FACULDADE ÚNICA DE IPATINGA
WENDELL SANTANA FAGUNDES
CLASSIFICAÇÃO SUPERVISIONADA DE IMAGENS DO SATÉLITE
SENTINEL-2 PARA OBETENÇÃO DE CARTA DE USO E COBERTURA DO
SOLO
CORONEL FABRICIANO - MG
2019
Prepare-se para as provas
Estude fácil! Tem muito documento disponível na Docsity
Ganhe pontos para baixar
Ganhe pontos ajudando outros esrudantes ou compre um plano Premium
Guias e Dicas
Prepare-se para as provas
Estude fácil! Tem muito documento disponível na Docsity
Encontrar documentos
Prepare-se para as provas com trabalhos de outros alunos como você, aqui na Docsity
Pesquisar documentos Store
Os melhores documentos à venda: Trabalhos de alunos formados
Videoaulas
Prepare-se com as videoaulas e exercícios resolvidos criados a partir da grade da sua Universidade
Quiz
Responda perguntas de provas passadas e avalie sua preparação.
Ganhe pontos para baixar
Ganhe pontos ajudando outros esrudantes ou compre um plano Premium
Comunidade
Pergunte à comunidade
Peça ajuda à comunidade e tire suas dúvidas relacionadas ao estudo
Ranking universidades
Descubra as melhores universidades em seu país de acordo com os usuários da Docsity
Guias grátis
Os eBooks que salvam estudantes!
Baixe gratuitamente nossos guias de estudo, métodos para diminuir a ansiedade, dicas de TCC preparadas pelos professores da Docsity
CLASSIFICAÇÃO SUPERVISIONADA DE IMAGENS DO SATÉLITE SENTINEL-2 PARA OBETENÇÃO DE CARTA DE USO E COBERTURA DO SOLO, Teses (TCC) de Geoprocessamento
TRABALHO DE CONCLUSÃO DE CURSO EM NIVEL DE POS-GRADUAÇÃO EM ENGENHARIA DE AGRIMENSURA
Tipologia: Teses (TCC)
2020
1 / 14
Esta página não é visível na pré-visualização
Não perca as partes importantes!
Documentos relacionados
Pré-visualização parcial do texto
Baixe CLASSIFICAÇÃO SUPERVISIONADA DE IMAGENS DO SATÉLITE SENTINEL-2 PARA OBETENÇÃO DE CARTA DE USO E COBERTURA DO SOLO e outras Teses (TCC) em PDF para Geoprocessamento, somente na Docsity!
FACULDADE ÚNICA DE IPATINGA
WENDELL SANTANA FAGUNDES
CLASSIFICAÇÃO SUPERVISIONADA DE IMAGENS DO SATÉLITE
SENTINEL-2 PARA OBETENÇÃO DE CARTA DE USO E COBERTURA DO
SOLO
CORONEL FABRICIANO - MG
FACULDADE ÚNICA DE IPATINGA
WENDELL SANTANA FAGUNDES
CLASSIFICAÇÃO SUPERVISIONADA DE IMAGENS DO SATÉLITE
SENTINEL-2 PARA OBETENÇÃO DE CARTA DE USO E COBERTURA DO
SOLO
Artigo Científico Apresentado à Faculdade Única de Ipatinga - FUNIP, como requisito parcial para a obtenção do título de Especialista em Geoprocessamento e georreferencaimento.
CORONEL FABRICIANO - MG
os recursos para este tipo de análise estão, principalmente, no uso de técnicas e ferramentas oferecidas pelos Sistemas de Informações Geográficas (SIG’s), o que facilita a identificação de alterações ocorridas em função dos avanços antrópicos sobre áreas de cobertura natural.
A elaboração de mapas de uso e cobertura do solo, cada vez mais, tem se propagado, muito porque auxilia no entendimento da dinâmica espaço temporal de uma dada região. Schlindwein et al. (2007) apontam que o conhecimento do uso e cobertura do solo facilita a aplicação de medidas adequadas à realidade, as quais garantem a gestão do espaço, bem como preservação e manutenção do meio ambiente.
