruturais
indispensáveis: super-estrutura, meso-estrutura e infra-estrutura. A primeira é o
conjunto das estruturas antrópicas compreendendo moradias, comércio, serviços, etc. A
segunda inclui o sistema viário, água, esgoto, drenagem pluvial e similares. É
responsável em proporcionar condições de funcionamento à anterior. A infra-estrutura é
a base geológica nos aspectos constitutivos e comportamentais, com função de suprir os
fatores da sustentabilidade nos territórios urbano e rural. Desta maneira, a geologia e as
ações antrópicas são inseparáveis.
Amorim Filho (1999) ressalta que a ação antrópica altera o ambiente geológico
produzindo diversas possibilidades de interação ent re estes dois fatores resultando em
“várias cidades” ou estágios de desenvolvimento urbano.
Neste sentido, o estudo das características geológicas e geotécnicas é fundamental para
o entendimento e crescimento saudável das cidades. Silva et al. (1995) estabelecem três
critérios para que estes estudos possam se tornar viáveis em meio ao contexto urbano:
(a) limites da responsabilidade do poder público quanto à tomada de decisões,
planejamento, legislação, fiscalização de obras e disponibilização de informação à
população; (b) priorização na análise de áreas com maiores problemas e escassez de
dados; (c) avaliação das condições gerais de fundação no território municipal com base
no seu enquadramento geológico-geomorfológico e com ênfase em áreas de maior risco.
Em áreas urbanas ressalta-se, no entanto, que a identificação das formações e contatos
geológicos ficam prejudicados pela cobertura do solo alterada pelas obras humanas. Isto
ocorre, principalmente, em áreas modificadas por movimentação de terras.
49
Todas as variáveis constituintes deste sistema (Geologia/Geotecnia) possibilitam uma
série de influências positivas e negativas sobre o assentamento humano. Estudos
interdisciplinares em que se sobrepõem dados de diversos campos da ciência visam
contribuir para a minimização dos resultados negativos desta interação.
Uma faixa estreita a sudeste do município de Belo Horizonte, que inclui a área onde se
realizou esta pesquisa e o Quadrilátero Ferrífero, foi objeto de mapeamento geológico
sistemático, na escala de 1:25000, em trabalho concluído na década de 60 pelo
Departamento Nacional da Produção Mineral (DNPM) em convênio com o United
States Geological Survey (USGS) dos Estados Unidos. Posteriormente, na década de
80, o território foi mapeado pelo Instituto de Geociências Aplicadas do Estado de Minas
Gerais, na escala de 1:50000. Novo mapeamento foi executado no período de 1993-
1995, na escala de 1:25000, resultado de um convênio entre a Secretaria Municipal de
Planejamento (SMPL) da Prefeitura Municipal de Belo Horizonte (PBH) e a Fundação
de Desenvolvimento da Pesquisa (FUNDEP) da Universidade Federal de Minas Gerais
(UFMG), sendo executor o Departamento de Geologia (Carvalho, 1999). Este último
trabalho reuniu diversos dados sobre a região visando elaborar um produto mais
completo e integrado. Os produtos derivados foram vários, incluindo o zoneamento
geotécnico e hidrogeológico do município e o mapa de predisposição ao risco
geológico, dentre outros. Usaram-se também as informações da Lei de Parcelamento,
Uso e Ocupação (LEIPUOS) para se gerar pareceres técnicos sobre áreas específicas
(Carvalho, 1999).
Uma das implicações mais comuns sobre a má utilização do solo é o escorregamento de
encostas. Diversas pesquisas têm sido feitas para se entender e procurar impedir estes
acontecimentos. Carrara (1983) utilizou modelos multivariados para a avaliação de
deslizamentos. O Instituto de Pesquisas Tecnológicas (IPT) de São Paulo, realizou
estudos sobre os agentes de instabilidade de encostas7 e sua associação com chuvas8 e
sobre as características da estabilidade das encostas na Serra do Mar (Augusto Filho,
1998). Castro Junior (1999) usou técnicas de geoprocessamento no mapeamento
7 Relatório número 23394 - volume 5. 8 Relatório número 23394 – volume 6.
50
geológico e geotécnico do município de Vitória e Carvalho (2003) avaliou a
suscetibilidade aos movimentos de massas em Cubatão (SP) com apoio de técnicas de
geoprocessamento. Neste trabalho, a autora considera as áreas constituídas de filitos
com maior suscetibilidade ao escorregamento, já que devido à sua foliação, possuem
planos de fraqueza que podem se romper. Este processo ainda pode ser acelerado pela
infiltração da água das chuvas, ou quando ocorrem em encostas retilíneas de alta
declividade.
2.4.3.1 Risco Geológico
Na designação genérica de Risco Geológico, proposto por Silva et al. (1995), foi
incluído um grupo de atividades que contempla as situações existentes em Belo
Horizonte caracterizadas pela possibilidade da ocorrência de eventos relacionados à
dinâmica externa que têm, por conseqüência, perdas humanas ou materiais (ativados ou
não pela intervenção antrópica). O risco foi adotado como sendo o produto da
probabilidade de ocorrência de um determinado evento pelo conjunto de seus efeitos ou
conseqüências.
Este trabalho utilizou um dos produtos das análises de risco geológicos desenvolvidos
pela parceria entre a Prefeitura Municipal de Belo Horizonte (PBH) por intermédio da
Secretaria Municipal de Planejamento, da Fundação de Desenvolvimento da Pesquisa
(FUNDEPE) e da Universidade Federal de Minas Gerais (UFMG) por intermédio do
Instituto de Geociências (IGC) e do Departamento de Geologia. Por este motivo este
estudo se atém aos conceitos expostos no documento produzido por Silva et al. (1995).
O trabalho de referência se inclui em um contexto no qual devem ser apresentadas
soluções à comunidade para os problemas que está sofrendo. O investimento se justifica
pela possibilidade de render resultados que irão prevenir, controlar ou minimizar o
risco. Além disso, deve estar ao alcance da sociedade que o promove e procurar atingir
um elevado beneficio social por unidade monetária aplicada.
Dentre os conceitos e variáveis abordados por Silva et al. (1995) foram usados nesta
dissertação: risco ao escorregamento, erosão e escavação, descritos a seguir:
51
1) Escorregamento: trata-se da modalidade de risco geológico de maior
preocupação em Belo Horizonte. Os fatores de risco são relacionados à situação
geológica (litologia, inclusive quanto ao estado de alteração, aspectos
estratigráficos e estruturais) e ao contexto geomorfológico (aspectos
morfogenéticos e declividade);
2) Erosão: não constitui propriamente um evento geológico, mas processos de
velocidade variável sazonalmente e por influência da atividade antrópica.
Normalmente está associado a danos materiais que podem assumir valores
elevados quando ocorridos bruscamente como os escorregamentos. Possui
avanço lento e cumulativo durante o tempo;
3) Escavação: a execução de escavações em áreas geologicamente desfavoráveis
encerra o risco da ativação de processos que podem conduzir a perdas materiais
ou a acidentes envolvendo vidas humanas. Trata-se, portanto, de conseqüências
de operações de movimentação de terra mal planejadas ou executadas.
Destacam-se a asfixia e soterramento de operários em trabalhos de execuções
subterrâneas e rebaixamento de lençol freático em áreas próximas às escavações,
provocando recalques de construções vizinhas e danos às redes de água pluvial e
esgotos.
2.4.4 Legislação
Desde 2001, com a entrada em vigor do Estatuto da Cidade (Lei 10.257/2001), a cidade
deve cumprir sua função social. Esta lei limita o direito de propriedade e dá mais poder
ao município. Traz normas que devem ser incorporadas pelas cidades numa ação
integrada das diferentes esferas de expressão do poder político. O Estatuto das Cidades
prevê a participação direta da população no planejamento e na gestão da cidade. As
decisões que interferem na cidade devem ser planejadas e previstas por um Plano
Diretor que regula o desenvolvimento urbano (CREA-MG, IAB-MG, SENGE-MG e
AMM, 2002).
52
O Plano Diretor de Belo Horizonte (Lei 7165/96) é o instrumento básico da política de
desenvolvimento urbano e de orientação da atuação do Poder Público e da iniciativa
privada. Este documento trata dos aspectos físico, social, econômico e administrativo,
objetivando o desenvolvimento sustentado do municíp io e tendo em vista as aspirações
da coletividade.
Em análises urbanas, a legislação específica de cada área é essencial para a correta
inserção do estudo no contexto legal e direcionado. Por isso, ela deve ser observada e
respeitada. A Lei de Parcelamento do Uso e Ocupação do Solo (LEIPUOS) do
município de Belo Horizonte (Lei 7166/96 alterada pela Lei 8137/00) estabelece, como
seu próprio nome diz, as normas e as condições para parcelamento, ocupação e uso do
solo urbano neste município. Estão sujeitas às disposições desta lei:
1) A execução de parcelamentos do solo;
2) As obras de edificações, no que se refere aos parâmetros urbanísticos
relacionados com Coeficiente de Aproveitamento do solo (CA), quotas de
terreno por unidade habitacional, Taxa de Ocupação (TO), gabarito, Taxa de
Permeabilização (TP), afastamentos, altura na divisa, saliências e área de
estacionamento;
3) Localização de usos e o funcionamento de atividades.
53
CAPÍTULO 3
ÁREA DE ESTUDO
A área de estudo é constituída de dois bairros de Belo Horizonte: Belvedere e Buritis,
cujas características mais importantes e relevantes para esta pesquisa são apresentadas
neste Capítulo. A escolha destes bairros se deu principalmente por ambos terem sofrido
grandes alterações recentes. Além disso, são locais que vêm demonstrando problemas
decorrentes da alta densidade de ocupação e malha viária insuficiente para suportar o
número de veículos. Apresentam aumento da impermeabilização do solo através das
construções que também influenciam na diminuição da área verde e na alteração da
paisagem urbanística. Estas questões indicam a necessidade de um monitoramento
constante e de um estudo da evolução da ocupação destes bairros, analisando os
aspectos legais e técnicos, que são relevantes na discussão sobre o desenvolvimento da
cidade.
3.1 Bairro Belvedere
3.1.1 Características Gerais
Localizado no setor regional Centro-Sul de Belo Horizonte (Figura 3.1) o Belvedere é
atualmente o bairro com o preço do metro quadrado mais caro de Belo Horizonte
(Câmara Mercado Imobiliário, 2004). O metro quadrado no bairro valia em 2004, em
média, 450 reais para lotes vagos, 1.500 reais para empreendimentos comerciais, 3.000
reais para apartamentos e 3.500 reais para casas (Câmara Mercado Imobiliário, 2004). É
hoje, o bairro mais procurado pela população de classe alta da cidade (Oliveira, 2004), o
que contribuiu para que o número de moradores passasse de 4.733 em 2000 para cerca
de 7.500 em 2004 (Associação dos Moradores do Bairro Belvedere - AMBB, 2004).
54
FIGURA 3.1 – Localização do bairro Belvedere em Belo Horizonte, M.G.
Esse aumento de densidade populacional prejudicou o sistema viário da região (que
possui uma rodovia de ligação regional de acesso à cidade de Nova Lima), a diminuição
da área verde do bairro e ainda uma alteração na paisagem urbana com a construção de
edifícios verticais que fazem obstrução à visualização de parte da Serra do Curral,
cartão postal da cidade. Este bairro, com a progressiva aprovação e edificação de
prédios residenciais multi- familiares verticais, tornou-se uma região heterogênea e
descaracterizada.
O Belvedere ficou segmentado em duas áreas bem definidas: a primeira já consolidada,
exclusivamente residencial, unifamiliar e horizontal e a segunda mais recente com
edificações verticais comerciais e multifamiliares (Figura 3.2 e Figura 3.3).
55
FIGURA 3.2 – Área residencial
unifamiliar.
FIGURA 3.3 – Área residencial multi-
familiar e comercial.
A parte mais recente do bairro apresenta uma grande tendência de crescimento devido
ao alto valor comercial dos imóveis e isto causou alguns problemas no local,
principalmente no que diz respeito ao trânsito e à alteração da paisagem. O que se
percebe neste bairro é um crescente aumento de população associado a uma
descaracterização da área urbanizada e paisagística. Assim sendo, é pertinente um
estudo que visa indicar a tendência de crescimento desta região para que se possa
direcionar o planejamento, visando conciliar o crescimento do bairro com boa qualidade
de vida.
3.1.2 Características Legais – LEIPUOS
A partir da Lei de Parcelamento, Uso e Ocupação do Solo (LEIPUOS) de Belo
Horizonte de 1996 (Lei 7166/96) e de algumas alterações em 2001 (Lei 8137/00) o
bairro Belvedere ficou dividido em seis zonas e duas Áreas de Diretrizes Especiais
(ADE). A Figura 3.4 mostra a divisão deste zoneamento.
56
FIGURA 3.4 – Mapa da LEIPUOS. FONTE: Belo Horizonte (1996 e 2000).
O fato do zoneamento ter sido modificado pela Lei 8137/00, que criou as ADEs, indica
uma tentativa de conter o adensamento populacional e o incremento de superfícies
edificadas. Conforme a LEIPUOS, o Belvedere é um bairro para o qual se deve buscar a
preservação ambiental, paisagística e o controle demográfico. A descrição de cada zona
é apresentada em anexo (Apêndice A).
3.1.3 Características Geológicas-Geomorfológicas
O bairro Belvedere está inserido, em sua maior parte, nos Grupos geológicos Itabira e
Piracicaba (Figura 3.5). Estes dois Grupos pertencem ao Supergrupo Minas da
seqüência Metassedimentar (Mapa Geológico de Belo Horizonte - Silva et al., 1995).
Em relação ao Grupo Piracicaba, a Formação Cercadinho cobre a maior área do bairro,
enquanto as Formações Cauê e Gandarela (do Grupo Itabira) estão bem dividas
estratigraficamente. Cabe salientar que a estrutura geológica do Complexo
Metassedimentar, em Belo Horizonte, “é descrita como a aba invertida de um sinclinal
57
a que falta a outra aba. Isto significa que a formação mais antiga do conjunto, que
deveria estar por baixo topograficamente, está por cima das demais” (Carvalho, 1999).
FIGURA 3.5 – Unidades geológicas simplificadas do bairro Belvedere.
FONTE: Adaptada de Silva et al. (1995).
As características gerais do domínio metassedimentar, no qual este bairro está inserido,
englobam uma sucessão de camadas de rochas metassedimentares representadas por
itabiritos, dolomitos, quartzitos, filitos e xistos diversos, de direção geral NE-SW e
mergulho de quarenta e cinco graus para sudeste (Figura 3.6). Estas direções dos planos
de acamamento e de mergulho adquirem papel de fundamental importância nas rochas
intemperizadas, pois seus planos se abrem e rompem os maciços rochosos segundo a
posição de cortes, como nos casos de escavações para obras civis.
58
FIGURA 3.6 – Exemplos de áreas com condições geológicas favoráveis ao escorregamento de camadas.
As estruturas planares das rochas metassedimentares são todas consideradas como
planos de descontinuidade física e têm papel relevante na estabilidade dos maciços
rochosos (Silva et al., 1995). Estes autores ressaltam ainda que a instabilidade dos
maciços é aumentada por feições planares como juntas e fraturas. Na Formação
Cercadinho os planos são geralmente selados e se desconfinam facilmente ao simples
corte. É nesta Formação que se observam com mais regularidade fenômenos de
deslizamento planar ou em cunha, pretéritos ou provocados pela atividade antrópica.
As unidades geotécnicas referentes ao bairro Belvedere possuem, em relação ao fator
geológico estrutural, além do predomínio das descontinuidades de extensão infinita
(contatos litológicos e a xistosidade do filito), a presença de forte sistema de
fraturamento que proporciona condições favoráveis à formação de blocos cadentes,
escamas de deslizamento planar e cunhas (Silva et al., 1995). Estes autores indicam que
esta área reflete um aprofundamento maior do intemperismo na vertente coincidente
com o mergulho da descontinuidade planar (no caso, a xistosidade).
Em relação à Geotecnia, Silva et al. (1995), apresentam um quadro complementar ao
mapa de Zoneamento Geotécnico do Município de Belo Horizonte, em que se destacam
as observações feitas para as zonas geotécnicas nas quais este bairro está inserido. Do
ponto de vista da execução de fundações, este quadro indica que, nas encostas voltadas
para Sudeste, as condições são desfavoráveis principalmente para as fundações rasas.
59
Com relação à execução de taludes, existe a grande possibilidade de escorregamentos
rasos ao longo do plano da xistosidade.
Por todos estes motivos, as encostas que coincidem com a direção, sentido e ângulo do
mergulho ou xistosidade das camadas9 tendem a possuir menor estabilidade,
principalmente em áreas de filitos. Deve-se lembrar que em áreas urbanas, as constantes
alterações da morfologia do terreno podem agravar e acelerar os processos de
deslizamento destas camadas.
O bairro Belvedere está inserido neste contexto, o que indica que se deve atentar para as
encostas voltadas para sudeste, principalmente quando sujeitas a ações de corte e aterro
para construções. Faz-se necessário, então, a geração de informações que auxiliem no
controle destas intervenções antrópicas.
3.2 Bairro Buritis
Localizado na região oeste de Belo Horizonte (Figura 3.7), o bairro Buritis vem
crescendo com grande intensidade, principalmente devido a sua proximidade com áreas
nobres de Belo Horizonte e pela promessa de um bairro novo e completo destinado à
classe média da cidade. Este local chamou logo a atenção de muitas famílias
interessadas em comprar suas casas e apartamentos e também de várias construtoras que
viram ali uma oportunidade de obter bons lucros.
9 Para a área estudada neste trabalho: encostas voltadas para sudeste com ângulos de mergulho médio de 45 graus.
60
FIGURA 3.7 – Localização do bairro Buritis na cidade de Belo Horizonte, M.G.
Porém, com a crescente procura por moradias neste bairro e, conseqüentemente, o
aumento da densidade populacional, verificam-se dois tipos de problemas: trânsito local
congestionado e poluição visual decorrente da ocupação das encostas. Esta região
caracteriza-se por grandes variações topográficas com encostas bastante íngremes e um
subsolo bastante instável, tornando necessária a construção de grandes fundações que,
às vezes, possuem altura maior que os próprios edifícios (Figuras 3.8 e 3.9).
61
FIGURA 3.8 – Exemplo de poluição visual
das fundações
FIGURA 3.9 – Exemplo de setor com alta
declividade
Assim, um bairro cuja pretensão original era de proporcionar boa qualidade de vida à
população residente, tem se tornado cada vez mais desordenado, insalubre e poluído. O
grande adensamento de população e veículos, a diminuição de áreas verdes e o aumento
da impermeabilização do solo são fatos que precisam ser observados, analisados e
devidamente enfrentados pelo poder público e pela iniciativa privada.
3.2.1 Características Legais – LEIPUOS
Em 2000, o bairro Buritis passou a fazer parte de uma Área de Diretrizes Especiais
(ADE 18 - Buritis) que alterou alguns pontos do parcelamento, uso e ocupação do solo
por ficar aparente que os parâmetros legais anteriormente vigentes permitiram ações que
contribuíram para um desenvolvimento negativo do bairro. A Figura 3.10 mostra o
zoneamento a que este bairro esta sujeito. A demarcação da ADE não foi incorporada
no mapa por abranger toda a área estudada.
62
FIGURA 3.10 – Mapa da LEIPUOS. FONTE: Belo Horizonte (1996 e 2000).
Existem quatro zonas no bairro Buritis e observa-se a maior abrangência da Zona de
Adensamento Preferencial (ZAP) que é a mais permissiva no que diz respeito as
limitações de parcelamento, uso e ocupação. Considerando outros fatores como
Geologia, Geotecnia e Declividade (abordados no próximo item), a baixa limitação
imposta aqui pela LEIPUOS pode comprometer o desenvolvimento sadio desta área da
cidade. Mesmo com a inserção em uma ADE, a ZAP ainda permite um adensamento
elevado.
3.2.2 Características Geológicas
O bairro Buritis está quase totalmente inserido no Grupo Sabará (Figura 3.11). Em
relação ao comportamento geológico, apresenta características bastante semelhantes ao
bairro Belvedere. A litologia típica do Grupo Sabará em Belo Horizonte é um filito que
apresenta xistosidade.
63
FIGURA 3.11 – Unidades geológicas simplificadas do bairro Buritis.
FONTE: Adaptada de Silva et al. (1995).
Assim como nas formações e grupos geológicos do bairro Belvedere, no Buritis, nas
encostas voltadas para sudeste e pertencentes ao Grupo Sabará, as condições de
estabilidade da estrutura ficam na dependência de seu mergulho ser maior que a
inclinação da encosta. Mesmo nas situações mais favoráveis, depósitos de vertente
podem escorregar a partir de escavações para ruas ou residências. Em regra geral, tais
áreas possuem risco de escorregamento em potencial (Silva et al., 1995).
Estes autores afirmam ainda que em áreas de alta declividade e em encostas voltadas
para sudeste, principalmente quando a xistosidade não se encontra confinada, o
comportamento mecânico in situ é fraco. O bairro Buritis apresenta um relevo
acidentado, com altas declividades e amplitudes altimétricas (Figura 3.12), possuindo,
de acordo com estas características, áreas com grandes possibilidades de
escorregamento, especialmente por se tratar de um bairro em plena expansão urbana.
64
FIGURA 3.12 – Carta de declividade do bairro Buritis.
Devido à grande relevância das condições geológicas e geomorfológicas desfavoráveis à
ocupação do bairro Buritis, foi realizado um parecer técnico em que se indicam as
exigências mínimas de urbanização da área do Parque dos Buritis (parte meridional do
bairro). Este trabalho foi incorporado ao relatório técnico desenvolvido por Silva et al.,
1995).
Neste parecer, os autores mencionados concluem: (a) que a estrutura geológica local
caracteriza-se pela presença de xistosidade e acamamento, mergulhando em torno de
45° para SE; (b) o estado dos filitos é considerado muito alterado; (c) indicam a
necessidade de preservação das matas ciliares e de campo; (d) as condições de
estabilidade de taludes e de fundações são favoráveis para as encostas voltadas para
NW; (e) recomendam o modelo de assentamento preferencial de edifícios residenciais
multifamiliares intercalados por amplos vazios.
Estas recomendações, no entanto, não têm sido obedecidas. O que se verifica é o grande
adensamento populacional em edifícios cada vez próximos, o que aumenta o risco de
escorregamentos.
65
CAPÍTULO 4
MATERIAL E MÉTODOS
Neste Capítulo são apresentados os materiais e métodos usados para a elaboração da
Dissertação.
4.1 Material
4.1.1 Dados de Sensoriamento Remoto
1) Analisaram-se duas imagens do satélite Quickbird as quais estão especificadas
na Tabela 4.1:
TABELA 4.1 – Especificações das imagens Quickbird. Data Hora (UTC) Tipo Visada lateral Bandas
Imagem 1 20/10/2004 13:15 ORStandard – 2A 1,9º off-nadir, sendo: -1,4º in track; -1,4º across track.
PAN 0,6m; 4 Muti 2,4m
Imagem 2 02/11/2002 13:08 ORStandard – 2A 9,7º off-nadir, sendo: -5,7º in track; -7,4º across track.
PAN 0,6m; 4 Multi 2,4m
2) Ortofotos do sobrevôo de 1989, em formato digital, fornecidas pela Empresa de
Informática e Informação do Município de Belo Horizonte (PRODABEL).
4.1.2 Dados Cartográficos
A seguir, são apresentados os dados cartográficos utilizados.
1) Curvas de nível, em formato digital, baseadas em ortofotos obtidas em 1989
(escala 1:8000), com restituição para a escala de 1:2000, fornecida pela
PRODABEL.
2) Cadastro urbano, em formato digital, gerado a partir das mesmas ortofotos que
produziram as curvas de nível.
66
3) Mapa de áreas associadas ao risco geológico, em formato digital, desenvolvido
pela Companhia Urbanizadora de Belo Horizonte (URBEL) em parceria com o
Instituto de Geociências (IGC) da Universidade Federal de Minas Gerais
(UFMG) e fornecido pela PRODABEL.
