Вы находитесь на странице: 1из 160

DADOS POLARIMTRICOS DE BANDA C PARA O

MAPEAMENTO E MODELAGEM DA ESTRUTURA DA


VEGETAO NA VRZEA AMAZNICA LAGO GRANDE DE
CURUAI, PA.

Luiz Felipe de Almeida Furtado

Dissertao de Mestrado do Curso de


Ps-Graduao em Sensoriamento
Remoto, orientada pela Dra. Evlyn
Mrcia Leo de Moraes Novo e Dr.
Thiago Sanna Freire Silva.

INPE
So Jos dos Campos
2014

Ficha ser revisada pelo SID.

Dados Internacionais de Catalogao na Publicao

Sobrenome, Prenome(s) Completos do(s) Autor(es).


Cutter

Ttulo da publicao / Nome Completo do Autor(es). - So Jos


dos Campos: INPE, ano da publicao.
i + 0p. ; (aa/bb/cc/dd-TDI)

Grau (Mestrado ou Doutorado em Nome do Curso) -

Instituto

Nacional de Pesquisas Espaciais, So Jos dos Campos, ano de


defesa.
Orientador: Nome completo do orientador(es).
Copyright AAAA do MCT/INPE. Nenhuma parte desta publicao pode ser reproduzida, armazenada em um sistema de recuperao, ou
transmitida sob qualquer forma ou por qualquer meio, eletrnico, mecnico, fotogrfico, reprogrfico, de microfilmagem ou out ros, sem a
permisso escrita do INPE, com exceo de qualquer material fornecido especificamente no propsito de ser entrado e executado num

1. Assunto. 2. Assunto. 3. Assunto. 4. Assunto. 5. Assunto.

sistema computacional, para o uso exclusivo do leitor da obra.

I. Ttulo.
Copyright AAAA by MCT/INPE. No part of this publication may be reproduced, stored in a retrieval system, or transmitted in any form or
by any means, electronic, mechanical, photocopying, recording, microfilming or otherwise, without written permission from the INPE, with
the exception of any material supplied specifically for the purpose of being entered and executed on a computer system, for exclusive
use of the reader of the work.

CDU

II

FOLHA DE APROVAO
CONFECCIONADA PELO SPG E INCLUDA PELO SID.

III

IV

O caminho do bem um s caminho / O caminho do bem para todos / O


caminho do bem racional.
Tim Maia

VI

A Deus, aos familiares, aos amigos, pessoas importantes e minha nao.

VII

VIII

AGRADECIMENTOS
A Deus, pois sem Ele nenhuma dessas conquistas seria possveis. Pela fora,
determinao, disciplina e coragem para enfrentar todos os desafios.
Aos familiares, principalmente meus pais Maria de Lourdes de Almeida e Genis
Vieira Furtado Filho, que me apoiaram incondicionalmente, de todas as
maneiras possveis. No deve ser nada fcil aturar um filho que est prestes a
dar a luz a uma dissertao!
Aos meus orientadores, Dr. Thiago Silva e Dr Evlyn Novo, que me apoiaram,
ensinaram, ajudaram, puxaram minhas orelhas e ao mesmo tempo me deram
grandiosa liberdade para trabalhar. Por terem se levantado ao meu favor,
quando foi preciso, e por todo apoio frente a tudo que ocorreu durante esses
dois anos de mestrado.
A todos os amigos de UFF e INPE, a dizer Andressa, Pedro Jos, Carlos
Leandro,

Leandro, Rafaela, Mariane, Tassa, Slvia, Z, Ricardo, Carina,

Boneco, Gordo, Clayton, Igor, Renato, Elias e a todos que no lembrei o


nome, mas estaro sempre presentes no corao. E um al especial para a
Annia, que enfrentou a lama, os mosquitos e os cips da Amaznia comigo.
A minha namorada, Mayne Assuno, que esteve sempre ao meu lado nas
minhas dificuldades, com palavras de carinho e conforto. Quando precisou,
puxou minha orelha com as mesmas mos que afagam o rosto de maneira to
especial. Tenha certeza que voc muito especial!
Aos membros da banca, doutores Pedro Walfir, Joo Roberto e Jos Mura,
pela disponibilidade, pelas crticas ao trabalho e por terem topado essa misso
de ler todo esse texto em apenas 20 dias!
A todos que direta ou indiretamente auxiliaram na execuo desse trabalho;
doutores Guilherme Fernandes e Raul Vincens, pela disponibilidade das

IX

instalaes do LAGEF e aos funcionrios da DSR e principalmente a Vera, pela


extrema agilidade e seriedade de seu trabalho.
Agradecimentos a Capes, ao INPE e a FAPESP pelo financiamento da
pesquisa, tanto em termos de bolsa, como no auxlio dos custos do trabalho de
campo.
E a todos os outros que no entraram nessa lista, no se sintam excludos,
pois sabem como eu sou extremamente esquecido!

RESUMO
reas midas so regies de extrema importncia pela sua biodiversidade e
servios ecolgicos prestados, alm de serem considerada uma das principais
fontes naturais de gases estufa. Estima-se que entre 12% e 29% da bacia
Amaznica seja constituda por reas midas. Devido a sua grande extenso e
ao carter dinmico da sua vegetao, dados de radares de abertura sinttica
(SAR) so fundamentais, pois permitem a aquisio de informaes de
maneira sinptica e multitemporal, mesmo em regies de frequente cobertura
de nuvens. Dados SAR polarimtricos (PolSAR) obtm maior quantidade de
informao sobre cobertura vegetal, podendo melhorar a discriminao de
diferentes tipos de vegetao e melhor caracterizar sua estrutura, quando
comparado com dados multipolarizados e multitemporais. Este estudo teve
como objetivo avaliar a eficincia do uso de dados polarimtricos do sensor
Radarsat-2 (banda C) para a classificao da vegetao e caracterizao de
sua distribuio e estrutura na vrzea Amaznica, na regio da vrzea do Lago
Grande de Curuai, no Par Para isso, seis imagens PolSAR Radarsat-2
multitemporais foram classificadas utilizando-se anlise de imagem baseada
em objetos (OBIA) e algoritmo de minerao de dados. Os resultados da
classificao permitiram comparar o desempenho do mapeamento dos tipos de
vegetao da vrzea usando (a) imagens polarizadas com diferentes ngulos
de incidncia, (b) diagonais principais das matrizes C e T, (c) diferentes
combinaes de decomposies polarimtricas e (d) imagens multitemporais.
Os resultados dessa comparao permitiram constatar que combinaes entre
imagens polarizadas e decomposies polarimtricas maximizam a
separabilidade de classes tomadas individualmente, mas quando essas classes
so analisadas em conjunto, as imagens multitemporais so as que
apresentam o melhor desempenho. Por outro lado, as decomposies
polarimtricas sobressaram-se na modelagem da estrutura da vrzea do Lago
Grande de Curuai e de atributos correlatos, gerando os melhores modelos para
estimar DAP, IAF, Densidade de indivduos e Altura de Inundao. Todos os
modelos apresentaram alta correlao com atributos extrados das cenas SAR,
porm todos eles apresentaram heterocedasticidade, havendo necessidade de
pesquisas posteriores para identificar e sanar a causa desse problema. Dessa
maneira, os resultados desse estudo permitem concluir que os dados
polarimtricos foram mais indicados para anlises quantitativas da estrutura da
vegetao e que as cenas multitemporais foram as mais indicadas para o
mapeamento de diversos tipos de vegetao da vrzea amaznica.

XI

XII

ABSTRACT
Wetlands are important regions due its biodiversity and ecological services, and
also are considered one of the main sources of green house gases. It is
estimated that 12% up to 29% of Amazon River basin area consist of
floodplains. Due to its great area extent and the vegetation communities
dynamics, synthetic aperture radar (SAR) data are important because of its
synoptically and multitemporally image acquisition, even on intense cloudcovered regions. Polarimetric SAR data (PolSAR) register an increased amount
of vegetation information, increasing vegetation types discrimination and a
better structural characterization, when compared to polarized or multitemporal
SAR data. This paper have as objective assess the performance of using C
band PolSAR data on mapping Lago Grande de Curuai vrzea vegetation types
and characterizing its structural properties. To achieve this objective, six full
polarimetric Radarsat-2 images were classified using object based image
analysis (OBIA) and a data-mining algorithm. The classification results allowed
assessing the performance of vrzea vegetation mapping using PolSAR images
with (a) different incidence angles and polarizations, (b) C and T matrixes main
diagonals, (c) polarimetric decompositions and (d) multitemporal imagery. The
results allowed perceiving that the combination of polarimetric decompositions
and polarized images maximizes individual classs discrimination performances,
but when those classes are analyzed on group, the multitemporal images
achieved the best validation indexes. On the other side, polarimetric
decompositions highlights on structural and correlated attributes modeling,
adjusting the best models to estimate DBH, LAI, individual density and flood
height. All models have high correlation with SAR imagery, but all of them are
heterocedastical, and there is need of further research to understand why. This
way, this study concludes that PolSAR data are best suited to quantitative
studies of vrzea vegetation, and multitemporal scenes are indicated to map
different vegetation types of Amazon vrzea.

XIII

XIV

LISTA DE FIGURAS
Pg.
Figura 2.1

Figura 2.2

Figura 2.3

Figura 3.1

Figura 3.2

Figura 3.3
Figura 3.4
Figura 3.5
Figura 3.6
Figura 3.7

Variao anual do nvel da gua, em centmetros, para a


estao fluviomtrica de bidos, na regio do baixo
Amazonas. A linha azul indica a mdia diria para o
perodo de 1970 a 2011, e a rea sombreada em azul
indica o intervalo de confiana de 95% para a mdia. Em
destaque, os anos de 2007 (hidrologia regular), 2005
(seca extrema) e 2009 (cheia extrema). Fonte: (ANA,
2012).
Figura
adaptada
de
SILVA
et
al.
2013.....................................................................................
Em (a), soma coerente dos vetores das respostas dos
inmeros espalhadores da superfcie, resultando na
flutuao radiomtrica do sinal de retorno; em (b)
exemplo de imagem com rudo speckle. Fonte:
http:/earth.esa.int,
acessado
em
21/02/2013...........................................................................
Esquema grfico com as diferenas entre radares
convencionais e polarimtricos. Fonte: adaptado de van
der Sanden (1997)...............................................................
Em destaque o recorte da rea de estudo, no Lago
Grande de Curuai. Ao fundo, composio TM/Landsat 5
RGB321 do perodo da seca. Composio colorida SAR
multitemporal (R: cena SQ7 da poca da cheia; G: cena
SQ7 da poca da seca; B: razo entre imagens da seca e
cheia), mostrando o swath comum a todas as
cenasutilizadas. MacDonald, Dettwiler e Associados,
Ltd........................................................................................
Composio colorida RGB321 de cena Landsat-5/TM,
contemplando o pulso da seca do ano de 2005. Em
vermelho, as rotas percorridas em campo. As estrelas
amarelas so os pontos amostrados em campo, e o
polgono amarelo indica a cobertura das cenas de radar...
Fluxograma geral do processamento dos dados do
trabalho................................................................................
Fluxograma das etapas da fase de pr-processamento
dos dados............................................................................
Fluxograma das etapas da fase de anlise dos dados e
classificao........................................................................
Fluxograma das etapas do subitem de classificao dos
dados e validao. ..............................................................
Fluxograma das etapas da fase de modelagem dos
atributos biofsicos da vegetao........................................

XV

10

24

27
29
31
34
37
43

Figura 4.1

Figura 4.2

Figura 4.3

Figura 4.4

Figura 4.5

Figura 4.6

Figura 4.7

Anlise do decrscimo do coeficiente de variao (CV)


para diferentes janelas para o filtro polarimtrico Refined
Lee, para a cena SQ7 da poca da cheia, na polarizao
HH, em slant range, em regies de Floresta de Terra
Firme. .................................................................................
Efeito da aplicao do filtro Refined Lee para diferentes
tamanhos de janelas de operao. Imagem: polarizao
HH, ngulo de incidncia SQ7, slant range, na poca da
cheia. Cenas Radarsat-2 fornecidas atravs do programa
Science andOperationalApplications Research (SOAR),
coordenado pela Canadian Space Agency (CSA), projeto
nmero 5052/LAN0922. Os dados e produtos Radarsat-2
so licenciados para uso pela MacDonald, Dettwiler e
Associados, Ltd...................................................................
Presena de artefatos em regies de gua (destaque, em
vermelho) e ao longo das bordas entre vegetao e gua.
Cenas Radarsat-2 fornecidas atravs do programa
Science and Operational Applications Research (SOAR),
coordenado pela Canadian Space Agency (CSA), projeto
nmero 052/LAN0922. Os dados e produtos Radarsat-2
so licenciados para uso pela MacDonald, Dettwiler e
Associados, Ltd...................................................................
Anlise do decrscimo do coeficiente de variao (CV)
para diferentes janelas de mdia espacial para a
decomposio de Freeman Durden, cena SQ7 da
poca da cheia, em slant range, em regies de Floresta
de Terra Firme.....................................................................
Anlise visual das janelas de mdia espacial das
decomposies polarimtricas. Imagem: componente
volumtrica da decomposio de Freeman Durden, em
slantrange, ngulo de incidncia SQ7 para a poca da
cheia....................................................................................
Distribuio das amostras das classes gerais na rea de
estudo (destaque em vermelho). Cenas Radarsat-2
fornecidas atravs do programa Science and Operational
Applications Research (SOAR), coordenado pela
Canadian Space Agency (CSA), projeto nmero
5052/LAN0922. Os dados e produtos Radarsat-2 so
licenciados parauso pela MacDonald, Dettwiler e
Associados, Ltd...................................................................
Distribuio das amostras das classes de vrzea na rea
de estudo (destaque em vermelho). A mscara da regio
de terra firme encontra-se na regio hachurada, em
vermelho. Cenas Radarsat-2 fornecidas atravs do
programa Science and Operational Applications Research
(SOAR),
coordenado
pela
Canadian
Space

XVI

46

47

48

49

50

52

53

Figura 4.8

Figura 4.9

Figura 4.10

Figura 4.11

Figura 4.12

Figura 4.13

Figura 4.14

Figura 4.15

Figura 4.16

Figura 4.17

Agency (CSA), projeto nmero 5052/LAN0922. Os


dados e produtos Radarsat-2 so licenciados para uso
pela MacDonald, Dettwiler e Associados, Ltd.
Retroespalhamento, em dB, das imagens da diagonal da
matriz C (c11 HH, c22 HV e c33 VV) e T (t11 HH +
VV, t22 HH - VV e t33 HV) para todas as classes de
uso e cobertura da vrzea do Lago Grande de Curuai,
PA........................................................................................
ngulos alpha da decomposio de Cloude Pottier
(cp_alpha) e ngulo alpha mdio da decomposio de
Touzi (touzi_alpha_s), para todas as classes de uso e
cobertura da vrzea do Lago Grande de Curuai, PA..........
ngulo alpha mdio da decomposio de Touzi para cada
um dos autovetores da matriz C (touzi_alpha_s, _s1, _s2
e _s3 respectivamente), para todas as classes de uso e
cobertura da vrzea do Lago Grande de Curuai, PA..........
ngulo (phi) mdio da decomposio de Touzi e para
cada um dos autovetores da matriz C (touzi_phi_s, _s1,
_s2 e _s3 respectivamente) para todas as classes de uso
e cobertura da vrzea do Lago Grande de Curuai, PA.......
ngulo (psi) mdio da decomposio de Touzi e para
cada um dos autovetores da matriz C (touzi_psi_s, _s1,
_s2 e _s3 respectivamente) para todas as classes de uso
e cobertura da vrzea do Lago Grande de Curuai, PA.......
ngulo (tau) mdio da decomposio de Touzi e para
cada um dos autovetores da matriz C (touzi_tau_s, _ s1,
_ s2 e _ s3 respectivamente) para todas as classes de
uso e cobertura da vrzea do Lago Grande de Curuai,
PA........................................................................................
Resposta, em dB, da camada de espalhamento double
bounce das decomposies de Freeman Durden
(fd_double), van Zyl (vz_double) e Yamaguchi
(yama_double) para todas as classes de uso e cobertura
da vrzea do Lago Grande de Curuai, PA..........................
Resposta, em dB, da camada de espalhamento
superficial (odd scattering) das decomposies de
Freeman Durden (fd_odd), van Zyl (vz_odd) e
Yamaguchi (yama_odd) para todas as classes de uso e
cobertura da vrzea do Lago Grande de Curuai, PA..........
Resposta, em dB, da camada de espalhamento
volumtrico das decomposies de Freeman Durden
(fd_vol), van Zyl (vz_vol) e Yamaguchi (yama_vol) para
todas as classes de uso e cobertura da vrzea do Lago
Grande de Curuai, PA.........................................................
Variao da exatido global (%) das rvores de deciso
geradas em funo de diferentes valores de Fator de

XVII

54

55

56

57

58

59

60

61

62
63

Figura 4.18

Figura 4.19

Figura 4.20

Figura 4.21

Figura 4.22

Figura 4.23

Confiana, para todos os alvos de uso e cobertura da


terra da vrzea do Lago Grande de Curuai, PA.
Variao da exatido global (%) (A), do erro mdio
absoluto (B) e do nmero de ns (C) das rvores de
deciso geradas em funo de diferentes valores de
nmero mnimo de objetos, para todos os alvos de uso e
cobertura da terra da vrzea do Lago Grande de Curuai,
PA........................................................................................
Valores de retroespalhamento (dB) para as polarizaes
da diagonal principal da matriz C (HH, HV e VV) do
ngulo de incidncia SQ7, das classes de cobertura do
solo propostas para o Lago Grande de Curuai - PA, para
os trs ngulos de incidncia. As classes so: A gua,
AB Arbustos, TF Floresta de Terra Firme, FI
Floresta Inundvel, ME Macrfitas Emersas, MF
Macrfitas Flutuantes, SE Solo Exposto..........................
Valores de retroespalhamento (dB) para as polarizaes
da diagonal principal da matriz C (HH, HV e VV) do
ngulo de incidncia SQ14, das classes de cobertura do
solo propostas para o Lago Grande de Curuai - PA, para
os trs ngulos de incidncia. As classes so: A gua,
AB Arbustos, TF Floresta de Terra Firme, FI
Floresta Inundvel, ME Macrfitas Emersas, MF
Macrfitas Flutuantes, SE Solo Exposto..........................
Valores de retroespalhamento (dB) para as polarizaes
da diagonal principal da matriz C (HH, HV e VV) do
ngulo de incidncia SQ27, das classes de cobertura do
solo propostas para o Lago Grande de Curuai - PA, para
os trs ngulos de incidncia. As classes so: A gua,
AB Arbustos, TF Floresta de Terra Firme, FI
Floresta Inundvel, ME Macrfitas Emersas, MF
Macrfitas Flutuantes, SE Solo Exposto..........................
Valores do atributo de textura Dissimilaridade (GLCM
Dissimilarity), para as classes de cobertura do solo
propostas para o Lago Grande de Curuai - PA. As classes
so: A gua, AB Arbustos, TF Floresta de Terra
Firme, FI Floresta Inundvel, ME Macrfitas Emersas,
MF Macrfitas Flutuantes, SE Solo Exposto.................
Valores do atributo de textura Entropia (GLCM Entropy),
para as classes de cobertura do solo propostas para o
Lago Grande de Curuai - PA. As classes so: A gua
Permanente, AB Arbustos, TF Floresta de Terra
Firme, FI Floresta Inundvel, ME Macrfitas Emersas,
MF Macrfitas Flutuantes, SE Solo Exposto
Permanente.........................................................................

XVIII

64

66

67

68

69

70

Figura 4.24

Figura 4.25

Figura 4.26

Figura 4.27

Figura 4.28

Figura 4.29

Valores do atributo de textura Homogeneidade (GLCM


Homogeneity), para as classes de cobertura do solo
propostas para o Lago Grande de Curuai - PA. As classes
so: AP gua Permanente, AB Arbustos, TF
Floresta de Terra Firme, FI Floresta Inundvel, ME
Macrfitas Emersas, MF Macrfitas Flutuantes, SE
Solo Exposto Permanente...................................................
Valores do atributo de textura Correlao (GLCM
Correlation), para as classes de cobertura do solo
propostas para o Lago Grande de Curuai - PA. As classes
so: AP gua Permanente, AB Arbustos, TF
Floresta de Terra Firme, FI Floresta Inundvel, ME
Macrfitas Emersas, MF Macrfitas Flutuantes, SE
Solo Exposto Permanente...................................................
Valores de retroespalhamento (dB) para os arranjos de
polarizaes das diagonais principais da matriz C e T do
ngulo de incidncia SQ7, das classes de cobertura do
solo propostas para o Lago Grande de Curuai - PA, para
os trs ngulos de incidncia. As classes so: A gua,
AB Arbustos, TF Floresta de Terra Firme, FI
Floresta Inundvel, ME Macrfitas Emersas, MF
Macrfitas Flutuantes, SE Solo Exposto..........................
Resposta para as classes de cobertura do solo do Lago
Grande de Curuai - PA para as imagens da
decomposio de Cloude Pottier: (a) ngulo alpha
(alpha - graus), (b) anisotropia (anisotropy - adimensional)
e (c) entropia (entropy - adimensional). As classes so: A
gua Permanente, AB Arbustos, TF Floresta de
Terra Firme, FI Floresta Inundvel, ME Macrfitas
Emersas, MF Macrfitas Flutuantes, SE Solo Exposto
Permanente.........................................................................
Resposta para as classes de cobertura do solo do Lago
Grande de Curuai - PA para as imagens da
decomposio de Cloude Pottier: (a) ngulo alpha
(alpha - graus), (b) anisotropia (anisotropy - adimensional)
e (c) entropia (entropy - adimensional). As classes so: A
gua Permanente, AB Arbustos, TF Floresta de
Terra Firme, FI Floresta Inundvel, ME Macrfitas
Emersas, MF Macrfitas Flutuantes, SE Solo Exposto
Permanente.........................................................................
Resposta para as classes de cobertura do solo do Lago
Grande de Curuai - PA para as polarizaes da diagonal
da matriz C para os pulsos da cheia e da seca. As
classes so: A gua Permanente, AB Arbustos, CV

XIX

71

72

75

77

78

81

Figura 4.30
Figura 4.31
Figura 4.32
Figura 4.33
Figura 4.34
Figura 4.35
Figura 4.36
Figura 4.37
Figura 4.38
Figura 4.39
Figura 4.40
Figura 4.41
Figura 4.42
Figura 4.43
Figura 4.44

Figura 4.45

Figura 4.46

Figura 4.47

Campos de Vrzea, TF Floresta de Terra Firme, FI


Floresta Inundvel, ME Macrfitas Emersas, MF
Macrfitas Flutuantes, SE Solo Exposto Permanente.
Allocation disagreement, de todas as classificaes, da
classe Arbustos...................................................................
Allocation disagreement, de todas as classificaes, da
classe Floresta Inundvel....................................................
Allocation disagreement, de todas as classificaes, da
classe Macrfitas Emersas..................................................
Allocation disagreement, de todas as classificaes, da
classe gua.........................................................................
Allocation disagreement, de todas as classificaes, da
classe Macrfitas Flutuantes...............................................
Allocation disagreement, de todas as classificaes, da
classe Floresta de Terra Firme............................................
Allocation disagreement, de todas as classificaes, da
classe Solo Exposto............................................................
Quantity disagreement, de todas as classificaes, da
classe Arbustos...................................................................
Quantity Disagreement, de todas as classificaes, da
classe Floresta Inundvel....................................................
Quantity Disagreement, de todas as classificaes, da
classe Macrfitas Emersas..................................................
Quantity Disagreement, de todas as classificaes, da
classe gua.........................................................................
Quantity Disagreement, de todas as classificaes, da
classe Macrfitas Flutuantes...............................................
Quantity Disagreement, de todas as classificaes, da
classe Floresta de Terra Firme............................................
Quantity Disagreement, de todas as classificaes, da
classe Solo Exposto............................................................
Disperso dos pontos, histograma dos erros, anlise dos
resduos e teste de normalidade dos resduos do modelo
da imagem SQ7_C_33, em dB, para a varivel
dependente DAP.................................................................
Disperso dos pontos, histograma dos erros, anlise dos
resduos e teste de normalidade dos resduos do modelo
da imagem SQ14_T_22, em amplitude linear, para a
varivel dependente Log10 (DAP)......................................
Disperso dos pontos, histograma dos erros, anlise dos
resduos e teste de normalidade dos resduos do modelo
da imagem SQ14_VZ_double, em amplitude linear, para a
varivel dependente DAP....................................................
Disperso dos pontos, histograma dos erros, anlise dos
resduos e teste de normalidade dos resduos do modelo
da imagem SQ27_C_33, em dB, para a varivel

XX

84
84
85
85
86
86
87
88
89
89
90
90
91
91

97

98

99

100

dependente DAP.................................................................
Figura 4.48

Figura 4.49

Figura 4.50

Figura 4.51

Figura 4.52

Figura 4.53

Figura 4.54

Figura 4.55

Figura 4.56

Figura 4.57

Figura 4.58

Disperso dos pontos, histograma dos erros, anlise dos


resduos e teste de normalidade dos resduos do modelo
da imagem SQ7_CP_ani, para a varivel dependente
Altura de Inundao............................................................
Disperso dos pontos, histograma dos erros, anlise dos
resduos e teste de normalidade dos resduos do modelo
da imagem SQ27_CP_ani, transformada por Log10, para
a varivel dependente Altura de Inundao........................
Disperso dos pontos, histograma dos erros, anlise dos
resduos e teste de normalidade dos resduos do modelo
da imagem SQ14_C_33, em amplitude linear, para a
varivel dependente Log10 (Densidade de Indivduos)......
Disperso dos pontos, histograma dos erros, anlise dos
resduos e teste de normalidade dos resduos do modelo
da imagem SQ27_VZ_vol, em dB, para a varivel
dependente Log10 (Densidade de Indivduos)...................
Disperso dos pontos, histograma dos erros, anlise dos
resduos e teste de normalidade dos resduos do modelo
da imagem SQ7_VZ_vol, em dB, para a varivel
dependente Log10 (IAF)......................................................
Disperso dos pontos, histograma dos erros, anlise dos
resduos e teste de normalidade dos resduos do modelo
da imagem SQ14_VZ_vol, em dB, para a varivel
dependente IAF...................................................................
Disperso dos pontos, histograma dos erros, anlise dos
resduos e teste de normalidade dos resduos do modelo
da imagem SQ27_VZ_odd, em dB, para a varivel
dependente Log10 (IAF)......................................................
Modelos para estimativa do DAP (cm). Em (a), modelo
SQ7 VV x DAP (dB x linear); em (b), modelo SQ14 T22 x
DAP (Linear x log10); em (c), modelo SQ14 van Zyl
double-bounce X DAP (linear x linear) e em (d) modelo
SQ27 VV x DAP (dB x linear)..............................................
Modelos para estimativa da Densidade de Indivduos
(indivduos / ha). Em (a), modelo SQ14 VV x Densidade
de Indivduos (linear x log10) e em (b), modelo SQ27 van
Zyl volumtrico x Densidade de Indivduos (dB x log10).....
Modelos para estimativa do IAF. Em (a), modelo SQ7 van
Zyl volumtrico x IAF (dB x log10); em (b), modelo SQ14
van Zyl volumtrico x IAF (dB x linear) e em (c), modelo
SQ27 van Zyl superficial x IAF (dB x log10)........................
Modelos para estimativa da Altura de Inundao (metros).
Em (a), modelo SQ7 VV x DAP (dB x linear); em (b),
modelo SQ14 T22 x DAP (Linear x log10); em (c), modelo

XXI

101

102

103

104

105

106

107

108

109

110

111

Figura 4.59

SQ14 van Zyl double-bounce X DAP (linear x linear) e em


(d) modelo SQ27 VV x DAP (dB x linear)............................
Tendncia crescente para os valores de anisotropia do
ngulo de incidncia SQ7 e decrescentes para o ngulo
SQ27 em funo do aumento da altura de inundao
(barras cinzas)..................................................................... 113

XXII

LISTA DE TABELAS
Pg.
Tabela 3.1
Tabela 3.2

Tabela 3.3

Tabela 3.4
Tabela 4.1

Tabela 4.2

Tabela 4.3

Tabela 4.4

Tabela 4.5

Tabela 4.6

Tabela 4.7

Parmetros das cenas PolSAR Radarsat 2 utilizadas...