Isto posto, fica evidenciado a importância em mapear uma área buscando-se alternativas de baixo custo, diante da atual escassez de recursos. Assim, este estudo centrou-se na busca por novas tecnologias que fossem eficazes, também, para atualização cartográfica com vistas à identificação de alterações na cobertura terrestre, algo intrínseco ao planejamento territorial.
Objetivos
a) Gerais Aplicar o processo de classificação supervisionada de imagens em dados provenientes do sensor MSI do satélite Sentinel-2.
b) Específicos
- Aplicar o algoritmo Máxima Verossimilhança para classificação supervisionada das imagens supracitadas, por meio do aplicativo Semi Automatic Classification no sistema de informação geográfica QGIS 2.14;
- Utilizar a matriz de confusão e ao fator Kappa para avaliar acurácia dos mapas de uso e cobertura do solo oriundos das imagens do satélite Sentinel-2;
- Tirar conclusões acerca dos resultados encontrados, com vistas a acurácia final do trabalho, avaliada por meio da matriz de confusão e fator Kappa.
Desenvolvimento
a) Sensoriamento Remoto
O sensoriamento remoto, como uma geociência, é uma importantíssima ferramenta de captação de dados necessários a análises ambientais. Sob a forma de matrizes georreferenciadas contento algum atributo do terreno, os dados de sensoriamento remoto (SR) dinamizam as formas de enxergar um ambiente, permitindo conclusões mais precisas e rápidas nos monitoramentos realizados. Ao empregá-lo num determinado trabalho, é extremamente necessário entender como os dados são coletados, deste modo, alguns conceitos mais recentes já trazem esta informação. Para Florezano (2007, p. 9) o sensoriamento remoto “é a tecnologia que permite obter imagens e outros tipos de dados, da superfície terrestre por meio da captação e registro da energia refletida ou emitida pela superfície”. Nas palavras de Novo:
Sensoriamento remoto consiste na utilização conjunta de sensores, equipamentos para processamento de dados, equipamentos de transmissão de dados a bordo de aeronaves, espaçonaves, ou outras plataformas, com o objetivo de estudar eventos, fenômenos e processos que ocorrem na superfície do planeta partir do registo e da análise das interações entre radiação eletromagnética e as substâncias que o compõem em suas mais diversas manifestações. (NOVO, 2007, p. 4).
Desde os anos 60 o número de publicações científicas voltadas ao SR cresce exponencialmente, há o surgimento constante de associações, institutos e centros de excelência, criações de novas revistas especializadas, avanços tecnológicos relevantes, tudo isso marca uma fase jovial do sensoriamento remoto como ciência. Autores como Robert Green da NASA ( National Aeronautic and Space Administration ) sugerem o termo “medição remota” em vez de sensoriamento remoto, usando o argumento de que os novos sensores hiperespectrais fazem medições muito precisas (JENSEN, 2009).
b) Missão Sentinel-
Sentinel-2 é a segunda missão de uma série de sete que serão efetivadas até 2030 relativas ao programa Copernicus , cujos dados orbitais têm como finalidades a melhoria na gestão do ambiente, o entendimento e mitigação dos efeitos e alterações climáticas e garantia da segurança civil. Financiado pela ESA ( European Space Agency ) e EU ( European Union ), o programa Copernicus busca oferecer dados e produtos em seis categorias: gestão territorial, do ambiente marinho, da atmosfera, alertas de emergência, de segurança e de alterações climáticas (ESA, 2012).
O Sentinel-2 está esquipado com o sensor MSI ( MultiSpectral Instrument ), que foi desenvolvido com base na tecnologia Push-broom pela empresa europeia Airbus Defence and Space. Um sensor Push-broom funciona recolhendo linhas de imagem em toda a faixa orbital e ao avançar da nave ao longo do trajeto da órbita, faz aquisição de novos dados (ESA, 2015).