4) Mapa Geológico, em formato analógico, produzido pelo IGC e fornecido pela
PRODABEL.
5) Descrição das características geotécnicas da área de estudo, em formato
analógico, produzida pela Fundação de Desenvolvimento da Pesquisa
(FUNDEP) em parceria com o IGC e fornecido pela URBEL.
6) Mapas da Lei de Parcelamento, Uso e Ocupação do Solo (LEIPUOS) dos bairros
estudados, disponibilizados pela Prefeitura Municipal de Belo Horizonte e
consultados em: http://www.pbh.gov.br/mapas/leiuso/mapas.htm.
4.1.3 Softwares Aplicativos
Os softwares utilizados estão especificados a seguir:
1) Autocad Map 2000 para a edição dos arquivos contendo os vetores do cadastro
urbano e curvas de nível.
2) SPRING: utilizado para a geração do Modelo Digital de Elevação (MDE),
edição de dados vetoriais e matriciais e para reunir todos os resultados das
demais etapas para a elaboração das inferências espaciais.
3) ENVI: realização de alguns testes de ortorretificação, fusão, edições em dados
vetoriais, geração dos dados de vertente e declividade.
4) ERDAS: teste de ortorretificação.
5) e-Cogniton: classificação orientada a objetos.
6) PCI: testes e procedimento definitivo de ortorretificação.
67
7) Spectrum survey: pós-processamento das coletas do receptor Sokkia.
8) Planning version: formatação do GPS Sokkia.
9) Map geo: aquisição das ondulações geoidais para cada ponto coletado em
campo.
4.1.4 Equipamentos
1) Utilizaram-se dois aparelhos de Global Positioning System (GPS) sendo um
equipamento receptor Sokkia Stratus e um Garmin GPS II Plus.
4.2 Metodologia
Os procedimentos metodológicos usados neste trabalho foram realizados de acordo com
uma seqüência que teve como objetivo otimizar o tempo e entender o uso do material e
das técnicas disponíveis conforme fluxograma apresentado na Figura 4.1. Além disso,
foram enfatizados os pontos mais importantes para uma análise urbana e em que ordem
temporal eles devem ser utilizados.
68
FIGURA 4.1 – Fluxograma dos procedimentos metodológicos.
4.2.1 Definição da Área de Estudo
Em função da alta resolução espacial das imagens analisadas, optou-se pelo estudo de
áreas pequenas, visando otimizar a exploração das imagens em uma escala grande.
69
Além disso, a complexidade do ambiente urbano indica a necessidade de se agir
localmente, já que as características de cada região da cidade são distintas. Este enfoque
está de acordo com as premissas da Agenda 21 Brasileira, Sustentabilidade das Cidades,
que propõe ações locais (Bezerra e Fernandes, 2000).
Outro fator que contribuiu para a seleção da área de estudo foi o fato de terem ocorrido,
nestes locais, mudanças recentes e significativas no uso e cobertura da terra, já que
imagens orbitais de alta resolução espacial só foram disponibilizadas para o uso civil há
pouco tempo.
Assim, selecionaram-se os bairros Belvedere e Buritis por atenderem as características
urbanísticas de interesse (conforme descrito anteriormente no Capítulo 3) e pela
disponibilidade de informações (imagens e dados auxiliares).
Cabe destacar que na análise multi- temporal foi preciso reduzir a área de estudo para
sobrepor as imagens das duas datas, uma vez que a de 2002 não abrange toda a extensão
dos bairros. Assim sendo, a área de estudo para esta análise se restringiu aquela da
interseção entre a área da imagem de 2002 e o limite dos bairros: linhas amarela e
vermelha, respectivamente, como indica a Figura 4.2. Nas demais análises e inferências,
utilizou-se a imagem mais recente, com área limitada pelo perímetro dos bairros (linhas
vermelhas na Figura 4.2).
70
FIGURA 4.2 – Área de sobreposição das imagens Quickbird de 2002 e 2004 nos bairros
Belvedere e Buritis.
4.2.2 Correção Geométrica
Para a integração de imagens de duas datas e dados cartográficos de diferentes fontes e
formatos, foi preciso realizar a correção geométrica dessas imagens. As etapas deste
procedimento compreenderam a coleta de dados (curvas de nível e pontos de controle),
a geração de um modelo digital de terreno com resolução adequada, a ortorretificação e
avaliação deste processo. A qualidade da correção geométrica é altamente dependente
da topografia do terreno e do número, exatidão e distribuição dos pontos de controle
terrestres (Tao e Hu, 2002 ).
4.2.2.1 Modelo Digital de Terreno
Para a construção do Modelo Digital de Terreno (MDT), necessário para a
ortorretificação, utilizaram-se curvas de nível fornecidas pela Empresa de Informática e
Informação do Município de Belo Horizonte (PRODABEL). Estas curvas, com
eqüidistância de 1m, georreferenciadas em UTM SAD/69 e em formato do aplicativo
MapInfo, foram geradas a partir de ortofotos em escala 1:8000 (obtidas pela Embrafoto
em 1989), com restituição para 1:2000. Para utilizar estes dados, foi necessário corrigi-
Imagem 2004
Imagem 2002 Buritis
Belvedere
71
los, uma vez que as coordenadas de latitude estavam com 7.000.000 de metros a menos
da posição correta.
Neste documento, embora com eqüidistância de 1m entre as isolinhas, apenas as curvas
mestras (5m de eqüidistância) continham informações tridimensionais. Além disso, as
curvas com eqüidistância de 1m foram omitidas em áreas de grande declividade. Desta
maneira, de acordo com os objetivos deste trabalho e com base em Silva e Vergara
(2005), apenas as curvas mestras foram utilizadas na geração do MDT. Estes autores
não observaram melhora significativa na qualidade das ortoimagens geradas a partir de
bases digitais na escala de 1:2000 em relação às curvas geradas a partir de bases na
escala 1:10000.
O MDT foi gerado a partir das curvas mestras após a sua edição. As linhas estavam
rompidas em alguns pontos onde havia textos indicando a sua respectiva cota. Além
disso, alguns valores de altura (cota “Z”) estavam inconsistentes. Para o prosseguimento
do processo de construção do MDT foi exportado o arquivo para o formato DXF e
importado no programa AutoCad Map 2000 onde as curvas foram concatenadas. A
substituição dos valores errados pelos corretos foi feita posteriormente.
O MDT foi gerado com os aplicativos SPRING e ENVI, cujos resultados ficaram
semelhantes. O modelo gerado com SPRING foi escolhido porque este programa
permite maior controle dos processos aplicados às amostras até atingir o dado de
interesse. Isto vale, principalmente no que diz respeito à geração da grade triangular
(processo totalmente automático no aplicativo ENVI).
A resolução do produto gerado nesta etapa foi a mesma das imagens a serem
ortorretificadas, ou seja, 0,6m. Este cuidado foi tomado porque segundo Silva e Vergara
(2005), em regiões de grande inclinação do relevo, comum nesta área de estudo, a
distância entre dois pontos do MDT adequa-se melhor à realidade do terreno do que se
forem utilizadas distâncias maiores. Além disso, como o modelo gerado em formato
matricial possui coordenadas planimétricas e altimétricas (nível de cinza) e tem a
mesma resolução da imagem Quickbird a ser corrigida, não há perda de informação por
degradação da resolução espacial ao se fazer a reamostragem do MDT no processo da
72
ortorretificação. Após a construção do MDT foi necessário adquirir pontos de controle e
teste para que o processo de correção geométrica fosse completado.
Utilizou-se também o MDT obtido pelo Shuttle Radar Topography Mission (SRTM),
como um modelo menos refinado e alternativo, para estudo de ortorretificação. Este
dado foi coletado via Internet10 e não sofreu nenhuma edição antes de seu uso.
4.2.2.2 Obtenção dos Pontos D-GPS
Para dar prosseguimento ao processo de correção geométrica das imagens foi
imprescindível a obtenção de pontos de controle com a maior precisão possível. Desta
forma, coletaram-se 30 pontos com GPS em modo diferencial abrangendo toda a área de
estudo. O roteiro do trabalho de campo e a localização dos pontos foram previamente
planejados de forma a garantir a sua boa distribuição (Figura 4.3) e que as feições de
interesse estivessem representadas em ambas as imagens (2002 e 2004). Caso contrário
seria necessário coletar o dobro de pontos.
FIGURA 4.3 – Distribuição dos pontos coletados com D-GPS.
10 Vide site: http://www.glcf.umiacs.umd.edu/data/
73
Para facilitar a identificação exata dos pontos, ampliaram-se as imagens das duas épocas
nos locais de interesse (Figura 4.4).
FIGURA 4.4 – Exemplo de ponto selecionado na imagem ampliada (O).
Devido a necessidade de identificar os mesmos pontos nas duas imagens, procurou-se
escolher feições ou objetos o mais próximo possível do solo. Isto ocorreu por dois
motivos: primeiro porque as duas imagens possuem ângulos de visada diferentes, o que
muda a geometria de cada alvo e segundo porque não havia um modelo digital de
superfície (Digital Surface Model - DSM11) da área. Para este segundo caso, se as
coordenadas fossem coletadas no alto de casas, por exemplo, poderia ocorrer o
fenômeno da paralaxe, principalmente para os pontos de teste, já que a geometria do
edifício não seria ortorretificada (somente a geometria do terreno pelo modelo de
elevação).
Após a escolha dos pontos, foram localizados dois pontos de primeira ordem do IBGE12
que poderiam se usados como base. Como um dos pontos já estava sendo utilizado
11 Modelo digital em que, além da topografia do terreno, há alturas relativas aos objetos presentes nas imagens: casas e prédios, por exemplo. 12 Vide site: http://www.ibge.gov.br/
74
internamente pela PRODABEL, a solução foi utilizar apenas o segundo (caso os dois
estivessem disponíveis poderia haver uma triangulação nas medições e assim diminuir
ainda mais o erro). O marco do IBGE utilizado encontra-se no alto do edifício do DER-
MG. A descrição do ponto (em anexo – Tabela B.2) foi encontrada no site do IBGE
(http://www.ibge.gov.br/): geociências, geodésia, banco de dados.
Os primeiros dias de campo serviram para os contatos pessoais necessários e o
reconhecimento dos locais pretendidos para a obtenção dos pontos. Para cada dia, o
trajeto e os horários eram pré-estabelecidos de modo a agilizar as coletas. Nos pontos
amostrados, além das medidas das coordenadas (Figura 4.5), anotou-se uma série de
informações adicionais de grande relevância para a caracterização do ponto e para
subsidiar o processo de classificação. Para cada ponto de localização foi feito um
relatório com sua descrição, contendo: nome do projeto, designação do ponto,
informações sobre o equipamento utilizado, data, hora, croqui, condições
meteorológicas, mapa de obstáculos e a imagem ampliada com a marcação exata do
ponto (Figura B.1 – em Anexo)13.
FIGURA 4.5 – Foto de um dos pontos com o GPS preparado para a coleta.
13 Esta ficha foi elaborada pelo Engenheiro Paulo Cesar Gurgel de Albuquerque do INPE.
75
A permanência em cada ponto dependia da distância do aparelho móvel em relação ao
aparelho base e das condições de recepção do GPS. Em média, para distâncias variando
de cinco a dez quilômetros (medidas por outro equipamento GPS), o tempo necessário
foi de cerca de uma hora por ponto incluindo: translado, montagem e desmontagem de
equipamento e recepção.
As coordenadas coletadas no campo foram importadas no aplicativo Spectrum Survey
3.20, onde foi criado um projeto no qual se fez a distinção entre coordenadas da base
fixa e coordenadas do móvel. A partir disso, gerou-se, automaticamente, um vetor para
cada ponto coletado pelo instrumento móvel e sua respectiva base contendo
informações sobre o comprimento, o tempo de observação utilizado para o
processamento, a razão e o erro médio quadrático (Figura C.1 e Tabelas C.1 e C.2 – em
Anexo). Para alguns destes vetores, modificaram-se os dados da coleta, principalmente
o número e o tempo de observação dos satélites usados no processamento (Figura 4.6).
FIGURA 4.6 – Resíduos de um dos vetores processados.
A recepção do satélite 29, exemplificado na figura 4.6, está segmentada no período
indicado, o que prejudicou a qualidade final do processamento. Neste caso, pode-se
retirar esta parte da recepção ou ignorar os dados deste satélite para o cálculo dos
resíduos.
76
Encontrou-se a solução fixa L1 para 29 dos 30 pontos com média de RMS14 e Razão15
igual a 0,010m e 4.8, respectivamente. Dos vinte e nove pontos, foram utilizados 25.
Isto aconteceu porque um deles era uma referência de nível, um não foi possível
identificar nas imagens e outros dois foram coletas repetidas, por precaução, de um
ponto em que não havia uma boa cobertura de satélites.
Um outro processamento foi necessário para se conseguir associar os valores de
elevação ortométrica aos pontos coletados. As cotas de altitude obtidas pelo GPS
baseavam-se no elipsóide e por isso devem ser acrescidas do valor da ondulação geoidal
em cada ponto para se conseguir as cotas ortométricas (altitude com significado físico –
IBGE, 2005a). Estas cotas, referidas ao geóide, são necessárias para se utilizar as
informações de altitude nos procedimentos de ortorretificação.
As coordenadas obtidas pelo pós-processamento dos dados de campo foram exportadas
para um aplicativo do IBGE, denominado Mapgeo, que usa as coordenadas
planimétricas para obter o valor da ondulação geoidal naquele ponto. Na obtenção da
altitudes ortométricas estes valores foram somados àqueles das altitudes segundo a
equação (4.1):
NhH −= (4.1)
Onde,
H = altitude ortométrica;
h = altitude elipsoidal;
N = ondulação geoidal fornecida pelo programa Mapgeo.
Para se avaliar a qualidade das cotas de elevação obtidas coletaram-se informações do
GPS em uma Referência de Nível (RN) cuja localização também foi encontrada no site
do IBGE (Tabela B.1 – em Anexo). A altimetria deste ponto coletada pelo GPS mais a
14 Erro médio quadrático associado à qualidade da solução do vetor em metros (Point Inc, 2001). 15 Razão da solução fixa alcançada. Comparação entre a melhor e a segunda melhor solução encontrada (Point Inc, 2001).
77
ondulação geoidal foi comparada com a altitude real da referência de nível. Os
resultados desta comparação atenderam as necessidades das etapas seguintes da
correção.
Antes de prosseguir para a fase de correção geométrica, dividiram-se os pontos
coletados em dois conjuntos, mantendo-se uma boa distribuição. Um conjunto de dados
foi utilizado na ortorretificação, como pontos de controle, e o outro na análise
estatística, como pontos de teste. A distribuição dos pontos selecionados, baseada na
limitação do número de pontos coletados e na sua localização em relação a ambas as
imagens, é apresentada nas Figuras 4.7 e 4.8:
FIGURA 4.7 – Distribuição dos pontos de controle e de teste para a imagem de 2004.
78
FIGURA 4.8 – Distribuição dos pontos de controle e teste para a imagem de 2002.
4.2.2.3 Ortorretificação
Com todos os dados necessários disponíveis, realizou-se a ortorretificão das imagens de
2002 e 2004. Inicialmente, observou-se o deslocamento das imagens originais em
relação aos pontos de teste adquiridos em campo (verdade terrestre). Os erros estavam
acima do aceitável para a utilização em estudos urbanos, considerando a resolução
espacial. As imagens também foram sobrepostas ao cadastro urbano gerado a partir das
mesmas ortofotos de 1989 para uma avaliação qualitativa, já que futuramente esta
informação seria usada como dado auxiliar na classificação. Este cadastro apresenta
uma boa qualidade geométrica (baseado na sua sobreposição com os pontos de D-GPS)
e em escala adequada, segundo a descrição do produto.
Ao constatar os grandes deslocamentos provocados pela variação topográfica do
terreno, buscou-se o melhor método de correção geométrica aplicável aos dados
disponíveis, considerando o tipo de imagem, a rapidez (custo computacional e
operacional) e a qualidade final. Inicialmente foram testados diversos procedimentos de
correção geométrica com o uso de dois modelos: o racional polinomial (RPC) e o de
satélite orbital (rigoroso).
Para o modelo RPC, que é de execução mais rápida e simples, foram feitos alguns testes
utilizando diferentes dados de entrada e combinações (Tabela 4.2). Cabe salientar que
este método está implementado em diversos aplicativos, tornando-o mais acessível.
79
TABELA 4.2 – Processamentos testados para o modelo RPC. MODELO RACIONAL POLINOMIAL
MDT – SRTM MDT - CURVAS
Sem pontos de controle X X
Com pontos de controle X X
Estes testes foram realizados no programa ENVI 4.1 e foram ordenados de forma a
aumentar a complexidade e refinar os dados de entrada. O primeiro deles e também o
mais simples utilizou o MDT do SRTM (não foi preciso edição) e sem pontos de
controle. Para este caso, somente foi preciso optar pela ortorretificação de imagens
Quickbird (implementada no programa) e selecionar a imagem e o modelo de elevação.
Depois da seleção dos dados de entrada, foi preciso apenas indicar o método de
reamostragem do produto final e do MDT, a projeção e a resolução da imagem de saída
e o offset da ondulação geoidal.
Cabe salientar que para todos os processos testados neste trabalho, o desvio da
ondulação geoidal usado foi igual a zero. Procedeu-se assim porque os dados
altimétricos dos modelos de terreno utilizados (SRTM e o gerado por meio das curvas)
já continham suas elevações baseadas no geóide. Para o SRTM, esta informação foi
adquirida no próprio endereço que disponibiliza os dados. Para o segundo MDT, além
de se basear no que é de costume e recomendável fazer ao se restituir curvas de nível,
foi realizado um teste para a averiguação, já que não havia esta informação nos
documentos fornecidos.
Os pontos coletados por GPS em modo diferencial e que continham informações de
elevação ortométricas (editadas conforme descrito no Item 4.2.2.2) foram sobrepostos
ao MDT e para cada coordenada planimétrica foi coletada sua respectiva cota
altimétrica. Estas cotas, por sua vez, eram comparadas com aquelas adquiridas pelo
GPS. A aproximação dos valores (variando em média de 0,9m enquanto a ondulação
geoidal média para a área é de 7,23m) confirmou que os dados que originaram este
MDT já estavam baseados no geóide.
80
No processo de correção pelo modelo racional polinomial, é possível ortorretificar a
imagem fusionada (bandas multi-espectrais com a pancromática), mas neste caso ao
selecionar a imagem é preciso indicar os metadados contendo as informações de RPC,
que se perdem ao fazer a fusão. O arquivo indicado deve ser aquele que contém as
informações da banda PAN, pois a sua geometria se mantém depois de fusionadas as
bandas. Apesar da possibilidade de aplicar os testes nas imagens fusionadas optou-se
pelo uso apenas da banda pancromática.
Seguindo a ordem proposta, foi gerada a correção geométrica com o MDT mais
refinado (baseado nas curvas de nível) e ainda sem pontos de controle. Aqui houve
diferença apenas na etapa anterior à da ortorretificação, ou seja, na edição do MDT
(como descrito no Item 4.2.2.1).
Nos dois outros procedimentos testados com este modelo usaram-se os pontos de
controle. Inicialmente com o MDE do SRTM e posteriormente com aquele mais
refinado. Nesta abordagem, além de todas as etapas a serem cumpridas por processos
sem o uso dos pontos de controle, foi necessário indicar qual feição, identificável na
imagem, correspondia ao local onde se realizou a coleta com o D-GPS. As coordenadas
X, Y e Z foram introduzidas no SIG e então transportadas para a imagem. Como a
imagem ainda não se encontrava corrigida, as coordenadas levavam a áreas no entorno
do local exato. Dessa forma, a feição ou objeto era identificado na imagem e confirmada
a sua verdadeira localização. Este procedimento foi repetido para cada ponto de controle
e para cada ponto de teste que eram distinguidos na coleta.
Os resultados, como mencionado anteriormente, foram sobrepostos aos pontos de teste e
ao cadastro urbano em questão, para uma observação do avanço na qualidade das
ortorretificações testadas.
Dentre as correções geométricas possíveis com os dados disponíveis a mais precisa é a
ortorretificação pelo modelo orbital de satélite. Este modelo é paramétrico e por isso
considerado rigoroso (Toutin, 2004). Para aplicar este modelo, foi preciso utilizar o
programa PCI V.9 que possui um módulo de ortorretificação (Ortoeng) onde está
implementado este modelo para o uso com imagens Quickbird.
81
Os parâmetros de atitude, efemérides e calibração da geometria do sensor não tiveram
que ser introduzidos manualmente e, portanto, as demais etapas do processo são
semelhantes a aquelas do modelo racional utilizando GPC. As diferenças foram mais
significativas no que diz respeito ao uso do aplicativo. Como as ortorretificações
geradas por este mé todo foram utilizadas nas etapas posteriores do trabalho, as imagens
das duas datas (2002 e 2004) foram corrigidas. Fez-se a correção da banda PAN da
imagem de 2002, das bandas multiespectrais desta mesma época, da PAN de 2004 e das
MULTI de 2004 nesta ordem e separadamente.
Após as correções geométricas, as imagens foram fusionadas pelo método de principais
componentes e então, foi feita uma avaliação da qualidade destes produtos. Optou-se em
realizar o processo de fusão antes da avaliação da precisão de posicionamento. Esse
procedimento auxiliou na identificação das feições e não comprometeu a qualidade da
verificação.
4.2.2.4 Avaliação
A avaliação das ortorretificações geradas se deu de modo diferente para cada uma delas.
Para aquelas ortoimagens geradas pelo modelo racional polinomial, cujo objetivo era
aumentar o conhecimento sobre correção geométrica, seus modelos e possibilidades,
mediram-se os deslocamentos, sobrepondo-as a alguns pontos de controle e ao cadastro
urbano. Baseando-se em trabalhos que indicavam que o modelo rigoroso é o mais
preciso, optou-se em usar este método para a correção geométrica definitiva e assim
utilizar seus resultados nos demais processamentos do estudo (a classificação orientada
a objetos e as análises urbanas). Por este motivo, foi feita uma avaliação estatística mais
precisa para este modelo, usando-se o erro médio quadrático.
Este teste foi realizado manualmente embora o projeto montado no aplicativo
fornecesse um relatório dos erros. Esta opção foi feita para que houvesse o
entendimento do teste e para o controle do processo de avaliação.
A imagem fusionada de cada data foi carregada em um SIG e coletaram-se as
coordenadas planimétricas de cada feição correspondente aos pontos separados para
82
teste. Posteriormente, estas coordenadas e aquelas obtidas com o D-GPS foram
importadas em uma planilha, e calculou-se o RMS. Além disso, coletaram-se as
coordenadas em diferentes SIG com a intenção de se observar a variação do teste
estatístico ao se usar aplicativos distintos. Este trabalho teve sua continuidade a partir da
confirmação da qualidade geométrica necessária aos objetivos deste estudo, adequada à
escala 1:5000.
4.2.3 Classificação Orientada a Objetos
Completada a operação de correção geométrica das imagens, realizou-se a classificação
da cobertura do solo urbano utilizando a abordagem orientada a objetos. Esta etapa
envolveu os seguintes procedimentos: o processamento (correção/ajuste) das imagens e
dos dados cartográficos utilizados como base, a definição das classes de cobertura do
solo, segmentação das imagens, determinação da hierarquia entre essas classes,
definição das regras de pertinência para aplicar a classificação e avaliação do resultado
da classificação.
4.2.3.1 Preparação dos Dados
Como o objetivo da etapa de classificação é ident ificar alvos que compõem a paisagem
urbana, foi importante considerar um outro parâmetro que pudesse auxiliar nisso. Nesse
sentido, optou-se pelo uso do cadastro urbano baseado nas mesmas ortofotos de 1989
das quais se originaram as curvas de nível (Item 4.2.2.1) que, embora desatualizado em
relação às edificações, possui bom registro do arruamento da área de estudo.
O arquivo foi aberto no aplicativo AUTOCAD Map 2000 onde todas as camadas de
informações foram carregadas. O projeto que continha diversos desenhos foi feito de
modo que cada tema se encontrava em uma camada de informação diferente, o que
facilitou a escolha das camadas que poderiam ser utilizadas neste trabalho.