Atributos polarimtricos derivados do retroespalhamento
e de decomposio de alvos (Adaptado de Sartori et al.,
2011).................................................................................
Classes de cobertura e de vegetao da vrzea do
Lago Grande de Curuai PA. Em fotointerpretao,
polarizao HH do ngulo de incidncia SQ7 -
MacDonald, Dettwiler e Associados, Ltd..........................
Limitares para a converso da radiometria das cenas
SAR de 16 para 8 bits.......................................................
Nmero de amostras por classe de uso e cobertura do
solo. A coluna Vrzea / Terra Firme mostra as classes
que so utilizadas apenas nas classificaes de vrzea,
de terra firme e em ambas................................................
Valores de exatido global (%), erro mdio absoluto e
nmero de ns em funo da variao do fator de
confiana, para todos os alvos de uso e cobertura da
terra da vrzea do Lago Grande de Curuai, PA...............
Valores de exatido global (%), erro mdio absoluto e
nmero de ns em funo da variao do fator de
confiana, para todos os alvos de uso e cobertura da
terra da vrzea do Lago Grande de Curuai, PA...............
ndices de validao da classificao para todas as
classes de cobertura da classificao relativa aos
ngulos de incidncia SQ7, SQ14 e SQ27 e atributos de
amplitude e textura. A coluna Escala referente ao
parmetro utilizado na segmentao das imagens..........
ndices de validao da classificao das imagens das
diagonais principais das matrizes C e T. A coluna
Escala referente ao parmetro utilizado na
segmentao das imagens...............................................
ndices de validao da classificao das imagens das
decomposies polarimtricas de van Zyl (VZ), Cloude
Pottier (CP) e suas combinaes entre si e da
diagonal da matriz C. A coluna Escala referente ao
parmetro utilizado na segmentao das imagens. As
imagens CP, quando combinadas com outras imagens
no foram consideradas como planos de informao
para a segmentao.........................................................
ndices de validao da classificao das imagens
multitemporais, com ou sem razes multitemporais. A
coluna Escala referente ao parmetro utilizado na
segmentao das imagens.

XXIII

25

32

38
41

51

63

65

73

76

79

82

Tabela 4.8
Tabela 4.9
Tabela 4.10
Tabela 4.11
Tabela 4.12

Tabela 4.13

Tabela 4.14
Tabela 4.15

ENL para amostra de gua das imagens do ngulo


SQ7...................................................................................
ENL para amostra de gua das imagens do ngulo
SQ14.................................................................................
ENL para amostra de gua das imagens do ngulo
SQ27.................................................................................
Variveis independentes que apresentaram correlao
maior que 0,5 com os atributos de campo........................
Variveis
independentes
descorrelacionadas
(correlaes, entre si, menores que 0,3) apresentaram
as maiores correlaes com os atributos de campo........
Coeficiente de determinao R, RMSE e coeficientes a
e b da reta de regresso para cada modelo linear
ajustado............................................................................
Comparao entre os valores de entropia e anisotropia
para os ngulos de incidncia SQ7 e SQ27.....................
Matriz de correlao de Pearson entre as anisotropias
dos ngulos de incidncia SQ7 e SQ27...........................

XXIV

92
93
93
94

95

96
112
113

LISTA DE SIGLAS E ABREVIATURAS

AD

Erro de alocao/Alocation Disagreement

alpha

Componente ngulo da decomposio de Cloude-Pottier

Anisotropy

Componente Anisotropia, da decomposio de Cloude Pottier

Matriz de Covarincia

CP

Decomposio de Cloude-Pottier

cp_alpha

Componente ngulo da decomposio de Cloude Pottier

CSV

Valores separados por vrgulas/Comma separated values

CV

Coeficiente de variao

DAP

Dimetro na altura do peito

DEM

Modelo digital de elevao/Digital elevation model

double

Componente de espalhamento double-bounce

ENL

Nmero estimado de looks/Estimated number of looks

entropy

Componente Entropia da decomposio de Cloude Pottier

ETM+

Enhanced Thematic Mapper Plus

FD

Decomposio de Freeman Durden

GLCM

Matriz de coocorrncia de nveis de cinza/Gray Level


Coocurrence Matrix

IAF

ndice de rea foliar

OBIA

Anlise de Imagem Baseada em Objetos/Object Based Image


Analysis

odd

Componente de espalhamento superficial

PolSAR

SAR polarimtrico

QD

Erro de quantidade/Quantity Disagreement

REM

Radiao eletromagntica

RMSE

Erro mdio quadrtico/Root mean squared error

Matriz de Sinclar

SAR

Radar de abertura sinttica/Synthetic Aperture Radar

SRTM

Shuttle Radar Topographic Mission

Matriz de Coerncia

TM

Thematic Mapper

XXV

touzi_alpha_s

Componente ngulo mdio da decomposio de Touzi

touzi_alpha_s1 Componente ngulo do primeiro autovetor da matriz C, da


decomposio de Touzi
touzi_alpha_s2 Componente ngulo do segundo autovetor da matriz C, da
decomposio de Touzi
touzi_alpha_s3 Componente ngulo do terceiro autovetor da matriz C, da
decomposio de Touzi
touzi_phi_s

Componente ngulo mdio da decomposio de Touzi

touzi_phi_s1

Componente ngulo do primeiro autovetor da matriz C, da


decomposio de Touzi

touzi_phi_s2

Componente ngulo do segundo autovetor da matriz C, da


decomposio de Touzi

touzi_phi_s3

Componente ngulo do terceiro autovetor da matriz C, da


decomposio de Touzi

touzi_psi_s

Componente ngulo mdio da decomposio de Touzi

touzi_psi_s1

Componente ngulo do primeiro autovetor da matriz C, da


decomposio de Touzi

touzi_psi_s2

Componente ngulo do segundo autovetor da matriz C, da


decomposio de Touzi

touzi_psi_s3

Componente ngulo do terceiro autovetor da matriz C, da


decomposio de Touzi

touzi_tau_m

Componente ngulo mdio da decomposio de Touzi

touzi_tau_m1

Componente ngulo do primeiro autovetor da matriz C, da


decomposio de Touzi

touzi_tau_m2

Componente ngulo do segundo autovetor da matriz C, da


decomposio de Touzi

touzi_tau_m3

Componente ngulo do terceiro autovetor da matriz C, da


decomposio de Touzi

vol

Componente de espalhamento volumtrico

VZ

Decomposio de van Zyl

yama

Decomposio de Yamaguchi

ndice Kappa

XXVI

SUMRIO
1
1.1
2
2.1
2.2
2.3
2.3.1
2.4
2.4.1
2.5
2.6
2.7
3
3.1
3.2
3.3
3.4
3.5
3.5.1
3.5.2
3.5.3
3.5.4
4
4.1
4.2
4.3
4.4
4.5
4.6
4.6.1
4.6.2
4.6.3
4.6.4

INTRODUO..............................................................................
Hiptese e objetivos.....................................................................
FUNDAMENTAO TERICA...................................................
Ecossistemas da vrzea amaznica............................................
A vegetao da vrzea amaznica...............................................
Sensoriamento Remoto por Radar...............................................
Tipos de interao com alvos de vrzea......................................
Radares Polarimtricos................................................................
Decomposio de alvos................................................................
SAR e reas midas.....................................................................
Anlise de imagem baseada em objetos......................................
Minerao de dados e rvores de deciso...................................
MATERIAIS E MTODOS............................................................
rea de estudo.............................................................................
Dados de sensoriamento remoto..................................................
Metodologia de campo.................................................................
Processamento dos dados...........................................................
Anlise dos dados e classificao................................................
Seleo das amostras de treinamento e gerao dos grficos
boxplot..........................................................................................
Teste dos parmetros do minerador de dados.............................
Classificao e validao.............................................................
Modelagem dos atributos biofsicos da vegetao de vrzea......
RESULTADOS E DISCUSSES.................................................
Teste do tamanho da janela do filtro speckle...............................
Teste do tamanho da janela de mdia espacial das
decomposies polarimtricas.....................................................
Seleo das amostras de treinamento e gerao de grficos
boxplot..........................................................................................
Pr-selees dos dados polarimtricos........................................
Parametrizao do minerador de dados.......................................
Classificao dos dados...............................................................
Classificao dos ngulos de incidncia......................................
Classificao das diagonais da matriz C e T................................
Classificao das decomposies polarimtricas........................
Classificao da diagonal da matriz C multitemporal...................

XXVII

Pg.
1
3
3
3
5
7
8
9
11
18
21
21
23
23
24
25
29
33
35
36
43
45
45
45
48
50
53
62
65
65
74
76
80

4.6.5
4.6.5.1
4.6.5.2
4.7
5.
5.1
5.1.1
5.1.2
5.1.3
5.1.4
5.2
6

Anlise dos resultados das classificaes por classe individual


Allocation Disagreement...............................................................
Quantity Disagreement.................................................................
Modelagem e estimativa dos parmetros biofsicos da Floresta
Inundvel da vrzea do Lago Grande de Curuai..........................
CONCLUSES.............................................................................
Classificaes...............................................................................
ngulos de Incidncia...................................................................
Matriz C x Matriz T........................................................................
Decomposies polarimtricas.....................................................
Cenas multitemporais...................................................................
Modelagem...................................................................................
CONCLUSES GERAIS..............................................................
REFERNCIAS BIBLIOGRFICAS............................................

XXVIII

82
82
87
92
115
115
115
116
116
117
118
120
122

1. INTRODUO
Wetlands ou reas midas 1 so ecossistemas na interface entre ambientes
terrestres e aquticos, continentais ou costeiros, naturais ou artificiais,
permanentemente ou periodicamente inundados por guas rasas ou com solos
encharcados, doces, salobras ou salgadas, com comunidades de plantas e
animais adaptadas sua dinmica hdrica (JUNK et al., 2014)As reas midas
so ecossistemas ricos em biodiversidade, e possuem importante papel nos
ciclos

biogeoqumicos

do

planeta

atuando

como

armazenadores,

transformadores e emissores de gases estufa, podendo emitir anualmente de


115 a 227 Tg-CH4 (MITSCH et al., 2012). Elas so importantes para a
manuteno da qualidade da gua (HENDERSON; LEWIS, 2008) e para os
ciclos hidrolgicos, regularizando naturalmente a vazo dos rios com os quais
se conectam (MITSCH; GOSSELINK, 2007; HENDERSON; LEWIS, 2008;
CASTELLO et al., 2012).
Cerca de 5% a 8% da superfcie do planeta coberta por reas midas
(MITSCH; GOSSELINK, 2007), mas estima-se que cerca de 50% dessa
cobertura tenha sido destruda por atividades de agricultura, desmatamento e
colonizao humana (MITSCH; GOSSELINK, 2007; HENDERSON; LEWIS,
2008). Na bacia Amaznica, a plancie de inundao do rio Amazonas, tambm
chamada de vrzea, uma das maiores reas midas do planeta. Dos 12% a
29% da rea da bacia Amaznica que so constitudas por reas midas, cerca
de 300 mil km so estimados como regies de plancies de inundao
(MITSCH; GOSSELINK, 2007; MELACK; HESS, 2010; CASTELLO et al.,
2012).
O rio Amazonas um rio de gua branca, e apresenta grandes concentraes
de sedimento em suspenso, que sustentam grande biodiversidade vegetal,
incluindo muitas espcies endmicas (JUNK, 1997). Essa riqueza torna as
vrzeas atraentes ocupao humana, servindo como fonte de alimento, gua
e meio de transporte, durante a cheia, para a populao ribeirinha, que

Tambm conhecidas por reas inundveis ou reas alagveis.

sobrevive da pesca, extrao de madeira e fibras, agricultura e pecuria


(JUNK, 1997; WITTMAN et al., 2004). Essas caractersticas explicam a tanto a
histrica ocupao humana ao longo das margens do rio Amazonas e
Solimes, como tambm sua elevada densidade populacional, de cerca de 18
milhes de pessoas ou 75% da populao da Amaznia (JUNK, 1997).
Devido ao aspecto dinmico de seus processos ecolgicos, estudos que
envolvem vrzeas necessitam de observaes espao temporais sistemticas
(ARNESEN, 2013). Trabalhos de campo so onerosos e de logstica complexa,
sendo um mtodo oneroso para o estudo sistemtico da vrzea. Neste
contexto, o uso de dados de sensoriamento remoto permite a observao
sistemtica de grandes extenses e tambm de diferentes pocas do ano
(HESS et al., 1995) aumentando a quantidade de informao sobre a cobertura
de vegetao de sua rea de estudo.
O uso de dados de sensoriamento remoto ptico em regies tropicais midas
pode ser prejudicado pela sua intensa cobertura de nuvens. Alm disso,
dossis de comunidades de plantas suficientemente fechados

podem

prejudicar a aquisio de informao sobre a estrutura da vegetao e sobre os


alvos que ocupam seu substrato, seja o sub-bosque ou a extenso da
inundao da vrzea (HENDERSON; LEWIS, 2008).
Os dados de radares de abertura sinttica (Synthetic Aperture Radar SAR)
oferecem uma alternativa aos dados de sensores pticos, pois podem penetrar
a cobertura de nuvens, e so mais sensveis estrutura da vegetao
(HENDERSON; LEWIS, 1998; HENDERSON; LEWIS, 2008, KLEMAS, 2013).
Para manter uma boa relao sinal/rudo e imagear grandes extenses da
superfcie da terra, sensores SAR convencionais possuem, em geral, uma ou
duas polarizaes e um comprimento de onda, possuindo capacidade limitada
para diferenciar tipos de vegetao (HESS et al., 1995; SILVA et al., 2010).
A nova gerao de radares polarimtricos orbitais (PolSAR) permite o registro
da amplitude e a fase da onda retroespalhada, em todas as combinaes de
polarizaes, aumentando a quantidade de informao registrada sobre a
vegetao. (VAN DER SANDEN, 1997; BRISCO et al., 2013). Por conta disso,
2

acredita-se que essas imagens podem gerar maior quantidade de dados sobre
a estrutura dos alvos de vegetao e mape-los com maior preciso utilizando
menor nmero de cenas, quando comparado com as imagens dos SAR
convencionais e com estudos multitemporais.
1.1.

Hiptese e objetivos

Assim, a hiptese deste trabalho de que o uso das decomposies


polarimtricas derivadas de dados PolSAR de banda C podem melhorar o
desempenho de algoritmos de classificao para o mapeamento dacobertura
vegetal em ambientes de vrzea amaznicos, assim como na estimativa de
seus atributos estruturais, quando comparados com imagens multipolarizadas
(HH, HV e VV) e com imagens multitemporais.
Para testar tal hiptese, o presente trabalho possuiu os seguintes objetivos
especficos:
Avaliar a influncia de diferentes (a) ngulos de incidncia, (b)
representaes do retroespalhamento dos alvos (matriz C e T), (c)
decomposies polarimtricas e (d) pocas do ano, a partir de uma srie
de imagens polarimtricas Radarsat-2, na acurcia da classificao da
vegetao de vrzea do Lago Grande de Curuai, PA.
Avaliar a correlao entre as respostas das imagens multipolarizadas,
decomposies polarimtricas e atributos estruturais da vegetao
obtidos em campo buscando oestabelecimentode modelos preditivos
empricos para os atributos estruturais da vegetao.
2. FUNDAMENTAO TERICA
2.1.

Ecossistemas da vrzea amaznica

O rio Amazonas um rio de guas brancas, caracterizado pela alta


concentrao de sedimentos em suspenso (variando em torno de 31 a 247
mgL-1 em profundidades entre 0 1 metros), mdia riqueza em minerais
dissolvidos na gua (como clcio e outros minerais que so recursos nutritivos
para a vegetao) e pH prximo ao neutro (JUNK, 1997). Estas caractersticas
3

fsico-qumicas afetam de maneira positiva a biodiversidade da vegetao das


plancies de inundao banhadas por guas brancas, conhecidas como
vrzeas.
O ecossistema de vrzea amaznico caracteriza-se principalmente pelo
chamado pulso de inundao (JUNK et al., 1989), onde a precipitao
sazonal nas cabeceiras dos principais rios da bacia amaznica converge para
criar um pulso anual de influxo de gua que percorre toda a extenso do Rio
Amazonas (Figura 2.1). O pulso de inundao modula tambm a zonao e o
ciclo de vida das comunidades vegetais na plancie de inundao.

Figura 2.1 - Variao anual do nvel da gua, em centmetros, para a estao


fluviomtrica de bidos, na regio do baixo Amazonas. A linha azul
indica a mdia diria para o perodo de 1970 a 2011, e a rea
sombreada em azul indica o intervalo de confiana de 95% para a
mdia. Em destaque, os anos de 2007 (hidrologia regular), 2005
(seca extrema) e 2009 (cheia extrema).
Fonte: (ANA, 2012). Figura adaptada de SILVA et al. 2013.

Os processos de sucesso autognica e alognica da vrzea amaznica so


ligados diretamente ao zoneamento dos tipos de vegetao. Quando h
deposio de sedimentos, aumenta-se o nvel de base local, diminuindo a
durao do perodo de inundao, e permitindo assim o estabelecimento de
espcies menos tolerantes inundao e a ocorrncia de sucesso ecolgica
4

secundria ou clmax. Quando h remoo do substrato, h reduo do nvel


de base local e aumento do perodo de inundao, causando estresse e
mortandade na vegetao menos tolerante, forando o retorno aos estgios
sucessionais anteriores (JUNK; PIEDADE, 1997; WORBES, 1997).
Regies com menor elevao possuem cerca de 300 dias de inundao anuais
e so marcadas pela presena de plantas herbceas anuais. Regies com
cerca de 270 dias de alagamento anuais possuem elevaes mdias e so
marcadas por plantas arbustivas tolerantes a inundao. As regies mais altas
possuem menos de 230 dias de inundao anuais e so ocupadas por florestas
inundveis bem desenvolvidas. Este zoneamento diretamente ligado ao grau
de adaptao inundao exibido por diferentes espcies (JUNK; PIEDADE,
1997; WORBES, 1997).
2.2.

A vegetao da vrzea amaznica

Em geral, podem-se distinguir cinco principais formaes vegetais nas regies


de vrzea(WITTMANN et al., 2004; WITTMANN et al., 2010): (1) plantas
herbceas flutuantes livres; (2) herbceas enraizadas ou desprendidas do
fundo;(3) ervas sublenhosas tolerantes inundao, em pausa metablica; (4)
plantas lenhosas arbustivas perenes e tolerantes inundao, em fase de
pausa metablica durante a inundao e (5) plantas lenhosas arbreoarbustivas perenes adaptadas inundao, em fase produtiva na cheia.
Junk et al (2012) classifica a vegetao da vrzea amaznica em dois grupos
principais: (6) regies dominadas por plantas herbceas e (7) regies
dominadas por florestas e arbustos. Em (6), podem ser discriminados trs
subgrupos de plantas herbceas, subdivididos em funo de sua fenologia,
composio especfica e elevao (a) gramneas anuais em terrenos baixos,
(b) gramneas perenes em terrenos baixos (Paspalum fasciculatum, P. repens,
Echinochloa polystachya) e (c) reas elevadas perturbadas antrpicamente,
com a presena de gramneas anuais. Com relao a (7), existe trs grupos
principais, divididos em funo da durao do perodo de inundao: (a)
florestas de vrzea baixa (> trs meses de inundao anuais); (b) florestas de
vrzea alta (<trs meses de inundao anuais) e (c) florestas pantanosas, que
5

apresenta perodos de inundao anuais maiores que os outros dois grupos .


Cada um desses grupos dividido em alguns outros, com relao a sua
composio especfica e estgios sucessionais.
Em mapeamentos prvios utilizando dados de sensoriamento remoto, (1), (2),
(3), (6a), (6b) e (6c) so comumente agregados sob a classe macrfitas
(macrophytes), (4) e (7c) sob vegetao arbustiva (shrubs), e (5) e (7a) e (7b)
sob vegetao arbustivo-arbrea (woodland) ou arbrea (forest), de acordo
com a composio especfica e densidade/biomassa de indivduos (HESS et
al., 2003, SILVA et al., 2010, ARNESEN et al., 2013;; REN et al., 2011;).
A diversidade das florestas de vrzea da plancie de inundao amaznica
limitada pela adaptao inundao peridica(PAROLIN et al., 2010). As
florestas de vrzea so menos diversas do que as florestas de terra firme
amaznicas, porm estudos indicam que a diversidade de espcies florestais
na vrzea Amaznica est entre as maiores do mundo, considerando-se
somente as florestas de reas midas (MITSCH; GOSSELINK, 2007;
WITTMANN et al., 2010). A fenologia florestal tambm diretamente
controlada pelo pulso de inundao, resultando em elevada caducifolia durante
o incio da inundao (WORBES, 1997; SCHNGART et al., 2002). Muitas
dessas espcies possuem frutos resistentes inundao, boiando sobre a
lmina dgua, sendo dispersados por espcies de peixes ou sobrevivendo por
longos perodos no fundo dos lagos, onde germinam na poca seca. (JUNK;
PIEDADE, 1997; WORBES, 1997).
A vegetao herbcea tambm possui papel importante na vrzea amaznica,
ocupando vastas reas e realizando funes chave em vrios processos
ecolgicos(SILVA et al., 2009; PIEDADE et al., 2010). Alm da sedimentao e
consolidao do substrato, as macrfitas so importantes na manuteno da
diversidade animal, servindo como habitat para uma grande variedade de
invertebrados, peixes e rpteis (JUNK; PIEDADE, 1997). Diversas formas de
vida e modos de crescimento podem ser observados para uma mesma espcie
de macrfita, de acordo com os diferentes perodos do ciclo hidrolgico. Muitas
destas plantas exibem um ciclo de crescimento anual, com mortalidade ao final
do ciclo e rpidas taxas de decomposio, implicando em um pulso de
6

liberao de nutrientes. Este pulso pode ser fator determinante na sucesso de


espcies vegetais durante a fase de seca. Considerando-se que as reas
habitadas por macrfitas podem se estender por vrios quilmetros, torna-se
claro que o efeito destas plantas sobre a disponibilidade de nutrientes minerais
no ambiente aqutico de considervel magnitude(JUNK; PIEDADE, 1997).
2.3.

