Voltar
UTILIZAÇÃO
DE ATRIBUTOS, DE TEXTURA E DA MORFOLOGIA MATEMÁTICA NA DEFINIÇÃO
DE CLASSES DE USO DO SOLO URBANO
Diana Sarita Hamburger1
, Celina Foresti2
1Departamento
de Cartografia e Análise da Informação Geográfica - IGCE
- UNESP - Rio Claro
2Departamento
de Ecologia - IB - UNESP - Rio Claro
RESUMO
Este estudo tem por objetivo avaliar
técnicas de processamento digital de imagens, para extrair
informações texturais de produtos de sensoriamento remoto
e avaliar a contribuição dessas informações na definição
de uso do solo urbano. Considerando-se para isto o material
característico das classes de uso do solo urbano e as propriedades
texturais nas imagens.
Os melhores resultados alcançados forma
obtidos com informações a partir de estudos de morfologia
matemática.
Palavras Chaves: urbano, sensoriamento
remoto, morfologia matemática.
INTRODUÇÃO
O ambiente urbano se caracteriza por
sua complexidade. A percepção do meio urbano por imagens
de satélite tem como base as características de forma, cor
e textura deste ambiente. O objetivo do trabalho é verificar
a aplicabilidade de dados texturais extraídos da análise
digital de imagens orbitais para a discriminação de classes
de uso do solo urbano.
A ocupação do solo urbano é intensa
e diversificada, resultando daí a grande amplitude espectral
e a alta variação nas frequências espaciais características
de imagens orbitais destes ambientes. O resultado é uma
grande variabilidade espectral entre os pixels de uma mesma
classe.
Trabalhos desenvolvidos com o objetivo
de utilizar técnicas de processamento digital de imagens
para extração de informações texturais de produtos de sensoriamento
remoto têm obtido resultados significativos, mas destacam
a necessidade de elaboração de um modelo de cena que possibilite
uma análise mais efetiva das informações obtidas (2, 20).
A utilização da informação textural
pode ser útil usada isoladamente mas tem se mostrado especialmente
significativa quando integrada com informações espectrais.
O objetivo é verificar a aplicabilidade
de dados texturais extraídos da análise digital de imagens
orbitais para a discriminação de classes de uso do solo
urbano. Os instrumentos da morfologia matemática indicam
uma forma de compreender o ambiente urbano, assim como de
descrevê-lo.
FUNDAMENTAÇÃO TEÓRICA
Classes de uso do solo urbano.
A existência de classes de uso do solo tem como requisito
uma relação entre o comportamento sócio-econômico e cultural
e a ocupação espacial de uma determinada área e este é um
dos pressupostos básicos de qualquer classificação de uso
do solo.
Estudos destacam a tendência crescente
das cidades de se fracionarem em áreas homogêneas com características
sócio-econômicas similares, áreas que diferem umas das outras
em composição por fatores como classe social, salário, ocupação
e grupo étnico. Os trabalhos de (6, 23, 28,32), ressaltam
a existência de uma relação entre a distribuição espacial
da cidade e sua ocupação. Indicam que estas relações precisam
ser melhor estudadas, e que o quanto estas relações variam
de cidade para cidade, ou podem ser generalizadas, ainda
não foi claramente estabelecido (20).
Cabe acrescentar o problema levantado
por Forster (10), ao tratar da utilização de dados LANDSAT
MSS na avaliação de qualidade residencial, que é a dificuldade
de tratar as classes urbanas como discretas, visto que os
limites entre tipos de ocupação frequentemente são progressivos.
A obtenção de informações urbanas por
sensoriamento remoto orbital, apresenta uma série de dificuldades:
a resolução espectral dos sistemas orbitais; a heterogeneidade
do ambiente urbano; a função de espalhamento do ponto; a
dificuldade de tratar as classes de uso do solo urbano como
discretas; a interferência atmosférica e a diversidade desta
interferência no ambiente urbano, além de sua variação ao
longo do tempo; e por último, problemas de exatidão geométrica.
O autor propõe soluções para estas questões: a utilização
de pontos de controle mais precisos em áreas urbanas para
reduzir os problemas de exatidão geométrica; uma boa interpretação;
a avaliação de texturas; a melhoria na resolução dos sistemas
sensores; e maiores pesquisas nas relações entre alvos urbanos
e dados de sensoriamento remoto (10)
Deve-se considerar também, a presença
de sombras no ambiente urbano, cuja identificação pode servir
como informação sobre a densidade e altura das construções,
mas que atua como um complicador no estudo das imagens orbitais.
Isto porque, além da complexidade de sua distribuição, as
sombras e sua influência variam com a época do ano, e com
a presença e a magnitude da vegetação arbórea.
Duas associações são necessárias para
estabelecer as relações entre uma classe de uso do solo
urbano e seu aspecto em imagens orbitais. A primeira é a
relação entre uma classe de uso do solo, com base em suas
características sociais, econômicas e culturais e sua correspondente
organização institucional. A segunda é aquela que associa
à organização institucional, sua manifestação material observável
em fotos aéreas e em imagens orbitais.
A estrutura urbana apresenta uma forma
resultante da disposição no espaço, das várias partes da
aglomeração urbana e o conjunto das relações espaciais que
estas mantêm entre si e com o todo, como percebido pelo
seu contorno, cor e textura (32). Isto por ser a textura
um descritor importante das regiões de uma imagem, pelo
fato das regiões pictóricas corresponderem a superfícies
físicas, ela pode consequentemente, ser relacionada a propriedades
desta superfície (25).
Na configuração espacial das cidades,
a identificação de zonas diferenciadas pela predominância
de adaptações do espaço destinadas a determinado tipo de
uso foi demonstrada por alguns autores ( 1,4,26,27,32).
A relação entre um tipo de uso e uma
variável ambiental como, por exemplo, a constituição e distribuição
da vegetação e sua relação com determinado tipo de ocupação
ou qualidade ambiental também já foi demonstrada (8,23,24).
As relações entre o índice de vegetação e diferentes ocupações
do solo urbano foram estabelecidos por Foresti et al. (8).
A importância da presença da vegetação para a qualidade
de vida urbana e métodos de obtenção de informações sobre
a distribuição da vegetação em áreas urbanas com imagens
orbitais, assim como relações entre "índices de vegetação"
e classes de uso do solo urbano são demonstrados em Carrara
(5).
Os estudos da vegetação urbana (23,
24) demonstra que o uso de uma área determina as características
físicas desta. Demonstram que a disponibilidade de espaço
para árvores e a qualidade deste está relacionada com um
determinado tipo de uso. Consideram que a vegetação urbana
reflete o fundo sócio-cultural e a tradição paisagística
dos habitantes. Assim, estabelecem a relação entre um aspecto
físico-espacial (no caso, a vegetação) e os diferentes tipos
de ocupação. A importância destes estudos sobre áreas urbanas
por sensoriamento remoto é que eles possibilitam a utilização
de informações a respeito da vegetação - que é um elemento
cujas características espectrais são conhecidas em maior
profundidade - para inferir a distribuição das classes de
uso do solo urbano.