No projeto havia informações de diversas naturezas: pontes, córregos, lotes, edificações
separadas por uso, meio fio, árvores, postes, etc. No entanto, foram necessárias
informações que não se modificaram muito ao longo do tempo. Foi então escolhida a
83
camada que continha os desenhos das quadras e ruas. O desenho das quadras foi então
ativado e editado. A edição foi necessária porque nem todas as quadras se encontravam
como polígonos ou estavam contínuas. Além disso, algumas ruas e quadras foram
alteradas devido às modificações que ocorreram nos bairros ao longo dos anos. A maior
parte das edições foi realizada na parte sul do bairro Buritis. As quadras foram enfim
transformadas em polígonos e exportadas para um SIG.
Convém ressaltar que só foi possível utilizar esse dado porque as imagens foram
ortorretificadas. Do contrário, haveria a necessidade de se fazer um registro entre as
imagens e o dado vetorial, visto que originalmente as imagens se encontravam
deslocadas entre si.
O cadastro, em formato DXF, foi importado no ENVI onde foi convertido para UTM
WGS-84 (mesma projeção das imagens), transformado para o formato matricial e então
exportado como arquivo IMG. Este cuidado foi tomado porque a importação no
aplicativo e-Cognition é mais direta com este tipo de arquivo.
As imagens também sofreram alterações antes de serem importadas no software. Depois
de fusionadas foram recortadas. A fusão escolhida foi pelo método das principais
componentes. De acordo com Pinho et al. (2005), este método apresenta o melhor
desempenho quanto à transferência de detalhes e conservação do conteúdo espectral em
relação aos métodos IHS, Brovey, Gram-Schmidt e CN Spectral Sharpening.
O recorte das imagens foi feito utilizando o vetor que continha os limites dos bairros de
interesse para este trabalho. Para a imagem de 2004 toda a área dos bairros foi
aproveitada o que não foi possível na imagem de 2002, pois parte dos bairros não estava
compreendida nesta imagem. Após os recortes quatro imagens foram classificadas:
Bairro Belvedere 2002, Bairro Buritis 2002, Bairro Belvedere 2004 e Bairro Buritis
2004.
84
4.2.3.2 Definição das Classes
Para otimizar a classificação da cobertura do solo além de considerar o objetivo do
trabalho é necessário um bom conhecimento do local estudado e dos dados a serem
utilizados. Dependendo destes parâmetros, a definição das classes a serem mapeadas
pode sofrer algumas alterações durante o processo.
Neste trabalho, as classes foram definidas a partir da interpretação visual das imagens
de satélite e das ortofotos, com o suporte das observações de campo. Foram elaboradas
chaves de interpretação a partir dos elementos de cor, textura, forma, tamanho, sombra,
altura, padrão e localização (Florenzano, 2002). Isto evidenciou a limitação de uma
classificação automática. As classes definidas são apresentadas na Tabela 4.3:
TABELA 4.3 – Classes selecionadas para o estudo. Classes Composição 3,2,1 - RGB Composição 4,3,2 - RGB Características de interesse
Asfalto
Possibilidade de auxílio do cadastro.
Brancos
Alto valor de brilho. Não discernimento dos materiais
constituintes.
Coberturas Cinzas
Impermeáveis. Coberturas de grandes edifícios. Muitas
variações.
(continua)
85
TABELA 4.3 – (continuação)
Flare
Nível de quantização próximo a 2048.
Piscina
Alta resposta no azul. Em alguns casos, no verde.
Telha Cerâmica
Bordas lineares. Padronizado conforme legislação.
Geometria variável. Resposta no vermelho.
Solo Exposto
Terreno modificado (terraplanagem). Sem
presença de vegetação. Resposta no vermelho.
Sombra
Baixo brilho. Proximidade de altos edifícios e vegetação
arbórea.
Vegetação Arbórea
Alta resposta no infravermelho próximo. Textura provocada pelas
diferentes alturas das árvores (sombra).
(Continua)
86
TABELA 4.3 (Conclusão)
Vegetação Rasteira
Alta resposta no infravermelho próximo. Uniforme. Presença de
resposta do vermelho (solo).
A classe “Asfalto” é bem característica. Possui forma linear e retilínea, coloração
homogênea, textura lisa e também um padrão de implantação que gera a malha urbana.
Esta classe pode ser confundida, principalmente em relação a sua resposta espectral,
com telhados de amianto e coberturas de cimento envelhecidas. Mas para este estudo,
com o auxílio das informações do cadastro, foi possível isolá- la.
Alguns aspectos inerentes às características de aquisição das imagens foram importantes
para a determinação de classes como Brancos (alto brilho). Esta classe foi incorporada
no processo devido a observação de que alguns materiais de revestimentos não eram
identificáveis por apresentarem altos valores de nível de cinza. Este foi o elemento que
definiu esta classe.
Para a classe “Coberturas cinzas”, foi feita uma generalização baseada na semântica e
na confusão entre coberturas de cimento, metal e amianto. Estas classes apresentam uma
grande confusão entre si por terem tons de cinza semelhantes quando um pouco mais
antigas. A textura, forma, padrão e tamanho também são semelhantes. Elas foram
agrupadas em razão disso e de terem a mesma relevância para o estudo: são coberturas
de edificações multifamiliares ou comerciais (para os bairros em questão) e
impermeáveis. Esta generalização pode aumentar a confiança na classificação pela
diminuição da confusão entre as classes.
Em imagens do satélite Quickbird, tem sido observado sistematicamente que alvos com
altos níveis de cinza, próximos ao valor máximo de 2048 (11 bits), têm gerado defeitos
na imagem por uma saturação do sensor que tende a repetir a informação danificada nas
linhas subseqüentes na banda pancromática (Araújo e Ibanez, 2004). Tal fenômeno é
chamado de Flare e caracteriza-se por um repentino e elevado aumento do brilho
87
captado pelo sensor (NASA, 2003). Desta maneira, esta classe foi introduzida neste no
trabalho para quantificar a significância deste problema.
A classe “Piscina” tem freqüentemente características bastante particulares: cor azul,
textura lisa, forma retangular e localização próxima a edificações.
A principal particularidade da classe “Solo exposto” é a sua falta de padrão.
Basicamente, o que se mantém nos casos deste estudo é a sua cor avermelhada. Nas
demais regras de interpretação são observadas formas irregulares, textura variada e
localização aleatória.
Sombra é uma classe bastante evidente e se destaca principalmente pelo baixo brilho.
Os outros elementos de sua chave de interpretação dependem de qual objeto a produz e
qual objeto se encontra encoberto por ela. Esta última observação é pertinente aqui
porque em imagens com 2048 níveis de cinza as possibilidades de se distinguir alvos
sob sombra são maiores.
Outra classe de grande ocorrência na área de estudo é “Telha cerâmica”. Com formas
variáveis, porém tendo uma geometria simples e retangular, esta classe é bem
identificável visualmente. Este alvo possui, na maior parte das vezes, cor alaranjada,
mas com grande variação de tons. Predomina a textura lisa e o padrão pode ser inferido
pela legislação. Os limites impostos em cada zoneamento urbano, pela legislação,
influem nas características físicas das edificações. Portanto, áreas pertencentes a uma
mesma zona tendem a possuir um padrão similar de edificação.
Vegetação é uma classe bem característica. Sua alta resposta no infra-vermelho próximo
a distingue facilmente dos demais alvos. A vegetação arbórea possui uma textura mais
rugosa enquanto a rasteira é mais homogênea e lisa. Em ambientes urbanos, dentro das
quadras, a segunda possui uma geometria mais bem definida enquanto a primeira tem
uma tendência linear por acompanhar o arruamento. Definidas as classes, realizou-se a
segmentação, conforme o tópico seguinte.
88
4.2.3.3 Segmentação
Para dar início ao processo de classificação propriamente dito, foi criado um projeto no
aplicativo e-Cognition que se baseia em uma abordagem orientada a objetos. Feito isto,
os dados preparados foram importados para o projeto. Os objetivos e critérios que
motivaram as decisões tomadas neste processo foram seguidos para cada um dos quatro
recortes das imagens classificadas.
Importaram-se as imagens e os dados de cadastro (estes como um layer temático) para o
projeto criado. O processo de segmentação é o primeiro passo para a classificação e é a
partir dele que os objetos, alvos deste tipo de abordagem, são criados. O resultado desta
fase repercute nas demais. Por isso foram feitos vários testes até se obter uma
segmentação que atendesse aos interesses da classificação. Por se tratar de uma
segmentação multi-resolução, vários níveis de segmentação foram testados. Após a
definição dos valores dos parâmetros a serem utilizados para cada nível e quantos
seriam estes níveis, foram realizadas as segmentações.
Concluiu-se que deveria haver três níveis de segmentação: um no qual se objetiva a
classificação da cobertura do solo, outro que resulta em objetos maiores e um terceiro
que tem objetos menores. É importante ressaltar que depois de realizada a segmentação
de um nível, esta interfere na próxima e assim por diante. Desta maneira, é aconselhável
que a primeira segmentação seja aquela em que a classificação será utilizada para as
análises (Definiens, 2004). Seguindo esta premissa, a primeira segmentação feita e
depois chamada de nível 2, teve como objetivo maior separar os diferentes objetos de
interesse no ambiente urbano. Como neste ambiente existe um grande número de alvos
e de diferentes tamanhos, procurou-se destacar os mais importantes para o trabalho: as
edificações. Nesta segmentação foram priorizadas a cor e suavidade em detrimento da
forma e compacidade (Figura 4.9). Isto foi feito para se alcançar objetos com as bordas
mais suaves (lineares) como, por exemplo, casas e prédios.
89
FIGURA 4.9 – Limiares usados na primeira segmentação.
Na Figura 4.9 o tamanho médio dos objetos pretendidos com esta segmentação foi
definido pelo valor “40” no campo do parâmetro de escala. Quanto maior este número,
maiores são os objetos resultantes da segmentação. O critério de escala determina a
maior heterogeneidade permitida para estes objetos (Definiens, 2004). Esta
heterogeneidade, referida pela escala, é definida pelo critério da composição da
homogeneidade que é composto por três parâmetros (Figura 4.9): fator de forma,
compacidade e suavidade. Quanto menor o fator de forma, maior será o peso da
informação espectral (“cor”) no processo de segmentação. A forma, considerada no
processo de segmentação, é composta pela compacidade e suavidade que agem da
seguinte maneira: a suavidade procura separar objetos que possuem as bordas lineares e
bem definidas, enquanto a compacidade extrai objetos compactos, mas que se
distinguem de outros objetos por um pequeno contraste.
Na segunda segmentação realizada, posteriormente tratada como nível 3, utilizaram-se
parâmetros que priorizavam a forma e buscavam objetos maiores. Nela o objetivo foi
obter objetos iguais aos polígonos do dado temático do cadastro urbano. Para isto os
limiares de escala e forma foram aumentados consideravelmente (Figura 4.10).
FIGURA 4.10 – Limiares usados na segunda segmentação.
Para o nível 1, a terceira segmentação realizada, foi diminuído o limiar de escala afim
de se obter objetos bem pequenos: menores que aqueles de interesse (Figura 4.11).
90
FIGURA 4.11 – Limiares usados na terceira segmentação.
4.2.3.4 Hierarquia entre as Classes
Outro passo bastante importante neste tipo de abordagem de classificação e que pode
ser utilizado em outras áreas de estudo é a rede hierárquica entre as classes. É através
desta rede que se estima a relação entre as classes e seus grupos.
Nesta etapa desenvolveu-se uma rede em que os objetos mais facilmente distinguíveis
têm uma posição superior em relação aos de maior confusão. Os objetos foram
divididos, a priori, como pertencentes ou não às classes de maior facilidade de
separação. A hierarquia se desenvolveu em decorrência da não-associação dos objetos
às classes superiores (Figura 4.12).
FIGURA 4.12 – Esquema do procedimento aplicado na construção da hierarquia.
Isto foi feito para que as classes com maior confusão fossem sendo deixadas para os
níveis mais baixos da hierarquia, diminuindo o erro da classificação e proporcionando o
91
entendimento da limitação do processo. A impossibilidade de distinguir algumas classes
foi um dos motivos para que algumas delas fossem agrupadas. A determinação
hierárquica foi sendo alterada durante os diversos testes efetuados para se compreender
a melhor relação possível entre os grupos de alvos.
4.2.3.5 Regras de Pertinência
Esta etapa tem um peso muito grande para o desempenho de uma classificação. Aqui
são limitados os atributos que serão usados pelo classificador. Optou-se por trabalhar
com as funções de pertinência ao invés de uma classificação por vizinho mais próximo.
A seleção dos atributos utilizados para diferenciar cada classe foi feita, inicialmente,
visualizando-se o comportamento dos objetos em relação a um determinado atributo que
foi espacializado por meio de uma imagem em nível de cinza gerada no próprio e-
Cognition (Figura 4.13).
FIGURA 4.13 – Exemplo de visualização de um atributo: índice de vegetação.
A Figura 4.13 mostra o atributo customizado para o índice de vegetação. Os objetos
mais claros são aqueles que possuem as características mais próximas ao atributo em
questão (maior índice de vegetação). Esta espacialização foi feita para diversos atributos
e desta maneira foi possível identificar quais deles poderiam ser utilizados na separação
das classes. No entanto, este procedimento isolado não foi suficiente porque os limites
que definem cada classe não são muito claros. A solução foi coletar amostras que
92
representassem cada classe e então comparar o histograma de duas delas para um
determinado atributo (Figura 4.14).
FIGURA 4.14 – Histogramas das classes “Arbórea” e “Piscina”.
O exemplo mostrado nesta figura representa como as amostras de cada classe se
comportam no atributo escolhido (neste caso: razão das bandas 4 e 3 –denominado de
“Índice de Vegetação”). Desta maneira foi possível apontar claramente qual atributo
serve para diferenciar quais classes além de limitar a curva que representa estas classes
(para este atributo).
4.2.3.6 Avaliação da Classificação
Para avaliar o resultado das classificações foi gerada, no próprio aplicativo, uma matriz
de confusão da qual se extrai uma série de informações muito relevantes para avaliar a
qualidade deste procedimento. Dentre estas informações, está o índice Kappa que foi
usado como parâmetro para a avaliação da qualidade do processo de classificação.
Outra informação analisada foi o resultado do grau de estabilidade, também gerado pelo
programa em forma de mapa.
Na avaliação da exatidão da classificação, fez-se primeiramente uma análise visual do
resultado comparando-o com as imagens. Como a alta resolução das imagens utilizadas
permite o reconhecimento de grande parte dos objetos de interesse, a percepção visual
foi utilizada para uma interpretação dos resultados de forma qualitativa. Na verdade esta
interpretação moldou a construção de todo processo de classificação por meio de
comparações entre os resultados preliminares e a visualização da realidade. Após a
interpretação visual coletaram-se amostras para cada classe. Foram coletadas cerca de
30 amostras por classe para a classificação das imagens do bairro Belvedere e para a
classificação da imagem de 2002 do bairro Buritis. Para a classificação da imagem do
93
bairro Buritis de 2004, que tem uma área maior que as demais, foram coletadas 50
amostras por classe. Apenas a classe “flare” teve um número reduzido de coletas devido
à sua pequena expressão em área16.
Essas amostras foram coletadas usando como unidade os polígonos gerados para o nível
2 da segmentação (nível em que a classificação foi utilizada para os demais processos
do trabalho). Estes polígonos refletem a verdade de campo e foram selecionados usando
como base a própria imagem, ortofotos, fotos e visitas de campo.
Cabe salientar que os objetos usados na avaliação foram diferentes daqueles usados para
a construção das regras de pertinência. As amostras foram então comparadas com os
resultados das classificações. Apenas as classes de interesse foram selecionadas para os
cálculos estatísticos. Feito isto, o aplicativo gerou a estátistica com os valores do Kappa
geral e individual por classe assim como os erros de usuário e produtor e os mapas de
estabilidade dos objetos classificados. Após a avaliação das classificações e antes do
uso destas nas demais etapas do processo foi realizada uma edição manual em alguns
locais onde se observaram erros na classificação automática.
4.2.4 Inferências Espaciais
A partir de informações disponíveis e daquelas geradas nas etapas anteriores deste
trabalho, sobre a área de estudo, foram realizados três tipos de inferências. O objetivo
destas inferências foi realizar um estudo mais detalhado e apontar questões relevantes à
qualidade de vida da população.
Inicialmente foram coletadas informações sobre Geologia, Geotecnia, Risco Geológico
e Legislação, além das outras usadas em processos anteriores. A formulação das
inferências espaciais baseou-se no grupo das informações coletadas.
16 Na definição do número de amostras considerou-se o tamanho da área classificada. A representatividade de cada classe foi levada em consideração para se chegar a um valor médio.
94
4.2.4.1 Processamento dos Dados Cartográficos
Para utilizar as diversas informações nas inferências espaciais foi preciso,
primeiramente, analisar os dados de entrada e eventualmente gerar outros. Além dos
mapas de cobertura do solo obtidos neste trabalho foram utilizadas as informações
especificadas a seguir.
O Mapa Geológico e as descrições geotécnicas (em formato analógico) foram usados
para gerar conhecimento sobre estes temas e identificar as características mais
importantes de cada uma destas áreas nos locais estudados. Um segundo mapa
Geológico foi introduzido no SIG. Este mapa geológico simplificado foi baseado num
mapa compilado por Dupont17 e numa excursão realizada em campo (Figuras 3.5 e
3.11). Nesta visita, foram identificados os contatos entre as formações geológicas
presentes na área. Com estes locais referenciados às quadras dos bairros, foi possível
recuperar o mapa que se encontrava apenas em meio analógico, utilizando para isso o
cadastro urbano.
O mapa de Risco Geológico, obtido na PRODABEL, se encontrava em formato digital e
continha áreas independentes apresentando alto risco de prejuízo à população em
relação à escavação, escorregamento e erosão. Estes dados foram editados de modo que
as linhas do perímetro de cada região fossem transformadas em polígonos. Assim como
as curvas de nível, estes mapas se encontram em SAD-69. Também para estes dados,
havia o deslocamento de 7.000.000 de metros a menos nas coordenadas de latitude.
Depois de efetuadas as correções o dado foi importado no SIG.
Os mapas da lei de parcelamento, uso e ocupação do solo, que se encontram na Internet
em formato incompatível com o SIG, foram adaptados para serem utililizados. O mapa
temático de legislação foi adaptado com base no mapa do cadastro urbano (descrito
anteriormente no Item 4.2.3.1). Este processo foi necessário para poder incorporar as
informações da legislação nas análises urbanas (Figuras 3.4 e 3.10).
17 Geólogo, professor do Instituto de Geociências da Universidade Federal de Minas Gerais.
95
Dados de declividade e de orientação de vertentes foram obtidos a partir de
processamentos do modelo digital de terreno. A declividade é importante já que a
legislação limita a construção baseada neste dado e ainda porque, para a área estudada,
os riscos geológicos se agravam em trechos mais íngremes. Dessa forma, definiram-se
quatro classes de declividade: 0-15%, 15-30%, 30-47% e acima de 47% (Figura 4.15).
Os dados de orientação de vertentes, com destaque para a orientação Sudeste, também
são importantes nesse tipo de análise. Assim, o arquivo numérico gerado pelo
processamento foi fatiado e as classes definidas foram: orientação_SE1 (de 90°-112,5° e
157,5°-180°), orientação_SE2 (de 112,5°-157,5°) e demais orientações (Figura 4.15).
FIGURA 4.15 – Mapas de declividade e orientação de vertentes.
96
4.2.4.2 Expansão Urbana
A análise da expansão urbana foi feita para quantificar o aumento de impermeabilização
do solo, em metros quadrados, no período de 2002 e 2004. Para tanto, utilizaram-se as
classificações referentes a estas duas datas. Optou-se por apresentar os resultados desta
análise de forma numérica. Calcularam-se as áreas correspondentes às classes de áreas
impermeabilizadas de 2004, as quais foram subtraídas daquelas de 2002 para os dois
bairros independentemente. De forma semelhante foi quantificada a diminuição de área
verde para estes locais durante este espaço de tempo.
Os resultados das classificações, depois de editados, foram exportados para um SIG
onde foram recortados para terem o mesmo tamanho. Isto foi necessário porque, como
ressaltado anteriormente, as imagens de 2002 não cobrem toda a área dos bairros e,
além disso, há uma nuvem na imagem de 2004 que cobre uma pequena parte sul do
bairro Belvedere. As classes contabilizadas como impermeáveis foram: coberturas
cinza, asfalto, telha de barro e brancos (alto brilho). Enquanto aquelas que entraram no
cálculo de área verde foram: vegetação “arbórea” e “rasteira”.
4.2.4.3 Risco ao Deslizamento de Encostas
Para esta análise foram introduzidos no SIG os dados de orientação de vertentes,
declividade e geologia. O mapa geológico não foi considerado diretamente na
inferência, embora teve um papel importante com informações sobre a orientação e o
ângulo de mergulho das camadas. Isto porque a direção e mergulho das camadas são
semelhantes para as formações geológicas presentes nos bairros estudados (Mapa
Geológico de Belo Horizonte - Silva et al., 1995).
Definiu-se uma operação booleana em programação LEGAL (Apêndice D) que
permitiu gerar um mapa temático de risco ao deslizamento (Figura 4.16). Este mapa
reúne em quatro classes (alto, médio, baixo e nulo) o risco de deslizamento das
formações geológicas da área de estudo.
97
FIGURA 4.16 – Procedimento para a geração de um mapa temático de risco ao deslizamento.
Na área estudada, as vertentes voltadas para sudeste e com alta declividade são as mais
susceptíveis ao deslizamento. Isto porque a direção das camadas é de Sudoeste-Nordeste
com mergulho de, em média, 45° para Sudeste (Silva et al., 1995). Desta maneira, o
programa foi direcionado para destacar as áreas que se encaixam nestes parâmetros.
4.2.4.4 Ocupação Irregular
O objetivo desta análise foi mapear as edificações que se encontram em locais
impróprios no que diz respeito à legislação e à variável declividade. Para isto, foram
integrados no SIG, com o uso de um programa em LEGAL (Apêndice D), os mapas de
cobertura do solo, as classes de declividade e as informações da legislação vigente nos
bairros, isto é, os mapas da Lei de Parcelamento, Uso e Ocupação do Solo (Figura 4.17).
FIGURA 4.17 – Procedimento para gerar um mapa de edificações com ocupação
irregular.
Assim, o mapa de cobertura do solo informa a localização das edificações, o mapa da
legislação indica o zoneamento mais restrito e o mapa de declividade estabelece o limite
permitido de inclinação do terreno. Desta forma foram utilizadas as classes: “coberturas
(cinza)”, “brancos” e “telha cerâmica” das classificações, “ZPAM” da LEIPUOS e
“>47%” da declividade.
Geologia (Ref.)
Declividade
Orientação
INFERÊNCIA Risco Deslizamento
INFERÊNCIA
Cobertura da terra
Declividade
LEIPUOS
Edificações ilegais
98
4.2.4.5 Áreas Críticas de Riscos Geológicos
A base para esta análise foram os mapas de risco geológico à erosão, escavação e
escorregamento. A partir destes mapas, que não estavam correlacionados, foi gerado um
mapa síntese no qual foram indicados os locais que estavam sujeitos a pelo menos um
desses riscos, a dois deles ou aos três (Figura 4.18).
FIGURA 4.18 – Procedimento para gerar o mapa de “Áreas Críticas de Risco
Geológicos”.
Com base no documento que descreve os mapas de risco geológico, assumiu-se que
cada um destes riscos tem um peso igual aos demais e que a ocorrência simultânea
agravaria o potencial de dano à população. Este mapa foi denominado de “Áreas
Críticas”.
O mapa de áreas críticas é necessário para servir de entrada a uma análise futura, já que
há uma limitação do número de planos de informação possíveis para esta análise. Ao
criar este mapa síntese, houve uma simplificação das instanciações do programa gerado
e ainda agregou-se valor ao incluir a ocorrência simultânea destas áreas em um mesmo
local (uma percepção mais rica da geomorfologia dos bairros).