O MSI pesa 290 kg e tem um telescópio de espelho triplo ( Three-Mirror AnastigmaticTMA ) os quais são feitos de carboneto de silício, proporcionando maior estabilidade óptica e diminuindo a deformação termoelástica (ESA, 2012). O MSI capta dados em 13 bandas espectrais entre os comprimentos de onda 443 nm e 2190 nm, das quais três são Red-Edge , bandas 5, 6 e 7. A largura da faixa imageada é de 290 km, a resolução radiométrica é de 12 bits, já o tamanho de pixel varia de acordo com a faixa espectral, sendo quatro bandas a 10 metros, seis bandas a 20 metros e três bandas a 60 metros. Demais dados técnicos do Sentinel-2 estão dispostos na Tabela 3:
Tabela 3 – Informações técnicas do sistema Sentinel-
Resolução Espacial 10 m nas bandas 2, 3, 4 e 8; 20 m nas bandas 5, 6, 7, 8a, 11 e 12; 60 m nas bandas 1, 9 e 10 Resolução Radiométrica 12 Bits
Resolução Temporal
10 dias no equador com um satélite e 5 dias com dois satélites; Em condições livres de nuvens resulta em 2 a 3 dias nas latitudes médias (45 o ). Bandas Espectrais (Intervalos em nm)
B1: 433 a 453 ; B2: 457,5 a 522,5; B3: 542,5 a 577,5; B4: 650 a 680; B5: 697,5 a 712,5; B6: 732,5 a 747,5;
processamento de dados geoespaciais, evidencia o potencial desta ferramenta em qualquer tipo de estudo relativo ao espaço geográfico. Noutra ótica, partindo do pressuposto de que se uma ferramenta oferece resultados concisos sobre os atores de um problema, é lógico dizer que este meio é um apoiador das tomadas de decisão.
d) Classificação de Imagens
Segundo Novo (2008, p. 289), classificação de imagens é o termo genérico dado “ao processo de atribuir significado a um pixel em função de suas propriedades numéricas”. De modo mais aprofundado, Richards e Jia (1999 apud SARTORI, 2006) conceituam a classificação como uma técnica para rotular pixels de uma imagem em função das suas particularidades espectrais, dentro de um programa computacional capaz de reconhecer a similaridade espectral dos pixels. O principal objetivo da classificação é o mapeamento de classes de uso e cobertura do solo de uma determinada região, de forma rápida e automatizada, por meio dos dados de sensores orbitais. Para atingir tal meta com qualidade, conforme Florenzano (2011), é primordial a interação do intérprete com o processamento automatizado.
A classificação supervisionada é uma das alternativas de classificação de imagens mais difundidas para se extrair informações de padrões a partir de dados de sensoriamento remoto. Esta técnica se baseia nas características espectrais das amostras de classes, no intuito de decidir em qual das classes de uso e cobertura se enquadra cada pixel da cena a ser avaliada. Dentre os algoritmos da classificação supervisionada, destaca-se o Máxima Verossimilhança, o qual está embasado no cálculo da probabilidade condicional através do Teorema de Bayes (SANTOS et al, 2003). O princípio básico para utilização do classificador MAXVER é o conhecimento a priori da região estudada, no sentido de indicar áreas de treinamento que forneçam a informação mais verossímil da classe atribuída, para assim, por meio do Teorema de Bayes, estimar a região ou regiões pertencentes a tal classe.
