ESTUDO ESPECTRAL DE ALVOS URBANOS COM IMAGENS DO SENSOR HSS (HYPERSPECTRAL SCANNER SYSTEM)

Transcrição

1 INPE TDI/1375 ESTUDO ESPECTRAL DE ALVOS URBANOS COM IMAGENS DO SENSOR HSS (HYPERSPECTRAL SCANNER SYSTEM) Romero da Costa Moreira Tese de Doutorado do Curso de Pós-Graduação em Sensoriamento Remoto, orientada pelo Dr. Lênio Soares Galvão, aprovada em 30 de junho de 2008 Registro do documento original: INPE São José dos Campos 2008

2 PUBLICADO POR: Instituto Nacional de Pesquisas Espaciais - INPE Gabinete do Diretor (GB) Serviço de Informação e Documentação (SID) Caixa Postal CEP São José dos Campos - SP - Brasil Tel.:(012) /6923 Fax: (012) pubtc@sid.inpe.br CONSELHO DE EDITORAÇÃO: Presidente: Dr. Gerald Jean Francis Banon - Coordenação Observação da Terra (OBT) Membros: Dr a Maria do Carmo de Andrade Nono - Conselho de Pós-Graduação Dr. Haroldo Fraga de Campos Velho - Centro de Tecnologias Especiais (CTE) Dr a Inez Staciarini Batista - Coordenação Ciências Espaciais e Atmosféricas (CEA) Marciana Leite Ribeiro - Serviço de Informação e Documentação (SID) Dr. Ralf Gielow - Centro de Previsão de Tempo e Estudos Climáticos (CPT) Dr. Wilson Yamaguti - Coordenação Engenharia e Tecnologia Espacial (ETE) BIBLIOTECA DIGITAL: Dr. Gerald Jean Francis Banon - Coordenação de Observação da Terra (OBT) Marciana Leite Ribeiro - Serviço de Informação e Documentação (SID) Jefferson Andrade Ancelmo - Serviço de Informação e Documentação (SID) Simone A. Del-Ducca Barbedo - Serviço de Informação e Documentação (SID) REVISÃO E NORMALIZAÇÃO DOCUMENTÁRIA: Marciana Leite Ribeiro - Serviço de Informação e Documentação (SID) Marilúcia Santos Melo Cid - Serviço de Informação e Documentação (SID) Yolanda Ribeiro da Silva Souza - Serviço de Informação e Documentação (SID) EDITORAÇÃO ELETRÔNICA: Viveca Sant Ana Lemos - Serviço de Informação e Documentação (SID)

3 INPE TDI/1375 ESTUDO ESPECTRAL DE ALVOS URBANOS COM IMAGENS DO SENSOR HSS (HYPERSPECTRAL SCANNER SYSTEM) Romero da Costa Moreira Tese de Doutorado do Curso de Pós-Graduação em Sensoriamento Remoto, orientada pelo Dr. Lênio Soares Galvão, aprovada em 30 de junho de 2008 Registro do documento original: INPE São José dos Campos 2008

4 Dados Internacionais de Catalogação na Publicação (CIP) G745a Moreira, Romero da Costa. Estudo espectral de alvos urbanos com imagens do sensor HSS (Hyperspectral Scanner System) / Romero da Costa Moreira. São José dos Campos: INPE, p. ; (INPE TDI/1375) Tese (Sensoriamento Remoto) Instituto Nacional de Pesquisas Espaciais, São José dos Campos, Sensoriamento remoto hiperspectral. 2. Sensor HSS. 3. Espectrometria urbana. 4. Discriminação espectral. 5. Regressão logística 6. Spectral Angle Mapper (SAM) 7. Spectral Feature Fitting (SFF). I.Título. CDU (815.6) Copyright c 2008 do MCT/INPE. Nenhuma parte desta publicação pode ser reproduzida, armazenada em um sistema de recuperação, ou transmitida sob qualquer forma ou por qualquer meio, eletrônico, mecánico, fotográfico, microfílmico, reprográfico ou outros, sem a permissão escrita da Editora, com exceção de qualquer material fornecido especificamente no propósito de ser entrado e executado num sistema computacional, para o uso exclusivo do leitor da obra. Copyright c 2008 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, eletronic, mechanical, photocopying, microfilming, recording or otherwise, without written permission from the Publisher, 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.

5

6

7 AGRADECIMENTOS Agradeço inicialmente ao Cel Av Enio, chefe da Divisão de Geointeligência (EGI) na época da cogitação deste trabalho, e ao seu adjunto, o Ten Cel Av Máximo, que me incentivaram e apoiaram na decisão de iniciar o doutoramento em Sensoriamento Remoto, agindo favoravelmente à aprovação da minha dedicação ao curso. Não posso esquecer os colegas da EGI que participaram comigo de várias etapas de medições, coletas e análises de dados, o Dr. Ruy, o Cavalcante e a Leidiane, e nem dos demais integrantes dessa mesma Divisão que, anônimos, sempre me dispensaram precioso apoio técnico e logístico durante toda a elaboração do trabalho. Devo ressaltar que este trabalho não seria possível sem a participação institucional do Instituto de Estudos Avançados (IEAv) e do Comando de Tecnologia Aeroespacial (CTA), instituições do Comando da Aeronáutica (COMAER) que aprovaram a dedicação em tempo parcial ao aprendizado e ao desenvolvimento da pesquisa ora apresentada. O mesmo agradecimento é extensivo ao Primeiro Esquadrão do Sexto Grupo de Aviação (1 o /6 o GAv), que por meio de seus integrantes contribuiu em exaustiva campanha de avaliação em laboratório e operação em vôo com o sensor HSS, tornando possível a aquisição de todos os dados referentes ao sensor. Ao Instituto Nacional de Pesquisas Espaciais (INPE), meu agradecimento pela seriedade, pelo altruísmo e pela persistência dos professores e funcionários em busca de um ensino de qualidade e pelo tratamento atencioso que sempre me foi dedicado. Registro, por fim, o meu apreço e admiração pelo Dr. Lênio Soares Galvão, que pela segunda vez me conduziu em um trabalho stricto sensu, e aceitou o desafio da utilização de um sensor na época só conhecido por nome, para uma proposta de trabalho que envolveria praticamente todo o ciclo da atividade de sensoriamento remoto, da avaliação do sensor à aplicação de técnicas avançadas de análise espectral. E como se não bastasse, tudo isso focado na análise de um objeto da maior complexidade, a área urbana. A todos, sinceramente, Muito obrigado!

8

9 RESUMO Estudou-se a caracterização espectral e discriminação de alvos urbanos da cidade de São José dos Campos SP, com imagens do sensor aerotransportado HSS (Hyperspectral Scanner System), adquiridas com 3 metros de resolução espacial, e de espectros de campo e laboratório. A imagem (37 bandas entre nm) foi convertida de valores de radiância para reflectância de superfície usando um aplicativo baseado no modelo de transferência radiativa MODTRAN 4. A missão de imageamento, ocorrida em maio de 2006, foi precedida por testes de funcionamento e da calibração do sensor: verificações do ruído inerente do dado, da calibração espacial, da calibração espectral e da calibração radiométrica. Uma biblioteca espectral de materiais urbanos foi obtida com medições de laboratório/campo e da inspeção dos espectros de pixels. A influência da degradação da resolução espectral e a importância da região do SWIR (infravermelho de ondas curtas) na discriminação de alvos urbanos foi avaliada através da simulação da resolução espectral de sensores multiespectrais (QuickBird, HRG/Spot-5 e ETM+/Landsat-7) com os dados HSS e de classificação por regressão logística. Para avaliar a influência da resolução espacial na discriminação desses alvos, a imagem HSS foi degradada de 3 para 9 m usando filtragem de textura. Finalmente, testou-se o potencial do uso das técnicas SAM (Spectral Angle Mapper) e SFF (Spectral Feature Fitting) para a identificação de materiais com resposta espectral bem definida na cena. Os resultados obtidos mostraram que: (1) foi confirmada a adequação da calibração espacial do sensor e verificado um ruído inferior a 1,5% em 33 bandas das 37 disponíveis no espectro refletido, quando utilizada uma freqüência de varredura de até 25 Hz para o imageamento, mas os testes espectrais indicaram um desvio de aproximadamente +17 nm no posicionamento espectral originalmente apresentado nas bandas próximas a 940 nm; (2) a correção atmosférica da imagem HSS foi adequada após um ajuste de -17 nm no posicionamento espectral das bandas do VNIR (visível e infravermelho próximo), apesar das dificuldades de restituição das feições de absorção por vapor d água (940 nm) e do CO 2 (2050 nm); (3) espectros de reflectância de alvos urbanos da imagem HSS corresponderam aos das medições de campo, e revelaram poucas feições de absorção características em geral, exceto para telhados de cerâmica de argila, materiais plásticos (como PVC e PET) ou pinturas; (4) foi verificada redução na precisão da classificação da regressão logística com a simulação das bandas dos sensores multiespectrais, mas o maior impacto foi decorrente da eliminação de bandas no SWIR; (5) a degradação da resolução espacial só provocou a redução da classificação nas classes de alvos de menores dimensões, sendo a influência da mistura espectral muito mais forte nesses resultados; e (6) a técnica SAM, além da simplicidade de utilização, possibilitou boa identificação de classes genéricas de alvos urbanos, o que não foi verificado com a utilização do mapeamento SFF.

10

11 SPECTRAL STUDY OF URBAN MATERIALS USING HSS (HYPERSPECTRAL SCANNER SYSTEM) IMAGE ABSTRACT Images acquired with 3 meters of spatial resolution by the airborne HSS (Hyperspectral Scanner System) sensor and field/laboratory reflectance data were used for the spectral characterization and discrimination of urban materials in São José dos Campos city (State of São Paulo, Brazil). HSS data (37 bands between 400 and 2400 nm) were converted from radiance values into atmospherically corrected surface reflectance images using the MODTRAN 4 based radiative transfer code. The flight campaign on May 2006 was preceded by system functioning and sensor calibration tests: assessment of the sensor spatial, spectral and radiometric calibrations, and of the signal-to-noise ratio. A spectral library of urban materials was acquired from field/laboratory measurements and from selected pixel spectra. The influence of band positioning and bandwidth, especially the shortwave infrared (SWIR) interval, on the discrimination of urban materials was investigated through spectral resolution simulation of selected multispectral sensors (QuickBird, HRG/Spot-5 and ETM+/Landsat-7) and from classification information derived from logistic regression analysis. To evaluate the spatial resolution influence on the discrimination of these materials, the HSS image was degraded from 3 to 9 meters of spatial resolution using texture filtering. Finally, spectral identification of specific urban materials of the study area was tested with the Spectral Angle Mapper (SAM) and Spectral Feature Fitting (SFF) techniques. Results showed that: (1) the sensor spatial calibration was adequate with a noise below 1.5% in 33 of all 37 available bands in reflective interval when using a scanner frequency up to 25 Hz for imaging. However, spectral tests indicated a deviation of around +17 nm from the original spectral positioning of bands near 940 nm; (2) despite the persistent artifacts in water vapor (940 nm) and CO 2 (2050 nm) absorption features, the atmospheric correction was adequate after a small spectral adjustment (less than 17 nm) of the original spectral calibration in the visible/near infrared (VNIR) bands; (3) reflectance pixel spectra of urban materials matched the field measurements, confirming the general featureless nature of the urban spectra, except for signatures of clay ceramic roofs, plastic materials (e.g., PVC and PET) and painted surfaces; (4) a decrease in logistic regression classification accuracy was observed after the simulation of multispectral sensors, but the major impact on classification was due to the absence of the SWIR bands; (5) from the original 3 meters to the degraded 9 meters of spatial resolution, a decrease in classification accuracy was observed only for small objects because of the prevalent and coupled spectral mixture effects of neighboring materials; and, (6) the SAM technique was easily applied over the data and showed better potential of discrimination of urban materials than the SFF technique.

12

13 SUMÁRIO Págs. LISTA DE FIGURAS LISTA DE TABELAS 1 INTRODUÇÃO 1.1 O Sensoriamento Remoto no Estudo de Problemas Urbanos Dificuldades para o Estudo Espectral em Áreas Urbanas Objetivo do Trabalho FUNDAMENTAÇÃO TEÓRICA Sensoriamento Remoto Hiperespectral em Áreas Urbanas O Comportamento Espectral de Alvos Urbanos Adequação da Resolução Espacial em Estudos Espectrais Urbanos A Geometria de Iluminação e o Formato do Alvo A Geometria de Visada Calibração de Sensores Calibração Espacial Calibração Radiométrica dos Dados Calibração Espectral de Sensores Correção Atmosférica de Imagens Hiperespectrais A Influência da Atmosfera Modelagem Atmosférica Sensores Hiperespectrais Sensores Hiperespectrais Precursores O Sensor HSS Análise de Dados para Discriminação e Identificação Espectral Análise Exploratória dos Dados Análise de Regressão Logística Politômica Mapeador de Ângulo Espectral SAM Mapeador de Feição Espectral SFF Transformações de Escala e a Filtragem de Textura METODOLOGIA DE TRABALHO Área de Estudo Caracterização do Sensor HSS Verificação do Ruído Inerente do Dado Verificação da Calibração Espacial Verificação da Calibração Espectral e Radiométrica Aquisição e Processamento da Imagem HSS Aquisição da Imagem HSS Pré-processamento e Correção Atmosférica da Imagem HSS Seleção de Alvos e Elaboração da Biblioteca Espectral Elaboração da Biblioteca Espectral de Campo Elaboração da Biblioteca Espectral de Laboratório Seleção de Alvos e Elaboração da Biblioteca Espectral da Imagem Análise Exploratória da Biblioteca Espectral Análise Exploratória da Biblioteca de Campo e Laboratório Caracterização Espectral Utilizando a Simulação Multissensor

14 3.5.3 Análise Qualitativa de Espectros da Imagem HSS Análise Qualitativa da Separabilidade de Classes de Alvos Influência da Resolução Espectral na Discriminação de Alvos Análise Quantitativa Exploratória das Classes Espectrais de Alvos Análise da Seleção de Bandas do HSS na Discriminação de Alvos Discriminação de Alvos com Sensores Multiespectrais Simulados Influência da Resolução Espacial na Discriminação de Alvos Avaliação Espectral da Filtragem de Textura Avaliação Quantitativa da Influência da Resolução Espacial Análise do Mapeamento Espectral na Imagem HSS Análise da Identificação com o Mapeador SAM Análise da Identificação com o Mapeador SFF RESULTADOS E DISCUSSÃO Caracterização do Sensor HSS Verificação do Ruído Inerente ao Dado Verificação da Calibração Espacial Verificação da Calibração Espectral e Radiométrica Aquisição e Processamento da Imagem HSS Influência da Geometria de Iluminação e Visada Pré-processamento e Correção atmosférica da Imagem HSS Análise Exploratória da Biblioteca Espectral Biblioteca Espectral de Campo e Laboratório Caracterização Espectral Utilizando a Simulação Multissensor Análise Qualitativa dos Espectros da Imagem HSS Análise Qualitativa da Discriminação de Classes com Dados HSS Influência da Resolução Espectral na Discriminação de Alvos Análise Quantitativa Exploratória de Classes de Alvos Seleção de Bandas do HSS na Discriminação de Alvos Urbanos Discriminação de Alvos Urbanos com Sensores Simulados Influência da Resolução Espacial na Discriminação de Alvos Resultados Espectrais da Filtragem de Textura Análise Quantitativa da Influência da Resolução Espacial Identificação Espectral de Alvos Urbanos na Imagem Mapeamento Espectral SAM O Mapeamento de Feições Espectrais SFF CONCLUSÕES REFERÊNCIAS BIBLIOGRÁFICAS APÊNDICE A Resultado do Contraste para Teste de Verificação da APÊNDICE B Resolução Espacial Resultado dos Testes de Normalidade para os Dados Agrupados APÊNDICE C Resultado dos Testes de Normalidade por Classes APÊNDICE D Resultado do Testes do χ 2 para a Estatística de Wald

15 LISTA DE FIGURAS Pág. 1.1 Estudo ambiental na área do desabamento do World Trade Center (EUA), realizado com imagens AVIRIS de 2 e 4 m de resolução espacial. Em (a) é apresentado um mapeamento genérico de materiais identificados nos escombros e em (b) são identificados pixels com provável espectro de crisotila, mineral do amianto Espectros de campo de materiais largamente utilizados em edificações no Brasil (esquerda) são utilizados na simulação da resposta espectral da câmera CCD/CBERS (direita) Espectro de laboratório de minerais de amianto que podem ser identificados por sutil diferença no comprimento de máxima absorção: o anfibólio, em 2320 nm; e a crisotila, em 2330 nm Espectro de amostra dos escombros do WTC EUA, relacionado à possível presença de crisotila, em virtude da feição de absorção na região de 2300 nm Espectros de concreto são apresentados junto à fotografia da área de medição Diferenças entre espectros de asfalto em diferentes estados de conservação Espectros de diferentes materiais junto às fotos dos locais de medição Espectros de materiais utilizados em coberturas de edificações Espectros de amostras de pavimentos diversos para tráfego pedestre Diferenças verificadas entre espectros de asfalto de idades diferentes, com a identificação de bandas de absorção de substância da composição do material Classificação hierarquizada de uso/cobertura da terra para áreas urbanas Variabilidade da densidade urbana ao redor do globo. Da esquerda para a direita são apresentadas imagens de Atlanta (EUA), Nova York (EUA), Pune (Índia) e She Xian (China), todas em composição R3G2B1, de dados do sensor IKONOS, com 4 m de resolução espacial e cobrindo uma mesma área da superfície Variação da irradiância em superfície irregular: θ é o ângulo de incidência, que corresponde ao ângulo entre o fluxo radiante e a normal à superfície; θ z é o ângulo zenital de iluminação; e α é o ângulo entre a normal e o zênite. Na situação (a) θ = θ z, e α = 0; em (b), θ = 0 e θ z = α, há máxima irradiância; em (c) θ z = θ - α (caso genérico, θ z = θ ± α); na situação (d) ocorre sombra, situação de menor irradiância, onde θ z + α = θ > 90º Em virtude do sombreamento, e conseqüentemente uma menor irradiância sobre a superfície, a radiância L 1 que chega ao sensor, proveniente da área A na situação ilustrada em (a) é inferior à radiância L 2, proveniente de uma área de mesma dimensão de A na situação ilustrada em (b), onde o ângulo zenital solar θ z é menor Diferenças na porção de sombreamento dos alvos com a variação da visada do sensor ao longo do seu campo de visada (FOV) Geometria de iluminação e visada em um plantio orientado (a) com a indicação da variação da radiância espectral para diferentes ângulos azimutais de visada (b). Diferentes porções de solo, vegetação e sombra são abrangidos pelo sensor dependendo do azimute de visada

16 2.16 Perspectiva da relação entre o IFOV e o GIFOV para os sensores em geral (a) e, em (b) visão detalhada bidimensional da relação entre a distância focal f, o tamanho do detector d e o IFOV, representado pelo ângulo α. Em (c) o GIFOV e o GSI são mais bem discriminados Redução da intensidade do sinal do sensor com o aumento da freqüência espacial do objeto e seu efeito sobre a imagem resultante Comparação da MTF de dois sistemas de mesma resolução limite. O sistema representado pela função A apresenta melhor contraste em freqüências espaciais intermediárias que a função B Relação entre a radiância no nível do sensor Ls e a quantização em níveis digitais (NDs), para três situações de ganho (g 1, g 2 e g 3 ) e offset: A situação ideal é ilustrada em (a); em (b) ocorre saturação em valores máximos; e em (c) ocorre compactação de ND Funções de resposta espectral das primeiras nove bandas do sensor HSS, com a indicação do centro e da largura de banda a meia amplitude (FWHM) para a primeira banda Influência da atmosfera sobre uma imagem multiespectral. A absorção do vapor d água na região de 1,4 µm causa visível redução do brilho nas bandas dessa região espectral, cujo escurecimento é nítido na seqüência de 32 bandas justapostas de uma única cena do sensor AIS Influência da atmosfera nas trajetórias Sol-superfície e superfície-sensor Janela principal de diálogo de um aplicativo de correção atmosférica. Nesta janela estão preenchidos alguns parâmetros de aquisição dos dados necessários ao processamento para a correção atmosférica Recorte de imagem do sensor HSS com 3 m de GIFOV apresentada em cor verdadeira. No destaque é apresentada uma ampliação de 9 vezes Espectros de alvos artificiais e naturais disponibilizados em bibliotecas espectrais (RESEARCH SYSTEMS INC., 2000) reamostrados para os intervalos de bandas do sensor HSS. Os espectros originais são apresentados em linhas pontilhadas e a reamostragem para as funções espectrais do HSS em linhas contínuas coloridas, com marcadores para os centros de bandas. As faixas verticais indicam regiões de maior absorção do vapor d água da atmosfera Radiância equivalente ao ruído (NER) para os 37 canais do HSS, em duas datas de avaliação com imagens de laboratório, obtidas na freqüência de varredura de 25 Hz, com IFOV de 2,5 mrad Um alvo com padrões de 3 barras, contendo 9 freqüências espaciais, é apresentado ao lado do sinal esperado em uma linha de varredura de um sensor, na obtenção da imagem em uma freqüência compatível à sua resolução espacial. Os valores máximos NDc do sinal, correspondente às 3 faixas claras (vazadas), são alternados por valores mínimos NDe, correspondente às faixas escuras (opacas) intercaladas Diagrama de espalhamento bidimensional de dados envolvendo as variáveis X e Y. Uma função linear do tipo Y=aX+b ( a e b constantes) foi ajustada como referência, mas percebe-se que o relacionamento entre as variáveis não é perfeitamente descrita por essa relação funcional Matriz com diagramas de espalhamento bidimensionais envolvendo três variáveis (X, Y e Z): com apenas uma classe, em (a); e com a inclusão de uma segunda classe, em (b)... 87

17 2.30 Distância angular entre um espectro de referência e espectros de teste em um espaço de atributos bidimensional. O ângulo α entre o espectro de referência e o espectro de teste (a) define a semelhança espectral no conceito SAM. O ângulo máximo α máx que separa os espectros de teste de um ou mais espectros de referência é estabelecido como critério para inclusão ou exclusão de classe (b) Com a razão entre os valores originais do espectro e uma função contínua ajustada ao espectro, a função do contínuo apresentada em (a), obtém-se o espectro normalizado conhecido como função do contínuo removido (b) Generalização de escala com filtragem da maioridade sobre imagem categórica. A categoria de maior freqüência delimitada na imagem original (a) é atribuída ao pixel espacialmente degradado da imagem transformada com o filtro de maioridade de 3 x 3 (b) Generalização de escala com filtragem de textura pela média. A média dos valores observados na janela de convolução, em negrito sobre a matriz da imagem original (a), é o valor atribuído ao pixel que corresponde ao endereço do elemento central da janela de convolução (linha 5 e coluna 11) da imagem textura pela média (b), que preserva o número original de pixels Fluxograma de trabalho Faixa de vôo em São José dos Campos SP, utilizada como área de estudo Tipos de materiais tipicamente observados em edificações residenciais: cerâmica de argila clara mesclada (a); cerâmica de argila vermelha (b); e telha de concreto pigmentado cinza escuro (c) Tipos de materiais tipicamente observados em edificações comerciais e industriais: fibrocimento (a); aço galvanizado (b); e alumínio (c) Materiais à base de cimento utilizados em calçamentos em geral: tipos de bloquetes, em (a) e (b); e placa concretada, em (c) A fibra asfáltica (a) foi pouco observada na região, mas produtos em polietileno foram bastante freqüentes, utilizados em tecidos de sombreiros de estacionamentos (b) e principalmente em caixas d água (c) Toldos em PVC colorido são utilizados mais freqüentemente em pequenas coberturas, como em (a) e (b), mas também foram encontrados em estruturas de maior porte, como galpões de uso provisório (c) Exemplos de materiais específicos, menos freqüentes na área de estudo: telhados metálicos com pinturas coloridas (a); telhas translúcidas de fibra de vidro (b); coberturas em policarbonato colorido semitransparente (c); fardos de recicláveis, acartonados (d) e embalagens PET (e); e pavimentos com pinturas coloridas (f) Montagem experimental para avaliações do sensor HSS em laboratório. A abertura no topo da bancada (a), sobre a qual o sensor HSS é posicionado na aquisição das imagens em laboratório (b), permite a visada direta da placa de referência Medições de radiância do pátio de referência (a) e de irradiância hemisférica (b) foram realizadas em período que abrangeu o horário de aquisição da imagem HSS e em dias posteriores Medição espectral sobre telhados com a utilização de plataformas de braço articulado. Nos destaques verifica-se o material de cada alvo. Tratam-se de telhados de concreto, mas com revestimentos impermeabilizantes diferentes nos rejuntes: manta aluminizada (a); e manta asfáltica (b)

18 3.12 Arranjo experimental para as medições espectrais de laboratório: uma visão abrangente, em (a); e o detalhe da medição de uma telha corrugada de alumínio, em (b) Padrão de amostragem na imagem HSS, realizada sobre as áreas iluminadas dos objetos (a), no qual os pixels adjacentes são destinados a diferentes subconjuntos amostrais, numerados de 1 a Modelo para a comparação da precisão de classificação de uma classe espectral para K simulações de sensores Incerteza relativa do sinal do HSS, caracterizada pela relação ruído-sinal. São apresentadas resultados para os 37 canais da região do espectro refletido, em 4 freqüências de varredura, entre 6,25 e 50 Hz, para o IFOV de 2,5 mrad Análise comparativa da radiância equivalente ao ruído (NER) dos canais do sensor HSS, para condições de bancada (29abr2004_Lab, 01jul2004_Lab, e 20set2005_Lab) e de vôo (30mai2006_Img), todos obtidos com o IFOV de 2,5 mrad e 25 Hz de varredura. Um aumento genérico da NER foi identificado nos resultados do vôo, principalmente nos canais do SWIR, refletindo a variabilidade do sinal decorrente das condições ambientais Recorte referente ao canal 10 da imagem HSS do alvo de barras para o IFOV de 2,5 mrad, obtida em bancada em 2005 (esquerda). Os valores digitais mínimo (NDe) e máximo (NDc) são identificados no perfil horizontal (direita) do respectivo trecho da imagem Simulação do espectro de radiância da imagem (linha amarela) com a reamostragem da média de 8 espectros obtidos em medições de campo do pátio de concreto (linha ciano), usando as FREs do HSS Comparação do espectro médio da imagem (linha vermelha) com a média espectral de campo (linha ciano) e sua reamostragem para os canais originais do HSS (linha amarela). O pico de absorção por vapor d água na imagem HSS era esperado ocorrer no canal 18, mas foi verificado no canal 19, indício de deslocamento espectral Comparação dos espectros médios de radiância da imagem e de campo para a região espectral do VNIR (superior) e SWIR (inferior): a redução em 17 nm do posicionamento espectral dos 20 primeiros canais do sensor HSS (VNIR) proporcionou melhor correspondência entre a radiância aparente da imagem (linha verde) e a informação de campo (linha ciano) reamostrada para as FREs do HSS (linha amarela), quando comparada à radiância da imagem original sem ajuste (linha vermelha). O SWIR não apresentou deslocamento espectral Trecho da imagem HSS da cidade de São José dos Campos entre os bairros Jardim Oriente (esquerda) e Vista Verde (direita). A parte inferior apresenta-se mais brilhante, devido ao efeito do retroespalhamento da iluminação solar, mais visível nas áreas edificadas O espectro médio do pátio de concreto da imagem reflectância obtida após o ajuste espectral (linha azul) apresenta boa correspondência com espectro médio de reflectância de campo reamostrado (linha verde) Espectros de campo de telhados de aço galvanizado e de alumínio mostram diferenças quanto à feição de absorção e à magnitude das curvas Condição de telhados metálicos observados na área de estudo. Três estágios de envelhecimento de telhas de aço galvanizado, com o aspecto visual

19 evoluindo do cinza-azulado ao marrom-avermelhado (a); e alumínio, em (b), que se apresenta mais homogêneo por não ser susceptível à corrosão Telhados de fibrocimento apresentam grande diversidade de formatos e conservação: perfil canalete 90 bastante envelhecido (a); perfil U (modulado) em estágio intermediário de envelhecimento; e perfil ondulado (vogatex) com telhas em dois estágios de envelhecimento e elementos metálicos utilizados para ventilação sobre a cumeeira (c) Espectros de campo de telhados de fibrocimento em três condições de conservação da superfície, correspondentes às imagens à esquerda: telhado novo (foto superior), misto (foto central) e envelhecido (foto inferior). No processo de envelhecimento o espectro do fibrocimento apresenta gradativa redução da reflectância, principalmente no VIS, porém, apesar de atenuadas, persistem as inflexões em 680 nm e em 2330 nm Espectro de telha de fibrocimento obtido em campo (linha ciano) é comparado ao espectro de fibrocimento com amianto obtido em laboratório (linha magenta), e à referência de crisotila da literatura Clark et al., 2001 (linha preta). À direita, uma ampliação da região espectral entre 2300 e 2400 nm Espectros de laboratório de telha de fibrocimento com amianto (linha magenta) e de fibrocimento sem amianto (linha azul), referentes aos alvos da fotografia à esquerda. No destaque, as informações do fabricante impressas no produto, identificando a presença de amianto (amostra superior inscrição em preto) e a ausência (amostra inferior inscrição em vermelho) As feições de absorção devidas aos óxidos de ferro da cerâmica nova (linha bege), no VNIR, principalmente em 670 e 870 nm, são atenuadas no envelhecimento da cerâmica (linha vermelha), em virtude da proliferação de liquens nos telhados. No SWIR, a feição da hidroxila, em 2200 nm, que é nitidamente observada no solo de argila in natura (linha marrom) encontra-se descaracterizada nos materiais cerâmicos As feições de absorção devidas aos óxidos de ferro, no VNIR, são verificadas apenas nos espectros de cerâmica de argila vermelha (linhas amarela e vermelha), as quais permitem fácil diferenciação da cerâmica de argila clara Espectros de campo de pintura sobre metal (superior) e de materiais plásticos (PVC centro; PET inferior) revelam semelhanças no SWIR, com uma banda de absorção sutil em 2135 nm e outra, mais ampla a partir de 2270 nm, devido à presença de hidrocarbonetos dos derivados de petróleo Espectros de laboratório de amostras de lonas de PVC de diferentes cores (incluídas na paleta na fotografia à esquerda) revelam semelhanças no NIR e SWIR, com feições de absorção em 1715 nm, 2135 nm e outra, mais ampla, a partir de 2300 nm Espectros de laboratório de materiais apresentados na fotografia à esquerda: lona de PVC bege (superior), concreto pigmentado em cor pêssego (centro) e cerâmica de argila clara (inferior). Apesar da semelhança no VNIR, esses se diferenciam no SWIR devido às feições do PVC (1717, 2135 e 2300 nm) e da presença da caolinita na argila (2200 nm)

20 4.20 Espectros de laboratório de materiais apresentados na fotografia à esquerda: cerâmica de argila clara (superior), fibrocimento com amianto (centro) e concreto pigmentado cinza-pérola (inferior). A ausência de feições de absorção mais recortadas tornam os espectros susceptíveis à confusão Simulação da resolução espectral dos sensores HSS (superior), Quickbird (esquerda), HRG/Spot-5 (centro) e ETM+/Landsat-7 (direita), a partir de espectros de laboratório de materiais utilizados em telhados. A capacidade de discriminação entre os espectros de concreto pigmentado, PVC e cerâmica clara é reduzida com a diminuição do número e o aumento da largura de bandas do sensor. Os símbolos indicam o posicionamento das bandas dos sensores Espectros obtidos da imagem de reflectância (valor multiplicado por 10 4 ) do sensor HSS após a correção com o FLAASH e otimização com o EFFORT. São exibidas composições coloridas normais para: vegetação de várzea (a); solo exposto em um corte do terreno (b); lagoa com sedimentos inorgânicos (c); e lagoa com fitoplânctons (d) Espectros HSS de reflectância (valor multiplicado por 10 4 ) de alvos artificiais comuns a áreas urbanas, identicados nos recortes da imagem: telhado de fibrocimento novo e envelhecido (a); telhado de cerâmica de argila nova e envelhecida (b); telhado de aço galvanizado em três estágios de oxidação (c); e telhado de alumínio envelhecido (d). Escalas e valores do eixo vertical foram ajustados para melhor visualização dos espectros de cada tipo de alvo Espectros HSS de reflectância (valor multiplicado por 10 4 ) de dois toldos de PVC. Destacam-se as feições de absorção em 2135 e 2303 nm. Abaixo de cada espectro é apresentada a fotografia do alvo correspondente Espectros HSS de variedades de lonas de PVC com diferentes colorações apresentam feições similares de absorção em 2150 e 2325 nm, apesar das variações na região do VNIR. Vê-se, em (a), um hangar de lona branca e, em (b), dois modelos de quiosques coloridos Espectros de variedades de telhado metálicos pintados nas cores branca, amarela, vermelha e azul foram obtidos com a imagem HSS. A feição de absorção na região de 2300 nm, presentes em todos os espectros de pinturas reflete a presença de materiras comuns às pinturas de diferentes cores, à semelhança de materiais plásticos como o PVC Espectros com traços da presença de enxofre foram observados em pixels de um depósito descoberto da imagem HSS. Dois montes do material podem ser identificados no recorte da imagem (à esquerda), cuja amostra espectral assemelha-se ao espectro da substância pura medida em laboratório. A alta reflectância é característica marcante dessa substância, que supera em muito o brilho de outros materiais da cena Diagrama matricial de espalhamento de classes de alvos obtidos na imagem reflectância do HSS. A distribuição de 5 classes de alvos naturais (esquerda) e de 6 classes de alvos artificiais (direita) é apresentada em combinações pareadas de seis bandas do sensor (centros de banda discriminados em µm): as 3 do VIS (azul B02, verde B05, e vermelho B09); uma do NIR (B20); e duas do SWIR (B21 e B35) Diagrama de espalhamento de classes de alvos naturais e artificiais obtidos na imagem reflectância do HSS para as bandas B02 (Vis) vs. B35 (SWIR).