Sensoriamento Remoto por Radar

Radares de abertura sinttica (SAR) so sistemas de SR ativos que operam na


regio espectral das microondas, coerentes e de geometria de imageamento
de visada lateral. Devido ao tamanho e a natureza de suas ondas, sensores
SAR so pouco perturbados por fenmenos atmosfricos como nuvens e
aerossis, e so sensveis constante dieltrica (relacionada principalmente
com a composio qumica e a quantidade de umidade dos materiais),
geometria e estrutura dos alvos. As bandas espectrais mais utilizadas em SAR
so X (~3 cm), C (~5.6 cm), L (~23 cm) e P (~72 cm) (HENDERSON; LEW IS,
1998).
Sistemas radares operam atravs do registro do retroespalhamento da onda
emitida. As ondas de um SAR so sempre emitidas em polarizaes lineares,
horizontal (H) ou vertical (V), e tambm so registradas da mesma maneira.
Assim, radares possuem at quatro combinaes de polarizaes: as paralelas
(H emitido e H recebido - HH; V emitido e V recebido - VV) ou cruzadas (H
emitido e V recebido - HV; V emitido e H recebido - VH). As polarizaes tm
efeito significativo sobre a interao entre a REM e os alvos (HENDERSON;
LEWIS, 1998; LEE; POTTIER, 2009).
Quando a onda do radar atinge a superfcie da Terra, ela interage com
inmeros refletores da superfcie. A soma coerente da intensidade e fase de
cada uma desses retroespalhamentos causa oscilao no sinal de retorno
daquele elemento de resoluo (Figura 2.2), manifestando-se como um efeito
de granulao ou flutuao dos nveis de cinza dos pixels da cena (JENSEN,
2007). A esse efeito d-se o nome de speckle.

Figura 2.2 Em (a), soma coerente dos vetores das respostas dos inmeros
espalhadores da superfcie, resultando na flutuao radiomtrica do
sinal de retorno; em (b) exemplo de imagem com rudo speckle.
Fonte: http:/earth.esa.int, acessado em 21/02/2013.

A interpretao visual e o processo de classificao digital de cenas SAR so


prejudicados pelo speckle, e a aplicao de filtros adaptativos para a
atenuao desse efeito comum em metodologias envolvendo este tipo de
dado. Porm, tal filtragem deve ser realizada com parcimnia, uma vez que
este processamento pode causar perda de resoluo espacial e informaes
texturais (SANTANNA; MASCARENHAS, 1996; HENDERSON; LEWIS, 1998).
O SAR disposto em uma plataforma mvel e a direo em que a nave se
desloca chamada de azimute. A direo de range a direo perpendicular
ao azimute. A direo de range dividida em (a) near range e (b) far range,
sendo respectivamente a distncia entre a antena e o primeiro ou ltimo pulso
de REM emitido e registrado pelo sensor. Outro parmetro importante na
geometria de aquisio das imagens SAR o ngulo de incidncia, que afeta o
retroespalhamento dos alvos, o grau de penetrao da onda em seu meio e a
ocorrncia de distores de terreno, como layovers, foreshortenings e sombras.
(OLIVER; QUEGAN; 2004; LEE; POTTIER, 2009).
2.3.1. Tipos de interao com alvos de vrzea
Para alvos presentes na vrzea, a banda C apresenta espalhamento superficial
para solos midos e cobertura de gua. Neste caso, a intensidade do sinal
retroespalhado diretamente proporcional rugosidade da superfcie, sendo
8

em geral mais baixo do que o de alvos como a vegetao (HENDERSON;


LEWIS, 1998).
O espalhamento volumtrico ocorre principalmente nos dossis de alvos de
vegetao no caso da vrzea, arbustos, plantas herbceas, formaes
arbustivas e florestas. O sinal emitido em banda C consegue penetrar mais
profundamente os dossis de alvos com menor biomassa, mas fica restrito s
camadas superiores das florestas mais densas, sendo assim menos sensvel
s suas propriedades estruturais (HENDERSON; LEWIS, 1998).
O espalhamento do tipo double bounce ocorre principalmente em alvos de
vegetao herbcea, arbustiva, ou florestas menos densas, que apresentam
gua ou algumas vezes solo exposto liso em seu substrato (HESS et al., 1990;
HENDERSON; LEWIS, 1998). So caracterizados por um forte sinal de retorno,
sendo registrados nas imagens como pixels bastante claros.
2.4.

Radares Polarimtricos

Radares polarimtricos so aqueles que possuem a capacidade de sintetizar a


intensidade da REM retroespalhada e sua fase, para todas as combinaes de
polarizaes lineares (figura 2.3). Dessa maneira, pode-se obter a matriz de
espalhamento S, chamada de matriz de Sinclair, que contm as informaes
completas sobre o retroespalhamento dos alvos imageados (VAN DER
SANDEN, 1997; LEE; POTTIER, 2009; CLOUDE, 2009).
A representao dos dados PolSAR se d na forma de vetor ou de matriz. A
forma vetorial mais utilizada para dados polarimtricos a representao
vetorial de Jones, que tem como objetivo descrever a polarizao de uma onda
eletromagntica utilizando-se do mnimo de parmetros necessrios (LEE;
POTTIER, 2009). possvel utilizar-se de outras representaes vetoriais,
como o vetor de Stokes, mas pelo maior nmero de parmetros associadas a
ele, sua complexidade maior e o vetor de Jones preferido.

Figura 2.3 Esquema grfico com as diferenas entre radares convencionais e


polarimtricos.
Fonte: adaptado de van der Sanden (1997).

As matrizes T (coerncia) e C (covarincia) so utilizadas para descrever o


retroespalhamento de alvos aleatrios ou no determinsticos e so obtidas a
partir de mdias espaciais da matriz de espalhamento S (CLOUDE, 2009; LEE;
POTTIER, 2009). A matriz T origina-se pelo produto vetorial da matriz S na
forma de vetor na base de Pauli pelo seu complexo transposto conjugado
(equaes 2.1, 2.2 e 2.3 supondo que SHV = SVH):
(2.1)

(2.2)

(2.3)
Sendo S = Matriz S ou de Sinclair; K P = Matriz S na base vetorial de Pauli; K P*T
= vetor de Pauli conjugado transposto.

10

Da mesma forma, a matriz C obtida pelo produto vetorial da matriz S em


forma de vetor lexicogrfico pelo seu complexo transposto conjugado (equao
2.4, 2.5 e 2.6):
(2.4)
(2.5)
(2.6)
Sendo S = Matriz S ou de Sinclair; K B = Matriz S na base vetorial lexicogrfica;
KB*T = vetor lexicogrfico conjugado transposto. A matriz T ligada s
propriedades fsicas do alvo, enquanto a matriz C est relacionada s
medies do sistema sensor (LEE; POTTIER, 2009).
2.4.1. Decomposio de alvos
Os teoremas de decomposio de alvos baseiam-se na simulao de
mecanismos de espalhamento de diferentes naturezas pela associao destes
com matrizes elementares originadas a partir das matrizes S, T e/ou C
(HENDERSON; LEWIS, 1998; TOUZI et al., 2007). Nesse universo, existem
diferentes paradigmas de decomposio: (a) decomposies coerentes da
matriz de espalhamento S (como Pauli); (b) decomposies baseadas em
modelos de espalhamento (como Freeman Durden e Yamaguchi) e (c)
decomposio dos autovalores e autovetores das matrizes T e C (Cloude
Pottier e van Zyl) e (LEE; POTTIER, 2009).
O primeiro grupo de decomposio de alvos aquele das decomposies
coerentes da matriz de Sinclair (S). Essas decomposies tm como objetivo
decompor tal matriz em outras n matrizes elementares, que correspondem a
um tipo de mecanismo de espalhamento determinstico ou cannico. Apesar de
serem decomposies que simulam alvos determinsticos, so muito utilizadas
em trabalhos envolvendo alvos naturais (CLOUDE, 2009; LEE; POTTIER,
2009).
A decomposio coerente de Pauli, um exemplo desse tipo de decomposio
polarimtrica, expressa a matriz S como uma soma complexa de matrizes,
11

onde cada uma simula um tipo de espalhamento elementar: (a) a primeira


componente, HH+VV simula o espalhamento de superfcies lisas; (b) HH VV
simula o espalhamento de um diedro, ou espalhamento double bounce e (c) HV
simula o espalhamento de um diedro orientado 45 com o eixo horizontal do
vetor da REM, que pode ser associado ao espalhamento volumtrico. A quarta
componente da decomposio de Pauli (que simula todos os mecanismos no
simtricos de espalhamento) s calculada quando o princpio de simetria do
sensor no vlido (ou seja, HV diferente de VH, o que no ocorre no
Radarsat-2). A decomposio de Pauli encontrada na diagonal principal da
matriz T. A base de Pauli consiste em (equao 2.7):
(2.7)

O segundo grupo de decomposies so aquelas baseadas em modelos de


espalhamento, que tm como objetivo simular mecanismos de espalhamento
sem utilizar informaes de campo, descrevendo o comportamento de alvos
naturais tpicos. A decomposio de Freeman Durden (FREEMAN; DURDEN,
1998; LEE; POTTIER, 2009) possui trs componentes que simulam
mecanismos de espalhamento elementares a partir das matrizes C/T: (a)
espalhamento superficial (odd scattering) a partir de uma modelagem do
espalhamento de Bragg, (b) espalhamento volumtrico (volumetric scattering)
atravs de uma nuvem de dipolos aleatoriamente posicionados e (c)
espalhamento de double bounce entre duas superfcies no metlicas,
ortogonais e com propriedades dieltricas diferentes.
Em relao componente superficial, o espalhamento de Bragg de uma matriz
S dado por (equao 2.8):
(2.8)
Quando o produto vetorial de S e S *T realizado, a matriz C resultante
(equao 2.9):

12

(2.9)

Sendo que fscorresponde contribuio da componente de espalhamento


superficial para a componente |SVV| (equao 2.10):

(2.10)

Em relao componente double bounce, a matriz S de um diedro nometlico, ortogonal, se d por (equao 2.11):

(2.11)

Os termos RTH e RTV so as duas superfcies ortogonais (horizontal e vertical,


respectivamente). Os termos

ejheejv so fatores de propagao e

representam atenuaes e efeitos de mudana de fase causados pela


interao REM superfcies. Os termos R GH e R GV so os coeficientes de
reflexo de Fresnel ou seja, a reflexo da onda no a de um diedro perfeito,
e sim de algo que se aproximaria de um diedro natural.
A matriz C originada pelo o produto vetorial de S e S *T (equao 2.12):

(2.12
)

Sendo fD corresponde contribuio do espalhamento double-bounce na


componente |SVV|, onde (equao 2.13):

(2.13)

13

Em relao componente volumtrica, o modelo pressupe que h um arranjo


de inmeros dipolos horizontais muito finos orientados de maneira aleatria,
com o ngulo variando de a com relao ao eixo horizontal da REM. A
matriz S de um dipolo horizontal muito estreito (equao 2.14):

(2.14)
A matriz C resultante da operao vetorial de S e S *T, aps a distribuio
aleatria ter sido aplicada, (equao 2.15):

(2.15)

Sendo fV a contribuio de espalhamento volumtrico na componente |Svv|.


Finalmente, a proporo de cada tipo de espalhamento, em relao ao total
(Span) simulado como (equao 2.16):

(2.16)
Onde PS, PD e PV so as componentes finais superficial, double-bounce e
volumtrica as imagens de sada.
A decomposio de Yamaguchi (LEE; POTTIER, 2009) diferente da de
Freeman Durden por conta de suas pressuposies. A decomposio de
Freeman Durden supe que h simetria de reflexo (SHHS*HV = SVVS*VH), o
que nem sempre verdade, e possui trs componentes: volumtrico,
superficial e double-bounce. A decomposio de Yamaguchi, por sua vez, no
supe simetria de reflexo (SHHS*HV SVVS*VH). Dessa maneira, a modelagem
da componente volumtrica diferente e o espalhamento dos alvos descrito
por quatro componentes: volumtrico, double-bounce, superficial e helicoidal.
Com exceo da componente volumtrica e helicoidal, essa decomposio
similar de Freeman Durden. As matrizes S de um espalhador em forma de
hlice so (equao 2.17):

14

(2.17)
Sendo SLH a hlice girando para a esquerda e S RH para direita. As matrizes C
oriundas das matrizes S acima so (equao 2.18):

(2.18)

Sendo assim fc a contribuio do espalhamento helicoidal na componente


|SVV|. O Span e as imagens finais passam a ser (equao 2.19):

(2.19)
SendoPC a proporo de espalhamento de hlice no retroespalhamento total.
O terceiro e ltimo grupo de decomposies a ser considerado nesse estudo
aquele baseado em decomposio dos autovalores (eigen values) e
autovetores (eigen vectors) das matrizes T e C.Os autovetores possuem
informaes sobre o tipo de espalhamento que os alvos possuem
volumtrico, double bounce, etc; e os autovalores, sobre a contribuio que
cada tipo de espalhamento possui em relao ao espalhamento total a
proporo do espalhamento em relao a todos os outros (CLOUDE, 2009;
LEE; POTTIER, 2009).
De uma maneira geral, pode-se escrever a matriz C ou T da seguinte forma
(equao 2.20):
(2.20)

Onde (equaes 2.21 e 2.22):

(2.21)

15

(2.22)
3 contm os autovalores da matriz T 3. Os autovalores so nmeros reais, no
negativos, onde 1 >2 >3 > 0. U3 contm os autovetores da mesma matriz, que
so definidos como (equao 2.23):

(2.23)
Onde o ngulo que define o tipo de espalhamento; o ngulo de
orientao do alvo e , e so ngulos relativos fase da onda. Finalmente,
a matriz T 3 pode ser escrita da seguinte maneira (equao 2.24):

(2.24)

Ou seja, a matriz T 3 decomposta pelo somatrio do produto de um autovalor


i, seu autovetor i correspondente e o complexo conjugado desse mesmo
autovetor i. Esse somatrio feito para os trs autovalores e trs autovetores.
A decomposio de autovalores e autovetores, por si s, uma decomposio
de alvos; mas a transformao de Cloude Pottier usa trs parmetros
derivados dessa decomposio para melhor explicar os mecanismos de
espalhamento dos alvos: Entropia, Anisotropia e ngulo (CLOUDE, 2009;
LEE; POTTIER, 2009).
A entropia (H) definida como o grau de desordem do espalhamento de um
alvo (equao 2.25 e 2.26), e associada ao tipo de espalhamento principal
que esse alvo possui.

(2.25)

(2.26)

Como visto, a entropia baseia-se na probabilidade de ocorrncia de um


autovalor em relao aos outros trs. Quando as trs probabilidades so
16

iguais, a entropia mxima (H = 1) e no h um tipo de espalhamento


dominante. Ao contrrio, se H = 0, ocorre apenas um tipo de espalhamento.
A Anisotropia (A), por sua vez, relaciona-se com a importncia relativa do
segundo e terceiro tipos de espalhamento que o alvo apresenta. A anisotropia
define-se como (equao 2.27):
(2.27)

Em termos prticos, A s pode ser empregada quando H> 7. Em qualquer


outro caso, ela muito afetada por rudos e no possui informaes relevantes.
(LEE; POTTIER, 2009).
O ngulo alfa () refere-se ao tipo de espalhamento principal do alvo. Quando
0 << 45, a onda incidente e a onda retroespalhada possuem diferen as em
amplitude, mas as fases das ondas so iguais Quando o ngulo de 45
graus, h espalhamento anisotrpico perfeito. Quando 45 << 90, as ondas
possuem amplitudes e fases diferentes, o que pode significar espalhamentos
em forma de diedro ou de hlice. No caso extremo (90) as duas ondas
possuem mesma amplitude, mas com 180 de diferena de fase. Logo,
resumidamente o ngulo divide-se em: (a) superficial (valores prximos de
0); (b) espalhamento volumtrico (para valores prximos de 45) e (c)
espalhamento double-bounce (para valores prximos de 90) (CLOUDE, 2009;
LEE; POTTIER, 2009).
A decomposio de alvos de Touzi (TOUZI, 2007) oferece informaes
complementares decomposio de Cloude Pottier. Parmetros como a
diferena de fase dos alvos ( i- j) e ngulo de orientao do alvo ()
completam as informaes fornecidas pelo ngulo , que podem ser
redundantes principalmente na regio que compreende os espalhamentos
double-bounce (TOUZI, 2007).
Finalmente, a decomposio de van Zyl (CLOUDE, 2009; LEE; POTTIER,
2009) uma decomposio intermediria entre as baseadas em modelo de
retroespalhamento e em decomposio de autovalores/autovetores. Van Zyl
expressa a matriz C 3 da seguinte maneira (equao 2.28):
17

(2.28)

Onde 1,2 e 3 so termos baseados em relaes entre os autovetores u 1, u2


e u3 e autovalores 1, 2 e 3 respectivamente. Van Zyl relaciona os dois
primeiros autovetores em termos de espalhamento superficial e volumtrico. O
autovalor 3por sua vez relacionado com a ocorrncia de espalhamentos de
diedro ou double-bounces.
2.5.

SAR e reas midas

Para esse trabalho, a anlise de trabalhos da literatura ser dividida em trs


partes: (a) aqueles relacionados com o mapeamento de tipos de vegetao de
reas midas e similares; (b) aqueles sobre estimativa e modelagem de
atributos biofsicos de tipos de vegetao de vrzea e semelhantes e (c)
trabalhos utilizando dados polarimtricos.
Com relao ao item (a), Lucas et al. (2008) utilizaram dados ALOS PALSAR
para,com sucesso, estimar a biomassa de tipos de vegetao mida costeira e
apreender o mapeamento da evoluo multitemporal desse ambiente.
Bwangoyet al. (2010) utilizaram dados multisensor (ptico, SAR banda L e
dados topogrficos) no mapeamento de alvos de reas midas no Congo. De
todos os 28 layers usados na classificao, os dados SAR representaram
sozinhos 9% de toda a informao utilizada na classificao, e a imagem da
poca cheia apresentou sozinha mais de 8% da participao. Silva et al. (2010)
utilizaram dados multisensores (MODIS, SRTM e Radarsat-1 banda C) para o
estudo das dinmicas temporal e espacial de macrfitas e para a estimativa de
sua produtividade, na vrzea do lago de Monte Alegre, no Par. Atravs da
anlise de imagens baseada em objetos (Object-Based Image Analysis
OBIA) foi possvel detectar no s a cobertura e a dinmica das macrfitas,mas
tambm modelar a produtividade dessas comunidades.
Costa; Telmer (2006), Martinez; Le Toan (2006), Li et al. (2007), Lang et al.
(2008) e Marti-Cardona et al. (2010) investigaram os efeitos do uso de
diferentes polarizaes, ngulos de incidncia e uso de cenas multitemporais
18

na classificao dos alvos de vegetao em reas midas, tanto para banda C


como para banda L.Estes autores concluem que (a) cenas de diversas
polarizaes possuem melhor resultado que cenas multitemporais e seriam
capazes de suprimir parte da confuso entre as classes que os mltiplos
ngulos no resolverem; (b) a banda C mais adequada para o uso em
regies de vegetao de reas midas dominadas por gramneas e vegetao
arbrea de menor porte, devido a sua menor capacidade de penetrao que a
banda L (c) o uso cenas multitemporais melhora a anlise das classes at certo
ponto, podendo decrescer, em alguns casos e (d) no necessariamente o
menor ngulo de incidncia o mais adequado para diferenciar os tipos de
vegetao imageados; muitas vezes ngulos mdios e maiores possuem maior
poder de discriminar esses tipos.
Hess et al. (1990), Kasischke et al. (1997) e Henderson and Lewis (2008) so
artigos de reviso que abordam o tema do uso de imagens SAR para a
classificao de alvos de vegetao e mapeamento da dinmica e extenso de
inundao, em reas midas de todo o mundo, para todas as frequncias (X,
C, L e P). Os autores relatam que a (a) banda C pode ser usada com sucesso
para estudar reas midas dominadas por floresta, sendo inapropriada
somente para aquelas com elevadas quantidades de biomassa; (b) do grande
importncia informao polarizada, afirmando que muitas vezes maior
nmero de polarizaes mais adequado do que maior nmero de cenas
multitemporais de uma mesma polarizao; (c) com relao aos ngulos de
incidncia, no h uma ligao direta entre o uso de ngulos menores e
maiores ndices de preciso e acerto da classificao depende diretamente
da rea de estudo e dos alvos imageados; e ainda afirma que a combinao de
mais de um ngulo de incidncia nem sempre aumenta a preciso da
classificao; (d) o uso de imagens multitemporais, em geral, aumenta a
preciso da classificao apenas at certo ponto, e muitas vezes apenas
aumenta o seu erro e (e) a rea de estudo e suas classes so fundamentais
para o mapeamento classes gerais aumentam a preciso de qualquer
mapeamento, ao passo que trabalhar ao nvel de espcie ou de fisionomias de
vegetao pode diminuir o desempenho desse mapeamento.

19

Na determinao de modelos preditivos de atributos biofsicos da vegetao de


reas midas a partir de cenas SAR, Townsend (2002),Costa et al. (2002),
Moreau; Le Toan (2003), Novo et al. (2002) e Sartori et al. (2012) mostraram
que a banda C e a banda L alm de possurem correlao com os parmetros
biofsicos e estruturais de gramneas como biomassa, altura e porcentagem de
cobertura, tambm so complementares. Os autores tambm mostram
que,mesmo com o menor comprimento de onda,pode-se estabelecer
correlaes significativas para plantas herbceas e arbustos de menor
densidade, como r = 0.78, para o log da biomassa seca, em Costa et al.
(2002) e Novo et al., (2002), para macrfitas. Porm, poucos so os trabalhos
que discutem o erro mdio quadrtico (Root Mean Squared Error RMSE) e os
resduos dos modelos; apenas Sartori et al. (2012) e Moreau; Le Toan (2003)
aprofundaram a discusso de suas modelagens a esse ponto.
H poucos trabalhos abordando dados polarimtricos e seu potencial em
mapear a distribuio e a estrutura de alvos de vegetao em reas midas.
Touzi et al. (2009) investigaram a decomposio de alvos de Touzi para
discriminar tipos de vegetao em reas midas no Canad, e concluram que
sua decomposio obteve resultados melhores que outra decomposio similar
Cloude Pottier para a vegetao mida de Mer de Bleue. Brisco et al.
(2013) compararam o desempenho de dados polarimtricos e polarimtricos
compactos (onde o sensor emite em apenas uma polarizao, mas recebe nas
duas, e ainda contm a informao de fase) no mapeamento de alvos comuns
em regies de reas midas e tambm em regies de rizicultura e constataram
que devido maior quantidade de informao por parte dos dados
polarimtricos, esses obtiveram melhor resultado. Koch et al. (2012) utilizaram
dados pticos e polarimtricos de banda C e L para mapeamento das
condies ambientais de reas midas na Espanha. Os autores utilizaram a
decomposio de Cloude Pottier e tambm de Yamaguchi, e relatam o bom
resultado dos dados polarimtricos na classificao de sua rea de estudo. Os
autores concluem que o sensoriamento remoto ptico mais sensvel ao status
de degradao da rea mida, ao passo que dados SAR so mais sensveis a
estrutura e s condies de inundao ou de umidade dos alvos. Sartori et al.,
(2011) utilizaram dados polarimtricos de banda L para classificar espcies de
20

grupos de macrfitas no lago de Monte Alegre, no Par. A informao derivada


de dados polarimtricos (como decomposio de Freeman Durden e Cloude
Pottier) obteve diferentes taxas de sucesso, separando grupos de vegetao
como floresta inundvel, vegetao arbustiva e macrfitas, e a decomposio
de Touzi foi a mais importante na classificao no nvel de espcie.

2.6.

Anlise de imagem baseada em objetos

No mapeamento por processamento digital, algoritmos computacionais so


utilizados na identificao automtica dos alvos e so baseados em
classificadores pixel a pixel ou por regies. A diferena entre as duas
metodologias de classificao consiste no tratamento dado ao pixel. Enquanto
na pixel a pixel, estes so avaliados isoladamente, a classificao por regies
avalia os segmentos, ou seja, pixels agrupados em regies contguas durante
segmentao a partir algoritmos que examinam a textura e a resposta espectral
dos pixels adjacentes e, alguns destes, a forma do objeto.
Diferentemente dos classificadores tradicionais, que apenas utilizam a resposta
espectral, a anlise de imagens baseada em objeto (Object-based Image
Analisys OBIA) possibilita utilizar outros descritores. Como as imagens esto
estruturadas em objetos, que possuem identidade prpria, possvel utilizar
descritores como textura, forma, relaes topolgicas com os objetos vizinhos,
relao

hierrquica

entre

os

nveis

de

segmentao,

entre

outros,

aproximando-se dos processos cognitivos humanos de interpretao de


imagens (BLASCHKE, 2010).

Torna-se tambm exeqvel a utilizao de

rvores de deciso, que so estruturas de classes baseadas em decises


binrias, organizadas em nveis. Diversos trabalhos demonstram melhor
desempenho da classificao por OBIA sobre a pixel a pixel no mapeamento
de vegetao, quando as metodologias so comparadas por meio de ndices
de acurcia. (AMARAL et al., 2009; YU et al., 2006; GERGEL et al., 2007;
DORREN et al., 2003, JOHANSEN et al., 2007; SOUSA et al., 2011).
2.7.