Para se gerar este dado foi feita apenas uma sobreposição dos três planos de informação,
sendo um com cada risco associado, por meio de uma operação booleana que dividiu a
área de estudo em locais com a ocorrência de nenhum, um, dois ou três tipos de riscos
geológicos (Apêndice D).
4.2.4.6 Prejuízo à População
Esta análise foi, de certa forma, aquela que reuniu o maior número de variáveis e se
diferenciou das demais porque não se tratar de alguma constatação e sim de uma
previsão. A intenção dessa inferência foi usar outro método de processamento e gerar
Escavação
Escorregamento
Erosão
INFERÊNCIA Áreas críticas
99
um dado novo para o qual cada uma das informações de entrada possui um peso
diferente no contexto de sua execução (Figura 4.19).
FIGURA 4.19 – Procedimento para gerar o mapa de potenciais prejuízos à população.
Foram incorporadas quatro categorias num processo analítico hierárquico (AHP): áreas
críticas, classificação do uso da cobertura do solo, legislação específica e declividade.
Cada uma destas categorias foi comparada entre si para se estabelecer uma hierarquia
por intermédio de uma ferramenta de suporte à decisão que auxiliou na quantificação
desta ordem com pesos associados a cada fonte de informação. A importância maior foi
dada à categoria que continha as áreas críticas, pois é a partir dessas áreas que o
prejuízo à população é derivado, nesta análise. Somente em locais onde há pelo menos
um dos riscos geológicos pode haver prejuízos. A segunda fonte de informações com
maior peso foi atribuída à classificação da cobertura da terra, pois como esta inferência
trabalhou com uma probabilidade futura de dano apenas aqueles locais onde não havia
edificação foram considerados. Partiu-se da idéia que o risco estaria relacionado a uma
ação antrópica de alteração da paisagem atual (2004). A legislação foi a terceira na
ordem de relevância por agir no sentido de reter e condicionar as edificações, suas
tipologias, e padrões. Assim, pó exemplo, um setor com uma legislação mais branda
possui maior chance de ser ocupado. Por último está a declividade cujas possibilidades
de dano crescem proporcionalmente ao aumento de seu valor, mas até a declividade de
47%. Encostas mais íngremes, acima desse valor, são consideradas áreas non
aedificandi (Belo Horizonte – Lei 7166/96).
Depois de se definir a hierarquia entre as categorias e observar a baixa razão de
consistência foi gerado um programa em LEGAL que foi editado com os valores dos
pesos de cada classe das categorias propostas na primeira fase (Apêndice D). Para as
classes da categoria “Áreas Críticas” foi dado um peso maior para aquela que
Cobertura da terra
LEIPUOS
Declividade
INFERÊNCIA AHP Dano à população
Áreas críticas
100
representava a coexistência dos três tipos de risco geológico em um mesmo local,
depois aquela que continha dois e então aquela em que continha apenas um.
Em “Classificação”, as seguintes classes foram organizadas de forma que os lotes não
edificados foram contabilizados com maior peso: Solo Exposto, Vegetação Arbórea e
Vegetação Rasteira. Dentre estas classes a que recebeu maior peso foi aquela em que a
edificação seria mais imediata. Um lote coberto por solo exposto indica uma
predisposição ou preparação do terreno para a posterior construção ou ainda maior
probabilidade de se fazer isto. Um lote coberto com vegetação rasteira não indica essa
predisposição, mas não oferece maiores empecilhos para a terraplanagem. Já aquele
terreno que possui uma cobertura de vegetação arbórea necessita de licença para a sua
retirada, o que demanda mais tempo e maior custo. A hierarquia desta categoria
acompanhou estas condições.
Na categoria “Legislação”, a escolha dos pesos foi mais complexa, pois há diversas
zonas para cada bairro e a influência de cada uma dependia de uma série de fatores.
Desta maneira foram reunidos e comparados quatro parâmetros de cada zoneamento
realizados nos dois bairros: Coeficiente de Aproveitamento, Taxa de Ocupação, Taxa de
Permeabilidade e Quota do Terreno por Unidade Habitacional. Estes parâmetros foram
escolhidos por agirem diretamente na ocupação do lote e na tipologia da construção.
Para cada parâmetro foi feita uma ordem de restrição. A hierarquia final para o
recebimento dos pesos baseou-se no comportamento médio de cada classe por
parâmetro (Tabela 4.4). Foram levadas em conta, também, as áreas de diretrizes
especia is contidas nos bairros.
TABELA 4.4 – Valores e ordenamento por restrição dos parâmetros usados. Atributos
Zonas C. A. Ordem T. O. Ordem T. P. (%) Ordem
Quota m2/un Ordem
ZAP 1,7 5 - - 20 4 25 6 ZAR-2 1,0 3 - - 20 4 45 4 ZP-1 0,3 2 0,2 2 70 2 2500 1 ZPAM 0,05 1 0,02 1 95 1 - - ZE - - - - - - - - ZP-3 1,5 4 0,5 3 30 3 90 3 ZP-2 1,0 3 0,5 3 30 3 1000 2 ZA 1,5 4 - - 20 4 40 5
101
Onde,
A ordem é do mais restrito (1) para o mais permissivo (6);
Coeficiente de Aproveitamento (C.A.) = coeficiente que, multiplicado pela área do lote,
determina a área líquida edificada, admitida no terreno;
Taxa de Ocupação (T.O.) = é a relação entre a área de projeção horizontal da edificação
e a área do terreno;
Taxa de Permeabilização (T.P.) = A área descoberta e permeável do terreno, em relação
a sua área total, dotada de vegetação que contribua para o equilíbrio climático e propicie
alívio para o sistema público de drenagem urbana;
Quota do Terreno, em metros quadrados, por Unidade Habitacional (Quota) = É o
instrumento que controla o nível de adensamento nas edificações destinadas ao uso
residencial ou na parte residencial das unidades de uso misto.
A “Declividade” foi ordenada da seguinte forma. A faixa acima de 47% recebeu o peso
mais baixo por se tratar de área proibida para a edificação. Nas demais faixas o peso
aumentou de acordo com a elevação da inclinação da encosta e seguiu esta ordem: 0-
15%, 15-30% e 30-47%.
Depois de editado e executado, o programa gerou um mapa numérico ponderado (grade
e imagem). A partir desta grade numérica gerou-se uma imagem que foi posteriormente
associada a uma variação de cores que representam desde os locais com baixa até
aqueles com alta suscetibilidade de prejuízo à população.
103
CAPÍTULO 5
RESULTADOS E DISCUSSÕES
Neste Capítulo são apresentados os resultados das três principais etapas deste trabalho, a
saber: a correção geométrica, a classificação da cobertura do solo e as inferências
espaciais. Serão mostrados também alguns resultados intermediários por etapa além das
análises e discussões por assunto.
5.1 Correção Geométrica
No processo de correção das imagens QuickBird, conforme descrito no Item 4.2.2.3,
foram realizados diversos testes de ortorretificação. Na Figura 5.1 são apresentados
exemplos dos resultados obtidos a partir dos dois métodos utilizados.
Imagem original. Corrigida por RPC. Corrigida por RPC e GCP. FIGURA 5.1 – Exemplos de resultados obtidos no processo de ortorretificação.
Como se observa na Figura 5.1, os deslocamentos diminuem à medida que melhoram os
dados de entrada da ortorretificação. Numa imagem de alta resolução, esse tipo de
correção é essencial para a sua utilização em estudos futuros quando outros dados serão
sobrepostos ou que o posicionamento de determinado alvo seja primordial. Com o
objetivo de se realizar a melhor ortorretificação possível para os dados disponíveis foi
aplicado o modelo rigoroso cuja boa qualidade geométrica da imagem corrigida pode
ser observada visualmente no exemplo da Figura 5.2.
Deslocamento = 27,72 m Deslocamento = 2,79 m Deslocamento = 1,22 m
104
Imagens Originais Imagens Ortorretificadas
FIGURA 5.2 – Imagens originais e corrigidas com seus respectivos RMS em metros.
Pelos erros médios quadráticos (Root Mean Square - RMS) encontrados em ambas as
imagens é válido dizer que elas podem ser utilizadas em estudos na escala de 1:5000, ou
seja, para a escala desejada neste trabalho. Estes resultados estão de acordo com as
exigências da Sociedade Brasileira de Cartografia em relação ao Padrão de Exatidão
Cartográfica (PEC-A), para esta escala (Brasil, 1984). Observou-se inicialmente que a
imagem de 2002 apresentava deslocamentos maiores do que aquela de 2004 o que
provavelmente deve-se ao fato de que ela foi adquirida com maior ângulo de incidência.
Isto faz com que o deslocamento devido ao relevo se torne maior.
Original – 2002. RMS = 21,87m Retificada – 2002. RMS = 1,05m
Original – 2004. RMS = 14,48m Retificada – 2004. RMS = 0,86m
105
A identificação e a cole ta das coordenadas das feições utilizadas como pontos de teste
foram feitas nas imagens fusionadas. A associação de cores às bandas permite um
melhor reconhecimento dos objetos e depois de fusionadas as imagens mantêm a
geometria da banda pancromática, já corrigida e com melhor resolução.
Cabe lembrar aqui que as ortoimagens foram geradas separadamente para as bandas
multi-espectrais e para a banda pancromática apesar de alguns aplicativos e/ou modelos
permitirem que se faça a fusão antes da correção geométrica. Isto por um lado é
positivo, pois diminui o número de etapas (há apenas um procedimento de
ortorretificação). Por outro lado, a imagem poderia ficar “borrada” uma vez que as
bandas multi e PAN são coletadas em tempos ligeiramente diferentes. Como o produto
ORStandard não possui a correção pelo relevo, a fusão antes da aplicação de um modelo
adequado implicaria a possibilidade de um resultado não satisfatório, principalmente em
terrenos com muita variação altimétrica ou em elevados ângulos off-nadir.
(DigitalGlobe, 2004b). Além disso, é indicado que se façam os pré-processamentos
antes do realce nas imagens (Fonseca, 2000).
Quanto aos pontos de controle e teste, deve-se atentar para a sua identificação nas
imagens. Variações como sombra e qualidade da imagem podem confundir o operador
que deverá identificar, na imagem, o ponto exato da coordenada coletada em campo.
Isto vale especialmente para projetos multitemporais. Numa análise estatística, a coleta
de coordenadas de uma mesma feição, pode variar de acordo com a imagem, conforme
o operador ou o aplicativo usado. Há aplicativos que coletam coordenadas
correspondentes ao centro de um pixel e outros que permitem extrair esta informação
sub-pixel. Esta fonte de erro deve ser considerada na análise dos resultados estatísticos
da correção.
No que se refere aos pontos utilizados como controle e teste pode-se afirmar que a
precisão encontrada foi suficiente para obter uma boa correção nas imagens e uma
análise estatística confiável. Os resultados deste processamento indicaram que as razões
e os RMS foram satisfatórios para a sua utilização em etapas subsequentes (Tabelas C.1
106
e C.2). É aconselhável que a razão fique acima de quatro e que o RMS seja o menor
possível (Point Inc, 2001).
Cabe salientar que em ambientes urbanos é necessário também realizar a correção da
geometria das edificações mais altas. Estas edificações apresentam-se distorcidas
conforme aumenta o ângulo de visada off-nadir do sensor. Para realizar esta correção é
necessário possuir o modelo de superfície da área, pois, além da topografia do terreno,
existe a altura dos objetos que compõem a superfície coberta pela imagem. Estas alturas
podem ser obtidas por uma cobertura de laser scan, por exemplo. Desta maneira,
poderia se corrigir os deslocamentos ocasionados devido ao relevo e às edificações. No
entanto, esta retificação revela um outro problema: ao se corrigir a geometria de um
edifício, não há informações para serem colocadas nas áreas de sombra do sensor
(obstruídas). Estas áreas são aquelas onde o sensor não capta nenhuma informação por
estarem bloqueadas pelo próprio objeto (Figura 5.3).
Representação da imagem provida pelo sensor.
FIGURA 5.3 – Sombra provocada pela visada lateral do sensor.
As áreas obstruídas devido a visada lateral do satélite, mesmo com a retificação da
construção, não oferecem nenhum tipo de informação. Isto foi observado por Huinca et
al. (2005).
Para minimizar esse problema, várias imagens do mesmo sensor podem ser adquiridas,
porém com geometrias complementares. Uma alternativa é o uso da câmera High
Resolution Stereo Camera - Airborne (HRSC-A) que capta diversas imagens da área
(Möller, 2005). Todas estas informações ajudam a resolver algumas questões da
107
geometria da imagem, porém aumentariam imensamente o custo de um projeto: uma
cena HRSC-A é cerca de dez vezes mais cara que uma fotografia aérea convencional
(Möller, 2005).
5.2 Classificação Orientada a Objetos
São destacados aqui os resultados mais significativos obtidos do processo de
classificação orientada a objetos, bem como suas peculiaridades, desafios e
possibilidades. Alguns resultados obtidos são comuns às quatro imagens classificadas.
Para as questões específicas de cada classificação foram incluídos sub- itens para
apresentar os resultados e discussões.
Na Figura 5.4 são apresentadas as imagens recortadas e submetidas ao processo de
fusão. Cabe ressaltar que a análise digital de imagens de alta resolução espacial
demanda computadores com muito espaço em disco e alta capacidade de
processamento. Métodos de arquivamento e cópia também devem ser considerados.
Assim, os estudos e análises com imagens de alta a muita alta resolução espacial devem
ser conduzidos em áreas reduzidas.
108
FIGURA 5.4 – Imagens preparadas para a classificação.
Em relação aos dados cadastrais, cabe dizer que as várias edições a que foram
submetidos para a inserção no aplicativo de classificação demonstram a necessidade de
se manter uma boa e atualizada base de dados sobre a cidade. Assim as interações com
outras informações são mais rápidas e eficientes, diminuindo o tempo e os custos.
109
5.2.1 Segmentação
5.2.1.1 Primeira Segmentação – Nível Dois
Os mesmos parâmetros foram utilizados para a classificação das quatro imagens pré-
processadas. A primeira segmentação realizada foi aquela que gerou os objetos da
classificação usada nos procedimentos subsequntes. Os parâmetros utilizados
procuraram obter objetos relativos aos alvos mais importantes, que nesta etapa são as
edificações (Figura 5.5).
FIGURA 5.5 – Exemplo do resultado da primeira segmentação: alvos de interesse e
influência do cadastro.
No objeto selecionado e identificado por “A” observa-se o tamanho médio de
edificações que se procurou discriminar. Se utilizados limiares de escala menores este
objeto poderia ser subdividido o que dificultaria a sua classificação. É importante
observar que esta abordagem de classificação permite utilizar atributos de forma para
classificar os objetos. Isto melhora o desempenho da segmentação e auxilia na
elaboração das regras de separação das classes.
O dado temático utilizado no processo de segmentação influi no resultado obtido, como
pode ser observado em “B” (Figura 5.5). O cadastro contendo as ruas, utilizado neste
processo foi responsável pela divisão das copas das árvores que cruzam o meio fio. Se
as árvores fossem o alvo deste mapeamento, isto poderia diminuir as possibilidades de
se criar regras de geometria para classificá- las como, por exemplo, diferenciar tipos de
árvores pelo tamanho das copas. Para este trabalho, a geometria das árvores foi menos
importante do que sua resposta espectral o que permitiu unir os objetos cortados pelo
meio fio e juntá- los em uma só classe.
B
A
110
5.2.1.2 Segunda Segmentação – Nível Três
A segunda segmentação foi aplicada para separar dois tipos de objetos: quadras e ruas
(Figura 5.6). O objetivo desta segmentação foi criar super-objetos que posteriormente
foram classificados como quadras e ruas. Há então uma hierarquia de objetos que
permite a criação de regras de separação de classes. Por exemplo, objetos identificados
como “casa” na classificação do nível 2 não poderiam estar dentro de super-objetos da
classe “ruas”. Esta regra elimina este erro de classificação, já que não há casas
construídas em ruas.
FIGURA 5.6 – Resultado da segunda segmentação: discriminação de quadras e ruas.
5.2.1.3 Terceira Segmentação – Nível Um
Para que outros atributos pudessem ser considerados na classificação, realizou-se uma
segmentação com limiar de escala menor do que o nível de interesse (Figura 5.7).
Observa-se que os objetos, do nível dois, são subdivididos em outros no nível um. Os
sub-objetos têm a capacidade de auxiliar na distinção dos objetos que estão no nível
superior, principalmente quando se usa a textura. Objetos de mesmo tamanho e
comportamento espectral podem se fragmentar em quantidades diferentes de objetos
pela variação de textura. Um exemplo utilizado neste trabalho foi a aplicação de textura
para a distinção entre vegetação rasteira e arbórea. Um outro exemplo desse tipo de
111
aplicação é o de Pinho (2005), no qual alguns objetos (preestabelecidos) de um nível
inferior são mantidos num nível superior para que sejam classificados corretamente.
FIGURA 5.7 – Resultado da terceira segmentação (nível um) em comparação com o
resultado da primeira (nível dois).
5.2.2 Rede Hierárquica
A estruturação da rede hierárquica é essencial para uma boa classificação. Ela define
como as classes se comportam e interagem umas com as outras (Figura 5.8). A rede foi
construída de modo que as classes de distinção mais fácil sejam priorizadas. Como
mencionado anteriormente, o nível de interesse foi estabelecido como sendo o nível 2.
Na figura 5.8 pode-se notar que neste nível encontram-se as classes de interesse,
destacadas nos retângulos escuros. As demais classes, assim como outras incorporadas
no processo de construção e depois retiradas, servem como apoio para gerar as regras de
pertinência da classificação. Desta maneira, procurou-se sempre dividir os objetos entre
pertencentes ou não a uma classe. Assim, foi possível facilitar a criação das regras,
investigando somente as características de uma classe. Depois de bem definida e
classificada, só existiam objetos pertencentes a esta classe ou não. Dentre os objetos que
não se encaixavam na classe proposta, era feita uma nova subdivisão, porém agora com
o enfoque em uma classe de definição mais difícil. E assim por diante, deixando por
último as classes mais confusas. Desta maneira sobravam menos objetos ainda sem
A - Segmentação nível dois B - Segmentação nível um
112
classificação. Além dessas vantagens, este procedimento diminui consideravelmente o
número de objetos não classificados no final.
FIGURA 5.8 – Rede hierárquica geral.
Os níveis 1 e 3 foram criados para auxiliar na definição dessas regras e limites, além de
permitir que os objetos de interesse reconheçam seus super-objetos (nível 3) e seus sub-
objetos (nível 1). Depois de classificados, os objetos destes níveis auxiliares, podem ser
usados no processo de definição das classes de interesse. No caso do nível 1 existem
duas abordagens que foram usadas. A primeira se baseia apenas na segmentação que
gera objetos menores e que podem ser usados em regras de textura, mesmo sem a sua
classificação. A segunda trata dos objetos classificados. Pode-se limitar os objetos
NÍVEL 2 Não vegetação
Asfalto Sombra Não sombra
Alto brilho Não alto brilho
Flare Branco Vermelhos Não vermelhos
Solo exposto Telha cerâmica Azuis
Piscina Coberturas (cinza)
Vegetação
Rasteira Arbórea
NÍVEL 3 Fora da área Quadras Ruas
NÍVEL 1 Azul (n1) Não azul (n1)
Telha de barro
113
“azuis”, no nível de interesse, conforme a posição e tamanho relativo dos classificados
como “azul (n1)” no nível 1. Da mesma maneira pode-se limitar a classe “asfalto”
apenas para locais onde existem objetos classificados como “ruas” no nível superior.
Isto pode ser feito entre classes do mesmo nível ou em níveis diferentes.
Uma outra vantagem da rede hierárquica é o fato de que ela pode ser usada em outros
trabalhos cujos objetivos se assemelham. Isto economiza bastante tempo e permite que
o enfoque seja nas regras de pertinência que variam para cada projeto. Neste trabalho,
apesar de se poder manter a mesma hierarquia para cada uma das quatro classificações,
foram feitas algumas adaptações de modo a aperfeiçoar os resultados. Além disso, estas
pequenas modificações serviram para investigar qual relação entre as classes. Isso
poderá ser observado no Item 5.2.3.
5.2.3 Regras de pertinência
Com a rede hierárquica geral criada partiu-se para a definição das regras de pertinência.
Quanto a estas regras, observou-se que embora para a mesma área, mas com imagens de
épocas distintas, os limites definidos para cada classe tiveram que ser editados e em
alguns casos alterados. Diferenças de datas, ângulos de visada, condições
meteorológicas na data de aquisição da imagem são fatores que alteram os valores de
nível de cinza correspondentes a cada classe. Isso pode até ocasionar uma alteração na
rede hierárquica. Neste Item são mostradas as regras usadas para classificar cada uma
das quatro imagens utilizadas nesse estudo. Nas classificações das imagens do bairro
Belvedere de 2002 e 2004 utilizaram-se a mesma hierarquia de classes (Figuras 5.9 e
5.10)
114
FIGURA 5.9 – Regras usadas na classificação dos níveis 1 e 3 das imagens do bairro Belvedere de 2002 e 2004.
As classes definidas nos níveis 1 e 3 funcionaram como auxiliares para aquelas do nível
2. As regras observadas na Figura 5.9, mostraram-se mais eficientes na separação das
classes. Cabe ressaltar que se buscou atribuir o menor número possível de regras para
cada classe a fim de evitar o aumento da confusão do classificador.
Um fato interessante apresentado na Figura 5.9 pode ser observado nas classes “Azul
(n1)” e “Não Azul (n1)” do Nível 1 que possuem as mesmas regras de pertinência. O
que as distingue é como cada classe se comporta em relação à regra. Por exemplo, a
classe “Azul (n1)” possui altos valores na regra “razão da banda 1 pelas demais”
enquanto a classe “Não Azul (n1)” possui baixos valores. Isso contribui para a
separação dessas classes. As regras do Nível 2 são apresentadas na Figura 5.10.
Nível 3
Pertencer ao nível 3
Fora da área
- Brilho
Quadras Ruas
- Não é “Quadras" - Forma retangular
- Forma retangular
Nível 1
Somb ra (n1)
- Brilho
Azul (n1)
- Brilho; - Índice de Vegetação; - Razão da banda 1 pelas demais.
Não Azul (n1)
- Brilho; - Índice de Vegetação; - Razão da banda 1 pelas demais.
Telha de barro
- Não é azul; - Vermelhos
- Pertencer ao nível 1
115
FIGURA 5.10 – Regras usadas na classificação do nível 2 das imagens do bairro Belvedere de 2002 e 2004.
Na Figura 5.10 apresenta-se os atributos que melhor definiram cada classe. É importante
ressaltar que um atributo pode servir tanto para separar uma classe que tem uma alta
resposta para este atributo como para uma classe que possui baixos valores para o
mesmo. É o caso do índice de vegetação, as classes de vegetação possuem altos valores
deste atributo enquanto as classes azuis têm baixos valores. Para ambos os conjuntos de
Não Vegetação
- Não é vegetação
Vegetação
- Brilho; - Índice de vegetação
Rasteira
- Textura: Média dos sub-objetos na banda 4; - Não existir “asfalto” como objetos vizinhos
Nível 2
- Pertencer ao nível 2
Arbórea
- Textura: Média dos sub-objetos na banda 4.
Sombra
- Brilho; - Não existir super-objetos “fora da área”
Não Sombra
- Não é sombra
Asfalto
- Brilho; - Existir super-objetos “ruas”.
Alto Brilho
- Brilho;
Brancos
- Brilho;
Flare
- Brilho;
Não Alto Brilho
- Não é Alto Brilho
Vermelho
- Brilho; - Índice de vegetação
Não Vermelho
- Índice de vegetação; - Não é asfalto; - Relação de área com os sub-objetos “telha de barro”
Não Telha
- Não é Telha cerâmica
Solo Exposto
- Brilho - Não é asfalto; - Razão da banda 3 pelas demais.
Azul
- Brilho; - Índice de vegetação; - Relação de área com os sub-objetos “azul (n1)”
Coberturas (cinza)
- Índice de vegetação; - Não é asfalto; - Não é piscina.