21 Enquanto os alvos naturais possuem menores valores de reflectância em ambas as bandas apresentadas, os alvos artificiais apresentam maior amplitude, dispersando-se entre valores médios e altos Diagrama de espalhamento de classes de alvos artificiais similares obtidos na imagem reflectância do HSS para os pares de bandas B02 (VIS) vs. B35 (SWIR) e B09 (VIS) vs. B21 (SWIR) Diagramas matriciais de espalhamento de classes de alvos artificiais para o HSS e os sensores multiespectrais simulados, onde são apresentadas as combinações de seis bandas espectrais: as três do VIS, duas do NIR e uma do SWIR. Os retângulos vazios referem-se a combinações de bandas não disponíveis para o sensor em questão. Observe-se que a dispersão das classes é basicamente a mesma nas relações entre bandas equivalentes de cada sensor Diagramas de espalhamento de classes de alvos artificiais para o HSS e para as bandas combinadas dos sensores multiespectrais simulados. São apresentadas combinações de bandas espectrais relativas à região do azul e do NIR. Basicamente a mesma separação de classes é observada entre um e outro sensor, exceto para a classe pintura amarela, que na configuração do ETM+ apresenta-se mais próxima da lona branca de PVC Diagramas Box plot de classes de alvos artificiais similares observados para a banda 15 do HSS e três transformadas com funções regularmente utilizadas: inversa (1/B15); logarítmica (LogB15); e raiz quadrada (B15 1/2 ) Probabilidade acumulada e histogramas das bandas B03 e B15 do HSS, obtidos com os dados agrupados das seis classes de alvos similares, são apresentados juntamente com a expectativa de distribuição normal Espectro médios das classes de alvos urbanos obtidos da imagem HSS. O posicionamento das bandas dos sensores multiespectrais simulados é indicado na porção inferior do gráfico Imagens HSS em composição R9G5B2. A imagem textura de 9 m de GIFOV em (b), apresenta visível degradação da resolução espacial quando comparada à imagem original com 3 m de GIFOV (a), porém preserva a correspondência no endereço dos pixels O espectro de reflectância de um pixel da região central de um alvo de grandes proporções, um telhado metálico com pintura amarela apresentado no recorte em cores R5G3B2, é identificado na imagem HSS original (a) e na imagem textura (b), verificando-se muito pouca diferença nas feições espectrais de uma para a outra imagem O espectro de reflectância de um pixel de PVC azul, um alvo de pequenas dimensões apontado no recorte em cores R5G3B2, é identificado na imagem HSS original (a) e na imagem textura (b), verificando-se grande variação espectral, pela ocorrência de atenuações das principais feições de absorção que identificam o material do alvo, entre 440 e 700 nm, e na região de 2300 nm Composição colorida HSS normal (R9G5B2) e imagem SAM (ângulo) correspondente para dois recortes da cena (a) para um alvo de piscina de fato; e em (b) para um pixel de sombra, alvo que apresentou valores angulares muito baixos na imagem SAM, confundindo-se no mesmo intervalo de valores com os pixels de piscinas. Espectros de reflectância HSS correspondentes são mostrados à direita

22 4.40 Apesar de apresentarem valores angulares próximos, pixels de aço galvanizado e de alumínio, foram bem discriminados nas respectivas imagens SAM: em (a) um galpão com telhado em aço é adequadamente discriminado dos diversos alvos vizinhos; em (b), um beiral de aço galvanizado é identificado na imagem SAM respectiva, pela qual são discriminados os pixels de aço, mas não os de alumínio do galpão vizinho, que por sua vez é discriminado adequadamente na imagem SAM do alumínio (c), apesar de serem ambos os alvos apresentados na mesma escala de valores Pixels de ruas e avenidas também apresentaram baixos valores angulares na imagem SAM do alumínio e só não causam maior confusão pela incoerência nessa associação, baseando-se no conhecimento prévio da estrutura espacial e dos materiais utilizados nas áreas urbanas Pixels de cerâmica são corretamente classificados na imagem SAM, sendo bem diferenciados na área residencial (a) ou, mesmo em relação a alvos de solo exposto de áreas vizinhas (b) Composição colorida HSS normal (R9G5B2) e imagem SAM (ângulo) correspondente para dois recortes da cena contendo alvos de lona de PVC azul corretamente classificados, cujos espectros são mostrados à direita Um galpão coberto por lona de PVC branca é indicado nos recortes das imagem SAM referentes ao PVC azul e ao PVC branco (ao centro). Pixels de lona de PVC branca são corretamente classificados na imagem SAM respectiva (a), e não são identificados na imagem SAM do PVC azul (b) até o ângulo de 0,17 rad, o que indica que esses alvos podem ser facilmente separados nas imagens ângulo. Mas alguma confusão do PVC branco ocorre com objetos com pintura branca, de pixels fora da área do galpão, em (b), em virtude da semelhança espectral desses alvos Pixels de fibrocimento claro foram identificados nas referências (a), porém grande confusão foi observada com pavimentos de cimento, asfalto claro e até mesmo em relação a alvos com pintura branca (b) Diagrama de espalhamento das amostras de classes de alvos diversos com dados das imagens ângulo obtidas com o processamento SAM Em (a), os pixels de PVC azul, sombra e vegetação, indicados nos recortes da imagem HSS / R9G5B2 (à esquerda) e na imagem SFF-PVC azul correspondente (centro), apresentam valores no mesmo intervalo, entre 0,3 e 0,6 na imagem amplitude SFF, apesar de seus espectros serem visivelmente diferentes (à direita). Isto ocorre devido à proximidade dos valores de contínuo desses alvos em uma das bandas da região delimitada para o processamento (bandas 32 a 37 do HSS), em (b) Um pixel de PVC azul e um pixel de vegetação, indicados nos recortes da imagem HSS / R9G5B2 (à esquerda) e na imagem SFF-PVC azul correspondente (centro), apresentam valores no mesmo intervalo do fatiamento, entre 0,6 e 0,9 na imagem amplitude SFF, apesar de seus espectros serem visivelmente diferentes (à direita) Diagrama de espalhamento dos valores de amplitude SFF das classes de alvos diversos

23 LISTA DE TABELAS Pág. 2.1 CARACTERÍSTICAS DE SENSORES HIPERESPECTRAIS BANDAS DO SENSOR HSS NO ESPECTRO REFLETIDO SIMULAÇÕES DE BANDAS AMPLAS COM DADOS DO HSS CONTRASTE PARA TESTE DA RESOLUÇÃO ESPACIAL EM CANAIS DO SENSOR HSS DISTRIBUIÇÃO DE PIXELS POR CLASSE E SUBCONJUNTO TESTE DE LEVENE PARA A HOMOCEDASTICIDADE TESTES DE NORMALIDADE PARA OS DADOS AGRUPADOS TESTES DE NORMALIDADE POR CLASSES PRECISÃO CLASSIFICAÇÃO COM 13 BANDAS DO HSS PRECISÃO DE CLASSIFICAÇÃO COM 17 BANDAS DO HSS TESTE DO DEVIANCE NO MODELO DE 17 BANDAS DO HSS TESTE G DAS VARIÁVEIS NO MODELO DE 17 BANDAS DO HSS TESTE WALD DAS VARIÁVEIS NO MODELO DE 17 BANDAS DO HSS DISTRIBUIÇÃO AMOSTRAL POR CLASSE E SUBCONJUNTO PRECISÃO DE CLASSIFICAÇÃO COM 14 BANDAS DO HSS TESTE DO DEVIANCE NO MODELO DE 14 BANDAS DO HSS TESTE G NO MODELO DE 14 BANDAS DO HSS TESTE WALD DAS VARIÁVEIS NO MODELO DE 14 BANDAS DO HSS PRECISÃO DE CLASSIFICAÇÃO PARA DERIVADOS DE CIMENTO COM 14 BANDAS RESUMO DAS AMOSTRAS DE DERIVADOS DE CIMENTO VALIDAÇÃO DA CLASSIFICAÇÃO PARA DERIVADOS DE CIMENTO COM 14 BANDAS PRECISÃO DE CLASSIFICAÇÃO A COM SENSORES SIMULADOS VALIDAÇÃO DA CLASSIFICAÇÃO PARA DERIVADOS DE CIMENTO NA SIMULAÇÃO DO ETM VALIDAÇÃO DA CLASSIFICAÇÃO PARA DERIVADOS DE CIMENTO NA SIMULAÇÃO DO HRG TESTE DO DEVIANCE NO MODELO DE 14 BANDAS COM DADOS DA IMAGEM TEXTURA TESTE G NO MODELO DE 14 BANDAS COM DADOS DA IMAGEM TEXTURA TESTE WALD DAS VARIÁVEIS NO MODELO DE 14 BANDAS COM DADOS DA IMAGEM TEXTURA VALIDAÇÃO DA CLASSIFICAÇÃO DE DERIVADOS DE CIMENTO COM 14 BANDAS E DADOS DA IMAGEM TEXTURA CLASSIFICAÇÃO PARA ALVOS DIVERSOS COM 14 BANDAS PARA DADOS DA IMAGEM ORIGINAL OU TEXTURA CLASSIFICAÇÃO A DE ALVOS DIVERSOS PARA OS SENSORES SIMULADOS COM DADOS DA IMAGEM ORIGINAL E TEXTURA CLASSIFICAÇÃO DE ALVOS DIVERSOS OBTIDA COM O MAPEADOR SAM PARA DADOS DA IMAGEM HSS ORIGINAL CLASSIFICAÇÃO DE ALVOS DIVERSOS OBTIDA COM O MAPEADOR SFF PARA DADOS DA IMAGEM HSS

24

25 1 INTRODUÇÃO O êxodo rural para as cidades e o adensamento populacional nas últimas décadas foi observado no mundo todo, tornando o ambiente das cidades, agora mais do que nunca, o centro de gravidade de vida humana (BEN-DOR, 2003). O crescimento dos centros urbanos nesse período fez surgir uma grande variedade de estruturas complexas, com grande mistura de materiais e diferentes efeitos sobre o ambiente, o que repercute direta e indiretamente no conforto e na qualidade de vida humana (BEN-DOR, 2003). Na atual conjuntura, o estudo das áreas urbanas vai além da necessidade de obter informações para gerar facilidades aos seus habitantes e visitantes. Hoje é premente a necessidade de informações que fundamentem a adoção de políticas de redução do impacto da ocupação intensa, e muitas vezes desordenada, verificada em muitos grandes centros urbanos, como a adoção de planos diretores eficazes na redução dos efeitos da poluição e do aquecimento, resultantes do estilo de vida próprio desses grandes adensamentos humanos. Para tanto, deve-se considerar não só o estudo da distribuição do espaço urbano, mas também os materiais nele utilizados, a fim de, por exemplo, evitar a liberação de resíduos ou a retenção excessiva de calor. 1.1 O Sensoriamento Remoto no Estudo de Problemas Urbanos O urbanismo, assim como outras disciplinas do conhecimento, vem se beneficiando dos dados de sensoriamento remoto, os quais têm sido utilizados em duas abordagens genéricas de monitoramento de aspectos urbanos: a de mudanças de longo prazo, que levam meses ou anos para se concretizarem; e a de mudanças de curto prazo, que ocorrem ao longo de um ou no máximo alguns dias (BEN-DOR, 2003). São citadas na literatura, entre outras aplicações do sensoriamento remoto em áreas urbanas, a classificação de uso urbano (HOFFMAN ET AL., 2001; GUINDON ET AL., 2004; PINHO ET AL., 2004; STEFANOV E NETZBAND, 2005), a avaliação temporal da área edificada, a expansão urbana sobre áreas agrícolas (WELCH, 1982; LILLESAND E KIEFER, 1994) e a avaliação do balanço energético em cidades (DOUSSET E GOURMELON, 2003). Além da melhoria na resolução espacial de sensores remotos, a popularização de sensores com maior capacidade de investigação espectral vem possibilitando um aprofundamento no nível de detalhamento da informação sobre o espaço intra-urbano. 25

26 Imagens de áreas urbanas com várias dezenas e até centenas de bandas vêm sendo adquiridas por sensores chamados hiperespectrais, operados a partir de aeronaves ou de satélites. A disponibilização desses dados, juntamente com o aprimoramento das técnicas de processamento de imagens de alta resolução espectral, abriu novas perspectivas para o estudo de propriedades espectrais dos alvos urbanos. Tradicionalmente, a maioria das aplicações do sensoriamento remoto hiperespectral trata da identificação de minerais, do estudo da distribuição de sedimentos em suspensão ou de algas em corpos d água, e das estimativas de variáveis biofísicas da vegetação (LIANG, 2004). Mais recentemente, no entanto, alguns estudos hiperespectrais têm se voltado para a investigação de áreas urbanas, na busca do conhecimento de características e problemas resultantes da ação antrópica. Entre os temas que têm sido explorados no estudo espectral de áreas urbanas, destacamse a avaliação do status da vegetação intra-urbana, do estado de pavimentos ou coberturas, e a identificação do impacto das propriedades dos materiais quanto à absorção da energia radiante sobre o balanço energético e o clima local (BEN-DOR, 2003; HEROLD ET AL., 2004a). Pode-se citar, ainda, a necessidade do monitoramento da poluição do ar e da água, e do mapeamento de substâncias potencialmente nocivas ao ser humano, como os minerais de amianto 1 (CLARK ET AL., 2001; BASSANI ET AL., 2007), ou rejeitos de áreas de mineração abandonadas, causadores de contaminação do solo e da água (CLARK ET AL., 2003). Como exemplo, apresenta-se na Figura 1.1 o resultado de uma classificação de substâncias identificadas na área do desabamento do World Trade Center (EUA), ocorrido em 11 de setembro de Os resultados foram obtidos com o uso de um par de imagens de resolução espacial de 2 e 4 m do sensor AVIRIS, que cobre a faixa espectral de 370 a 2500 nm com 224 bandas, através da comparação da similaridade dos espectros dos pixels com espectros de referência dos materiais sob análise. Apesar das dificuldades de identificação de resíduos de amianto mesmo com medições de campo, em virtude da pulverização e da mistura com outras substâncias, o estudo de Clark et al. (2001) ilustra uma potencialidade da utilização de imagens e de técnicas apropriadas na identificação de materiais da área urbana que possam estar relacionados a questões ambientais e de saúde pública. 1 Em Clark et al. (2001) e Bassani et al. (2007) são citados trabalhos que identificam fibras de amianto como causadoras de mesotelioma, um tipo de câncer de pulmão. 26

27 Fig. 1.1 Estudo ambiental na área do desabamento do World Trade Center (EUA), realizado com imagens AVIRIS de 2 e 4 m de resolução espacial. Em (a) é apresentado um mapeamento genérico de materiais identificados nos escombros e em (b) são identificados pixels com provável espectro de crisotila, mineral do amianto. FONTE: Adaptada de Clark et al. (2001). No Brasil, Costa et al. (2004) e Souza e Kux (2004) são exemplos de trabalhos que, mesmo utilizando imagens com um número reduzido de bandas, buscaram de alguma forma explorar a informação espectral do espaço intra-urbano. De fato, a diversidade de tipos de edificações, que vão desde habitações precárias às mais elaboradas estruturas dos grandes centros comerciais, bem como os problemas sanitários que ocorrem em áreas urbanas do país, justificam esforços maiores que busquem a compreensão desses problemas. 1.2 Dificuldades para o Estudo Espectral em Áreas Urbanas A capacidade de monitoramento de mudanças em áreas urbanas vem crescendo com o constante aprimoramento dos sensores. Em muitos aspectos, a melhoria da resolução espacial é suficiente para o aumento da capacidade investigativa dessas áreas com imagens. Para outros, entretanto, que buscam identificar a natureza e a composição do material, exige-se um maior refinamento das características espectrais dos instrumentos. Pelo fato de áreas urbanas serem formadas por alvos de dimensões reduzidas (WELCH, 1982), com grande heterogeneidade espacial e espectral (CHEN E HEPNER, 2001, HEROLD ET AL., 2004a), exige-se um conjunto de dados que contemplem características destacáveis em ambos esses aspectos. Mesmo hoje em dia, há grande dificuldade em acessar imagens com tais peculiaridades. Imagens hiperespectrais são geralmente adquiridas com resolução espacial inadequada para 27

28 estudos urbanos, enquanto imagens de alta resolução espacial são geralmente adquiridas em poucas e amplas bandas. Por esses motivos, são poucos os estudos voltados à investigação espectral de áreas urbanas que utilizam imagens como fonte primária de dados. Predominam, em geral, estudos desenvolvidos unicamente com base em medições de campo, ou com a utilização secundária de imagens de sensores remotos. No Brasil, por exemplo, as dificuldades para estudos de áreas urbanas com os dados hiperespectrais disponíveis, provenientes do sensor AVIRIS 2 (VANE ET AL., 1987) e, mais recentemente, do Hyperion (UNGAR ET AL., 2003), advêm da baixa resolução espacial utilizada na coleta de dados, de 20 m para o AVIRIS 3 e de 30 m para o Hyperion. Essa resolução espacial torna difícil uma avaliação mais minuciosa das propriedades espectrais de alvos urbanos de dimensões reduzidas. Com essas dimensões, a maioria dos elementos de cena do espaço intra-urbano pode apresentar uma grande e confusa mistura espectral, dependendo dos padrões de ocupação ou do nível de fragmentação espacial do espaço urbano sob análise. Esse relacionamento entre aspectos espaciais e espectrais de uma imagem é um exemplo de questão que merece maior aprofundamento. Como a discriminação espectral é afetada com a degradação da resolução espacial? Considerando que a resolução espacial e a fragmentação da área urbana do estudo são características locais, que variam inclusive entre bairros de uma mesma cidade, tal investigação permitiria um melhor esclarecimento, conhecidas as características espaciais de uma área, sobre a adequabilidade de uma imagem para uma determinada aplicação espectral. No Brasil, uma alternativa atual para estudos espectrais que exijam maior detalhamento espacial, como no caso do estudo de áreas urbanas, está na utilização do sensor aerotransportado HSS (Hyperspectral Scanner System) (SOUZA FILHO, 2004; MOREIRA ET AL., 2004), utilizado no Sistema de Proteção da Amazônia (SIPAM). O HSS é um sensor imageador com 50 bandas bem distribuídas ao longo do espectro óptico refletido e emitido. Pelo fato deste sensor ser aerotransportado, é possível adquirir dados em várias resoluções espaciais (a depender apenas da altura do vôo). 2 Airborne Visible-InfraRed Imaging Spectrometer (AVIRIS). 3 Apesar de ser aerotransportado e possibilitar imagens com melhores resoluções, o sensor AVIRIS, quando a bordo da aeronave ER-2, adquire regularmente imagens a 20 km de altitude, resultando em pixels de 20 m. Apenas poucos dados foram disponibilizados fora desse padrão, com o sensor operando em outras plataformas. Os dados disponíveis do Brasil, obtidos durante o experimento SCAR-B, possuem a configuração padrão de 20 m de resolução espacial. 28

29 Além do mais, por tratar-se de um sensor a serviço de instituições governamentais, conta-se com uma maior facilidade de acesso às suas imagens para a pesquisa, e uma maior disponibilidade para a aquisição de um conjunto de dados mais elaborado, em campanhas de aquisições concomitantes a coletas de dados de campo. Além da resolução espacial, entretanto, outros aspectos que interferem na interpretação espectral dos dados são a correção atmosférica da imagem, necessária para a obtenção da reflectância de superfície, e a geometria de iluminação e de visada. Uma boa correção atmosférica permite resgatar adequadamente a reflectância da superfície com o conjunto de imagens radiância e, dessa forma, torna-as passíveis de comparação entre si, de comparação com os dados de superfície, e com outras imagens corrigidas, desde que tenham sido adquiridas nas mesmas condições de iluminação e de visada. Uma das dificuldades para estudos espectrais multirresolução espacial, está justamente neste aspecto: a obtenção de um par de imagens de uma mesma área com a mesma geometria de iluminação, a fim de tratar com dados em que a única variável seja a característica espacial. Isso porque a mera mudança de nível de vôo implica em alteração do ângulo de visada de um determinado objeto da superfície. Por fim, além dos aspectos já apresentados, as imagens devem, preferencialmente, vir acompanhadas de um conjunto de dados espectrais obtidos em campo, que possibilitem uma avaliação comparativa dos resultados da correção atmosférica com os espectros de reflectância obtidos das imagens. Em resumo, o estudo espectral com imagens exige planejamento, coordenação e grande disponibilidade, tanto do sensor como da equipe de coleta espectral de campo. 1.3 Objetivo do Trabalho Dentro do contexto apresentado, o objetivo geral desse trabalho é a caracterização e a discriminação de alvos no ambiente intra-urbano, a partir de imagens do sensor HSS adquiridas com 3 metros de resolução espacial, e de dados espectrorradiométricos de campo e de laboratório. Tal proposta abrange cinco objetivos específicos: I. Caracterizar o funcionamento e a calibração do sensor HSS para o planejamento e especificações adequadas dos parâmetros de vôo, da aquisição das imagens, e das etapas subseqüentes de pré-processamento dos dados; 29

30 II. Compor uma biblioteca espectral fina de materiais urbanos, obtida a partir de medidas espectrorradiométricas de laboratório e de campo, da inspeção dos espectros de pixels extraídos da imagem HSS e da simulação da resposta espectral de sensores multiespectrais, discutindo a separabilidade e o comportamento espectral dos alvos; III. Avaliar a influência da degradação da resolução espectral e a importância da região do SWIR na discriminação de alvos urbanos, através da comparação da precisão de classificação (regressão logística) de simulações espectrais de sensores de bandas espectrais amplas (QuickBird, HRG/Spot-5 e ETM+/Landsat 7) com os dados HSS; IV. Avaliar a influência da degradação da resolução espacial sobre a discriminação espectral de alvos urbanos específicos, através da comparação da precisão de classificação (regressão logística) obtida de dados HSS de alta resolução espacial (3 m) com a precisão obtida com dados degradados para média resolução (9 m) com o artifício da filtragem de textura; e V. Verificar o potencial de identificação de materiais com resposta espectral bem definida na imagem reflectância HSS, utilizando espectros de referência da biblioteca espectral com as técnicas Mapeador de Ângulo Espectral (Spectral Angle Mapper SAM) e Mapeador de Feições Espectrais (Spectral Feature Fitting SFF). Serviram de base para essa pesquisa três conjuntos principais de dados: uma biblioteca espectral de campo, obtida na área de estudo; espectros obtidos em laboratório de materiais de uso comum em telhados; e uma imagem do sensor HSS adquirida com 3 m de resolução espacial e posteriormente degradada computacionalmente para 9 m. O Capítulo 2 apresenta a Fundamentação Teórica, com ênfase na discussão dos trabalhos prévios de sensoriamento remoto hiperespectral de áreas urbanas, na descrição do sensor HSS e na apresentação das técnicas de tratamento e análise de dados utilizadas no presente trabalho para a discriminação e identificação espectral de alvos urbanos. A Metodologia de Trabalho utilizada para alcançar os objetivos apresentados é apresentada no Capítulo 3. Os resultados e as conclusões obtidas fazem parte dos Capítulos 4 e 5, respectivamente. 30

31 2 FUNDAMENTAÇÃO TEÓRICA 2.1 Sensoriamento Remoto Hiperespectral em Áreas Urbanas Sensoriamento remoto hiperespectral, espectroscopia por imageamento, ou espectrometria por imageamento 4 (GOETZ ET AL., 1985), como fora inicialmente apresentado, surgiu na década de 80 juntamente com as pesquisas com dados do sensor AIS 5 (LILLESAND E KIEFER, 1994), e ganhou grande impulso ao longo da década de 90, com o aperfeiçoamento do sensor AVIRIS (VANE ET AL., 1987), e de outros sensores posteriores. No Brasil, pode-se considerar que essa linha de estudos foi iniciada justamente com a disponibilização de imagens do sensor AVIRIS, adquiridas durante o experimento SCAR-B 6, em 1995 (KAUFMAN ET AL., 1998), que teve como objetivo o estudo da atmosfera para fins de modelagem. Diversos estudos foram realizados desde então com as imagens AVIRIS do Brasil (ESPOSITO, 1998; GALVÃO ET AL., 1999, 2000, 2001, 2003; LATORRE, 1999; CARVALHO JÚNIOR, 2000; CRÓSTA E SOUZA FILHO, 2000; MOREIRA, 2000; PIZARRO ET AL., 2001; ALMEIDA E SOUZA FILHO, 2004; MOURA E GALVÃO, 2003), que ainda constituem uma importante base de dados. Um dos problemas que têm limitado o uso destas imagens é a inexistência de dados de campo coletados simultaneamente ao imageamento, o que dificulta a recomposição da verdade terrestre. Mais recentemente, a disponibilização comercial dos dados do sensor orbital Hyperion trouxe novas perspectivas para estudos hiperespectrais no Brasil (GALVÃO ET AL., 2005a, b). Conforme apresentado por Goetz et al. (1985), o Sensoriamento Hiperespectral consiste na aquisição simultânea de imagens em muitas bandas contíguas, obtidas na região do visível e do infravermelho refletido. A importância dessa técnica, segundo os autores, está na capacidade de obter um espectro aproximadamente contínuo de reflectância de cada elemento de cena (representado pelo pixel da imagem), possibilitando a identificação de um grande número de materiais através da discriminação de suas propriedades físico-químicas, evidenciadas pela interação da radiação eletromagnética. Dessa forma são obtidas, por exemplo, informações biofísicas e bioquímicas da 4 Segundo Clark (1999), os termos Espectrometria por imageamento, Espectroscopia por imageamento e Sensoriamento remoto hiperespectral são amplamente utilizados, com o mesmo significado. Este texto adotará mais amplamente o termo espectroscopia. 5 Airborne Imaging Spectrometer (AIS). 31

32 vegetação, ou aspectos morfológicos e da composição mineralógica e química de rochas e solos, os quais não poderiam ser identificados com sensores com poucas e amplas bandas. Os espectros extraídos das imagens servem para avaliar os componentes de cena através da associação com o comportamento espectral de alvos disponibilizados em bibliotecas espectrais de campo, de laboratório, ou mesmo de outras imagens, que sirvam de referência. A comparação desses espectros dos pixels com espectros de campo e laboratório, entretanto, não pode ser realizada diretamente através dos números ou níveis digitais (ND). Além do procedimento de calibração radiométrica das imagens, que será tratado oportunamente, outros três aspectos devem ser considerados para a interpretação de espectros em imagens: o primeiro diz respeito à correção atmosférica e à conversão para imagens reflectância de superfície 7 ; o segundo, ao aspecto espacial; e o último, à característica espectral dos dados, que determina o nível de refinamento e a abrangência do espectro. A correção atmosférica e a conversão para reflectância de superfície são fundamentais para a correta caracterização do comportamento espectral dos materiais da superfície com imagens, viabilizada pela comparação dos espectros dos pixels com espectros de referência contidos em bibliotecas espectrais. Em virtude de sua abrangência, a correção atmosférica será assunto de uma seção específica, apresentada oportunamente. Os outros dois aspectos serão abordados nas seções a seguir, inicialmente introduzindo-se o comportamento espectral de alvos urbanos genéricos, e posteriormente discorrendo-se sobre o aspecto espacial, que abrange a influência da escala e da geometria de iluminação e da visada sobre os espectros obtidos em imagens. E como esses aspectos estão diretamente relacionados às características dos sensores, uma seção específica tratará, posteriormente, dos sensores hiperespectrais, com apresentação mais detalhada do sensor HSS O Comportamento Espectral de Alvos Urbanos A obtenção de espectros de campo para o sensoriamento hiperespectral é importante pelo fato de fornecer dados de referência e controle para o estudo qualitativo e 6 Smoke, Clouds, And Radiation Brazil (SCAR-B) experiment (KAUFMAN ET AL., 1998). 7 Pra fins de simplificação, o termo reflectância é utilizado genericamente neste trabalho, para expressar o fator de reflectância de medições de campo ou o resultado de um processamento da imagem com um aplicativo de correção atmosférica. Entretanto, para um maior aprofundamento, uma discussão pormenorizada sobre o conceito de reflectância pode ser obtido em Schaepman-Strub et al. (2006). 32

33 quantitativo dos espectros obtidos com as imagens. Esse conhecimento é mais fidedignamente alcançado através de estudos espectrais in situ, a fim de que feições espectrais características do fenômeno de interesse, obtidos na própria área de estudo, possam ser reconhecidas posteriormente nos espectros das imagens. Nas aplicações de sensoriamento remoto, entretanto, freqüentemente os alvos de interesse são inacessíveis para a coleta de dados de campo, seja por motivos espaciais, temporais, políticos, ou em virtude do custo de mobilização. Nesses casos, o pesquisador necessita lançar mão de informações auxiliares, como bibliotecas espectrais de campo ou de laboratório, obtidas previamente (ou posteriormente) a um imageamento, ou em regiões similares à área de interesse. Ou seja, deve-se buscar toda informação espectral que possa orientar o estudo do fenômeno ou objeto de interesse. Bibliotecas espectrais são coletâneas de espectros obtidos de um ou mais tipos de materiais ou substâncias, geralmente apresentados em valores de reflectância quando o interesse está voltado ao estudo de materiais opacos, como para este trabalho. Os espectros de reflectância são obtidos com espectrorradiômetros, que são sensores com centenas a milhares de bandas (ou canais), cada qual associada a um comprimento de onda, e que fornecem valores quantizados, os NDs, proporcionais à intensidade do fluxo radiante proveniente do alvo em cada uma das bandas disponíveis. A reflectância, uma propriedade do material, não é medida diretamente, mas sim derivada da razão dos NDs do alvo pelos NDs de uma referência, um padrão difusor, obtidos com o mesmo radiômetro e nas mesmas condições de iluminação e visada. Os valores obtidos dessa razão são conhecidos como reflectância bidirecional (ou direcional-cônica, para um tratamento mais rigoroso 8 ) e não devem ser diretamente comparados com medições realizadas com outras referências, a menos que a calibração da referência seja conhecida, ou seja, que os coeficientes de calibração tenham sido obtidos em procedimentos de laboratório. Com uma referência calibrada, entretanto, é possível obter a reflectância absoluta, ρ λabs, que pode ser utilizada universalmente na comparação de espectros de diferentes origens: NDλ alvo ρ λ = C abs cal λp, (2.1) ND λ padrão 8 Segundo Slater (1980), o termo direcional é adequado para medições com ângulos até 8º de abrangência, seja de iluminação ou de visada. Para o autor, o termo cônica seria o mais apropriado para a direção em que o ângulo seja superior a esse valor. Segundo tal abordagem, o termo reflectância direcional-cônica seria o mais apropriado para caracterizar, por exemplo, uma medição realizada em campo com iluminação solar direta e visada com uma abrangência de 25º. 33

34 onde ND é o nível digital 9 resultante da medição radiométrica com os subscritos indicando qual o objeto medido, e o C calp o coeficiente de calibração do padrão discriminado no certificado de calibração, sendo todos os termos espectralmente dependentes (indicado pelo subscrito λ). Na ausência de uma biblioteca autóctone, espectros provenientes de outras fontes são fundamentais para a definição de diversos aspectos do planejamento de um estudo espectral com dados de sensores remotos, como por exemplo, a adequação das suas características espectrais para a identificação de determinada feição espectral esperada. Utilizando-se técnicas adequadas de análise em um conjunto espectral similar é possível planejar que tipos de imagens, dispositivos ou equipamentos devem ser empregados na investigação. Em Souza e Kux (2004), por exemplo, é discutida a possibilidade de discriminação entre alguns materiais típicos de construções brasileiras, como o amianto, o aço galvanizado (zinco), a cerâmica de argila vermelha e o asfalto de pavimentação de ruas, após a degradação de espectros de campo para as características espectrais de sensores de banda larga, como a câmera CCD/CBERS 10 (Figura 2.1). Fig. 2.1 Espectros de campo de materiais largamente utilizados em edificações no Brasil (esquerda) são utilizados na simulação da resposta espectral da câmera CCD/CBERS (direita). FONTE: Souza e Kux (2004). Três aspectos quanto à discriminação espectral merecem destaque no exemplo da Figura 2.1: o primeiro diz respeito à variabilidade no formato espectral de um mesmo tipo de material, que está associada às modificações das suas condições ao longo do 9 A utilização de valores de radiância no lugar dos níveis digitais do radiômetro é uma opção que resulta matematicamente nos mesmos valores de reflectância. 10 Câmera Charge Couple Device (CCD) / China-Brazil Earth Resource Satellite (CBERS). 34

35 uso; o segundo é quanto à variação na magnitude do espectro de um material nas mesmas condições, geralmente associado às condições de iluminação, como o ângulo zenital de iluminação; e o último está associado à baixa separabilidade entre algumas classes espectrais. O primeiro aspecto pode ser exemplificado através das diferenças nos espectros das amostras de zinco. O espectro zinco-1, além de apresentar uma reflectância média cerca de 25% superior em magnitude ao espectro zinco-2, também apresenta maior absorção nos menores comprimentos de onda da região do VIS (visível), o que pode estar associado a efeitos mais intensos de reflexão especular do zinco-2, possivelmente por ser uma superfície metálica mais nova 11. O segundo aspecto pode ser exemplificado com as diferenças entre os espectros de amianto, que apresentam ligeira diferença na magnitude dos espectros, mas, aparentemente, não no formato, indicando ser possível que os alvos apresentassem condições de superfície muito semelhantes. O último aspecto, quanto à dificuldade de separabilidade de classes, pode ser visualizado na proximidade entre os espectros das classes amianto e asfalto. Ou seja, os espectros de uma determinada classe podem estar permeados nos limites de variabilidade de uma outra classe, tornando-as confusas entre si. O amianto, em particular, tem sido objeto de interesse de diversos estudos de sensoriamento remoto, pelo forte apelo da divulgação internacional de pesquisas médicas que associam o mesmo a doenças respiratórias, especialmente ao melotelioma, um tipo de câncer de pulmão (BASSANI ET AL., 2007). Por ser um mineral fibroso resistente a altas temperaturas e ao ataque químico, o amianto é utilizado para os mais diversos fins, como a produção de pastilhas de freio automotivo, tecidos isolantes e, misturado ao cimento, na confecção de placas de revestimento, reservatórios d água e telhas, produtos amplamente utilizados pela construção civil, e que chegam a predominar em algumas regiões intra-urbanas no Brasil. Mas mesmo países em que a comercialização de produtos com amianto vem sendo restrita ou proibida há alguns anos, a convivência com materiais com amianto ainda deve perdurar por muitos anos, enquanto durem as peças já em uso anteriormente às restrições (BASSANI ET AL., 2007). Por esse motivo é latente a preocupação de avaliar o potencial de risco e de inventariar a quantidade de amianto exposta, principalmente nas telhas ainda em uso. 11 Superfícies especulares aparecem mais escuras em geral, exceto no ponto exato da visada especular, o hot spot, onde a reflectância é máxima, podendo causar a saturação do sinal no pixel. 35