É preciso que um estudo de classes de
uso do solo urbano por sensoriamento remoto considere os
materiais com características espectrais próprias componentes
de cada classe de uso (incluindo-se as sombras) a área ocupada
na classe por cada uma destas unidades, sua distribuição
espacial e finalmente, que estas informações sejam ponderadas
de acordo com a resolução espacial do sensor em questão.
No caso das imagens orbitais surge a
necessidade de definir tipos de ocupação com zonas homogêneas
e de verificar nas imagens orbitais as feições que as caracterizam.
Textura. Alguns objetos não
são visíveis como unidades claramente definidas de cor e
brilho contrastante no campo visual. Como os seus limites
podem depender de variações que sejam distinguidas pelas
diferenças de textura entre regiões adjacentes, as fronteiras,
mesmo quando claras e distintas, podem ser tão entrelaçadas
e cheias de contornos de fundo que são desinformativas,
enquanto uma diferença textural entre o objeto e seu fundo
pode ser visível (30).
A informação textural, enquanto novo
campo de aplicação no domínio do tratamento numérico consiste
em integrar a análise de textura no processo de classificação
automatizada. A integração da noção espacial no contexto
local permite uma reaproximação com o processo mental do
fotointérprete e assegura uma percepção mais adequada dos
diferentes elementos constituintes da cena (7).
Na análise automática de imagens a tonalidade
é disponível e vem sendo utilizada sistematicamente como
fonte de informações, já a textura deve ser extraída e é
de utilização mais rara (12).
Uma razão para o pouco crescimento do
uso das informações espaciais é que a natureza e causa das
variações espaciais em imagens ainda não é bem compreendida.
Os dados espaciais foram limitados a associações empíricas
entre o fenômeno na superfície e padrões espaciais em imagens
(33, 34).
Não existe uma definição precisa para
textura. Geralmente, a textura está associada à distribuição
espacial e estatística dos diferentes níveis de cinza em
uma imagem mas não apresenta uma abordagem formal (2). A
textura pode ser descrita como um grande número de elementos,
cada um visível em algum grau e,no total densamente arranjados
no campo de visada (30). É o caso de imagens orbitais.
As características de padrão visual
que caracterizam uma textura são: o grande número de elementos;
que o arranjo dos elementos possua um padrão, que possa
ser manipulado mas permaneça com repetitividade; e que o
ângulo de visada seja pequeno mas suficiente para a identificação
de um arranjo.
A textura pode ser analisada estruturalmente
e estatisticamente. Na análise estrutural, consideram-se
elementos que ocorrem repetidamente e sua regra de organização
(2,13,29).
Em uma abordagem estrutural, a textura
pode ser descrita por regras, arranjo de padrões ou primitivos
(padrões formados por padrões menores). As regras devem
ser quantificáveis, o que resulta em uma abordagem estatística
correspondente a uma caracterização global de textura (2).
Vários critérios podem ser utilizados
para descrever uma textura: rugosidade, suavidade, granulação,
e irregularidade são alguns deles. E como pode ser associada
a uma abordagem estatística, alguns dos atributos de textura
correspondem a informações estatísticas da imagem.
Os atributos de textura mais adequados
para possibilitar uma classificação são aqueles com distribuição
de probabilidade das diversas classes mais próximas de distância
normal ou gaussiana, e com valores homogêneos para uma dada
classe, sendo estes valores contrastantes com os de outras
classes (2).
Assim como as feições espectrais são
dadas pela variação tonal banda a banda, as feições texturais
são dadas pela distribuição espacial de valores tonais em
uma mesma banda. É também possível tratar do aspecto multiespectral
das feições texturais, considerando as variações texturais
como a distribuição dos valores tonais nas diversas bandas
de uma imagem (31).
A possibilidade de filtragem espacial
é um recurso do processamento digital de imagens de grande
importância na análise textural, pois possibilita classificar
um pixel com base nas características de seu entorno. Incluindo
informações da vizinhança é possível gerar "bandas de textura"
que podem ser utilizadas de forma integrada com as bandas
espectrais, sendo classificadas pelas técnicas convencionais
de classificação de imagens (2).
Discutir formas de obter informações
texturais, seu significado e sua contribuição na discriminação
de classes de uso do solo urbano por sensoriamento remoto
são as questões de que trata este trabalho. Os instrumentos
da morfologia matemática indicam uma nova forma de compreender
melhor o ambiente urbano, assim como de descrevê-lo.
Morfologia matemática. A morfologia
matemática consiste em uma metodologia para análise de imagens,
utilizando transformações morfológicas (3, 15). É uma teoria
espacial de estruturas. Consiste em aplicar comparações
sucessivas entre formas padrão escolhidas em função do objetivo
da análise e a imagem original. Parte do princípio de que
a percepção de uma estrutura geométrica depende do objeto,
assim como do observador. Este sistema de análise tem origem
na teoria psicológica da Gestalt, que estuda o modo como
se dá a percepção humana, e procura representar o objeto
destacando dele a informação desejada (3).
Este sistema de análise estuda a forma
dos objetos, modelando a imagem de acordo com a teoria dos
conjuntos, associando as formas que se manifestam, em pontos
negros ou em níveis de cinza, a elementos de um conjunto
e quantificando esta idéia através do conceito de elemento
estruturante.
A morfologia matemática pode tratar
imagens binárias baseada na teoria dos conjuntos com base
na morfologia matemática de subconjuntos. A morfologia matemática
de subconjuntos extende-se para funções mais gerais e assim
aplica-se a imagens em níveis de cinza.
O objetivo é pesquisar a imagem buscando
a forma de interesse, considerada essencial para cada caso
(3, 14). O elemento estruturante representa para o observador,
a forma de interesse que se pretende destacar na imagem.
Ele determina o parâmetro de transformação das formas na
imagem.
As ferramentas básicas da morfologia
matemática são a erosão e a dilatação. A erosão é a expansão
dos níveis de cinza mais baixos na imagem e a dilatação
é a expansão dos níveis de cinza mais altos na imagem, de
acordo com a forma indicada pelo elemento estruturante.
Esta metodologia de análise de imagens
digitais possui outros instrumentos como a abertura, o fechamento
e o gradiente. A abertura corresponde à aplicação de uma
erosão seguida de uma dilatação. Com este procedimento são
expandidas as feições mais escuras e retraídas as feições
mais claras. Posteriormente, quando é procedida a dilatação,
as feições voltam aproximadamente à sua dimensão original,
mas as feições claras e pequenas são eliminadas, gerando
feições mais homogêneas. O fechamento é a operação inversa
à abertura, define melhor as feições mais claras, ao expandí-las
(dilatação) em um primeiro momento, e retorna-as aproximadamente
à sua dimensão original, retraindo-as novamente (erosão).
O gradiente destaca o limite das formas
na imagem resultante. Pode ser obtido de três formas: ao
subtrair da imagem dilatada a imagem erodida; ao dilatar
a imagem e subtrair da imagem resultante a original, obtendo
o contorno externo do objeto na cena; e ao erodir a imagem
e subtrair a imagem resultante da imagem original, obtendo
o contorno interior do objeto na cena.