Minerao de dados e rvores de deciso

A minerao de dados consiste em um conjunto de tcnicas, programas e


algoritmos computacionais que permite a deteco, extrao de padres e
21

construo de conhecimento em grandes volumes de dados (WITTEN; FRANK,


2005).
Os mineradores de dados possuem trs caractersticas principais associados a
ele (WITTEN; FRANK, 2005): (a) o seu conceito, (b) suas instncias e (c) seus
atributos. O conceito a maneira que o computador se utiliza para detectar os
padres dos dados de entrada (ou seja, aprender sobre os dados), e so em
nmero de quatro: classification learning, association learning, clustering e
numeric predition. O algoritmo J4.8, utilizado nesse trabalho, pertence ao
conceito de classification learning, pois aprendem os padres dos dados a
partir de amostras pr-classificadas. A instncia o dado propriamente dito que
fornecido para o algoritmo. Como exemplo, pode-se considerar os atributos
de mdia de uma classe como uma instncia, assim como o nome dessa
classe e os tipos de relao topolgica com as demais classes. Os atributos
so os valores das instncias. Podem ser numricos, categricos ou nominais.
Como, por exemplo, 0.0134 para a mdia de uma banda espectral e Solo
Exposto para uma classe.
A

rvore de deciso ser gerada pelo algoritmo J48.Tal

algoritmo,

fundamentado no algoritmo C4.5, um algoritmo baseado em ganho de


informao / entropia, usado para gerar uma rvore de deciso. Suas
caractersticas, descritas a seguir, so como em Witten; Frank (2005). O
algoritmo J48 alimentado com os dados de entrada (as instncias e atributos)
que descrevem as classes de cobertura do solo. Uma dessas instncias deve
ser nominal (normalmente o nome das classes de cobertura do solo) e o
restante, numrico. Um n inicial criado contendo todos os objetos de todas
as classes e o seu valor de informao calculado. Em seguida so gerados
ns-filhos, um para cada atributo numrico, e o valor de informao de cada
um desses ns calculado. A diferena entre o valor de informao do n
inicial e do n filho chamada de ganho de informao.
O ganho de informao relacionado pureza do n; quando uma instncia e
um atributo so capazes de separar uma classe inteira em apenas um n, ele
possui o menor valor de informao, consequentemente possuindo maior
ganho de informao. Assim, o atributo com maior valor de ganho de
22

informao aquele mais eficiente em separar ao mximo as classes em


diferentes ns.
A instncia e o atributo que apresentam maior ganho de informao so
selecionados pelo algoritmo.Assim, todo o processo continua at que todas as
classes de entrada estejam completamente separadas (ou seja, que classe
esteja contida totalmente em um n separado dos demais) ou at que no haja
mais ganho de informao.
Ganho de informao, ou entropia, calculado como na equao (2.29):
(2.29)
Os logaritmos da equao (1) so de base 2, portanto a unidade da entropia
bits. Os argumentos p1, p2 pn so fraes, calculadas como na equao
(2.30):
(2.30)
Onde q, r e s o nmero de elementos das classes dentro de um n. Quando
um n possui elementos de apenas uma classe seu valor de informao zero.
Quando um n possui elementos das classes igualmente distribudos ele
possui o mximo de informao ou entropia.
3. MATERIAIS E MTODOS
3.1.

rea de estudo

A regio de estudo (Figura 3.1) compreende a vrzea do Lago Grande de


Curuai, localizado entre as latitudes 15112 S e 022106 S e longitudes
0555632 W e 0550314 W , ao sul do municpio de bidos, no Estado do
Par (Brasil). Tal rea de estudo representativa da plancie de inundao do
Baixo Amazonas, caracterizada por vegetao lenhosa e herbcea em
variadas propores (BARBOSA, 2005).A plancie de inundao do Lago
Grande de Curuai possui regime de inundao monomodal e anual, previsvel e
regular, de grande amplitude. A sua principal fonte de inundao de origem
fluvial, onde o Rio Amazonas contribui com aproximadamente 77% de toda a
23

gua do sistema (BONNET et al., 2008). Entre maio e junho ocorre o mximo
de inundao, e entre outubro e dezembro o menor nvel. A diferena na altura
de inundao entre as duas pocas alcana entre5e7 metros, e pode variar
anualmente em at 2 m(BARBOSA, 2005).

Figura 3.1 Em destaque o recorte da rea de estudo, no Lago Grande de


Curuai - PA. Ao fundo, composio TM/Landsat 5 RGB321 do
perodo da seca. Composio colorida SAR multitemporal (R: cena
SQ7 da poca da cheia; G: cena SQ7 da poca da seca; B: razo
entre imagens da seca e cheia), mostrando o swath comum a todas
as cenas utilizadas. MacDonald, Dettwiler e Associados, Ltd.
3.2.

Dados de sensoriamento remoto

Foram utilizadas seis cenas polarimtricas adquiridas pelo sensor a bordo do


satlite Radarsat-2, na banda C (5.6 cm), sob trs diferentes ngulos de
incidncia (tabela 3.1). As cenas foram obtidas entre 19 e 22 de junho e 20 de
outubro e 10 de novembro de 2011, coincidindo com as pocas de cheia e
seca da vrzea, respectivamente. As imagens polarimtricas possuem 9 x 7.6
m (range x azimute) de resoluo,com ngulos de incidncia de 25 (SQ7), 33
24

(SQ14) e 45 (SQ27). As cenas Radarsat-2 foram fornecidas atravs do


programa Science and Operational Applications Research (SOAR), coordenado
pela Canadian Space Agency (CSA), projeto nmero 5052. Os dados e
produtos Radarsat-2 so licenciados para uso pela MacDonald, Dettwiler e
Associados, Ltd.
Tabela 3.1. Parmetros das cenas PolSAR Radarsat 2 utilizadas.

Cena

Data

SQ7
SQ14
SQ27
SQ7
SQ14
SQ27

19/jun
22/jun
29/jun
20/out
27/out
10/nov

Modo de
Imageamento

ngulo de
Incidncia
(Graus)

Standard
Quad-Pol

25
33
45
25
33
45

Elementos de Resoluo
Largura do
resoluo
Nominal
campo de visada
(pixel) (Rng x (Rng x Az
(Km)
Az - m)
- m)

- 27
- 35
- 47
- 27
- 35
- 47

8 x 5.1

9 x 7.6

25 x 25

Um modelo de elevao digital gerado pela Shuttle Topography Radar Mission


(SRTM) foi usado para a correo de terreno range-doppler. O MDE SRTM
possui 90m de resoluo espacial e aproximadamente 16 metros de preciso
vertical e foi obtido no web site do Consortium for Spatial Information (CGIAR CSI), no endereo http://srtm.csi.cgiar.org/, em sua verso 4. Cenas
Landsat5/TM e Landsat7/ETM+ do mesmo perodo de aquisio das imagens
Radarsat-2 foram utilizadas para auxiliar na interpretao da cobertura da terra
e na coleta de amostras de treinamento. As cenas Landsat5/TM foram obtidas
no web site do Instituto Nacional de Pesquisas Espaciais, no endereo
http://www.dgi.inpe.br, nas coordenadas WRS-2 rbita228 e pontos061 e 062.
As cenas Landsat7/ETM+ ortorretificadas foram obtidas atravs da Global Lang
Cover Facilita (GLCF), em http://glcf.umd.edu/data/landsat/.
3.3.

Metodologia de campo

Foram realizadas amostragens na floresta de vrzea da rea de interesse em


destaque na figura 3.2 que corresponde cena PolSAR. O trabalho de campo
ocorreu entre 18/10 e 29/10 de 2013, no perodo de seca da vrzea.

25

Durante o trabalho de campo foram amostradas 17 parcelas de 25 x 25 m,cuja


localizao geral foi determinada em funo da homogeneidade e tipo de
vegetao,facilidade de acesso e distncia entre as parcela se os barcos
utilizados para locomoo e instalao em campo.

26

Figura 3.2 Composio colorida RGB321 de cena Landsat-5/TM, contemplando o pulso da seca do ano de 2005. Em vermelho, as rotas percorridas
em campo. As estrelas amarelas so os pontos amostrados em campo, e o polgono amarelo indica a cobertura das cenas de radar.

27

Foram amostrados os seguintes atributos da vegetao em campo:


Dimetro altura do peito (DAP) (cm);
Nmero de indivduos;
Altura total (metros);
Altura de fuste (metros);
ndice de rea foliar (IAF);
Altura da marca de mxima inundao nos troncos;
Identificao taxonmica.
O DAP foi medido com o auxlio de fita diamtrica, a uma altura de 1,3 metros
em relao ao nvel do solo. Indivduos com DAP entre 5 e 10 cm foram
contabilizados mas no medidos, e indivduos com DAP < 5cm foram
ignorados.As alturas total e de fuste foram obtidas com um clinmetro.Em cada
canto da parcela foi tambm medida a altura da marca dgua deixada pela
ltima inundao, totalizando 4 medidas tomadas nos quatro cantos de cada
parcela. O IAF foi mensurado com o uso do equipamento LAI-2200 (Li-Cor
Inc.), atravs de oito medidas ao longo da parcela, em duas fileiras de 4
amostras orientadas a favor da direo do sol.
Aps a aquisio dos dados, as seguintes variveis derivadas foram
calculadas:
rea basal (m/ha);
Densidade de indivduos (n indivduos/ha);
Espessura da copa (diferena entre a altura total e a de fuste - metros);
Altura de Lorey.
A altura de Lorey pode ser calculada pela razo entre o produto da altura de
cada indivduo pela sua rea basal, dividido pela altura basal mdia da parcela
(equao 3.1):

28

(3.1)

Para cada parcela, foi calculada a mdia de cada um dos atributos medidos em
campo (com exceo da rea basal e densidade de indivduos) e derivados.
Essa mdia foi utilizada para a quantificao da relao entre as imagens
PolSAR e os atributos de campo.
3.4.

Processamento dos dados

Uma srie de etapas de pr-processamento, anlise dos dados e classificao,


validao da classificao, modelagem emprica dos atributos da vegetao e
validao dos modelos foram realizadas para o cumprimento desse trabalho
(figura 3.3).

Figura 3.3 Fluxograma geral do processamento dos dados do trabalho.

29

Nessa etapa foi realizada a preparao dos dados PolSAR: (a) multilooking e
clculo da matriz T e C, (b) filtragem do efeito speckle, (c) clculo das
decomposies polarimtricas e pr-seleo das decomposies com maior
potencial para classificao da vegetao, (d) transformao do nvel digital
para (valores de retroespalhamento) e (e) correo de terreno RangeDoppler (Figura 3.4).
As matrizes T e C foram calculadas usando o dado complexo original, atravs
do software Polarimetric SAR Data Processing and Educational Tool
(PolSARPRO) v.4.2.0. O processamento multilook passo obrigatrio no
clculo das matrizes C e T (LEE, POTTIER, 2009). Para tal foram utilizados
2x3 looks, para que os elementos de resoluo da cena, de 8 x 5.1 m (range x
azimute) resultassem em pixels de aproximadamente 15 x 15 m.
As matrizes C e T foram filtradas usando o filtro polarimtrico Refined Lee, o
qual preserva as bordas entre os objetos e ao mesmo tempo suaviza o efeito
speckle em regies homogneas (LEE; POTTIER, 2009).Para escolher o
tamanho da janela do filtro Refined Lee, foi realizado um teste com janelas
variando de 3x3 at 11x11. O teste objetivou escolher o tamanho de janela que
apresentasse o melhor custo-benefcio entre (a) reduo do efeito speckle,
avaliado atravs do coeficiente de variao (CV) e (b) a preservao das
bordas entre os objetos e sua textura, que foi escolhido atravs de anlise
visual de toda a imagem. Amostras da classe Floresta de Terra Firme, na cena
SQ7 da poca da cheia, na polarizao HH, em Sant range, foram usadas para
calcular o CV.

30

Figura 3.4 Fluxograma das etapas da fase de pr-processamento dos dados.


Aps essa etapa, calcularam-se as decomposies polarimtricas. Esse
procedimento se deu atravs de uma janela de mdia espacial, e tambm foi
realizado no software PolSARPRO v.4.2.0. De maneira semelhante etapa
anterior, o tamanho da janela da mdia espacial foi escolhido em funo de (a)
reduo do CV e (b) preservao da textura e borda dos alvos da imagem.
Foram usadas as mesmas amostras e ngulo de incidncia do teste anterior,
mas no teste foram utilizadas apenas as imagens geradas pela decomposio
de Freeman Durden. Aps a escolha do tamanho da janela das
decomposies polarimtricas, foram calculadas as seguintes decomposies
(tabela 3.2):

31

Tabela 3.2: Atributos polarimtricos derivados do retroespalhamento e de


decomposio de alvos
Fonte: Adaptado de Sartori et al., 2011.
Decomposio de
Smbolo
Alvos
Cloude-Pottier (LEE; POTTIER, 2009)
ngulo Alpha

Entropia
H

Descrio

Mecanismo de espalhamento dominante.


Nmero de mecanismos de espalhamento dominantes.
Mede a importncia relativa do segundo e terceiro
Anisotropia
A
tipos de espalhadores.
Freeman - Durden (FREEMAN; DURDEN, 1998)
Nuvem de dipolos cilndricos, muito finos,
Volumtrico
FDV
aleatoriamente posicionados.
Par de superfcies ortogonais, no metlicas e com
Double - Bounce
FDD
constantes dieltricas diferentes.
Superficial
FDS
Modelado como o espalhamento de Bragg.
Touzi (Touzi, 2007)
Magnitude do tipo de
S1; S2; S3; ngulo da direo do vetor de espalhamento simtrico,
espalhamento
Sm;
em base triedral-diedral.
Fase do tipo de
S1, S2,
Diferena de fase entre espalhamentos em forma de
espalhamento
S3, Sm
triedro e diedro.
1; 2; 3;
Natureza simtrica do espalhamento do alvo. Se = 0,
Helicidade
m
o alvo completamente isotrpico.
1; 2; 3;
ngulo de Orientao
ngulo de orientao do alvo.
m
Yamaguchi (LEE; POTTIER, 2009)
Nuvem de dipolos cilndricos, muito finos,
Volumtrico
YV
aleatoriamente posicionados.
Par de superfcies ortogonais, no metlicas e com
Double - Bounce
YD
constantes dieltricas diferentes.
Superficial
YS
Modelado como o espalhamento de Bragg.
Helicidade
YH
Modelo de espalhamento em forma de hlice.
Van Zyl (LEE; POTTIER, 2009)
Proporo de espalhamento volumtrico simulado
Volumtrico
VZV
partir de decomposio de autovalores/vetores;
Espalhamento double-bounce simulado partir de
Double Bounce
VZD
decomposio de autovalores/vetores;
Superficial
VZS
Proporo de espalhamento superficial;
Pauli (LEE; POTTIER, 2009)
Espalhamento de
PAS
Proporo de espalhamento de superfcie;
Superfcie (HH + VV)
Espalhamento de
Double bounce (HH
PAD
Mecanismo de espalhamento Double Bounce;
VV)
Espalhamento
PAV
Espalhamento volumtrico;
Volumtrico (HV)

Como as decomposies polarimtricas geram produtos muito similares, estas


foram submetidas a um processo de pr-seleo para uso na classificao da

32

cobertura vegetal. O critrio de pr-seleo foi escolher, dentre todas


apresentadas anteriormente, aquelas com o maior potencial para discriminar e
mapear as classes de cobertura de vegetao da vrzea. Esse potencial foi
avaliado por meio da anlise visual de grficos boxplot. Os grficos foram
gerados utilizando-se estatstica descritiva no paramtrica (mediana e
percentis) de amostras coletadas para todas as classes, nas decomposies
referentes ao ngulo de incidncia SQ7, da poca da cheia. Foi selecionada
apenas uma das decomposies entre (a) van Zyl, Freeman -Durden e
Yamaguchi e (b) Cloude-Pottier e Touzi, que foram separadas em dois grupos
distintos pela similaridade de seus produtos.
Aps a pr-seleo das decomposies polarimtricas foi realizada a etapa de
converso da diagonal principal das matrizes C e T para valores de
retroespalhamento. Foram utilizados os parmetros dos metadados das cenas,
com erro radiomtrico esperado de at 1 dB atravs do software PolSARPRO
v.4.2.0.
Ao trmino do pr-processamento, foi realizada a correo de terreno RangeDoppler com o objetivo de (a) transformar as imagens de slant para ground
range e (b) geocodific-las (ortorretificao e georreferenciamento). O MDE
SRTM foi utilizado nessa etapa, realizada no software Next ESA SAR Toolbox
(NEST), v. 5.0.16. Esse procedimento foi aplicado a todas as imagens das
diagonais da matriz C e T e a todas as decomposies pr-selecionadas.
3.5.

Anlise dos dados e classificao

As etapas da anlise dos dados e das classificaes esto resumidas no


fluxograma da figura 3.5.

33

Figura 3.5 Fluxograma das etapas da fase de anlise dos dados e


classificao.
3.5.1. Seleo das amostras de treinamento e gerao dos grficos
boxplot
As amostras de treinamento coletadas serviram para duas finalidades: (a)
caracterizao das respostas dos alvos, e (b) classificao das imagens
utilizando o algoritmo de rvore de deciso J.48. Para ambas as etapas foram
utilizadas os mesmos polgonos, que foram desenhados no software Ar ejes
10.0.Uma mdia de 25 polgonos de treinamento foi obtida para cada classe,
cada um deles contendo de 250 a 300 pixels.
Para a caracterizao das respostas dos alvos de vegetao foram utilizados
os valores dos pixels contidos dentro de cada polgono, extrados atravs do
software ENVI 4.5, e posteriormente foram calculadas suas estatsticas
descritivas no paramtricas no software R.

34

A construo dos grficos propostos, como em Silva et al. (2010) e Furtado et


al. (2013),tem como objetivo visualizar a variao das respostas de cada classe
em funo: (a) dos ngulos de incidncia, (b) do tipo de matriz utilizada (C ou
T), (c) das decomposies polarimtricas e (d) da poca do ano (seca ou
cheia).
Para a classificao das imagens,os polgonos foram incorporados como
objetos no eCognition 8.0.Os atributos de classes foram calculados (medianas
e atributos texturais) e exportados, em formato CSV, para a gerao da rvore
de deciso atravs do software Weka 3.6.10.
3.5.2. Teste dos parmetros do minerador de dados
Com o objetivo de gerar rvores de deciso com o mximo de parcimnia,
nessa etapa foram configurados os parmetros timos de poda (pruning) das
rvores de deciso geradas.
No software Weka 3.6.10, so dois os principais parmetros que configuram o
tamanho das rvores de deciso: (a) nmero mnimo de objetos (minimum
number of objects) e (b) fator de confiana (confidence factor). O parmetro
nmero mnimo de objetos une ns da mesma classe que possuam um nmero
menor de objetos do que o indicado por esse parmetro. Se a unio de um n,
influenciado por esse parmetro, aumentar o erro da classificao final, esse
n continua sendo unido e a rvore fica mais inexata.
O parmetro fator de confiana, por sua vez, estabelece um valor mnimo de
diferena estatstica entre os ns; ele une os ns que no atenderem ao critrio
de diferena pr-estabelecido. Se a unio de um n devido ao fator de
confiana aumentar o erro da classificao final, esse n no unido e o erro
da rvore de deciso continua o mesmo.
Os testes foram realizados de duas formas: (a) alterando o valor do nmero
mnimo de objetos, de 2 (default do programa) at 30, em intervalos de 5 em 5,
mantendo o fator de confiana inicial (0.25) e (b) alterando o valor do fator de

35

confiana de 0.1 at 1, em intervalos de 0.1, mantendo o nmero mnimo inicial


de objetos (2). Para esse teste, foram utilizadas as imagens da diagonal
principal da matriz C (HH, HV e VV), em amplitude linear, para todas as classes
de uso e cobertura do solo, na poca da cheia.
A variao do erro geral da rvore de deciso foi obtida atravs dos logs de
cada minerao executada. Foram ento selecionados os parmetros que
apresentaram a menor rvore de deciso (em termos de nmeros de ns) sem
prejuzo da exatido da classificao.
3.5.3. Classificao e validao
Nessa etapa foram realizadas as classificaes e as suas respectivas
validaes utilizando o software eCognition 8.7, o algoritmo de classificao por
rvores de deciso J4.8, implementado no software Weka 3.6.10, e o software
ArcGIS 10 (figura 3.6). A validao das classificaes e a avaliao de seus
desempenhos foram realizados atravs dos ndices Kappa (CONGALTON,
1991) e Quantity Disagreement (QD) e Allocation Disagreement (AD)
(PONTIUS; MILLONES, 2011).

36

Figura 3.6 Fluxograma das etapas do subitem de classificao dos dados e


validao.
As classes de uso e cobertura do solo propostas (tabela 3.3) foram divididas
em dois grupos distintos. As cinco primeiras classes (gua, Arbustos, Floresta
Inundvel, Macrfitas Emersas e Macrfitas Flutuantes) foram agrupadas como
classes de vrzea. Quando h a incluso de Floresta de Terra Firme e Solo
Exposto na classificao, as classes passam a se chamar classes gerais.
Essas duas ltimas classes foram includas com o propsito de comparar o
resultado de suas classificaes com as classes de vrzea.

37

Tabela 3.3 Classes de cobertura e de vegetao da vrzea do Lago Grande


de Curuai PA. Em fotointerpretao, polarizao HH do ngulo de
incidncia SQ7 - MacDonald, Dettwiler e Associados, Ltd.

Nome

Descrio

gua

Lmina dgua sem


cobertura vegetal

Arbustos

Indivduos lenhosos
com altura reduzida,
organizados em
formaes fechadas
alternando-se com
reas abertas
cobertas por
gramneas, sujeitos a
inundvel sazonal.

Floresta
Inundvel

Floresta sujeita a
inundao, com
variados graus de
densidade de
indivduos, localizada
ao longo de diques e
nas regies com
maiores elevaes da
vrzea.

Macrfitas
Emersas

Herbceas anuais ou
perenes, enraizadas,
sujeitas aos maiores
perodos de inundao
da vrzea;

Fotointerpretao

38

Fotografia

Tabela 3.3 (cont.) Classes de cobertura e de vegetao da vrzea do Lago


Grande de Curuai PA. Em fotointerpretao, polarizao HH do
ngulo de incidncia SQ7 - MacDonald, Dettwiler e Associados,
Ltd.

Macrfitas
Flutuantes

Herbceas no
enraizadas, agrupadas
em banco de espcies
flutuantes em corpos
dgua, com menor
densidade de
indivduos quando
comparada com as
Macrfitas Emersas.

Floresta de
Terra Firme

Vegetao lenhosa
bem desenvolvida,
localizadas em regies
de terra firme, no
sujeitas a inundao.

Solo Exposto

Solo exposto ou com


herbceas pouco
densas, localizados
em regies de terra
firme no sujeitas a
inundao.

Primeiramente, os polgonos com as amostras de treinamento foram


segmentados no software eCognition 8.7, e usados para calcular as medianas
e os atributos de textura das imagens a serem classificadas. Esses atributos
foram exportados em formato CSV e, usando algoritmo J.48, foram calculadas
as rvores de deciso podadas com os parmetros testados na etapa anterior.
A mediana foi selecionada pelo seu carter no paramtrico, tendo em vista o
carter no paramtrico do algoritmo de minerao de dados J.4.8. Os
atributos de textura utilizados, (descritos em Haralick et al., 1973) e
implementados no eCognition 8.7foram:

39

GLCM Homogeneity um objeto considerado homogneo quando as


combinaes dos nveis de cinza dentro dele concentram-se ao longo da
diagonal principal da matriz de co-ocorrncia de nveis de cinza (Gray Level
Co-ocurrence

Matrix,

GLCM).

atributo

de

textura

decresce

exponencialmente na medida em que as combinaes dos objetos afastamse da diagonal principal;


GLCM Dissimilarity um objeto possui textura dissimilar quando as suas
combinaes de nveis de cinza concentram-se fora da diagonal principal da
matriz de co-ocorrncia. Essa textura contrria GLCM Homogeneity,
mas ao invs de decrescer exponencialmente, esse descritor linear;
GLCM Entropy uma textura que apresenta alta entropia possui
combinaes de nveis de cinza distribudas de maneira uniforme ao longo
de toda a matriz de co-ocorrncia. Sempre que h concentrao ao longo
ou afastada da diagonal principal, h baixa entropia. Esse descritor
calculado utilizando-se de uma escala logartmica;
GLCM Correlation esse descritor mede a correlao linear entre um pixel
e seus vizinhos.
Aps a gerao da rvore de deciso, realizou-se a classificao propriamente
dita. Para cada classificao, uma ou mais imagens foram segmentadas
utilizando o algoritmo de segmentao Multiresolution Segmentation, do
eCognition 8.0 (BENZ et al., 2004). Para um melhor controle dos parmetros de
segmentao (escala - scale, forma shape, e compacidade - compactness) a
resoluo radiomtrica das cenas PolSAR foi convertida de 16 bits para 8 bits
utilizando o SPRING 5.2.5. Os limiares mnimos e mximos do histograma dos
nveis digitais foram selecionados de maneira que (a) causassem o mnimo de
saturao do nvel digital dos pixels em relao imagem original e (b)
resultassem em contraste linear satisfatrio (tabela 3.4). Os parmetros de
escala, forma e compacidade foram escolhidos heuristicamente.