A última etapa do trabalho classificatório é a avaliação da verossimilhança das classes temáticas do mapa gerado. Meneses et al. (2012) ressaltam que a acurácia temática de uma classificação está ligada a diversos fatores, dentre os quais destacam-se a complexidade do terreno, as resoluções espaciais e espectrais do sistema sensor, o algoritmo classificador utilizado, o conjunto amostral que descreve a verdade terrestre, entre outros. A avaliação da qualidade do raster de uso e cobertura do solo se dá, principalmente, por meio da matriz de confusão e do índice Kappa. A matriz de confusão, é uma matriz quadrada de números que expressam unidades de amostragem (ou seja, pixels, aglomerados de pixels, ou polígonos) atribuídas a uma determinada classe, correlacionada à classe verificada em solo. Esta matriz é recomendada para representar a acurácia de classificações de imagem, pois a mesma pode ser usada como um ponto de partida para uma série de indicadores estatísticos descritivos e analíticos (CONGALTON, 1991). Um destes indicadores é o índice Kappa, o qual “pode ser definido como uma medida de associação usada para descrever e testar o grau de concordância (confiabilidade e precisão) na classificação” (KOTZ; JOHNSON, 1983 apud PERROCA; GAIDZINSKI, 2003, p. 74).
Segundo Figueiredo e Vieira (2007) a estimação do Kappa é amplamente usada na avaliação de acurácia temática, caracterizando-se como uma técnica multivariada discreta que usa todos os elementos da matriz de erro em seu cálculo. Para auxiliar na
interpretação de valores de Kappa, Landis e Koch (1977) estabeleceram uma relação destes valores com grau qualitativo de uma classificação, a qual pode ser visualizada na Tabela 4:
Tabela 1 – Concordância de uma classificação associados aos valores de Kappa Índice Kappa Concordância 0,00 Péssima 0,01 a 0,020 Ruim 0,21 a 0,40 Razoável 0,41 a 0,60 Boa 0,61 a 0,80 Muito Boa 0,81 a 1,0 Exelente Fonte: Adaptado de Landis e Koch (1977).
Material e Métodos
a) Área de estudo
O agreste Alagoano se constitui numa área de transição entre os biomas Mata Atlântica e Caatinga, apresentando diversas feições naturais relevantes em estudos do ambiente. Deste modo, escolheu-se esta região do Brasil como área de estudo, mais especificamente, um recorde de aproximadamente 190 km 2 , circunscrito pela folha em desdobro sistemático SC-24-X-D-III-3-NO (escala 1:25.000), a qual abarca as cidades Quebrangulo e Paulo Jacinto no Estado de Alagoas e um pequeno trecho no município de Lagoa do Ouro-PE, nordeste Brasileiro. As coordenadas UTM do centro da folha são 781498,46m W e 8969579,41m S referentes ao Datum SIRGAS 2000, o mapa de localização está presente na Figura 1.
Por ser uma zona de transição, esta parte do Agreste de Alagoas e Pernambuco possui resquícios de floresta Atlântica em meio ao bioma predominante, a Caatinga, com algumas áreas de agropecuária. A precipitação média anual na região está na faixa de 1400 mm a 1600 mm, enquanto que a temperatura média anual varia de 22o C a 24o C, caracterizando um clima tropical com chuvas de outono-inverno e uma estação seca bem definida (EMBRAPA, 2012). De acordo com Seplande (2014), a geomorfologia predominante é o Planalto da Borborema, com altitudes variando entre 316 e 630 metros.
Figura 1 – Mapa de localização da área de estudo
𝐷𝑁 𝑄 (1)
Onde REF é o valor de reflectância; DN é número digital do pixel; Q ( quantification value ) é o coeficiente fixo para converter os números digitais em valores de reflectância, sendo Q = 10000.