MATERIAIS E MÉTODOS
Área de estudo. A área selecionada
para este estudo é o bairro de Alphaville, na região Metropolitana
de São Paulo. Foi selecionada devido ao interesse em utilizar
áreas com diversidade de classes de uso do solo. Sendo um
setor de expansão da área Metropolitana de São Paulo há
grande dinâmica no uso do solo da área. Trata-se de uma
região planejada, que inclui áreas residenciais, industriais
e comerciais
bem definidas, possibilitando uma boa
análise do potencial de técnicas para a definição das classes.
A área corresponde a aproximadamente 100 ha, próximos à
confluência da Rodovia Castelo Branco com o Rio Tietê.
Para o desenvolvimento do trabalho foi
usada uma imagem SPOT no modo pancromático, do ano de 1990
e possui o nível de correção 2A, com correção geométrica
por grade e projeção cartográfica UTM.
Na imagem podem ser discernidos os locais
onde se concentra a vegetação. As áreas com concentração
de solo exposto ficam evidentes. Destacam-se como mais brilhantes
na imagem elementos distribuídos irregularmente com uma
dimensão e forma diferenciados. O trabalho de campo possibilitou
averiguar que são unidades cobertas com concreto. Elas podem
ser: guaritas, coberturas de grandes unidades fabris e quintais.
Na sua maioria estas feições estão associadas com complexos
industriais e comerciais, estando presentes também em outros
usos. Para definição da verdade terrestre, foram utilizadas
fotos aéreas pancromáticas, em escala 1:10.000 de 1986.
Foram utilizadas cartas topográficas nas escalas 1:10.000
e 1:25.000.
Processamento digital. A extração
de textura e informações relacionadas, foi feita utilizando
o Sistema Iterativo de Tratamento de Imagens - SITIM (18).
Algumas informações e procedimentos foram acrescentados,
como os programas de extração de informação textural (3).
As medidas de textura consideradas constam da Tabela 1 que
apresenta uma descrição das feições que estas medidas extraem.
Tabela 1. Atributos de textura
utilizados
DESCRIÇÃO |
EQUAÇÃO |
1. Medida:
CONTRASTE entre o ponto central e seus vizinhos
nas direções horizontal e vertical.
Calculado com: cinco
pontos em forma de cruz
Janela: 3 x 3 |
f1=
sqrt(1/4S(e-x)2)
|
- Medida:
CORRELAÇÃO entre os valores de dois pontos adjacentes
nas direções horizontal e vertical.
Calculado com: todos
os pontos da janela
Janelas: 3 x 3 e
5 x 5
|
f2=
cov XY .sqrt(varX.varY) |
Medida:
DIFERENÇA ABSOLUTA
MÉDIA entre os valores do ponto central e seus vizinhos
nas direções horizontal e vertical
Calculado com: cinco
pontos em forma de cruz
Janela: 3 x 3
|
f3=
1/4Sx(e-x)2) |
Medida:
DESVIO PADRÃO
Calculado com: todos
os pontos da janela
Janelas 3 x 3 e 5
x 5
|
f4=
sqrt(var x)
|
Medida:
DIFERENÇA ABSOLUTA
MÉDIA entre valores de dois pontos vizinhos
Calculado sobre :variação
dos pontos laterais dois a dois
Janela: 3 x 3
|
f5=
1/4S(e-x)2)... (x,y) |
Medida:
DIFERENÇA ABSOLUTA
MÉDIA entre valores de dois pontos adjacentes nas
direções horizontal e vertical
Calculado sobre: todos
os pontos da janela
Janelas: 3 x 3 e 5
x 5
|
f6=
1/12S|x-y| ............(x,y)ED x |
Medida:
CORRELAÇÃO entre os
valores de dois pontos vizinhos dois a dois.
Calculado sobre: variação
dos pontos laterais dois a dois
Janelas: 3 x 3 e 5
x 5
|
F7=
cov XY .sqrt(varX.varY) |
Medida:
VALOR MÍNIMO
Calculado com:Calculado
sobre todos pontos da janela
Janelas: 3 x 3 e 5
x 5
|
f8=
Min X |
Medida:
VALOR MÁXIMO
Calculado com: Calculado
sobre todos pontos da janela
Janela: 3 x 3 e 5
x 5
|
f9=
Max X |
Medida:
DIFERENÇA ENTRE VALOR
MÁXIMO E VALOR MÍNIMO
Calculado com: Calculado
sobre todos pontos da janela
Janela: 3 x 3 e 5
x 5
|
f10=
Max X - Min X |
Medida:
VARIAÇÃO TOTAL MÍNIMA
nas direções horizontal e vertical
Calculado com: todas
as linhas horizontais e verticais
Janela: 3 x 3 e 5
x 5
|
f11=
MIN[(S | x-y| ,S | x-y| )] - |
Medida:
VARIAÇÃO TOTAL MÍNIMA
em todas direções
Calculado com: todas
as linhas horizontais, verticais e diagonais
Janela: 3 x 3 e 5
x 5
|
f12=
MIN[1/6(S |
x-y|
, 1/6S | x-y| )],
MIN[1/4(S
| x-y|
,
1/4S
| x-y| )] - |
Os procedimentos metodológicos desenvolvidos
neste trabalho são descritos a seguir.
A fotointerpretação teve o objetivo
de extrair as unidades homogêneas, definir as classes; selecionar
amostras representativas destas classes levantando suas
características na superfície. Foram estudadas informações
e programas para tratamento das imagens, no sentido de selecionar
um método de extração e atributos texturais mais adequados.
Estas etapas foram integradas na caracterização
das amostras e no desenvolvimento do trabalho, para que
os atributos de textura a serem estudados fossem analisados
em relação às características conhecidas das classes no
campo.
Seleção de método de extração de
textura. A bibliografia indica resultados promissores
para três medidas: a média, o desvio padrão e a dependência
espacial de níves de cinza. (3, 7, 11, 12, 16, 19, 21, 22).
Foram consideradas as medidas presentes
no programa de extração de textura desenvolvido por (3).
Foram avaliados os diferentes atributos com as janelas disponíveis,
3x3 e 5x5. Este programa apresenta como uma das medidas
consideradas o desvio padrão. As janelas - 3 x 3 e 5 x 5
- correspondem às indicadas na bibliografia, e às dimensões
de feições significativas presentes no meio urbano,
dimensionadas no trabalho de fotointerpretação.
A medida de média também foi considerada para verificar
a sua relação com os fenômenos que ocorrem na superfície.
Avaliação de características de
textura na imagem e definição de atributos. Foram observadas
também as feições das classes na imagem, de forma a que
ficassem mais consolidadas as observações a partir das fotos
aéreas e dos dados de campo. Foram definidas as características
de textura a serem avaliadas, considerando seu significado
e sua aplicabilidade no SITIM (3, 12, 13, 29) e selecionadas
as medidas de textura adequada para a separabilidade das
classes, conforme as características de cena verificada.
Foram feitos testes para selecionar
os atributos a serem extraídos da imagem. Os testes possibilitaram
definir quais as janelas e medidas que apresentavam resultados
visualmente mais eficientes.