Piscina
- Brilho; - Não é asfalto; - NDVI; - Razão da banda 3 pelas demais; - Razão da banda 1 pelas demais
Telha Cerâmica
116
classes o índice de vegetação pode ser utilizado como regra. Nas regras apresentadas na
Figura 5.10 nota-se ainda a importância da rede hierárquica e a relação dos objetos com
seus sub-objtos, super-objetos e objetos vizinhos. A incorporação da idéia de contexto
fica evidenciada nesse tipo de procedimento e é uma das características mais
importantes da classificação orientada a objetos.
A seguir, são apresentadas as regras da classificação das imagens do bairro Buritis cujas
regras foram alteradas em relação às imagens do bairro Belvedere. Também a hierarquia
foi um pouco modificada. Mais uma vez, isso foi feito para se tentar otimizar os
resultados, simplificar as relações entre as classes e diminuir o número de regras.
Algumas regras que foram incorporadas estão sublinhadas para sua melhor
identificação. Os níveis 1 e 3, apesar de um pouco diferentes das imagens do bairro
Belvedere, são iguais entre si nas imagens do bairro Buritis (Figura 5.11).
FIGURA 5.11 – Regras usadas na classificação dos níveis 1 e 3 das imagens do bairro
Buritis de 2002 e 2004
Nível 3
Pertencer ao nível 3
Fora da área
- Brilho.
Quadras Ruas
- Não é Quadras; - Forma retangular.
- Forma retangular.
Área Considera
- Não é Fora da Área.
Nível 1
Azul (n1)
- Brilho; - NDVI; - Vermelhos.
Telha de Barro (n1)
- Não é azul; - Vermelhos; - NDVI.
- Pertencer ao nível 1
117
Nas Figuras 5.12 e 5.13 são apresentadas as regras do nível 2 para a classificação das
imagens do bairro Buritis de 2004 e 2002, respectivamente.
FIGURA 5.12 – Regras usadas na classificação do nível 2 da imagem do bairro Buritis
de 2004.
Não Vegetação
- Não é vegetação
Vegetação
- Brilho; - Índice de vegetação
Rasteira
- Textura: Média dos sub-objetos na banda 4; - Não existir “asfalto” como objetos vizinhos; - Média da banda 3
Nível 2
- Pertencer ao nível 2
Arbórea
- Textura: Média dos sub-objetos na banda 4; - Média da banda 3
Sombra
- Brilho; - Não existir super-objetos “fora da área”
Não Sombra
- Não é sombra
Asfalto
- Brilho; - Existir super-objetos “ruas”.
Alto Brilho
- Brilho;
Brancos
- Brilho;
Flare
- Brilho;
Não Alto Brilho
- Não é Alto Brilho
Vermelho
- Brilho; - Índice de vegetação; - Não é asfalto; - Vermelhos.
Não Vermelho
- Média da banda 1; - NDVI; - Relação de área com os sub-objetos “telha de barro”.
Solo Exposto
- Brilho - Média da banda 1.
Azul
- Brilho; - Índice de vegetação;
Coberturas (cinza)
- Índice de vegetação; - Não é piscina.
Piscina
- Brilho; - Não é asfalto; - NDVI; - Razão da banda 3 pelas demais; - Razão da banda 1 pelas demais
Telha Cerâmica
- Não é Asfalto; - Não é Vermelho..
118
FIGURA 5.13 – Regras usadas na classificação do nível 2 da imagem do bairro Buritis de 2002.
Não Vegetação
- Não é vegetação
Vegetação
- Brilho; - Índice de vegetação
Rasteira
- Textura: Média dos sub-objetos na banda 4; - Não existir “asfalto” como objetos vizinhos; - Média da banda 3
Nível 2
- Pertencer ao nível 2
Arbórea
- Textura: Média dos sub-objetos na banda 4; - Média da banda 3
Sombra
- Brilho; - Não existir super-objetos “fora da área”
Não Sombra
- Não é sombra
Asfalto
- Brilho; - Existir super-objetos “ruas”.
Alto Brilho
- Brilho;
Brancos
- Brilho;
Flare
- Brilho;
Não Alto Brilho
- Não é Alto Brilho
Vermelho
- Brilho; - Índice de vegetação; - Vermelhos.
Não Vermelho
- NDVI; - Relação de área com os sub-objetos “telha de barro”.
Solo Exposto
- NDVI
Azul
- Brilho; - Índice de vegetação;
Coberturas (cinza)
- Índice de vegetação; - Não é piscina.
Piscina
- Brilho; - Não é asfalto; - NDVI; - Razão da banda 3 pelas demais; - Razão da banda 1 pelas demais
Telha Cerâmica
- Não é Asfalto; - Não é Vermelho..
Não Asfalto
- Não é asfalto
119
5.2.4 Resultados e Avaliação da Classificação
Nesta seção são apresentados os resultados e as discussões referentes à classificação e
sua avaliação para as quatro imagens analisadas: 2004 e 2002 do bairro Belvedere; 2004
e 2002 do bairro Burutis.
5.2.4.1 Classificação da Imagem de 2004 do Bairro Belvedere
Esta classificação foi a primeira a ser realizada servindo como base para as demais. Por
este motivo, muitos procedimentos desta classificação foram repetidos, principalmente
no que diz respeito às regras de pertinência desenvolvidas aqui.
De modo geral, o resultado obtido se mostra bem coerente com a realidade do bairro
Belvedere (Figura 5.14). Nesta figura pode-se observar uma característica marcante
deste bairro: a divisão clara da cobertura da terra. A parte setentrional do bairro é
composta por residências uni- familiares de alto padrão de construção. Isto pode ser
visto pelo número de objetos classificados como telha cerâmica. Na parte meridional
nota-se o aumento de coberturas cinzas pelo predomínio de edificações de grande porte
e residencias multi- familiares verticais. Cabe ressaltar que esta divisão é conseqüência
das regras impostas na legislação do bairro que limita o tamanho, a altura, o tipo e
adensamento das construções. Estes dados são analisados e detalhados nas inferências
urbanas e ressaltam a importância da classificação da cobertura da terra urbana.
120
FIGURA 5.14 – Resultado da classificação da imagem de 2004 do bairro Belvedere.
É importante mencionar que há uma grande necessidade de se mapear também o uso do
solo urbano, que possibilitaria uma análise urbana mais refinada. Pode-se inferir o uso
do solo pela reunião de diversas informações: pela cobertura do solo, legislação, censo,
etc. Nesta classificação, pôde-se afirmar que as edificações verticais mapeadas
correspondem ao uso residencial porque a legislação urbana impede o uso comercial
naquela parte do bairro para esta tipologia de construção. No entanto, para o restante do
bairro Belvedere e para o bairro Buritis, que possuem uso misto, esta inferência
demandaria maior quantidade de informação. Além disso, a classificação deveria conter
mais classes para auxiliar na análise do uso. Embora todas essas informações pudessem
contribuir para melhorar a classificação, aumentariam o gasto de tempo. Por isto, e de
acordo com o objetivo deste trabalho, foi priorizada a classificação da cobertura da
terra.
121
A seguir, são descritas as principais características de cada classe mapeada neste
procedimento. São analisadas as opções e limitações das regras de pertinência e seus
resultados específicos. A ordem da rede hierárquica referente ao nível de interesse
(nível 2) e a evolução da classificação foram respeitados.
A classe “Vegetação” foi a mais facilmente discriminada e por isso mapeada em
primeiro lugar, sendo composta de Vegetação “Arbórea” e Vegetação “Rasteira”. Para
se diferenciar vegetação de não vegetação usou-se um procedimento relativamente
simples. Utilizou-se um índice de vegetação (razão da banda 4 pela 3) e brilho. O que
estava acima de um determinado valor deste índice e do brilho foi indicado como
Vegetação. O desafio foi a distinção entre vegetação arbórea e vegetação rasteira. Para
solucionar esta questão foi introduzida uma regra que diferenciava ambas as classes
quanto ao número de sub-objetos contidos no objeto de interesse. Este é um atributo de
textura possível graças a introdução de um nível inferior ao de interesse (descrito no
Item 4.2.3.3). O ganho nesta separação, assim como as curvas que o proporcionaram,
pode ser visto na Figura 5.15.
122
FIGURA 5.15 – Exemplo do desempenho na classificação por adição da regra de
textura.
Em muitos casos, a vegetação arbórea possui um número maior de sub-objetos pela
presença de sombra entre as folhas. Assim sendo, estas duas classes podem ser
diferenciadas utilizando a textura baseada em sub-objetos. Na figura 5.15 B está a
classificação na qual utilizou-se a regra de textura baseada em sub-objetos (banda 4 –
infra-vermelho próximo) mostrada no gráfico na parte inferior da figura (“D”). A outra
A) Composição colorida RGB - 432 B) Classificação com o uso da regra de textura
C) Classificação sem o uso da regra de textura
D) Editor de amostras. Comparativo entre classes: média dos sub-objetos.
123
classificação (Figura 5.15 “C”) não possui essa regra. Uma outra regra foi aplicada para
a classe “Vegetação Rasteira”: não pode haver objeto classificado como Vegetação
Rasteira onde existem objetos classificados como Ruas no nível superior. A classe
Arbórea não entrou nesta limitação porque as árvores plantadas junto ao meio fio
possuem copas que avançam sobre o asfalto. Os objetos que possuem esta localização e
eram classificados como Vegetação “Rasteira”, depois da adição de mais esta regra
foram remapeados para a classe Vegetação “Arbórea”. Observa-se aqui mais uma vez a
importância de se trabalhar em diferentes níveis de segmentação. No entanto, deve-se
tomar cuidado com a adição de muitas regras, pois corre-se o risco de confundir o
classificador e aumentar o número de objetos não classificados. Isto acontece porque
para um objeto pertencer a uma classe, ele deve se encaixar em todas as regras exigidas
para esta classe. Caso contrário não é atribuído a nenhuma classe.
Em seguida foi considerada a classe “Sombra”, cuja única regra foi a associação desta
classe a objetos com muito baixo brilho. No mesmo nível foi introduzida a classe
“Asfalto” usando-se mais uma vez a regra de classificação baseada em super-objetos.
Só eram classificados como “Asfalto” aqueles objetos que se localizavam abaixo dos
super-objetos “Ruas” do nível superior (nível 3 – Figura 5.16).
FIGURA 5.16 – Resultado da classificação no nível 3.
124
A inclusão das classes “Asfalto” e “Sombra”, hierarquicamente abaixo de “Vegetação”,
permitiu relacionar a estas classes objetos que não foram anteriormente mapeados como
“Vegetação”. No caso da classe “Sombra”, isto evitou que objetos com baixo valor de
brilho e alta resposta na banda quatro fossem assumidos como sombra. No caso da
classe “Asfalto”, este cuidado foi tomado para que as árvores sobre o meio fio não
fossem cortadas como ocorreu com os objetos na etapa de segmentação (ver caso “B”
da Figura 5.5).
Em seguida foram introduzidas as classes de alto brilho que basicamente são objetos
que possuem valores elevados deste atributo. A classe “Brancos” reúne objetos que
possuem valores intermediários, porém não foi possível identificar o seu material de
revestimento. Os objetos assumidos como flare são aqueles com os maiores níveis de
quantização, bem próximos do valor máximo de 2048. Também para este caso não foi
possível identificar o tipo de objeto, embora eles estivessem freqüentemente
relacionados a telhados novos de amianto e telha metálica. Cabe dizer que além do tipo
de cobertura, a inclinação e orientação do alvo em relação a posição do sol e do sensor
contribui para a ocorrência desse fenômeno.
As classes descritas a seguir no projeto estão associadas à cor vermelha e referem-se a
telhas de cerâmica e solo exposto. Ambas as classes possuem, em relação às demais,
regras associadas a altos valores de resposta no vermelho. Aqui ocorreu uma confusão
entre estas duas classes por se tratar de materiais com respostas espectrais muito
semelhantes na faixa do visível. No entanto, notou-se que, em média, as amostras de
estudo da classe “Telha cerâmica” apresentam valores de índice de vegetação (razão da
banda 4 pela 3) maiores do que aquelas da classe “Solo exposto”. Isto pode ter ocorrido
pela presença de briófitas nas telhas mais antigas. Como grande parte das residências
com este tipo de cobertura são antigas, é provável que a vegetação tenha se instalado ali.
Além disso, as imagens usadas são de época de chuvas o que contribui para a
proliferação desta vegetação. Esta vegetação de pequeno porte pode emitir radiação no
infravermelho próximo suficiente que permita discriminar os objetos que a contêm,
porém inferior em relação às classes de vegetação.
125
Como grande parte do solo exposto na região é de terraplanagem, toda a vegetação foi
retirada para a instalação de edificações. Criou-se então uma regra que limitou a
resposta dos objetos quanto ao índice de vegetação, o que diminuiu a confusão entre as
classes de “Solo exposto” e “Telha Cerâmica” (Figura 5.17).
FIGURA 5.17 – Resultado de classificação com e sem regra de pertinência.
Na Figura 5.17, consta o resultado da classificação com (“B”) e sem (“C”) as regras.
Nota-se uma melhoria na separação das telhas de barro na classificação com a adição da
regra (“D”). A confusão entre as classes ainda persiste, porém agora, restringe-se a
A) Composição colorida RGB - 432 B) Classificação com o uso da regra 4/3
C) Classificação sem o uso da regra 4/3
D) Editor de amostras. Comparativo entre classes: razão das bandas 4 e 3.
126
telhas novas onde não há briófitas (classificada como solo) e solo com presença de
alguma vegetação (classificada como telha), cuja resposta não foi suficiente para ser
classificada como vegetação “Rasteira”.
As demais classes foram associadas à cor azul e separadas entre “Piscina” e “Coberturas
cinzas”. As “Piscinas” possuem características bastante específicas pela intensa resposta
na banda relativa ao azul e por isso usou-se a regra da razão da banda um pelas demais
para distingui- las. A classe “Coberturas cinzas” refere-se a todas as coberturas de tons
acinzentados que possuem características semelhantes tanto na semântica quanto no
espectro. Por este motivo, há muita confusão entre os diversos materiais de cobertura
que a compõem como amianto, cimento e telha metálica. Para separar estas classes,
inicialmente, houve uma tentativa de se conciliar o método que utiliza as funções de
pertinência para as classes iniciais (com maior separabilidade) com aquele por vizinho
mais próximo para as classes de maior confusão entre si. Esta abordagem, no entanto,
aumentou consideravelmente o tempo de processamento sem apresentar uma melhora
significativa na separação destas classes.18
Os objetos que possuem as coberturas “cinzas” apresentam muitas variações que
incluem desde o tempo de exposição às intempéries, tintas aplicadas sobre o material até
inclinação de telhados. A inclinação é mais relevante em telhas de metal do que em
telhas de barro, por exemplo. Isto porque a telha metálica pode refletir a radiação solar
conforme suas posições relativas. Foram atribuídos a esta classe aqueles objetos não
mapeados em nenhuma das outras classes anteriores. Visando minimizar os erros,
tomou-se o cuidado de se conciliar os objetos do nível de interesse aos classificados
como “Azuis” no nível inferior (nível 1).
No nível abaixo daquele de interesse, foi criada uma classificação em que foram
separados, por vizinho mais próximo, a classe “Azul” das demais. Este método
distingue melhor, no espaço de atributos, classes semelhantes espectralmente e foi
usado como alternativa para aumentar a separação das sub-classes componentes da
18 Foram feitos testes utilizando somente a abordagem por vizinho mais próximo que conseguiram diferencia r bem as classes que apresentaram maior confusão, mas que no geral não obtiveram melhores resultados que a abordagem por funções de pertinência.
127
classe “Coberturas Cinzas”. Como não se obteve grande sucesso nesta tentativa, optou-
se por manter todas estas classes de coberturas cinzas em uma só. Isto diminuiu o erro
da classificação e não comprometeu a qualidade dos resultados.
Cabe destacar que em ambientes urbanos, devem-se diferenciar objetos de materiais de
revestimento. Ou seja, materiais iguais recobrindo objetos diferentes, respondem
espectralmente, na maioria das vezes (exceto por questões de forma), de maneira
semelhante. O contrário também é valido uma vez que é difícil agrupar objetos similares
semanticamente, mas com recobrimentos diferentes. Para este estudo, a determinação
das classes foi se aperfeiçoando ao longo do processo de classificação. Isto ocorreu
porque classes que são diferenciadas visualmente podem não ser separadas
automaticamente.
Obtida a classificação, foi realizado o teste para a avaliação do seu desempenho (Tabela
5.1). Como pode ser verificado nesta tabela, o resultado encontrado é muito bom. Os
valores totais de exatidão e do índice Kappa podem ser considerados excelentes (Tabela
2.2). Os erros do usuário e do produtor também são muito bons. Com a exceção das
classes “Arbórea”, “Rasteira” e “Flare”, todas as outras tem valores muito elevados. No
caso de vegetação “Rasteira” e “Arbórea” este baixo resultado é devido a confusão entre
estas classes, embora ela tenha diminuído com a adição de algumas regras. A classe
Flare contou com um número reduzido de amostras de teste pela sua baixa
representatividade. O que se verificou é que existe uma tênue diferença entre alguns
objetos com alto brilho e outros saturados. Este erro na classificação pode estar
relacionado à regra de distinção entre as duas classes, indicando a necessidade de se
redefinir os limites entre elas. Outro fator é que na vizinhança de pixels saturados (flare)
sempre existem pixels de alto brilho, influenciados por aqueles, o que dificulta a
identificação e a separação entre eles.
128
TABELA 5.1 – Resultado de avaliação da classificação.
Observa-se também que para as classes “Arbórea”, “Rasteira” e “Flare”, os valores de
Hellden (visão otimista) e Short (visão pessimista) são baixos. Isto ocorre porque estes
valores são relativos a interação entre os valores do usuário e do produtor tornando-se
pequenos quando pelo menos um dos dois (usuário ou produtor) é baixo. Estes fatos
interferem no índice Kappa individual por classe, tornando-o baixo.
Cabe ressaltar o acerto de 100% dos objetos classificados como “Asfalto”. Isto só foi
possível porque houve o compartilhamento das informações do cadastro que
previamente, em um nível superior, classificou-se objetos chamados “Ruas”. Ao se
associar os objetos “Asfalto” aos objetos “Ruas”, pôde-se chegar à exatidão observada.
Mais uma vez, nota-se a relevância de se ter uma boa base de dados sobre o uso do solo
urbano.
Com o objetivo de avaliar a incerteza da classificação gerou-se um mapa que apresenta
a estabilidade dos objetos classificados (Figura 5.18). Neste mapa pode-se observar que
os objetos menos estáveis são aqueles relacionados às classes de vegetação (“Arbórea” e
“Rasteira”). Isto já era esperado, pois verifica-se uma grande confusão entre estas
classes. Por este motivo foi necessário o uso de um número maior de regras de
pertinência já que suas funções fuzzy têm limites muito próximos. Embora o resultado
da classificação demonstre que os objetos destas classes foram classificados
129
corretamente, pelo alto valor do coeficiente Kappa, pode-se dizer que eles têm um alto
grau de ambigüidade. Isto ressalta a necessidade de se investigar novas regras que
separem estas duas classes. Outras classes que se confundem, como é o caso de “Solo
exposto” e “Telha Cerâmica”, também apresentaram alguma instabilidade, porém, bem
menos que as classes mencionadas anteriormente. Conclui-se que para esta
classificação, as regras geradas para as classes “Solo Exposto” e “Telha Cerâmica”
foram as mais eficientes em discerni- las.
FIGURA 5.18 – Estabilidade dos objetos classificados
Por fim, é pertinente dizer que a classe “Coberturas Cinzas” não apresentou incertezas
porque representa um grupo de classes. Desta maneira, toda a confusão que poderia
haver entre as classes contidas neste grupo foi eliminada.
5.2.4.2 Classificação da Imagem de 2002 do Bairro Belvedere
Para a classificação desta imagem tentou-se utilizar a mesma hierarquia e regras da
imagem de 2004, referente à mesma área. Para a hierarquia isto foi possível, mas as
regras tiveram que ser adaptadas. Vários fatores interferem na radiação que chega ao
sensor. Um deles é o ângulo de visada off-nadir que altera bastante a geometria da
imagem, especialmente no que diz respeito aos altos edifícios. Além disso, a captação
130
da radiação em ângulos diferentes resulta em valores de níveis digitais distintos para
uma mesma área. Índice de umidade do ar, quantidade de nuvens, períodos de estiagem
ou chuva, são fatores relacionados ao clima que interferem no processo de aquisição das
imagens. Por isso, esses fatores devem ser considerados em análises multi-temporais de
imagens. O resultado da classificação da imagem de 2002 do bairro Belvedere é
apresentado na Figura 5.19.
FIGURA 5.19 – Resultado da classificação da imagem de 2002 do bairro Belvedere.
Pela análise da figura, observa-se claramente a diferença em relação à imagem de 2004
que apresenta algumas nuvens e as respectivas sombras. Por este motivo, a análise da
expansão urbana não pôde ser realizada para esta parte do bairro.
O mesmo procedimento de classificação foi aplicado nas duas imagens. Para cada regra
aplicada foi necessário fazer uma edição e adaptação dos valores a serem usados.
Procurou-se, no entanto, alterar o mínimo possível os procedimentos visando analisar a
eficiência do aplicativo no processo de classificação. Não obstante, observou-se um
desempenho inferior dessa técnica de classificação na imagem de 2002 (Tabela 5.2).
131
TABELA 5.2 – Resultado de avaliação da classificação.
A análise desta tabela indica que os valores individuais e totais, apesar de muito bons,
são inferiores aos obtidos para a imagem de 2004. Isto ocorreu principalmente nas
classes com maior confusão, como é o caso da “Telha cerâmica” e “Solo exposto”.
Apenas a classe “Asfalto” se manteve com o mesmo valor, mas isto se deve aos fatores
anteriormente mencionados.
Provavelmente, outros resultados poderiam ser obtidos se outros limiares e atributos
fossem testados visando aumentar a separação das classes. Mais uma vez se confirma a
necessidade de tratar cada classificação de maneira independente, embora seja eficiente
manter a mesma estrutura hierárquica.
A estabilidade dos objetos classificados é apresentada no mapa da Figura 5.20. Aqui se
observam os mesmo resultados obtidos na análise de estabilidade da imagem de 2004.
Isto acontece porque foram mantidas as mesmas regras de pertinência. Cabe salientar
que há um maior número de objetos não classificados na imagem de 2002. Mais uma
vez, a causa disso é a falta de um melhor ajuste destas regras aos valores de nível de
cinza desta imagem.
132
FIGURA 5.20 – Estabilidade dos objetos classificados
5.2.4.3 Classificação da Imagem de 2004 do Bairro Buritis
Seguindo a mesma hierarquia e regras de pertinência realizou-se a classificação da
imagem de 2004 do bairro Buritis (Figura 5.21).
FIGURA 5.21 – Resultado da classificação da imagem de 2004 do bairro Buritis.
No processo de classificação desta imagem o uso de textura por sub-objetos não foi
eficiente na distinção entre vegetação “Arbórea” e “Rasteira”. Foi preciso usar uma
outra regra: a resposta na banda referente ao vermelho. As amostras de treinamento da
classe “Rasteira” apresentaram valores ligeiramente maiores na banda 3, indicando
133
maior influência do solo. A adição desta regra em conjunto com a de textura aumentou a
separação das classes de vegetação (Figura 5.22).
FIGURA 5.22 – Resultados diferenciados pelo uso de novas regras de pertinência.
O resultado apresentado na Figura 5.22 mostra a classificação com (“B”) e sem (“C”) as
regras de pertinência. O resultado encontrado usando estas regras destaca a importância
A) Composição colorida RGB - 432 B) Classificação com o uso das regras de textura e resposta na banda 3
C) Classificação sem o uso das regras de textura e resposta na banda 3
D) Editor de amostras. Comparativo entre classes: resposta na banda 3
134
de conhecer bem as classes de interesse e de ajustá- las no aplicativo. Este tipo de
procedimento leva a uma melhora na qualidade do processo de mapeamento (Tabela
5.3).