36 Medições realizadas em laboratório com substâncias purificadas permitem a identificação e até a discriminação entre os dois minerais de amianto mais utilizados, o anfibólio e a crisotila, por uma sutil diferença espectral nas feições de máxima absorção desses minerais, que é em 2320 nm para o anfibólio e em 2330 nm para a crisotila 12 (CLARK ET AL., 2001), conforme apresentado na Figura 2.2. Fig. 2.2 Espectro de laboratório de minerais de amianto que podem ser identificados por sutil diferença no comprimento de máxima absorção: o anfibólio, em 2320 nm; e a crisotila, em 2330 nm. FONTE: Espectros disponibilizados em Research Systems (2000). Mas nos casos em que o amianto encontra-se misturado ao cimento, as características do mineral nem sempre serão evidenciadas, primeiramente em virtude da sua baixa concentração na mistura, que varia de 12 a 18% para a confecção de telhas (BASSANI ET AL., 2007), por exemplo. E além do mais, em virtude da grande variabilidade espectral da mistura do fibrocimento no seu processo de envelhecimento, resultante da grande propensão à formação de liquens, que os tornam escurecidos quando exposto ao tempo. A fragmentação de grande quantidade dessas superfícies, seja por um processo erosivo natural ou decorrente de catástrofes que provoquem o desmoronamento das edificações, resulta na situação de maior risco à saúde, pois as fibras do amianto liberadas com a degradação da matriz de cimento são facilmente inaladas por pessoas e animais (BASSANI ET AL., 2007). Nos estudos apresentados em Clark et al. (2001) são divulgados espectros de diversas regiões dos escombros do World Trade Center EUA (WTC), um dos quais, de codificação WTC01-8, é identificado pela feição de absorção 12 Crisotila é um tipo de fibra de amianto mais amplamente utilizada por ser mais longa e conseqüentemente menos prejudicial à saúde (BASSANI ET AL., 2007). 36

37 na região de 2300 nm como possivelmente associado à presença de minerais de amianto, mais provavelmente, de crisotila. Tal feição, conforme apresentada na Figura 2.3, é destacada em Clark et al. (2001) como correspondente à maior concentração do mineral das amostras obtidas de resíduos dos escombros, com aproximadamente 20% de concentração do mineral na mistura, e que estaria possivelmente associada ao revestimento isolante de vigas metálicas. Nos demais casos, Clark et al. (2001) citam que apenas traços da concentração de minerais de amianto foram observados, motivo da baixa identificação de pixels de amianto na imagem AVIRIS utilizada no estudo. Fig. 2.3 Espectro de amostra dos escombros do WTC EUA, relacionado à possível presença de crisotila, em virtude da feição de absorção na região de 2300 nm. FONTE: Disponibilizado em Clark et al. (2001). Clark et al. (2001) ressaltam a dificuldade de identificação da presença de minerais de amianto nos escombros do WTC, mesmo com imagens AVIRIS de 4 m de resolução espacial (GIFOV 13 ), basicamente devido à pulverização e mistura com outras substâncias. No trabalho do WTC, a feição típica em 2300 nm foi apresentada para apenas três, de dezenas de locais avaliados nas imagens. Nesses, as feições de amianto possivelmente associadas à crisotila foram mais facilmente identificadas com a obtenção de médias espectrais, quando presentes em mais de 1 pixel. Apesar das dificuldades relatadas, esse antecedente traz expectativas de que feições espectrais de amianto também possam ser discriminadas com imagens do sensor HSS, já que o mesmo abrange a região espectral mencionada em bandas relativamente estreitas 13 Campo de visada instantâneo na superfície (do inglês, Ground Instantaneous Field Of View GIFOV). 37

38 (25 nm em média, para o SWIR 14 ). Uma das dificuldades, entretanto, está na diferenciação de materiais com amianto de produtos que utilizam outras fibras na mistura com o mesmo material de suporte, o cimento. O cimento é utilizado tanto na confecção das telhas de fibrocimento com amianto quanto sem amianto, e também na maioria das demais estruturas de edificações de áreas urbanas do Brasil: como o pavimento de calçamentos, o concreto de lajes e até mesmo em tipos de telhas de cimento pigmentado, de alta resistência mecânica, que estão disponíveis nas mais variadas colorações. Na ausência de pigmentos e de impregnação de outras substâncias, os derivados de cimento em geral não apresentam feições destacadas de absorção, como pode ser observado na Figura 2.4, onde são apresentados espectros de um pavimento de concreto, oriundos de um trabalho de medição espectral in situ realizado por Herold e Roberts (2004). Fig. 2.4 Espectros de concreto são apresentados junto à fotografia da área de medição. FONTE: Adaptada de Herold e Roberts (2004). Em virtude da similaridade dos materiais utilizados na elaboração ou acabamento, diversos alvos urbanos podem ser confundidos entre si e, em muitos casos, distintos apenas pelas propriedades de textura e ou condição da superfície, resultantes da aplicação a que se destina. Tal confusão pode estender-se a outros tipos de materiais, dependendo da quantidade de canais e da região espectral abrangida pelo sensor. A utilização de imagens com menor número de bandas e regiões espectrais, bem como uma maior abrangência espectral dessas bandas, pode resultar em respostas espectrais muito próximas, por exemplo, para materiais de tonalidades claras em geral. Nesse caso, 14 Infravermelho de ondas curtas (do inglês, Short Wave Infrared SWIR). 38

39 é de se esperar uma indesejada confusão espectral não só entre alvos de materiais similares como as telhas de fibrocimento e de cimento pigmentado, mas também entre esses e outros alvos como a areia lavada, solos claros ou alvos revestidos em pinturas claras, quando apreciados apenas com a região do VNIR 15. Não obstante as dificuldades de discriminação entre alguns materiais com imagens, avaliações espectrais detalhadas podem conduzir à identificação até de sutilezas do estado do material urbano. Por exemplo, Herold et al. (2004b) analisaram espectros de campo da região do VNIR e SWIR, entre 400 e 2500 nm, que foram medidos conjuntamente com dois conjuntos de imagens hiperespectrais, com resolução espacial de 4,0 m e 0,5 m. Estes dados permitiram caracterizar aspectos como a conservação do pavimento asfáltico de rodovias, exemplificada na Figura 2.5, onde são visualizados espectros de campo que retratam diferenças nas condições de quatro amostras. Fig. 2.5 Diferenças entre espectros de asfalto em diferentes estados de conservação. FONTE: Adaptada de Herold e Roberts (2004). Em Ben-Dor et al. (2001), a região do VNIR é identificada como a de menor informação espectral para o ambiente urbano quando comparada com a do SWIR. Tal afirmação vem do fato de que a amplitude das feições resultantes de processos eletrônicos, predominantes no VNIR, é relativamente mais fraca do que as provocadas pelas 15 Que abrange o visível e o infravermelho próximo (do inglês, Visible and Near Infrared VNIR). 39

40 combinações de sobretons (processos vibracionais), que ocorrem na região do SWIR. Os autores concluem, no entanto, que não se pode considerar o VNIR menos importante porque ainda é a região ideal para a identificação segura de alguns alvos como vegetação sadia e água, e também em virtude da abundância de sensores que a abrange, os quais são fabricados com menor custo do que sensores que incorporam o SWIR e o TIR 16. De fato, materiais urbanos como concreto e asfalto de rodagem geralmente não revelam feições de absorção que os possam identificar no VNIR, diferindo entre si, nessa região espectral, basicamente quanto à magnitude da reflectância. Já no SWIR, esses materiais apresentam feições características de absorção produzidas por algumas substâncias que os compõem (HEROLD ET AL., 2004a). Na Figura 2.6 são apresentados três tipos de pavimentos comuns de rodagem: concreto, asfalto e bloco de cimento (comumente conhecidos por bloquetes). Fig. 2.6 Espectros de diferentes materiais junto às fotos dos locais de medição. FONTE: Adaptada de Hepner (2000). Contrariamente ao que argumentam Ben-Dor et al. (2001) em relação ao VNIR, Herold et al. (2003) analisando uma maior variedade de espectros e com maior abrangência espectral, concluíram que das 14 bandas mais importantes para a discriminação espectral de alvos urbanos, com referência ao conjunto de canais do sensor AVIRIS, sete estão posicionadas na região do VNIR, sendo quatro dessas no VIS. Ou seja, apesar de o VNIR ser uma região de difícil identificação de espectros de alvos artificiais urbanos comuns, é comprovadamente importante para a discriminação entre esses. Aspectos 16 Infravermelho termal (do inglês, Thermal InfraRed TIR). 40

41 condicionantes do alvo, da iluminação e da visada também devem ser analisados para que associações ou dissociações indevidas entre espectros não sejam cometidas. Em geral, além da composição do material, a reflectância de um objeto está fortemente relacionada às condições físicas do alvo e de suas vizinhanças, como efeitos de sombreamento de outros objetos, inclinação e formato da superfície, textura, distribuição e tamanho de partículas (p.ex. granulometria de solos), índice de refração, impregnação por outras substâncias (p.ex. óleo lubrificante que impregna pavimentos de rodagem em geral), proliferação de liquens, entre outras. Ocorre, portanto, que um mesmo material pode apresentar espectros diferentes ao longo de uma cena, simplesmente por uma questão de geometria (ou forma), de aplicação, ou de conservação. Variações da geometria afetam em geral a magnitude da curva espectral, sem causar grandes modificações nas feições de absorção características, ou seja, no brilho relativo de uma banda para outra, quando essas feições estão presentes. As condições da superfície, entretanto, podem influenciar consideravelmente o formato dos espectros. Bandas de absorção mais bem definidas, quando evidenciadas nos espectros, podem servir como indicadores das características químicas da superfície do alvo em questão. Como visto, entretanto, os espectros de alguns materiais de áreas urbanas são desprovidos de bandas de absorção, o que dificulta a sua identificação na imagem por técnicas de comparação de espectros. Em muitos desses casos, as discriminações são realizadas muito mais genericamente com base na inclinação da curva de reflectância em intervalos espectrais específicos do que propriamente pelas feições de absorção. Para alvos de ocorrência comum em áreas urbanas, entre as feições espectrais características que se destacam no VNIR, podem ser citadas: a) as resultantes da influência da vegetação fotossinteticamente ativa, com absorção associada à presença dos pigmentos foliares (p.ex. clorofila) no azul e no vermelho; b) as oriundas da presença dos óxidos e íons de ferro em materiais como tijolos ou telhas vermelhas, com feição de absorção ampla em 500 nm, 560 nm e 880 nm, que também são observadas em coberturas diversas impregnadas com solos argilosos em Herold et al. (2004a) essas feições são reportadas para estradas de cascalho, nos comprimentos de 520 nm, 670 nm e 870 nm, respectivamente; c) as que ocorrem nas curvas de água límpida, com baixa reflectância no azul, que decresce, tendendo a zero já na região do vermelho; d) as que estão presentes nos espectros de água com clorofila, com bandas de absorção no 41

42 azul e no vermelho, cuja magnitude é afetada pela concentração de sedimentos em suspensão ou de matéria orgânica dissolvida; e) as feições de fraca intensidade de absorção nos espectros do asfalto e similares de baixa reflectância; f) as resultantes da influência da vegetação senescente (p.ex. grama seca), com baixa reflectância no azul e alta no NIR 17 ; e, por fim, g) a absorção por pigmentos artificiais (tintas) para revestimento de materiais. Nesse último caso, é esperado que os espectros tenham o comportamento da tinta utilizada, já que a interação com a matéria no espectro refletido ocorre até 50 µm da camada mais externa (essa geralmente abrangida pela espessura da tinta), não permitindo evidenciar as propriedades do substrato do material pintado (BEN-DOR ET AL., 2001). Na Figura 2.7 são apresentados espectros de materiais utilizados em coberturas de edificações, e na Figura 2.8 espectros de pavimentos de uso em tráfego pedestre, juntamente com um tipo de solo argiloso. Fig. 2.7 Espectros de materiais utilizados em coberturas de edificações. FONTE: Adaptada de Hepner (2000). 17 Infravermelho próximo (do inglês, Near InfraRed NIR). 42

43 Muitas dessas características do espaço intra-urbano podem ser de fato verificadas em imagens hiperespectrais Como exemplo, Ben-Dor et al. (2001) enumeram diversas particularidades espectrais discriminadas em uma imagem do sensor CASI 18, obtida com 48 bandas posicionadas no VNIR e aproximadamente 3,5 m de resolução espacial. Materiais como telha cerâmica vermelha, concreto e mármore avermelhados apresentaram as feições dos óxidos e íons de ferro presentes em suas composições; telhados de revestimento asfáltico pintado em branco apresentaram o espectro de alta reflectância da tinta ao longo do VNIR exceto para os de pior conservação na pintura, que apresentaram uma mistura com o espectro escuro do asfalto bruto do substrato sob a tinta, reduzindo o albedo (reflectância média). Fig. 2.8 Espectros de amostras de pavimentos diversos para tráfego pedestre. FONTE: Adaptada de Hepner (2000). Ainda em Ben-Dor et al. (2001), ruas de pavimentação asfáltica antiga puderam ser distinguidas de outras com asfalto mais recente, em virtude da impregnação de traços de solo claro sobre o asfalto antigo, tornando-o mais brilhante em toda a região espectral (maior reflectância) e produzindo no VIS a feição característica da presença de óxidos de ferro do solo impregnado à superfície. Na pesquisa realizada por Herold e Roberts (2004), o mesmo comportamento permitiu distinguir um pavimento asfáltico recente (menos de 1 ano) de outro, mais antigo (mais de 10 anos). Eles também identificaram outras substâncias do asfalto, como a presença de silicatos, devido a bandas de absorção sutis em 2200 nm, e de hidrocarbonetos, acima desse comprimento, como pode ser observado na Figura Compact Airborne Spectrographic Imager (CASI). 43

44 Comparando-se os espectros das Figuras 2.8 e 2.9, pode-se observar que as feições que indicam a presença de óxidos de ferro do asfalto antigo (mais de 10 anos) são reproduções das mesmas feições encontradas com maior intensidade em pavimentos de tijolo de cerâmica vermelha e do solo argiloso (solo avermelhado). Muitos exemplos da identificação de feições espectrais sutis de materiais urbanos, conforme as discussões apresentadas, baseiam-se em espectros de campo ou de laboratório, que se limitam à amostragem de áreas pequenas, de poucos metros quadrados, e de alvos específicos. Em estudos de áreas mais abrangentes, que justificam a utilização de imagens para avaliações espectrais em maior escala, outras dificuldades aparecem, como a mistura espectral, que dificulta a correta identificação de muitos materiais na cena, como foi verificado na aplicação do sensor AVIRIS no caso do WTC. Fig. 2.9 Diferenças verificadas entre espectros de asfalto de idades diferentes, com a identificação de bandas de absorção de substância da composição do material. FONTE: Adaptada de Herold e Roberts (2004). Em áreas mais abrangentes, com alguns quilômetros de extensão, observa-se em geral uma grande variabilidade entre espectros de pixels relativos a um mesmo tipo de material. Essas são motivadas, por exemplo, por condicionantes pontuais da superfície, que não se repetem por toda a faixa de vôo. O posicionamento de um telhado em região mais sombreada ou mais próxima a reservas florestais, por exemplo, o torna mais 44

45 suscetível à formação de liquens ou à retenção de umidade e, conseqüentemente, mais escuro do que um telhado de mesmo material que esteja mais ensolarado. Outros aspectos dessa variabilidade estão intrinsecamente relacionados a questões espaciais, seja por influência da geometria de visada, ou motivados pela relação de escala entre o tamanho do objeto e a resolução espacial da imagem Adequação da Resolução Espacial em Estudos Espectrais Urbanos A resolução espacial da imagem é importante em sensoriamento remoto porque determina o nível de detalhamento que pode ser obtido na cena, tanto em relação aos aspectos morfológicos quanto, indiretamente, à questão espectral, influenciando o nível de mistura nos pixels. De maneira geral, quanto pior a resolução espacial maior é a dificuldade na identificação de detalhes espaciais, e conseqüentemente menor é a escala com que produtos temáticos podem ser apresentados. Da mesma forma, a perda de detalhes espaciais implica em uma maior mistura de tipos de alvos em uma dada cena, o que dificulta o reconhecimento de espectros com base em uma biblioteca de alvos puros (LILLESAND E KIEFER, 1994). Com a preocupação em associar criteriosamente as características espaciais dos dados de sensoriamento remoto com a informação que deles poderia ser obtida foram criados os diagramas hierarquizados de classificação, de aplicações direcionadas às diferentes disciplinas que exploram as informações das imagens. Particularmente interessantes às aplicações urbanas são os diagramas (ou árvores) de classificação voltados à identificação do uso e cobertura do solo, como a metodologia apresentada em Anderson et al. (1976), que ainda tem sido bastante referenciada. Nessa metodologia, os autores especificam vários níveis de discriminação de uso/cobertura do solo tomando-se como referência a resolução de imagens dos sensores TM 19 /Landsat e HRV 20 /Spot, e informações de escala de produtos fotográficos. No extrato da hierarquia de Anderson et al. (1976) que envolve a categoria áreas urbanizadas / construídas, no Nível I de detalhamento, como apresentado na Figura 2.10, são estabelecidas sete subcategorias de uso em Nível II, uma das quais é 19 Thematic Mapper (TM) é um sensor multiespectral com 7 canais, sendo 3 no Vis, 2 no NIR ( nm e nm), 1 no SWIR ( nm), e 1 no TIR ( nm). 20 Haute Résolution Visible (HRV) é um sensor com três canais multiespectrais com 20 m de GIFOV, sendo dois na região do VIS (no verde, de 500 a 590 nm; e no vermelho, de 610 a 680 nm) e o outro no NIR (de 790 e 890 nm), e um canal pancromático (510 a 730 nm) com GIFOV de 10 m. 45

46 desmembrada em outras sete subcategorias, em um terceiro nível, chegando à possibilidade de discriminação espacial entre unidades familiares individuais e edificações maiores. Nesse diagrama, os autores não apresentam categorias de uso em maior escala, ou melhor nível de detalhamento, que pudessem servir à taxonomia de áreas urbanas imageadas com sensores de melhor resolução espacial, não disponíveis à época, mas sugere-se que um quarto nível pode ser adaptado para aplicações ou para regiões específicas. No Brasil, entre estudos pioneiros de sensoriamento remoto na região do município de São José dos Campos, Pereira et al. (1987), com base em fotografias aéreas e composições coloridas TM com escalas de 1: e 1: , respectivamente, discriminaram cinco classes principais de uso da terra para a área urbanizada: área construída de uso misto; indústria; loteamento novo; chácaras; e núcleo residencial rural. Pereira et al. (1989) esclarecem, entretanto, que apesar de ter sido realizada uma tentativa de desenvolvimento de uma taxonomia abrangente para a região... não há uma classificação de uso da terra que seja única e ideal e que atenda a diferentes objetivos.... Estes autores sugerem, assim como em Anderson et al. (1976), que... algumas adaptações são esperadas em face às realidades locais... a fim de compatibilizar os diferentes levantamentos em espaços e tempos distintos. Nível I Nível II Nível III 111- Unidades familiares individuais 112- Unidades multifamiliares 113- Alojamentos de grupos 11- Residencial 114- Hotéis residenciais 115- Estacionamentos de residências móveis 1- Área urbana/construída 116- Quartos de aluguel temporário 117- Outros 12- Comercial e serviços 13- Industrial 14- Transporte, comunicação e utilidades 15- Complexos industriais e comerciais 16- Áreas urbanas mistas 17- Outras áreas urbanas Fig Classificação hierarquizada de uso/cobertura da terra para áreas urbanas. FONTE: Adaptada de Anderson et al. (1976). Em Ben-Dor et al. (2001), uma classificação inicial de ambientes urbanos divide duas classes principais quanto à origem do alvo, que pode ser natural (p.ex. solo, vegetação, água, ou gases da atmosfera) ou artificial (p.ex., edificações, piscinas, estradas e veículos). Fora do contexto, essa divisão pode parecer excessivamente óbvia, já que tudo que não é natural seria, por exclusão, artificial. No entanto, essa divisão tem embutida uma questão importante, pois mesmo em áreas urbanas, cujos alvos são 46

47 predominantemente artificiais, dependendo da escala utilizada e da densidade de edificações, os alvos naturais terão maior ou menor participação sobre a informação radiométrica nos pixels da imagem, variando, por exemplo, a porção abrangida em jardins, terrenos baldios e corpos d água (p. ex., canais de drenagem). A questão da mistura espectral dos alvos está, portanto, intrinsecamente vinculada à resolução espacial do dado. Welch (1982) esclarece que os aspectos que determinam os requisitos de resolução espacial para estudos de uma área urbana, como densidade, tamanho e contraste dos seus objetos, variam ao redor do mundo, sendo necessário avaliar as características da área de interesse. O autor cita estudos de uso de áreas urbanas, os quais relatam que para a análise de um determinado uso do solo na Europa e Ásia são necessárias imagens de resolução espacial muito melhor do que para áreas de mesmo uso nos EUA e Canadá. A densidade de edificações por área, indicador de densidade urbana obtido com a razão entre o número de edificações pela área que ocupam, é em média 33,3 vezes maior na China, quando comparado ao padrão dos EUA, considerando áreas construídas com população entre 50 mil e 500 mil habitantes. Valores intermediários foram verificados para o Canadá, Suécia, e Japão, com 1,6, 6,6 e 9,1 vezes superior ao padrão dos EUA, respectivamente (WELCH, 1982). Um exemplo da regionalização da densidade urbana pode ser verificado com a comparação apresentada na Figura 2.11, onde são apresentadas imagens de quatro centros urbanos com diferentes aspectos, todas obtidas com imagens multiespectrais do sensor IKONOS, com 4 m de resolução espacial. Da esquerda para a direita, a partir de Atlanta (EUA) até She Xian (China), pode ser observado um progressivo aumento na densidade urbana. Fig Variabilidade da densidade urbana ao redor do globo. Da esquerda para a direita são apresentadas imagens de Atlanta (EUA), Nova York (EUA), Pune (Índia) e She Xian (China), todas em composição R3G2B1, de dados do sensor IKONOS, com 4 m de resolução espacial e cobrindo uma mesma área da superfície. FONTE: Adaptada de Small (2003). 47

48 A arquitetura das cidades é, portanto, uma das maiores dificuldades para a larga utilização da avaliação espectral urbana, pois quanto maior for a densidade, maiores serão os problemas de sombreamento e de mistura espectral (BEN-DOR, 2003). Como agravantes, há ainda as questões do efeito cosseno, que aumenta o tamanho do GIFOV proporcionalmente ao ângulo de visada do sensor, e da geometria de iluminação, que introduz variações na reflectância obtida com imagens, em virtude da geometria dos alvos e da influência de objetos vizinhos, responsáveis por efeitos de sombreamento ou de iluminação indireta (efeito secundário) (MEISTER ET AL., 1999). Segundo Anderson et al. (1976), para áreas menos densas, como o exemplo de Atlanta nos EUA, uma imagem de 10 m de resolução espacial seria adequada para a identificação de uso da terra até o nível III, que trata da capacidade de diferenciação de unidades intra-urbanas, como a distinção de unidades residenciais individualizadas de outras, multifamiliares ou hoteleiras. Já Welch (1982) recomenda uma resolução de 5 m ou melhor para estudos de áreas mais densas, como o exemplo da China. Entretanto, supondo que fosse necessário um mínimo de 4 pixels (2 x 2 pixels) para a identificação confiável de determinada parcela de uso da superfície, conforme exemplifica o autor, a resolução de 5 m representaria uma parcela de 10 x 10 m, que abrange uma área maior do que a maioria das unidades individuais das áreas urbanas mais fragmentadas, como bairros populares e favelas. Para a identificação de objetos intra-urbanos menores que o nível III, Anderson et al. (1976) estabelecem a necessidade de imagens em escala maior do que 1:20.000, além da utilização de informações suplementares, a serem incorporadas à informação espacial do dado de sensoriamento remoto. Adotando-se o critério de 0,2 mm para a distinção entre dois pontos por um analista de imagens com visão padrão 21, tal necessidade estabelecida por Anderson et al. (1976) exigiria um GIFOV menor do que 4 m. Mas em termos práticos, Herold et al. (2004a) identificaram que mesmo com imagens de resolução espacial inferior a 5 m a mistura espectral de alguns alvos intra-urbanos de baixo albedo é bastante heterogênea e resulta em grande variabilidade, o que dificulta a sua identificação espectral. De fato, tratando rigorosamente, a mistura espectral existirá em todas as escalas ou resoluções, dependendo do conceito que se adota para o termo 21 Slater (1980) esclarece que o olho humano padrão, no comprimento de 555 nm, tem resolução entre 0,13 mrad a 0,29 mrad, em um campo de visada de até 10º do eixo central da visada. Considerando uma distância focal de 20 cm, a distância mínima para a perfeita distinção entre dois pontos deveria ser de 0,174 mm (200 mm x 3 pontos x 0,00029 rad), ou 0,2 mm para ser conservador. 48

49 pureza. Independentemente dessas questões conceituais, entretanto, a informação hiperespectral pode ser encarada como um dos fatores de suplementação da informação espacial, responsável pelo melhoramento do nível de detalhamento do dado fornecido, independentemente da resolução que apresente A Geometria de Iluminação e o Formato do Alvo Uma questão que antecede à determinação da radiância no nível do sensor, independentemente da influência atmosférica, diz respeito à geometria de iluminação e de visada, que trata mais especificamente do posicionamento da fonte de iluminação e da visada do sensor em relação ao alvo, cuja orientação é discriminada com ângulos zenitais e azimutais. Isso porque o brilho dos alvos depende efetivamente desses ângulos, por dois aspectos básicos: primeiramente devido à diferente geometria (ou forma) dos alvos, que resulta em variações proporcionais da irradiância entre um e outro alvo de um mesmo tipo espectral em uma mesma cena; e em segundo, em parte decorrente da primeira e em parte decorrente da localização, em virtude da presença de sombras nos alvos, em maior ou menor proporção. Por exemplo, telhados com diferentes inclinações apresentarão brilho diferente em decorrência da variação da área normal à fonte de iluminação, e também porque uma maior inclinação implica em um maior sombreamento da face oposta à iluminação do telhado. Ambos os aspectos influenciam a radiância que emerge da superfície de interesse. Como a reflectância obtida com imagens é restituída a partir da razão entre essa radiância emergente e a irradiância estimada sobre o alvo (geralmente considerada constante ao longo de uma cena para fins de simplificação dos cálculos), tais aspectos também influenciam diretamente a reflectância obtida. No sensoriamento remoto do espectro refletido, o posicionamento do Sol (ou de outra fonte de iluminação utilizada em caso de laboratório ou de campo) influencia a irradiância E sobre a superfície de interesse, proporcionalmente ao cosseno do ângulo zenital θ formado entre a fonte e a normal à superfície, o que pode ser explicado pela lei dos cossenos, de Lambert (E = Eo.cosθ). Conseqüentemente a radiância Lo λ que emerge de uma superfície lambertiana e chega ao sensor ao nadir (desconsiderados nessa análise os efeitos atmosféricos para simplificação), varia conforme a relação: ρλ Eλ cosθ L oλ =, (2.2) π 49

50 onde E λ é a irradiância solar direta que chega à superfície avaliada, de reflectância ρ λ. Quanto maior for o ângulo zenital de iluminação θ z (ou menor sua elevação: 90º-θ z ) em relação à normal à uma dada superfície, menor será o valor do termo E λ.cosθ, e conseqüentemente menor será a radiância proveniente da superfície. Na Figura 2.12, por exemplo, no caso da visada ao nadir, a radiância proveniente da superfície na situação a é superior à proveniente da superfície nas situações c (geral) e d (extremo). Ao obter-se a reflectância a partir da imagem radiância, invertendo-se a Equação 2.2, ρ λ = Lo E λ λ π cosθ, (2.3) utiliza-se em geral o mesmo valor da irradiância solar E λ em toda a cena, considerando um único ângulo zenital solar em relação à normal à superfície do geóide (superfície modelada para o planeta) no ponto central da cena, quando θ = θ z. Ou seja, em geral são desconsideradas as variações de geometria entre os alvos da cena, sejam essas devidas à topografia, ou à forma do próprio alvo. Fig Variação da irradiância em superfície irregular: θ é o ângulo de incidência, que corresponde ao ângulo entre o fluxo radiante e a normal à superfície; θ z é o ângulo zenital de iluminação; e α é o ângulo entre a normal e o zênite. Na situação (a) θ = θ z, e α = 0; em (b), θ = 0 e θ z = α, há máxima irradiância; em (c) θ z = θ - α (caso genérico, θ z = θ ± α); na situação (d) ocorre sombra, situação de menor irradiância, onde θ z + α = θ > 90º. FONTE: Adaptada de Slater (1980). Nesse caso, como o θ z é uma constante em toda a cena, regiões da imagem que apresentem menor valor de radiância, resultarão em menores valores de reflectância, e vice-versa. Em resumo, mesmo tratando-se de superfícies lambertianas, haverá variações na ρ λ obtida com imagens, caso haja qualquer variação na inclinação de uma 50

51 superfície em relação à outra, meramente por uma questão geométrica (forma) e não por uma variação do material, ou de qualquer propriedade da superfície. Esse é o motivo pelo qual na imagem reflectância de uma área urbana, por exemplo, cada face de um telhado apresenta valores digitais diferentes, dependendo da sua inclinação e orientação, mesmo tratando-se do um mesmo material, e que apresente as mesmas condições de superfície em todas as faces. Para evitar tais variações seria necessário que o modelo de correção permitisse a inserção do modelo digital do terreno e calculasse o valor de E λ em cada pixel da imagem. Isso, entretanto torna o processamento mais complexo e demorado. Sem contar a dificuldade em o usuário obter o modelo digital de grandes áreas de uma imagem complexa, com no caso de áreas urbanas, e que seja compatível com a resolução espacial da imagem a ser corrigida. Outro aspecto relevante é que a grande variabilidade vertical dos objetos das áreas urbanas mais densas causa um freqüente efeito de sombreamento, variável com o horário do dia e, rigorosamente, também da época do ano, pois depende do posicionamento solar. O meio dia solar de uma região é geralmente o horário de menor área de sombreamento, o que não significa dizer que esta seria a melhor condição para a aquisição de imagens de todos os alvos de uma cena. Isso porque, em locais específicos, alvos interessantes poderão estar sombreados nesse horário, em virtude da variação azimutal da sombra, dependentemente dos objetos vizinhos e do relevo, como ilustrado na Figura Fig Em virtude do sombreamento, e conseqüentemente uma menor irradiância sobre a superfície, a radiância L 1 que chega ao sensor, proveniente da área A na situação ilustrada em (a) é inferior à radiância L 2, proveniente de uma área de mesma dimensão de A na situação ilustrada em (b), onde o ângulo zenital solar θ z é menor. 51

52 2.1.4 A Geometria de Visada Ao realizar a varredura ao longo do seu Campo de Visada Total (FOV 22 ), o sensor imageador de visada vertical apresenta diferentes ângulos zenitais instantâneos γ de visada (ou aquisição) em relação à superfície. Ao nadir do eixo de deslocamento do sensor, o ângulo zenital instantâneo de visada é zero, mas à medida que a visada se afasta lateralmente do centro da faixa em direção às bordas da faixa imageada, aumenta progressivamente, para ambos os lados, até o valor da metade do FOV. Em decorrência desse apontamento instantâneo, a imagem poderá apresentar nítida diferença de brilho entre uma e outra extremidade, especialmente para sensores com campo de visada amplo, dependendo da orientação da iluminação em relação ao eixo de deslocamento do sensor. Quanto mais transversalmente estiver posicionada a fonte em relação à direção de deslocamento do sensor, maior será o contraste entre uma e outra borda da imagem. Tal efeito é ilustrado na Figura 2.14, em cuja lateral direita o sensor integra alvos bem iluminados, que corresponderão à região mais brilhante da imagem, mas na medida em que a visada é apontada para a esquerda, observa-se um gradativo aumento da condição de sombreamento dos alvos, cuja região aparecerá mais escura na imagem. Este é um efeito de mesma natureza que o observado na Figura 2.13, mas de causa diferente. Fig Diferenças na porção de sombreamento dos alvos com a variação da visada do sensor ao longo do seu campo de visada (FOV). FONTE: Adaptada de Jackson et al. (1979). Vale ressaltar, ainda, que o efeito de sombreamento depende da opacidade do material, característica que é espectralmente dependente. As folhas verdes da vegetação sadia, por exemplo, apresentam alta transmitância na região do infravermelho, e baixa transmitância na do VIS (KIMES, 1983). Mas mesmo tratando-se de objetos 52

53 perfeitamente opacos, como as edificações de alvenaria presentes nas áreas urbanas, o efeito de sombreamento é normalmente reduzido, em decorrência da iluminação difusa, indireta, proveniente de objetos vizinhos. Pode-se afirmar, portanto que as sombras são, em geral, menos escuras do que deveriam ser caso não ocorresse a iluminação difusa, seja resultante do espalhamento atmosférico ou por objetos da própria superfície. Tratando-se de uma superfície lambertiana, desconsiderando qualquer outra influência, a mera variação geométrica da visada em relação à normal da superfície não resultaria na variação da radiância no sensor. Ocorre, entretanto, que as superfícies reais, sejam naturais ou artificiais, não são rigorosamente lambertianas, mas apenas se aproximam dessa condição em situações específicas geralmente para uma faixa angular estreita de visada próxima à normal e para ângulos zenitais de iluminação inferiores a 45º. Segundo Slater (1980), algumas superfícies naturais como neve e desertos podem apresentar característica de lambertianidade até 60º zenitais de visada, porém as diferenças tornam-se evidentes acima desse ângulo. Na maioria dos alvos urbanos, entretanto, os limites de lambertianidade são bem inferiores, e a anisotropia pode ser agravada com a sazonalidade da inclinação do planeta ao longo do ano, que alteram as condições de iluminação solar e causam grande influência nas regiões subtropicais, ou em maiores latitudes. Tais variações, por si só, dificultam a comparação entre valores de reflectância de uma determinada área, quando obtidos em diferentes estações do ano. Na cidade de São José dos Campos SP, por exemplo, que se encontra próxima à projeção imaginária do Trópico de Capricórnio, o zênite solar mínimo, ao meio dia solar, varia de 0º, no Verão (21 ou 22 de dezembro solstício de Verão), a aproximadamente 47º, no Inverno (21 de junho solstício de Inverno). No período mais propício à aquisição de imagens na região, entre o outono e o inverno, em virtude da menor nebulosidade média ao longo do dia, o zênite solar mínimo, ao meio dia, aumenta progressivamente de 28º até 47º, o maior ângulo zenital de iluminação solar nesse horário para a localidade. Quanto à variação de visada, deve-se observar que sensores aerotransportados geralmente têm ângulo de visada superior a 20º do nadir, como o caso do HSS, que varia 43º para cada lado da vertical. Nesse caso é esperada a ocorrência de situações específicas de alvos que, devido à geometria (forma), aparecerão mais brilhantes na 22 Campo de visada (do inglês, Field Of View FOV). 53