RESULTADOS
Os resultados obtidos são apresentados
a seguir. A definição de unidades homogêneas e a compatibilização
destas com seu uso resultou nas informações que constam
das Tabelas 2 e 3. As classes
de uso do solo urbano identificadas são: Residencial; Comercial
e Serviços; Transportes, Comunicações e Utilidades; Complexos
Industriais e Comerciais; Lotes em Implantação; Corpos D'agua;
Solo Exposto; e Vegetação (Arbórea e herbáceo-arbustiva).
A presença de elementos semelhantes nas diversas classes,
não significa que elas não possam ser distinguidas em imagens,
pois a sua composição é diferenciada, assim como o tamanho
das feições envolvidas.
Tabela 2. ORGANIZAÇÃO ESPACIAL
DAS CLASSES DE USO DO SOLO URBANO
ORGANIZAÇÃO
ESPACIAL DAS CLASSES DE USO DO SOLO URBANO |
CLASSE |
DENSIDADE
FUNDIÁRIA |
ÁREA
CONSTRUÍDA POR IMÓVEL |
PRESENÇA
DE ORIENTAÇÃO |
1.RESIDENCIAL |
Densa |
em
torno de 70% nas áreas já implantadas varia muito
conforme a área residencial |
.bilinear
.aureolar |
2.COMERCIAL
E SERVIÇOS |
muito
densa |
maior
que 80% nos lotes construídos quando a imagem foi
obtida havia muitos lotes vagos |
.bilinear
.aureolar |
3.TRANSPORTE,
COMUNICAÇÕES E UTILIDADES |
não
se aplica |
não
se aplica |
.bilinear |
4.COMPLEXOS
INDUSTRIAIS E COMERCIAIS |
Rarefeita |
varia
muito conforme a área |
.bilinear |
5.ÁGUA |
não
se aplica |
não
se aplica |
.inexistente |
6.TERRA
SECA / SOLO EXPOSTO |
não
se aplica |
não
se aplica |
.inexistente |
7.LOTEAMENTO
EM IMPLANTAÇÃO |
pouco
densa |
inexistente |
.inexistente
no caso |
8.VEGETAÇÃO
ARBÓREA E HERBÁCEO ARBUSTIVA |
não
se aplica |
não
se aplica |
.inexistente |
Tabela 3. AVALIAÇÃO DAS FEIÇÕES
DE CARÁTER ESPECTRAL DAS CLASSES DE USO DO SOLO URBANO
AVALIAÇÃO
DAS FEIÇÕES DE CARÁTER ESPECTRAL DAS CLASSES DE
USO DO SOLO URBANO |
CLASSE |
ELEMENTOS
QUE CONTRIBUEM PARA AS CARACTERÍSTICAS ESPECTRAIS
NA FOTO |
|
PRINCIPAIS
ELEMENTOS COMPONENTES |
MATERIAL |
1.RESIDENCIAL |
telhado
|
Telhas
madeirit |
|
calçamento |
Terra
asfalto
paralelepípedo |
|
jardim
ou praça (vegetação)
|
gramínea
herbácea
arbustiva |
2.COMERCIAL
E SERVIÇOS |
sombra |
|
|
jardim
ou praça (vegetação)
|
gramínea
herbácea
arbustiva |
|
telhado |
concreto |
3.TRANSPORTE,
COMUNICAÇÕES E UTILIDADES |
calçamento
|
asfalto |
|
áreas
não implantadas |
solo
exposto |
4.COMPLEXOS
INDUSTRIAIS E COMERCIAIS |
telhado |
telhas
madeirit |
|
calçamento
|
terra
asfalto
paralelepípedo |
|
jardim
ou praça (vegetação) |
gramínea
herbácea
arbustiva |
5.ÁGUA |
rios,
lagos, represas |
água |
6.TERRA
SECA / SOLO EXPOSTO |
Pátios
áreas para construção |
terra |
7.LOTEAMENTO
EM IMPLANTAÇÃO |
Ruas |
terra
|
|
Lotes |
vegetação
arbórea |
8.VEGETAÇÃO
ARBÓREA E HERBÁCEO ARBUSTIVA |
praças
e lotes abandonados |
vegetação
de diversos tipos |
Análise das amostras. As amostras
foram definidas através da observação das fotos aéreas.
De cada uma das amostras foram extraídas, a média, a variância
e o coeficiente de variação dos níveis de cinza, estabelecendo
um parâmetro da separabilidade destas classes no espaço
de atributos. Os dados obtidos estão nas Tabelas 2 e 3.
A Tabela 4 mostra valores quantitativos de média e desvio
padrão por amostra. A grande variabilidade interna entre
os níveis de cinza das classes pode ser observada nas Tabelas
2, 3 e 4.
A análise dos dados demonstra a grande
sobreposição dos diferentes níveis de cinza no espaço de
atributos, que dificulta a classificação espectral destes
dados. Com exceção das classes vegetação, água e das amostras
que se referem ao telhado de indústrias, há uma grande amplitude
entre o maior e o menor nível de cinza, assim como uma variância
significativa (Tabela 4).
Para a seleção dos atributos mais significativos
foram avaliadas as diferentes medidas do programa desenvolvido
por Andrade (2). Foram verificadas quais as medidas mais
representativas que podem ser obtidas. Estas análises permitiram
inferir as observações que se seguem.
As medidas (2) e (7) mostradas na Tabela
1 são semelhantes, sendo difícil considerar que a variação
entre ambas possa explicar algumas feições urbanas conhecidas.
Testes desenvolvidos com estas medidas extraídas sobre as
imagens utilizadas, resultaram em produtos semelhantes.
Optou-se por usar apenas uma destas, a medida (2) que resultou
em feições mais definidas na imagem.
Há uma similariedade entre as medidas
(3), (5) e (6). Destas medidas, os testes indicaram como
mais apropriada a medida (6), por resultar em feições mais
completas e precisas. Isto pode ser previsto ao se avaliarem
as medidas de extração de textura consideradas, pois a medida
(6) é a que inclui informações sobre todos os pixels presentes
na janela e foi a medida de "diferença média" selecionada
para utilização e avaliação neste trabalho.