e) Definição das classes de uso e cobertura do solo
Salientando-se que a classificação supervisionada demanda o conhecimento preambular do uso e cobertura do terreno, foi necessária uma análise visual prévia de imagens orbitais em alta resolução espacial da região estudada, observando e identificando os tipos de cobertura de maior destaque. Num segundo momento, examinando os dados do Sentinel-2, procurou-se ponderar quais classes de uso e cobertura melhor se enquadrariam no presente caso, tendo em vista a resolução espacial do sensor, cujas dimensões influenciam diretamente na mistura de sinal dos alvos e, consequentemente, na qualidade da classificação. Por conseguinte, ficaram definidas cinco classes de uso e cobertura do solo para aplicação neste trabalho. Estas classes estão dispostas a seguir juntamente com respectivos critérios para serem consideradas como tal:
(a) Água: Massas de água concentradas, como por exemplo lagos, leitos de rios, açudes, entre outros;
(b) Vegetação densa: áreas com grande concentração de vegetais arbóreos, como matas e bosques;
(c) Vegetação esparsa: Vegetação mais arbustiva, e com algumas árvores pontuais, pastagem também foi enquadrada nesta classe;
(d) Área antropizada: áreas com alta interferência e presença humana, como cidades e vilas, edificações, estradas e rodovia;
(e) Solo exposto: Solo nu, com pouca ou nenhuma cobertura.
f) Classificação com o SCP
O plugin SCP foi implementado para classificação supervisionada de imagens. Logo, este complemento do QGIS oferece várias ferramentas que facilitam o processo, contemplando etapas de pré-processamento como a composição de set’s e cortes de imagens. Toda a parte da classificação, desde o treinamento do algoritmo, plotagem de curvas espectrais e scatter plot para verificar a correlação entre as bandas, opcional de três algoritmos classificadores, cálculo de acurácia dos resultados, entre outras funções.
Desta forma, após todas as etapas de pré-processamento, partiu-se para o procedimento classificatório iniciado com a seleção das amostras de classe para treinar o algoritmo. Foram coletadas 200 áreas amostrais na cena Sentinel-2, com cada amostra tendo em média 43 pixels. De acordo com Fonseca (1988, apud CAVALCANTE et al ,
- uma amostra de treinamento deve ter de 10 a 100 pixels para ser tida como estatisticamente confiável, em contrapartida, que contemple todo intervalo da classe. Este autor destaca ainda que a quantidade de pixels deve aumentar conforme a ampliação da variabilidade da referida classe.
Assim sendo, cada classe no presente estudo teve número de pixels amostrais dentro do limiar sugerido, umas mais outras menos, a depender da singularidade da sua assinatura espectral. Por exemplo, para água coletou-se menos amostras pois o comportamento espectral deste alvo é bem característico e homogêneo (baixa variabilidade), não tendo problemas de conflito com outra classe; já para o caso de solo exposto e área antropizada recolheu-se uma maior quantidade de amostras pelo fato destas classes conflitarem entre si em consequência do alto desvio padrão de seus conjuntos amostrais.
O SCP armazena as amostras num arquivo shapefile que é previamente salvo num ficheiro do computador. Assim, o usuário vai adicionando amostra por amostra com as respectivas informações (nome da classe e ID da classe), podendo verificar, de tempos em tempos, a consistência do conjunto por meio de ferramentas como a geração da assinatura espectral junto ao desvio padrão das amostras. Todo este processo de treinamento do algoritmo é feito numa janela específica do plugin , denominada “ SCP: ROI creation ”.
Quando o conjunto amostral manifestar suficiência, todas as amostras são selecionadas e dar-se o comando para adicioná-las à lista de assinaturas ( Add to signature ), isto implica no cálculo da curva espectral de cada classe, por intermédio das amostras, é possível também verificar a correlação de bandas com o comando “ show scartter plot ”. Feito isso, o usuário deve acessar uma nova janela do plugin, a “ SCP: Classification”, onde poderá observar as classes pré-estabelecidas, neste caso foram 6, as quais são legendadas com cores aleatórias que podem ser alteradas pelo usuário. Ainda nesta janela, mais abaixo, há ferramentas para visualizar e manipular as assinaturas espectrais. Numa outra seção, o usuário seleciona o algoritmo de classificação, no presente estudo optou-se pelo Máxima Verossimilhança (Maximum Likelihood) , assim é necessário indicar também o limiar de aceitação para o algoritmo. Aqui foi adotado 100%, deste modo não foi descartado nenhum pixel “confuso”. Por fim, é dado o comando “ Perform classification ” e um raster contendo as classes de uso e cobertura do solo é gerado.
