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)

 
  1. 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

    1. 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.
    2. 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).
    3. Barreira, J.; Mascarenhas, N.D.A. Aplicações da morfologia matemática. São José dos Campos, INPE, 1985. (INPE-4143-pre/1050).
    4. Carey, G.W. The regional interpretation of Manhattan population and housing patterns through factor analysis. The Geographical Review, 56 (1): 529-551, 1966.
    5. 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.
    6. Corrêa, R.L. O espaço urbano. São Paulo, SP, Editora Ática, 1989.
    7. 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.
    8. 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).
    9. 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.
    10. 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.
    11. 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.
    12. Haertel, V.; Shimabukuro, I. Textural features for image classification in remote sensing. São José dos Campos, INPE, 1987. (INPE-4169-pre/1066).
    13. Haralick, R. Statistical and Structural approaches to texture. Proceedings of the IEEE, 67(5): 786-804, may, 1979.
    14. 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.
    15. 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.
    16. 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.
    17. Hsu, S. Texture-tone analysis for automated land use mapping. Photogrammetric Engineering and Remote Sensing, 44 (11): 1393-1404, Nov. 1978.
    18. Instituto Nacional de Pesquisas Espaciais-INPE. SITIM 150 Manual do Usuário, Versão 2.2. Engespaço Indústriae Comércio Ltda., 1986.
    19. Irons, I.R.; Petersen, G.W. Texture transforms of remote sensing data. Remote Sensing of Environment, 11(4):359-370, Sep., 1981.
    20. 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.
    21. 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.
    22. 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.
    23. Jim, C.Y. Tree canopy cover, land use and planning implications in urban Hong Kong. Geoforum, 20 (1): 57-68. 1989a.
    24. Jim, C.Y. Tree canopy characteristics and urban development in Hong Kong. The Geographical Review, 79 (2): 210-255, 1989b.
    25. 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).
    26. 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).
    27. 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.
    28. Mumbower, L.; Donoghue, J. Urban poverty study. Photogrammetric Engineering, 33 (6):610-618, 1967.
    29. 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).
    30. 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.
    31. Rosenfeld, A.; Wang, C.; Wu, A.Y. Multiespectral texture. IEE Transactions on Systems, Man and Cybernetics, SMC - 12(1): 79-84, Fev., 1982.
    32. Serra, G. O espaço natural e a forma urbana. São Paulo, SP, Livraria Nobel S.A., 1987.
    33. 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.
    34. 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