Tabela 4 MÉDIA, VARIÂNCIA E
COEFICIENTE DE VARIAÇÃO DO NÍVEL DE CINZA DAS AMOSTRAS
|
|
DA
IMAGEM PANCROMÁTICA |
DA
IMAGEM PROCESSA-DA COM O MENOR NÍVEL DE CINZA DA
JANELA |
DA
IMAGEM PROCESSADA COM O MAIOR NÍVEL DE CINZA DA
JANELA |
CLASSE |
A
M
O
S
T
RA |
M
É
D
I
A |
VA
RIÂN
CIA |
COE-FICI
ENTE DE VARIA-ÇÃO |
M
É
D
I
A |
VA
RIÂN
CIA |
COE-FICI
ENTE DE VARIA-ÇÃO |
M
É
D
I
A |
VA
RIÂN
CIA |
COE-FICIENTE
DE VARIA-ÇÃO |
1.RESIDENCIAL |
1
2
3
4
5
6
7 |
74,98
71,61
67,25
77,68
72,60
77,00
87,25 |
99,46
93,22
87,60
70.01
106,84
161,66
84,88 |
0,13
0,13
0,14
0,11
0,14
0,17
0,11 |
62,00
58,78
53,98
64,69
57,25
59,97
73,91 |
20,16
10,39
44,69
26,94
50,01
71,45
13,19 |
0,07
0,05
0,12
0,08
0,12
0,14
0,05 |
94,54
87,96
82,56
91,35
89,29
95,45
102,05 |
81,58
131,29
121,25
23,82
144,36
138,31
46,09 |
0,10
0,13
0,12
0,05
0,13
0,12
0,07 |
2.COMERCIAL
E SERVIÇOS |
1 |
89,69 |
146,06 |
0,14 |
68,38 |
35,63 |
0,09 |
110,30 |
263,75 |
0,15 |
3.TRANSPORTE,
COMUNICAÇÕES E UTILIDADES |
1
2
3 |
78,25
70,09
78,31 |
393,94
70,33
168,96 |
0,25
0,12
0,17 |
59,59
59,82
62,21 |
69,13
36,45
132,72 |
0,14
0,10
0,13 |
104,10
82,76
91,82 |
659,04
85,39
60,63 |
0,25
0,11
0,08 |
4.COMPLEXOS
INDUSTRIAIS E COMERCIAIS |
1
2
3
4
5 |
87,16
76,46
88,95
72,13
126,64 |
1335,86
5,01
772,43
275,08
15,25 |
0,42
0,03
0,31
0,23
0,03 |
60,40
73,86
63,97
56,79
122,29 |
134,64
3,79
74,29
69,53
7,96 |
0,19
0,03
0,13
0,15
0,02 |
124,45
79,55
124,81
90,23
131,20 |
2364,21
12,48
1400,86
389,80
17,29 |
0,39
0,04
0,30
0,22
0,03 |
5.ÁGUA |
1
2
3
4 |
85,81
83,91
71,16
85,95 |
68,79
132,96
63,72
25,69 |
0,10
0,14
0,11
0,06 |
73,09
69,95
63,12
79,66 |
136,06
46,81
10,70
28,20 |
0,16
0,10
0,05
0,07 |
95,30
101,75
81,59
93,00 |
37,33
131,38
161,20
28,63 |
0,06
0,11
0,16
0,06 |
6.TERRA
SECA / SOLO EXPOSTO |
1
2
3 |
106,28
96,22
94,16 |
528,17
350,32
85,26 |
0,22
0,19
0,10 |
84,39
71,15
81,57 |
360,25
121,93
45,49 |
0,22
0,16
0,08 |
124,53
114,73
108,26 |
57,39
339,28
217,87 |
0,15
0,13
0,08 |
7.LOTEAMENTO
EM IMPLANTAÇÃO |
1
2
3 |
80,08
96,18
52,55 |
187,41
152,56
350,02 |
0,11
0,13
0,36 |
62,71
79,48
38,89 |
33,17
75,66
20,40 |
0,09
0,11
0,12 |
107,40
114,55
77,35 |
338,34
66,64
666,37 |
0,17
0,07
0,33 |
8.VEGETAÇÃO
ARBÓREA E HERBÁCEO ARBUSTIVA |
1
2
3
4 |
37,56
59,16
36,33
39,05 |
2,19
10,06
1,42
1,26 |
0,04
0,05
0,03
0,03 |
35,96
55,75
35,00
37,52 |
1,24
4,13
0,92
0,86 |
0,03
0,04
0,03
0,02 |
41,57
62,95
37,93
40,54 |
60,70
16,14
1,66
0,81 |
0,19
0,06
0,03
0,02 |
Entre as medidas (11) e (12), a diferença
é a informação de direcionalidade. A observação de imagens
processadas com estas medidas indicou pouca variação. Foram
mantidas as duas medidas para que o efeito de direcionalidade
pudesse ser avaliado. Pode ser observado que a imagem adotada
para estudo, pela sua resolução e pela propriedade das classes
consideradas, não é sensível às variações de direção e de
organização dentro de cada janela.
Na imagem utilizada foram processadas
as medidas (2), (4), (6), (8), (9), (10), (11) e (12). Ou
seja: a Correlação;o Desvio Padrão;a Diferença Absoluta
Média;o Valor Mínimo; o Valor Máximo; a Diferença entre
o Valor Máximo e o Valor Mínimo;a Variação Mínima nas Direções
Horizontal e Vertical;e a Variação Total Mínima nas Quatro
Direções,com as janelas 3 x 3 e 5 x 5.
E a medida de contraste (1) só com a
janela 3 x 3.
Foram eliminadas as medidas que apresentavam
efeito detetor de bordas, pois não possuíam o efeito desejado
de caracterização das classes em unidades homogêneas, diferenciadas
umas das outras. Incluem-se nesta situação as seguintes
medidas: correlação (medida (2)), desvio padrão (medida
(4)) e diferença média absoluta (medida (6)).
As medidas de variação total mínima,
parecem só representar a densidade de variação nos níveis
de cinza para cada área da imagem (medidas (11) e (12)),
e se assemelham, aparentemente à diferença média absoluta,
com feições mais atenuadas. Como nas medidas detetoras de
bordas, estas imagens só poderão definir classes de uso
do solo urbano caso seja efetuado um novo processamento.
Estas medidas servem a outros propósitos,
como por exemplo evidenciar o limite entre as classes já
definidas ou demonstrar aonde estão localizadas as grandes
feições homogêneas na cidade. Embora estas medidas tenham
contribuído para melhorar as classificações obtidas com
feições espectrais em Andrade (3), elas não são efetivas
enquanto definidoras das classes de uso do solo urbano.
Com relação à medida de média, ela foi
aplicada com as janelas 3 x 3, 5 x 5 e 7 x 7, representando
a composição média dos elementos na área. Esta medida apresenta
o mesmo problema de resoluções maiores, conforme se generaliza
a informação, com o aumento da janela, homogeneizando as
classes a classificação das áreas limítrofes fica mais complexa.
A observação da imagem processada permitiu um conhecimento
do resultado oferecido por cada uma das diferentes medidas
de textura.
Pode ser notado que o rio e as grandes
vias, pelas sua forma e reflectância bem distintos, seriam
bem definidos em todas as imagens e processamentos.
A medida (1) é eficiente para demarcar
o rio, os limites das zonas de vegetação, ela reduz um pouco
os grandes contrastes na área residencial. Esta medida resulta
num destaque excessivo das bordas contrastantes.
A medida de correlação (2), resultou
numa imagem com muito brilho, mas pouco contraste. Não proporcionam
uma melhora das informações objeto deste trabalho. A medida
de diferença absoluta média (6) demarca bem o limite de
quadras e de grandes unidades comerciais ou industriais.
A medida do valor mínimo (8) é a que
apresentou, isoladamente, o melhor resultado. As áreas de
solo exposto, residenciais e vegetação ficam bastante homogêneas
e passam a contrastar melhor com o entorno, apenas os limites
entre as classes ficam um pouco alterados. As classes que
se caracterizam pela presença de materiais como concreto
e asfalto são reduzidas e aquelas com presença de vegetação
ficam com sua extensão um pouco ampliada. As classes que
não ficam bem definidas são aquelas cujas unidades na superfície
são muito extensas para as janelas adotadas, isto ocorre
de forma mais destacada na classe dos Complexos Industriais
e Comerciais (Figura 1).