TABELA 5.3 – Resultado de avaliação da classificação.
Este resultado mostra uma melhor separação das classes de vegetação em relação aos
resultados obtidos anteriormente. A inclusão de um novo atributo de distinção entre
vegetação “Rasteira” e “Arbórea” (Figura 5.22 “D”) pode ter sido responsável por isso.
Este fato demonstra a necessidade de se investigar a fundo as propriedades de cada
classe. Observa-se também que houve uma diminuição dos valores da classe “Telha
cerâmica” e “Piscina”. Como a maior parte da cobertura do solo desta área pertence às
classes de “Coberturas cinzas”, “Vegetação” e “Solo exposto”, deu-se maior ênfase ao
seu mapeamento.
A estabilidade dos objetos classificados é apresentada no mapa da (Figura 5.23). Neste
mapa, pode-se verificar que há um menor número de objetos ambíguos em relação aos
resultados encontrados nas imagens do bairro Belvedere. Isto acontece porque aqui as
regras de pertinência definiram com maior clareza os objetos das classes “Arbórea” e
“Rasteira”. Pode-se relacionar este fato à adição da regra baseada na resposta na banda
3.
135
FIGURA 5.23 – Estabilidade dos objetos classificados.
5.2.4.4 Classificação da Imagem de 2002 do Bairro Buritis
A exemplo do procedimento adotado para o bairro Belvedere, a classificação da
imagem de 2002 do bairro Buritis foi feita de modo a tentar aproveitar, ao máximo, as
decisões tomadas para a imagem de 2004. Apesar do desempenho inferior do outro
teste, a hipótese de trabalho aqui era de confirmar as conclusões feitas anteriormente
(Figura 5.24).
FIGURA 5.24 – Resultado da classificação da imagem de 2002 do bairro Buritis.
136
Pela análise da Figura 5.24 observa-se que o resultado da classificação foi bom.
Verificou-se, no entanto, que o intervalo de valores para a razão entre as bandas 4 e 3 se
tornou muito grande fazendo com que os valores das amostras fossem relativamente
insignificantes (Figura 5.25). Isto influenciou negativamente no resultado final e
impossibilitou moldar as curvas referentes a este atributo para as regras de pertinência
das classes que o utilizariam.
FIGURA 5.25 – Gráfico que demonstra o grande intervalo para o atributo.
Pode-se notar na Figura 5.25 que os valores de 0 a 51, no intervalo das amostras, são
muito baixos quando comparados com o intervalo total superior a 11000. Este problema
pode ter ocorrido devido a um possível outlier na reamostragem da imagem original.
Isto modificou as regras de pertinência e foi preciso buscar uma alternativa. Testou-se o
uso do NDVI como alternativa, mas o problema se repetiu, embora em menor escala, e
não melhorou o desempenho da classificação. A solução encontrada foi coletar os
valores de forma manual sobre a imagem da razão das bandas, para servirem de
referência para a estipulação das curvas. Os resultados da avaliação da classificação são
apresentados na Tabela 5.4.
137
TABELA 5.4 – Resultado de avaliação da classificação.
A análise dos resultados mostra mais uma vez um desempenho inferior na classificação
da imagem de 2002 em relação à de 2004. Este resultado indica que não deveriam ser
utilizadas as mesmas regras elaboradas para as imagens de 2004. Aqui se observa que
além das classes que já se encontravam com baixos valores na imagem de 2004
(“Piscina” e “Te lha cerâmica”), houve um desempenho inferior com relação às demais
classes. O motivo, porém, pode ser outro. Como as classes de “Vegetação” e “Solo
exposto” dependem da regra que utiliza a razão da banda 4 pela 3, acredita-se que a
impossibilidade de análise das amostras automaticamente pelo editor diminuiu a
precisão dos limites de separação entre classes e, assim, aumentou o erro.
O mapa de estabilidade para esta classificação também foi gerado (Figura 5.26). Este
resultado confirma o fato de que as incertezas nas classes de vegetação diminuíram com
a adição de mais uma regra para separá- las. Quanto às demais classes, nota-se que,
embora com uma exatidão um pouco inferior que a da classificação da imagem de 2004,
a estabilidade dos seus objetos teve pouca alteração.
138
FIGURA 5.26 – Estabilidade dos objetos classificados.
5.3 Inferências Espaciais
Para complementar este trabalho e visando uma aplicação dos resultados obtidos nas
etapas anteriores, foram realizados três tipos de análise espacial. Os resultados desta
análise, que espera-se poder servir de subsídio para o planejamento urbano, e uma
discussão a seu respeito são apresentados a seguir.
5.3.1 Expansão Urbana no Período de 2002-2004
Como descrito no Item 4.2.4.2, esta análise procurou observar o incremento de classes
de impermeabilização do solo e a diminuição de área verde. A soma das áreas de todas
as classes, o total de áreas impermeabilizadas e de vegetação são apresentados na
Tabela 5.5.
TABELA 5.5 – Áreas das classes de cobertura do solo obtidas das imagens de 2002 e 2004 dos bairros Belvedere e Buritis.
Áreas das classes de cobertura do solo – m2 Classes Buritis 2002 Buritis 2004 Belvedere 2002 Belvedere 2004
Asfalto 122242,68 134768,53 169990,93 166739,05 Brancos 45323,28 52157,16 52663,32 30020,40 Coberturas (cinza) 412826,79 444673,83 203189,77 274347,02 Flare 2331,36 631,80 93,60 611.64 Piscina 471,60 626,76 2994,12 4590,00 Sombra 58006,08 92256,48 42384,60 52450,56 Solo exposto 125866,09 88027,56 242991,73 182394,73
(continua)
139
TABELA 5.5 – (conclusão) Telha barro 9463,32 4576,32 87817,32 99083,88 Vegetação Arbórea 430268,43 501247,48 199428,85 179812,81 Vegetação Rasteira 551191,36 437422,71 165793,33 181056,25 Total 1757990,99 1756388,63 1170494,70 1167347,57 2004 - 2002 1602,36 -3147,13 Total impermeável 589856,07 636175,84 513661,34 570190,35 2004 - 2002 46319,77 56529,01 Total vegetação 981459,79 938670,19 365222,18 360869,06 2004 - 2002 -42789,60 -4353,12
A primeira observação que pode ser feita com a análise desta tabela diz respeito à
diferença nos totais de todas as classes. Isto se deve ao fato de que alguns polígonos não
foram classificados nas imagens e que eles variam por imagem.
Quanto ao aumento de impermeabilização do solo urbano demonstrado pela diferença
entre 2002 e 2004 das classes “Asfalto”, “Brancos”, “Coberturas” e “Telha de Barro”,
pode-se dizer que o resultado comprova o adensamento urbano destes bairros neste
período. Embora o bairro Belvedere tenha área menor, o incremento de materiais
impermeáveis foi superior ao do bairro Buritis. O avanço urbano ao qual estes números
se referem pode ser visualizado nos resultados das classificações (Figura 5.27).
140
FIGURA 5.27 – Expansão urbana no período 2002-2004 no bairro Buritis.
Aqui se materializa um dos objetivos do trabalho que é a análise do incremento da
impermeabilidade do solo urbano por meio principalmente de edificações. Nas duas
imagens trabalhadas (de 2002 e de 2004) foram realizadas classificações automáticas
orientadas a objeto. Observa-se que uma grande parcela da quadra em destaque perdeu
sua cobertura vegetal (Figura 5.27 “A” e “B”) em razão de uma preparação do solo
A) B)
C) D)
141
(Figura 5.27 “C” e “D”) para a construção de prédios verticais multi- familiares. Vale
ressaltar que para o bairro em questão (Buritis) existem dois agravantes: alta declividade
das encostas e características geológicas-geotécnicas desfavoráveis.
É interessante observar que a imagem de 2004 apresenta mais sombras. Isto ocorreu por
dois motivos: 1) a imagem de 2002 foi obtida com ângulo de visada lateral fazendo com
que parte da sombra fosse encoberta pela geometria distorcida do objeto; 2) houve um
aumento do número de edificações altas identificadas na imagem mais recente. Este
último fato pode explicar a diminuição de área da classe “Asfalto” em 2004 para o
bairro Belvedere. Não fosse por estes motivos, a área de “Sombra” deveria ser
semelhante já que este satélite possui órbita sol-síncrona e a coleta das duas imagens
aconteceu em épocas do ano bem próximas (20 de outubro e 02 de novembro). Neste
estudo, não foram mapeados os materiais cobertos por sombra. Isto pode ser feito
devido ao nível de quantização destas imagens (11 bits), mas acarretaria maior
complexidade no processo de classificação, demandando bastante tempo. A sombra é
um fator que altera consideravelmente os resultados sendo sem dúvida, um elemento a
ser considerado em estudos urbanos.
A classe “Telha Cerâmica” nas imagens do bairro Buritis apresenta um fato curioso.
Houve uma diminuição da área desta classe com o passar do tempo. Trata-se de uma
área equivalente a cerca de vinte casas de tamanho médio (250m2). Embora neste bairro
esta classe não seja muito significativa em termos de porcentagem de área, é importante
discutir este fato. Há duas explicações para este caso. Devido ao valor comercial do lote
e o interesse da população em se mudar para o local pode ter ocorrido um processo de
substituição de residências unifamiliares por edifícios verticais multifamiliares (cuja
cobertura normalmente é metálica, amianto ou cimento), principalmente por se tratar de
um bairro onde é permitido pela legislação este tipo de construção verticalizada. Outra
razão provável para esta diminuição é a possibilidade de confusão entre as classes de
“Telha Cerâmica” e “Solo Exposto”. Ambas as classes são bastante similares quanto ao
seu comportamento espectral e como para este bairro existem poucas casas cobertas por
este tipo de telha, a definição das regras de classificação pode não ter conseguido
destacar tais casas tão bem quanto aquelas do bairro Belvedere.
142
A diminuição da área verde também é notável. Pela existência de confusão entre
“Vegetação Rasteira” e “Arbórea”, a análise feita aqui baseia-se na soma destas duas
classes. Desta maneira, o resultado se torna mais confiável já que a distinção entre
Vegetação e Não Vegetação é bastante eficaz.
A diminuição da área verde e o incremento de coberturas impermeabilizadas são fortes
indícios de que estes bairros têm se desenvolvido de maneira prejudicial à qualidade de
vida da população. Estes resultados são indicativos de que devem ser tomadas ações no
sentido de frear o adensamento urbano, nestes bairros.
5.3.2 Risco ao Deslizamento de Encostas
O mapa de risco ao deslizamento de encostas (Figura 5.28) foi feito visando destacar
locais com maior suscetibilidade de ocorrência deste fenômeno. Como está baseado
essencialmente na geologia, existem outros fatores importantes como os relacionados à
geotecnia, ao clima, etc. (fatores de disparo) que não foram considerados, não se pode
afirmar que este risco é eminente e nem que nos locais indicados ocorrerão,
obrigatoriamente, deslizamentos. Cabe salientar, no entanto, que se trata de um alerta
relevante para que futuras ações de desmatamento e loteamentos levem isto em
consideração.
143
FIGURA 5.28 – Mapa de risco ao deslizamento de encostas nos bairros Belvedere e Buritis.
Observa-se nestes mapas que o bairro Buritis possui maior área com propensão ao
deslizamento de encostas. Isto se deve ao fato de que este bairro possui topografia
movimentada e acidentada. Além disso, nesta área há maior número de encostas
voltadas para sudeste e com declividade maior em relação ao Belvedere (Figura 4.15).
A litologia predominante de filitos nos dois bairros os torna mais suscetíveis à erosão.
Sobre os riscos de escorregamento de encostas associados à geologia para o bairro
Buritis, cabe ressaltar a elaboração do parecer técnico elaborado por Silva et al. (1995)
que indica as exigências mínimas de urbanização para este bairro. Este parecer
corrobora com os resultados encontrados aqui.
5.3.3 Ocupação Irregular
Baseado na legislação atual (Leis 7166/96 e 8137/00) e nos resultados das
classificações, foi possível identificar algumas construções que estavam irregulares em
2004 (Figura 5.29). Entende-se aqui como construções aquelas áreas que sofreram
144
alguma alteração da paisagem natural para abrigar uma edificação. Assim sendo, as
classes que entraram nesta análise foram “Coberturas Cinza”, “Telha Cerâmica” e
“Brancos”. Das classes impermeáveis, somente a classe “Asfalto” foi descartada por ser
produto da ação do governo municipal.
FIGURA 5.29 – Exemplos de edificações em locais irregulares.
Esta figura apresenta, em destaque, algumas construções que estão em desacordo com a
legislação. O maior interesse nesta análise é testar a qualidade de novas informações
que irão influenciar nas decisões dos governantes sobre as legislações urbanas futuras.
Com este tipo de procedimento é possível agilizar a identificação de áreas em desacordo
com alguma restrição legal por meio da integração de dados num SIG.
A etapa mais trabalhosa neste processo é a adequação de todas as informações ao
ambiente computacional. Isto ressalta a importância de se construir um banco de dados
geográficos multidisciplinar. Com a disponibilidade destes dados, a integração e análise
de informações se tornam mais eficientes e rápidas. Deve-se ainda conhecer as
limitações de cada dado evidenciadas pela escala e precisão das fontes originais. Neste
145
caso, há uma limitação da classificação proporcionada pela generalização das classes o
que impede a análise de tipologias de edificações. Se houvesse a distinção entre tipos de
edificações (uso do solo) uma inferência mais rica poderia ser realizada incluindo outras
categorias de zoneamento. Assim por exemplo, se determinada zona permite a
construção de casas, mas não de prédios e a classificação distingue estes dois tipos de
edificações, isto poderia ser embutido na elaboração das instanciações. No entanto, este
tipo de inferência poderia esbarrar na limitação do classificador, da resolução da
imagem, na capacidade computacional dentre outras.
5.3.4 Áreas Críticas de Riscos Geológicos
Aqui é apresentado um mapa síntese resultante da integração de várias informações.
Esta integração de dados proporcional a análise de prejuízos à população descrita no
Item 4.2.4.5. Além disso, a sobreposição destes planos de informações agregou valor
aos dados: a possibilidade de se investigar áreas que estão sujeitas a mais de um risco
geológico (Figura 5.30) a saber: AC1 = área associada a um risco geológico; AC 2 =
área associada a dois riscos geológicos e AC3 = área associada a três riscos geológicos.
FIGURA 5.30 – Mapa de áreas críticas.
5.3.5 Prejuízos à População
Os mapas de possibilidades de prejuízo à população em decorrência de escavação,
erosão ou escorregamento (Figura 5.31) foram, dentre aqueles produzidos pelas
146
inferências espaciais, os que reuniram o maior número de variáveis, procedimentos e
testes.
FIGURA 5.31 – Mapas de prejuízo à população.
Nesta Figura, observa-se o resultado da análise espacial por meio do processo analítico
hierárquico. Os locais de interesse nesta inferência são aqueles representados pelas
cores a partir do terceiro quarto da paleta de cores. Estas são as áreas com maiores
possibilidades de acontecer alguma lesão a um indivíduo caso ali ocorra um processo de
escavação, escorregamento ou erosão.
Optou-se por representar estes mapas desta forma e não por um fatiamento em apenas
quatro classes por dois motivos. O primeiro deles diz respeito ao processo aplicado.
Como foi obtida uma superfície de decisão sob a forma de uma grade numérica que
representa uma visão contínua de variação da nova grandeza, ocorreria uma perda de
informação ao dividir todo este conteúdo em apenas algumas classes. Poderia ocorrer
muita generalização e além disso, aumentaria a interferência do operador no processo. O
147
segundo ponto é que o limite entre as classes de risco geológico, apesar de bem
definidas no SIG, não se dá de forma linear na realidade.
O resultado se mostra bastante coerente, pois indica os locais que possuem as
características físicas e legais com potencial de ocorrência dos fenômenos naturais
mencionados (erosão e escorregamento). São áreas que têm uma legislação mais branda,
o que incentiva o incremento de edificações, e características geotécnicas desfavoráveis,
o que aumenta o risco de prejuízos à população. Isto pode ser observado quando se
compara esse resultado com aquele obtido na análise de risco ao deslizamento de
encostas.
Cabe mencionar que o enfoque desta análise é no prejuízo à população porque as áreas
de risco geológico, sua principal fonte de informações, foram determinadas com este
objetivo. O “Risco Geológico” aqui é tratado como a associação de diversas atividades
que possibilitam a ocorrência de eventos que trariam prejuízos à população, sendo estes
eventos, provocados ou não pela ação do homem (Silva et al., 1995). Este risco, no
entanto, está sujeito à presença dos fatores predisponentes e a ocorrência dos eventos
desencadeadores que podem ser fortes chuvas ou construções.
Uma outra questão importante é sobre a opção de se atribuir um peso maior a áreas não
edificadas. O objetivo desta análise é apresentar um mapa com as possibilidades futuras
de prejuízos e assim chamar a atenção dos órgãos públicos para que alguma ação
preventiva seja realizada, principalmente no que diz respeito a formulação de uma
legislação atualizada de parcelamento, uso e ocupação do solo. Este é o motivo pelo
qual esta análise incluiu a LEIPUOS (Leis 7166/96 e 8137/00) no processo.
Nos mapas apresentados, observa-se que o bairro Buritis possui um maior número de
áreas de risco. Isto se deve ao fato de que é um bairro com o comportamento geotécnico
mais complexo e uma legislação menos restritiva. Áreas com alta declividade e com
risco geológico estão incluídas em um zoneamento de adensamento preferencial.
Embora existam outros fatores que não foram levados em consideração nesta análise
como tipo de construção, qualidade de fundações, inclinações de taludes, o resultado
148
encontrado indica a suscetib ilidade de áreas à ocorrência de algum risco relacionado aos
fatores geológicos. Cumpre ressaltar que locais considerados aptos a intervenções
antrópicas possuem elevado risco de escorregamento ou erosão. Isto é um alerta para a
necessidade de planejar o uso e ocupação urbana destes locais. Deve-se, a partir destas
análises, alterar ou criar novas limitações urbanísticas para a expansão urbana.
149
CAPÍTULO 6
CONCLUSÕES
Neste Capítulo são apresentadas as conclusões obtidas nesta pesquisa, com base na
análise e avaliação dos resultados da aplicação das técnicas de correção geométrica e
classificação das imagens multitemporais, bem como das inferências espaciais para a
área de estudo. Algumas recomendações para futuras pesquisas também são destacadas.
1) Sobre os processos de investigação, testes e análises das correções geométricas
utilizadas conclui-se que:
• O uso de um modelo digital de elevação adequado para a obtenção do
produto final é essencial;
• A informação sobre a ondulação geoidal na área de estudo é importante
para se chegar a um resultado mais acurado. Deve-se averiguar se é
preciso incluir este valor no processo de correção de acordo com os
dados de entrada na ortorretificação;
• Os pontos de controle e de teste gerados pelas coordenadas coletadas por
GPS em modo diferencial estão de acordo com os objetivos deste estudo.
O RMS alcançado para estas coordenadas permitiu uma boa precisão do
resultado final da ortorretificação;
• Em estudos multi-temporais ou multi-sensores, a escolha das feições a
serem usadas como pontos de controle e teste, deve ser cuidadosa. É
preciso optar por feições rentes ao solo (caso não haja a disponibilidade
de um DSM) para evitar a paralaxe e que sejam bem definidas em todas
as imagens utilizadas no trabalho;
150
• Em imagens obtidas com elevados ângulos de visada lateral e/ou de
regiões com grande variação e amplitude altimétrica devem ser utilizados
métodos rigorosos, que reconstroem a geometria física do sensor;
• Embora seja menos preciso que o modelo rigoroso, os testes realizados
mostraram a eficiência do modelo racional polinomial (RPC), quando
utilizados pontos de controle e um MDT refinado;
• O resultado obtido com a ortorretificação feita pelo método rigoroso em
imagem ORStandard confirma os resultados obtidos em outros estudos;
• O RMS alcançado na avaliação da correção geométrica com o modelo
rigoroso foi adequado à classificação do PEC-A para a escala pretendida
de 1:5000;
• A imagem de 2002, obtida com maior ângulo de visada lateral,
apresentou maior distorção geométrica, o que resultou num RMS mais
elevado do que na imagem de 2004;
• A correção geométrica foi essencial para a continuidade do trabalho
permitindo a correta sobreposição das duas imagens utilizadas (entre si e
em relação ao cadastro urbano) e a realização das inferências espaciais
com os dados auxiliares;
2) Sobre o método de classificação orientada a objetos conclui-se que:
• A introdução do cadastro urbano como layer temático no processo de
segmentação contribuiu para a distinção entre ruas e quadras das áreas de
estudo. Isto foi fundamental para o mapeamento da classe “Asfalto” cuja
precisão foi alta para todas as imagens classificadas;
• A segmentação multi-resolução é essencial para uma boa classificação e
estabilidade das classes. A utilização de super e sub objetos permite mais
151
opções na escolha de regras de pertinência. Isto contribui para a elaboração
de um número menor de regras na definição de uma determinada classe;
• O uso da textura foi fundamental para a distinção entre vegetação arbórea e
rasteira e só foi possível pela utilização das regras de contexto e hierarquia
obtidas por meio dos vários níveis gerados;
• Deve-se procurar atribuir o menor número possível de regras para a
separação de uma classe. Isto pode ser conseguido pelas relações contextuais
entre os objetos. O elevado número de regras de pertinência agrega confusão
e instabilidade na classificação;
• A hierarquia estabelecida pôde ser usada nas quatro classificações realizadas.
A possibilidade de usar a mesma rede hierárquica (ou com poucas
adaptações) em trabalhos similares agiliza o processo de mapeamento;
• A relação entre as classes foi obtida pela hierarquia proposta e mostrou-se
eficiente para a separação dos objetos;
• As regras de pertinência fuzzy foram mais eficientes na separação das classes
deste estudo do que o método de vizinho mais próximo;
• Para cenas obtidas do mesmo sensor e da mesma área de estudo, as regras de
pertinência precisam ser alteradas para que haja a devida adequação às
características das imagens utilizadas. Os limites dos valores de cada regra
variam de imagem para imagem;
• A opção de favorecer hierarquicamente as classes com maior facilidade de
mapeamento permitiu boa avaliação geral das classificações;
• Houve dificuldade na separabilidade entre as classes de coberturas de
amianto, metal e cimento nas imagens utilizadas neste estudo,
principalmente nas do bairro Buritis com maior presença de edificações
cobertas por estes materiais. A tentativa de distinção destas classes, pelo
152
método de vizinho mais próximo, aumentou a confusão e diminuiu a
qualidade da classificação;
• O ângulo de visada lateral elevado do sensor prejudica a separação de classes
em meio urbano. Os edifícios vistos em perspectiva comprometem o
resultado do mapeamento já que os objetos que constituem suas fachadas se
confundem com aqueles de sua cobertura. Além disso, os objetos ocultos por
estes edifícios não podem ser mapeados. Desta forma, deve-se procurar
adquirir imagens com visadas mais próximas possíveis ao nadir.
• Os resultados encontrados na avaliação da qualidade das classificações
indicaram a possibilidade de usá- las na etapa seguinte deste trabalho;
3) Sobre as análises e inferências urbanas conclui-se que:
• A análise de expansão urbana mostrou o grande crescimento dos bairros
estudados no período de 2002 a 2004;
• Os números da classe sombra demonstram a relevância desta classe quando a
intenção é observar o desenvolvimento urbano. A soma das áreas dos objetos
classificados como sombra é significativa neste contexto;
• Classes com maior grau de confusão devem ser generalizadas em análises
multi- temporais, desde que se mantenham as relações semânticas inerentes
ao trabalho;
• Os resultados, expressos numericamente, permitem uma análise mais precisa
sobre o desenvolvimento dos bairros. No entanto, deve-se considerar a
margem de erro de todo o processo: desde a escala de estudo até a qualidade
e detalhamento da classificação;
• Os procedimentos de inferência espacial demonstraram a eficácia de se
reunir dados de diferentes fontes em um ambiente único;
153
• O método booleano é simples e eficaz na integração de informações. A
atribuição das classes do produto final às combinações possíveis é bastante
subjetiva;
• O método AHP produz um resultado distribuído espacialmente e de forma
homogênea. Os pesos atribuídos às classes temáticas são estabelecidos de
forma subjetiva;
• Os resultados indicaram a necessidade de se manter uma base de dados, da
área de estudo, atualizada e confiável;
• Estudos como este mostram a possibilidade de se mapear áreas com
tendências de crescimento e risco além de auxiliar na regulamentação urbana
das cidades.