g) Avaliação da acurácia
Como é feito uso da probabilidade para escolher a classe de um determinado pixel, na classificação de imagem não existe extrema perfeição, sendo que alguns pixels são atribuídos erroneamente a uma dada classe. Deste modo, avalia-se a acurácia temática de um trabalho classificatório através de análises estatísticas de amostras da imagem confrontando-as com o mapa temático classificado.
O SCP em sua janela principal, no menu “ post processing ”, oferece a ferramenta “ accuracy” cuja função é computar a matriz de erro e estimar o fator Kappa de forma automática. Para tal, se faz necessário adicionar como dados de entrada o mapa temático de uso e cobertura e um arquivo shapefile contendo amostras de pós processamento. Estas amostras devem ser coletadas na mesma aba em que é feito o treinamento do algoritmo para a classificação, com base na imagem orbital, em áreas que não deixam dúvidas sobre o tipo de uso e cobertura do solo. O usuário deve apontar a classe e seu respectivo ID, o qual é extremamente necessário para construção da matriz de erro. Assim, o algoritmo compara as amostras de pós processamento, consideradas condizentes com a realidade, com a imagem temática verificando quais áreas foram classificadas corretamente e o contrário. Nesta pesquisa foram levantadas 95 áreas amostrais na imagem.
Koch (1977) o desempenho da classificação da imagem Sentinel-2 pode ser considerada “excelente”.
Conclusões
Diante dos resultados que este estudo apresentou, foram tiradas as seguintes conclusões:
- As imagens Sentinel-2 apresentaram bons resultados dentro das condições do presente estudo. Deste modo, buscando-se economia em aquisição de imagens num determinado estudo de uso e cobertura do solo de uma região, pode-se adotar imagens Sentinel-2 com vistas a sua gratuidade;
- A matriz de erro e o Kappa tiveram importante papel na avaliação da acurácia temática da classificação. A análise da matriz de erro possibilitou identificar quais classes de uso e cobertura do solo foram mais e menos acuradas, o que poderia facilitar uma possível investigação dos fatores que influenciaram os resultados. O Kappa, por sua vez, retratou o nível geral de acurácia do trabalho classificatório, que neste caso foi considerado “excelente”;
- O complemento Semi-automatic Classification do QGIS demonstrou bom desempenho na classificação supervisionada de imagens, oferecendo ferramentas eficientes para o pré-processamento, classificação e avalição de acurácia temática;
REFERÊNCIAS
BATISTELLA, M.; MORAN, E. F. (Org.). Geoinformação e monitoramento ambiental na América Latina. São Paulo: Editora Senac São Paulo, 2008. 283 p.
CAVALCANTE, L. B.; INáCIO, A. S.; GOMES, H. B. Utilização de imagens do satélite world view-2 e do sensor aster para análise de bacias hidrográficas – estudo de caso: bacia do tabuleiro do martins, maceió/al. SIMPÓSIO BRASILEIRO DE RECURSOS HÍDRICOS, 2013, Bento Gonçalves. Anais. , ABRH, São Paulo, v. 1, p. 1–8, 2013.
CONGALTON, R. G. A review of assessing the accuracy of classifications of remotely sensed data. Remote Sensing of Environment , v. 49, n. 12, p. 1671–1678, 1991.
CONGEDO, L. Semi-automatic classification plugin documentation. release 5.0.2.1. Research Gate , v. 5, n. 0.2.1, p. 201, 2016.
EMBRAPA. Boletim de Pesquisa e Desenvolvimento: Climatologia do Estado de Alagoas. 2. ed. Recife: Embrapa Solos, 2012.