Figura 1: Comportamento das
Classes de uso do solo: na imagem pancromática; na imagem
erodida ( Valor mínimo); e na imagem dilatada (Valor máximo)
A medida do valor máximo possibilitou
perceber que as feições de mais brilho, decorrentes da presença
de concreto ou de solo exposto, se distribuem de forma muito
irregular na imagem. Assim, as diferentes classes, aparecem
representadas por esta medida em algumas áreas, mas a grande
presença de pontos brilhantes distribuídos ao longo da imagem,
dificulta a caracterização das classes por esta medida.
Porém, onde o entorno é bem definido e a classe se caracteriza
por elementos de alta reflectância, na faixa considerada,
a definição de classes é bem significativa, como pode ser
observado na Figura 2.
Figura 2: Classes de uso do
solo como s apresentam: na imagem pancromática; na imagem
dilatada e erodida (Fechamento); e na imagem erodida e dilatada
(Abertura)
Os resultados obtidos com a aplicação
das medidas (8) e (9) podem ser melhor notados na Tabela
4, onde é possível observar que as classes onde a presença
de vegetação é dominante se tornam mais homogêneas com a
aplicação da medida (8) e aquelas onde predominam ou o concreto,
ou o solo exposto se tornam mais homogêneas com a medida
(9).
A medida de gradiente (10) sofre efeitos
com os problemas decorrentes da distribuição de pontos muito
brilhantes na imagem. Esta imagem parece somar os problemas
obtidos com os processamentos das medidas (8) e (9).
A comparação da imagem original com
a imagem processada pela medida (8) tem um efeito melhor
na identificação do limite entre as classes. As medidas
de variação total mínima (11) e (12) são bastante similares
entre si e não homogeneizam as classes de uso do solo.
O estudo do efeito do processamento
destas medidas na imagem possibilitou avaliar melhor os
resultados obtidos com o processamento da média. O que ocorre
com a informação de média é que ela sofre com a distribuição
irregular dos pontos muito claros na imagem, eles afetam
muito o brilho médio nas regiões onde estão inseridos. A
forma de reduzir este efeito seria aumentar a janela. Mas
isto reverte em áreas limite maiores, portanto em um aumento
das áreas mal classificadas.
O tamanho da janela mais adequado para
a obtenção de classes de uso do solo urbano parece ser um
dos principais problemas para os melhores processamentos
(Média e Valor mínimo). Em qualquer caso, quando a janela
é menor, os limites ficam melhor preservados, em compensação,
a homogeneização da classe fica menos definida (Figuras
1 e 2). No caso do resultado obtido com a medida de valor
mínimo, a variação resultante quando muda o tamanho da janela
é evidente e pode ser vista na Figura 1. Para cada classe,
parece haver uma janela ideal. Pode-se notar que as classes
Residencial e Comércio e Serviços ficam bem definidas com
o processamento na janela 3 x 3, porém Complexos Industriais
e Comerciais não podem ser definidos com estas janelas,
pois elas representam áreas de tamanho inferior ao das unidades
que as caracterizam.
Acontece que as janelas maiores, que
poderiam transformar os Complexos Industriais e Comerciais
em uma classe na imagem (alguns testes indicaram uma janela
de 21 x 21), descaracterizariam toda a área de Comércio
e Serviços, que inteira, possui uma dimensão inferior à
de algumas grandes unidades industriais. O tamanho da janela
deve ser compatível com as feições da superfície. Como na
área urbana as feições são de tamanho variável, este se
torna um problema complexo.
POTENCIAL DE INFORMAÇÕES TEXTURAIS
EXTRAÍDAS ATRAVÉS DE PROCESSAMENTO DIGITAL DE IMAGENS ORBITAIS
NA DEFINIÇÃO DE CLASSES DE USO DO SOLO URBANO
São avaliados os resultados obtidos
com cada uma das medidas que foram consideradas interessantes
para o objetivo deste trabalho. Estas medidas são a média,
e a extração do menor e maior nível de cinza na janela.
Foram também consideradas as combinações entre estes processamentos.
Média. Os resultados obtidos com esta
medida confirmam obter melhores resultados de classificação
em áreas urbanas com sensores de maior resolução espacial.
Ou seja, tipos de uso do solo urbano possuem características
espectrais próprias, mesmo sendo ocupadas por uma grande
diversidade de elementos.
O maior problema que a média oferece,
enquanto informação textural para definição de uso do solo
urbano, é que no limite entre diferentes classes, ou em
áreas onde a dimensão das feições é diferenciada, a resultante
apresenta uma grande confusão. Talvez a solução para este
problema seria um filtro adaptativo, que estudasse o limite
da textura, para dimensionar a janela ideal para este processamento.
Como se trata de um ambiente complexo, o resultado final
deste tipo de tratamento não define bem as classes. O aumento
da janela que seria ideal para definir as áreas mais complexas,
atenuaria as informações referentes às outras classes.
Nível de cinza máximo e mínimo da janela.
As experiências com as medidas que extraem o mínimo e o
máximo em cada janela, correspondem, ao que em morfologia
matemática é chamado de erosão e dilatação em nível de cinza
(3, 14). Conforme pode-se perceber, a erosão e a dilatação
pelo elemento estruturante, que no caso são as janelas 3
x 3 e 5 x 5 com origem no centro da janela se referem à
expansão ou redução dos níveis de cinza mais altos na imagem
(Figuras 1 e 2).
No caso da extração do mínimo, pode-se
identificar que as áreas mais escuras da imagem, correspondem
a áreas com vegetação e quanto mais densa a vegetação mais
escura a região aparece na imagem.
Em áreas urbanas a presença, quantidade
e distribuição da vegetação são indicadores representativos
do urbano e consequentemente das classes de uso. Isto explica
porque, para muitas das amostras consideradas, o processamento
de extração do nível digital mínimo da janela, funciona
como um descritor eficiente das classes. A janela adotada
deve ser representativa da dimensão das feições, como na
área urbana têm-se feições de tamanho diferenciados seria
necessária uma janela adaptativa para se obter melhores
resultados. Para as áreas industriais com unidades maiores,
as janelas adotadas não conseguem caracterizar a classe,
pois a dimensão das feições não possibilita sua homogeneização
com as janelas consideradas.
A distribuição de elementos claros na
imagem, corresponde à presença de áreas contínuas de concreto,como
foi constatado na imagem, nas fotos e em trabalho de campo.
Ocorre em classes diferenciadas, embora de forma mais constante
em áreas industriais. Portanto a extração dos níveis digitais
máximos de cada janela não homogeneiza as classes, mas destaca
algumas áreas que, apesar de apresentarem uma composição
definida não correspondem a um tipo específico de uso do
solo.
As observações possibilitaram identificar
dois critérios para avaliar os resultados que podem ser
obtidos com estes processamentos: o primeiro é a relação
entre a janela adotada e as feições na superfície e o outro
são as características de reflectância dos elementos da
cena imageada.