54 borda do que no centro de uma determinada imagem. Este é o caso de alvos artificiais como telhados em geral, nos quais, apresentando certa inclinação, o ângulo de iluminação coincide (ou se aproxima) com a normal da superfície (situação b da Figura 2.12), possibilitando máxima irradiância solar. É no ângulo oblíquo de visada que coincide com a normal da superfície do alvo em que ocorrerá a situação de maior radiância sobre o sensor. Isso porque, em geral, a Função de Distribuição de Reflectância Bidirecional (FDRB) de alvos difusos reais (não lambertianos) apresenta maiores valores nas proximidades do ângulo de iluminação, no efeito de retroespalhamento, decrescendo nos maiores zênites de observação. O caso complexo de variações da radiância de um alvo devidas à mudança azimutal de visada φ podem ser mais bem visualizada com o exemplo da Figura 2.15, que ilustra o efeito conjugado de iluminação e de visada sobre a radiância espectral proveniente de um plantio orientado. Fig Geometria de iluminação e visada em um plantio orientado (a) com a indicação da variação da radiância espectral para diferentes ângulos azimutais de visada (b). Diferentes porções de solo, vegetação e sombra são abrangidos pelo sensor dependendo do azimute de visada. FONTE: Adaptada de Slater (1980). Na ilustração que exemplifica um plantio orientado, a radiância espectral varia com a proporção de solo, vegetação e sombra integrada em cada posição azimutal da visada oblíqua γ do sensor. Com a visada no retroespalhamento (φ = 0 o ) ou no espalhamento à frente (φ = 180) predomina a contribuição da vegetação, sendo esperada maior radiância no primeiro caso. Nessa situação deve-se observar que, assim como apresentado na discussão da variação de iluminação, a variabilidade angular da reflectância de um alvo com a visada, a FDRB, também é espectralmente dependente da opacidade do alvo, devendo ocorrer variações espectrais entre a situação do retroespalhamento e a posição 54

55 simétrica (L λ φ 0 L λ φ 180 ). Já na visada perpendicular ao azimute de iluminação predomina a contribuição do solo exposto, pois a vegetação encontra-se perfilada em linha, e não se espera diferença na radiância entre as duas posições azimutais (L λ φ 90 = L λ φ 270 ). Outro aspecto é que, apesar de ser mais perceptível na presença de alvos verticalizados, tal efeito ocorre, de fato, em qualquer superfície rugosa, repercutindo na radiância que chega ao sensor. 2.2 Calibração de Sensores O termo calibração é apresentado em Wyatt (1978) como o processo pelo qual se caracteriza um instrumento sensor, realizado com o objetivo de quantificar a capacidade do instrumento em determinar os atributos de um alvo, como o tamanho, a geometria (forma) a localização, a temperatura, as propriedades radiantes, entre outros. Para Wyatt (1978), a calibração completa de um sensor remoto deve levar em consideração os cinco domínios necessários à caracterização do alvo: o domínio espacial; o domínio temporal; o domínio espectral; a polarização; e a coerência de fase. Genericamente, procede-se à verificação da resposta do sensor à variação do fluxo radiante em diversos parâmetros mensuráveis dentro de cada um desses domínios. Em Wyatt (1991) são enumerados, por exemplo, 26 parâmetros relativos apenas à especificação dos subsistemas básicos de um sensor remoto eletroóptico, que abrangem os subsistemas óptico, de detecção, de condicionamento do sinal, e de saída de dados. Segundo o autor, outros tantos parâmetros podem ser acrescidos, dependendo da complexidade ou da inclusão de subsistemas. De maneira geral, no entanto, tratando-se de um sensor eletroóptico imageador passivo, pode ser destacada a importância da avaliação dos seguintes aspectos, que devem ser abordados na ordem lógica apresentada: análise do ruído; análise da linearidade; calibração do campo de visada; calibração espectral; calibração radiométrica; e resposta à polarização. Mas além desse enfoque na engenharia do sistema, o conceito de calibração em sensoriamento remoto tem uma abrangência sistêmica que envolve todo o processo de obtenção da informação, não apenas em relação ao sensor em si, mas também em relação à aquisição e processamento dos dados. Nessa abrangência, a calibração deve 55

56 envolver tanto as medições relacionadas à caracterização pré-operacional do sensor, quando as relacionadas ao acompanhamento das características ao longo da vida útil do instrumento. Isto é, a rigor, devem ser considerados todos os fatores que influenciem na relação entre o fluxo proveniente do alvo e o valor numérico que compõe a imagem, o nível digital (ND). A primeira é mais comumente tratada por calibração pré-vôo ou prélançamento de um sensor eletroóptico (EO), sendo realizada independentemente do tipo de plataforma que o sensor deverá guarnecer (seja orbital ou aerotransportado), para a verificação de conformidade do sistema com as especificações de projeto. Já as medições relacionadas ao acompanhamento das características são geralmente conhecidas por calibração em vôo e visam quantificar as modificações na resposta do sensor ao longo do tempo. Price (1987) justifica a necessidade de um processo de calibração continuado enumerando nove componentes individuais que interferem na calibração de um sensor orbital (caso genérico) ao longo de sua vida útil: os três primeiros referem-se ao sensor em si, ao padrão primário e ao padrão secundário utilizados na calibração pré-operacional; os demais estão relacionados aos distúrbios do lançamento, à atmosfera, à observação a partir da plataforma (onde se inclui e a telemetria dos dados), à coleta de dados de campo, ao processamento dos dados transmitidos pelo sensor às estações de superfície, e ao processo de verificação desses com os dados de campo. No caso de sensores inacessíveis, como os orbitais, a calibração que é realizada em vôo para a verificação das fontes de incerteza enumeradas por Price (1987), só pode vir a ser realizada por meio de sistemas embarcados (calibração embarcada) ou, indiretamente, através da comparação com resultados de procedimentos da superfície, em métodos substitutivos ou alternativos (vicarious) aos adotados no pré-vôo. Nos sensores acessíveis, como os aerotransportados, é possível utilizar facilidades de laboratório para novos procedimentos de calibração. Tal vantagem, entretanto, não resguarda os dados desses sensores das outras fontes de incerteza citadas para o caso genérico de um sensor orbital, exceto pela ausência dos distúrbios de lançamento e dos problemas de transmissão de dados e telemetria. A instabilidade da plataforma, a influência da atmosfera e os demais aspectos citados estarão presentes em qualquer dos casos. 56

57 Foge ao escopo desse trabalho discorrer sobre todos esses aspectos da calibração, que estão muito mais voltados à engenharia do sistema. Para o presente estudo, considera-se suficiente a compreensão dos aspectos que envolvem diretamente a obtenção de imagens reflectância, mais especificamente a equivalência entre a radiância da cena e os NDs da imagem; e a correção atmosférica. Esta última será apresentada oportunamente, em seção específica que trata do meio atmosférico. Restaria abordar, nos tópicos a seguir os fatores relacionados à obtenção das imagens radiância, quais sejam, as calibrações radiométrica e espectral. Entretanto, como as características espectrais de um alvo também estão associadas à área do alvo que é abrangida, em virtude da questão da mistura espectral, como fora apresentado anteriormente, torna-se necessário também discorrer alguns aspectos sobre a calibração espacial do sensor imageador Calibração Espacial A calibração espacial de um sensor imageador consiste em determinar a menor área que o sensor integra em um elemento da imagem. De forma simplificada, trata-se de identificar o ângulo de visada instantâneo IFOV 23 de resolução do sensor. Segundo Slater (1980) o IFOV é a abrangência angular que limita a abertura do detector, sendo usualmente definido em duas dimensões: uma ao longo da trajetória de deslocamento da plataforma; e a outra transversalmente a essa. Pela definição, o IFOV relaciona a dimensão linear do detector d que está exposta ao fluxo radiante, e a distância focal do sistema óptico f: IFOV d d = 2 arctan f. (2.4) 2 f Tal resultado é obtido de uma relação trigonométrica simples: seja α o IFOV de um sensor, então tan(α/2) = d/2f. Mas, para f muito maior que d, o ângulo α/2 é muito pequeno, próximo a zero, podendo ser adotada a aproximação tan(α/2) α/2. Logo, α/2 d/2.f α d/f. Muitas vezes deseja-se conhecer não a grandeza angular, mas sim a expressão linear do IFOV no plano do alvo, entidade conhecida por GIFOV (Ground IFOV), que pode ser obtida quando a distância H do sensor ao alvo for conhecida: 23 Campo de visada instantâneo (do inglês, Instantaneous Field Of View IFOV). 57

58 GIFOV IFOV = 2 H tan H IFOV. (2.5) 2 Tratando-se de sensores imageadores a questão espacial não se resume a essas características. O intervalo de amostragem no solo GSI (Ground Sample Interval) é outro aspecto que deve ser esclarecido para a compreensão adequada do processo de formação de uma imagem. O GSI (também conhecido como GSD Ground Sample Distance) é a expressão linear da freqüência angular de amostragem espacial do sensor. A relação entre GSI, GIFOV e IFOV é ilustrada na Figura Fig Perspectiva da relação entre o IFOV e o GIFOV para os sensores em geral (a) e, em (b) visão detalhada bidimensional da relação entre a distância focal f, o tamanho do detector d e o IFOV, representado pelo ângulo α. Em (c) o GIFOV e o GSI são mais bem discriminados. FONTE: Adaptada de Schowengerdt (1997). Um último aspecto a ser considerado na caracterização da resolução espacial é a sensibilidade do sensor às variações de contraste da cena. Joseph (2000) observa que, em virtude do contraste, alvos com dimensões menores que o GIFOV podem ser identificados quando se destacam radiometricamente da vizinhança, como na identificação de rodovias com largura de pista muito inferior aos 30 m do GIFOV do sensor TM / Landsat. Contraste pode ser definido como a medida normalizada da relação entre o menor e o maior brilho da cena, ou da imagem: C L L máx mín =, (2.6) máx + L L mín onde L é a radiância (SMITH, 1996). 58

59 O contraste de alvos vizinhos é reduzido à medida que o tamanho dos alvos diminui (aumenta-se a freqüência espacial), ou que a freqüência de varredura aumenta que significa diminuir o tempo de exposição de um elemento de cena e, portanto, reduzir a diferença de radiância entre vizinhos. A Figura 2.17 ilustra a diminuição do sinal de saída do sensor (curva sinuosa ao centro) e a conseqüência sobre a imagem (inferior), à medida que é aumentada a freqüência espacial, representada pela densidade de linhas por milímetro linear do objeto real (superior). Fig Redução da intensidade do sinal do sensor com o aumento da freqüência espacial do objeto e seu efeito sobre a imagem resultante. A verificação quantitativa desse efeito, conforme apresentado na Figura 2.17, pode ser obtida com a razão entre o contraste obtido com o sensor e o obtido com a verdade do objeto, relação conhecida como transferência da modulação MT (Modulation Transfer): MT Lmáx L mín imagem L L máx + mín =. (2.7) Lmáx L mín objeto Lmáx L + mín A função obtida com a amostragem dos valores da transferência de modulação nas diversas freqüências espaciais é a função de transferência de modulação (MTF Modulation Transfer Function), que apresenta o formato de um sino partido ao meio. Na medida em que a freqüência espacial do objeto aumenta, a intensidade do sinal de saída do sensor tende a diminuir, com L máx e L mín convergindo para um mesmo valor médio. No ponto de convergência teremos contraste (ou modulação) nulo: L máx = L mín C = 0. Antes desse limite, porém, o ser humano não conseguirá mais distinguir as faixas claras e escuras, pois o olho humano requer um contraste mínimo de aproximadamente 59

60 0,05 (ou 5%) para distinguir os traços vizinhos, valor tomado como referência para a definição da resolução limite de um sistema óptico (VAN NESS E BOUMAN, 1967). Quanto maior a convexidade da curva da MTF, melhor a qualidade da imagem. Para ilustrar, a Figura 2.18 apresenta a MTF de dois sistemas distintos, A e B. A curva do sistema A, mais convexa, indica que este sistema apresenta melhor contraste em maiores freqüências espaciais, permitindo bordas mais bem definidas que o sistema B, apesar de ambos apresentarem a mesma resolução limite. Fig Comparação da MTF de dois sistemas de mesma resolução limite. O sistema representado pela função A apresenta melhor contraste em freqüências espaciais intermediárias que a função B. FONTE: Adaptada de Schott (1997, p. 318). A MTF, conforme apresentada, é genericamente aplicada para avaliar o desempenho de um sistema imageador e pode ser utilizado tanto na verificação de partes isoladas, como lentes, filtros, difratores, monitores de vídeo, meios translúcidos (como a atmosfera), ou na verificação do sistema como um todo. Um critério bem aceito na definição da resolução espacial de um sensor imageador é o da MTF = 0,5. Ou seja, a resolução equivalente à freqüência espacial quando a transferência de modulação cai a 50%. Para o sensor HSS a verificação da calibração espacial é realizada em laboratório, com a verificação da transferência de modulação nas imagens obtidas com a projeção de alvos de linhas paralelas de diferentes freqüências espaciais Calibração Radiométrica dos Dados Conforme estabelece Wyatt (1978), o problema da calibração radiométrica consiste em determinar o relacionamento funcional entre o fluxo radiante originário do alvo-fonte e a unidade de saída apresentada pelo sensor, no que tange à quantidade e à qualidade 60

61 desse fluxo. Na prática o procedimento refere-se à determinação da magnitude de energia que está associada a cada nível de quantização do sensor, a fim de estabelecer a função que relaciona, para cada banda, a radiância espectral do alvo (W.m -2.sr -1.nm -1 ou unidades equivalentes) com os níveis digitais NDs, procedimento que é tratado como calibração absoluta. Há uma pequena diferença conceitual quando se utiliza o termo calibração radiométrica em referência ao sensor e ao dado (ou à imagem). Calibração radiométrica do sensor é interpretada como o procedimento sobre o sensor, que permite obter os parâmetros de calibração, como a estabilidade, o ruído, as incertezas e, principalmente, o coeficiente de calibração C cal. Calibração radiométrica do dado (ou da imagem), por sua vez, é usualmente entendida como o processamento realizado para a aplicação dos parâmetros de calibração sobre os dados, a fim de obter os valores de radiância. Em um sistema de resposta linear, comportamento geralmente esperado para um sensor imageador, o nível digital ND da imagem é um valor inteiro (quantizado) cuja relação com a radiância no sensor Ls é comumente 24 estabelecida através de duas constantes A e B, segundo uma equação de primeira ordem, do tipo [ Α + Β] ND = int Ls, (2.8) para cada circuito de detecção (canal) (SCHOWENGERDT, 1997). Nessa relação, o fator multiplicativo A é a razão do ganho g (que é aplicado pelo sistema eletrônico sobre o sinal do detector) pelo coeficiente de calibração C cal (obtido na calibração radiométrica do sensor): g Α =. (2.9) C cal O termo aditivo B, por sua vez, é o intercepto (offset), determinado previamente na análise do ruído, com a utilização do sinal escuro 25 do sensor. Na Figura 2.19 é ilustrada a relação entre a radiância Ls que chega ao sensor e a função de conversão analógicodigital do sinal (quantização em NDs) para três situações diferentes. A amplificação do sinal, que é realizada com o ajuste do ganho, permite aumentar a separação entre os 24 Tal relação é estabelecida para sensores que apresentem resposta linear ao fluxo radiante incidente. 25 O sinal escuro é obtido com o sensor velado, sem receber qualquer fluxo radiante em sua abertura. Esse procedimento é realizado na calibração radiométrica do sensor, em etapa que antecede a campanha de vôo. 61

62 níveis digitais mínimo e máximo, até o limite superior de 2 n -1 (onde n é o nível de quantização do sensor em bits) e o limite inferior, determinado pelo offset (mínimo 0). O ajuste ideal de ganho e offset permite a maximização do contraste entre níveis digitais para os valores limites de entrada de radiância (Figura 2.19a). O ajuste inadequado desses parâmetros, entretanto, resulta em perda de qualidade da imagem: o aumento excessivo do offset ou do ganho causa perda de informação por saturação do sinal de alvos mais brilhantes nos valores máximos (Figura 2.19b); a aplicação de offsets muito baixos, ou principalmente de ganhos reduzidos (valores entre 0 e 1), implica na compactação do sinal, diminuindo o contraste da imagem (Figura 2.19c). Fig Relação entre a radiância no nível do sensor Ls e a quantização em níveis digitais (NDs), para três situações de ganho (g 1, g 2 e g 3 ) e offset: A situação ideal é ilustrada em (a); em (b) ocorre saturação em valores máximos; e em (c) ocorre compactação de ND. No processamento para obter a imagem calibrada deseja-se inverter a equação (2.10) a fim de obter a imagem Ls a partir da imagem ND: ( ND Β) Ls = C cal. (2.10) g Os valores dos parâmetros C cal, g e B (offset) de uma imagem devem estar acessíveis para a sua devida calibração. O C cal é geralmente fornecido pelo operador e deve ser atualizado apenas a cada nova calibração do sensor. Os parâmetros g e B, por sua vez, podem variar de uma imagem para outra, em virtude de possíveis ajustes radiométricos realizados pelo operador do sensor em adequação ao brilho médio da cena. Ajustes de g e B podem ser necessários a cada imagem para maximizar o sinal dos alvos e, ao mesmo, tempo manter o brilho da cena entre os limites de saturação do sensor. 62

63 Para efeito prático, pode-se utilizar em B o valor médio dos NDs da imagem escura, obtida em procedimento de calibração do sensor em laboratório. Esse procedimento, entretanto, tem o inconveniente de fixar o valor de B para um conjunto de imagens, geralmente obtidas em condições ideais de laboratório, com o sensor climatizado. Nas condições normais de operação em vôo, entretanto, o verdadeiro B pode estar variando entre uma e outra imagem, em decorrência, por exemplo, de uma variação significativa da temperatura do ambiente, situação a que estão freqüentemente sujeitos sensores aerotransportados não climatizados na plataforma, como o sensor HSS. No caso do sensor HSS é possível evitar a utilização de valores pré-fixados, pois o sensor permite ao operador ajustar manualmente os parâmetros g e B dos grupos de canais do sensor, e os registra junto ao conjunto de dados da imagem. No arquivo de dados do HSS o parâmetro B pode ser obtido linha-a-linha para toda a imagem, e em todos os canais, enquanto o g é fornecido em uma coluna de valores para cada imagem, sendo cada valor referente ao ganho de um canal da imagem. Em outro desses arquivos pode ser verificada a coluna de valores referentes ao C cal gerado na última calibração do sensor, que passa a ser registrado desde então em todas as imagens posteriores ao procedimento de laboratório. Em radiômetros não imageadores, ou em imageadores com arquitetura de varredura lateral (cross-track) em linha (line scanners), como no caso do HSS, há em geral apenas um detector e um circuito eletrônico associado a cada banda espectral (pré-amplificação e digitalização). Tal arquitetura de funcionamento, independentemente da questão geométrica, simplifica o processo de calibração radiométrica, pois é necessário determinar um único C cal para cada um dos canais do sensor. Em arquiteturas que envolvem a utilização de mais de um detector para a formação da imagem de uma banda espectral, o trabalho de calibração deve considerar as diferenças de resposta do sistema entre cada circuito de detecção. Esse é o caso de sensores com varredura lateral em linhas paralelas (whiskbroom scanners) ou com varredura longitudinal (along-track) quando toda uma linha é adquirida de uma só vez (pushbroom scanners) através de uma ou mais matrizes de detecção (tipo CCD 26 ). Nesses casos, haverá vários C cal para uma mesma banda, um para cada detector. Para evitar problemas de não-uniformidade das imagens, que provocariam diferenças nos 26 Charge Couple Devices (CCD). 63

64 NDs de linhas vizinhas (ruído tipo stripe) os sistemas do tipo whiskbroom e pushbroom devem ser submetidos à calibração relativa dos detectores de cada banda antes da obtenção da calibração absoluta Calibração Espectral de Sensores Como pôde ser observado na calibração radiométrica, é sempre dispensado um tratamento individualizado para cada banda da imagem. Ou seja, durante a calibração radiométrica do sensor é obtido um valor de C cal para cada canal do sensor. O mesmo acontece para o parâmetro B e, muito comumente, para o parâmetro g. Tal especificidade deve-se ao fato de cada canal do sensor apresentar uma resposta particular à incidência da radiação. Essa resposta é apresentada através da função de resposta espectral (FRE) de cada canal do sensor. Cada FRE resulta da interação do fluxo radiante incidente com uma série de componentes ópticos (p.ex. lentes, filtros, grades de difração, entre outros), da sensibilidade do elemento detector, e do préprocessamento do sinal pelo circuito eletrônico (p.ex. amplificação, filtragem, entre outros). A determinação das FREs é uma das etapas mais importantes na caracterização de um sensor, pois somente depois de estabelecidas é que se podem conhecer parâmetros elementares, como o posicionamento (centro) e a largura das bandas (geralmente apresentada com o critério FWHM 27 ), ou realizar a calibração radiométrica do instrumento. Na Figura 2.20 são apresentadas as FREs obtidas para as primeiras nove bandas do sensor HSS (SENSYTECH, 2004a), indicando o significado de centro e da largura FWHM de banda. A disponibilidade das FREs também possibilita uma análise de expectativas de espectros do sensor para alvos de interesse, através do procedimento de reamostragem espectral, uma técnica tradicional de avaliação espectral que visa simular o perfil espectral que um ou mais espectros de uma fonte apresentariam caso fossem adquiridos pela fonte simulada. Trata-se de uma transformação matemática de um espectro, ou vários, com determinadas características espectrais de largura e posicionamento (centro) para outras características, seja pela variação do posicionamento, seja pela variação da largura, ou de ambas essas características. A reamostragem é realizada, por exemplo, 27 Full Width Half Maximum (FWHM) é a largura à meia amplitude (50%) do sinal relativo. 64

65 para a simulação de como um espectro abrangente e de resolução fina, seria apresentado caso fosse adquirido por um sensor de bandas mais amplas, e de menor número de canais. Fig Funções de resposta espectral das primeiras nove bandas do sensor HSS, com a indicação do centro e da largura de banda a meia amplitude (FWHM) para a primeira banda. Na reamostragem espectral, o espectro que se deseja transformar sofre uma ponderação com cada uma das FREs das novas bandas, gerando os valores espectrais esperados para cada qual. Espectros simulados para as bandas de um determinado sensor podem ser utilizados na comparação direta com os espectros extraídos das imagens desse sensor como em Ben-Dor et al., 2001; e Herold et al., 2003 e 2004a, ou podem servir simplesmente para estimar a capacidade de discriminação espectral entre alvos com o sensor simulado (MOREIRA, 2000; SOUZA E KUX, 2004). É através de um monocromador que as FRE são obtidas durante a calibração espectral do sensor em laboratório. Nesse procedimento, a radiação de uma fonte conhecida (p.ex. uma lâmpada de tungstênio) é selecionada por grades de difração no interior do monocromador, que projeta um feixe monocromático na abertura do sensor. Variandose continuamente o comprimento de onda de emissão do feixe, realiza-se a varredura espectral, que deve incluir uma região espectral tão abrangente quanto a necessidade da calibração do sensor, mas com amostragem (largura) de resolução fina. Durante a varredura espectral, que é realizada para cada banda, um processador de sinais registra o sinal de resposta do sensor à incidência do feixe monocromático e organiza os dados, fornecendo tabelas ou diagramas com a correspondência do valor digital da resposta de um canal do sensor em cada comprimento de onda varrido. 65

66 O valor digital que é registrado no procedimento não tem importância em termos absolutos, já que sua magnitude depende da potência radiante da fonte de emissão e da amplificação desse sinal. Essa preocupação com o valor absoluto do sinal só ocorrerá na etapa de calibração radiométrica. Para a calibração espectral interessa apenas o valor relativo do sinal em cada banda, que é representada pelo perfil da curva espectral normalizada (resposta relativa), conforme apresentada na Figura O refinamento da amostragem espectral para a caracterização da FRE depende primordialmente das características do monocromador, quanto à largura espectral do feixe monocromático emitido, mas também do ajuste do equipamento de processamento dos sinais, quanto ao número de amostras de sinal coletado. É importante, ainda, que as FRE sejam devidamente ponderadas pela resposta espectral normalizada da fonte irradiante, a fim de evitar a presença indevida de desvios na FRE. Para isso deve ser utilizado um detector de banda ampla, cujo sinal seja registrado paralelamente à medição da FRE, ou seja, um sinal associado a cada amostra da FRE em questão. Depois de obtida uma FRE, uma forma prática de verificação de sua adequação é através de filtros específicos de cada canal, da utilização de lâmpadas de emissões espectrais específicas ou de materiais com feições de absorção peculiarmente estreitas. 2.3 Correção Atmosférica de Imagens Hiperespectrais Nem a teoria e nem experimentos de campo podem identificar precisamente os níveis de radiância de um radiômetro de observação da Terra a menos que seja realizado um esforço especial para estimar os efeitos atmosféricos (PRICE, 1987). Em outras palavras, a obtenção de informações quantitativas de alvos, como a reflectância, a partir de imagens de sensores remotos, deve passar por uma avaliação criteriosa do meio que separa alvo e sensor. Isso porque, para estudos radiométricos da superfície, a atmosfera constitui um persistente e incômodo problema (FREIRE, 1996), sendo necessário compreendê-la o melhor possível, para a interpretação adequada dos dados de sensores remotos em geral, mas em particular dos hiperespectrais. A forte influência da atmosfera sobre dados hiperespectrais é exemplificada em Goetz et al. (1985) com uma imagem do sensor AIS (Airborne Imaging Spectrometer), quando apresenta a diminuição do brilho das bandas próximas a 1,4 µm, em virtude da absorção por vapor d água, como apresentado na Figura

67 Fig Influência da atmosfera sobre uma imagem multiespectral. A absorção do vapor d água na região de 1,4 µm causa visível redução do brilho nas bandas dessa região espectral, cujo escurecimento é nítido na seqüência de 32 bandas justapostas de uma única cena do sensor AIS. FONTE: Adaptada de Goetz et al. (1985). O mesmo efeito ocorre nas proximidades de 1,9 µm, mas com intensidade ainda maior. Por esse motivo, aplicações como as citadas, voltadas à identificação espectral de alvos na superfície (sólida ou líquida) com imagens, caminham, em geral, paralelamente ao aperfeiçoamento de modelos atmosféricos que visam melhorar os resultados de métodos de correção atmosférica. Esses modelos permitem, ao final, recuperar espectros da reflectância dos alvos na superfície com uma menor contribuição dos constituintes atmosféricos (aerossóis e gases diversos). Esse é o assunto dos tópicos apresentados a seguir A Influência da Atmosfera Quando o fluxo de energia proveniente do Sol penetra na atmosfera terrestre, uma parte é espalhada, uma parte é absorvida e outra parte atinge a superfície sem sofrer qualquer alteração. Esta última é chamada de radiação direta. A radiação espalhada é chamada de radiação difusa e, desta, uma parte retorna para o espaço, enquanto a outra parte chega à superfície (IQBAL, 1983). Tanto a radiação proveniente do Sol que vem à superfície (fluxo descendente), quanto a da superfície que vai ao sensor (fluxo ascendente), que é enfim captada pelos sensores remotos, estão sujeitas aos processos de absorção e espalhamento. Assim, o sensor detecta ao mesmo tempo três componentes de fluxo radiante ascendente: uma radiação de fluxo direto, proveniente do alvo observado; uma componente difusa, proveniente do alvo, mas atenuada pela atmosfera; e uma componente difusa proveniente da própria atmosfera, que não partiu do alvo observado. Conseqüentemente, a atmosfera simultaneamente reduz o sinal da superfície, através de uma função de transmissão espectralmente dependente (atenuação), e adiciona o seu próprio sinal, a radiância 67

68 atmosférica ascendente (HUETE, 1996). Na Figura 2.22 são ilustrados os processos de interação da radiação solar com a atmosfera terrestre. Fig Influência da atmosfera nas trajetórias Sol-superfície e superfície-sensor. As conseqüências desses efeitos sobre as imagens variam, dependendo das características espectrais (posicionamento e largura de bandas) do sensor e das condições atmosféricas no momento da aquisição. De forma genérica, observa-se a diminuição do brilho da superfície em algumas regiões espectrais específicas e a adição de uma névoa, com perda de nitidez, nas regiões dos menores comprimentos de onda do espectro VIS (FREIRE, 1996). Os espectros de alvos da superfície obtidos em imagens estão sujeitos exatamente à mesma modulação e, a menos que um procedimento corretivo seja adotado, apresentarão as características introduzidas por constituintes atmosféricos Modelagem Atmosférica O processamento computacional de imagens que visa minimizar os efeitos atmosféricos sobre imagens de sensores remotos é comumente conhecido por correção atmosférica. Alguns desses processamentos são empíricos e realizam apenas ajustes de contraste, como a manipulação de histogramas de freqüência nas imagens. Os métodos físicos de correção atmosférica são mais completos, baseando-se no conhecimento científico das propriedades ópticas da atmosfera e do processo de interação da radiação com os seus constituintes e com a superfície. Para eles, fundamentados na teoria da transferência radiativa, são elaborados modelos matemáticos da interação da radiação com a atmosfera, que terão maior ou menor grau de complexidade, dependendo do número de variáveis e processos de interação considerados. 68

69 Devido à importância das feições de absorção mais sutis para o sensoriamento remoto hiperespectral, é importante a correção atmosférica através de um modelo matemático que seja capaz de equacionar o comportamento espectral do maior número possível de constituintes atmosféricos. Um modelo bem conhecido de transferência radiativa é apresentado em Kaufman e Tanré (1992): Ls λ = Lo λ E + ρλ π λ τ λ ( 1 s ) λ ρλ, (2.11) onde Ls é a radiância que chega ao sensor, Lo é a radiância espalhada pela atmosfera na direção do sensor sem ser refletida na superfície, ρ é a reflectância da superfície, E é a irradiância do Sol sobre a superfície (descendente), τ é a transmitância da atmosfera ao fluxo refletido pela superfície e s é o coeficiente do retroespalhamento da atmosfera à radiação da superfície ao sensor (ascendente), com todas essas variáveis sendo espectralmente dependentes (indicado por λ subscrito). Na literatura, existem vários métodos físicos de correção que utilizam modelos matemáticos da atmosfera, como as rotinas desenvolvidas para o código 5S 28 (TANRÉ ET AL., 1990) e para o código LOWTRAN 29 (KNEIZYS ET AL., 1988). Esse último foi posteriormente atualizado, e sua nova versão passou a chamar-se MODTRAN 30 (BERK ET AL., 1989), que por sua vez já sofreu diversas modificações, implementadas em novas versões. O mesmo ocorreu com o 5S, que após alterações foi rebatizado para 6S 31 (VERMOTE ET AL., 1997). Como exemplos de programas que utilizam métodos físicos de correção para a geração de imagens reflectância de superfície, podem ser citados o ATREM 32 (GAO E GOETZ, 1990), que utiliza a modelagem do código 6S, e a rotina de Green (GREEN, 1991; GREEN ET AL., 1993), que utiliza o código MODTRAN. Outros exemplos são os programas ACORN 33 (IMSPEC, 2002) e FLAASH 34 (SPECTRAL SCIENCE, 2005), aplicativos que também utilizam o código MODTRAN, e apresentam como vantagem, entre outras possibilidades, a flexibilidade de correção de 28 Simulation of Satellite Signal in the Solar Spectrum (5S). 29 Low Atmospheric Radiance and Transmittance (LOWTRAN). 30 Moderate Atmospheric Radiance and Transmittance (MODTRAN). 31 Second Simulation of Satellite Signal in the Solar Spectrum (6S). 32 ATmospheric REMoval program (ATREM). 33 Atmospheric CORrection Now (ACORN). 34 Fast Line-of-sight Atmospheric Analysis of Spectral Hypercubes (FLAASH). 69

70 imagens de qualquer sensor, seja ou não hiperespectral, bastando para tanto a especificação das características espectrais e de calibração radiométrica. Essa vantagem é realmente facilitadora, pois em geral os códigos de programas têm sido desenvolvidos para um conjunto específico de sensores, sendo necessário um grande esforço para adaptá-los às imagens de outros sensores. Um dos aspectos que difere entre os dados de sensores distintos é o posicionamento e a largura de bandas, que são identificados através da função de resposta espectral (FRE) de cada uma delas, e cuja especificação é necessária para a utilização adequada das rotinas. Além de permitir a inserção de novas FRE, os programas de correção de versões mais recentes disponibilizam, através das suas janelas de diálogos, algumas opções para o usuário melhor caracterizar a atmosfera que pretende corrigir, como o modelo de atmosfera, o modelo de aerossóis e a visibilidade estimada. Adicionalmente, a fim de que possam ser calculados parâmetros como a irradiância solar estimada, é necessário inserir nesses aplicativos as informações básicas sobre a aquisição dos dados, como a data e o horário, a localização geográfica, e as altitudes, da superfície e do sensor, que podem ser identificados no exemplo da janela de diálogo apresentado na Figura Fig Janela principal de diálogo de um aplicativo de correção atmosférica. Nesta janela estão preenchidos alguns parâmetros de aquisição dos dados necessários ao processamento para a correção atmosférica. 70