40

Tabela 3.4 Limitares para a converso da radiometria das cenas SAR de 16


para 8 bits. VZ: decomposio de van Zyl; CP: decomposio de
Cloude Pottier; T: matriz T (decomposio de Pauli).
Cena (ngulo perodo imagem)
SQ7 Cheia HH

Mnimo

Mximo

0.491

SQ7 Cheia HV

0.100

SQ7 Cheia VV

0.379

SQ14 Cheia HH

0.316

SQ14 Cheia HV

0.086

SQ14 Cheia VV

0.301

SQ27 Cheia HH

0.275

SQ27 Cheia HV

0.065

SQ27 Cheia VV

0.281

SQ27 Seca HH

0.231

SQ27 Seca HV

0.058

SQ27 Seca VV

0.228

SQ27 Cheia T11 (HH+VV)

0.323

SQ27 Cheia T22 (HH-VV)

0.230

SQ27 Cheia T33 (HV)

0.060

SQ27 Cheia CP - Alpha

25.133

51.646

SQ27 Cheia CP - Anisotropia

0.172

0.707

SQ27 Cheia CP - Entropia

0.462

0.904

SQ27 VZ Double - Bounce

0.149

SQ27 VZ - Superficial

0.238

SQ27 VZ - Volumtrico

0.098

Terminada a etapa de segmentao, a rvore de deciso foi implementada


manualmente no software eCognition 8.7 e a classificao foi realizada
segundo os parmetros dessa rvore de deciso. As imagens 8 bits no foram
utilizadas nessa etapa, apenas as imagens originais. Cada classificao foi
ento exportada como formato vetorial (shapefile) para sua validao utilizando
o software ArcGIS 10.
Para validar cada classificao, foram utilizados320 pontos (para as classes de
vrzea) e 393 pontos (para as classes gerais). Esses pontos foram gerados

41

atravs de (a) dados de GPS e fotogrficos de campos anteriores (ARNESEN,


2013) e (b) atravs de fotointerpretao de imagens Google Earth , Bing e
Nokia HERE de alta resoluo e cenas Landsat 5/TM e 7/ETM+, da mesma
poca do ano das cenas Radarsat-2.
Os desempenhos das classificaes foram comparados entre si utilizando-se
os trs ndices calculados anteriormente. A primeira classificao utilizou
apenas as imagens da diagonal principal da matriz C (HH, HV e VV), para os
trs ngulos de incidncia (SQ7, SQ14 e SQ27), utilizando-se atributos de
textura e de amplitude. Essa classificao teve o objetivo de determinar o
ngulo de incidncia de maior potencial para o mapeamento das classes de
vegetao de vrzea e o tipo de atributo (mediana da amplitude, em escala
linear e/ou textura dos objetos). O ngulo com o melhor desempenho na
classificao, medido pelos ndices indicados anteriormente, foi ento utilizado
em todas as etapas de classificao subsequentes.
Posteriormente, foram confrontados os ndices de validao das diagonais
principais da matriz C e da matriz T, com o objetivo de verificar o melhor tipo de
representao do retroespalhamento dos alvos (pelas polarizaes HH, HV e
VV ou pela simulao dos mecanismos de retroespalhamento superficial HH
+ VV, diedro HH - VV e volumtrico HV).
Em seguida, foi comparado o desempenho das imagens da diagonal da matriz
escolhida na etapa anterior com as decomposies polarimtricas escolhidas
na etapa de pr-seleo das decomposies, para determinar se houve ganho
preciso do mapeamento com a utilizao de decomposies polarimtricas.
Por ltimo, o desempenho das classificaes prvias, monotemporais, foi
comparado com o desempenho de uma classificao multitemporal, com o
objetivo de verificar o ganho de preciso na classificao com o uso de mais de
uma cena de pocas diferentes.
Todas essas classificaes, mapeamentos e comparaes foram realizados
tanto para as classes da vrzea como tambm para as classes gerais. Apenas

42

quando devidamente especificado o contrrio, as cenas f oram classificadas em


valores de amplitude linear.
3.5.4. Modelagem dos atributos biofsicos da vegetao de vrzea
Para cada parcela amostrada em campo foram gerados e editados
manualmente polgonos ao seu redor, de maneira que contenham uma mdia
de 50 pixels. As imagens PolSAR passam a ser as variveis independentes e
os atributos de campo as variveis dependentes. O fluxograma da figura 3.7
resume os passos da modelagem.

Figura 3.7 Fluxograma das etapas da fase de modelagem dos atributos


biofsicos da vegetao
Como visto em Costa et al. (2002), Moreau ; Le Toan (2003) e Carreiras et al.
(2012), o speckle presente nas cenas de radar um problema para a
estimativa da correlao do retroespalhamento do radar com os parmetros
biofsicos medidos em campo. Os polgonos editados manualmente devem
conter um nmero mnimo de pixels com base no nmero efetivo de looks

43

(Effective Number of Louis ENL), para que o valor de retroespalhamento seja


representativo.
Por isso, estimou-se o ENL com base em Laur et al. (2004), atravs de
polgonos traados em regies homogneas conforme a relao (equao 3.2):
(3.2)
Onde CV o coeficiente de variao, definido como (equao 3.3):

(3.3)
Onde o desvio padro dos valores medidos no polgono e sua mdia.
O nmero mnimo de pixels amostrais foi calculado segundo Laur et al. (2004),
para que o intervalo de confiana das amostras seja, com 95% de confiana,
de +/- 2 dB. Para calcular o ENL foram utilizando cerca de 1500 pixels de
regies de gua (regio homognea).
Posteriormente, foi calculada a mdia dos pixels das imagens utilizando os
polgonos desenhados ao redor dos pontos das parcelas de campo. As
imagens utilizadas foram as mesmas da etapa da classificao. Cada ponto, no
final

dessa

etapa,

possui

atrelado

ele

um

valor

de

mdia

de

retroespalhamento/atributo polarimtrico para cada imagem e um valor de


mdia para cada atributo biofsico da vegetao.
Em seguida foi calculada a correlao de Pearson entre as mdias das
variveis independentes e a mdia das variveis dependentes, para todos os
17 pontos. Para identificar o melhor ajuste linear entre as variveis, calculou-se
a correlao de Pearson (a) com ambas as mdias em escalas lineares (linear
linear), (b) com a varivel independente em dB (ou log10, para as imagens
que no expressam retroespalhamento, como aquelas da decomposio de
Cloude - Pottier) e as dependentes em escala linear (dB linear), (c) com a

44

varivel independente em escala linear e a varivel dependentes em log10


(linear log) e (d) com ambas as variveis em dB e/ou Log10 (dB log)
(COSTA et al., 2002; NOVO et al., 2002). A transformao em log na base 10
foi escolhida para que ela tivesse a mesma base da transformao da
amplitude em dB. Nessa etapa, foram descartadas todas as relaes entre
variveis que apresentassem correlao de Pearson menor que 0,5.De modo a
eliminar variveis independentes correlacionadas entre si, calculou-se, em
seguir, a correlao de Pearson entre as variveis independentes selecionadas
na etapa anterior. Foram ento eliminadas as variveis independentes com
correlao superior a 0,3.
Em

seguida

foram

ajustados

os

modelos

para

todas

as

variveis

independentes selecionadas segundo os critrios descritos no pargrafo


anterior. Foram ajustados modelos lineares com apenas uma varivel, um para
cada varivel independente. A validao dos modelos foi feita atravs de
validao cruzada (jackknife), como em Hebron e Gongo (1983): o modelo foi
ajustado utilizando n-1 pontos e para o ponto restante foi calculado o erro; esse
procedimento foi repetido at que o erro para todos os pontos fossem
calculados. Os modelos foram comparados entre si atravs dos seguintes
parmetros: (a) R, (b) erro quadrtico mdio (RMSE), (c) distribuio dos
pontos ao longo da curva calculada, (d) aleatoriedade dos resduos e (e)
normalidade dos resduos.
4. Resultados e discusses
4.1.

Teste do tamanho da janela do filtro speckle

Pode-se observar que a partir do tamanho de janela 5x5 (figura 4.1), a reduo
do CV bem menor. H forte decrscimo para a janela 3x3, um pouco menor
para a janela 5x5. A reduo do CV inversamente proporcional ao tamanho
da janela, tornando-se menos significativa a partir de 5x5 e quase
imperceptvel entre as janelas 9x9 e 11x11.

45

Figura 4.1 - Anlise do decrscimo do coeficiente de variao (CV) para


diferentes janelas para o filtro polarimtrico Refined Lee, para a
cena SQ7 da poca da cheia, na polarizao HH, em slant range,
em regies de Floresta de Terra Firme.
Analisando os efeitos de cada janela visualmente (figura 4.2) percebe-se
excessivo borramento das bordas entre as diferentes classes, alm da perda
de informaes da rugosidade e textura dos alvos, principalmente para as
janelas 9x9 e 11x11. Nota-se ainda que, a partir da janela 7x7, h a formao
de artefatos em regies com gradientes de bordas excessivos, como em
transies entre macrfitas emersas e regies de gua ou de macrfitas
flutuantes (figura 4.3).
Dessa maneira, o filtro escolhido foi o 5x5 tendo sido utilizado para processar
todas as imagens nas etapas posteriores.

46

Figura 4.2 - Efeito da aplicao do filtro Refined Lee para diferentes tamanhos
de janelas de operao. Imagem: polarizao HH, ngulo de
incidncia SQ7, slant range, na poca da cheia. Cenas Radarsat-2
fornecidas

atravs

do

programa

Science

and

Operational

Applications Research (SOAR), coordenado pela Canadian Space


Agency (CSA), projeto nmero 5052/LAN0922. Os dados e
produtos Radarsat-2 so licenciados para uso pela MacDonald,
Dettwiler e Associados, Ltd.

47

Figura 4.3 - Presena de artefatos em regies de gua (destaque, em


vermelho) e ao longo das bordas entre vegetao e gua. Cenas
Radarsat-2

fornecidas

atravs

do

programa

Science

and

Operational Applications Research (SOAR), coordenado pela


Canadian Space Agency (CSA), projeto nmero 052/LAN0922. Os
dados e produtos Radarsat-2 so licenciados para uso pela
MacDonald, Dettwiler e Associados, Ltd.
4.2.

Teste do tamanho da janela de mdia espacial das decomposies

polarimtricas
Novamente, observa-se que as janelas com tamanhos maiores que 5x5 (figura
4.4), apresentam pouca reduo do CV em relao s menores. A reduo do
CV varia com as componentes da imagem, sendo maior para a componente
double-bounce, enquanto que para as componentes (volumtrica e superficial)
ocorre a estabilizao j em janelas de menor tamanho.

48

Figura 4.4 - Anlise do decrscimo do coeficiente de variao (CV) para


diferentes janelas de mdia espacial para a decomposio de
Freeman Durden, cena SQ7 da poca da cheia, em slant range,
em regies de Floresta de Terra Firme.
Visualmente nota-se que a janela de mdia espacial possui maior intensidade
de borramento dos pixels quando comparado com o filtro Refined Lee (figura
4.5). Apesar da maior mistura entre as bordas dos alvos e da perda de
rugosidade e textura a partir da janela 7x7, h a formao de menos artefatos
por parte do uso de janelas de mdia espacial.Dessa maneira as
decomposies polarimtricas foram processadas com a janela 5x5, de
maneira a corroborar com o resultado dos testes supracitados.

49

Figura 4.5 - Anlise visual das janelas de mdia espacial das decomposies
polarimtricas. Imagem: componente volumtrica da decomposio
de Freeman Durden, em slant range, ngulo de incidncia SQ7
para a poca da cheia.
4.3.

Seleo das amostras de treinamento e gerao de grficos boxplot

As classes com menor expresso de rea nas cenas, como Solo Exposto e
Macrfitas Flutuantes tiveram o menor nmero de amostras 16 e 20 (tabela
4.1). Todas as outras classes apresentam nmero semelhante de amostras (de
24 a 32). A distribuio das amostras na imagem pode ser observada nas
figuras 4.6 e 4.7. Para a coleta de amostras das classes de vrzea, foi utilizada
uma mscara excluindo a regio de terra firme, desenhada atravs de
fotointerpretao.

50

Tabela 4.1 Nmero de amostras por classe de uso e cobertura do solo. A


coluna Vrzea / Terra Firme mostra as classes que so utilizadas
apenas nas classificaes de vrzea, de terra firme e em ambas.

Classe

Vrzea / Terra Firme

Nmero de amostras

gua

Ambos

32

Arbustos

Ambos

27

Campos de Vrzea

Vrzea

29

Floresta Inundvel

Ambos

28

Floresta de Terra Firme

Terra Firme

30

Macrfitas Emersas

Ambos

24

Macrfitas Flutuantes

Ambos

20

Solo Exposto

Terra Firme

16

A classe Campos de Vrzea uma classe transitria, criada para a


classificao multitemporal. Essa classe composta pelo mesmo tipo de
vegetao herbcea que a classe Macrfitas Emersas, mas a sua assinatura
espectral multitemporal diferente. A classe Macrfita Emersa, em geral,
apresenta alto retroespalhamento na cheia e baixo na poca da seca, por conta
de no haver mais lmina dgua sob o dossel das herbceas (responsvel
pelo espalhamento double-bounce) e pela prpria dinmica fenolgica dessas
plantas, que podem apresentar alta mortandade na seca. Por sua vez, a classe
Campos de Vrzea representa os objetos que, na cheia, apresentam-se
totalmente cobertos por gua (apresentando assim baixo retroespalhamento),
mas que na seca afloram e permitem o crescimento de algumas herbceas
(aumentando o seu retroespalhamento).

51

Figura 4.6 Distribuio das amostras das classes gerais na rea de estudo
(destaque em vermelho). Cenas Radarsat-2 fornecidas atravs do
programa Science and Operational Applications Research (SOAR),
coordenado pela Canadian Space Agency (CSA), projeto nmero
5052/LAN0922. Os dados e produtos Radarsat-2 so licenciados
para uso pela MacDonald, Dettwiler e Associados, Ltd.

52

Figura 4.7 Distribuio das amostras das classes de vrzea na rea de


estudo (destaque em vermelho). A mscara da regio de terra firme
encontra-se na regio hachurada, em vermelho. Cenas Radarsat-2
fornecidas

atravs

do

programa

Science

and

Operational

Applications Research (SOAR), coordenado pela Canadian Space


Agency (CSA), projeto nmero 5052/LAN0922. Os dados e
produtos Radarsat-2 so licenciados para uso pela MacDonald,
Dettwiler e Associados, Ltd.
4.4.

Pr-selees dos dados polarimtricos

Com relao s diagonais das matrizes C e T (figura 4.8), percebe-se que a


matriz T possui boxplots com menos sobreposio (como em T22 x C11), com
caudas mais longas e com maior ocorrncia de outliers (como em T11 e C33).
Dessa maneira, por apresentarem imagens com caractersticas diferentes,
sero ambas as matrizes selecionadas.

53

Figura 4.8 Retroespalhamento, em dB, das imagens da diagonal da matriz C (c11 HH, c22 HV e c33 VV) e T (t11
HH + VV, t22 HH - VV e t33 HV) para todas as classes de uso e cobertura da vrzea do Lago Grande
de Curuai, PA.

54

O segundo grupo de imagens analisadas o das decomposies de Cloude


Pottier (CP) e Touzi. O ngulo (alpha) das duas decomposies
semelhante (figura 4.9), mas a decomposio de Touzi o detalha ainda mais
em outras trs componentes, como se pode perceber na figura 4.10.

Figura 4.9 ngulos alpha da decomposio de Cloude Pottier (cp_alpha) e


ngulo alpha mdio da decomposio de Touzi (touzi_alpha_s),
para todas as classes de uso e cobertura da vrzea do Lago
Grande de Curuai, PA.

55

Figura 4.10 ngulo alpha mdio da decomposio de Touzi para cada um


dos autovetores da matriz C (touzi_alpha_s, _s1, _s2 e _s3
respectivamente), para todas as classes de uso e cobertura da
vrzea do Lago Grande de Curuai, PA.
Apesar do ngulo alpha da decomposio de Touzi apresentar potencial para
gerar uma boa classificao da vegetao da vrzea do Lago Grande de
Curuai,

todos

os

seus

outros

produtos

apresentaram

desempenhos

questionveis (figura 4.11, 4.12 e 4.13), apresentando grande sobreposio


entre as respostas das classes, principalmente para as classes de vegetao.
Dessa forma, a decomposio de Cloude Pottier foi preferida sobre a
decomposio de Touzi.

56

Figura 4.11 ngulo (phi) mdio da decomposio de Touzi e para cada um


dos autovetores da matriz C (touzi_phi_s, _s1, _s2 e _s3
respectivamente) para todas as classes de uso e cobertura da
vrzea do Lago Grande de Curuai, PA.

57

Figura 4.12 ngulo (psi) mdio da decomposio de Touzi e para cada um


dos autovetores da matriz C (touzi_psi_s, _s1, _s2 e _s3
respectivamente) para todas as classes de uso e cobertura da
vrzea do Lago Grande de Curuai, PA.

58

Figura 4.13 ngulo (tau) mdio da decomposio de Touzi e para cada um


dos autovetores da matriz C (touzi_tau_s, _s1, _s2 e _s3
respectivamente) para todas as classes de uso e cobertura da
vrzea do Lago Grande de Curuai, PA.
Com relao as decomposies de Freeman Durden (FD), van Zyl (VZ) e
Yamaguchi (Yama), todas as suas componentes apresentaram desempenhos
bastante similares (figura 4.14, 4.15 e 4.16).

59

Figura 4.14 Resposta, em dB, da camada de espalhamento double bounce


das decomposies de Freeman Durden (fd_double), van Zyl
(vz_double) e Yamaguchi (yama_double) para todas as classes de
uso e cobertura da vrzea do Lago Grande de Curuai, PA.

60

Figura 4.15 Resposta, em dB, da camada de espalhamento superficial (odd


scattering) das decomposies de Freeman Durden (fd_odd), van
Zyl (vz_odd) e Yamaguchi (yama_odd) para todas as classes de
uso e cobertura da vrzea do Lago Grande de Curuai, PA.

61

Figura 4.16 Resposta, em dB, da camada de espalhamento volumtrico das


decomposies de Freeman Durden (fd_vol), van Zyl (vz_vol) e
Yamaguchi (yama_vol) para todas as classes de uso e cobertura da
vrzea do Lago Grande de Curuai, PA.
Analisando os grficos, percebe-se que a decomposio de van Zyl apresentou
o melhor potencial para separar os alvos nas camadas volumtricas (_vol) e
superficial (_odd), mas no em sua camada de espalhamento double-bounce
(_db), a qual Yamaguchi se destaca. Porm, por possuir 2 das 3 melhores
componentes, a decomposio de van Zyl foi escolhida.
Dessa maneira, foram pr-selecionadas ambas as diagonais das matrizes C e
T, a decomposio de Cloude Pottier (CP) e a de van Zyl (VZ), e apenas
essas imagens foram convertidas de slant para ground range e ortorretificadas.
4.5.

Parametrizao do minerador de dados

O parmetro fator de confiana possui pouco ou nenhum efeito no tamanho


das rvores de deciso geradas e no seu erro mdio absoluto (figura 4.17 e

62

tabela 4.2). Dessa maneira, optou-se por utilizar o valor padro do algoritmo
J.48 implementado no Weka 3.6.10, de 0,25.

Figura 4.17 Variao da exatido global (%) das rvores de deciso geradas
em funo de diferentes valores de Fator de Confiana, para todos
os alvos de uso e cobertura da terra da vrzea do Lago Grande de
Curuai, PA.

Tabela 4.2 Valores de exatido global (%), erro mdio absoluto e nmero de
ns em funo da variao do fator de confiana, para todos os
alvos de uso e cobertura da terra da vrzea do Lago Grande de
Curuai, PA
Fator de Confiana

Exatido Global

Erro Mdio Absoluto

Nmero de ns

0.1

80.3371

0.0588

31

0.2

80.3371

0.0589

31

0.3

80.3371

0.0589

31

0.4

80.3371

0.0589

31

0.5

80.3371

0.0589

31

0.6

80.3371

0.0589

31

0.7

80.3371

0.0589

31

0.8
0.9

80.3371
80.3371

0.0589
0.0589

31
31

80.3371

0.0589

31

63

Houve maior variao do resultado para o parmetro nmero mnimo de


objetos (figura 4.18 e tabela 4.3). Percebe-se significativa queda de preciso e
aumento do erro quando o nmero mnimo de objetos passou de 15 para 20.
Isso se deu, pois h apenas 16 amostras de Solo Exposto, e quando o nmero
mnimo de objetos igual a 20, objetos dessa classe so unidos aos de outras
classes, aumentando o erro de classificao.

Figura 4.18 Variao da exatido global (%) (A), do erro mdio absoluto (B) e
do nmero de ns (C) das rvores de deciso geradas em funo
de diferentes valores de nmero mnimo de objetos, para todos os
alvos de uso e cobertura da terra da vrzea do Lago Grande de
Curuai, PA.

64

Tabela 4.3 valores de exatido global (%), erro mdio absoluto e nmero de
ns em funo da variao do fator de confiana, para todos os
alvos de uso e cobertura da terra da vrzea do Lago Grande de
Curuai, PA.
N min. Objetos
2
5
10
15
20
25
30

Exatido Global
80.3371
79.2135
83.7079
84.2697
66.8539
66.8539
67.4157

Erro Mdio Absoluto


0.0589
0.0695
0.0681
0.0663
0.1086
0.1216
0.1182

Nmero de ns
31
17
13
13
11
9
9

Apesar de nmero mnimo de objetos igual a 15 ter apresentado exatido


global maior que o parmetro 10, esse foi preferido ao invs de aquele. Isso se
deu, pois nmero mnimo de objetos igual a 10 permite que a maioria das
classes seja dividida em mais de um n, quando necessrio, pelo algoritmo
J.48. Dessa maneira h menor possibilidade de comprometimento da exatido
global da rvore de deciso pela unio de ns com nmero mnimo de objetos
menor que 15, e ainda sim evita a criao de rvores muito grandes.
4.6.

Classificao dos dados

Os resultados das classificaes dos dados sero primeiramente apresentados


em termos gerais (para toda a classificao) e depois para as classes tomadas
individualmente. As matrizes de confuso referentes a cada classificao
constaro como anexos, ao final do documento.
4.6.1. Classificao dos ngulos de incidncia
A primeira comparao, entre os ngulos de incidncia, foi realizada para as
classes gerais, utilizando atributos de amplitude e textura referentes s
imagens dos trs ngulos de incidncia (SQ7, SQ14 e SQ27). Essa anlise
teve como objetivo verificar qual a combinao de (a) atributos das imagens

65

(retroespalhamento e/ou textura) e (b) ngulo de incidncia que promove a


melhor classificao dos alvos de vrzea.
Percebe-se pela anlise qualitativa dos grficos boxplot (figuras 4.19 a 4.25)
que a amplitude possui maior potencial para discriminar as classes propostas e
que os atributos de textura apresentam elevada confuso entre todas as
classes, com exceo do atributo GLCM Entropy.
Entre os

ngulos de incidncia, aqueles que apresentam a melhor

separabilidade entre as classes so o SQ7, para as classes de Terra Firme


(Floresta de Terra Firme e Solo Exposto) e o SQ27 para as classes de
vegetao da vrzea (Macrfitas Emersas, Arbustos e Floresta Inundvel).

Figura 4.19 Valores de retroespalhamento (dB) para as polarizaes da


diagonal principal da matriz C (HH, HV e VV) do ngulo de
incidncia SQ7, das classes de cobertura do solo propostas para o
Lago Grande de Curuai - PA, para os trs ngulos de incidncia. As
classes so: A gua, AB Arbustos, TF Floresta de Terra
Firme, FI Floresta Inundvel, ME Macrfitas Emersas, MF
Macrfitas Flutuantes, SE Solo Exposto.

66

Figura 4.20 Valores de retroespalhamento (dB) para as polarizaes da


diagonal principal da matriz C (HH, HV e VV) do ngulo de
incidncia SQ14, das classes de cobertura do solo propostas para
o Lago Grande de Curuai - PA, para os trs ngulos de incidncia.
As classes so: A gua, AB Arbustos, TF Floresta de Terra
Firme, FI Floresta Inundvel, ME Macrfitas Emersas, MF
Macrfitas Flutuantes, SE Solo Exposto.

67

Figura 4.21 Valores de retroespalhamento (dB) para as polarizaes da


diagonal principal da matriz C (HH, HV e VV) do ngulo de
incidncia SQ27, das classes de cobertura do solo propostas para
o Lago Grande de Curuai - PA, para os trs ngulos de incidncia.
As classes so: A gua, AB Arbustos, TF Floresta de Terra
Firme, FI Floresta Inundvel, ME Macrfitas Emersas, MF
Macrfitas Flutuantes, SE Solo Exposto.

68

Figura 4.22 Valores do atributo de textura Dissimilaridade (GLCM


Dissimilarity), para as classes de cobertura do solo propostas para
o Lago Grande de Curuai - PA. As classes so: A gua, AB
Arbustos, TF Floresta de Terra Firme, FI Floresta Inundvel, ME
Macrfitas Emersas, MF Macrfitas Flutuantes, SE Solo
Exposto.