6.1 Recomendações
• Deve-se avaliar o custo/benefício dos diversos procedimentos e métodos de
ortorretificação em terrenos planos. Em muitos casos, o método RPC é
suficiente para se atingir uma boa precisão;
• Testar a ortorretificação em vários tipos de produtos e níveis de processamento
de imagens orbitais. Observar qual o método de correção é o mais adequado ao
produto disponível;
• Usar um modelo digital de superfície para que seja possível ortorretificar os
objetos e edifícios representados nas imagens. Investigar a influência do uso do
DSM sobre as áreas de oclusão pela visada do satélite;
• Avaliar o uso de imagens, da mesma área de estudo, obtidas com vários ângulos
de visada. Optar por ângulos complementares para que seja possível gerar pares
estereoscópicos e obter informações sobre a cobertura do solo em áreas oclusas
em outras imagens;
154
• Testar a eficácia de se usar o modelo de superfície na distinção entre solo
exposto e telhas de barro. Subtrair o DSM do MDT para obter as alturas dos
objetos nas imagens e associar este resultado em regras de pertinência fuzzy;
• Analisar a eficiência dos diversos descritores disponíveis no aplicativo de
classificação. Incorporar o uso destes descritores a vários níveis de segmentação
buscando atributos que aumentem a separação das classes;
• Investigar descritores capazes de discretizar as classes de coberturas cinzas
como amianto, telhas metálicas e cimento;
• Procurar gerar e utilizar bibliotecas espectrais para agregar conhecimento no
processo de distinção entre classes semelhantes;
• Testar a possibilidade de classificar o uso do solo urbano para que análises mais
precisas e objetivas possam ser realizadas. Um exemplo é a separação de
tipologias e usos de construções com base em legislações específicas;
• Procurar mapear objetos de várias classes que estão em áreas de sombras;
• Investigar métodos de avaliação de classificação que utilizam funções fuzzy
como, por exemplo, as técnicas de análise de instabilidade utilizadas por
Antunes (2003) e Pinho (2005);
• Realizar trabalho de campo sobre os temas usados nas inferências espaciais a
fim de se agregar maior conhecimento e direcionamento no estudo;
• Usar, se disponível, dados mais detalhados nas inferências espaciais para se
obter maior precisão nos resultados.
155
REFERÊNCIAS BIBLIOGRÁFICAS
Abascal, E. H. S.; Cidade e arquitetura contemporânea: uma relação necessária. Arquitextos. n. 066, texto especial 338. nov. 2005 Disponível em: <http://www.vitruvius.com.br/arquitextos/arq000/esp338.asp>. Acesso em 01 mar. 2006.
Amorim Filho, O. B. Prefácio. In: Carvalho, E. T. (aut.) Geologia urbana para todos: uma visão de Belo Horizonte. Belo Horizonte, MG: [s.n] 1999. p. 176.
Antunes, A. F. B.; Classificação de ambiente ciliar baseada em orientação a objeto em imagens de alta resolução espacial. Curitiba. 146p.Tese (Doutorado em Ciências Geodésias) - Universidade Federal do Paraná, 2003.
Araújo, E. H. G.; Kux, H. J. H. Identificação de áreas com propensão à edificação no bairro Belvedere em Belo Horizonte utilizando sensoriamento remoto e técnicas de geoprocesamento. In: Simpósio Brasileiro de Sensoriamento Remoto, 12., 2005, Goiânia. Anais... São José dos Campos: INPE, abr. 2005. v. 12, p. 3461-3468.
Araújo,H. G. A.; Ibanez, D. M. Correção de problemas relacionados a saturação por alto brilho em imagem quickbird. Estudo de caso: Belo Horizonte, Minas Gerais. São José dos Campos: INPE, dez. 2004. 13 p. (Trabalho final da disciplina Processamento Digital de Imagens).
Aronoff, S.; The minimum accuracy value as an index of classification accuracy. Photogrammetric Engineering & Remote Sensing, v. 51, n. 1, p. 99-111, jan. 1985.
Associação dos Moradores do Bairro Belvedere – AMBB. Revista Encontro, v. especial, p. 14-17, jun. 2004. (Encontro Importante Editora Ltda).
Augusto Filho, O.; Cerri, L. E. S. Programa Serra do Mar: carta geotécnica da Serra do Mar nas Folhas de Santos e Riacho Grande. São Paulo, SP: IPT, 1988. 47 p. (26504)
Baatz, M.; Schäpe, A. Multiresolution segmentation – an optimization approach for high quality multi-scale image segmentation. In: STROBL, J., BLASCHKE, T. (Hrsg): Angewandte Geographische Informationsverarbeitung XII. Beiträge zum AGIT-Symposium Salzburg 2000. Karlsruhe. Herbert Wichmann Verlag, 2000. p. 12 – 23
Barnsley, M. J.; Moller-Jensen, L. e Barr, S. L. Inferring urban land use by spatial and structural pattern recognition. In:Donnay, J.; Barnsley, M. J.; Longley, P. A. (eds). Remote sensing and urban analysis. London: Taylor & Francis. 2001.Cap. 7, p. 115-144.
Belo Horizonte. Lei 7166 de 27 de agosto de 1996. Estabelece normas e condições para parcelamento, ocupação e uso do solo urbano no município. Disponível em: <www.pbh.gov.br/mapas/leiuso/lei-7166.htm>. Acesso em: 12 dez. 2005.
Belo Horizonte. Lei 8137 de 21 de dezembro de 2000. Altera as leis n.os 7.165 e 7.166, ambas de 27 de agosto de 1996, e dá outras providências. Disponível em: <www.pbh.gov.br/mapas/leiuso/lei-8137.htm>. Acesso em: 12 dez. 2005.
156
Belo Horizonte. Lei n. 7165 de agosto de 1996. Institui o Plano Diretor do Município de Belo Horizonte. Disponível em: <http://www.pbh.gov.br/siga/procuradoria/pgmlegis.htm>. Acesso em: 12 dez. 2005.
Benz, U. C.; Hofmann, P.; Willhauck, G.; Lingenfelder I.; Heynen, M. Multi-resolution, object-oriented fuzzy analysis of remote sensing data for GIS-ready information. ISPRS Journal of Photogrammetry & Remote Sensing, v. 58, n. 3-4, p. 239-258, 2004.
Benz, U.; Baatz, M.; Schreier, G. OSCAR-Object Oriented Segmentation and Classification of Advanced Radar allow automated information extraction. In: Geoscience and Remote Sensing Symposium, 2001, Sydney. Proceedings… Sydney: IGARSS, 2001. v. 4, p. 1913-1915.
Benz, U.; Supervised fuzzy analysis of single- and multichannel SAR data. IEEE Transactions on Geoscience and Remote Sensing, v. 37, n. 2, p. 1023-1037, Mar. 1999.
Bernardi, J.V.E.; Landim, P.M.B. Aplicação do Sistema de Posicionamento Global (GPS) na coleta de dados. Rio Claro: DGA,IGCE,UNESP, jan. 2002. 31 p. (Geomatemática,Texto Didático 10). Disponível em: http://www.rc.unesp.br/igce/aplicada/textodi.html. Acesso em: 19 jan. de 2005.
Best in Space. Digital Globe, PCI Geomatics and CCRS announce first support of Quickbird rigorous sensor model. <www.best- in-space.com/news/newsitem.php?id=386>. Acesso em: out. 2005.
Bezerra, M. C. L.; Fernandes, M. A. Cidades sustentáveis: subsídios à elaboração da Agenda 21 brasileira. – Brasília: Ministério do Meio Ambiente; Instituto Brasileiro do Meio Ambiente e dos Recursos Naturais Renováveis; Consórcio Parceria 21 IBAM-ISER-REDEH, 2000.
Biasion, A.; Mondino, E.B.; Bontosi, C.C.; Rinaudo, F. Geomatics applications for map production and water management in developing countries. In: ISRSE - International Symposium on Remote Sensing of Environment, 2005, [s.l.]. Proceedings… p.4. Disponível em: <http://www.isprs.org/publications/related/ISRSE/html/papers/701.pdf>. Acesso em: 16 nov. de 2005.
Blaschke, T.; Lang, S.; Lorup, E.; Strobl, J.; Zeil, P. Object oriented image processing in an integrated GIS/remote sensing environment and perspectives for environmental applications. In: Cremers, A. and Greve, K. (eds). Environmental information for planning, politics and the public. Metropolis, Marburg: [s.n.], v. 2, p. 555-570, 2000.
Blaschke, T.; Kux, H. Sensoriamento remoto e SIG avançados: novos sistemas e sensores inovadores. São Paulo: Oficina de Textos, 2005. 286 p.
Bock, M.; Xofis, P.; Mitchley, J.; Rossner, G.; Wissen, M.Object-oriented methods for habitat mapping at multiple scales – Case studies from Northern Germany and Wye Downs, UK. Journal for Nature Conservation, v. 13, n. 2-3, p. 75-89, July, 2005.
Brasil. Decreto Nº 89.817 e 20 de junho de 1984. Estabelece as instruções reguladoras das normas técnicas da cartografia nacional. Disponível em: <http://www.concar.ibge.gov.br/indexf7a0.html?q=node/41>. Acesso em: 18 out. 2005
157
Brasil. Lei n. 10257 de julho de 2001. Regulamenta os arts. 182 e 183 da Constituição Federal, estabelece diretrizes ge rais da política urbana e dá outras providências. Disponível em: < http://www.ibamapr.hpg.ig.com.br/10257leiF.htm>. Acesso em: 20 jan. 2006.
Büyüksalih, G.; Murat, O.; Karsten, J. Precise georeferencing of rectified high resolution space images. In: International Society for Photogrammetry and Remote Sensing Congress, 20, 2004, Istambul. Proceedings… Istanbul: ISPRS, 2004. v. 35, p. 184-188.
Câmara, G. Técnicas de inferência geográfica. In: Introdução à ciência da geoinformação. São José dos Campos, SP: INPE, 2004. Cap. 9, p. 48.
Câmara Mercado Imobiliário. Encontro Mercado Imobiliário. Revista Encontro, v. especial, p. 14-17, Jun. 2004. (Encontro Importante Editora Ltda).
Carrara, A.; Multivariate models for landslide hazard evaluation. Journal of the International Association for Mathematical Geology, v. 15, n. 3, p. 403-426, 1983.
Carvalho, C. M; Avaliação da suscetibilidade aos movimentos de massa nos entornos dos polidutos de Cubatão (SP), com apoio de técnicas de geoprocessamento. Monografia de Graduação em Geologia pelo Instituto de Geociências e Ciências Exatas da UNESP – Rio Claro, SP. 2003.
Carvalho, E.T. Geologia urbana para todos: uma visão de Belo Horizonte. Belo Horizonte, MG: [s.n.], 1999. 176 p.
Castro Junior, R. M.; Saulo, B.; Walter, R. T.; Salaroli, E. G.; Ripper, M.A.S. O Geoprocessamento no mapeamento geológico-geotécnico do Município de Vitória-ES. In: Congresso e Feira para usuários de Geoprocessamento da América Latina, 5, 1999, Salvador. Anais… Salvador: GISBRASIL'99, 1999.
Cheng, P.; Quickbird ortho ready standard products with Toutin's rigorous models. [mensagem pessoal]. Mensagem recebida por [email protected] em 13 Feb. 2006.
Cheng, P.; Toutin, T.; Zhang, Y.; Wood, M. QuickBird – geometric correction, path and block processing and data fusion. EOM, v. 12, n. 3, p. 24-30, May 2003.
Chmiel, J.; Kay, S.; Spruyt, P. Orthorectification and geometric quality assessment of very high spatial resolution satellite imagery for common agricultural policy purposes. Disponível em: <http://www.isprs.org/istanbul2004/comm4/comm4.html>. Acesso em: 20 oct. 2005.
Congalton, R. G.; Oderwald, R. G.; Mead, R. A. Assessing Landsat classification accuracy using discrete multivariate statistical techniques. Photogrammetric Engineering & Remote Sensing, v. 49, n. 12, p. 1671-1678, Dec. 1983.
Congalton, R.; Green, K. Assessing the accuracy of remotely sensed data: principles and practices. Boca Raton, Florida: CRC/Lewis Press, 1999. 137 p.
Corrêa, R. L.; O Espaço urbano. São Paulo : Ática, 1999. 94 p.
158
Conselho Regional de Engenharia, Arquitetura e Agronomia (CREA-MG); Instituto dos Arquitetos do Brasil (IAB-MG); Sindicato dos Engenheiros (SENGE-MG); Associação Mineira de Municípios (AMM). Estatuto da cidade: o jogo tem novas regras. Belo Horizonte, 2002. v. 1.
Crósta, A. P.; Processamento digital de imagens de sensoriamento remoto. Campinas, SP: IG/UNICAMP, out. 1999. 170 p.
Cunha, E. R. S. P.; Oliveira, M. V. e Silva, F. R. M. Utilização da técnica de processo analítico hierárquico (AHP) na avaliação da "favorabilidade" para a prospecção mineral de cromo na região de Pinheiros Altos, município de Piranga, MG, Brasil. REM: Revista Escola de Minas. 54, n. 2, p. 127-132, abr. 2001 Disponível em: <www.scielo.br/scielo.php?script=sci_arttext&pid=S0370-44672001000200009&lng=en&nrm=iso>. Acesso em 20 mar. 2006.
Definiens. e-Cognition: User Guide 4. Germany, 2004. 486 p.
Di, K.; Ma, R. e Li, R. X. Rational functions and potential for rigorous sensor model recovery. Photogrammetric Engineering & Remote Sensing, v. 69, n. 1, p. 33-41, jan. 2003.
DigitalGlobe, Inc.. QuickBird imagery products: product guide . Longmont, Colorado: Digital Globe Inc., 2004. 69p.
DigitalGlobe. QuickBird Imagery Products: FAQ. Longmont, Colorado: Digital Globe Inc., 2004. 11p.
Donnay, J.; Barnsley, M. J. e Longley, P. A. Introduction. In:Donnay, J.; Barnsley, M. J. & Longley, P. A. (eds) Remote sensing and urban analysis. London: Taylor & Francis, 2001. Cap. 1, p. 3-18.
Ehlers, M. Sensoriamento remoto para usuários de SIG – sistemas sensores e métodos: as exigências e a realidade. In: Blaschke, T.; Kux, H. (ed) Sensoriamento remoto e SIG avançados: novos sistemas sensores: métodos inovadores. São Paulo: Oficina de Textos, nov. 2005. Cap. 2, p. 19-32.
Florenzano, T. G.; Imagens de satélite para estudos ambientais. São Paulo, SP: Oficina de Textos, 2002. 97 p.
Fonseca , L. G. M. Apostila de processamento digital de imagens . INPE. jun., 2000.
Gaza, P. V.; The potential uses of high resolution satellite imagery in the Yukon territory. Disponível em: <http://www.geomaticsyukon.ca/high_resolution.html>. Acesso em: abr. 2004.
Grassi, S.; Radicioni, F. Quickbird high-resolution satellite images for municipal territorial management. In: 3D Digital Imaging and Modeling: Applications of Heritage Industry Medicine and Land, 2005, Padova. Proceedings… Padova: CIRGEO, 2005.
Grodecki, J.; Dial, G. Block adjustment of high-resolution satellite images described by rational polynomials. Photogrammetric Engineering & Remote Sensing, v. 69, n. 1, p. 59-68, jan. 2003.
159
Herold, M.; Liu, X. e Clarke, K. C. Spatial metric and image texture for mapping urban land use. Photogrammetric Engineering & Remote Sensing, v. 69, n. 9, p. 99-1001, sept. 2003.
Hofmann, P.; W. Reinhardt The extraction of GIS features from high resolution imagery using advanced methods based on additional contextual information – first experiences. In: International Archives of Photogrammetry and Remote Sensing, 23, 2000, Amserdam. Proceedings... Amsterdam: IAPRS, 2000. p. 51-58.
Huinca S.C.M.; Araki, H.; Cavalheiro, A. C. Correção geométrica de imagens Quickbird para áreas urbanas utilizando modelos geométricos generalizados e dados de laser scanning. In: Simpósio Brasileiro de Sensoriamento Remoto, 12, 2005, Goiânia. Anais... São José dos Campos: INPE, abr. 2005. v. 12, p. 4545-4551.
Instituto Brasileiro de Geografia e Estatística (IBGE). MapGeo 2.0: sistema de interpolação de ondulação geoidal. Disponível em: <http://www.ibge.gov.br> Acesso em: 15 jun 2005a.
______ Estação Planimétrica – SAT. Belo Horizonte, 2001. Disponível em: <http://www.ibge.gov.br/> Acesso em: 15 maio. 2005b.
Instituto Nacional de Pesquisas Espaciais (INPE). SPRING: Sistema de Processamento de Informações Georreferenciadas. São José dos Campos, 2005. Disponível em: <http://www.dpi.inpe.br/spring/portugues/download.html>. Acesso em: 14 mar 2005a.
______ SPRING: Tutorial de geoprocessamento São José dos Campos, 2005. Disponível em: <http://www.dpi.inpe.br/spring/teoria/index.html>. Acesso em: 16 ago. 2005b.
Jacobsen, K.; Geometric potential of Ikonos- and Quickbird-images. Photogrammetric Weeks, n. 3, p. 101-110, 2003.
Jensen, J. J.; Remote sensing of the environment: an earth resource perspective. Upper Saddle River: Prentice Hall, 2000. 550 p.
Kardoulas, N. G.; Bird, A. C. e Lawan, A. I. Geometric correction of SPOT and Landsat imagery: a comparison of map- and GPS-derived control points . Photogrammetric Engineering & Remote Sensing, v. 62, n. 10, p. 1173-1177, oct. 1996.
Landis, J. R.; Koch, G. G. The measurement of observer agreement for categorical data. Biometrics, v. 33, n. 1, p. 159-174, Mar. 1977.
Martín, N. S.; Gutiérrez, C. P. Control geometrico de imagenes Quickbird para fines cartograficos. Disponível em: <http://www.setmana-geomatica.org/front/abstracts/Dimecres9/R26_abs.pdf>. Acesso em: fev. 2005.
Mather, P. M.; Computer processing of remotely-sensed images. Chichester, England : John Wiley & Sons , 1999. 292 p.
160
Möller, M. Estudo da qualidade e aplicações práticas de dados de scanner com altíssima resolução. In: Blaschke, T.; Kux, H. (ed) Sensoriamento remoto e SIG avançados: novos sistemas sensores: métodos inovadores. São Paulo: Oficina de Textos, nov. 2005. Cap. 22, p. 211-224.
Monico, J. F. G.; Posicionamento pelo NAVSTAR-GPS: descrição, fundamentos e aplicações. São Paulo: UNESP, jan. 2000. 287 p.
Moreira, S. J. M.; Guimarães, A. G.; Diniz, A. D. Estudos dos impactos ambientais causados pelo uso e ocupação do solo no bairro Belvedere III. In: Simpósio Brasileiro de Geografia Física Aplicada, 10, 2003, Rio de Janeiro. Anais... Rio de Janeiro: UFRJ, set. 2003. v. 1, p. 823-830.
Moura, A. C. M.; Geoprocessamento na gestão e planejamento urbano . Belo Horizonte, MG: [s.n.], 2003. 294 p.
NASA. Laboratory for astronomy and solar physics - solar flare theory. Disponível em: <hesperia.gsfc.nasa.gov/sftheory/flare.htm>. Acesso em 28 nov. 2004.
Novo, E. M. L. M; Sensoriamento remoto: princípios e aplicações. São Paulo: Edgard Blücher LTDA, jul. 1992. 238 p.
Oliveira, P. C.; Encontro Mercado Imobiliário. Revista Encontro, v. especial, p. 14-17, Jun. 2004. (Encontro Importante Editora Ltda)
PCI Geomatics. Orthorectifying QuickBird data: rigorous and RPC modeling. Disponível em: <http://www.pcigeomatics.com/services/support_center/quickguides/QuickBird.pdf>. Acesso em: set. 2005.
PCI Geomatics. Sensor Models. Disponível em: <http://www.pcigeomatics.com/pdfs/g9_sensor_models.pdf>. Acesso em: jul. 2005.
Pedro, P. C.; Ortoretificação de imagens de alta resolução Ikonos e Quickbird utilizando APM (Affine Projection Model). Curitiba. 97p. (179).Dissertação (Mestrado em Ciências Geodésicas) - Universidade Federal do Paraná, jun. 2005.
Pinho, C. M. D.; Análise orientada a objetos de imagens de satélite de alta resolução espacial aplicada à classificação de cobe rtura do solo no espaço intra-urbano: o caso de São José dos Campos – SP. São José dos Campos. 179 p.Dissertação (Mestrado em Sensoriamento Remoto) - INPE, 2005.
Pinho, C. M. D.; Rennó, C. D. Kux, H. Avaliação de técnicas de fusão aplicadas à imagem Quickbird. In: Simpósio Brasileiro de Sensoriamento Remoto, 12., 2005, Goiânia. Anais... São José dos Campos: INPE, abr. 2005. v. 12, p. 4225 - 4232.
Prefeitura Municipal de Campinas. Subsídios para elaboração e implantação da Agenda 21 do Município de Campinas - SP. Campinas, SP, 2003. Disponível em: <http://www.agenda21cp.cnpm. embrapa .br/>.
Point Inc. Spectrum survey. Olathe, Kansas, Oct. 2001.
______. Spectrum survey´s help. Olathe, Kansas, Oct. 2001.
161
Robertson, B. C.; Rigorous geometric modeling and correction of QuickBird imagery. In: Geoscience and Remote Sensing Symposium, 2003, Toulouse. Proceedings... Toulouse: IGARSS, 2003, p. 797-802.
Rosenfield, G.H.; Fitzpatrick-Lins e Ling, H. Sampling for thematic map accuracy testing. Photogrammetric Engineering & Remote Sensing, v. 48, n. 1, p. 131-137, jan. 1982.
Sharma, K.; Sarkar, A. A modified contextual classification technique for remote sensing data. Photogrammetric Engineering & Remote Sensing, v. 64, n. 4, p. 273-280, apr. 1998.
Silva, A. B.; Carvalho, E. T.; Fantinel, L.M.; Romano, A.W.; Viana, C.S. Estudos geológicos, hidrogeológicos, geotécnicos e geoambientais integrados no Município de Belo Horizonte . Belo Horizonte, MG: Secretaria Municipal de Planejamento, 1995.
Silva, A. B.; Carvalho, E. T.; Fantinel, L.M.; Romano, A.W.; Viana, C.S. Mapa geológico de Belo Horizonte. Belo Horizonte, MG: PBH,1995. (Escala 1:25000).
Silva, W. B.; Vergara, O. R. Avaliação da qualidade geométrica de imagens IKONOS ortorretificadas utilizando-se a transformação polinomial racional. In: Simpósio Brasileiro de Sensoriamento Remoto, 12., 2005, Goiânia. Anais... São José dos Campos: INPE, abr. 2005. v. 12, p. 2581-2588.
Sysdeco Itália. PCI Geomatica - ortho ready standard per QuickBird. Disponível em: <http://195.94.177.122/sys/Sviluppo/arcnew.php?ID=90> Acesso em: 15 dez. 2005.
Tao, C. V.; Hu, Y. 3D Reconstruction methods based on the rational function model. Photogrammetric Engineering and Remote Sensing, v. 68, n. 7, p. 705, July 2002.
Thomas, N.; Hendrix, C.; Congalton, R. G. A Comparison of Urban Mapping Methods Using High-Resolution Digital Imagery. Photogrammetric Engineering & Remote Sensing, v. 69, n. 9, p. 963-972, nov. 2003.
Toutin, T.; Quickbird ortho ready standard images with Toutin's rigorous model. [mensagem pessoal]. Mensagem recebida por <[email protected]> em 20 feb. 2006.