71 No aplicativo de correção ilustrado na Figura 2.23 também são disponibilizados campos de configuração avançada, que permitem a inclusão dos arquivos complementares de calibração, como as FREs e os coeficientes de calibração radiométrica C cal, de sensores cujas informações não estejam disponíveis na base de dados do aplicativo. Esse é o caso, por exemplo, do HSS e de outros sensores cujas características espectrais e radiométricas ainda sejam desconhecidas dos implementadores desses códigos. Fornecidos os arquivos espectrais e radiométricos devidos, os aplicativos de correção realizam, em etapas sucessivas, a calibração das imagens ND para a obtenção das imagens radiância, a correção atmosférica dessas e a normalização para reflectância. 2.4 Sensores Hiperespectrais Vincula-se genericamente o conceito de sensoriamento hiperespectral à utilização de dados de sensores com centenas de bandas, em uma abrangência aproximadamente contínua do espectro refletido, tipicamente entre 400 e 2500 nm, seguindo-se a aplicação originalmente apresentada por Goetz et al. (1985). Atualmente, entretanto, o conceito de hiperespectral, vem sendo muito mais estreitamente relacionado à capacidade do sensor em medir feições em intervalos espectrais específicos, do que propriamente com o número total de bandas do instrumento. Por exemplo, o sensor CHRIS 35, abordo do satélite PROBA 36, da Agência Espacial Européia 37, adquire dados com largura de banda entre 1,25 e 11 nm, distribuídas apenas na região de 400 a 1050 nm (VNIR) (GUANTER ET AL., 2005), em configurações variadas de bandas, que o torna capaz de medir adequadamente as principais feições de absorção dos espectros de reflectância de diferentes alvos nesse intervalo. Devido a essa aplicação, o CHRIS é amplamente divulgado como um sensor hiperespectral, podendo, de fato, ser muito mais eficiente do que outros instrumentos que disponham de um número maior de bandas, mas que sejam porém, mais largas, mesmo que este último venha a abranger uma faixa espectral mais ampla (p.ex., nm). Em outras palavras, um sensor com apenas dezenas de bandas bem posicionadas e suficientemente estreitas para medir adequadamente as feições espectrais de um determinado alvo de interesse pode ser mais eficaz do que um outro com centenas de bandas, dependendo da conveniência do posicionamento e da largura espectral dessas bandas (CHANG ET AL., 1999). Ben- Dor (2003) explica que a idéia básica por traz do termo está no fato dessa técnica 35 Compact High Resolution Imaging Spectrometer (CHRIS). 36 Project for On-Board Autonomy (PROBA). 71

72 permitir a análise quantitativa do dado, além da mera análise qualitativa. Esse autor inclui a avaliação da região espectral do termal no conceito de estudos hiperespectrais, esteja ou não em bandas contíguas à tradicionalmente conhecida e definida região do VNIR (visível e infravermelho próximo). Considerando que a polêmica da conceituação do termo hiperespectral não é de fato uma discussão relevante para esse trabalho, serão apresentados nessa seção os sensores cuja utilização de seus dados tenha servido aos propósitos do sensoriamento hiperespectral, ou que, por similaridade apresentem potencial para tal aplicação, desde os sensores precursores até sensores mais recentes Sensores Hiperespectrais Precursores As pesquisas envolvendo a espectroscopia por imageamento foram conduzidas, inicialmente, com dados adquiridos pelo sensor AIS. Esse sistema discriminava 128 bandas espectrais contíguas, com aproximadamente 9,3 nm de largura cada uma, abrangendo a região entre 1200 e 2400 nm. O campo de visada instantâneo (IFOV) do AIS era de 1,9 mrad, proporcionando imagens com aproximadamente 8 metros de resolução espacial (GIFOV) quando operado à altura de vôo de 4200 metros (LILLESAND E KIEFER, 1994). As perspectivas de aplicação dos dados do AIS estimularam no JPL (Jet Propulsion Laboratory NASA) o desenvolvimento de um sensor ainda mais ousado, o AVIRIS, cuja operação iniciou em O AVIRIS é um espectrorradiômetro imageador com resolução espectral de aproximadamente 10 nm, que coleta dados continuamente no intervalo nm, em 224 canais, e cujos dados são quantizados em 12 bits de resolução radiométrica. A aquisição dos dados do AVIRIS é realizada por um sistema de varredura lateral com espelho oscilante (tipo whiskbroom) de 12 Hz, através de um campo de visada (FOV) que abrange 30º, amostrados com um IFOV fixo de 1 mrad. Essas características permitem à imagem AVIRIS uma resolução espacial de aproximadamente 20 m e uma largura de faixa de aproximadamente 11 km, quando operado da aeronave ER-2, à altitude padrão de 20 km (VANE ET AL., 1993). Sabe-se, no entanto, que imagens de boa qualidade com outras resoluções podem ser obtidas com o sensor embarcado em outros modelos de aeronaves com perfis de operação a menores altitudes, como utilizado em Herold et al. (2004b). 37 European Space Agency (ESA). 72

73 Na medida em que foram verificados os benefícios e o potencial dos sensores de alta resolução espectral, viu-se surgir um mercado para empresas de desenvolvimento, operação e prestação de serviços, baseados em sensores de dezenas, ou até mesmo centenas de bandas espectrais. Como exemplo, pode-se citar a construção do sensor CASI 38, o primeiro a disponibilizar dados para comercialização. O CASI, com o IFOV de 1,2 mrad, coleta dados em 228 canais entre 400 e 900 nm, em intervalos de 1,8 nm de largura, destacando-se pela capacidade de seleção, dentre os canais disponíveis, do número e do posicionamento de bandas a serem gravadas na varredura. Isto permite que diferentes configurações de dados possam ser selecionadas, para vários tipos de alvos a serem estudados. Além dessa capacidade, o CASI possui um sistema giroscópico de registro de atitude e um GPS 39, que facilita a correção geométrica das imagens (LILLESAND E KIEFER, 1994). A experiência com sensores aerotransportados como o AIS, o AVIRIS e o CASI, permitiu o desenvolvimento tecnológico necessário a um passo ainda maior, a construção de um sensor hiperespectral orbital. A primeira tentativa nesse sentido ocorreu com o sensor HSI (HiperSpectral Imager), que estava previsto ser lançado em 1997, mas por problemas técnicos não chegou a entrar em operação. Outros, no entanto, já estão fornecendo dados, como o Hyperion, destinado a estudos da superfície, e o LAC 40, destinado ao monitoramento atmosférico, que operam na mesma plataforma, o satélite EO-1 41, que foi lançado em 21 de novembro de Uma das características apreciáveis dessa plataforma é a circulação orbital no mesmo traçado e na mesma altura (a 705 km de altura) do sistema Landsat, deslocando-se seqüencialmente com apenas um minuto de defasagem (UNGAR ET AL., 2003), percorrendo a mesma trajetória, e sobrepondo faixas de recobrimento da superfície. O Hyperion é um sensor de varredura pushbroom que abrange a região de 400 a 2500 nm com 220 bandas contíguas de 10 nm de largura espectral, e vem fornecendo dados comercialmente desde Seu sistema óptico permite cobrir uma faixa de 7,5 km de largura (FOV de 0,624º), com uma resolução espacial de 30 m (IFOV de 42,55 µrad). Já o LAC, delineado para a correção de variações de vapor d água e 38 Compact Airborne Spectrographic Imager (CASI). 39 GPS (Global Positioning System) é um sistema de posicionamento que informa as coordenadas geográficas em que se encontra o equipamento receptor, a partir do cruzamento de dados recebidos de diversos satélites em órbita da Terra. 40 Linear etalon imaging spectrometer array Atmospheric Corrector (LAC) (UNGAR ET AL., 2003). 41 Earth Observing One (EO-1). 73

74 detecção de nuvens cirrus, possui maior cobertura espacial, varrendo uma faixa de 185 km (FOV de 15º), e melhor resolução das bandas, cujas larguras variam entre 3 e 9 nm. Sua abrangência espectral é, no entanto, mais modesta que a do Hyperion, entre 900 e 1600 µm, e possui uma resolução espacial bem mais pobre, com um GIFOV de apenas 250 m (UNGAR ET AL., 2003). Também orbital, o sensor CHRIS / PROBA, lançado em outubro de 2001, possui um modo de operação programável que é capaz de disponibilizar até 62 canais na região espectral do VNIR, entre 400 e 1050 nm, sendo que a seleção de um maior número de canais implica em comprometimento da resolução espacial, em virtude da capacidade de armazenamento de dados. Como parâmetro, na configuração de modo 1, que disponibiliza 19 canais, obtém-se 17 m de GIFOV. Já no modo 2, com a utilização de 64 canais o GIFOV passa a ser de 34 m, mas sem alteração da largura de faixa imageada, que permanece em 13 km (GUANTER ET AL., 2005; ESA, 2008). O DAIS , da empresa GER 43, também é bastante flexível quanto à disponibilidade de dados espectrais, possuindo 79 bandas divididas em regiões espectrais não necessariamente contíguas: 32 na região do VNIR, entre 400 e 1000 nm; 40 no NIR (infravermelho próximo) / SWIR (infravermelho de ondas curtas), sendo 8 entre 1000 e 1800 nm e 32 entre 2000 e 2500 nm; e 7 no MIR / TIR (infravermelho médio / termal), uma de 3000 a 5000 nm; e 6 entre 8000 e nm (LILLESAND E KIEFER, 1994). O HyMap 44, da empresa australiana Integrated Spectronics, é um outro sensor de exploração comercial que tem proporcionado grande quantidade de trabalhos de sensoriamento hiperespectral (INTEGRATED ESPECTRONICS, 2005). Trata-se de um sensor aerotransportado que abrange a região de 450 a 2500 nm em 126 bandas de aproximadamente 15 nm de largura espectral, aproximadamente 2,5 mrad de IFOV (2,0 mrad lateral x 2,5 mrad longitudinal), e 61,3º de FOV. Na faixa típica de operação da plataforma (2 a 5 km de altitude) essas características espaciais resultam em um GIFOV de 3 a 10 m, e largura de faixa (GFOV 45 ) de 2,3 a 4,6 km (COCKS ET AL., 1998). Complementarmente, as características de alguns outros exemplos de 42 Digital Airborne Imaging Spectrometer(DAIS). 43 Geophysical Environment Research (GER). 44 Hyperspectral Mapper. 45 Ground Field Of View (GFOV). 74

75 sensores cuja aplicação está incluída no conceito amplo de sensoriamento hiperespectral estão relacionadas na Tabela 2.1. CIS (Chinese Imaging Spectrometer) TABELA 2.1 Características de sensores hiperespectrais Sensor Canais Abrangência MIVIS (Multispectral Infrared and Visible Imaging Spectrometrer) HYDICE (Hyperspectral Digital Imagery Collection Experiment) AISA (AISA Airborne Hyperspectral Imaging System) IFOV (mrad) FOV (graus) 91 VNIR/SWIR/MTIR 1, VNIR/SWIR/MTIR VNIR/SWIR 0, VNIR/SWIR 1 21 MISI (Modular Imaging Spectrometer Instrument) 70 VNIR/SWIR/MTIR 1 90 Fonte: Neike et al. (1997). Dos sensores citados, imagens do AVIRIS, do CASI, do DAIS-7915, do MIVIS e o do HyMap foram conhecidamente utilizadas em algum tipo de estudo de áreas urbanas. No Brasil, entretanto, imagens hiperespectrais de áreas urbanas são escassas. No INPE, estão disponíveis algumas poucas cenas da cidade de Cuiabá MT e de pequenas cidades na região, obtidas com o sensor AVIRIS durante a missão SCAR-B. Essas, entretanto, foram obtidas há mais de uma década, a maioria com densa presença de fumaça, sem dados radiométricos ou registros da superfície para estudos espectrais mais detalhados. O sensor Hyperion, apesar do custo comercial e a incerteza na distribuição serem fatores restritivos à popularização de seus dados, pode ser visto como uma alternativa possível para a aquisição de imagens de áreas urbanas no Brasil. As características espaciais do Hyperion, no entanto, com GIFOV de 30 m, limitam a aplicação de seus dados em estudos de alvos de menores proporções. O sensor HSS, por sua vez, pode vir a suprir uma lacuna de dados de boa resolução espacial e maior diversidade de bandas. Entendese que a ausência de dados com tais características é atualmente um gargalo para o desenvolvimento de um maior número de estudos espectrais de áreas urbanas no país O Sensor HSS O HSS, sensor fabricado e comercializado pela SensyTech Imaging Group, EUA, segue a mesma linha de sensores como o DAIS-7915 e o MIVIS, abrangendo diversas bandas contíguas em regiões espectrais não necessariamente contínuas do VNIR, SWIR e 75

76 TIR. Trata-se de um sensor imageador aerotransportado não climatizado, com 37 bandas (ou canais) na região do espectro refletido VNIR e SWIR (entre 440 e 2385 nm), conforme apresentadas na Tabela 2.2, e outras 13 bandas na região do Termal (entre 3000 e nm), todas quantizadas em 12 bits, com IFOV intercambiável de 1,25 e 2,5 mrad e freqüência de varredura regulável entre cinco opções, de 6,25 e 100 Hz 46. TABELA 2.2 Bandas do sensor HSS no espectro refletido Região Canal C.O. (nm) FWHM (nm) Região Canal C.O. (nm) FWHM (nm) VIS IVP , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , ,1 Fonte: SensyTech (2004a) As primeiras 20 bandas do HSS abrangem continuamente a região do VIS e parte do NIR entre os comprimentos de 440 e 1015 nm, com larguras de bandas de aproximadamente 30 nm. A banda seguinte, a 21 a, já é posicionada no SWIR e apresenta maior abrangência, com aproximadamente 122 nm de largura, entre 1520 e 1645 nm. As 16 bandas posteriores são novamente mais estreitas com aproximadamente 25 nm de largura e continuamente amostradas, também posicionadas na região SWIR, mas entre 1990 e 2385 nm. A partir desse ponto ocorrem outras duas interrupções na continuidade espectral para o posicionamento das 13 bandas do MIR / TIR: Sete bandas são posicionadas continuamente na região entre 3200 e 5500 nm, com aproximadamente 400 nm de largura; e mais seis bandas na região de 8200 a nm, essas com larguras mais variáveis, de 400 a 1140 nm (SENSYTECH, 2004a). Um exemplo de SWIR 46 O aumento da freqüência de varredura implica na degradação da relação sinal-ruído, resultando em dados mais ruidosos (CASTRO ET AL., 2005). 76

77 imagem do sensor HSS com aproximadamente 3 m de resolução espacial (GIFOV) é apresentada em composição de cor verdadeira na Figura Fig Recorte de imagem do sensor HSS com 3 m de GIFOV apresentada em cor verdadeira. No destaque é apresentada uma ampliação de 9 vezes. As características espectrais do HSS possibilitam identificar feições conhecidas de alvos naturais, como as da absorção por pigmentos da vegetação verde (em 460 e em 670 nm), e as de íons e óxidos de ferro (em 560 e 880 nm) de minerais como goetita ou hematita, presentes em solos e que persistem, após o processo de industrialização, na cerâmica de argila. Características espectrais dos alvos artificiais também podem ser identificadas com o posicionamento das bandas do HSS, como as inflexões nos espectros de reflectância do alumínio e do aço galvanizado na região do NIR, em 810 e 1010 nm, respectivamente. Essas e outras características podem ser observadas com a simulação espectral apresentada na Figura 2.25, obtida com a reamostragem de espectros de bibliotecas para as FREs do HSS. Com base nas características identificadas com a simulação espectral dos alvos artificiais da Figura 2.25, deduz-se que outros materiais urbanos podem vir a ser identificados, ou pelo menos discriminados, com o posicionamento de bandas do HSS. Tal suposição fundamenta-se no fato de que a maior parte da informação espectral dos mais variados alvos urbanos está concentrada em poucas regiões, não necessitando, portanto de um número maior de bandas, ou de bandas mais estreitas do que o sensor dispõe, exceto para aplicações mais específicas. Por exemplo, Herold et al. (2003) identificaram que a maior variabilidade espectral de alvos urbanos no VNIR e SWIR concentra-se em apenas 14 das 224 bandas disponíveis no AVIRIS, resumindo-se as mais importantes a apenas sete. Dessas 14 bandas citadas no trabalho de Herold et al. (2003), quatro são correspondentes ao posicionamento central (ou próximo) de bandas do HSS, e outras cinco são abrangidas nos limites entre bandas do HSS. 77

78 Fig Espectros de alvos artificiais e naturais disponibilizados em bibliotecas espectrais (RESEARCH SYSTEMS INC., 2000) reamostrados para os intervalos de bandas do sensor HSS. Os espectros originais são apresentados em linhas pontilhadas e a reamostragem para as funções espectrais do HSS em linhas contínuas coloridas, com marcadores para os centros de bandas. As faixas verticais indicam regiões de maior absorção do vapor d água da atmosfera. Além das características espectrais, no entanto, outros aspectos, específicos do sensor como a resolução radiométrica e a relação sinal/ruído, ou relacionados com o processamento das imagens como a correção atmosférica, também são importantes para a capacidade de discriminação de feições espectrais. A resolução radiométrica e a relação sinal/ruído, dizem respeito à qualidade do dado fornecido para a etapa de correção atmosférica, estando diretamente relacionados à incerteza da calibração do sensor, ou seja, a equivalência entre níveis digitais e a radiância do alvo. Uma alta quantização do sinal permite distinguir diferenças radiométricas mais sutis, uma vez que o sinal é digitalizado em um maior número de níveis digitais. A quantização em 12 bits, à semelhança do AVIRIS, permite ao HSS uma boa amplitude radiométrica, com 4096 níveis digitais (NDs), como ocorre em outros sensores modernos, como o Hyperion (UNGAR ET AL., 2003). Nesse aspecto, o HSS chega a ser superior ao ASTER (ONO ET AL., 1996), um sensor moderno, mas que é quantizado em tradicionais 8 bits no VNIR / SWIR, tendo 12 bits apenas no TIR. O nível de quantização do sinal é estabelecido com base na sensibilidade do sistema de detecção. Sistemas mais sensíveis, com melhor relação sinal/ruído podem ser 78

79 quantizados em mais níveis digitais. A relação sinal/ruído indica quanto o sinal sobressai-se em relação ao ruído, sendo determinante na sensibilidade do sensor às feições de absorção. Muitas vezes, por questões de preferências de interpretação do avaliador, essa relação é apresentada de forma inversa, ruído/sinal, que tem o mesmo efeito prático. No caso do HSS, conforme apresentado em detalhes em Castro et al. (2004 e 2007), a relação ruído/sinal (R/S) pode ser determinada para cada freqüência de varredura, com a razão do desvio padrão dos valores digitais de dois corpos negros (σ CN ) que integram o sensor indicativo do ruído, pelo valor médio dos valores digitais de um alvo de referência ( laboratório: ND máx ) indicativo do sinal, obtida em procedimento de R σ / S = CN [adimensional]. (2.12) máx ND Mas como o ND máx depende da intensidade da fonte de iluminação utilizada na avaliação, enquanto o ruído não já que se refere ao sinal dos corpos negros, a R/S só é interessante para a avaliação da estabilidade de um sensor ao longo do tempo, ou em simulações de condições ambientais em laboratório, quando se utiliza uma mesma fonte de iluminação como referência. Caso contrário, a comparação não seria coerente, visto que os valores da R/S poderiam ser diferentes em decorrência exclusivamente das diferenças de padrão, ou seja, a fonte. Por esse motivo, é muitas vezes preferível a avaliação do ruído através da radiância equivalente ao ruído (NER noise equivalente radiance), que é quantificada em unidades físicas utilizadas em radiometria, a radiância, e pode ser utilizada na comparação do desempenho entre sensores, ou com a utilização de outras fontes de iluminação, desde que calibradas. Para o HSS, a NER pode ser obtida para cada imagem, com a multiplicação do coeficiente de calibração radiométrica (C cal ) do sensor, previamente determinado, pela estimativa de ruído da imagem, estimado com o desvio padrão do sinal dos corpos negros (σ CN ) em uma determinada amostragem de linhas: NER = C σ [µw.cm -2.sr -1.nm -1 ]. (2.13) cal CN A título de comparação, para o AVIRIS, por exemplo, a NER divulgada nas primeiras avaliações do sensor esteve abaixo de 0,10 µw.cm -2.sr -1.nm -1 para a maioria dos canais, exceto para os primeiros canais do VIS e os últimos do SWIR (CHRIEN ET AL., 1990). 79

80 Desempenho superior foi reportado em 1998, posteriormente à substituição de detectores e do sistema multiplexador (GREEN ET AL., 1998). No caso do HSS, informações reportadas pelo fabricante para a varredura de 25 Hz e com IFOV de 2,5 mrad, apresentam uma NER abaixo de 0,020 µw.cm -2.sr -1.nm -1 na maioria dos canais do espectro refletido, sendo exceção apenas oito canais do NIR (near-infrared), e mesmo esses apresentam valores inferiores a 0,025 µw.cm -2.sr -1.nm -1. Esses resultados são apresentados na Figura 2.26, onde a NER de duas avaliações do fabricante é apresentada para canal do sensor do HSS. Fig Radiância equivalente ao ruído (NER) para os 37 canais do HSS, em duas datas de avaliação com imagens de laboratório, obtidas na freqüência de varredura de 25 Hz, com IFOV de 2,5 mrad. Para um dado sensor, em geral a NER decresce com a redução da freqüência de varredura e com o aumento do IFOV, que implicam em um aumento do fluxo radiante instantâneo sobre o detector, mas aspectos de funcionamento do sensor podem influenciar essa lógica. Para o HSS, as avaliações de Castro et al. (2004) revelaram ser a freqüência de 12,5 Hz a de melhor desempenho quanto à relação ruído-sinal do sensor, seguida pela freqüência de 25 Hz e de 6,25 Hz, nessa ordem. A escolha da freqüência de varredura, entretanto, está condicionada a de outros parâmetros que devem ser conjuntamente estabelecidos para a aquisição de imagens adequadamente formadas, com a resolução espacial desejada e sem comprometimento da amostragem espacial. Juntos, o IFOV e a freqüência de varredura estabelecem a relação fixa entre a velocidade da plataforma e a altura de vôo, a razão velocidade/altura (V/H), que deve ser respeitada para a boa formação longitudinal da imagem, evitando-se o risco de subamostragem da varredura, ou seja, descontinuidade no recobrimento da 80

81 superfície entre as linhas de varredura consecutivas. No caso do HSS, cujo espelho de varredura tem uma única face, a V/H é dada por: V H = ϖ IFOV [T -1 ], (2.14) onde V é a velocidade da plataforma em relação à superfície, H a altura, e ϖ a freqüência de varredura. Para cada par ϖ IFOV haverá, portanto, uma única razão V/H. Como o HSS é flexível em todos esses parâmetros é comum fixar previamente os de maior rigidez: primeiramente o IFOV, que tem duas opções, mas só pode ser substituído em procedimento de manutenção do sensor; e depois a ϖ, que possui cinco possibilidades e pode ser modificado em vôo, entre uma e outra faixa de imageamento. Os dois parâmetros restantes, V e H, são um pouco mais flexíveis, mas por dependerem das características da plataforma, envolvem considerações operacionais e de segurança de vôo, como a restrição de uma altura mínima acima dos obstáculos da região ou limitada por necessidades do controle de tráfego aéreo. O privilégio de uma acarretará na necessidade de depreciação da outra, mas entre V e H, a altura H é geralmente ponderada em primeiro, já que, juntamente com o IFOV, determina a resolução espacial da imagem. Para o ponto central de um imageamento vertical, a resolução espacial teórica 47 da imagem, o GIFOV, deriva exclusivamente da relação trigonométrica entre H e o IFOV: IFOV GIFOV = 2 H tan [L]. (2.15) 2 A velocidade V, por fim, está condicionada às características de vôo da plataforma e é um aspecto restritivo para a aquisição de imagens. Trabalha-se geralmente com um intervalo entre a velocidade mínima de sustentabilidade do vôo e a máxima estrutural da plataforma. Definido o IFOV e a ϖ, os parâmetros V e H devem ser planejados para a obtenção da resolução espacial desejada da imagem, e controlados durante toda a aquisição. No HSS os parâmetros ϖ, V e H podem ser verificados posteriormente com as informações do GPS para a avaliação crítica da adequação do vôo e são utilizados para o processamento geométrico das imagens. O IFOV, entretanto, deve ser verificado previamente, em laboratório, no teste de calibração espacial. 47 Outras considerações que tratam da resolução espacial efetiva, o EIFOV (Effective IFOV), podem ser obtidas em Schowengerdt (1997). 81

82 Para o HSS, o teste da calibração espacial sugerido pelo fabricante consiste em projetar um alvo de padrão de barras sobre o campo de visada do sensor e verificar o contraste, com base na razão simples do sinal médio entre as linhas escuras e as linhas claras da imagem registrada pelo sensor. Na determinação da função de transferência de modulação (MTF Modulation Transfer Function) do sensor HSS é verificado o contraste resultante em alvos com diversas freqüências espaciais. Na Figura 2.27 é ilustrado um alvo com padrões de três barras vazadas em nove freqüências espaciais, ao lado do sinal típico esperado em uma linha de varredura, para uma freqüência espacial compatível com a resolução do sensor. Fig Um alvo com padrões de 3 barras, contendo 9 freqüências espaciais, é apresentado ao lado do sinal esperado em uma linha de varredura de um sensor, na obtenção da imagem em uma freqüência compatível à sua resolução espacial. Os valores máximos NDc do sinal, correspondente às 3 faixas claras (vazadas), são alternados por valores mínimos NDe, correspondente às faixas escuras (opacas) intercaladas. O alvo utilizado para o teste com o sensor HSS, a exemplo da Figura 2.27, consiste de uma plaqueta metálica com três faixas retilíneas vazadas, alternadas por duas faixas opacas, todas com a mesma largura, cuja projeção com um feixe colimado é refletida sobre a abertura do sensor. Um conjunto óptico disponibilizado na bancada de testes do sensor HSS é utilizado para tal avaliação. Este é formado por uma lâmpada, um difusor, um espelho colimador e dois espelhos de desvio, que projetam a imagem colimada do alvo vazado sob a abertura do sensor em funcionamento, simulando uma imagem no infinito. O sinal registrado é utilizado para o cálculo do contraste, utilizando-se os valores correspondentes às faixas claras e escuras do alvo. O contraste C, é calculado segundo a relação: 82

83 NDe C =, (2.16) NDc onde ND é o nível digital e os subscritos c e e referem-se à região clara e escura da imagem resultante, associadas à faixa vazada e à faixa opaca, respectivamente. O contraste C é considerado adequado pelo fabricante até o valor máximo de 0,707 (valor RMS), tomando-se o canal 10 como referência padrão para o teste (SENSYTECH, 2004d). 2.5 Análise de Dados para Discriminação e Identificação Espectral A análise espectral fundamenta-se nas técnicas de espectroscopia de reflectância, que têm sido utilizadas há muitos anos como ferramentas de laboratório, com metodologias de estudo de materiais que antecedem aos estudos com imagens multi e hiperespectrais, geralmente a partir de grandezas (ou parâmetros) com valores normalizados, como a reflectância, a transmitância, a absortância ou a emissividade. De forma abrangente, a espectroscopia de reflectância refere-se à obtenção de informação quantitativa e qualitativa das propriedades dos materiais, com base na radiação refletida. Esta informação é obtida, basicamente, através da análise da reflectância espectral, ou mais precisamente da magnitude da resposta espectral e da presença de feições espectrais ou bandas de absorção (MUSTARD E SUNSHINE, 1999). A análise espectral qualitativa da reflectância possibilita a verificação de diferenças entre amostras espectrais com base na experiência do analista, que recorre à associação com características de alvos anteriormente estudados. Algumas informações importantes como a identificação de tipos espectrais e a ocorrência de ruídos grosseiros podem ser obtidas em uma rápida avaliação qualitativa dos espectros. Sabe-se, contudo, que elevado grau de subjetividade está incluído nessa técnica de análise exploratória, cujo sucesso depende fortemente da experiência do analista, sendo conseqüentemente muito susceptível a erros de julgamento, principalmente quando se busca a identificação de sutilezas que diferem tipos espectrais semelhantes, e não de obviedades. Trata-se, portanto, de uma técnica de análise importante em uma avaliação preliminar, mas muitas análises necessitam de uma comparação mais amiúde e parametrizada, para a obtenção de informação significativa do conjunto de dados espectrais. Essa pode ser obtida a partir de técnicas quantitativas de análise, que corroborem ou desmistifiquem conclusões subjetivas. 83

84 A adequação de um método de análise espectral está associada a diversos fatores, como por exemplo, as características espectrais do alvo. A resolução espectral (largura espectral de banda) e a região espectral abrangida são fatores de grande importância para a escolha do método mais adequado. É inócuo, por exemplo, definir uma estratégia de identificação de bandas de absorção no SWIR se o conjunto de dados não englobar tal região espectral. A escolha da técnica apropriada para a análise dos dados é outro aspecto relevante. Um processamento inadequado, por exemplo, pode muito provavelmente não revelar as informações desejadas, mesmo que o dado as contenha. Deve-se, portanto, utilizar a técnica que permita maximizar a extração de informações com os recursos disponíveis (MUSTARD E SUNSHINE, 1999). Atualmente existem diversos métodos de análise espectral, com várias técnicas desenvolvidas para a análise de dados, sejam esses imagens ou espectros isolados. Essas técnicas abrangem desde procedimentos simples, que não exigem do analista grande conhecimento de espectroscopia, até rotinas avançadas, que requerem maior conhecimento e/ou maior interação do analista. São citadas como técnicas simples de análise as composições coloridas, as razões de bandas e as transformações estatísticas (p.ex. a Análise por Principais Componentes APC, e similares, como a Minimum Noise Fraction MNF), e como técnicas avançadas o Mapeador de Ângulo Espectral (Spectral Angle Mapper SAM), o Mapeador de Feições Espectrais (Spectral Feature Fitting SFF) e o Modelo Linear de Mistura Espectral (MLME). A maioria das técnicas utilizadas para análise de dados multiespectrais também pode ser aplicada a dados hiperespectrais, como procedimentos de classificação temática, de realce ou de discriminação entre classes. Não há, entretanto, um método único que garanta o sucesso na análise espectral. Deve-se utilizar e testar, para cada caso, uma abordagem estreitamente relacionada aos objetivos propostos (MUSTARD E SUNSHINE, 1999). Técnicas de análise com base em procedimentos estatísticos têm como vantagem a utilização de critérios quantitativos para a análise do fenômeno de interesse, com a possibilidade de identificação de um relacionamento funcional entre variáveis. Nem todas as técnicas estatísticas de análise, entretanto, são aplicáveis ao tratamento de dados hiperespectrais. As técnicas estatísticas mais amplamente difundidas para a classificação, como a Análise Discriminante (AD), por exemplo, fundamentam-se em pressupostos de normalidade que podem não ser atendidas em grandes conjuntos de dados hiperespectrais (DELALIEUX ET AL., 2007). A homogeneidade da variância de 84

85 classes (homocedasticidade) é outro pressuposto que deve ser atendido para adoção de técnicas estatísticas baseadas na regressão linear, que utilizam o método dos mínimos quadrados para a estimação dos parâmetros da regressão. Assim com as técnicas que utilizam a regressão linear como a AD, a Regressão Logística (RL) também pode ser utilizada tanto para a redução do espaço de atributos (seleção de variáveis) quanto para a classificação de um conjunto de dados com base em funções preditivas de classe. Entre as duas técnicas, a AD é citada como sendo de maior poder estatístico pelo fato de haver menos chances de ocorrência de erros de inclusão (tipo II), porém a RL é freqüentemente utilizada em substituição à AD nos casos em que ocorrem violações dos pressupostos de normalidade das distribuições das variáveis independentes, relacionamento não linear entre essas e desigualdade das variâncias intra-classes (heterocedasticidade) ou, ainda, quando há grande desigualdade na amostragem das classes (GARSON, 2008). A fim de se obter subsídios para o tratamento dos dados com a técnica mais adequada, é de se esperar, portanto, que aspectos como esses da normalidade e da homocedasticidade dos dados bem como o relacionamento funcional de variáveis sejam previamente avaliados em uma etapa de análise exploratória dos dados. Aspectos dessa análise preliminar serão abordados no próximo tópico, o qual será seguido por um maior aprofundamento das técnicas de análise adotadas neste trabalho Análise Exploratória dos Dados A análise exploratória é uma etapa fundamental na avaliação dos dados sejam observacionais ou experimentais, no aspecto de que serve como principal fonte de informação para a definição da técnica de análise mais adequada ao conjunto de dados disponível. Tratando-se de dados hiperespectrais, a análise exploratória é geralmente iniciada de forma qualitativa, com a visualização de diagramas espectrais de radiância, de transmitância, de emissividade ou, como no caso deste trabalho, de reflectância do alvo de interesse, onde a grandeza utilizada no estudo é apresentada em um diagrama cartesiano em função do comprimento de onda. Essa visualização dos espectros na forma cartesiana tradicional, que apresenta a reflectância como uma curva contínua em função do comprimento de onda, a exemplo da Figura 2.25 ou similares anteriores, é a maneira mais conhecida de análise pontual de amostras espectrais. 85

86 Em primeira instância, o diagrama espectral é uma excelente ferramenta de análise qualitativa para a identificação de variáveis (bandas espectrais) ou grupos de variáveis (regiões espectrais) interessantes à avaliação do fenômeno de interesse. Mas à medida que muitas amostras vão sendo inseridas na análise, esses gráficos tornam-se congestionados, dificultando a extração da informação de identificação espectral pela excessiva sobreposição de linhas. Definidas as variáveis de interesse, a fim de facilitar a exploração de um grande número de amostras, é preferível a supressão das variáveis preteridas para uma disposição gráfica mais enxuta, que facilite o estudo das amostras no que se refere ao agrupamento em classes, à discriminação entre classes, e ao relacionamento entre variáveis quanto a uma ou mais agrupamentos identificados. Tal análise pode ser realizada através de diagramas de espalhamento das observações (ou amostras) e seus grupos (ou classes), como ilustrado na Figura 2.28, na qual a variável dependente Y é apresentada em função dos valores da variável exploratória X. A função de uma reta do tipo Y=aX+b, onde a e b são constantes, é apresentada para fins comparativos e permite verificar que a relação funcional entre as variáveis não é perfeitamente representada por essa relação linear simples. Fig Diagrama de espalhamento bidimensional de dados envolvendo as variáveis X e Y. Uma função linear do tipo Y=aX+b ( a e b constantes) foi ajustada como referência, mas percebe-se que o relacionamento entre as variáveis não é perfeitamente descrita por essa relação funcional. Diagramas de espalhamento como os da Figura 2.28 podem ser utilizados para a apresentação de dados n-dimensionais de várias classes, auxiliando a rápida verificação do tipo de relação entre variáveis para cada classe e/ou da confusão entre as classes. Ferramentas computacionais permitem a visualização desses diagramas em perspectiva 86