O programa foi usado também para testar
os processamentos chamados em morfologia matemática de Abertura
e Fechamento, em nível de cinza, que são mecanismos que
possibilitam homogeneizar internamente áreas da imagem sem
comprometer os seus limites (Figura
3).
O fechamento, em nível de cinza por
elementos estruturantes em forma de janela 3 x 3 e 5 x 5
com origem no centro, corresponde ao processamento de extração
do máximo nível de cinza na janela, seguido do processamento
de extração do mínimo. Este processo homogeneiza, num primeiro
momento, áreas da imagem pelos seus níveis de cinza mais
claros, expandindo estas áreas.
Posteriormente, as dimensões das feições
na imagem retornam às suas dimensões originais e são reduzidos
os níveis de cinza mais claros. A abertura corresponde ao
inverso do processamento descrito acima. Inicialmente há
a extração do mínimo nível digital na janela, e depois o
processamento de extração do máximo.
Como a feição que melhor caracteriza
os tipos de uso do solo é a vegetação, a abertura ofereceu
os melhores resultados para a maior parte das classes estudadas.
No entanto, a área comercial que se caracteriza pela grande
presença de concreto, de alta reflectância, ficou melhor
definida com o fechamento.
CONSIDERAÇÕES FINAIS
Este trabalho possibilitou compreender
melhor as características do ambiente urbano, identificando
a existência de feições concretas determinadas pela presença,
distribuição e organização dos diferentes materiais que
compõem diferentes classes de uso do solo urbano.
Há poucos trabalhos que descrevem a
composição e organização física destes ambientes considerando
sua análise com imagens orbitais. A evolução de estudos
sobre a constituição dos ambientes residencial, comercial,
industrial, de lazer, lotes em implantação e outros avançou
muito para a análise de fotografias aéreas, mas ainda é
necessária sua adequação a trabalhos utilizando sensores
orbitais.
O conhecimento do comportamento espectral
dos elementos que compõem os alvos urbanos, a sua distribuição,
assim como o efeito e significado de composições que caracterizam
cada forma de uso do solo precisam de estudos sistemáticos
para obtenção de indicadores em imagens orbitais.
Até o momento parece que a vegetação
é o elemento que apresenta o maior potencial enquanto indicador
do tipo de uso do solo urbano. Uma série de fatores contribuem
para isto: a vegetação é um dos fenômenos mais conhecidos
espectralmente e os sensores existentes são sensíveis a
suas variações; o contraste com feições avermelhadas como
telhas e solo exposto, aumentam o potencial da vegetação
enquanto elemento que caracteriza o uso do solo; finalmente,
a presença ou não de vegetação, assim como sua distribuição
parecem caracterizar bem os diferentes usos do solo urbano.
O modo pancromático do sensor SPOT é bastante sensível à
presença de vegetação.
Outros elementos que compõem o ambiente
urbano poderiam ter o potencial de caracterizá-lo, total
ou parcialmente, caso fossem melhor conhecidos espectralmente.
Um exemplo são as telhas e outros tipos de cobertura. Já
o concreto aparece com bastante destaque nas imagens orbitais,
provavelmente se sua distribuição no espaço urbano fosse
bem conhecida, ele seria um bom indicador de alguns fenômenos
como, por exemplo, de áreas industriais. O solo exposto
é o grande indicador de áreas em processo de ocupação.
Para a área de estudo, onde as feições
estão bem definidas, pode-se encontrar visualmente a maior
parte dos limites entre as classes de uso nas imagens orbitais.
A exceção é a classe Transporte, Comunicações e Utilidades.
Assim, com relação às feições da estrutura
urbana, destaca-se a grande carência de informações sistemáticas
sobre a estrutura física desta em relação às suas características
de ocupação e uso. A possibilidade de utilização do sensoriamento
remoto orbital para a definição de classes de uso do solo
urbano de forma operacional, prescinde de um maior arsenal
de informações a este respeito, incluindo estudos sobre
tamanhos típicos de lote por tipo de uso, áreas construídas
por tipo de uso, materiais utilizados nas construções, e
distribuição espacial destes materiais.
Os resultados obtidos não incentivam
trabalhos que testem o significado e efeito de informações
de textura, sem que sejam conhecidas as características
da área a ser estudada. No entanto, nestas condições informações
texturais e principalmente a morfologia matemática devem
ser testadas com a utilização de outras imagens, e a combinação
de várias bandas para verificar quais os resultados que
se podem obter. É importante que estes trabalhos incluam
a possibilidade de vários tamanhos de janela, ou
vários elementos estruturantes, para
que se verifique quais os mais sensíveis a cada organização
espacial de níveis de cinza. Esta foi uma das principais
dificuldades encontradas neste trabalho.
Deve-se considerar também que as classes
de uso do solo ganham uma caracterização própria quando
são consideradas feições espaciais, por outro lado as especificidades
internas de cada classe perdem sua definição quando o entorno
é incorporado enquanto informação.
Em relação aos processamentos efetuados
para a obtenção das classes de uso do solo urbano podem
ser avaliados os métodos e as medidas utilizadas.
A utilização de filtragens para extração
de feições de vizinhança é uma maneira de tratar imagens
orbitais que oferece vantagens pois permite acrescentar
informações às imagens originais possibilitando uma classificação
conjunta. Esta forma de processamento pode resultar numa
boa classificação. Para isto é necessário, além da melhor
compreensão do objeto de estudo, a utilização de filtros
adaptativos, onde as feições de cada parte da imagem pudessem
influenciar no tamanho da janela. As feições variam muito,
consequentemente é importante que seja possível adaptar
a informação que está sendo extraída, conforme as características
locais.
Os diversos atributos de textura disponíveis
no programa utilizado apresentaram redundância, que é também
indicada na bibliografia mais recente que trata da utilização
de atributos texturais. Seriam necessários maiores estudos
para que pudessem ser definidas quais as feições de imagens
que podem ser identificadas com cada uma destas formas de
tratamento. É possível que, para algumas das medidas consideradas,
uma janela maior oferecesse melhores resultados, é o caso
do desvio padrão.
Finalmente, quanto à melhor forma de
estudo para áreas urbanas ela parece pressupor o desenvolvimento
de uma caracterização de feições destes ambientes para que
as imagens orbitais possam ser utilizadas em todo o seu
potencial.
Dentro desta concepção a morfologia
matemática se apresenta como um instrumental eficaz, já
que considera, a princípio a necessidade de estudos mais
direcionados e possibilita o estudo de formas variadas para
a obtenção de objetivos específicos desde que bem determinados.
ACKNOWLEDGEMENTS
Este trabalho contou com
apoio do Conselho Nacional de Desenvolvimento Científico
e Tecnológico (CNPq) - Processo número 402762/90-8 e do
Instituto Nacional de Pesquisas Espaciais (INPE).
ABSTRACT
Utilização de atributos, de textura
e da morfologia matemática na definição de classes de uso
do solo urbano. This study intends to evaluate the use
of image processing techniques to extract textural information
from remote sensing products and to evaluate the contribution
of these informations in the
definition of urban land use. It considers
the material characteristics of the urban land use classes,
and textural properties. The best results achieved were
obtained with informations provided by the minimum gray
level, called erosion and closing in studies of mathematical
morfology.