Toutin, T.; Review article: geometric processing of remote sensing images: models, Algorithms and Methods. International Journal of Remote Sensing, v. 25, n. 10, p. 1893-1924, May 2004.
Toutin, T.; Cheng, P. Quickbird - a milestone for high-resolution mapping. EOM. v.11, n. 4, p.14-18, abr. 2002 Disponível em: <http://www.eomonline.com/Common/currentissues/Apr02/tableofcontents.htm>. Acesso em 15 set. 2005.
Toutin, T; Chénier, R.; Carbonneau, Y. 3D Models for high resolution images: examples with Quickbird, IKONOS, and EROS. In: ISPRS Commission IV Symposium, Joint International Symposium on Geospatial Theory, Processing and Applications. 2002, Ottawa Proceedings… Ottawa: ISPRS, feb. 2002. v. 34, p. 547-551.
162
Vaidya, O. S.; Kumar, S. Analytic hierarchy process: An overview of applications. European Journal of Operational Research, v. 169, n. 1, p. 1-29, feb. 2006.
Yang, X.; Remote sensing and GIS for urban analysis: an introduction. Photogrammetric Engineering & Remote Sensing, v. 69, n. 9, p. 937-939, sept. 2003.
Yang, X.; Satellite monitoring of urban spatial growth in the Atlanta Metropolitan Area. Photogrammetric Engineering & Remote Sensing, v. 68, n. 7, p. 725-734, July. 2002.
Whiteside, T.; Ahmad, W. A comparison of object-oriented and pixel based classification methods for mapping land cover in Northern Australia. In: SSC2005 Spatial intelligence, innovation and praxis: The national biennial Conference of the Spatial Sciences Institute, 2005, Melbourne. Proceedings… Melbourne: Spatial Sciences Institute, 2005. p.1225-1231, 2005.
Wolniewicz, W.; Assessment of geometric accuracy of VHR satellite images. International Archives Of Photogrammetry Remote Sensing And Spatial Information Sciences, v. 35, n. 1, p. 19-23, Jan. 2004.
163
APÊNDICE A
DESCRIÇÃO DO ZONEAMENTO URBANO PRESENTE NAS ÁREAS DE
ESTUDO
LEIPUOS: Lei 7166/96 alterada pela Lei 8137/00
Art. 6º - São ZPAMs as regiões que, por suas características e pela tipicidade da vegetação, destinam-se à
preservação e à recuperação de ecossistemas, visando a:
I - garantir espaço para a manutenção da diversidade das espécies e propiciar refúgio à fauna;
II- proteger as nascentes e as cabeceiras de cursos d'água;
III - evitar riscos geológicos.
Parágrafo único - É vedada a ocupação do solo nas ZPAMs, exceto por edificações destinadas
exclusivamente ao seu serviço de apoio e manutenção.
Art. 7º - São ZPs as regiões sujeitas a critérios urbanísticos especiais, que determinam a ocupação com
baixa densidade e maior taxa de permeabilização, tendo em vista o interesse público na proteção
ambiental e na preservação do patrimônio histórico, cultural, arqueológico ou paisagístico, e que se
subdividem nas seguintes categorias:
§ I - ZP-1, regiões, predominantemente desocupadas, de proteção ambiental e preservação do
patrimônio histórico, cultural, arqueológico ou paisagístico ou em que haja risco geológico, nas
quais a ocupação é permitida mediante condições especiais;
§ II - ZP-2, regiões, predominantemente ocupadas, de proteção ambiental, histórica, cultural,
arqueológica ou paisagística ou em que existam condições topográficas ou geológicas
desfavoráveis, onde devem ser mantidos baixos índices de densidade demográfica;
§ III - ZP-3, regiões em processo de ocupação, que será controlado visando à proteção ambiental e
preservação paisagística.
Parágrafo único - O parcelamento e a ocupação de área situada em ZP-1 estão sujeitos à aprovação do
Conselho Municipal do Meio Ambiente - COMAM.
I - alagadiços ou sujeitos a inundações, antes de serem tomadas providências que assegurem o
escoamento das águas;
164
II - que tenham sido aterrados com material nocivo à saúde pública, sem prévio saneamento;
III - naturais com declividade superior a 47% (quarenta e sete por cento);
IV - em que seja tecnicamente comprovado que as condições geológicas não aconselham a
edificação;
V - contíguos a mananciais, cursos d'água, represas e demais recursos hídricos, sem a prévia
manifestação dos órgãos competentes;VI - situados em ZPAM;
VII - em que a poluição impeça a existência de condições sanitárias suportáveis, até a correção
do problema.
§ 1º - No caso de parcelamento de glebas com declividade de 30% (trinta por cento) a 47%
(quarenta e sete por cento), o projeto respectivo deve ser acompanhado de declaração do
responsável técnico de que é viável edificar-se no local.
§ 2º - A declaração a que se refere o parágrafo anterior deve estar acompanhada da anotação de
responsabilidade técnica do laudo geotécnico respectivo, feita no CREA/MG.
§ 3º - O parcelamento de glebas em que haja áreas de risco geológico está sujeito a elaboração de
laudo geotécnico acompanhado da anotação de responsabilidade técnica feita no CREA/MG.
§ ZE – Zonas de Equipamentos (Ex. UFMG, Aeroporto,etc).
§ ADE´s Mangabeiras, São Bento e Belvedere – destinadas exclusivamente ao uso residencial
unifamiliar, sendo que são admitidas atividades do Grupo II, em edificações horizontais, nos
terrenos lindeiros à Av. dos Bandeirantes, entre a Praça da Bandeira e rua Prof. Mello Cançado
(ADE Mangabeiras) e terrenos lindeiros à Av. Michel Jeha (ADE São Bento).
§ ADE do Belvedere III – destinada ao uso exclusivamente residencial (unifamiliar ou
multifamiliar).
Art. 9º - São ZAs as regiões nas quais o adensamento deve ser contido, por apresentarem alta densidade
demográfica e intensa utilização da infra-estrutura urbana, de que resultam, sobretudo, problemas de
fluidez do tráfego, principalmente nos corredores viários.
Art. 10 - São ZAPs as regiões passíveis de adensamento, em decorrência de condições favoráveis de
infra -estrutura e de topografia.
165
APÊNDICE B
TRABALHO DE CAMPO
TABELA B.1 – Descrição da Estação Altimétrica (RN) utilizada como referência. FONTE: IBGE (2005b).
166
TABELA B.2 – Descrição do ponto do IBGE no DER-MG. FONTE: IBGE (2005b).
CÓDIGO 91912 NOME91912 TIPO Estação Planimétrica - SAT MUNICÍPIO Belo Horizonte UF MG CONEXÃO Sistema Geodésico: SIRGAS2000
DADOS PLANIMÉTRICOS DADOS ALTIMÉTRICOS DADOS GRAVIMÉTRICOS Latitude 19º 55' 20,3495''
S Altitude Ortométrica (m) 882,48 Gravidade (mGal)
Longitude 43º 55' 49,9325'' W
Altitude Geométrica (m) 875,25 Sigma Gravidade
(mGal) Fonte GPS Geodésico Fonte GPS Geodésico Precisão Datum SIRGAS2000 Data Medição 15/4/2001 Datum Data Medição 15/4/2001 Data Cálculo 23/11/2004 Data Medição Data Cálculo 23/11/2004 Sigma Altitude
Geométrica (m) 0,014 Data Cálculo Sigma Latitude (m) 0,002 Modelo Geoidal MAPGEO2004 Correção
Topográfica Sigma Longitude (m) 0,002 Anomalia Bouguer UTM (N) 7.796.758,817 Anomalia Ar-livre UTM (E) 611.931,241 Densidade (g/cm3) MC -45
SITUAÇÃO DOS MARCOS
PRINCIPAL Bom ÚLTIMA VISITA 15/4/2001
LOCALIZAÇÃO a estacao esta localizada no terraco do predio principal do departamento de estrada e rodagem(der-mg), situado na avenida dos andradas, numero 1120, esquina com alameda ezequel dias, no centro da cidade de belo horizonte/mg.
DESCRIÇÃO o marco principal e um pilar de concreto com formato quadrangular, com secao transversal de 0,30 m x 0,30 m e 1,5 m de altura. possui no topo um pino de centragem forcada, com rosca de 15,9 mm padrao ibge.
ITINERÁRIO estando na cidade de belo horizonte, localizar o predio principal do departamento de estrada e rodagem(der-mg), situada na avenida dos andradas, numero 1120, esquina com a alameda ezequel dias. sobe-se ate o decimo andar. em seguida sobe-se pela escada mais tres patamares ate uma pequena porta de ferro, por onde chega-se no terraco, segue-se a direita rumo a segunda casa de maquina, aproximadamente 2,5 m encontra -se a estacao.
OBSERVAÇÃO necessario uso de base nivelante, pino fora de prumo. estacao com interferencia de trepidacoes devido: posicionar-se no terraco junto/proximo a duas casas de maquinas. fluxo de veiculos pesados na avenida dos andradas. fluxo de metro e ferrovia nas proximidades mais ou menos 100 m do predio. a chapa de identificacao do marco sat-91912 nao foi colocada rumo norte, pois a direcao norte coincidiu com a quina do citado marco, a colocacao da mesma ficou a noroeste onde existe visibilidade ideal. o acabamento final do marco sat-91912, ficou por conta do engenheiro do der, dos funcionarios da diretoria de engenharia, sr. dionizio tadeu de azevedo ou com dr. sergio p. de oliveira, dar providencia na pintura cor laranja padrao ibge.
167
Para entrar em contato conosco, utilize os recursos abaixo: Fale conosco: 0800 218181 E-mail: [email protected]
FIGURA B.1 – Formulários utilizados em trabalho de campo.
169
APÊNDICE C
PÓS-PROCESSAMENTO
FIGURA C.1 – Conjunto dos vetores processados com a localização dos pontos de coleta na área de estudo e na base.
170
TABELA C.1 – Lista de pontos utilizados nos processos da imagem de 2004. Vetor /base-móvel Solução Comprimento/m Observação/% Razão RMS/m Tipo
19041720-19081721 Fixed (L1) 5649,087 91,32 4,6 0,011 Controle 19041730-19081734 Fixed (L1) 6101,387 89,18 4,6 0,010 Teste 19041730-19081731 Fixed (L1) 5528,304 97,62 4,9 0,011 Teste 19041730-19081732 Fixed (L1) 6121,325 96,21 4,1 0,015 Controle 19041730-19081733 Fixed (L1) 7007,827 99,86 5,3 0,009 Teste 19041740-19081746 Fixed (L1) 6910,957 99,65 4,3 0,009 Teste 19041740-19081740 Fixed (L1) 7649,217 99,65 5,6 0,008 Controle 19041740-19081741 Fixed (L1) 7864,821 96,02 4,2 0,009 Controle 19041740-19081744 Fixed (L1) 8227,317 99,35 4,1 0,011 Controle 19041740-19081745 Fixed (L1) 7390,675 99,09 4,1 0,011 Controle 19041750-19081754 Fixed (L1) 6293,544 99,05 4,1 0,011 Controle 19041750-19081751 Fixed (L1) 6632,322 99,68 4,5 0,008 Teste 19041750-19081752 Fixed (L1) 7037,094 99,53 4,1 0,008 Teste 19041750-19081753 Fixed (L1) 6130,883 95,61 4,2 0,014 Teste 19041790-19081795 Fixed (L1) 5226,104 95,08 7,0 0,009 Teste 19041790-19081790 Fixed (L1) 8631,179 99,31 4,1 0,007 Controle 19041790-19081791 Fixed (L1) 7971,286 99,19 4,2 0,012 Teste 19041790-19081792 Fixed (L1) 7299,411 97,68 4,3 0,011 Controle 19041790-19081793 Fixed (L1) 6270,486 96,23 4,1 0,011 Controle 19041790-19081794 Fixed (L1) 5637,218 98,29 4,5 0,010 Controle 19041800-19081803 Fixed (L1) 4072,264 95,73 8,3 0,012 Controle 19041800-19081800 Fixed (L1) 4725,173 99,27 7,9 0,008 Teste 19041800-19081801 Fixed (L1) 4647,191 93,61 4,1 0,011 Controle 19041800-19081802 Fixed (L1) 4462,216 99,01 5,3 0,010 Teste FONTE: Adaptada de Point Inc. (2001).
TABELA C.2 – Lista de pontos utilizados nos processos da imagem de 2002. Vetor /base-móvel Solução Comprimento/m Observação/% Razão RMS/m Tipo
19041720-19081721 Fixed (L1) 5649,087 91,32 4,6 0,011 Controle 19041720-19081722 Fixed (L1) 5335,925 95,63 4,3 0,013 Teste 19041730-19081734 Fixed (L1) 6101,387 89,18 4,6 0,010 Teste 19041730-19081731 Fixed (L1) 5528,304 97,62 4,9 0,011 Teste 19041730-19081732 Fixed (L1) 6121,325 96,21 4,1 0,015 Controle 19041730-19081733 Fixed (L1) 7007,827 99,86 5,3 0,009 Teste 19041740-19081746 Fixed (L1) 6910,957 99,65 4,3 0,009 Teste 19041740-19081740 Fixed (L1) 7649,217 99,65 5,6 0,008 Controle 19041740-19081741 Fixed (L1) 7864,821 96,02 4,2 0,009 Controle 19041740-19081744 Fixed (L1) 8227,317 99,35 4,1 0,011 Controle 19041740-19081745 Fixed (L1) 7390,675 99,09 4,1 0,011 Teste 19041750-19081754 Fixed (L1) 6293,544 99,05 4,1 0,011 Controle 19041750-19081751 Fixed (L1) 6632,322 99,68 4,5 0,008 Controle 19041750-19081752 Fixed (L1) 7037,094 99,53 4,1 0,008 Controle 19041750-19081753 Fixed (L1) 6130,883 95,61 4,2 0,014 Teste FONTE: Adaptada de Point Inc. (2001).
171
APÊNDICE D
PROGRAMAS EM LEGAL
Risco ao deslizamento de encostas, Belvedere:
//Início { //Declarações Tematico declividade ("tem_decliv"); Tematico vertentes ("tem_vert"); Tematico risco ("risco"); //Instanciações declividade = Recupere (Nome = "belv_corr-T"); vertentes = Recupere (Nome = "belv-T"); risco = Novo (Nome = "classes_bel_corr", ResX = 0.6, ResY = 0.6, Escala = 1200); //Operações risco = Atribua (CategoriaFim = "risco") { "alto" : (declividade == ">47%" && vertentes == "orientacao_SE1" ), "alto" : (declividade == ">47%" && vertentes == "orientacao_SE2" ), "medio" : (declividade == "30-47%" && vertentes == "orientacao_SE1" ), "medio" : (declividade == "30-47%" && vertentes == "orientacao_SE2" ), "baixo" : (declividade == "15-30%" && vertentes == "orientacao_SE1" ), "baixo" : (declividade == "15-30%" && vertentes == "orientacao_SE2" ), "nulo" : (declividade == "0-15%" && vertentes == "orientacao_SE1" ), "nulo" : (declividade == "0-15%" && vertentes == "orientacao_SE2" ), "nulo" : (declividade == "0-15%" && vertentes == "orientacao_demais" ), "nulo" : (declividade == "15-30%" && vertentes == "orientacao_demais" ), "nulo" : (declividade == "30-47%" && vertentes == "orientacao_demais" ), "nulo" : (declividade == ">47%" && vertentes == "orientacao_demais" ) }; //Fim }
Risco ao deslizamento de encostas, Buritis:
//Início { //Declarações Tematico declividade ("tem_decliv"); Tematico vertentes ("tem_vert"); Tematico risco ("risco"); //Instanciações declividade = Recupere (Nome = "buri_corr-T"); vertentes = Recupere (Nome = "buri-T"); risco = Novo (Nome = "classes_bur_corr", ResX = 0.6, ResY = 0.6, Escala = 1200); //Operações risco = Atribua (CategoriaFim = "risco") { "alto" : (declividade == ">47%" && vertentes == "orientacao_SE1" ),
172
"alto" : (declividade == ">47%" && vertentes == "orientacao_SE2" ), "medio" : (declividade == "30-47%" && vertentes == "orientacao_SE1" ), "medio" : (declividade == "30-47%" && vertentes == "orientacao_SE2" ), "baixo" : (declividade == "15-30%" && vertentes == "orientacao_SE1" ), "baixo" : (declividade == "15-30%" && vertentes == "orientacao_SE2" ), "nulo" : (declividade == "0-15%" && vertentes == "orientacao_SE1" ), "nulo" : (declividade == "0-15%" && vertentes == "orientacao_SE2" ), "nulo" : (declividade == "0-15%" && vertentes == "orientacao_demais" ), "nulo" : (declividade == "15-30%" && vertentes == "orientacao_demais" ), "nulo" : (declividade == "30-47%" && vertentes == "orientacao_demais" ), "nulo" : (declividade == ">47%" && vertentes == "orientacao_demais" ) }; //Fim }
Ocupação irregular, Belvedere:
//Início { //Declarações Tematico decliv ("tem_decliv"); Tematico leg ("leipuos_belvedere"); Tematico classif ("tem_class"); Tematico ilegal ("ilegais"); //Instanciações decliv = Recupere (Nome = "belv_corr-T"); leg = Recupere (Nome = "belvedere"); classif = Recupere (Nome = "belv_04_edit-T"); ilegal = Novo (Nome = "ileg_belv_edit", ResX = 0.6, ResY = 0.6, Escala = 1200); //Operações ilegal = Atribua (CategoriaFim = "ilegais") { "edificacoes_irregulares" : (decliv == ">47%" && classif == "telha_barro"), "edificacoes_irregulares" : (decliv == ">47%" && classif == "coberturas"), "edificacoes_irregulares" : (decliv == ">47%" && classif == "brancos"), "edificacoes_irregulares" : (leg == "zpam" && classif == "telha_barro"), "edificacoes_irregulares" : (leg == "zpam" && classif == "coberturas"), "edificacoes_irregulares" : (leg == "zpam" && classif == "brancos") }; //Fim }
Ocupação irregular, Buritis:
//Início { //Declarações Tematico decliv ("tem_decliv"); Tematico leg ("leipuos_buritis"); Tematico classif ("tem_class"); Tematico ilegal ("ilegais"); //Instanciações decliv = Recupere (Nome = "buri_corr-T"); leg = Recupere (Nome = "buritis"); classif = Recupere (Nome = "buri_04_edit-T"); ilegal = Novo (Nome = "ileg_buri_edit", ResX = 0.6, ResY = 0.6, Escala = 1200);
173
//Operações ilegal = Atribua (CategoriaFim = "ilegais") { "edificacoes_irregulares" : (decliv == ">47%" && classif == "telha_barro"), "edificacoes_irregulares" : (decliv == ">47%" && classif == "coberturas"), "edificacoes_irregulares" : (decliv == ">47%" && classif == "brancos"), "edificacoes_irregulares" : (leg == "zpam" && classif == "telha_barro"), "edificacoes_irregulares" : (leg == "zpam" && classif == "coberturas"), "edificacoes_irregulares" : (leg == "zpam" && classif == "brancos") }; //Fim }
Áreas críticas de risco geológico:
//Início { //Declarações Tematico ero ("erosao"); Tematico escav ("escavacao"); Tematico escor ("escorregamento"); Tematico criticas ("areas_criticas"); //Instanciações ero = Recupere (Nome = "risco_erosao"); escav = Recupere (Nome = "risco_escavacao"); escor = Recupere (Nome = "risco_escorregamento"); criticas = Novo (Nome = "classes", ResX = 0.6, ResY = 0.6, Escala = 1200); //Operações criticas = Atribua (CategoriaFim = "areas_criticas") { "ac-3" : (ero == "risco_erosao" && escav == "risco_escavacao" && escor == "risco_escorregamento"), "ac-2" : (ero == "risco_erosao" && escav == "risco_escavacao"), "ac-2" : (ero == "risco_erosao" && escor == "risco_escorregamento"), "ac-2" : (escav == "risco_escavacao" && escor == "risco_escorregamento"), "ac-1" : (ero == "risco_erosao"), "ac-1" : (escav == "risco_escavacao"), "ac-1" : (escor == "risco_escorregamento") }; //Fim }
Prejuízo à população, Belvedere:
{ // Pesos a ser aplicados // areas_criticas = 0.483 // leipuos_belvedere = 0.157 // tem_class = 0.272 // tem_decliv = 0.088 // Razao de consistencia // CR = 0.005 // Definicao dos dados de entrada Tematico var1 ("areas_criticas"); Tematico var2 ("leipuos_belvedere");
174
Tematico var3 ("tem_class"); Tematico var4 ("tem_decliv"); Tabela tab1 (Ponderacao); tab1 = Novo (CategoriaIni = "areas_criticas" , "ac-1":3, "ac-2":4, "ac-3":5); Tabela tab2 (Ponderacao); tab2 = Novo (CategoriaIni = "leipuos_belvedere" , "zp_2":3, "zp_1":1, "zp_3":5, "zpam":0, "za":5, "ze":1); Tabela tab3 (Ponderacao); tab3 = Novo (CategoriaIni = "tem_class" , "arborea":3, "rasteira":4, "solo":5, "telha_barro":1, "coberturas":0.5, "flare":0, "brancos":0, "asfalto":0, "sombra":0, "piscina":0); Tabela tab4 (Ponderacao); tab4 = Novo (CategoriaIni = "tem_decliv" , "0-15%":1, "15-30%":3, "30-47%":5, ">47%":0.1); // Definicao do dado de saida Numerico var5 ("dano"); // Recuperacao dos dados de entrada var1 = Recupere (Nome="classes"); var2 = Recupere (Nome="belvedere"); var3 = Recupere (Nome="belv_04_edit-T"); var4 = Recupere (Nome="belv-T"); // Criacao do dado de saida var5 = Novo (Nome="belv_3", ResX=0.6, ResY=0.6, Escala=1200, Min=0, Max=5); // Geracao da media ponderada var5 = 0.483*(Pondere(var1, tab1)) + 0.157*(Pondere(var2, tab2))+ 0.272*(Pondere(var3, tab3))+ 0.088*(Pondere(var4, tab4)); }
Prejuízo à população, Belvedere:
{ // Pesos a ser aplicados // areas_criticas = 0.483 // leipuos_buritis = 0.157 // tem_class = 0.272 // tem_decliv = 0.088
175
// Razao de consistencia // CR = 0.005 // Definicao dos dados de entrada Tematico var1 ("areas_criticas"); Tematico var2 ("leipuos_buritis"); Tematico var3 ("tem_class"); Tematico var4 ("tem_decliv"); Tabela tab1 (Ponderacao); tab1 = Novo (CategoriaIni = "areas_criticas" , "ac-1":3, "ac-2":4, "ac-3":5); Tabela tab2 (Ponderacao); tab2 = Novo (CategoriaIni = "leipuos_buritis" , "zap":5, "zp_1":1, "zar_2":3, "zpam":0); Tabela tab3 (Ponderacao); tab3 = Novo (CategoriaIni = "tem_class" , "arborea":3, "rasteira":4, "solo":5, "telha_barro":1, "coberturas":0.5, "flare":0, "brancos":0, "asfalto":0, "sombra":0, "piscina":0); Tabela tab4 (Ponderacao); tab4 = Novo (CategoriaIni = "tem_decliv" , "0-15%":1, "15-30%":3, "30-47%":5, ">47%":0.1); // Definicao do dado de saida Numerico var5 ("dano"); // Recuperacao dos dados de entrada var1 = Recupere (Nome="classes"); var2 = Recupere (Nome="buritis"); var3 = Recupere (Nome="buri_04_edit-T"); var4 = Recupere (Nome="buri-T"); // Criacao do dado de saida var5 = Novo (Nome="buri_3", ResX=0.6, ResY=0.6, Escala=1200, Min=0, Max=5); // Geracao da media ponderada var5 = 0.483*(Pondere(var1, tab1)) + 0.157*(Pondere(var2, tab2))+ 0.272*(Pondere(var3, tab3))+ 0.088*(Pondere(var4, tab4)); }