87 tridimensional através da rotação dinâmica dos eixos (variáveis ou atributos) no espaço n-dimensional, mas para a apresentação estática há dificuldade de visualização da distribuição das amostras de classes quando são abrangidas muitas variáveis. Nesse caso, novamente para evitar o congestionamento e a excessiva sobreposição das amostras, esses diagramas, que são geralmente apresentados na forma cartesiana bidimensional envolvendo duas variáveis por vez, também podem ser dispostos em agrupamentos matriciais para a visualização da distribuição das classes em perspectivas que envolvem vários pares bidimensionais de variáveis, como ilustrado na Figura Fig Matriz com diagramas de espalhamento bidimensionais envolvendo três variáveis (X, Y e Z): com apenas uma classe, em (a); e com a inclusão de uma segunda classe, em (b). A identificação de relacionamentos funcionais não lineares na avaliação analítica com diagramas de espalhamento pode levar o analista à investigação do comportamento da variável dependente em função de variáveis transformadas, como a potência, o logaritmo, a exponencial, ou simplesmente a razão entre variáveis exploratórias (ou independentes). Utilizando-se o exemplo da Figura 2.28, é provável que uma função logarítmica seja mais adequada para descrever a relação entre as variáveis X e Y. Os procedimentos estatísticos que objetivam à determinação dos parâmetros de relacionamentos funcionais entre variáveis (como os valores de a e b na função linear da Figura 2.29) e à verificação da adequação do ajuste dos dados a uma determinada função matemática são tradicionalmente conhecidos por análise de regressão (NETER ET AL., 1996). Medidas quantitativas de ajuste como coeficiente de determinação (R 2 ) e testes de significância realizados com estatísticas apropriadas são utilizadas em diversos métodos de verificação de ajuste, bem como para a verificação do atendimento 87

88 a certos pressupostos sob os quais são fundamentadas algumas as técnicas de análise de regressão, como a normalidade da distribuição, pressuposta para avaliações fundamentadas na análise de regressão linear. Uma análise primária da normalidade pode ser realizada de forma qualitativa com a visualização de diagramas de distribuição de freqüências (histogramas), de diagramas Box plots, e da apresentação da probabilidade/quantidade observada em função da esperada para a distribuição normal (diagramas P-P e Q-Q). Em muitos pacotes estatísticos, esses tipos de diagramas de análise exploratória podem ser visualizados juntamente com a expectativa da distribuição normal das observações, para a verificação de tendências e afastamentos da normalidade das distribuições. Testes quantitativos também podem ser utilizados para a confirmação das tendências a níveis críticos para a aceitação. Os testes de homocedasticidade e de normalidade da distribuição são avaliações importantes para a devida caracterização da distribuição dos dados, necessária para a definição do método estatístico a ser utilizado na análise da discriminação entre classes. A necessidade da realização desses testes deve-se ao fato de vários métodos de análise estatística, para fins de simplificação das soluções, fundamentarem-se em pressupostos de que o termo incerto do modelo de regressão linear (o erro, verificado através dos resíduos) é aleatório, independente, e tem distribuição normal com média zero e variância constante (homocedasticidade). Esse é o caso da técnica da análise discriminante (AD), muito divulgada na literatura de análise espectral. O teste de homocedasticidade de Levene consiste em verificar a homogeneidade da variância entre as classes (ou grupos), dentro de cada variável independente (banda). Se o valor da estatística de Levene for significativo é aceita a hipótese nula, que pressupõe que há homocedasticidade entre as classes para a variável (banda) testada. Trata-se de um teste considerado robusto por ser relativamente tolerante à não-normalidade da distribuição (GARSON, 2008). A verificação da normalidade da distribuição pode ser realizada em primeira instância através da verificação dos valores resultantes da razão da assimetria e da curtose pelos seus respectivos desvios (erro padrão). Resultados dessas razões entre -1 e +1, para ambos os parâmetros, indicam boa aproximação com a distribuição normal, mas admitese intervalo mais amplo, entre -2 e +2, em testes menos rigorosos. Outra forma de 88

89 verificação da normalidade é através da aplicação do teste específico de Kolmogorov- Smirnov (K-S) ou o de Shapiro-Wilk (S-W), sendo este segundo o mais recomendado para pequenas e médias amostragens, até 2000 amostras (GARSON, 2008). O teste K-S consiste na verificação do ajustamento dos dados a uma distribuição definida, normal 48 ou não, através de um teste de aderência semelhante ao do Quiquadrado (χ 2 ). Algumas implementações desse teste em pacotes estatísticos vêem acompanhadas da correção de Lilliefors, o que faz com que o teste K-S seja também conhecido por esse nome. Quando aplicado sem a correção de Lilliefors para o teste de uma distribuição normal, o K-S é considerado muito conservador, rejeitando com freqüência a normalidade da distribuição. Na interpretação da estatística K-S, valores pequenos, mais próximos a zero, são mais significativos e indicam uma maior aproximação da normalidade. O teste S-W, por sua vez, consiste em verificar a significância do valor da estatística SW, que pode ser entendido como a correlação entre as observações e os escores da distribuição normal correspondente. Um valor unitário para o SW (SW = 1) indica uma distribuição perfeitamente normal para os dados, enquanto valores significativamente menores indicam o afastamento da normalidade. Em geral, adota-se o nível de significância (ou p-valor) de 0,05 para ambos os testes, sendo considerada normal a distribuição com significância igual ou superior a esse valor. Alguns argumentos estatísticos fundamentam a presunção da normalidade da distribuição em muitas situações reais, mesmo quando verificado algum afastamento desse comportamento na análise dos dados. Isso, segundo Neter et al. (1996), porque existem vários fatores aleatórios, mutuamente independentes, que são comumente omitidos nos modelos estatísticos, cuja componente resultante do erro, invocando-se o teorema do limite central, tende a ser aleatória à medida que aumenta o número de fatores aleatórios omitidos. Para um tratamento estatístico mais canônico, entretanto, em que tais justificativas não sejam convincentes, outros métodos discriminantes podem ser utilizados nos casos em que for constatada a não-normalidade das distribuições e/ou a heterocedasticidade. Uma das possibilidades é a utilização de métodos não paramétricos ou, caso essa opção não seja prática por dificuldades de implementação, a utilização de outros modelos paramétricos, como a regressão logística (RL). 89

90 Considerando a proposta deste trabalho, serão abrangidas nos tópicos a seguir as técnicas principais de análise que serão utilizadas, voltadas à investigação do potencial de discriminação e de possível identificação de espectros de alvos urbanos: a análise de regressão logística para o estudo da separabilidade de classes espectrais semelhantes; e as técnicas de mapeamento espectral, de ângulo (Spectral Angle Mapper SAM) e de feição de absorção (Spectral Feature Ftting SFF) Análise de Regressão Logística Politômica A análise de regressão é uma metodologia estatística que utiliza a relação entre duas ou mais variáveis, de forma que uma delas pode ser estimada a partir da outra, ou das demais. Trata-se de uma metodologia amplamente utilizada em diversas disciplinas do conhecimento, que serve a três propósitos que se sobrepõem: descrição; controle e predição (NETER ET AL., 1996). A regressão logística (RL) é uma técnica de análise de regressão multivariativa utilizada para a classificação de um conjunto de dados quanto a uma variável dependente categórica, aplicável à discriminação entre duas classes, quando é chamada de RL dicotômica (binomial, ou binária), ou entre várias classes dessa variável dependente, quando é conhecida por RL politômica (ou multinomial). Como resume Latorre (2004), o objetivo da análise de regressão logística multivariada é escrever a variável dependente Y como uma função matemática conhecida de uma variável X, ou de várias outras variáveis X 1, X 2,..., X k (Y = f(x i ), i = 1, 2,..., k), sejam elas qualitativas ou quantitativas. Independentemente do número de classes (categorias, ou grupos) em que a variável dependente seja discretizada, a RL sempre estará fundamentada na análise da chance (odds), que relaciona as probabilidades entre duas das classes envolvidas. No caso mais simples, que se refere ao modelo binário (dicotômico), a chance (ou odds) pode ser entendida como a razão da probabilidade π(x) de ocorrência de um evento Y, dado um fator (ou variável) X, pela probabilidade complementar, ou seja, da não ocorrência do evento, [1 π(x)]. Essa relação dicotômica é tipicamente não linear, caracterizada por uma função sigmoidal (forma de S ), à semelhança da distribuição cumulativa de uma variável aleatória (HOSMER E LEMESHOW, 1989): 48 No pacote estatístico do SPSS o teste K-S pode ser aplicado diretamente a n tipos de distribuições pré-definidas, como a lognormal, qui-quadrado, t-student, exponencial e a normal, entre outras. 90

91 π( x) = [1 π( x)] f e ( x), (2.17) onde f(x) é uma função do fator X, com a qual se obtém a função de distribuição de probabilidade π(x) de ocorrência do evento em relação ao fator X. Desenvolvendo a Equação 2.17 obtém-se a probabilidade π(x) em relação a f(x): f ( x) π( x) = e [1 π( x)] finalmente, f ( x) f ( x) [π( x ) + π( x) e ] = e f ( x) π( x ) [1 + e ] = e f ( x), ou f ( x) e π( x) =. (2.18) f ( x) [1 + e ] Se f(x) for definida como uma função linear com p variáveis independentes x e (p + 1) parâmetros ou coeficientes β, obtém-se da Equação 2.19 o modelo multivariativo típico de regressão logística, tradicionalmente utilizado: ( β + β x β x p p e π( x) =. (2.19) ( β0+ β1x β pxp ) [1 + e ] A transformação logarítmica da chance, conhecida como log of odds, ou simplesmente logit denotada por g(x), simplifica a relação, facilitando as operações matemáticas, à medida que elimina o termo exponencial: π( x) f ( x) g( x) = ln g( x) = ln e g( x) = f ( x) (1 π( x)). (2.20) Se a função f(x) é linear com p variáveis independentes, como definida para o modelo logístico multivariado genérico, a transformação logit assume a forma g x p p que apresenta muitas propriedades desejáveis do modelo de regressão linear: é uma função linear nos parâmetros β p ; pode ser contínua; e pode assumir valores entre - e +, dependendo da amplitude de x (HOSMER E LEMESHOW, 1989). No caso politômico, em que haja k classes para a variável dependente, uma das classes deve ser arbitrariamente escolhida como referência para a elaboração do modelo, e em relação a esta é definida a chance (odds) de cada uma das demais classes. Conseqüentemente, serão obtidas (k-1) transformações logits, uma para cada par 91 ) ( x ) = ( β + β x β ), (2.21)

92 92 formado entre a classe de referência e as demais classes. Por exemplo, tomando-se a classe 1 como referência, tem-se: (1) )... ( ) ( π ) ( π ln ) ( g p p x x x x x β β β = =, (2.22) (2) )... ( ) ( π ) ( π ln ) ( g p p x x x x x β β β = =, (2.23)... (k-1) )... ( ) ( π ) ( π ln ) ( g 1) - ( 1-1)1 ( -1)0 ( 1-1) ( p p k k k k k x x x x x β β β = =, (2.24) A probabilidade de cada classe pode, então, ser definida em função dos logits, partindose da premissa de que a soma de todas as probabilidades é unitária: se π 1 (x) + π 2 (x) π k (x) = 1, então, dividindo-se todos os termos pela probabilidade da classe de referência, tem-se ) ( π 1 ) ( π ) ( π... ) ( π ) ( π x x x x x k = + + +, ou ) ( π 1 ) ( π ) ( π... ) ( π ) ( π x x x x x k = + + +, que é a somatória das chances obtidas em função da classe 1; e como todas as chances (odds) dessa somatória podem ser expressas em função de um dos logits, ou seja ) 1 ( 1 2 ) ( π ) ( π x g e x x =, ) 2 ( 1 3 ) ( π ) ( π x g e x x =,... e ) 1) ( ( 1 ) ( π ) ( π x k e g k x x =, substituindo-os na somatória das chances, tem-se ao final ) ( π ) ( 2 1 ) ( ) ( ) ( x e e e x g x g x g k = ou, invertendo-se, (1) ]... [1 1 ) ( π ) ( ) ( ) ( ) 1 ( x g x g x g k e e e x =. (2.25) A partir dessa solução para a classe de referência e as relações dos logits são deduzidas as probabilidades para todas as demais classes: (2) ]... [1 ) ( π ) ( π ) ( π ) ( ) ( ) ( ) ( ) ( 1) ( x g x g x g x g x g k e e e e x e x x = =, (2.26)... (k) ]... [1 ) ( π ) ( π ) ( π ) ( ) ( ) ( ) ( ) ( 1) ( 2 1 1) ( 1) ( 1 x g x g x g x g x g k k k k k e e e e x e x x = =. (2.27) O método comumente utilizado para a estimação dos parâmetros p β dos logits é o da máxima verossimilhança, pelo qual são determinadas estimativas p βˆ que maximizam a

93 probabilidade de obtenção do conjunto de dados observado (HOSMER E LEMESHOW, 1989). O método da máxima verossimilhança fundamenta-se no produto dos valores obtidos com a função densidade de probabilidade para cada observação (amostra ou caso) como medida da consistência do valor do parâmetro estimado, considerando que as observações x i são independentes (pressuposto da RL, assim como para o modelo de regressão linear simples). Se o valor estimado para o parâmetro for consistente, os valores da densidade de probabilidade são altos e, conseqüentemente também será o resultado do produto. Caso contrário, os valores e o resultado do produto serão baixos, indicando um valor inconsistente para o estimado. Sendo o modelo logístico essencialmente binário em sua concepção a função densidade de probabilidade utilizada na RL toma por base a distribuição de Bernoulli (NETER ET AL., 1996). Nesse caso a função de verossimilhança l(β) na RL tem a forma: l = yi 1 yi ( β) {π( xi ) [1 π( xi )] }, (2.28) i= 1 onde x i representa o valor da variável independente e y i representa o valor obtido para a variável dependente dicotômica, ambos na i-ésima observação. Para um par (x i, y i ), se y i = 1, a contribuição para a função de verossimilhança é dada por π(x i ), mas se y i = 0, então a contribuição para a função de verossimilhança é dada por [1 π(x i )]. A fim de obter o resultado maximizado para as estimativas desejadas, essa função deve sofrer uma derivação parcial em relação a cada um dos parâmetros β p de interesse, e ser igualada a zero. Esse trabalho, entretanto, será novamente simplificado matematicamente com a prévia transformação logarítmica da função de verossimilhança, que elimina os expoentes e transforma o produtório em uma somatória: n L( β) = ln[ l(β)] = { y ln[π( x )] + (1 y ) ln[1 π( x )]}. (2.29) i= 1 i i i i No caso binário univariativo, sendo transformada log-verossimilhança reduz-se a: ( β + β x ) 0 1 i e π( xi ) =, e ( β0+ β1xi ) 1+ e [1 π( x i 1 )] = 1+ e ( β 0 + β 1x), a L( β n n ( β0+ β1xi ) 0, β1 ) = [ yi ( 0 + β1xi )] ln[1+ e ] i= 1 i= 1 β. (2.30) 93

94 A então utilização do processo derivativo possibilitará a solução analítica para a determinação dos valores estimados dos parâmetros. Outra alternativa para a determinação das estimativas é a utilização de um método de busca numérica sistemática. Obtidos os parâmetros as estimativas βˆ p dos logits, são então calculadas, para cada amostra (ou caso), πˆ p de probabilidade de ocorrência para cada uma das classes da variável dependente, sendo atribuída à amostra a classe em que obteve maior probabilidade de ocorrência. Com esse resultado pode-se obter uma tabulação cruzada do número de amostras observadas em cada classe em função do número de amostras estimadas na regressão, produto também conhecido como tabela de precisão de classificação. A tabela de precisão de classificação é um produto da RL oferecido em alguns pacotes estatísticos, como o SPSS (SPSS, 2006), e permite avaliar o modelo utilizado, partindo-se do princípio que modelos mais adequados fornecerão uma maior precisão de classificação, ou seja, uma maior correspondência entre o número de amostras observadas e o número de estimadas para cada classe. Tal tabela, entretanto, não fornece diretamente uma medida global do desvio das estimativas em relação às observações, o que deve ser realizado posteriormente na etapa de avaliação dos modelos, em testes de adequação do ajuste (goodness-of-fit). Uma das formas de utilização da RL é, na aplicação convencional, através da inclusão indistinta de todas as variáveis de interesse para a elaboração do modelo logístico. Quando se trabalha com muitas variáveis independentes, como no caso de dados hiperespectrais, esse procedimento pode resultar em um modelo excessivamente complexo, geralmente abrangendo um grande número de variáveis redundantes, ou autocorrelacionadas, o que deve ser evitado com a seleção prévia das variáveis mais adequadas. A redução do número de variáveis pode ser uma condição desejada ou necessária para muitas aplicações. Uma das necessidades está relacionada à preservação da proporcionalidade mínima entre a amostragem e o número de variáveis (fenômeno de Hughes), que deve ser respeitada a fim de se preservar a confiabilidade estatística (SHOWENGUERDT, 1997; CHENG, 2006). A seleção de um subconjunto ideal de variáveis pode ser realizada com a sucessiva comparação de ajustes de modelos elaborados com diferentes subconjuntos de variáveis selecionados pelo próprio analista, confrontando-se os valores de significância obtidos 94

95 com os testes G e de Wald (W) para cada modelo. A estatística de Wald é definida como a razão entre o parâmetro estimado βˆ e o seu erro padrão p ^ SE βˆ p : W ˆ β p =, (2.31) ^ SE ˆ β p onde ^ 2 ˆ (σˆ ˆ ) β SE =. Considerando a hipótese H β 0 de que ˆ β = p 0, a estatística de Wald p p deve resultar em uma distribuição normal padrão, obtendo-se a significância a partir de um teste bicaudal. O teste do qui-quadrado (χ 2 ) também pode aplicado alternativamente, nesse caso utilizando-se a estatística W 2, como aplicado no SPSS. Em qualquer dos testes, a interpretação é a mesma: para um determinado βˆ p, grandes valores de SE βˆ p resultam em pequenos valores de W e, portanto, uma alta significância, indicativo de parâmetros inconsistentes. Seus resultados, entretanto, devem ser encarados com reserva, já que relatos indicam comportamento inconsistente, falhando freqüentemente na rejeição de coeficientes significativos, ou seja, aceitando parâmetros que deveriam ter sido rejeitados (HOSMER E LEMESHOW, 1989). Por esse motivo o teste de Wald é muitas vezes preterido em relação ao teste da razão de verossimilhança com a estatística G (GARSON, 2008). A estatística G é obtida a partir da razão entre o valor de verossimilhança obtido com o modelo sem a variável testada e o valor de verossimilhança obtido com o modelo com a variável testada, através da verificação do parâmetro β p dessa variável, com o da relação: onde verossimilhança sem a variável G = 2 ln, ou (2.32) verossimilhança com a variável G = { L( β ) [ n ln( n ) + n ln( n ) n ln( )]}, (2.33) 2 p, k n n 1 = yi, n 0 = (1 yi) e n = n 1 + n0, para cada classe k da variável dependente. Nesse caso, a significância pode ser obtida com um teste do χ 2 aplicado diretamente sobre o valor G resultante, já que a multiplicação por -2 torna o logaritmo natural da razão da verossimilhança uma aproximação da distribuição χ 2 (GARSON, 2008). Grandes valores da estatística G indicam maiores diferenças entre as verossimilhanças com e sem a variável testada e, assim como na interpretação para o 95

96 teste de Wald, resultarão em menores valores de significância no teste do χ 2, indicando variáveis mais adequadas, que serão admitidas no modelo quando superarem o nível crítico de aceitação. Para a verificação global do modelo logístico utiliza-se o teste da razão entre a verossimilhança do modelo final, completo, que inclui todas as variáveis previamente selecionadas, e a verossimilhança do modelo inicial, que consiste apenas do intercepto (β 0 ). Este é o conceito da estatística Deviance (D), que evoluiu para a verificação também entre variáveis, resultando na estatística G. O equacionamento da estatística D é basicamente o mesmo já apresentado para a estatística G, mudando-se simplesmente o aspecto de que os termos utilizados na razão são as verossimilhanças dos modelos extremos, inicial e final: verossimilhança modelo inicial D = 2ln. (2.34) verossimilhança modelo final A obtenção da estatístiva G é resultante da diferença das Deviances: G = D( do modelo sem a variável) D(do modelo com a variável).(2.35) O teste do Deviance é conceitualmente o mesmo do utilizado com a estatística G, com a mesma interpretação para a hipótese nula de que os modelos testados são iguais. Resultados significativos indicam que a utilização do conjunto de variáveis incluídas no modelo final não traz nenhuma contribuição além do que o próprio intercepto proporciona isoladamente. Por outro lado, resultados não significativos indicam um modelo consistente, ou seja, que há relação entre o conjunto de variáveis independentes e a variável dependente. Em pacotes estatísticos como SPSS, os valores dos parâmetros (ou coeficientes) βˆ p e de seus erros padrão ^ SE βˆ p, os logits, os resultados dos testes da razão de verossimilhança (G e D), o teste de Wald, entre outros, são apresentados como opções de produtos oferecidos para cada conjunto de variáveis, as quais podem ser selecionadas de forma supervisionada diretamente pelo analista, ou por métodos sistematizados. No caso hiperespectral, em que se lida com muitas variáveis, a seleção supervisionada de variáveis pode tornar-se uma tarefa árdua, considerando que nem sempre haverá um conhecimento prévio do relacionamento de cada uma com o fenômeno de interesse. 96

97 Uma alternativa, nesses casos, é a utilização da técnica de seleção passo-a-passo (stepwise), na qual o modelo é construído de forma sistematizada, gradualmente, com a inclusão progressiva (forward stepwise) ou a exclusão regressiva (backward stepwise) de variáveis. O procedimento é iterativo, sendo incluídas ou excluídas variáveis, a cada passo, com base na significância de valores em testes do χ 2 para a estatística G como recomendação padrão, mas também são disponibilizadas outras estatísticas (GARSON, 2008). Hosmer e Lemeshow (1989) alertam que os procedimentos computacionais automatizados de seleção de variáveis são ferramentas de auxílio nos processos de elaboração dos modelos, mas as variáveis selecionadas mecanicamente não devem ser aceitas sem uma criteriosa análise do especialista, que é o responsável, em última instância, pela coerência das variáveis selecionadas. Tratando-se de dados hiperespectrais, onde muitas variáveis podem ser redundantes para a análise de uma determinada biblioteca de espectros, a utilização de critérios estatísticos para a seleção de um conjunto ideal de bandas discriminantes, tomando-se os devidos cuidados, é um grande auxílio na redução do volume de dados. Na inclusão progressiva, em geral, as variáveis vão sendo escolhidas continuamente enquanto o valor de significância obtido com o χ 2 da estatística G permanecer abaixo do nível crítico de inclusão, estabelecido pelo analista como critério desejado de significância. Da mesma forma, as variáveis são excluídas se o valor da estatística G resultar em um valor de χ 2 superior ao nível crítico de exclusão, também determinado pelo analista. Na prática é verificada a significância da contribuição de cada variável sob consideração para o modelo logístico, acrescida uma a uma, em ordem decrescente do valor da razão da verossimilhança obtido previamente com um teste entre o modelo com a variável testada e o modelo reduzido, apenas com o intercepto (β 0 ). A técnica passo-a-passo permite, portanto, a escolha de um conjunto suficiente de variáveis (bandas) que maximize a identificação das classes espectrais (grupos) Mapeador de Ângulo Espectral SAM Assim como ocorre para as técnicas de análise espectral em geral, o conceito do Spectral Angle Mapper (SAM) pode ser entendido tanto para um conjunto de espectros quanto para imagens. Originalmente, entretanto, o SAM surgiu para a identificação 97

98 espectral em imagens, implementado inicialmente no sistema SIPS 49 (KRUSE ET AL., 1993), ao contrário de outras técnicas de análise espectral que migraram da espectroscopia de laboratório para a implementação em imagens. O SAM é uma técnica de processamento que visa identificar um ou mais espectros em um conjunto de dados n-dimensional, com base na separação angular entre os vetores que representam esses espectros no espaço de atributos e o vetor que representa um ou mais espectros de referência (endmember). O vetor que representa cada espectro é o segmento que une a origem do espaço n-dimensional à sua respectiva posição nesse espaço. Cada eixo de vetor representa todas as possibilidades espectrais de um material específico, que pode variar em comprimento, dependendo do brilho. Nesse caso, dois espectros do mesmo material, submetidos a diferentes condições de iluminação estariam posicionados no mesmo eixo, sendo que o mais bem iluminado estaria mais afastado da origem em relação ao outro. Vetores em eixos diferentes representam materiais diferentes, sendo a separação angular entre eles um indicativo da dissimilaridade espectral. Ou seja, quanto mais próximos os eixos, mais similares seriam os espectros. A visualização desse conceito é simplificada com a observação da Figura 2.30, considerando o caso simplificado de um único espectro a ser identificado (teste) e um único espectro de referência (referência), em um espaço com apenas duas bandas (bidimensional). A separação angular é indicada pelo ângulo α (Figura 2.30a). Quanto maior o α, menor a similaridade entre os espectros. Como exemplo, tomando-se a Figura 2.30b, pode-se afirmar que o espetro teste 1 é mais similar ao espectro de referência do que o espectro teste 2, cuja distância angular α 2 é maior. O algoritmo do SAM calcula os valores de similaridade com base na distância angular α, obtida com o produto escalar dos vetores comparados: o vetor de teste e o vetor de referência (KRUSE ET AL., 1993). Sendo T o vetor de teste e R o de referência, o produto escalar é definido como: Τ R = T R cosα, onde α é o ângulo entre os dois vetores em questão, T é o módulo do vetor T, e R é o módulo do vetor R, no sistema de coordenadas definido pelo espaço de atributos n- dimensional. 49 Spectral Image Processing System (SIPS). 98

99 99 Fig Distância angular entre um espectro de referência e espectros de teste em um espaço de atributos bidimensional. O ângulo α entre o espectro de referência e o espectro de teste (a) define a semelhança espectral no conceito SAM. O ângulo máximo α máx que separa os espectros de teste de um ou mais espectros de referência é estabelecido como critério para inclusão ou exclusão de classe (b). FONTE: Adaptada de Kruse et al. (1993). Como = = = n i T n T i T T T Τ , = = = n i R n R i R R R R , e por definição, ( ) = = = n i i i n n R T R T R T R T R Τ, então, ( ) α cos = = = = n i i n i i n i i i R T R T, ou ( ) = = = = n i i n i i n i i i R T R T cosα. Assim, ( ) = = = = n i i n i i n i i i R T R T arccos α, (2.36) onde n é a dimensão do espaço de atributos definida pelo número de canais (ou bandas) que foram disponibilizados para a análise. Atualmente, na forma como está implementado em sistemas computacionais de análise hiperespectral, como, por exemplo, no sistema ENVI TM50 (RESEARCH SYSTEMS, 2000), múltiplos espectros de referência podem ser utilizados para a identificação em uma imagem. Esses podem ser obtidos de dados externos (de um arquivo ASCII, ou de 50 Environment for Visualizing Images (ENVI).

100 bibliotecas espectrais de campo ou laboratório), ou extraídos da própria imagem que se deseja classificar, não necessitando que essas referências tenham a mesma dimensão espectral da imagem. A imagem SAM resultante apresentará tantas bandas quantos forem os espectros de referência introduzidos, cada qual indicando, com seus tons de cinza, o nível de similaridade com um espectro de referência. O valor de cada nível digital da imagem SAM corresponde ao valor do ângulo α entre o espectro de referência e o espectro de teste (endmember). Quanto maior o valor digital do pixel, maior é o ângulo. Assim, quanto maior o brilho do pixel na imagem SAM, menor é a similaridade do espectro do pixel com o espectro utilizado como referência. Dependendo da implementação no sistema, é possível, ainda, estabelecer uma distância angular de tolerância, como regra de decisão, a fim de refinar a visualização da identificação espectral. Nesse caso pode ser definido um limite superior e um limite inferior que representem a separação angular máxima e mínima, em radianos, que se deseja aceitar em relação ao espectro de referência. Os espectros cujos vetores estiverem fora do intervalo angular estabelecido não serão classificados, aparecendo em preto na imagem SAM classificada. É o caso exemplificado para o espectro teste 2 na Figura 2.30b. Enquanto o espectro teste 1 é aceito como similar ao espectro de referência, o teste 2 é rejeitado por estar a uma distância angular superior ao limite estabelecido pelo ângulo de limite máximo, o α máx. A técnica SAM pode ser utilizada para todo o espaço n-dimensional disponível, ou um subespaço deste, em uma região espectral mais restrita, aplicando-a a umas poucas bandas de maior interesse do espaço n-dimensional. Para tanto, basta selecionar apenas os canais (ou bandas) de interesse. Mas tanto em um quanto em outro caso, o usuário deve ter em mente que o SAM possibilita uma comparação genérica de cada pixel com um ou mais espectros de referência, não discriminando os alvos pela magnitude de seus valores. Isto é, alvos escuros e claros de um mesmo tipo de material não serão discriminados entre si, pois o SAM só é capaz de diferenciar posições espectrais diferentes e não a intensidade dos espectros, o albedo. Tratando matematicamente, significa que combinações lineares de um espectro que não alterem o ângulo do vetor, ou seja, que tenham os mesmos coeficientes, quaisquer que sejam, apresentarão o mesmo valor angular. Assim, o espectro representado pelo vetor E = (B 1, B 2,..., B n ), onde B i representa o valor digital no canal (ou banda) i, com 100

101 1 i n, terá o mesmo valor SAM que o espectros F = (a.b 1, a.b 2,..., a.b n ), ou que o espectro G = (b.b 1, b.b 2,..., b.b n ), sendo a e b constantes de valores diferentes, quando comparado com um espectro de referência qualquer Mapeador de Feição Espectral SFF O mapeador de feição espectral (Spectral Feature Fitting SFF) (CLARK ET AL., 1991) é um processamento que envolve duas técnicas seqüenciadas de análise: a remoção do contínuo; e a determinação do resíduo de espectros de teste, que podem ser os espectros de cada pixel da imagem, em relação a um espectro de referência indicado pelo usuário. A remoção do contínuo é uma técnica utilizada para a quantificação da profundidade de feições espectrais de absorção, obtida da razão entre o espectro sob investigação e uma função traçada com a união dos valores espectrais máximos, em um intervalo espectral de interesse, visando à obtenção de um espectro normalizado. Os valores de início e de fim do intervalo espectral determinado definem também os limites da função de ajuste e, portanto, terão obrigatoriamente valor unitário no espectro normalizado, conforme ilustrado na Figura 2.31 para a região espectral ampla do espectro refletido. Genericamente, quanto menor o valor verificado na função normalizada do contínuo removido, maior é a profundidade da feição de absorção, a qual é freqüentemente relacionada à abundância de determinada substância (ou material) responsável por tal absorção. No SFF o valor do contínuo removido de cada espectro testado (pixels da imagem) é comparado ao valor do contínuo removido do espectro de referência, em cada canal (ou banda) do intervalo espectral selecionado, através da determinação da raiz média quadrática (rms), utilizada como um indicador do desvio, ou resíduo, entre o espectro testado e o espectro de referência (RESEARCH SYSTEMS, 2000). Para cada espectro de referência, o SFF gera um par de imagens: uma imagem amplitude (scale), que indica o valor da profundidade do contínuo removido; e uma imagem rms, que indica o desvio entre o contínuo do pixel avaliado e o contínuo do espectro de referência. Os valores de amplitude do SFF estão diretamente associados à profundidade de banda do contínuo. Assim, tratando-se de uma imagem-amplitude, os pixels de maior brilho indicam áreas em que ocorre maior absorção. 101

102 Fig Com a razão entre os valores originais do espectro e uma função contínua ajustada ao espectro, a função do contínuo apresentada em (a), obtém-se o espectro normalizado conhecido como função do contínuo removido (b). FONTE: adaptada de Van der Meer et al. (2003). Como se trata de um resultado normalizado, valores de amplitude maiores do que 1 indicam problemas numéricos, os quais podem estar relacionados à utilização de espectros de referência inadequados ou à especificação de uma região espectral inadequada para a análise (RESEARCH SYSTEMS, 2000). O valor rms, por sua vez, está inversamente relacionado à semelhança entre o contínuo do espectro de referência e o contínuo de cada espectro testado. Maiores valores na imagem rms, relacionados a pixels mais brilhantes, indicam, portanto, espectros menos semelhantes ao espectro de referência. Não há um limite superior estabelecido para o valor rms, porém, como se trata de uma soma quadrática deve ser obrigatoriamente positivo. Por tratar-se de uma medida do desvio, o valor rms deve ser analisado conjuntamente com os resultados da amplitude, o que pode ser realizado através do valor ajustado (razão amplitude/rms) ou por um diagrama de espalhamento bidimensional, 102

103 confrontando-se a imagem amplitude com a imagem rms. Valores rms baixos, que indicam menores desvios, quando combinados com valores de amplitude altos, próximos a 1, que indicam maior profundidade de banda, são indicativos de boa compatibilidade com a referência. Assim como estabelecido para o SAM, o algoritmo do SFF implementado no ENVI TM pode ser utilizado em todo o espaço n-dimensional da imagem original ou em parte deste, um subespaço definido pelo analista, e também com a possibilidade de utilização de espectros de referência de origem externa, ou obtidos da própria imagem analisada. Vários espectros de referência podem ser inseridos em cada processamento havendo, ainda, a possibilidade de selecionar subespaços espectrais individualizados para a identificação de cada uma das referências (RESEARCH SYSTEMS, 2000). Deve-se observar, entretanto, que se trata de um procedimento de análise de um tipo espectral individualizado, em virtude de sua especificidade e dependência dos intervalos espectrais estabelecidos para o procedimento Transformações de Escala e a Filtragem de Textura Transformações de escala (scaling) são procedimentos realizados para o estudo, a comparação ou a integração de dados com diferentes resoluções ou escalas. Em virtude da importância da resolução espacial no sensoriamento remoto quantitativo, procedimentos de transformações da escala (scaling) são comumente adotados para o estudo da influência da generalização (up scaling) e de especialização (down scaling) do dado. A generalização, também conhecida por agregação, pode ser entendida como a degradação em um dado de pior resolução, enquanto a especialização, ou desagregação, é a conversão em um dado de melhor resolução (LIANG, 2004). Podem ser citadas como técnicas de especialização de escala a fusão multirresolução e a modelagem geoestatística para a espacialização de dados climatológicos de circulação geral (General Circulation Models GCMs). A generalização, por sua vez, é particularmente importante para a validação de produtos de sensoriamento remoto, uma vez que a utilização de dados obtidos pontualmente em medições de campo é um dos melhores recursos para a verificação de produtos obtidos com imagens. Na generalização, é comumente realizada a reamostragem espacial da grade da imagem ou do dado para uma grade mais abrangente (ou grosseira). Um exemplo é o procedimento da filtragem da maioridade, cujo produto é resultado do agrupamento de N x x N y pixels 103