ESA. ESAs Optical High-Resolution Mission for GMeS Operational Services. Noordwijk: ESA Communications, 2012. 70 p. Disponível em: <https://sentinel.esa.int/documents/ 247904/349490/S2_SP-1322_2.pdf>. Acesso em: 12 jun 2016.
ESA. SENTINEL-2 User Handbook. Paris: ESA, 2015. 54 p. Disponível em: https://sentinel.esa.int/documents/247904/685211/Sentinel-2_User_Handbook. Acesso em: 20 maio 2016.
FIGUEIREDO, G. C.; VIEIRA, C. A. O. Estudo do comportamento dos índices de exatidão global, kappa e tau, comumente usados para avaliar a classificação de imagens
do sensoriamento remoto. Simpósio Brasileiro de Sensoriamento Remoto (SBSR), 13, 2007, Florianópolis. Anais. , INPE, São José dos Campos, p. 5755–5762, 2007.
FLORENZANO, T. G. Iniciação em sensoriamento remoto. 2. ed. [S.l.]: Oficina de textos, 2007.
FONSECA, L. Restauração de imagens do satéite Landsat por meio de técnicas de projeto de filtros FIR. 1988. 148 f. Tese (Doutorado) — Dissertação (Mestrado em Engenharia Eletrônica)-Instituto Tecnológico de Aeronáutica, São José dos Campos/SP,
JENSEN, J. Sensoriamento remoto do ambiente: uma perspectiva em recursos terrestres.
- ed. São José dos Campos: Parêntese Editora, 2009. ISBN 9788560507061.
KOTZ, S.; JOHNSON, N. L. Encyclopedia of statistical sciences. New York: John Wiley e Sons, 1983. v. 4. 352 p.
LANDIS, J.; KOCH, G. The measurement of observer agreement for categorical data. Biometrics , v. 33, n. 1, p. 159–174, 1977.
MENESES, P. R. et al. Introdução ao Processamento de Imagens de Sensoriamento Remoto. [S.l.]: Universidade Federal de Brasília, 2012. 276 p.
NOVO, E. M. L. D. M. Sensoriamento Remoto: Pincípios e aplicações. 3. ed. São Paulo: BLUCHER, 2008.
PERROCA, M. G.; GAIDZINSKI, R. P. Avaliando a confiabilidade interavaliadores de um instrumento para classificação de pacientes: coeficiente kappa. Revista da Escola de Enfermagem da USP , v. 37, n. 1, p. 72–80, 2003.
PIROLI, E. L. et al. Análise do uso da terra na microbacia do arroio do meio – santa maria rs, por sistema de informações geográficas e imagem de satélite. Ciência Rural , v. 32, p. 407–412, 2002.
ROCHA, C. H. B. Geoprocessamento: Tecnologia transdisciplinar. Do autor, p. 220,
RICHARDS, J. A.; JIA, X. Remote sensing digital image analysis. [S.l.]: Springer, 1999. v. 3.
SANTOS, R. L.; OHATA, A. T.; QUINTILHA, J. A. A análise bayesiana na classificação supervisionada de imagens: Aplicação na determinação de classes de uso do solo (mogi das cruzes – sp). Simpósio Brasileiro de Sensoriamento Remoto (SBSR), 11, 2003, Belo Horizonte. Anais. , INPE, São José dos Campos, p. 2119 – 2122, 2003.
SARTORI, L. R. Métodos para extração de informaões a partir de imagens multiespectrais de escalas grandes. Presidente Prudente: Dissertação de metrado. Universidade Estadual Paulista (UNESP), 2006.
SEPLANDE. Alagoas em Mapas. 2. ed. Maceió: SEPLANDE, 2014
SCHLINDWEIN, J. R. et al. Mapeamento do uso e cobertura do solo do município de caxias do sul (rs) através de imagens do satélite cbers. Simpósio Brasileiro de Sensoriamento Remoto (SBSR), 13, 2007, Florianópolis. Anais. , INPE, São José dos Campos, p. 1103–1107, 2007.