69

Figura 4.23 Valores do atributo de textura Entropia (GLCM Entropy), para as


classes de cobertura do solo propostas para o Lago Grande de
Curuai - PA. As classes so: A gua Permanente, AB Arbustos,
TF Floresta de Terra Firme, FI Floresta Inundvel, ME
Macrfitas Emersas, MF Macrfitas Flutuantes, SE Solo
Exposto Permanente.

70

Figura 4.24 Valores do atributo de textura Homogeneidade (GLCM


Homogeneity), para as classes de cobertura do solo propostas para
o Lago Grande de Curuai - PA. As classes so: AP gua
Permanente, AB Arbustos, TF Floresta de Terra Firme, FI
Floresta Inundvel, ME Macrfitas Emersas, MF Macrfitas
Flutuantes, SE Solo Exposto Permanente.

71

Figura 4.25 Valores do atributo de textura Correlao (GLCM Correlation),


para as classes de cobertura do solo propostas para o Lago
Grande de Curuai - PA. As classes so: AP gua Permanente,
AB Arbustos, TF Floresta de Terra Firme, FI Floresta
Inundvel, ME Macrfitas Emersas, MF Macrfitas Flutuantes,
SE Solo Exposto Permanente.
A tabela4.4 resume os resultados da classificao por atributo e ngulo de
incidncia utilizado. Percebe-se que a tendncia observada nos grficos
mantida o melhor desempenho para as classes gerais alcanado com o uso
das imagens do ngulo de incidncia SQ7 em amplitude ( = 0,68; QD = 13,73
e AD = 10,14). Porm, o melhor QD foi obtido no ngulo de incidncia SQ14
(QD = 11,00).
O melhor resultado utilizando apenas atributos de textura foi para o ngulo de
incidncia SQ27 ( = 0,38; QD = 11,52 e AD = 33.80). O ngulo SQ27 tambm
obteve o melhor desempenho no ndice kappa e no QD quando a amplitude e
textura foram combinadas ( = 0,67 e QD = 5,79), mas o melhor valor de AD foi

72

observado para o ngulo SQ14 (AD = 14,96). Devido ao baixo desempenho


dos atributos de textura, eles no foram utilizados na classificao dos alvos de
vrzea.
O melhor resultado as classes de vrzea foi obtidos pelo ngulo de incidncia
SQ27 ( = 0,74; QD = 8,64 e AD = 4,77).
Tabela 4.4 ndices de validao da classificao para todas as classes de
cobertura da classificao relativa aos ngulos de incidncia SQ7,
SQ14 e SQ27 e atributos de amplitude e textura. A coluna Escala
referente ao parmetro utilizado na segmentao das imagens.
ngulo de
incidncia

Classes

Atributo
utilizado

Imagens
utilizadas

Escala

SQ7
SQ14

Amplitude

SQ27
SQ7
SQ14

Classes
Gerais

Textura

HH, HV e
VV

SQ27

Nmero de
ns na
rvore

Kappa

13

0,68

13.73

10,14

13

0,65

11.00

14,96

13

0,63

14.47

12,98

23

0,32

14.30

37,46

19

0,18

20.07

50,21

17

0,38

11.52

33,80

15

0,60

12.96

17,26

13

0,64

11.31

14,96

15

0,67

5.79

16,98

0,71

12.61

6.82

0,65

13.07

10.85

0,74

12.86

4.77

Quantity
Allocation
Disagreement Disagreement

25
SQ7
SQ14

Amplitude
+ Textura

SQ27
SQ7
SQ14

Classes de
Amplitude
vrzea

HH, HV e
VV

SQ27

As rvores de deciso geradas com atributos de textura foram maiores que


aquelas que se utilizam apenas da amplitude (23, 19 e 17 respectivamente
para SQ7, SQ14 e SQ27 contra 13 para os mesmos ngulos), o que demonstra
que o algoritmo precisou usar um maior nmero de ns para diferenciar as
mesmas classes. A combinao da amplitude e textura tambm aumentou
ligeiramente as rvores (15, 13 e 15 respectivamente para SQ7, SQ14 e SQ27
contra 13 para os mesmos ngulos utilizando apenas amplitude). Isso
demonstra que a textura possui menor capacidade de discriminar os alvos.

73

Devido ao melhor desempenho no ndice kappa e no AD na classificao dos


alvos de vrzea, o ngulo SQ27 foi escolhido como aquele que mais aumenta o
desempenho do algoritmo J.48. Todas as classificaes seguintes utilizaro
imagens com esse ngulo de incidncia.
4.6.2. Classificao das diagonais da matriz C e T
A classificao das imagens da diagonal da matriz C (C11, C22 e C33,
respectivamente HH, HV e VV) e matriz T (T11, T22 e T33, respectivamente
HH + VV, HH VV e HV) foi realizada com os atributos de amplitude e tem
como objetivo verificar qual a melhor representao do retroespalhamento
dos alvos da superfcie para classificar os alvos de vrzea: (a) utilizando os
parmetros do sistema sensor matriz C ou (b) tentando simular mecanismos
cannicos de retroespalhamento matriz T.
Percebe-se pela anlise qualitativa dos grficos boxplot (figuras 4.26) que
ambas as matrizes possuem bom potencial para separar diferentes classes,
principalmente as cenas C11 e C33 (HH e VV) e T22 (HH VV).

74

Figura 4.26 Valores de retroespalhamento (dB) para os arranjos de


polarizaes das diagonais principais da matriz C e T do ngulo de
incidncia SQ7, das classes de cobertura do solo propostas para o
Lago Grande de Curuai - PA, para os trs ngulos de incidncia. As
classes so: A gua, AB Arbustos, TF Floresta de Terra
Firme, FI Floresta Inundvel, ME Macrfitas Emersas, MF
Macrfitas Flutuantes, SE Solo Exposto.
Pode-se perceber que ambas as matrizes obtiveram desempenhos muito
semelhantes. A matriz T obteve melhores ndices para as classes gerais ( =
0,72, QD = 12,4 e AD = 8.41) enquanto a matriz C os apresentou para as
classes de vrzea ( = 0,74, QD = 13,11 e AD = 4.77) (tabela4.5).A
combinao das imagens de ambas as matrizes, apesar de ter piorado
ligeiramente os ndices kappa e AD, tanto para as classes gerais ( = 0.71 e
AD = 9.84) quanto para as classes de vrzea ( = 0.74 e AD = 6.85), obteve os
melhores ndices QD (QD = 11,95 para as classes gerais e QD = 10,49 para as
classes de vrzea).

75

Tabela 4.5 ndices de validao da classificao das imagens das diagonais


principais das matrizes C e T. A coluna Escala referente ao
parmetro utilizado na segmentao das imagens.

Matriz

Classes

Imagens
utilizadas

Classes
Gerais

Diagonal da
matriz C (HH,
HV e VV);

CeT
C
T

25

CeT
C

Escala

Classes de
vrzea

Diagonal da
matriz T
(HH+VV, HHVV e HV)

Nmero de
ns na
rvore

Kappa

Quantity
Disagreement

13

0,71

11,95

9,84

13

0,63

14,11

12,98

15

0,72

12,40

8,41

0,74

10,49

6,85

0,74

13,11

4,77

11

0,73

11,97

6,72

Allocation
Disagreement

As rvores de deciso geradas com as imagens da matriz T foram ligeiramente


maiores que aquelas geradas com as cenas da matriz C (15 para as classes
gerais e 11 para as classes de vrzea, para a matriz T, contra 13 e 9 para as
mesmas classes usando a matriz C). Esse resultado mostra que as imagens da
matriz T possuem menor capacidade de separao dos alvos do que aquelas
da matriz C.
Dessa maneira, percebe-se que para as classes de vrzea, as polarizaes do
sistema sensor so mais adequadas do que os arranjos de polarizao da
matriz T,mesmo que ambas contenham teoricamente a mesma quantidade de
informao sobre os alvos imageados. Assim, as classificaes subsequentes
utilizaram apenas as imagens da matriz C.
4.6.3. Classificao das decomposies polarimtricas
Percebe-se pela anlise dos grficos boxplot (figuras 4.27) que, para a
decomposio de Cloude Pottier (CP) h maior diferena nas respostas das
classes nas imagens do ngulo alpha e da anisotropia. A imagem entropia
apresenta valores semelhantes para a maioria dos alvos de vegetao (exceto
Floresta de Terra Firme). Os objetos de gua, para todas as imagens da
decomposio de CP, apresentaram valores ruidosos, o que pode ter sido
causado pelo baixssimo sinal de retorno presente nessas regies para um

76

ngulo de incidncia grande como o SQ27 (cerca de 45).Alm disso, apesar


de apresentar uma boa separabilidade entre os alvos, as imagens dessa
decomposio apresentam poucas bordas entre os alvos, dificultando sua
delimitao.

Devido a essas

caractersticas, quando as

imagens

da

decomposio de CP foram utilizadas combinadas a outras imagens, elas no


foram consideradas para fins de segmentao.

Figura 4.27 Resposta para as classes de cobertura do solo do Lago Grande


de Curuai - PA para as imagens da decomposio de Cloude
Pottier: ngulo (alpha - graus), anisotropia (anisotropy adimensional) e entropia (entropy - adimensional). As classes so:
A gua Permanente, AB Arbustos, TF Floresta de Terra
Firme, FI Floresta Inundvel, ME Macrfitas Emersas, MF
Macrfitas Flutuantes, SE Solo Exposto Permanente.
A decomposio de van Zyl (VZ) proporcionou boa separabilidade para todas
as classes, para as componentes volumtrica e double-bounce (4.28),
enquanto que a componente de espalhamento superficial apresentou pouca
variao nas respostas. Dado que a cena composta por uma maioria de alvos

77

de vegetao, prevalecem os mecanismos de espalhamento de double-bounce


e volumtrico e os de espalhamento superficial so menos expressivos, sendo
assim similares para todas as classes.

Figura 4.28 Resposta para as classes de cobertura do solo do Lago Grande


de Curuai - PA para as imagens da decomposio de van Zyl:
componente Double-bounce (dB), superficial (odd) e volumtrica
(vol). As classes so: A gua Permanente, AB Arbustos, TF
Floresta de Terra Firme, FI Floresta Inundvel, ME Macrfitas
Emersas, MF Macrfitas Flutuantes, SE Solo Exposto
Permanente.
Observando a classificao como um todo, a decomposio de Cloude
Pottier apresentou o pior desempenho ( = 0,37/0,39; QD = 12,62/16,64 e AD
de 39.83/31,65; para classes gerais e de vrzea respectivamente).Esse
desempenho deve-se pela pobre definio das bordas entre os diferentes alvos
(tabela 4.6). Assim, a decomposio de CP no foi usada como plano de
informao para o algoritmo de segmentao, quando combinada com outras
imagens.

78

Os melhores desempenhos das classificaes das decomposies foram CP +


VZ ( = 0,73 / 0,75; QD = 12,44/11,27 e AD = 8,22 / 5,95) e VZ ( = 0,73/0,75;
QD = 10,93/11,26 e AD = 10,09/5,63; para as classes gerais e de vrzea
respectivamente). Porm, se comparado com o desempenho alcanado
apenas com a classificao da diagonal da matriz C, no houve melhora
significativa quando a classificao analisada como um todo os ndices
kappa foram apenas 0.01 unidades maiores e ambos os ndices QD e AD
foram ligeiramente maiores que os da diagonal da matriz C. Deve-se, desta
maneira, observar o desempenho das classes individuais para melhor analisar
os benefcios trazidos pelo uso de decomposies polarimtricas.
Tabela 4.6 ndices de validao da classificao das imagens das
decomposies polarimtricas de van Zyl (VZ), Cloude Pottier
(CP) e suas combinaes entre si e da diagonal da matriz C. A
coluna Escala referente ao parmetro utilizado na segmentao
das imagens. As imagens CP, quando combinadas com outras
imagens no foram consideradas como planos de informao para
a segmentao.

Decomposio Classes

Imagens
utilizadas

CP

Escala

Nmero
de ns na
rvore

Kappa

15

21

0,37

12,62

39,83

15

0,71

13,97

7,33

15

0,73

12,44

8,22

15

0,72

12,49

8,65

15

0,73

10,43

10,09

13

0,71

12,25

9,79

11

0,39

16,64

31,65

11

0,69

14,73

6,52

11

0,75

11,27

5,95

CP + C
CP + VZ
CP + VZ + C
VZ
VZ + C
CP
CP + C
CP + VZ
CP + VZ + C

Classes
Gerais

CP anisotropia,
entropia e
ngulo
alpha; VZ superficial,
volumtrico
e doubleClasses bounce e C de
HH, HV e VV
Vrzea

25

15

25

Quantity
Allocation
Disagreement Disagreement

0,74

11,42

6,22

VZ

11

0,75

11,26

5,63

VZ + C

0,74

11,42

6,22

79

As rvores de deciso geradas com as decomposies polarimtricas


apresentaram um nmero de ns ligeiramente maior que aquelas geradas
apenas com as imagens da diagonal da matriz C, indicando uma menor
separabilidade dos alvos, principalmente para a decomposio de Cloude
Pottier.
Como

no

houve

aumento

significativo

do

desempenho

geral

das

classificaes com o uso de decomposies polarimtricas, procedeu-se para a


classificao multitemporal utilizando apenas a diagonal da matriz C.
4.6.4. Classificao da diagonal da matriz C multitemporal
Para esta classificao, foram utilizadas as imagens da diagonal da matriz C,
para ambos os pulsos de inundao da cheia e da seca, para o ngulo de
incidncia SQ27. Como plano de informao adicional s imagens da seca,
foram geradas para essa classificao razes de polarizaes multitemporais
HH seca / HH cheia; HV seca / HV cheia e VV seca / VV cheia.
A dinmica fenolgica da vrzea entre os pulsos da cheia e da seca muda
significativamente os valores do retroespalhamento das classes, o que pode
ser observado na figura 4.29.

80

Figura 4.29 Resposta para as classes de cobertura do solo do Lago Grande


de Curuai - PA para as polarizaes da diagonal da matriz C para
os pulsos da cheia e da seca. As classes so: A gua
Permanente, AB Arbustos, CV Campos de Vrzea, TF
Floresta de Terra Firme, FI Floresta Inundvel, ME Macrfitas
Emersas, MF Macrfitas Flutuantes, SE Solo Exposto
Permanente.
Observando a classificao como um todo, de fato o uso de cenas
multitemporais aumentou o desempenho das classificaes, principalmente
quando as razes entre as polarizaes so utilizadas (tabela 4.7). O melhor
desempenho foi alcanado para a classificao utilizando as razes
multitemporais ( = 0,79/0,87; QD = 4,52/2,75 e AD = 11,81/7,02;
respectivamente para as classes gerais e classes de vrzea).

81

Tabela 4.7- ndices de validao da classificao das imagens multitemporais,


com ou sem razes multitemporais. A coluna Escala referente ao
parmetro utilizado na segmentao das imagens.

Multitemporal

Classes

Sem razes
multitemporais
Com razes
multitemporais

Classes
Gerais

Sem razes
multitemporais
Com razes
multitemporais

Imagens
utilizadas

Classes de
Vrzea

Nmero
de ns
Quantity
Allocation
Escala
Kappa
na
Disagreement Disagreement
rvore

HH, HV e VV cheia e seca;


HH, HV e VV cheia e seca;
razes
multitemporais
HH, HV e VV cheia e seca;
HH, HV e VV cheia e seca;
razes
multitemporais

17

0,74

6,78

13,99

17

0,79

4,52

11,81

13

0,78

5,69

9,45

11

0,87

2,75

7,02

20

Contudo percebe-se que em ambas as classificaes, usando ou no as


razes multitemporais, houve ligeiro aumento do AD, quando comparado com a
classificao das imagens da diagonal da matriz C monotemporal. O uso de
razo de bandas multitemporais, diminuiu esse erro, aproximando-se do erro
observado para a classificao monotemporal (AD de 7,02 para a classificao
multitemporal e 4,77 para a classificao monotemporal). Os reais benefcios
da classificao multitemporal foram relativos ao ndice QD e a estimativa das
reas das classes enquanto a classificao da matriz T obteve QD = 5,79 e
8,64 para as classes gerais e de vrzea respectivamente, a classificao
multitemporal obteve QD = 4,52 e 2,75 para as mesmas classificaes.
4.6.5. Anlise dos resultados das classificaes por classe individual
4.6.5.1. Allocation Disagreement
Ao analisar o AD das classes individualmente (figuras 4.30 a 4.36), percebe-se
que a

maioria delas

foi mais

bem classificada por decomposies

polarimtricas ou pelo uso de decomposies combinadas matriz C: (a)


Arbustos, pela decomposio de van Zyl (AD de 0.81 e 0.88% para as classes

82

gerais e de vrzea, respectivamente), (b) Floresta Inundvel, pela combinao


entre Cloude Pottier e matriz C (3.38 e 2.5%), (c) Macrfitas Emersas, pela
combinao entre imagens das decomposies de Cloude Pottier e van Zyl
(0.52 e 0.37%), (d) Floresta de Terra Firme e Solo Exposto, pela combinao
entre Cloude Pottier e a matriz C (0.68% e 0.8% respectivamente).
O melhor desempenho das classificaes da diagonal principal da matriz C e
das cenas multitemporais s ocorreu porque todas as classes apresentaram
erros mdios e baixos, e quando foram analisadas como um todo, o kappa
manteve-se alto e o allocation disagreement manteve-se baixo. Por sua vez, as
decomposies polarimtricas apresentam classes que foram classificadas de
maneira excelente ao mesmo tempo em que outras classes apresentaram
desempenhos ruins.Quando esse desempenho tomado para o conjunto das
classes, produzem-se piores ndices kappa e allocation disagreement em
relao s outras classificaes.
A escolha das classes tambm afeta o desempenho da classificao geral. A
classe de Floresta Inundvel foi uma das que apresentou a maior diferena
entre os ndices allocation disagreement calculado para as classes gerais e as
classes de vrzea. A melhora nesse ndice para as classes de vrzea se deu
pela eliminao da classe Floresta de Terra Firme, a qual apresentou sensvel
confuso com Floresta Inundvel.
As classes de gua e Macrfitas Flutuantes apresentaram AD de 0% na
maioria de suas classificaes, e naquelas onde houve erro foi devido
confuso entre objetos dessas duas classes. Dessa maneira, pode-se afirmar
que so classes facilmente discriminveis, quando comparadas com classes de
vegetao.

83

Figura 4.30 Allocation disagreement, de todas as classificaes, da classe


Arbustos.

Figura 4.31 Allocation disagreement, de todas as classificaes, da classe


Floresta Inundvel.

84

Figura 4.32 Allocation disagreement, de todas as classificaes, da classe


Macrfitas Emersas.

Figura 4.33 Allocation disagreement, de todas as classificaes, da classe


gua.

85

Figura 4.34 Allocation disagreement, de todas as classificaes, da classe


Macrfitas Flutuantes.

Figura 4.35 Allocation disagreement, de todas as classificaes, da classe


Floresta de Terra Firme.

86

Figura 4.36 Allocation disagreement, de todas as classificaes, da classe


Solo Exposto.
4.6.5.2. Quantity Disagreement
No foi possvel perceber um padro para as melhores imagens, em termos de
QD, quando foram analisadas as classes de maneira individual (figuras 4.37 a
4.43). A classe Arbusto apresentou o melhor QD para a combinao CP + VZ +
C (0,28% e 0,13%, para as classes gerais e de vrzea, respectivamente). A
classe Floresta Inundvel obteve o menor QD na classificao dos dados da
matriz C e T combinados para as classes gerais (0,05%) e para a combinao
entre CP + VZ para as classes de vrzea (0,08%). As Macrfitas Emersas
obtiveram o melhor desempenho com os dados da matriz T (0,04% e 0,13%
para as classes gerais e de vrzea); Floresta de Terra Firme obteve o melhor
resultado atravs da combinao entre amplitude e textura do ngulo de
incidncia SQ27 (0,14%) e Solo Exposto com a classificao multitemporal
com razes de bandas (0,24%).
Percebe-se que, para a maioria das classes, o uso de cenas multitemporais
diminuiu o QD, principalmente para as classificaes com razes de imagens,

87

quando comparado com o desempenho da classificao das imagens da


diagonal da matriz C monotemporais. Com exceo de Arbustos, todas as
classes apresentaram significativa melhora no QD e isso aumentou o ndice
kappa, dado que o AD para essas classes piorou.

Figura 4.37 Quantity disagreement, de todas as classificaes, da classe


Arbustos.

88

Figura 4.38 Quantity Disagreement, de todas as classificaes, da classe


Floresta Inundvel

Figura 4.39 Quantity Disagreement, de todas as classificaes, da classe


Macrfitas Emersas

89

Figura 4.40 Quantity Disagreement, de todas as classificaes, da classe


gua.

Figura 4.41 Quantity Disagreement, de todas as classificaes, da classe


Macrfitas Flutuantes.

90

Figura 4.42 Quantity Disagreement, de todas as classificaes, da classe


Floresta de Terra Firme.

Figura 4.43 Quantity Disagreement, de todas as classificaes, da classe


Solo Exposto.

91

4.7.

Modelagem e estimativa dos parmetros biofsicos da Floresta

Inundvel da vrzea do Lago Grande de Curuai.


O ENL foi calculado para todas as imagens utilizadas nessa etapa (tabela 4.8 a
4.10).Como o ENL variou, em mdia, de 5 a 10, segundo Laur et al. (1996), os
50 pixels amostrados, em mdia, possuem erro estimado de 1 a 1.5 dB, com
95% de confiana.
O ngulo que apresentou o maior nmero de correlaes com os atributos
biofsicos da vegetao foi o SQ27, seguido pelo SQ14 e SQ7, para quatro dos
nove atributos biofsicos da vrzea (DAP, altura de inundao, densidade de
indivduos e IAF). O atributo que apresentou a correlao mais forte com as
imagens PolSAR foi o IAF, seguido pelo DAP, densidade de indivduos e por
ltimo a altura de inundao. As variveis independentes selecionadas esto
resumidas na tabela 4.11.