104 da grade da imagem original para a formação de um único pixel da imagem transformada, o qual recebe o valor digital de maior freqüência dos N x x N y pixels originais, como ilustrado na Figura Fig Generalização de escala com filtragem da maioridade sobre imagem categórica. A categoria de maior freqüência delimitada na imagem original (a) é atribuída ao pixel espacialmente degradado da imagem transformada com o filtro de maioridade de 3 x 3 (b). A filtragem da maioridade é geralmente utilizada com dados categóricos como imagens classificadas, mas a técnica também é aplicável com dados numéricos contínuos, não categóricos, atribuindo ao pixel da imagem transformada o valor resultante de operações matemáticas realizadas com os valores dos pixels originais, como a média simples, a média ponderada, a variância, entre diversas outras operações. Deve-se observar, entretanto, que o conceito de transformação de escala do dado não implica necessariamente na modificação do tamanho da grade de uma imagem, com alteração no número de pixels entre o dado original e o transformado, mas sim na transformação da informação do dado original para uma informação mais específica ou mais genérica. Entende-se que o conceito é aplicado ao conteúdo, o valor numérico do dado, e não interfere necessariamente na forma como este é apresentado. Dessa forma, também pode ser incluída como técnica de especialização a decomposição da Mistura Espectral Linear (MEL), que é uma especialização no domínio espectral, com a qual se pretende obter informação a nível subpixel (LIANG, 2004), e como técnica de generalização, a filtragem de textura, que preserva a mesma grade da imagem original, ou seja, mantém-se o número de pixels. 104

105 A filtragem de textura também é obtida com operações matemáticas como as citadas, sendo essas, por sua vez, realizadas com um filtro de convolução. Na convolução, o valor digital g ij do pixel localizado no endereço (i, j) da imagem transformada resulta da somatória da ponderação matemática realizada com os valores dos pixels w da imagem original, na abrangência de uma janela móvel de operação (a janela de convolução ou kernel) com N x x N y pixels de dimensão, que é deslocada pixel-a-pixel sobre a imagem original: i+ ( N / 2) j+ ( N x y / 2) g = f w, (2.37) ij mn m= i ( Nx / 2) n= j ( N y / 2) m i, n j onde f é o fator de ponderação atribuído a cada elemento da janela de operação, e N x /2 e N y /2 são valores inteiros truncados (SCHOWENGERDT, 1997). Quando o fator assume um único valor f = /( N x N ) para todos os elementos da 1 y janela de convolução, obtém-se a filtragem de textura pela média. Por exemplo, para a filtragem de textura pela média obtida com uma janela de convolução de 3 x 3 pixels o fator f de ponderação seria 1/9 para todos os 9 elementos da janela de convolução. Nesse caso, conforme ilustrado na Figura 2.33, cada elemento da imagem original incluído na janela de convolução deverá ser multiplicado por 1/9 e somado aos outros oito produtos para a obtenção do valor de um pixel da imagem textura. Uma característica da transformação com filtragem de textura é que, pelo fato da operação preservar o mesmo número de linhas e colunas da imagem original, há possibilidade de associação direta do endereço espacial dos pixels da imagem transformada com os da imagem original, facilitando a identificação de amostras de uma para a outra. Frohn e Hao (2005), em estudo para a avaliação de métricas da paisagem, compararam as técnicas de filtragem da maioridade e de textura para a simulação da generalização de escala de imagens TM / Landsat da região de Ariquemes RO. Eles concluíram que a filtragem de textura preserva o padrão geral da paisagem original, ao mesmo tempo que resulta em imagens com aparência mais natural quando comparada à técnica da filtragem de maioridade, a qual, segundo Saura (2004), tende a resultar em paisagens mais fragmentadas do que o sensor de fato produziria à mesma resolução. 105

106 Fig Generalização de escala com filtragem de textura pela média. A média dos valores observados na janela de convolução, em negrito sobre a matriz da imagem original (a), é o valor atribuído ao pixel que corresponde ao endereço do elemento central da janela de convolução (linha 5 e coluna 11) da imagem textura pela média (b), que preserva o número original de pixels. Uma questão elementar nas aplicações de transformação de escala com imagens é saber se esta deve ser realizada antes ou após a obtenção das variáveis bio/geofísicas de interesse. Ou seja, se os NDs de uma imagem deveriam ser previamente transformados em escala, para então serem derivadas as variáveis de interesse, ou se essas variáveis deveriam ser primeiro derivadas do dado original e, então agregadas, para a transformação em escala. Nesse aspecto, Liang (2004) esclarece que não há diferença quanto à ordem se a transformação dos dados de sensoriamento remoto para a obtenção dessas variáveis bio/geofísicas for linear, ou seja, se a igualdade f ( x) = f ( x) é verdadeira, mas alerta que essa igualdade não é satisfeita na maioria dos casos. Para dados de reflectância bidirecional (FDRB função de distribuição de reflectância bidirecional) obtidos com simulações de transferência radiativa atmosférica sobre uma imagem TM / Landsat de 30 m de GIFOV, Liang (2004) observou que a generalização para resoluções mais pobres (de 200, 500 e 1000 m de GIFOV) tem comportamento essencialmente linear. O mesmo resultado foi observado por Liang (2004) para o albedo, obtido com a integração de bandas espectrais com os dados de FDRB, o qual, inclusive, não foi significativamente influenciado pelas condições atmosféricas. Em outras palavras, segundo Liang (2004), o resultado para a variável de interesse, o albedo, é basicamente o mesmo se a degradação espacial for feita sobre os dados FDRB e então obtido o albedo, ou se primeiro for obtido o albedo e então degradada a imagem. 106

107 Tais conclusões são importantes no sentido de que assinala positivamente para os procedimentos de validação da FDRB derivada de imagens de sensores remotos, realizados a partir da generalização de coletas espectrais de campo ou de imagens de melhor resolução, como ocorre nos procedimentos de validação da calibração radiométrica de sensores imageadores. 107

108 108

109 3 METODOLOGIA DE TRABALHO O trabalho iniciou-se com a definição da área de estudo, selecionada para atender às necessidades da investigação proposta nos objetivos do trabalho, mas também considerando as facilidades logísticas para a aquisição de dados de campo e de apoio ao imageamento. Em seguida foram verificados os aspectos do funcionamento do sensor HSS, do ruído inerente do dado e da calibração, espacial, espectral e radiométrica, nessa ordem, em avaliações de laboratório. Constatada a adequação do sensor, foi programada a campanha de aquisição de imagens, considerando-se prioritariamente o período de menor ocorrência de nebulosidade na região definida para o estudo (maio a junho). No período de espera foi iniciada a coleta espectral, que abrangeu medições de laboratório e de campo, e perdurou além da aquisição da imagem HSS, sendo realizadas medições de campo sempre que as condições meteorológicas eram favoráveis. Em períodos inadequados para as medições de campo, foram realizadas medições de laboratório, a fim de verificar o comportamento espectral de materiais específicos, utilizados posteriormente na comparação com espectros da imagem HSS. Medições espectrais de campo também foram realizadas durante o vôo de imageamento para fins de validação da calibração radiométrica das imagens e da correção atmosférica. Após o vôo de imageamento, os dados brutos do HSS foram processados para a obtenção das imagens radiância, utilizadas na avaliação do posicionamento espectral de bandas do sensor, realizada com base em dados de campo obtidos para controle. Verificada a adequação do ajuste espectral, foi realizada a correção atmosférica sobre a imagem radiância, com a qual se obteve a imagem reflectância de superfície. Sucederam-se, então, a definição de classes e a seleção de amostras espectrais na imagem, extraindo-se os espectros de pixels de classes de materiais de maior relevância na área de estudo, considerando a abundância, a similaridade espectral entre materiais e/ou sua peculiaridade espectral. Com o conjunto total de espectros obtidos em campo, em laboratório e extraídos da imagem, constituiu-se uma biblioteca ampla, utilizada nas análises qualitativas e quantitativas que se seguiram, visando à descrição das características e à possibilidade de discriminação ou identificação dos tipos espectrais arrolados. A primeira etapa dessa avaliação espectral envolveu a análise exploratória dos espectros de resolução fina 109

110 obtidos em campo e em laboratório, e consistiu da caracterização dos tipos espectrais, bem como da análise da importância de regiões espectrais para a discriminação entre os alvos urbanos arrolados na biblioteca, utilizando-se, complementarmente, espectros reamostrados para a simulação de alguns sensores de bandas amplas. Esse estudo continuou com a análise quantitativa sobre a influência da resolução e do posicionamento das bandas dos sensores para a discriminação entre alvos de materiais similares, usando a classificação obtida com a regressão logística politômica das amostras espectrais da imagem HSS, e de espectros simulados para os sensores de bandas amplas. Abordagem similar foi utilizada para a avaliação da influência da resolução espacial sobre a discriminação dos alvos urbanos, realizada com a comparação de resultados da classificação logística de amostras da imagem HSS, originalmente com 3 m de resolução, e a imagem degradada para 9 m de resolução com uma filtragem de textura. Utilizando-se a filtragem de textura pôde-se amostrar na imagem degradada os mesmos pixels identificados na imagem de melhor resolução, permitindo obter o mesmo universo amostral para cada classe utilizada na comparação. Por fim, foi avaliada a potencialidade para a identificação espectral de alguns alvos mais característicos, com a utilização das técnicas de mapeamento espectral SAM (Spectral angle Mapper) e SFF (Spectral Feature Fitting). A cronologia de realização do trabalho é resumida através do diagrama da Figura 3.1, cujas etapas, discriminadas numericamente, são detalhadas nos tópicos a seguir. 3.1 Área de Estudo A área de estudo abrange em sua maior porção uma faixa da região urbana da cidade de São José dos Campos SP, ao sul do eixo da Rodovia Presidente Dutra, mas inicia-se a Oeste, em Jacareí, o município vizinho, sobre o Condomínio Mirante do Vale. Com 21 km de extensão e 1,6 km de largura, a faixa que corresponde à imagem HSS utilizada no estudo prolonga-se na direção Leste, no azimute Norte 046º, convergindo com a Rodovia Dutra a Leste do município. Nessa trajetória, destacada pela faixa colorida na Figura 3.2, foram abrangidos parcialmente os bairros Jardim Vale do Sol, Jardim Morumbi, Jardim Oriente, Jardim Satélite, Vila São Bento, CTA/INPE, Jardim da Granja, Jardim Uirá, Vista Verde, Jardim São Vicente, Jardim Santa Inês e suas adjacências. 110

111 Fig. 3.1 Fluxograma de trabalho. A escolha da área de estudo foi condicionada por dois critérios determinantes: 1) a proposta de investigar uma área urbana com uma boa diversidade de alvos urbanos, incluindo tipos variados de edificações quanto à área construída, materiais utilizados e uso; e 2) a proximidade de instituições com meios e recursos para a realização do trabalho, principalmente quanto à disponibilidade de equipamentos (como o espectrorradiômetro de campo), o apoio de serviços (como a disponibilização de plataforma com braço articulado para medições elevadas e o apoio de sondagem atmosférica), e insumos (como o suprimento de N 2 líq 51 para abastecimento dos reservatórios do sensor HSS). Outros aspectos considerados foram a disponibilidade de estrutura de apoio para o conjunto aeronave-sensor no período de imageamento e o custo de deslocamento de pessoal e meios para a realização de trabalhos de campo por um período prolongado. Esses aspectos foram decisivos na determinação da localidade de São José dos Campos, sede das instituições envolvidas no trabalho (IEAv e INPE), como área de estudo. 51 Nitrogênio líqüido (N 2 líq), necessário para o resfriamento de alguns grupos de canais do sensor HSS. 111

112 Fig. 3.2 Faixa de vôo em São José dos Campos SP, utilizada como área de estudo. A faixa de vôo utilizada abrange um trecho urbano bastante heterogêneo, onde há ocorrência de bairros novos (p.ex., Jd. Morumbi, Jd. Uirá e Jd. Sta. Inês), em processo de ocupação e com predomínio de edificações recentes, tanto residenciais quanto comerciais e industriais, e de bairros mais antigos (p.ex., Jd. Satélite, Vista verde e Jd. da Granja) e também mais edificados. Em geral há predomínio de unidades habitacionais individuais, quanto ao número, mas em decorrência das reduzidas dimensões dos lotes e da completa ocupação de cada terreno, as edificações encontramse praticamente geminadas, em grande parte, sem a presença de áreas verdes para a separação entre vizinhos. As ilhas verdes ocorrem, em geral, em espaços planejados para a divisão de setores dentro de um bairro e entre bairros, ou em outras áreas coletivas como escolas e praças. Quanto aos materiais utilizados na área, observa-se, em geral, predomínio de coberturas em telha cerâmica, que prevalece nas edificações de menores dimensões residências em geral. Nas edificações residenciais mais recentes, também se observa a utilização de telhas de concreto, material que tem sido disponibilizado em diversas pigmentações, 112

113 mas que praticamente só foi encontrado na região em tons de cinza (do branco gelo ao cinza chumbo), bege e vermelho-cerâmica. Alguns exemplos dos materiais mais encontrados em coberturas residenciais são apresentados na Figura 3.3. Fig. 3.3 Tipos de materiais tipicamente observados em edificações residenciais: cerâmica de argila clara mesclada (a); cerâmica de argila vermelha (b); e telha de concreto pigmentado cinza escuro (c). Edificações de maior porte, que abrigam instalações comerciais ou industriais, registram predominantemente a utilização de telhas de fibrocimento elaboradas em geral com fibras de amianto, ou de telhas metálicas algumas pintadas em diferentes cores. Na região, as telhas metálicas não pintadas são predominantemente de aço galvanizado, mas também foram identificadas edificações com telhas de alumínio, presentes principalmente em instalações mais antigas (Figura 3.4). Fig. 3.4 Tipos de materiais tipicamente observados em edificações comerciais e industriais: fibrocimento (a); aço galvanizado (b); e alumínio (c). Nos telhados de maiores proporções é comum a presença de telhas translúcidas, principalmente confeccionadas em fibra de vidro ou em polietileno, utilizadas espaçadamente em alternância às telhas opacas, para permitir a iluminação natural. Para essa finalidade também foi observado o uso do policarbonato, porém mais relacionado a efeitos decorativos de iluminação, geralmente em peças coloridas de clarabóias. Além de estar presente como matriz na estrutura de telhas de fibrocimento, o cimento, base de diversos materiais urbanos, também é utilizado em pré-moldados para telhados, sejam de pequeno porte, em formato similar ao das telhas cerâmicas (como apresentado 113

114 na Figura 3.3c), ou em estruturas maiores, do tipo canalete, cujas junções são protegidas com mantas de vedação. Também é muito comum o uso de derivados de cimento em calçamentos em geral, de pátios, passeios públicos, ou na pavimentação de ruas, utilizados complementarmente ao asfalto, tanto em placas concretadas, como observado no piso de pontes/viadutos, quanto em bloquetes, assentados como paralelepípedos, como ilustrado na Figura 3.5. Muitos calçamentos de estacionamentos comerciais de veículos, pátios ou quadras esportivas encontravam-se pintados em colorações variadas. Fig. 3.5 Materiais à base de cimento utilizados em calçamentos em geral: tipos de bloquetes, em (a) e (b); e placa concretada, em (c). Outros materiais, menos freqüentes, mas também utilizados em coberturas da área de estudo são a fibra asfáltica (mais conhecidas na variedade shingle) e o polietileno. A fibra asfáltica, material de pouca ocorrência na região, foi identificada apenas em edificações de médio a pequeno porte, em poucos estabelecimentos comerciais e residências de padrão econômico mais elevado. O polietileno tem sido empregado em caixas d água, amplamente difundidas em substituição às de fibrocimento, que podem ser facilmente observadas sobre os telhados de edificações mais populares, sejam comerciais ou residenciais. Material similar, disponibilizado em telas coloridas semitransparentes, tem sido utilizado em escala crescente em sombreiros para a proteção de veículos em áreas de estacionamentos (Figura 3.6). Fig. 3.6 A fibra asfáltica (a) foi pouco observada na região, mas produtos em polietileno foram bastante freqüentes, utilizados em tecidos de sombreiros de estacionamentos (b) e principalmente em caixas d água (c). 114

115 Aplicação semelhante é destinada ao PVC 52, geralmente utilizado em coberturas de menores proporções como toldos para a proteção de janelas, pátios e acessos a edificações, e para a proteção de veículos, em garagens provisórias. No entanto, conforme ilustrado na Figura 3.7, verificou-se a presença desse material também no revestimento de grandes galpões e na cobertura de tendas de eventos do tipo itinerantes, como instalações circenses. Fig. 3.7 Toldos em PVC colorido são utilizados mais freqüentemente em pequenas coberturas, como em (a) e (b), mas também foram encontrados em estruturas de maior porte, como galpões de uso provisório (c). Por fim, pequenas porções de materiais mais específicos, como refugos industriais e materiais recicláveis, foram observadas em pontos isolados. Exemplos desses são os fardos de embalagens acartonadas 53, garrafas PET 54 e plásticos mistos, encontrados em área de triagem de coleta seletiva do município, apresentados na Figura 3.8, juntamente com outros materiais de menor ocorrência na área do estudo. 3.2 Caracterização do Sensor HSS A etapa seguinte à seleção da área de estudo foi a verificação do funcionamento e da calibração do sensor HSS. Essa etapa consistiu de quatro tarefas que se seguiram ao estudo teórico do sensor e ao processo de calibração estabelecido pelo fabricante: a verificação do ruído inerente ao dado; a verificação da calibração espacial; a verificação da calibração espectral; e a verificação da calibração radiométrica. Essas etapas são mais bem discriminadas nos tópicos a seguir. 52 PVC, abreviação do termo inglês PolyVinyl Chloride (Cloreto de Polivinila), é um composto vinílico que possibilita a elaboração de diversos materiais de propriedades termoplásticas, aplicáveis na confecção de produtos como tubos hidráulicos, peças e revestimentos para isolamento termoelétrico. 53 Acartonados são materiais confeccionados com camadas de papel revestido em folheados de alumínio e plástico, comercialmente conhecidos pelo nome do fabricante, Tetra pak. 54 PET, abreviação do termo inglês PolyEthylene Terephthalate (PoliTereftalato de Etila), é um tipo de poliéster de propriedades termoplásticas muito utilizado para embalagem de líquidos em substituição ao vidro, cuja constituição permite um fácil reprocessamento. 115

116 Fig. 3.8 Exemplos de materiais específicos, menos freqüentes na área de estudo: telhados metálicos com pinturas coloridas (a); telhas translúcidas de fibra de vidro (b); coberturas em policarbonato colorido semitransparente (c); fardos de recicláveis, acartonados (d) e embalagens PET (e); e pavimentos com pinturas coloridas (f) Verificação do Ruído Inerente do Dado A verificação do ruído do HSS consistiu em avaliar a variabilidade dos níveis digitais e a ausência de comportamento sistemático nas imagens de cada canal do sensor. Complementarmente, também foi investigada a autocorrelação entre os canais. Os dois primeiros aspectos afetam diretamente a qualidade radiométrica e, conseqüentemente, os dados espectrais obtidos. Já a autocorrelação entre canais, torna-os redundantes quanto à informação espectral fornecida. O ruído de um canal específico de um sensor, sendo aleatório por natureza, não deve apresentar flutuações regularmente distribuídas ao longo do imageamento (flutuações em freqüência, no domínio do tempo), o que significaria a ocorrência de uma possível interferência sobre o sinal, e nem estar correlacionado com o ruído de outros canais, o que denotaria a influência entre canais (crosstalk). Para as avaliações do ruído do HSS foi inicialmente utilizado um conjunto de imagens obtidas com o sensor funcionando em bancada de testes, com o IFOV de 2,5 mrad, em uma câmara escura, durante procedimentos de laboratório realizados em 2004 e O ruído do dado, estimado através do desvio padrão dos níveis digitais de 1000 linhas da imagem escura, foi comparado, em cada velocidade de varredura, com o ruído obtido nos corpos negros registrados nos dados. Nesse procedimento verificou-se não haver diferenças significativas entre a imagem escura e o sinal dos corpos negros, constandose a adequabilidade em utilizá-lo nas avaliações do ruído do sensor. 116

117 A importância de tal constatação advém do fato de o nível de ruído estar associado às condições em que o sensor opera, o ambiente, como a temperatura, que varia em condições reais de imageamento aerotransportado. Obtendo-se o ruído dos dados dos corpos negros é possível, então, avaliá-lo para cada imagem, nas suas condições de aquisição, não se fixando a parâmetros estimados em condições de laboratório. Basta, para tanto, utilizar o sinal dos corpos negros que acompanha a imagem bruta. Para a avaliação de interferência sistemática no sinal foi utilizada uma transformação FFT (Fast Fourier Transform) da imagem escura, realizando-se a análise dos dados no domínio da freqüência. A mesma imagem escura serviu para a avaliação da influência entre canais, através da análise da matriz de correlação de dados de canais vizinhos. Um segundo conjunto de imagens foi obtido para a avaliação da relação sinal-ruído, adotando-se o procedimento de coleta estabelecido para a calibração radiométrica do sensor. Nesse procedimento foram adquiridas imagens de uma placa branca de referência (tipo Spectralon ), quando iluminada por lâmpadas de corrente estabilizada, conforme a montagem experimental apresentada na Figura 3.9: a abertura do topo da bancada visualizada em (a) é o ponto sobre o qual o sensor é posicionado, permitindo a visada vertical da placa branca (b) na aquisição das imagens. Fig. 3.9 Montagem experimental para avaliações do sensor HSS em laboratório. A abertura no topo da bancada (a), sobre a qual o sensor HSS é posicionado na aquisição das imagens em laboratório (b), permite a visada direta da placa de referência. A relação ruído/sinal foi determinada por meio da Equação 2.12, então, para cada freqüência de varredura, com a razão do desvio padrão dos valores digitais dos corpos 117

118 negros (σ CN ), indicativo do ruído, pelo valor médio, tomando-se 1000 linhas da coluna de valores digitais máximos ( ND máx ), no caso, referentes à coluna central da imagem da placa branca (pixel n o 361 da linha). Dessa forma foi possível verificar o desempenho de cada canal em relação à freqüência de varredura do sensor. Por fim, a imagem da placa de referência obtida na freqüência de varredura de 25 Hz foi utilizada para a determinação da radiância equivalente ao ruído (NER Noise Equivalent Radiance), utilizando-se a Equação 2.13, parâmetro com o qual pôde ser avaliada a estabilidade radiométrica do dado. Esse procedimento foi realizado para três conjuntos de dados de laboratório obtidos entre 2004 e 2005, realizados antes da campanha de vôo para este trabalho, e também para a imagem obtida no vôo sobre São José dos Campos, em 30 de maio de Obteve-se, dessa forma, uma avaliação cronológica da qualidade dos dados de bancada do sensor HSS no período, e também a verificação da influência do ambiente sobre a qualidade radiométrica das suas imagens Verificação da Calibração Espacial Na ocasião da avaliação do sensor HSS em laboratório, além da avaliação do ruído, também foi realizado o teste da calibração espacial sugerido pelo fabricante. Este consiste em projetar um alvo composto por um padrão de barras vazadas sobre o campo de visada do sensor e verificar o contraste, com base na razão simples do sinal médio entre as linhas escuras e as linhas claras da imagem registrada pelo sensor. Para o teste com o HSS neste trabalho, o contraste C foi calculado para os 37 canais da imagem gerada em laboratório em setembro de 2005, com 25 Hz de freqüência de varredura, segundo a Equação 2.16, utilizando-se como NDc o valor médio de 1000 linhas da coluna com valor de pico, referente à faixa clara da imagem gerada, e como NDe o valor médio das mesmas linhas, mas referente à coluna da faixa escura, adjacente à clara. O contraste, conforme descrito, é considerado adequado pelo fabricante até o valor máximo de 0,707 (valor RMS), tomando-se o canal 10 como referência padrão para o teste (SENSYTECH, 2004d) Verificação da Calibração Espectral e Radiométrica As FREs do HSS utilizadas inicialmente nesse trabalho foram obtidas em medição de laboratório realizada pelo fabricante, em Junho de Antes da correção atmosférica, entretanto, foram realizadas comparações entre a imagem radiância aparente e medições 118

119 de campo, a fim de verificar a coerência dos espectros do sensor quanto ao posicionamento espectral de bandas. A imagem radiância aparente foi obtida mediante a operação matemática apresentada na Equação 2.10, utilizando-se apenas a imagem nível digital e os parâmetros de ajuste radiométrico do sensor, sem qualquer procedimento de correção atmosférica. Para os dados do HSS este procedimento é realizado no pré-processamento dos dados brutos, conforme discriminado posteriormente na etapa de pré-processamento da imagem. Neste momento, entretanto, é suficiente compreender que os espectros de radiância aparente apresentam toda a influência provocada pelos constituintes atmosféricos no momento da aquisição do dado, basicamente as relativas ao vapor d água e ao CO 2, que são abrangidas pelo sensor HSS e podem ser utilizadas em um procedimento alternativo de verificação da coerência das feições de absorção entre os dados da imagem e a verdade de campo. Medições espectrais realizadas em campo durante a passagem do sensor serviram como verdade de campo para a avaliação tanto da calibração radiométrica quanto, posteriormente, da correção atmosférica. Essas consistiram de medições de radiância e de irradiância concentradas na área escolhida para a avaliação da calibração radiométrica das imagens, um pátio de concreto das instalações do aeródromo da cidade, apresentado na Figura Fig Medições de radiância do pátio de referência (a) e de irradiância hemisférica (b) foram realizadas em período que abrangeu o horário de aquisição da imagem HSS e em dias posteriores. 119

120 As medições de radiância foram realizadas durante o curto período de aquisição das imagens HSS, sendo tomadas em deslocamento pedestre sobre a superfície de referência, a aproximadamente 1 m de altura, com apontamento nadir do espectrorradiômetro, alternando-se entre aquisições do alvo e da placa de referência, procedimento que permitiu a posterior determinação também de espectros de reflectância do pátio. Já as medições de irradiância espectral, referiram-se a medições hemisféricas, obtidas com um coletor cosseno instalado no mesmo espectrorradiômetro, na mesma data da aquisição da imagem, mas em momentos que antecederam e sucederam à passagem do sensor, e em dias posteriores. As medições de irradiância serviram para verificar a calibração espectral do espectrorradiômetro FieldSpec, através da coincidência do posicionamento espectral das bandas de absorção atmosféricas com as feições apresentadas na literatura para o O 2, o vapor d água e o CO 2. Já as medições de radiância foram utilizadas na comparação direta com os espectros da imagem radiância. Para tal verificação, o espectro médio de 660 pixels do pátio de concreto obtidos na imagem radiância do HSS foi comparado com a média de oito espectros de radiância obtidos em campo no intervalo de passagem do sensor sobre o alvo. Nessa comparação, considerando a maior amostragem dos dados do FieldSpec, o espectro médio de campo foi reamostrado para as FREs do sensor HSS. O espectro de campo já reamostrado foi justaposto ao espectro médio da imagem HSS e, então, verificada qualitativamente a correspondência das feições de absorção entre o dado de campo e a imagem. Paralelamente à análise espectral, considerando que a obtenção das imagens radiância exige a prévia e adequada calibração do sensor, foi realizada, extensivamente à análise espectral, a verificação radiométrica dos dados do HSS, focada na comparação da magnitude dos mesmos espectros de campo e da imagem. Nesse aspecto, entretanto, deve-se observar que é previamente esperada certa diferença na magnitude dos espectros, por limitações da amostragem. Isto é, por influência da diferença entre a área do alvo amostrada com a imagem, com 660 pixels que abrangem praticamente todo o pátio, contra apenas oito amostras espectrais de campo, que abrangem apenas uma pequena parte localizada do pátio. A baixa amostragem de campo deve-se ao curto período de coleta que corresponde à passagem da aeronave na aquisição da imagem. Os espectros utilizados correspondem a um intervalo de quatro 120

121 minutos que abrangeu o momento da passagem do sensor, período no qual foi realizada e medição de campo com o espectrorradiômetro FieldSpec. 3.3 Aquisição e Processamento da Imagem HSS Para a realização do estudo espectral de áreas urbanas com espectros HSS utilizou-se uma única imagem HSS, a qual foi radiometricamente processada e atmosfericamente corrigida antes da seleção das amostras dos tipos espectrais da área urbana. Nessa etapa do trabalho, além da imagem, também foram utilizados dados espectrais de radiância e de irradiância solar, obtidos com medições de campo durante o sobrevôo do sensor para a avaliação dos processamentos realizados Aquisição da Imagem HSS O imageamento com o sensor HSS foi realizado em uma campanha de vôos no período entre 28 de maio a 02 de junho de 2006, em condições de céu claro e limpo de nuvens. A imagem utilizada neste trabalho foi obtida no dia 30 de maio de 2006 às 14:46:20 GMT (-3 horas no horário local, no ponto central da cena), com deslocamento do sensor no ângulo azimutal 046º Norte 55 (ou 065º no azimute magnético). A imagem HSS foi adquirida com o IFOV de 2,5 mrad, a uma altura de vôo de aproximadamente 1070 m de altura sobre o terreno, o que resultou em um GIFOV médio de 2,7 m de resolução no referido ponto ou, mais rigorosamente, de aproximadamente 3 m em média ao longo da faixa. A faixa completa estende-se por 21 km da área urbana da cidade de São José dos Campos e, para o FOV de 86º do HSS, na altura média do vôo realizado, abrange 1,6 km de largura 56. Na ocasião o Sol iluminava de Norte-Nordeste com um ângulo zenital de 45,2º e um ângulo azimutal Norte de 3,7º (a Leste), ou aproximadamente 42º em referência à trajetória da aeronave Pré-processamento e Correção Atmosférica da Imagem HSS As imagens brutas do HSS foram convertidas do formato binário original para o formato.bil 57, utilizando-se o aplicativo de processamento AHS Import Utility Progam do 55 Informações obtidas do GPS do próprio sensor HSS. 56 Valor médio na superfície, corrigida a distorção de visada. A projeção de visada direta resultaria em 1996 m de largura. 57 Band Interleaved by Line (BIL). 121

122 próprio fabricante do sensor. Nesse processamento também foi obtida a conversão dos canais do espectro refletido para valores de radiância (Reflective Calibration), quando o aplicativo extrai os arquivos auxiliares gravados junto ao arquivo binário da imagem, entre eles os registros do vôo e os parâmetros necessários à calibração das imagens, basicamente o ganho e o coeficiente de calibração (o C cal.). O valor de offset é calculado para cada faixa de vôo pelo aplicativo AHS Import Utility, que realiza a média dos níveis digitais dos corpos negros registrados em todas as linhas da imagem bruta. Obtidos os parâmetros de ganho, offset e C cal, o próprio aplicativo converte os valores digitais da imagem em valores de radiância, através da relação apresentada na Equação Com o processamento realizado neste trabalho a imagem radiância foi obtida em µw.cm -2.sr -1.nm -1, que é a unidade do numerador com o qual foi gerado o C cal na ocasião da calibração do sensor. Outras unidades, entretanto, podem ser obtidas com a multiplicação de fatores apropriados de conversão. Não foram realizadas as correções geométricas disponibilizadas no aplicativo de processamento do HSS, como a opção de correção da razão V/H (velocidade/altura) e a compensação de visada S-bend, ou aplicáveis com o pós-processamento, como o georreferenciamento da imagem. Dessa forma, a imagem foi preservada com a geometria na qual foi gerada. Apenas processamentos radiométricos foram realizados sobre a imagem, inicialmente para a obtenção da imagem radiância, como descrito, cujos resultados foram comparados com medições de radiância obtidas em campo durante a passagem do sensor sobre um pátio de concreto. Para a correção atmosférica e obtenção da imagem reflectância de superfície, realizado com o aplicativo FLAASH (RESEARCH SYSTEMS, 2004) que é baseado no código MODTRAN 4 (seção 2.3.2), foram utilizados os parâmetros de aquisição do imageamento: a coordenada, a elevação do terreno a altitude de vôo e o horário de aquisição no ponto central da área de interesse, definido como a cabeceira Norte da pista de pouso do aeródromo da localidade. A elevação do terreno no referido ponto, 646 m acima do nível médio do mar, foi obtida na carta de pouso do aeródromo, e as demais informações foram obtidas com os registros do GPS 58 do sensor, disponíveis nos arquivos auxiliares à imagem. 58 Global Positioning System (GPS). 122

123 Diversos processamentos foram realizados com a variação de parâmetros do FLAASH, a fim de obter uma melhor correção atmosférica. Foram testados diferentes modelos de atmosfera (Tropical e Middle Latitude Summer MLS) e de aerossóis (Urbano e Rural), bem como variações na concentração de dióxido de carbono (CO 2 ), e das opções de correção dos efeitos de espalhamento por aerossóis e de vapor d água com estimativas de razões de bandas. Nessa etapa, as medições de radiância realizadas em campo durante a passagem do sensor serviram como verdade de campo para a avaliação da correção atmosférica, através dos espectros de reflectância derivados com a razão entre as medições de radiância do pátio de concreto do aeródromo e as medições de radiância da placa de referência, devidamente multiplicadas pelo seu fator de calibração. A avaliação dos resultados da correção atmosférica da imagem foi realizada qualitativamente, através da comparação direta dos espectros de reflectância obtidos da imagem corrigida com a reflectância de superfície do pátio, derivada das medições de radiância. Nesse aspecto, vale ressaltar que o pátio de concreto, apesar de não ser rigorosamente homogêneo nem espectralmente isotrópico como desejável, foi o objeto acessível da região com melhores características para a obtenção de verdades de campo e, conseqüentemente, para tais avaliações. Por fim, a imagem reflectância obtida com o melhor ajuste de parâmetros foi, então, submetida à filtragem espectral parcial com o algoritmo EFFORT 59 (BOARDMAN, 1998), para a minimização de ruídos decorrentes da correção atmosférica, em dois segmentos: um polinômio de 3 a ordem foi selecionado para o segmento espectral limitado à região próxima a 940 nm, de influência do conteúdo de vapor d água da atmosfera; e um polinômio de 2 a ordem para a região de 2000 nm, esta influenciada pela concentração de CO Seleção de Alvos e Elaboração da Biblioteca Espectral Para os objetivos deste trabalho, em virtude da resolução espacial detalhada e da natureza espectral de sua abordagem, os alvos foram selecionados com base em três critérios: 1) a peculiaridade, com base na relevância sócio-ambiental, radiométrica ou espectral; 2) a freqüência em que estão presentes na área de estudo; 3) e a sua dimensão típica, ou seja, a área de superfície que cada unidade do alvo ocupa em média na área do estudo. A menor dimensão considerada foi limitada à resolução da imagem original de 59 Empirical Flat Field Optimal Reflectance Transformation (EFFORT). 123