Keywords: urban, remote
sensing, morphological mathematics
REFERÊNCIAS BIBLIOGRÁFICAS
- Anderson, J.R.; Hardy, E.E.; Roach,J.T.;
Witner, R.E. Sistemas de classificação de uso da terra
e do revestimento do solo para utilização com dados de
Sensoriamento Remoto. Trad. H. Strang, Rio de Janeiro,
IBGE, 1976.
- Andrade, V.M.B.de Classificação de
imagens de alta resolução usando atributos de textura.
São José dos Campos, INPE, 1989. (INPE-4888-TDL/379).
- Barreira, J.; Mascarenhas, N.D.A.
Aplicações da morfologia matemática. São José dos Campos,
INPE, 1985. (INPE-4143-pre/1050).
- Carey, G.W. The regional interpretation
of Manhattan population and housing patterns through factor
analysis. The Geographical Review, 56 (1): 529-551, 1966.
- Carrara, A.L.R. O uso do sensoriamento
remoto no Estudo do índice de vegetação no meio urbano.
Dissertação Mestrado em Sens. Remoto, S. José dos Campos,
INPE, 1991.
- Corrêa, R.L. O espaço urbano. São
Paulo, SP, Editora Ática, 1989.
- Coulombe, A.; Charbonneau, L.; Brochu,
R.; Morin, D. L'apport de l'analyse textural dans la definition
de l'utilization du sol en millieu urbain. Canadian Journal
of Remote Sensing, 17(1):45-55, Jan., 1991.
- Foresti, C.; Pereira, M.D.B. Utilização
de índices vegetativos obtidos com dados do sistema TM-LANDSAT
no estudo da qualidade ambiental urbana: cidade de São
Paulo. São José dos Campos, INPE, 1987. (INPE-4177-PRE/1071).
- Foresti, C.; FlorenzanO, T.G.; Erthal;
E.J.; Godoy JR., M. Integração de dados do satélite SPOT
com um modelo digital de terreno para avaliação de impacto
ambiental. In: CONGRESSO BRASILEIRO DE CARTOGRAFIA, 14,
Gramado, maio, 1989, v.3, p. 686-689.
- Forster, B.C. An examination of some
problems and solutions in monitoring urban areas from
satellite platforms. International Journal of Remote Sensing,
6 (1): 139-151, 1985.
- Forster, B.C.; Jones, C. Urban density
monitoring using high resolution spaceborne systems. In:
International Archives of Photogrammetry and Remote Sensing
V.XXIX part VII, Comissão 7, INTERNATIONAL SYMPOSIUM ON
PHOTOGRAMMETRY AND REMOTE SENSING, XIXth Congress, Kyoto,
1988. p.189-195. 1693-1707, Dec. 1983.
- Haertel, V.; Shimabukuro, I. Textural
features for image classification in remote sensing. São
José dos Campos, INPE, 1987. (INPE-4169-pre/1066).
- Haralick, R. Statistical and Structural
approaches to texture. Proceedings of the IEEE, 67(5):
786-804, may, 1979.
- Haralick, R.; Sternberg, S.R.; Zhuang,
X. Image analysis using mathematical morphology. IEEE
transactions on pattern analysis and machine intelligence.
PAMI-9(4):532-550, jul.1987.
- Haralick, R.; Shanmungan, K.; Dienstein,
I. Textural features for image classification. IEEE Transactions
on Systems, Man and Cybernetics, SMC-3(6):610-621, Nov.
1973.
- Hlavka, C.A. Land-use mapping using
edge density texture measures on Thematic Mapper Simulator
data. IEEE Transactions on Geoscience and Remote Sensing,
GE-25(1):104-108, Jan. 1987.
- Hsu, S. Texture-tone analysis for
automated land use mapping. Photogrammetric Engineering
and Remote Sensing, 44 (11): 1393-1404, Nov. 1978.
- Instituto Nacional de Pesquisas Espaciais-INPE.
SITIM 150 Manual do Usuário, Versão 2.2. Engespaço Indústriae
Comércio Ltda., 1986.
- Irons, I.R.; Petersen, G.W. Texture
transforms of remote sensing data. Remote Sensing of Environment,
11(4):359-370, Sep., 1981.
- Jensen, J.R. Urban/Suburban land
use analysis. In: Manual of Remote Sensing, 2ed. Falls
Church, VA< American Society of Photogrammetry, 1983
V.2., chapter 30, p.1571-1666.
- Jensen, J.R.; Toll, D.L. Detecting
residencial land use development at the urban fringe.
Photogrammetric Engineering and Remote Sensing 48 (4):
629-643, Apr. 1981.
- Jensen, L.M. A knowledge-based classification
of an urban area using texture and context information
in LANDSAT TM imagery. Photogrammetric Engineering and
Remote Sensing 56 (6):899-904, Apr. 1990.
- Jim, C.Y. Tree canopy cover, land
use and planning implications in urban Hong Kong. Geoforum,
20 (1): 57-68. 1989a.
- Jim, C.Y. Tree canopy characteristics
and urban development in Hong Kong. The Geographical Review,
79 (2): 210-255, 1989b.
- Kurkdjian, M. de L.N. de O. Visual
aerial photograph texture discrimination for delineating
homogeneous residential sectors: an instrument for urban
planners. São José dos Campos, INPE, May 1986. (INPE-3896-PRE/938).
- Manso, A.P.; Oliveira, M. de L.N.
de; Barros, M.S.S. Determinação de zonas homogêneas através
de sensoriamento remoto. São José dos Campos, INPE, 1978.
(INPE-1470-RPE/021).
- Momsen JR., R.P. Socio-economic units
as a basis for remote sensing interpretation of cultural
phenomena. Canadian Journal of Remote Sensing, 10 (2):
167-189. Dec. 1984.
- Mumbower, L.; Donoghue, J. Urban
poverty study. Photogrammetric Engineering, 33 (6):610-618,
1967.
- Ó Filho, E.F.do; Mascarenhas, N.D.A.;
Sonnemburg, C.R. Classificação de imagens multiespectrais,
através de características de textura. São José dos Campos,
INPE, 1990. (INPE-1734-RPE/134).
- Pickett, R.M. Visual analyses of
texture in the detection and recognition of objects. In:
Lipkin, B.S.; Rosenfeld, A., ed., Picture Processing and
Psychopictorics, New York, N.Y., Academic Press, 1970,
p.289-308.
- Rosenfeld, A.; Wang, C.; Wu, A.Y.
Multiespectral texture. IEE Transactions on Systems, Man
and Cybernetics, SMC - 12(1): 79-84, Fev., 1982.
- Serra, G. O espaço natural e a forma
urbana. São Paulo, SP, Livraria Nobel S.A., 1987.
- Woodcock, C.E.; Strahler, A.H.; Jupp,
D.L.B. The use of variograms in remote sensing: Real digital
images. Remote Sensing of Environment. 25(3):349-379,
1988.
- Woodcock, C.E.; Strahler, A.H.; Jupp,
D.L.B. The use of variograms in remote sensing: Scene
models and simulated images. Remote Sensing of Environment.
25(3):325-348, 1988b