Tabela 4.8 ENL para amostra de gua das imagens do ngulo SQ7

SQ7

Imagem

Mnimo

Mximo

Mdia

Desvio - Padro

CV

ENL

HH

0.010095

0.041026

0.021007

0.004041

0.192364

5.198466

HV

0.000537

0.001347

0.000873

0.000115

0.13173

7.591304

VV

0.017697

0.064462

0.0327

0.006641

0.203089

4.923957

HH+VV

0.024128

0.098634

0.049476

0.010041

0.202947

4.927398

HH-VV

0.002306

0.007251

0.004232

0.000675

0.159499

6.26963

CP - Ang. Alpha

9.747467

19.40197

13.58763

1.286517

0.094683

10.56156

CP - Anisotropia

0.444154

0.716297

0.597365

0.039188

0.065601

15.24357

CP - Entropia

0.198152

0.412209

0.289789

0.032037

0.110553

9.045447

VZ - Double bounce

0.003205

0.004209

0.003267

0.00014

0.042853

23.33571

VZ - Superficial

0.028514

0.078232

0.049373

0.007432

0.150528

6.643299

VZ - Volumtrico

0.003205

0.003205

0.003205

NaN

NaN

NaN

92

Tabela 4.9 ENL para amostra de gua das imagens do ngulo SQ14
Imagem

SQ14

Mnimo

Mximo

Mdia

Desvio - Padro

CV

ENL

HH

0.00102

0.008873

0.002048

0.000812

0.396484

2.522167

HV

0.000265

0.000841

0.000473

0.000069

0.145877

6.855072

VV

0.001051

0.018008

0.002403

0.002089

0.86933

1.150311

HH+VV

0.001011

0.023466

0.002675

0.002656

0.992897

1.007154

HH-VV

0.000966

0.003675

0.001776

0.000333

0.1875

5.333333

CP - Ang. Alpha

20.38732

57.21869

45.73904

6.581062

0.143883

6.9501

CP - Anisotropia

0.385504

0.69407

0.557949

0.044393

0.079565

12.5684

CP - Entropia

0.369319

0.929341

0.83952

0.104229

0.124153

8.054572

VZ - Double bounce

0.001083

0.002234

0.001501

0.000228

0.151899

6.583333

VZ - Superficial

0.001083

0.017558

0.002281

0.002649

1.161333

0.86108

VZ - Volumtrico

0.001083

0.001345

0.001087

0.00002

0.018399

54.35

Tabela 4.10 ENL para amostra de gua das imagens do ngulo SQ27

SQ27

CV

ENL

0.001865

Desvio Padro
0.000324

0.173727

5.756173

0.000613

0.000093

0.151713

6.591398

0.005187

0.00288

0.000699

0.242708

4.120172

0.001242

0.004937

0.002953

0.000692

0.234338

4.267341

0.001045

0.003185

0.001792

0.000282

0.157366

6.35461

CP - Ang. Alpha

33.97376

53.85497

43.06652

3.183489

0.07392

13.52809

CP - Anisotropia

0.287791

0.590873

0.446909

0.054101

0.121056

8.260642

CP - Entropia

0.721367

0.929108

0.830974

0.046077

0.055449

18.03446

VZ - Double bounce

0.001657

0.002169

0.001664

0.000044

0.026442

37.81818

VZ - Superficial

0.001657

0.003884

0.002572

0.000607

0.236003

4.237232

VZ - Volumtrico

0.001657

0.001657

0.001657

-NaN

-NaN

-NaN

Imagem

Mnimo

Mximo

Mdia

HH

0.000934

0.002974

HV

0.000335

0.000974

VV

0.001372

HH+VV
HH-VV

93

Tabela 4.11 Variveis independentes que apresentaram correlao maior que


0,5 com os atributos de campo.
Var. Dependente

DAP

Altura de
Inundao

Densidade de
Indivduos

IAF

Var. Independente

Correlao

Ajuste

SQ7_C_33

-0.701

Db x Linear

SQ7_VZ_odd

-0.503

Db x Linear

SQ14_C_33

-0.517

Db x Linear

SQ14_T_22

-0.649

Linear x Log10

SQ14_VZ_double

-0.712

Linear x Linear

SQ27_C_11

-0.542

Db x Linear

SQ27_C_22

-0.619

Db x Linear

SQ27_C_33

-0.640

Db x Linear

SQ27_T_11

-0.578

Db x Linear

SQ27_T_22

-0.602

Db x Linear

SQ27_VZ_vol

-0.529

Db x Linear

SQ7_CP_alpha

0.603

Linear x Linear

SQ7_CP_ani

0.639

Linear x Linear

SQ7_VZ_double

0.569

Linear x Linear

SQ27_CP_ani

-0.629

Db x Linear

SQ14_C_33

0.548

Linear x Log10

SQ14_VZ_double

0.525

Linear x Log10

SQ27_C_22

0.666

dB x Log10

SQ27_C_33

0.604

dB x Log10

SQ27_T_11

0.597

dB x Log10

SQ27_CP_ani

-0.551

Linear x Linear

SQ27_VZ_odd

0.608

dB x Log10

SQ27_VZ_vol

0.740

dB x Log10

SQ7_VZ_vol

0.689

dB x Log10

SQ14_C_22

0.772

Db x Linear

SQ14_C_33

0.547

dB x Log10

SQ14_VZ_double

0.641

dB x Log10

SQ14_VZ_vol

0.823

Db x Linear

SQ27_C_11

0.674

Db x Linear

SQ27_C_22

0.567

dB x Log10

SQ27_C_33

0.721

dB x Log10

SQ27_T_11

0.699

dB x Log10

SQ27_T_22

0.747

dB x Log10

SQ27_VZ_double

0.713

dB x Log10

SQ27_VZ_odd

0.783

dB x Log10

SQ27_VZ_vol

0.723

dB x Log10

94

Um teste de correlao entre as variveis independentes foi realizado e


percebeu-se que, com exceo de duas imagens (T_22 e VZ_double, do
ngulo

SQ14),

todas

as

variveis

independentes

so

altamente

correlacionadas entre si, consideradas dentro de um mesmo ngulo de


incidncia. Esse resultado mostra que a classe Floresta Inundvel possui
resposta muito semelhante independentemente do tipo de imagem (diferentes
polarizaes e decomposies polarimtricas).
Dessa maneira, buscando ajustar modelos que possuam de fato informaes
descorrelacionadas, para cada ngulo, apenas as imagens com a maior
correlao com o atributo de campo analisado foram escolhidas para o ajuste
dos modelos preditivos (tabela 4.12).
Tabela 4.12 Variveis independentes descorrelacionadas (correlaes, entre
si, menores que 0,3) apresentaram as maiores correlaes com os
atributos de campo.
Var. Dependentes

DAP

Altura de Inundao

Densidade de Indivduos

IAF

Var. Independentes

Correlao

Ajuste

SQ7_C_33

-0.701

Db x Linear

SQ14_T_22

-0.649

Linear x Log10

SQ14_VZ_double

-0.712

Linear x Linear

SQ27_C_33

-0.640

Db x Linear

SQ7_CP_ani

0.639

Linear x Linear

SQ27_CP_ani

-0.629

Db x Linear

SQ14_C_33

0.548

Linear x Log10

SQ27_VZ_vol

0.740

dB x Log10

SQ7_VZ_vol

0.689

dB x Log10

SQ14_VZ_vol

0.823

Db x Linear

SQ27_VZ_odd

0.783

dB x Log10

Percebe-se que os modelos ajustados utilizando decomposies polarimtricas


apresentaram desempenhos melhores que aqueles das diagonais das matrizes
C e T (HH, HV e VV; HH+VV, HH-VV e HV, respectivamente) (tabela 4.13 e
figuras 4.44 a 4.54). Todos os modelos que, por sua vez, utilizaram imagens da
diagonal da matriz C foram ajustados com a polarizao VV e o nico modelo

95

que utilizou alguma imagem da matriz T (o modelo T22 x DAP, do ngulo de


incidncia SQ14), indiretamente tambm usou essa polarizao, mostrando
que a polarizao VV possui melhor desempenho que as outras polarizaes,
para estimar atributos estruturais da floresta de vrzea.
Tabela 4.13 Coeficiente de determinao R, RMSE e coeficientes a e b da
reta de regresso para cada modelo linear ajustado.
Var. Dependente

Var. Independente

Ajuste (imagem x
atributo)

RMSE

RMSE (%)

SQ7_C_33

Db x Linear

0.49

3.05

15.51

-13.585

-2.344

SQ14_T_22

Linear x Log10

0.42

3.06

15.55

1.573

-3.703

SQ14_VZ_double

Linear x Linear

0.51

2.91

14.78

35.116

-279.935

SQ27_C_33

Db x Linear

0.47

3.10

15.72

-18.416

-1.505

DAP

Altura de
Inundao

SQ7_CP_ani

Linear x Linear

0.41

0.86

21.67

0.637

9.707

SQ27_CP_ani

Db x Linear

0.38

0.90

22.61

7.565

7.618

Densidade de
Indivduos

SQ14_C_33

Linear x Log10

0.30

228.75

31.36

2.356

3.022

SQ27_VZ_vol

dB x Log10

0.55

219.27

30.06

4.989

0.085

SQ7_VZ_vol

dB x Log10

0.47

0.83

17.99

1.857

0.060

SQ14_VZ_vol

Db x Linear

0.68

0.61

13.22

14.473

0.414

SQ27_VZ_odd

dB x Log10

0.61

0.72

15.52

1.595

0.058

IAF

96

Figura 4.44 Disperso dos pontos, histograma dos erros, anlise dos
resduos e teste de normalidade dos resduos do modelo da
imagem SQ7_C_33, em dB, para a varivel dependente DAP.

97

Figura 4.45 Disperso dos pontos, histograma dos erros, anlise dos
resduos e teste de normalidade dos resduos do modelo da
imagem SQ14_T_22, em amplitude linear, para a varivel
dependente Log10 (DAP).

98

Figura 4.46 Disperso dos pontos, histograma dos erros, anlise dos
resduos e teste de normalidade dos resduos do modelo da
imagem SQ14_VZ_double, em amplitude linear, para a varivel
dependente DAP.

99

Figura 4.47 Disperso dos pontos, histograma dos erros, anlise dos
resduos e teste de normalidade dos resduos do modelo da
imagem SQ27_C_33, em dB, para a varivel dependente DAP.

100

Figura 4.48 Disperso dos pontos, histograma dos erros, anlise dos
resduos e teste de normalidade dos resduos do modelo da
imagem SQ7_CP_ani, para a varivel dependente Altura de
Inundao.

101

Figura 4.49 Disperso dos pontos, histograma dos erros, anlise dos
resduos e teste de normalidade dos resduos do modelo da
imagem SQ27_CP_ani, transformada por Log10, para a varivel
dependente Altura de Inundao.

102

Figura 4.50 Disperso dos pontos, histograma dos erros, anlise dos
resduos e teste de normalidade dos resduos do modelo da
imagem SQ14_C_33, em amplitude linear, para a varivel
dependente Log10 (Densidade de Indivduos).

103

Figura 4.51 Disperso dos pontos, histograma dos erros, anlise dos
resduos e teste de normalidade dos resduos do modelo da
imagem SQ27_VZ_vol, em dB, para a varivel dependente Log10
(Densidade de Indivduos).

104

Figura 4.52 Disperso dos pontos, histograma dos erros, anlise dos
resduos e teste de normalidade dos resduos do modelo da
imagem SQ7_VZ_vol, em dB, para a varivel dependente Log10
(IAF).

105

Figura 4.53 Disperso dos pontos, histograma dos erros, anlise dos
resduos e teste de normalidade dos resduos do modelo da
imagem SQ14_VZ_vol, em dB, para a varivel dependente IAF.

106

Figura 4.54 Disperso dos pontos, histograma dos erros, anlise dos
resduos e teste de normalidade dos resduos do modelo da
imagem SQ27_VZ_odd, em dB, para a varivel dependente Log10
(IAF).
Para a varivel dependente DAP (figura 4.55), o melhor modelo foi ajustado
utilizando-se a imagem do espalhamento double-bounce da decomposio de
van Zyl (R = 0,51 e RMSE = 2,91 ou 14,78%).Para a densidade de indivduos
(figura 4.56), a decomposio de van Zyl, componente volumtrica apresentou
melhor desempenho (R = 0,55 e RMSE = 219,27 ou 30,06%). Para o IAF
(figura 4.57) foram usadas imagens de espalhamento volumtrico e superficial
de van Zyl (R = 0,47; 0,68 e 0,61 e RMSE = 0,83/17,99%; 0,61/13,22% e
0,72/15,52%, para os ngulos SQ7, SQ14 e SQ27 respectivamente, utilizando
as imagens do espalhamento volumtrico para SQ7 e SQ14 e superficial para
SQ27).

107

Figura 4.55 Modelos para estimativa do DAP (cm). Em (a), modelo SQ7 VV x
DAP (dB x linear); em (b), modelo SQ14 T22 x DAP (Linear x
log10); em (c), modelo SQ14 van Zyl double-bounce X DAP (linear
x linear) e em (d) modelo SQ27 VV x DAP (dB x linear).

108

Figura 4.56 Modelos para estimativa da Densidade de Indivduos (indivduos /


ha). Em (a), modelo SQ14 VV x Densidade de Indivduos (linear x
log10) e em (b), modelo SQ27 van Zyl volumtrico x Densidade de
Indivduos (dB x log10);

109

Figura 4.57 Modelos para estimativa do IAF. Em (a), modelo SQ7 van Zyl
volumtrico x IAF (dB x log10); em (b), modelo SQ14 van Zyl
volumtrico x IAF (dB x linear) e em (c), modelo SQ27 van Zyl
superficial x IAF (dB x log10).
A varivel altura de inundao (figura 4.58) apresentou os melhores resultados
para a imagem anisotropia, da decomposio de Cloude Pottier e tiveram
como entrada imagens dos ngulos SQ7 e SQ27.Os modelos, embora
apresentando variao explicada de maneira semelhante, apres entaram
correlao

inversa.

(R

0,41

110

0,38;

RMSE

0,86/21,67%

0,9/22,61%;correlao de Pearson: 0,639 e -0,629, respectivamente para os


ngulos SQ7 e SQ27).

Figura 4.58 Modelos para estimativa da Altura de Inundao (metros). Em


(a), modelo SQ7 VV x DAP (dB x linear); em (b), modelo SQ14 T22
x DAP (Linear x log10); em (c), modelo SQ14 van Zyl doublebounce X DAP (linear x linear) e em (d) modelo SQ27 VV x DAP
(dB x linear).
Para avaliar em que medida o tamanho da amostra ou a presena de rudos
estariam afetando esses resultados, forma feitas as seguintes anlises: (a)
verificou-se os valores de entropia associados a cada observao, (b)
observou-se a distribuio dos valores de anisotropia em funo do aumento
da altura de inundao e (c) calculou-se a correlao de Pearson entre a
imagem anisotropia do ngulo SQ7 e SQ27.
Os resultados mostram que os valores de entropia associados as observao
foram sempre superiores a 0,7 (tabela 4.14), o que permite descartar que o
comportamento dos modelos se deva a rudos na anisotropia decorrentes dos
baixos valores de entropia (LEE; POTTIER, 2009).

111

Tabela 4.14 Comparao entre os valores de entropia e anisotropia para os


ngulos de incidncia SQ7 e SQ27.
Anisotropia - SQ7
0.389
0.329
0.322
0.492
0.230
0.277
0.373
0.296
0.376
0.408
0.338
0.332
0.474
0.303
0.316
0.287
0.315

Entropia - SQ7
0.784
0.785
0.766
0.779
0.775
0.762
0.766
0.774
0.794
0.815
0.726
0.737
0.768
0.801
0.777
0.786
0.799

Anisotropia - SQ27
0.481
0.380
0.452
0.338
0.398
0.463
0.478
0.356
0.374
0.317
0.374
0.452
0.372
0.412
0.455
0.419
0.357

Entropia - SQ27
0.777
0.773
0.757
0.732
0.709
0.770
0.746
0.722
0.791
0.770
0.752
0.761
0.744
0.770
0.721
0.728
0.763

Em relao ao comportamento da anisotropia em funo da altura de


inundao para os ngulos SQ7 e SQ27 (figura 4.59) observou-se a tendncia
crescente para o menor ngulo e decrescente para o maior ngulo, o que
explica as correlaes positivas e negativas, respectivamente.
A matriz de correlao entre as imagens anisotropia dos ngulos de incidncia
SQ7 e SQ27 (tabela 4.15) aponta que h pouca correlao entre as duas
cenas (aproximadamente -0,32), mostrando que de fato as duas cenas so
relativamente diferentes entre si e, acima de tudo, opostas.
Esses resultados mostram que, como afirmado por Touzi et al. (2009), os
parmetros calculados pela decomposio de Cloude Pottier (ngulo alpha,
anisotropia e entropia) variam em funo do ngulo de incidncia, ou seja, no
so estveis em funo da base de polarizao. Ao mesmo tempo em que
esse acontecimento pode causar ambiguidades nas respostas dos alvos

112

naturais, pode tambm ressaltar diferentes partes da estrutura da vegetao,


por intensificar a interao da REM com determinadas partes da floresta, como
o dossel, o tronco e o substrato.

Figura 4.59 Tendncia crescente para os valores de anisotropia do ngulo de


incidncia SQ7 (linhas em vermelho) e decrescentes para o ngulo
SQ27 (linhas em azul) em funo do aumento da altura de
inundao (barras cinza).
Tabela 4.15 Matriz de correlao de Pearson entre as anisotropias dos
ngulos de incidncia SQ7 e SQ27.

Anisotropia - SQ7
Anisotropia - SQ27

Anisotropia - SQ7

Anisotropia - SQ27

1
-0.321

-0.321
1

Esses resultados mostram que, como afirmado por Touzi et al. (2009), os
parmetros calculados pela decomposio de Cloude Pottier (ngulo alpha,
anisotropia e entropia) variam em funo do ngulo de incidncia, ou seja, no

113

so estveis em funo da base de polarizao. Ao mesmo tempo em que


esse acontecimento pode causar ambiguidades nas respostas dos alvos
naturais, pode tambm ressaltar diferentes partes da estrutura da vegetao,
por intensificar a interao da REM com determinadas partes da floresta, como
o dossel, o tronco e o substrato.
Um problema observado para todos os modelos que eles no apresentam
uma distribuio aleatria dos resduos, os quais tendem a crescer com o
aumento dos valores da varivel dependente. Esse comportamento dos indica
que as variveis independentes (no caso as imagens PolSAR) no explicam
totalmente a varincia das variveis biofsicas selecionadas. Esse fato pode ser
explicado pela saturao do retroespalhamento na banda C em dossis de
formaes de vegetao lenhosa (HENDERSON; LEWIS, 1998; HENDERSON;
LEWIS, 2008) ou pela diferena de dois anos entre as datas da imagem e do
campo, tanto em relao s mudanas da vegetao como em condies de
umidade.
Apesar da heterocedasticidade dos modelos, eles foram capazes de explicar
semi-quantitativamente a estrutura da vegetao da vrzea da rea de estudo:
na regio norte das imagens, percebe-se que h uma maior densidade de
indivduos com troncos finos e dossis bem fechados, ao passo que a regio
sul da imagem se caracteriza por um nmero menor de indivduos com troncos
mais grossos e dossis mais abertos, com menor presena de sub-bosque. A
floresta da vrzea mais ao sul da imagem possui estgio sucessional mais
prximo do clmax, ao passo que a regio norte caracteriza-se por uma floresta
em desenvolvimento ou por coberturas mais prximas de uma formao
arbustiva. E isso pode ser associado altura de inundao: a regio norte da
imagem apresenta os maiores valores, ao passo que a regio sul da imagem
possui menor altura de inundao.

114

5. Concluses
5.1.

Classificaes

5.1.1. ngulos de Incidncia


Em geral, o desempenho dos ngulos de incidncia foi similar, principalmente
em relao aos ngulos SQ7 e SQ27, com pequenas diferenas quanto
discriminao de uma ou outra classe particular, o que corroborado pela
literatura (HESS et al., 1990; LI et al., 2007; HENDERSON; LEWIS, 2008;
MARTI-CARDONA et al., 2010). A anlise dos boxplots das respostas das
classes de cobertura do solo e vegetao mostra que o menor ngulo
destacou-se na discriminao das classes gerais, obtendo os melhores ndices
tanto na classificao geral como nas classes individualmente. J o maior
ngulo destacou-se na discriminao dos alvos de vrzea.
Resultado semelhante foi observado em Lang et al. (2008), onde os autores
relatam que os ngulos de incidncia medianos e grandes so os mais
indicados para o estudo do substrato florestal. Como o ngulo SQ7 apresenta o
maior grau de penetrao no dossel da vegetao da vrzea, pode-se associar
a isso a maior ocorrncia de espalhamento double-bounce e volumtrico para
as classes de vegetao (COSTA; TELMER, 2006). Por conseguinte, o ngulo
SQ27 apresenta a menor penetrao e a maior atenuao da REM dentro do
dossel, apresentando assim menos ocorrncia de double-bounces e diferentes
taxas de atenuao da REM e de espalhamento volumtrico, em funo de
diferentes arquiteturas do dossel e quantidade de folhas, ramos e galhos.
As imagens obtidas segundo o ngulo de incidncia SQ27 so sensveis s
diferenas de espalhamento volumtrico dos diferentes tipos de vegetao da
vrzea, enquanto que nas imagens SQ7, essas diferenas so menos
explcitas pela saturao do espalhamento volumtrico e pela elevada
ocorrncia de double-bounce. Dessa maneira, para todas as polarizaes, as

115

h maior poder de discriminao das classes de vegetao da vrzea com o


aumento do ngulo de incidncia.
5.1.2. Matriz C x Matriz T
Uma das principais diferenas entre os mecanismos de retroespalhamento
entre os alvos de plantas inundadas e de terra firme a ocorrncia de doublebounces. A matriz T destacou-se nesse sentido, mostrando que capaz de
classificar com eficincia esses alvos. Porm, essa matriz mostrou um
desempenho ligeiramente inferior matriz C quando so consideradas apenas
as classes de vegetao de vrzea, dado que seus mecanismos de
espalhamento so parecidos (todas as classes de vegetao de vrzea
apresentam espalhamento double-bounce e volumtrico em quantidades
parecidas entre si).
Pode-se generalizar e afirmar que a matriz T um dado propcio para o
mapeamento da extenso da rea de inundao da vrzea, por conta dessa
sensibilidade alvos com e sem predominncia de double-bounces,
principalmente para um dado polarimtrico multiangular. A literatura refora
essa concluso e relata que a banda C capaz de penetrar no dossel de
florestas inundveis, principalmente aquelas com comportamento decidual ou
com baixa biomassa (TOWNSEND, 2001).Mas foi visto que para alvos com
mecanismos de espalhamento parecidos (como os tipos de vegetao da
vrzea) a matriz T foi to eficiente quanto a matriz C.
5.1.3. Decomposies polarimtricas
Os reais benefcios das decomposies de alvos foram observados para as
classes tomadas individualmente. Cada decomposio ou combinao de
decomposies

apresentou

uma ou

mais

classes

com classificaes

excelentes, mas apresentou resultados ruins para todas as outras. Por conta
disso, em termos gerais, a classificao das decomposies apresenta ndices
medianos ruins.

116

O uso de OBIA permite a construo de uma rvore de deciso utilizando


apenas as imagens com os melhores ndices para cada classe de cobertura,
integrando diferentes cenas, polarizaes, razes, ndices e pocas do ano em
uma classificao capaz de combinar todas as potencialidades desses dados,
ao mesmo tempo em que minimiza o erro associado a cada um deles. Na
literatura observa-se o uso de OBIA e rvores de deciso para fins
semelhantes, a dizer integrar imagens de diferentes sensores, sensores SAR
de

diferentes

comprimentos

de

onda,

polarizaes,

decomposies

polarimtricas e pocas do ano (SILVA et al., 2010, SARTORI et al., 2011,


SANTIAGO et al., 2013; SIMARD et al., 2002). O mesmo raciocnio pode ser
aplicado para diferentes decomposies polarimtricas e suas combinaes.
5.1.4. Cenas multitemporais
O uso de cenas multitemporais aumentou consideravelmente o kappa de
ambas as classificaes gerais e das classes de vrzea, mas esse aumento foi
diretamente ligado a um significante incremento no QD, principalmente para as
classificaes que utilizaram razes de bandas. J o AD de todas as
classificaes foram maiores que aqueles da classificao das imagens da
diagonal da matriz C monotemporal. Apesar de ser afirmado na literatura que o
uso de cenas multitemporais nem sempre aumenta a preciso da classificao
(HENDERSON; LEWIS, 2008) foi observado nesse trabalho um aumento
significativo de QD e apenas uma ligeira queda de AD, aumentando o kappa
das classificaes multitemporais consideravelmente.
A razo de bandas multitemporal reala os alvos que apresentam mudanas no
retroespalhamento ao longo do tempo e foi usada com o objetivo de maximizar
a diferena das respostas das classes em diferentes pocas (SILVA et al.,
2010). Ela cumpriu parte do objetivo pois melhorou o QD em detrimento do
AD; e o kappa refletiu esse aumento.Dessa maneira, assume-se que a
classificao multitemporal melhorou a estimativa da rea das classes com

117

relao a classificao monotemporal, ao custo de parte da preciso do


posicionamento das mesmas.
5.2.

Modelagem

Os dados SAR de banda C mostraram que possuem correlao significativa


com importantes atributos relacionados vegetao da vrzea DAP, IAF,
Altura de Inundao e Densidade de Indivduos, mesmo utilizando apenas 17
pontos

de

campo.

As

imagens

PolSAR

tambm

se

mostraram

radiometricamente sensveis pouca variao dos valores dos atributos: a


vegetao amostrada em campo possui um range de valores pequenos e
mesmo assim os modelos lineares ajustados para esses atributos foram
capazes

de

perceber

essa

pouca

variao,

apesar

dos

rudos

heterocedsticos.
As imagens SAR adquiridas segundo maiores ngulos de incidncia foram
aquelas cujos produtos apresentaram as correlaes mais altas com os
atributos biofsicos da vegetao de vrzea. Entre as imagens multipolarizadas
e as decomposies de alvos, as ltimas apresentaram correlaes mais fortes
que as primeiras, gerando os melhores modelos. Sartori et al. (2012) e Proisy
et al. (2000) relatam que a polarimetria e os atributos polarimtricos so bons
estimadores de atributos biofsicos tanto para macrfitas como em regies de
mangue, tanto para banda C como para L, X e P. Como as decomposies
polarimtricas estimam mecanismos de espalhamento especficos, aumentam
a sensibilidade do dado a esse mecanismo, melhorando a distribuio dos
valores de retroespalhamento e assim, permitindo um melhor ajuste com os
modelos.
Em relao ao DAP, Townsend (2002) relata que a penetrao da REM do
radar no dossel vegetal altamente correlacionada com atributos derivados do
tronco da vegetao, principalmente para a polarizao VV. Esse resultado
pode ser observado para esse estudo, onde todos os modelos gerados com as
imagens da matriz C, para estimar o DAP, foram utilizando essa polarizao.

118

Para esses modelos a correlao entre o sinal do radar e o DAP foi negativa,
indicando que rvores mais grossas atenuam o sinal com mais intensidade do
que rvores mais finas. Tambm podem indicar que regies com DAP menor
possuem mais indivduos finos, aumentando o retroespalhamento da REM, ao
passo que regies com elevados valores de DAP possuem menos indivduos,
com troncos mais grossos.
Os modelos que estimaram o IAF foram aqueles que apresentaram os maiores
coeficientes de determinao e os menores erros mdios quadrticos,
mostrando que o sinal de banda C possui forte correlao com essa varivel.
Dessa vez, a correlao foi positiva, mostrando que o aumento do IAF causa
maior retroespalhamento no sinal do radar, pelo aumento dos elementos
espalhadores (folhas e pequenos galhos, no caso da banda C). Assim como o
IAF, a Densidade de Indivduos apresentou correlao positiva com o sinal do
SAR. Quanto maior essa varivel, mais indivduos esto presentes em uma
dada rea e assim, maior a disponibilidade de elementos espalhadores em
contato com a REM do radar.
Para a Altura de Inundao , existe uma tendncia de diminuio do IAF e rea
Basal quando a Altura de Inundao aumenta. Assim, como o ngulo SQ7
apresenta maior penetrao no dossel, na medida em que o IAF e a rea Basal
diminuem, diminui o espalhamento volumtrico (relacionado ao IAF) e os
double-bounces (relacionados a rea Basal) e aumenta a interao com o
substrato (liteira e sub bosque), colaborando para um aumento da anisotropia.
O contrrio acontece para o ngulo de incidncia SQ27: quando o IAF e a rea
Basal diminuem, tambm diminui a atenuao da REM dentro do dossel.
Dessa maneira, h maior sinal de retorno do espalhamento volumtrico e
double-bounce, aumentando a importncia deles em relao ao superficial.
Dessa maneira, a anisotropia diminui. Percebe-se dessa maneira que, apesar
da altura de inundao ter sido medida indiretamente em campo, ela causa
mudanas na estrutura da floresta, e portanto pode ser estimada indiretamente.

119

Todos os modelos apresentaram resduos heterocedsticos e normais. Essa


heterocedasticidade pode ter sido causada pelo comprimento de onda da
banda C, que pode ter saturado dentro das copas das rvores da Floresta
Inundvel e no se mostrou capaz de explicar toda a varincia das variveis
dependentes e/ou diferenas estruturais ou de umidade para os alvos, dado
que o trabalho de campo foi realizado dois anos depois do imageamento.
Isso tudo indica que a banda C possui correlao com importantes atributos
biofsicos da vegetao e que mais campanhas de campo para coletas de
pontos de controle podem melhorar o ajuste desses modelos e seu
desempenho.
6. Concluses gerais
A hiptese inicial do trabalho pode ser parcialmente aceita: 1) o uso de
decomposies polarimtricas melhora o desempenho tanto da classificao e
a modelagem preditiva; 2) a melhora do desempenho da classificao contudo
limitada s classes de maneira individual, o que faz com que os erros de
classificao para o conjunto apresente ndices de validao semelhantes aos
da classificao utilizando atributos multitemporais ou multipolarizados; 3) com
o uso de OBIA e de rvore de deciso personalizada torna-se possvel gerar
uma classificao em que para cada classe, sejam utilizadas apenas as
imagens que apresentaram o melhor desempenho tanto em relao ao Kappa,
quanto ao AD e QD.
A modelagem preditiva mostrou bons resultados, tendo em vista o nmero
limitado de amostras e a pequena amplitude dos valores apresentados pelas
variveis biofsicas. Isso mostra que a banda C sensvel aos parmetros
biofsicos da Floresta Inundvel da vrzea do Lago Grande de Curuai. As
decomposies polarimtricas geraram os melhores modelos, e os ngulos de
incidncia maiores tambm foram aqueles que apresentaram as mais altas
correlao com as variveis biofsicas.

120

Como pesquisas futuras, esse trabalho divide-se em dois ramos principais: (a)
relacionado classificao e mapeamento dos tipos de vegetao de vrzea
amaznica e (b) modelagem de seus parmetros.
Com relao a (a), pesquisas futuras vo investigar outros algoritmos de
minerao de dados (como Random Forests e Support Vector Machines
SVM) e seus desempenhos na classificao de dados PolSAR. Mtodo similar
a adotada a essa ser aplicada a dados multifrequncia, usando imagens
ALOS-PALSAR, e, quando disponvel, ALOS-PALSAR 2 polarimtrico.
Com relao a (b), mais campanhas de campo sero realizadas para aumentar
o banco de dados de pontos de controle na vrzea do Lago Grande de Curuai,
para um melhor ajuste de modelos preditivos de propriedades estruturais da
floresta de vrzea. Ser investigada a predio das variveis usando modelos
multivariados e no-lineares, e tambm o uso de dados multifrequncia,
principalmente no tocante ao uso de razes de imagens multifrequncia,
buscando superar as limitaes de cada uma das bandas espectrais utilizadas.
Algoritmos de minerao de dados tambm sero utilizados para testar a
combinao de todas as imagens entre si, buscando o melhor modelo possvel
para cada atributo da vegetao da vrzea.

121

REFERNCIAS BIBLIOGRFICAS
ALSDORF, D. E.; MELACK, J. M.; DUNNE, T.; MERTES, L. A. K.; HESS, L. L.;
SMITH, C. L. Interferometric Radar Measurements of Water Level Changes On
the Amazon Floodplain. Nature, v. 404, p. 174 177, 2000.
AMARAL, M.V.F.; SOUZA, A. L.; SOARES, V. P.; SOARES, C. P; LEITE, H. G.;
MARTINS, S.V.; FERNANDES FILHO, S.V.; LANA, E.I.J.M. Avaliao e
comparao de mtodos de classificao de imagens de satlites para o
mapeamento de estdios de sucesso florestal. Revista rvore, v. 33, n. 3, p.
575-582, 2009.
ANA,. Sries Histricas. Plataforma Hidroweb. Retrieved 23 Agos 2012, from
http://hidroweb.ana.gov.br/. 2012
ARNESEN, A. S., SILVA, T. S. F., HESS, L. L., NOVO, E. M. L. M., RUDORFF,
C. M., CHAPMAN, B. D., & MCDONALD, K. C. Monitoring flood extent in the
lower Amazon River floodplain using ALOS/PALSAR ScanSAR images.
Remote Sensing of Environment, v. 130, pp. 5161, 2013.
ARNESEN, A. S.; SILVA, T. S. F.; HESS, L. L.; NOVO, E. M. L. M.; RUDORFF,
C. M.; CHAPMAN, B. D. MCDONALD, K. C. Monitoring flood extent in the lower
Amazon River floodplain using ALOS/PALSAR ScanSAR images. Remote
Sensing of Environment, v. 130, p. 51 61, 2013.
BARBOSA, C. C. F. Sensoriamento remoto da dinmica de circulao da
gua do sistema plancie de Curuai/Rio Amazonas. 2005. 286p. (INPE
14614 TDI/1193). Tese (Doutorado em Sensoriamento Remoto) Instituto
Nacional de Pesquisas Espaciais, So Jos dos Campos, 2005.
BENNETT, L. T.; JUDD, T. S.; ADAMS, M. A. Close-Range Vertical
Photography for Measuring Cover Changes in Perennial Grasslands. Journal
of Range Management, v. 53, n. 6, p. 634-641, 2000.

122

BENZ, U. C., HOFMANN, P. WILLHAUCK, G. LINGENFELDER, I. HEYNEN,


M. Multi-resolution, object-oriented fuzzy analysis of remote sensing data for
GIS-ready information. ISPRS Journal of Photogrammetry and Remote
Sensing, v. 58, n. 3 4, p. 239 258, 2004.
Blaschke, T. Object Based Image Analysis For Remote Sensing. ISPRS
Journal of Photogrammetry and Remote Sensing, v. 65, n. 1, pp. 2 16,
2010.
BONNET, M. P.; BARROUX, G; MARTINEZ, J. M; SEYLER, F.; MOREIRATURCQ, P.; COCHONNEAU, G.; MELACK, J. M.; BOAVENTURA, G.;
MAURICE-BOURGOIN, L.; LEN, J. G.; ROUX, E.; CALMANT, S.; KOSUTH,
P.; GUYOT, J. L.; SEYLER, P. Floodplainhydrology in anAmazonfloodplainlake
(Lago Grande de Curuai). Journal of Hydrology, v. 349, n. 1-2, p. 18-30, 2008.
BOOTH, D. T.; COX, S. E.; MEIKLE, T. W .; FITZGERALD, C.The accuracy of
ground-cover measurements. Rangeland Ecology & Management, v. 59, n. 2,
p. 179-188, 2006.
BRISCO, B.; LI, K.; TEDFORD, B.; CHARBONNEAU, F.; YUN, S.;
MURNAGHAN, K. Compact polarimetry assessment for Rice and wetland
mapping. International Journal of Remote Sensing, v. 34, n. 6, p. 1949 1964,
2013.
BWANGOY, J. R. B.; HANSEN, M. C.; ROY; D. P.; GRANDI; G.; JUSTICE; C.
O. Wetland mapping in the Congo basin using optical and radar remotely
sensed data and derived topographical ndices. Remote Sensing of
Environment, v. 114, n. 1, p. 73 86, 2010.
CARREIRAS, J. M. B.; VASCONCELOS, M. J.; LUCAS, R. M. Understanding
the relationship between aboveground biomass and ALOS/PALSAR data in the
forests of Guinea-Bissau (West Africa).Remote Sensing of Environment, v.
121, p. 426 442, 2012.

123

CASTELLO, L.; MCGRATH, D.; HESS, L. L.; COE, M. T.; LEFEBVRE, P. A.,
PETRY, P.; MACEDO, M. N.; REN, V. F.; ARANTES, C. C. The vulnerability
of Amazon freshwater ecosystems.Conservation Letters (Advanced Online
Publication, DOI 10.1111/conl.12008), 2012.
CLOUDE, S. R. Polarisation: applications in remote sensing. New York:
Oxford University Press. 2009, 453 p.
CONGALTON, R. G. A Review of Assessing the Accuracy of Classifications of
Remotely Sensed Data. Remote Sensing of Environment, v. 37, n. 1, pp 35
46, 1991.
COSTA, M. P. F.; NIEMANN, O.; NOVO, E.; AHERN, A. Biophysical properties
and mapping of aquatic vegetation during the hydrological cycle of the Amazon
floodplain using JERS-1 and Radarsat. International Journal of Remote
Sensing, v. 23, n. 7, p. 1401 1426, 2002.
Costa, M. P. F., Telmer, K. H. Utilizing SAR imagery and aquatic vegetation to
map fresh and brackish lakes in the Brazilian Pantanal wetland. Remote
Sensing of Environment, v. 105, n. 3, pp. 204213, 2006.
DORREN, L.K.A.; MAIER, B; SEIJMONSBERGEN, A.C. Improved landsatbased forest mapping in steep mountainous terrain using object-based
classification.Forest Ecology and Management, v. 183, n. 1-3, p. 31-46, 2003.
EFRON, B.; GONG, G.A leisurely look at the bootstrap, the jackknife and crossvalidation.The American Statistician, v. 37, n. 1, p. 36 48. 1983.
FREEMAN, A.; DURDEN, S. L.A three-component scattering model for
polarimetric SAR data. IEEE Transactions on Geoscience and Remote
Sensing, v. 36, n. 3, p. 963 973, 1998.
FURTADO, L.F.A.; SILVA, T. S. F.; NOVO, E.M.L.M. Backscattering response
of different land cover types in the Lago Grande de Curuai floodplain (Amazon,
Brazil) determined from Radarsat-2 and TerraSAR-X data. In Anais XIII

124

Simpsio Brasileiro de Sensoriamento Remoto, Foz do Iguau, Brasil. 2013. In


press.
GERGEL, S.E.; STANGE, Y.; COOPS, N.C.; JOHANSEN, K.; KIRBY, K.R.
What is the value of a good map? An example using high spatial resolution
imagery to aid riparian restoration. Ecosystems, v. 10, n. 5, p. 688-702, 2007.
GILLISON, A. N. A field manual for rapid vegetation classification and
survey for general purposes.Center for International Forestry Research.2006,
85 p.
HARALICK, R. M.; SHANMUGAN, K.; ITSHAK, D. Textural Features for Image
Classification. IEEE Transactions on Systems, Man and Cybernetics, v. 3, n.
6, p. 610 621, 1973.
HENDERSON, F.; LEWIS, A. Principles and applications of imaging radar.
Manual of remote sensing, third edition, volume 2.pp. xxiv + 866 pp. 1998.
HENDERSON, F.; LEWIS, A. Radar detection of wetland ecosystems: a review.
International Journal of Remote Sensing, v. 29, n. 20, p. 58095835, 2008.
HESS, L. L.; MELACK, J. M.; SIMONETT, D. S. Radar detection of flooding
beneath the forest canopy: a review. International Journal of Remote
Sensing, v. 11, n. 7, p. 1313 1325, 1990.
HESS, L. L.; MELACK, J. M.; FILOSO, S.; WANG, Y. Delineation of inundated
area and vegetation along the Amazon floodplain with the SIR-C synthetic
aperture radar. IEEE Transactions on Geoscience and Remote Sensing, v. 33,
n. 4, p. 893 904, 1995.
HESS, L. L.; MELACK, J. M.; NOVO, E. M. L. M.; BARBOSA, C. C. F.; GASTIL,
M. Dual-season mapping of wetland inundation and vegetation for the central
Amazon basin. Remote Sensing of Environment, v. 87, n.4, p. 404428,
2003.

125

JENSEN, J. R. Remote sensing of the environment: an Earth resource


perspective. 2.ed. Englewood Cliffs: Prentice Hall, 2007. 544 p.
JOHANSEN, K.; COOPS, N.C.; GERGEL, S.E.; STANGE, Y. Application of
high spatial resolution satellite image for riparian and forest ecosystem
classification. Remote Sensing of Enviroment, v. 110, n. 1, p. 29-44, 2007.
JUNK, W. J., BAYLEY, P. B., SPARKS, R. E. The flood pulse concept in riverfloodplain systems. Canadian Special Publications in Fisheries and Aquatic
Sciences, 106, 110127. 1989.
JUNK, W. J.; PIEDADE; M. T. F.Plant life in the floodplain with special
reference to herbaceous plants. In: JUNK, W. J. (Ed). The central Amazon
floodplain: ecology of a pulsing system. Berlin: Springer, 1997. Cap. 8. P. 147
186.
JUNK, W. J. General aspects of floodplain ecology with special reference to
Amazonian floodplains. In: JUNK, W. J. (Ed). The central Amazon floodplain:
ecology of a pulsing system. Berlin: Springer, 1997. Cap. 1. P. 3 22.
JUNK, W. J., PIEDADE, M. T. F., SCHNGART, J., WITTMANN, F.A
classification of major natural habitats of Amazonian white-water river
floodplains (vrzeas).Wetlands Ecology and Management, v. 20, n. 6, pp. 461
475, 2012.
JUNK, W.J., PIEDADE, M.T.F., LOURIVAL, R., WITTMANN, F., KANDUS, P.,
LACERDA, L.D., BOZELLI, R.L., ESTEVES, F.A., NUNES DA CUNHA, C.,
MALTCHIK, L., SCHNGART, J., SCHAEFFER-NOVELLI, Y., AGOSTINHO,
A.A., NBREGA, R.L.B. Definio e Classificao de reas midas (AUs)
Brasileiras: Base Cientfica Para Uma Nova Poltica de Proteo e Manejo
Sustentvel. Instituto Nacional de Cincia e Tecnologia em reas midas
INAU. Disponvel em http://www.inau.org.br/. Acesso em 13/02/2014.

126

KASISCHKE. E. S.; MELACK, J. M.; DOBSON, C. The use of imaging radars


for ecological applications a review. Remote Sensing of Environment, v. 59,
n. 2, p. 141 156; 1997.
KLEMAS, V. Remote sensing of coastal wetland biomass: an overview. Journal
of Coastal Research, v. 29, n. 5, pp. 1016 1028. 2013.
KOCH, M.; SCHMID, T.; REYES, M. GUMUZZIO, J. Evaluating full polarimetric
C- and L- band data for mapping wetland conditions in a semi-arid environment
in central Spain. IEEE Journal of Selected Topics in Applied Earth
Observations and Remote Sensing, v. 5, n. 3, p. 1033 1043, 2012.
LANG, M. W.; TOWNSEND, P. A.; KASISCHKE, E. S. Influence of incidence
angle on detecting flooded forests using C-HH synthetic aperture radar data.
Remote Sensing of Environment, v. 112, n. 10, p. 3898 3907, 2008.
LAUR, H.; BALLY, P.; MEADOWS, P.; SANCHEZ, J.; SCHAETTLER, B.;
LOPINTO, E. Derivation of the backscattering coefficient 0 in
ERS.SAR.PRI products. ESA/ESRIN, n. 2, Rev. 2. 1996.
LEE, J. S.; POTTIER, E. Polarimetric radar imaging: from basics to
applications. New York: CRC Press. 2009. 398 p.
LI, J.; CHEN, W.; TOUZI, R. Optimum RADARSAT-1 configurations for
wetlands discrimination: a case study of the MerBleue peat bog. Canadian
Journal of Remote Sensing, v. 33, n. 1, p. 46-55, 2007.
LUCAS, R.M.; CARREIRAS, J.; PROISY, C; BUNTING, P. ALOS PALSAR
applications in the Tropics and Subtropics: characterization, mapping and
detecting change in forests and coastal wetlands. ALOS PI symposium,
Rhodes, Greece, 2008. Disponvel em http://amapmed.free.fr. Acessadoem
26/02/2013.
MARTI-CARDONA, B.; LOPEZ-MARTINES, C.; DOLZ-RIPOLLES, J.; BLADCASTELLET, E. ASAR polarimetric, multi-incidence angle and multitemporal

127

characterization of Doana wetlands for flood extent monitoring. Remote


Sensing of Environment, v. 114, n.11, p. 2802-2815, 2010.
MARTINEZ, J. M.; LE TOAN, T. Mapping of flood dynamics and spatial
distribution of vegetation in the Amazon floodplain using multitemporal SAR
data. Remote Sensing of Environment, v. 108, n. 3, p. 209 233, 2007.
MELACK, J. M.; HESS, L. L. Remote sensing of the distribution and extent of
wetlands in the Amazon basin. In: JUNK, W. J. et al. (Ed). Amazonian
floodplain forests: ecophysiology, biodiversity and sustainable management.
New York: Springer Verlag, 2010. Cap. 3. P. 43-60.
MITSCH, W. J., BERNAL, B., NAHLIK, A. M., MANDER, U., ZHANG, LI.,
ANDERSON, C. J., JORGENSEN, S. E., BRIX, H. Wetlands, carbon, and
climate change. Landscape Ecology (Advanced Online Publication, DOI:
10.1007/s10980-012-9758-8), 2012.
MITSCH, W. J., GOSSELINK, J. G. Wetlands.4 Ed. New York: John Wiley &
Sons, 2007, 582 p.
MOREAU, S.; LE TOAN, T. Biomass quantification of Andean wetland forages
using ERS satellite SAR data for optimizing livestock management. Remote
Sensing of Environment, v. 84, n. 4, p. 477 492, 2003.
NARVAES, I. S. Avaliao de dados SAR polarimtricos para estimativa de
biomassa em diferentes fitofisionomias de florestas tropicais. 2010. 190 p.
(sid.inpe.br/mtc-m19@80/2010/08.09.22.43-TDI). Tese (Doutorado em
Sensoriamento Remoto) - Instituto Nacional de Pesquisas Espaciais, So Jos
dos Campos, 2010. Disponvel em:
<http://urlib.net/8JMKD3MGP7W/3837N9S>. Acesso em: 26 fev. 2013.
NOVO , E. M. L. M.; COSTA, M. P. F.; MANTOVANI, J. E.; LIMA, I. B. T.
Relationship between macrophyte stand variables and radar backscatter at L
and C band, Tucuru reservoir, Brazil. International Journal of Remote
Sensing, vol. 23, n. 7, p. 1241 1260, 2002.

128

NOVO, E. M. L. M. Sensoriamento remoto: princpios e aplicaes. 4 ed.


So Paulo: Blucher, 1989. 363 p.
OLIVER, C.; QUEGAN, S. Understanding synthetic aperture radar images.
Raleigh: SciTech Publishing. 2004, 489 p.
PAROLIN et al., 2010
PEET, R. K.; WENTWORTH, T. R.; WHITE, P. S.A flexible multipurpose
method for recording vegetation composition and structure.Castanea, v. 63, n.
3, p. 262 274, 1998.
PIEDADE, M. T. F.; JUNK, W. J.; DNGELO, S. A.; WITTMANN, F.;
SCHNGART, J.; BARBOSA, K. M. N.; LOPES, A. Aquatic herbaceous plants
of the Amazon floodplains: state of the art and research needed. Acta
Limnologica Brasiliensia, v. 22, n. 2, p. 165178, 2010.
PONTIUS, R.G. JR.; MILLONES, M. Death to Kappa: birth of quantity
disagreement and allocation disagreement for accuracy assessment.
International Journal of Remote Sensing, v. 32, n. 15; p. 4407 4429,2011.
PROISY, C., MOUGIN, E., FROMARD, F., & KARAM, M. A. Interpretation of
Polarimetric Radar Signatures of Mangrove Forests. Remote Sensing of
Environment, v. 71, n. 1, pp. 56 66. 2000.
REN, V. F.; NOVO, E. M. L. M.; SUEMITSU, C.; RENN, C. D., SILVA, T. S.
F. Assessment of deforestation in the Lower Amazon floodplain using historical
Landsat MSS/TM imagery. Remote Sensing of Environment,v. 115, n. 12, p.
34463456, 2011.
SANTANNA, S.J.S.; MASCARENHAS, N.D.A. Comparao do desempenho
de filtros redutores de speckle. In Anais VIII Simpsio Brasileiro de
Sensoriamento Remoto, Salvador, Brasil, 14-19 abrilINPE, 1996, p. 871-877.

129

SARTORI, L. R.; IMAI, N. N.; MURA, J. C.; NOVO, E. M. L. M.; SILVA, T. S. F.


Mapping macrophyte species in the Amazon floodplain wetlands using fully
polarimetric ALOS/PALSAR data. IEEE Transactions on Geoscience and
Remote Sensing, v. 49, n. 12, p. 4717 4728, 2011.
SARTORI, L. R., IMAI, N. N., MURA, J. C., & TACHIBANA, V. M. Atributos
polarimtricos de imagem radar na inferncia de parmetros morfolgicos de
macrofitas. Boletim de Cincias Geodsicas, v. 18, n. 1, pp. 138153. 2012.
SCHNGART, J.; PIEDADE, M. T. F.; LUDWIGSHAUSEN, S.; HORNA, V.;
WORBES, M. Phenology and stem-growth periodicity of tree species in
Amazonian floodplain forests. Journal of Tropical Ecology, v. 18, n. 4, p. 581
597, 2002.
SILVA, T. S. F.; COSTA, M. P. F.; MELACK, J. M. Annual net primary
production of macrophytes in the eastern Amazon floodplain.Wetlands, v. 29,
n. 2, p. 747758, 2009.
SILVA, T. S. F; COSTA, M. P. F.; MELACK, J. M. Spatial and temporal
variability of macrophyte cover and productivity in the eastern Amazon
floodplain: A remote sensing approach. Remote Sensing of Environment, v.
114, n. 9, p. 1998, 2010, 2010.
SILVA et al. 2013
SOUSA, A.M.O.; MESQUITA, P.; GONALVES, A.C.; MARQUES DA SILVA,
J.R.; SILVA, L.L. Deteco de vegetao arbrea atravs de segmentao e
classificao orientada a objecto de imagens multiespectrais de alta
resoluo (QuickBird). Disponvel em: http://hdl.handle.net/10174/2807.
Acessado em: 11 - dez - 2011.
TOUZI, R. Target Scattering Decomposition in Terms of Roll-Invariant Target
Parameters. IEEE Transactions on Geoscience and Remote Sensing, v. 45,
n. 1, pp.73 84, 2007.

130

TOUZI, R., DESCHAMPS, A., ROTHER, G. Phase of Target Scattering for


Wetland Characterization Using Polarimetric C-Band SAR. IEEE Transactions
on Geoscience and Remote Sensing, v. 47, n. 9, pp. 32413261. 2009.
TOWNSEND, P. A. Estimating forest structure in wetlands using multitemporal
SAR.Remote Sensing of Environment, v. 79, n. 2-3, p. 288 304, 2002.
VAN DER SANDEN, J. J. Radar remote sensing to support tropical forest
management.Wageningen: Wageningen Agricultural University, TropenbosGuyana Series 5.333 p, 1997.
WITTEN, I. H.; FRANK, E. Data Mining Practical Machine Learning Tools
and Techniques. 2nd ed.; Elsevier: San Francisco, CA. USA. 2005; 525p.
WITTMANN, F.; HOUSEHOLDER, E.; PIEDADE, M. T. F.; ASSIS, R. L.;
SCHONGART, J.; PAROLIN, P. JUNK, W. J. Habitat specifity, endemism and
the neotropical distribution of Amazonian White-water floodplain trees.
Ecography, v. 35, p. 1 18, 2012.
WITTMANN, F.; JUNK, W. J.; PIEDADE, M. T. F. The vrzea forests in
Amazonia: flooding and the highly dynamic geomorphology interact with natural
forest sucession. Forest Ecology and Management, v. 196, n. 2 3, p. 199
212, 2004.
WITTMANN, F.; SCHNGART, J.;& JUNK, W. J. Phytogeography, species
diversity, community structure and dynamics of central Amazonian floodplain
forests.InJUNK, W. J.;PIEDADE, M. T. F.;WITTMANN, F; SCHNGART,
J.;PAROLIN, P(Eds.), Amazonian Floodplain Forests: Ecophysiology,
Biodiversity and Sustainable Management. New York, NY: Springer Verlag.,
2010. Cap. 4, p. 61102.
WORBES, M. The forest ecosystem of the floodplains. In: JUNK, W. J. (Ed).
The central Amazon floodplain: ecology of a pulsing system. Berlin: Springer,
1997. Cap. 11. P. 223 266.

131

YU, O.; GONG, P.; CLINTON, N.; BIGING, G.; KELLY, M.; SHIROKAUER, D.
Object-based Detailed Vegetation Classification with Airborne High Spatial
Resolution Remote Sensing Imagery. Photogrammetic Engineering and
Remote Sensing, v. 72, n. 7, p. 799-811, 2006.

132

Похожие интересы