124 3 m de GIFOV, a fim de evitar estudo de alvos com grande mistura de materiais. Na prática, entretanto, os menores alvos utilizados apresentaram abrangência mínima em torno de 3 pixels. A partir desses critérios, a informação espectral foi obtida de três fontes: medições de laboratório; medições de campo; e da imagem HSS. As medições espectrais de laboratório e de campo foram todas realizadas ao nadir e utilizando um mesmo espectrorradiômetro, modelo FieldSpec Pro-FR (fabricado pela Analytical Spectral Devices Inc.), pertencente ao IEAv. Esse radiômetro de 2151 canais obtém espectros continuamente na região de 350 a 2500 nm, com resolução espectral média de 3 e 10 nm para as regiões do VNIR (aproximadamente entre 350 e 1050 nm) e SWIR (aproximadamente de 1050 a 2500 nm), respectivamente (ANALYTICAL SPECTRAL DEVICES, 2002). O instrumento FieldSpec foi utilizado com a óptica padrão de 25 o de FOV, a ponta de fibra óptica sem lentes ou limitadores de campo de visada, e encontrava-se calibrado tanto para medições de radiância quanto de irradiância, esta última obtida com a adaptação de um coletor cosseno. Como padrão difusor para a obtenção da reflectância bidirecional (ou direcional-cônica, para um tratamento mais rigoroso, conforme discutido na seção 2.1.1) foi utilizada uma placa de referência Spectralon (Labsphere, Inc.) com calibração conhecida, fator com o qual foi posteriormente determinada a reflectância absoluta dos alvos (ρ abs ), utilizando-se a Equação Elaboração da Biblioteca Espectral de Campo A elaboração de uma biblioteca de campo autóctone é a condição ideal de um trabalho de espectroscopia com imagens, pois permite a verificação dos espectros da imagem a partir de verdades terrestres específicas e atuais. Ou seja, os alvos são espectralmente caracterizados como de fato são e encontram-se, em todos os aspectos: físicos; químicos e contextuais. A utilização desse tipo de dado é a forma mais realística de validação dos resultados de uma imagem e por esse motivo um esforço considerável foi despendido para a elaboração de uma biblioteca de alvos urbanos, a mais variada possível da área de estudo. Para esse trabalho as medições de campo foram obtidas em uma campanha de período prolongado, visando à verificação da capacidade do sensor HSS em preservar as feições espectrais de maior interesse para a discriminação ou para a identificação de tipos 124

125 espectrais nas imagens. Essa biblioteca foi utilizada como verdade de campo na comparação com os espectros obtidos das imagens e serviu como base de dados para o estudo da influência da resolução espectral sobre a discriminação dos alvos urbanos e como referência para a seleção das classes espectrais selecionadas na imagem HSS. Todas as medições de campo foram realizadas com a visada ao nadir, no período de Abril a Julho de 2006, entre 10h30min e 14h, resultando em um ângulo zenital solar máximo de 52º. Medições de reflectância foram realizadas com a utilização de uma plataforma com braço mecânico articulado, para a projeção elevada a aproximadamente 3 m de altura sobre telhados com os seguintes materiais e condições de conservação: concreto envelhecido, com rejuntes em manta asfáltica; concreto envelhecido, com rejuntes revestidos em manta aluminizada; alumínio envelhecido; alumínio com pintura desgastada; aço galvanizado, novo e envelhecido; fibrocimento novo e envelhecido; cerâmica de argila, nova e envelhecida. Essas foram realizadas com atualização da coleta da placa de referência a cada duas ou três coletas dos alvos (intervalo máximo de 2 minutos). Os valores de reflectância obtidos foram posteriormente multiplicados pelo fator de calibração da placa de referência a fim de obter a reflectância absoluta dos alvos. As medições sobre telhados, exemplificadas na Figura 3.11, tiveram como fatores limitadores a acessibilidade da plataforma articulada ao alvo, as condições meteorológicas nem sempre favoráveis em decorrência da presença de nuvens, o tempo necessário para o posicionamento do conjunto de medição sobre o alvo, e o custo de locação relativamente elevado da plataforma. A despeito das dificuldades, tais medições elevadas foram de grande importância como referência espectral para os estudos com as imagens. Outros alvos foram medidos diretamente da superfície: o pátio de estacionamento de aeronaves e trecho da pista de táxi do aeródromo da localidade; o piso de argila de quadras de tênis; e a água e pisos de pedra das bordas de piscinas. Para esses, exceto pela diferença de altura sobre os alvos que foi de aproximadamente 1 m, foram respeitadas as mesmas condições observadas para as medições elevadas. 125

126 Fig Medição espectral sobre telhados com a utilização de plataformas de braço articulado. Nos destaques verifica-se o material de cada alvo. Tratam-se de telhados de concreto, mas com revestimentos impermeabilizantes diferentes nos rejuntes: manta aluminizada (a); e manta asfáltica (b). Ao final, para cada alvo medido em campo, foi obtido um único espectro médio de reflectância, posteriormente agrupado aos demais, compondo-se uma única biblioteca espectral para os alvos de campo Elaboração da Biblioteca Espectral de Laboratório A biblioteca de laboratório foi elaborada com a finalidade de complementar as informações espectrais dos alvos previamente identificados em campo, ou posteriormente encontrados na imagem, que não puderam ser acessados em deslocamento pedestre ou com a plataforma elevada. Essa biblioteca foi elaborada com base em medições realizadas em laboratório de radiometria, utilizando-se o mesmo espectrorradiômetro FieldSpec Pro-FR das medições de campo, e iluminação proporcionada por uma lâmpada de 50 W própria para medições radiométricas, com corrente estabilizada. Todas as medições foram realizadas com visada ao nadir, com FOV de 25º do radiômetro, e com o ângulo de iluminação de aproximadamente 45º. O espectrorradiômetro foi posicionado a uma distância de aproximadamente 7 cm do topo dos alvos, o que resultou em uma GFOV de 3,10 cm, e a fonte de iluminação a uma distância de aproximadamente 25 cm, conforme o arranjo apresentado na Figura Para cada alvo foram realizadas medições alternadas de radiância do alvo e da placa de referência, movimentando-se ligeiramente a posição dos alvos e da referência, a fim de possibilitar uma amostragem mais abrangente de cada objeto. Um mínimo de dez espectros foi coletado para cada alvo de laboratório, sendo que este número foi elevado no caso de alvos mais irregulares como telhas onduladas. A reflectância bidirecional 126

127 absoluta foi determinada posteriormente em planilha eletrônica, obtendo-se a razão da radiância do alvo pela radiância da placa, e multiplicando-se o fator de calibração da placa de referência, fornecida no seu certificado de calibração. Fig Arranjo experimental para as medições espectrais de laboratório: uma visão abrangente, em (a); e o detalhe da medição de uma telha corrugada de alumínio, em (b). Assim com o procedimento de laboratório, para cada alvo medido em laboratório foi obtido um único espectro médio de reflectância, posteriormente agrupado aos demais, compondo-se uma única biblioteca espectral para os alvos de laboratório e de campo, obtidas com o mesmo equipamento Seleção de Alvos e Elaboração da Biblioteca Espectral da Imagem A elaboração da biblioteca espectral da imagem foi realizada com a análise qualitativa dos tipos espectrais verificados na imagem reflectância, a maior parte referente a alvos previamente identificados na superfície, buscando identificá-los quanto a tipos espectrais conhecidos de bibliotecas de laboratório e de campo. Nessa etapa foram comparados diversos espectros de pixels da imagem reflectância do HSS com 37 canais, através dos seus diagramas de reflectância espectral, utilizando-se as ferramentas de visualização espectral do sistema ENVI TM (RESEARCH SYSTEMS INC., 2000). Foram inicialmente analisadas na imagem HSS 12 classes espectrais de materiais urbanos, cujas amostras foram confirmadas em campo através de inspeção visual dos materiais dos alvos: telhas de fibrocimento; telhas cerâmicas de argila; telhas de concreto pigmentado; telhas de aço galvanizado; telhas de alumínio; telhas metálicas com pintura; pavimentos de cimento; pavimentos pintados; pavimentos de asfalto; coberturas de lona plástica; piscinas; e um depósito de enxofre. Espectros dessas classes foram incluídos na análise exploratória, mas devido à baixa amostragem e/ou à 127

128 facilidade de discriminação da grande maioria dos tipos espectrais, apenas seis classes foram selecionadas para a análise estatística: 1) telhado de aço galvanizado; 2) telhado de alumínio; 3) telhado de cimento claro; 4) telhado com pintura branca; 5) telhado de fibrocimento claro; e 6) pavimento de cimento claro. As amostras de cada classe foram obtidas sem regularidade espacial ao longo da imagem, e sem uniformidade do tamanho amostral, em decorrência da própria característica do espaço urbano: geralmente setorizado e com menor ocorrência de determinadas classes de materiais entre uma e outra área do espaço urbano, dependendo do uso a que é destinada. Além disso, apenas as áreas melhor iluminadas de objetos irregulares como telhados foram amostradas, a fim de evitar uma maior variabilidade na magnitude dos espectros devido a diferenças de iluminação. De cada unidade amostral (objeto), foram extraídas entre três e onze amostras (pixels) adjacentes, dependendo da dimensão do objeto. Mesmo unidades de maiores dimensões, como telhados de fábricas, que abrangiam centenas de pixels, foram amostradas com um máximo de 11 pixels, a fim de evitar uma grande influência dos seus espectros nos resultados da população de uma classe. A amostragem final de cada classe nessas áreas iluminadas foi separada em quatro subconjuntos, discriminados com um identificador numérico (entre 1 e 4), cada subconjunto amostral contendo aproximadamente 1/4 da amostragem total da classe. A distribuição das amostras por subconjunto foi realizada de forma que pixels vizinhos fossem distribuídos em diferentes subconjuntos, buscandose garantir um intervalo espacial mínimo de 3 pixels entre amostras consecutivas de uma classe em um mesmo subconjunto, conforme ilustrado na Figura Fig Padrão de amostragem na imagem HSS, realizada sobre as áreas iluminadas dos objetos (a), no qual os pixels adjacentes são destinados a diferentes subconjuntos amostrais, numerados de 1 a

129 Dessa forma, a fim de reduzir efeitos da autocorrelação de amostras de pixels vizinhos, pôde-se utilizar até dois dos subconjuntos intercalados para treinamento (p.ex. os de n os 1 e 3), na elaboração do modelo de regressão os demais (p.ex. n os 2 e 4), para a validação da classificação. 3.5 Análise Exploratória da Biblioteca Espectral A utilização de regiões espectrais adequadas traz maior eficiência à identificação ou à discriminação entre alvos de interesse do analista espectral, reduzindo o custo computacional e o tempo da análise. Por esses aspectos, a análise espectral exploratória buscou, inicialmente, identificar as feições de interesse na discriminação dos alvos urbanos das amostras das bibliotecas dos três níveis de aquisição: laboratório, campo e imagem. Para os espectros de campo e de laboratório, obtidos pontualmente, a análise foi conduzida de forma qualitativa, visando o reconhecimento de feições de absorção com base nas informações da literatura. Essas foram utilizadas para, da mesma forma, caracterizar como esses tipos espectrais poderiam ser identificados na imagem HSS, através da simulação com a reamostragem espectral para as bandas do sensor HSS e sensores de banda larga. Em imagens de sensores com poucas e amplas bandas, alvos espectralmente monótonos e radiometricamente brilhantes podem ser confundidos em virtude da falta de detalhamento espectral que permita a conveniente discriminação. O estudo da simulação espectral multissensor constituiu da avaliação comparativa entre os espectros de campo originais e simulados. O estudo teve por objetivo verificar o impacto do posicionamento de bandas e da degradação espectral na caracterização de alvos urbanos. O primeiro passo para essa avaliação foi a reamostragem dos espectros para a simulação de espectros de banda larga, mas posteriormente espectros obtidos da própria imagem HSS, bem como simulações de sensores de banda larga derivados desses espectros, também foram utilizados para a análise qualitativa exploratória dos alvos urbanos. Os detalhes dos procedimentos realizados nessa etapa são discriminados a seguir Análise Exploratória da Biblioteca de Campo e Laboratório A análise exploratória dos espectros das medições de campo e de laboratório foi realizada com a apresentação dos diagramas de reflectância espectral e a descrição pormenorizada das feições de absorção dos principais tipos espectrais urbanos medidos 129

130 durante o trabalho. Abordou-se também a importância da informação nas regiões do VNIR e SWIR para a identificação ou discriminação entre os espectros de materiais urbanos selecionados. Essa análise foi estendida à avaliação da capacidade do HSS e de sensores de bandas amplas para a investigação espectral da área urbana, simulando-se a resposta espectral dos sensores com a técnica da reamostragem espectral dos espectros de campo, tratada a seguir Caracterização Espectral Utilizando a Simulação Multissensor Espectros do HSS e de sensores de banda larga (QuickBird, HRG /Spot-5, ETM+ /Landsat-7) foram simulados com a reamostragem dos espectros de campo e de laboratório, a fim de verificar a relevância das características espectrais de cada sensor na discriminação dos alvos urbanos interesse. Mais especificamente, a opção pela simulação dos sensores citados deveu-se à intenção em avaliar o impacto da utilização de bandas largas em configurações variadas da utilização das regiões do VNIR e do SWIR, quanto à possibilidade de discriminação espectral de materiais urbanos. Nesse aspecto, os sensores selecionados permitem avaliar a utilização da seguinte combinação de bandas espectrais: exclusivamente no VNIR, para o caso do QuickBird; para o VIS e mais duas bandas do NIR, para o HRG; para o VNIR e mais uma banda do SWIR, para o ETM+. A simulação dos espectros foi realizada com a ferramenta de reamostragem espectral (spectral resampling) do ENVI TM, que dispõe das informações espectrais, as FREs, dos referidos sensores, entre outros, exceto as do HSS, que foram introduzidas como uma biblioteca espectral para a ponderação dos espectros de campo simulados no procedimento Análise Qualitativa de Espectros da Imagem HSS A análise dos espectros das imagens foi iniciada ainda na etapa de avaliação da calibração radiométrica da imagem radiância, mas os espectros de reflectância foram utilizados inicialmente para a verificação da correção atmosférica, com a comparação da reflectância do pátio de concreto do aeródromo utilizado como área de controle na obtenção da correção mais adequada, conforme descrito anteriormente. Definida a melhor correção, os espectros de reflectância de alvos naturais também passaram a ser avaliados qualitativamente e fim de se confirmar a coerência dos resultados da imagem 130

131 reflectância com o comportamento espectral conhecido de alvos como vegetação, solo exposto e corpos d água, observados ao longo da cena. Os alvos artificiais urbanos passaram a ser avaliados em uma segunda etapa de análise qualitativa dos espectros, na qual foram apresentadas as possibilidades de identificação de feições espectrais de materiais presentes na área do estudo, mas que serviu principalmente para a seleção de classes voltadas à posterior análise quantitativa. Sete tipos de alvos artificiais (fibrocimento, cerâmica de argila, aço galvanizado, alumínio, lonas coloridas de PVC, pinturas coloridas e enxofre) foram incluídos na análise qualitativa dos espectros da imagem da área urbana. Esses tipos foram utilizados na discussão da importância de bandas e regiões espectrais para a identificação ou discriminação de materiais, na mesma abordagem dos espectros de campo, mas agora com a diversidade amostral proporcionada pela abrangência espacial muito maior da imagem, se comparada com o número de alvos disponibilizados com as medições de campo Análise Qualitativa da Separabilidade de Classes de Alvos Com a amostragem das classes de alvos na imagem reflectância, a análise exploratória foi conduzida para a verificação da separabilidade entre diferentes tipos espectrais de alvos naturais e artificiais, realizada a partir de diagramas de espalhamento matriciais de pares variados de bandas do HSS, e também de bandas amplas dos sensores QuickBird; HRG; e ETM+, obtidas com a combinação de bandas do HSS. Essa combinação foi realizada com a operação da média ponderada da reflectância das amostras obtidas nas bandas originais do HSS, à semelhança do procedimento de reamostragem espectral, a fim de obter espectros que se aproximassem da resposta espectral dos sensores multiespectrais citados. Vale ressaltar que tais simulações espectrais não tiveram a pretensão de reproduzir fielmente a resposta espectral dos sensores de bandas amplas, como obtido na reamostragem espectral da biblioteca de campo em virtude do menor refinamento espectral dos dados do sensor HSS se comparado aos espectros de campo (obtidos com o espectrorradiômetro FieldSpec -Pro), mas foram realizadas no intuito de verificar a influência da distribuição ou ausência de bandas sobre a discriminação entre classes de alvos urbanos. 131

132 O procedimento de simulação de bandas amplas foi realizado em uma planilha do aplicativo estatístico SPSS (SPSS, 2006), gerando-se variáveis transformadas com a matemática espectral de bandas originais do HSS, de uma só vez para todas as observações (amostras ou casos) da planilha de dados. Nesse procedimento foi gerada uma nova variável para cada banda simulada, conforme as operações matemáticas apresentadas na Tabela 3.1, que foram definidas de acordo com a relação entre a abrangência espectral dos canais do HSS e os canais dos sensores cujas configurações espectrais foram simuladas. TABELA 3.1 Simulações de bandas amplas com dados do HSS Banda Sensor Caracterizado Simulada ETM+/Landsat-7 HRG/Spot-5 QuickBird B1 (H1+H2+H3)/3 (H3+H4+H5)/3 {H1+H2+[(H3)/2]}/2,5 B2 (H4+H5+H6)/3 (H7+H8+H9)/3 (H3+H4+H5)/3 B3 (H8+H9)/2 {H13+H14+H15+[(H16)/2]}/3,5 {H7+H8+[(H9)/2]}/2,5 B4 (H12+H H16)/5 (H21) (H12+H H15)/4 B5 (H21) não disponível não disponível B7 (H24+H25+.+H35)/12 não disponível não disponível Obs.: H - relativo ao sensor HSS; B - relativo ao sensor simulado A separabilidade das classes de alvos urbanos foi avaliada qualitativamente com a comparação dos diagramas matriciais de espalhamento para bandas do HSS e dos sensores de bandas amplas combinadas. 3.6 Influência da Resolução Espectral na Discriminação de Alvos A análise da influência da resolução espectral na discriminação de alvos urbanos, iniciada em uma abordagem qualitativa na etapa anterior do trabalho, foi estendida em uma avaliação quantitativa, realizada com base nos resultados de classificação de processamentos estatísticos com os espectros das bandas do HSS e das bandas combinadas dos sensores multiespectrais. Seis classes espectrais similares (telhado de aço galvanizado, telhado de alumínio, telhado de cimento claro, telhado com pintura branca, telhado de fibrocimento claro e pavimento de cimento claro) foram utilizadas para os processamentos nessa etapa do trabalho, iniciados com a avaliação do conjunto amostral quanto à normalidade e à homocedasticidade dos dados, pressupostos para a utilização de procedimentos de análises estatísticas mais comuns. 132

133 Os resultados dessa avaliação preliminar levaram à opção pela realização da classificação com base na regressão logística politômica, cujos resultados foram apresentados em tabelas de precisão de classificação. Os procedimentos adotados nessa etapa são descritos a seguir Análise Quantitativa Exploratória das Classes Espectrais de Alvos Seis classes de alvos similares e com boa amostragem foram utilizadas na avaliação quantitativa da discriminação de alvos urbanos. O conjunto total de amostras das classes foi inicialmente avaliado quanto à homocedasticidade entre as seis classes de alvos urbanos, para cada uma das variáveis consideradas no estudo: as 37 bandas originais do sensor HSS; as 14 bandas combinadas dos sensores multiespectrais; e outras transformações de bandas, obtidas com o inverso, a raiz quadrada e o logaritmo natural de bandas originais do HSS. A análise da homocedasticidade foi realizada com a interpretação de diagramas do tipo Box plot e de resultados da significância no teste de Levene. A avaliação da normalidade foi realizada em seguida, sobre as mesmas variáveis, originais e transformadas, através da interpretação de diagramas de probabilidade acumulada (P-P), de histogramas, e também da significância nos testes de Kolmogorov- Smirnov (K-S) e de Shapiro-Wilk (S-W) Análise da Seleção de Bandas do HSS na Discriminação de Alvos A primeira aplicação da análise de regressão logística (RL) politômica deste trabalho teve o objetivo de reduzir criteriosamente o número de variáveis dentre as 37 bandas da imagem HSS, com o propósito dual de: obter um conjunto ideal de variáveis não redundantes, sem o comprometimento da discriminação entre as classes de alvos urbanos selecionadas; e manter a proporcionalidade adequada entre o número de variáveis utilizadas e o número relativamente limitado de amostras obtidas na imagem. Para tal propósito a RL politômica foi utilizada com o método da inclusão passo-a-passo (forward stepwise) das variáveis originais da imagem HSS, e com o critério da razão da verossimilhança para a inclusão e exclusão de variáveis, utilizados os limites de probabilidade máxima de 0,05 para a inclusão e mínima de 0,10 para a exclusão de variáveis. 133

134 A adequação da seleção de bandas foi discutida com base nos resultados dos testes G e de Wald, para as variáveis do modelo final, mas também foi verificada a adequação geral do modelo logístico com base nos valores de precisão de classificação. Foi utilizada nessa discussão tanto os resultados da classificação obtida na elaboração do modelo com amostras de treinamento, realizada com 50% das amostras referentes aos subconjuntos 1 e 3 (Figura 3.13), quanto a classificação final obtida na validação, realizada com os 50% restantes das amostras, referentes aos subconjuntos amostrais 2 e 4, anteriormente reservados para essa aplicação (holdout sample) Discriminação de Alvos com Sensores Multiespectrais Simulados Esta etapa consistiu da comparação da precisão de classificação obtida nas seis classes espectrais similares, considerando os resultados dos quatro sensores discutidos (o HSS e os três sensores de bandas amplas combinadas). O objetivo foi verificar a influência das características espectrais dos sensores na discriminação dos alvos urbanos, em particular, quanto à importância das regiões espectrais abrangidas (VIS, NIR e SWIR) e o impacto da largura de bandas sobre a capacidade de discriminação das classes. A classificação foi obtida com a RL politômica realizada individualmente para cada sensor, considerando 50% do conjunto amostral das classes (referente aos subconjuntos 1 e 3) no método de entrada forçada (entry) de todas as bandas disponibilizadas pelos sensores, exceto para o HSS, cujas bandas utilizadas limitaram-se àquelas identificadas na seleção da RL passo-a-passo realizada anteriormente. Tabelas de precisão de classificação geradas na elaboração do modelo logístico de cada sensor foram utilizadas para a comparação direta dos resultados, conforme ilustrado na Figura Fig Modelo para a comparação da precisão de classificação de uma classe espectral para K simulações de sensores. Nessa avaliação, a opção pelo método de entrada forçada das variáveis deveu-se à intenção de fixação de parâmetros comparativos dentro das opções de cada sensor, uma 134

135 vez que, com a utilização da seleção automática passo-a-passo (stepwise), as variáveis selecionadas variam com as classes espectrais estudadas, e até mesmo com as amostras utilizadas. Nos casos em que o número de bandas é reduzido, como para os sensores multiespectrais, tal aspecto não é evidenciado com freqüência, pelo fato de todas as poucas variáveis serem consideradas, em geral, necessárias ao modelo estatístico. Maiores variações ocorrem com uma maior disponibilidade de bandas, como no caso do HSS, em que algumas variáveis podem ser eliminadas ou incluídas, dependentemente do conjunto de dados disponibilizado. 3.7 Influência da Resolução Espacial na Discriminação de Alvos A influência da resolução espacial na discriminação de alvos foi realizada com a comparação entre a precisão de classificação obtida com os dados da imagem reflectância original (com 3 m de GIFOV) e a precisão de classificação obtida com os dados da imagem reflectância degradada com a filtragem de textura pela média. A precisão de classificação em ambos os casos foi obtida de modelos da RL politômica elaborados com o mesmo conjunto selecionado de variáveis. Foi utilizada a mesma metodologia anteriormente apresentada para a análise quantitativa multissensor, utilizando os resultados de classificação obtidos tanto na etapa de elaboração do modelo logístico (treinamento) quanto na validação, porém com a extensão da discussão a algumas classes de alvos urbanos não abordadas na análise quantitativa anterior. Os detalhes de cada procedimento realizado nessa etapa são apresentados a seguir Avaliação Espectral da Filtragem de Textura A degradação com a filtragem de textura pela média foi realizada no sistema ENVI TM (Filter > Texture > Occurrence measures), utilizando-se uma janela de convolução de 3 x 3 pixels sobre a imagem reflectância original do HSS, o que resultou na simulação uma imagem com GIFOV de aproximadamente 9 m, ou seja, 3 vezes maior do que o GIFOV da imagem original. Neste procedimento a imagem degradada preserva o mesmo número de pixels da imagem original, possibilitando a identificação dos mesmos alvos em correspondência direta da imagem original com a degradada (textura), sem a necessidade de processamentos de registro entre elas. Tal correspondência permitiu que os pixels 135

136 selecionados nas amostras de classes da imagem original fossem diretamente identificados na imagem degradada, verificando-se as diferenças visuais e espectrais resultantes da degradação espacial Avaliação Quantitativa da Influência da Resolução Espacial As amostras das classes anteriormente selecionadas na imagem reflectância original (3 m) tiveram suas coordenadas espaciais (x, y) devidamente identificadas e foram utilizadas para a identificação dos pixels de cada amostra na imagem textura. Os valores digitais de imagem textura foram então exportados, com o mesmo procedimento adotado para a imagem original, para o processamento estatístico no SPSS, resultando em duas planilhas de dados, um para a imagem original e a outra para a imagem textura, mas cujas amostras (casos ou observações) referiam-se a pixels de mesmo endereço (x, y). Os mesmos procedimentos realizados para a RL politômica com a imagem original foram então repetidos para os dados da imagem textura, e as matrizes de precisão de classificação foram analisadas comparativamente. Da mesma forma que realizado na avaliação da influência espectral, os subconjuntos amostrais 1 e 3 foram utilizados para a elaboração dos modelos logísticos (treinamento) enquanto os subconjuntos 2 e 4 foram utilizados para a validação (Figura 3.13). 3.8 Análise do Mapeamento Espectral na Imagem HSS A análise do mapeamento espectral na imagem HSS consistiu da utilização das técnicas de mapeamento espectral SAM (Spectral Angle Mapper) e SFF (Spectral Feature Fitting), visando à identificação de pixels com espectros de alvos urbanos específicos ao longo da imagem reflectância com 3 m de GIFOV. Para ambos os processamentos foram utilizados espectros de referência obtidos com a média de cerca de 10 amostras espectrais mais características de cada classe de alvos de interesse, selecionados qualitativamente a partir da avaliação dos diagramas espectrais, sendo referentes a regiões da área de estudo submetidas a inspeção visual para a confirmação dos materiais. Os procedimentos adotados para a aplicação dessas técnicas são apresentados a seguir. 136

137 3.8.1 Análise da Identificação com o Mapeador SAM O mapeamento de ângulo espectral SAM foi realizado no sistema ENVI, com a utilização de todas as 37 bandas da imagem HSS e com a inclusão dos espectros de referência de interesse em um único processamento, pelo qual foram obtidas as imagens ângulo (rule imagens) utilizada nas análises. As imagens ângulo foram fatiadas em cores (density slice) associadas a intervalos angulares específicos para cada espectro de referência, com limites entre 0 e 0,13 rad, e comparadas com composições coloridas normais para a identificação dos alvos de referência na cena. O suporte espectral também foi utilizado, principalmente para a confirmação dos pixels de áreas não visitadas em campo e a obtenção de diagramas de espalhamento de pares das imagens ângulo SAM dos diferentes espectros de referência, que serviram à análise das limitações na identificação espectral quanto à confusão entre classes. Para a apresentação desses diagramas foi feita a identificação dos valores angulares SAM referentes aos pixels da mesma amostragem das classes de alvos, realizada anteriormente para as análises quantitativas. Além de servirem à apresentação dos diagramas de espalhamento esses dados angulares também foram utilizados para a obtenção de resultados quantitativos da identificação espectral, apresentado em tabelas de precisão de classificação obtidas com a tabulação cruzada das amostras obtidas. Nesse caso, a definição da classe estimada pelo SAM para cada pixel da amostra foi realizada com base no critério do menor valor angular SAM obtido dentre as imagens dos espectros de referência. Dessa forma foi possível estimar quantitativamente a eficiência na identificação espectral obtida com o procedimento Análise da Identificação com o Mapeador SFF O mapeamento de feição espectral SFF foi realizado no sistema ENVI com a seleção de subespaços da imagem HSS, em um processamento com a seleção de intervalos espectrais (a seleção de bandas) específicos para a identificação dos espectros de interesse, mas também em um processamento com a utilização indistinta de todas as bandas e a inclusão de todos os espectros de referência de uma só vez. Foram utilizadas as mesmas médias espectrais de referências do processamento SAM e as mesmas técnicas de análise, explorando-se as imagens amplitude relativas aos espectros de referência através de fatiamentos em cores (density slice), análise dos espectros do pixels e espectros de contínuo. 137

138 Assim como no SAM, também foram identificados os valores SFF dos pixels de determinadas amostras das classes anteriormente selecionadas, os quais foram utilizados para a verificação da confusão das classes identificadas em diagramas de espalhamento, e para a análise quantitativa da precisão da classificação das amostras. Nesse caso, a definição da classe estimada pelo SFF para cada pixel da amostra foi realizada com base no critério do maior valor de amplitude obtido dentre as imagens dos espectros de referência. 138

139 4 RESULTADOS E DISCUSSÃO 4.1 Caracterização do Sensor HSS A caracterização do sensor HSS consistiu das avaliações que antecederam à utilização das imagens para fins de espectroscopia, com a finalidade de verificar a qualidade dos dados fornecidos pelo sensor. Estas avaliações trataram especificamente da verificação do ruído inerente do dado, e das calibrações espacial, espectral e radiométrica. Os resultados dessa etapa são apresentados nos tópicos a seguir Verificação do Ruído Inerente ao Dado Na verificação do ruído do sensor HSS foram avaliados aspectos relacionados a: 1) ocorrência de interferências (flutuações sistemáticas); 2) correlação entre canais vizinhos; e 3) relação ruído-sinal das imagens. Para os dois primeiros aspectos, avaliados com base nas imagens escuras, constatou-se que não ocorreram perturbações significativas na variabilidade do ruído que indique a presença de interferência, caracterizada por um comportamento sistemático, ou de correlação entre canais vizinhos. Quanto à relação ruído-sinal do HSS (definida na Equação 2.12), em avaliações realizadas com imagens da referência de calibração, obtidas em laboratório em 2004, verificou-se que para varreduras com freqüência até 25 Hz a incerteza do sinal esteve abaixo de 1% na maior parte das bandas avaliadas, referentes ao espectro refletido. Exceções ocorreram para os canais 1, 2 e 31 (centros em 456, 483 e 2233 nm, respectivamente Tabela ), que ultrapassaram esse nível de ruído, chegando a aproximadamente 4% o primeiro, e 2%, os outros dois, e para os canais 3, 22, 23 e do 29 ao 37 (centros em 511, 2005, 2032 e de 2185 a 2371 nm, respectivamente Tabela 2.2), que atingiram cerca de 1,5% nas freqüências de varredura de 6,25 e de 25 Hz. A 12,5 Hz, freqüência próxima à utilizada na maioria dos sensores atuais, a incerteza do sinal apresentou melhores resultados, ficando abaixo de 0,5% para os canais 5 a 21 (centros em 568 e 1583 nm, respectivamente Tabela 2.2) e abaixo de 0,8% para os canais de 22 a 37. Apenas para os canais 1 e 2 os valores ultrapassaram 1% na freqüência de 12,5 Hz. 60 Referentes aos centros de bandas originais informados pelo fabricante do sensor HSS. 139

140 Em geral as incertezas decrescem com o aumento do IFOV ou da irradiância sobre o alvo, e com a redução da freqüência de varredura, porém observou-se que na menor freqüência de varredura (6,25 Hz) a incerteza do HSS apresenta resultados próximos à freqüência de 25 Hz, sendo ligeiramente piores que a 12,5 Hz. Esses resultados são apresentados na Figura 4.1. Fig. 4.1 Incerteza relativa do sinal do HSS, caracterizada pela relação ruído-sinal. São apresentadas resultados para os 37 canais da região do espectro refletido, em 4 freqüências de varredura, entre 6,25 e 50 Hz, para o IFOV de 2,5 mrad. O aumento das incertezas no SWIR, comparativamente ao VNIR, está possivelmente associado à menor largura das bandas dos canais do HSS naquela região, inferiores às dos canais do VNIR. Efeito oposto observa-se no canal 21, cuja sistemática redução do ruído está associada ao fato de esse canal apresentar uma maior largura de banda, o que o torna mais estável. Já o aumento destacado do ruído no canal 31, como pode ser verificado na Figura 4.1 para as freqüências de varredura de 25 e 50 Hz, não se repetiu em outras avaliações, indicando a possibilidade de problemas intermitentes associados, por exemplo, a conexões de cabos ou contatos internos. Quanto ao aumento progressivo do ruído nos canais extremos, de menores e de maiores comprimentos de onda, parte do problema está associado à menor irradiância da fonte de calibração nessas regiões. Esta, entretanto, não justifica o fato de piores resultados terem sido obtidos em alguns canais da região do visível (canais 1 a 4), já que é no SWIR (canais 22 a 37) onde se registram os menores valores de irradiância das lâmpadas de calibração e as menores larguras de bandas do conjunto de canais do sensor. Considerando tais aspectos, com o objetivo de dirimir dúvidas quanto à relevância dos valores obtidos com a relação ruído-sinal, esta foi avaliada quanto à sua equivalência à 140

141 radiância que chega ao sensor, determinando-se a radiância equivalente ao ruído (NER Noise Equivalent Radiance). Tal análise foi iniciada com a comparação entre a série histórica de dados de bancada (obtidos entre 2004 e 2005). Considerando o ambiente de funcionamento do sensor como fator de incerteza dos dados, ela foi estendida à imagem obtida no vôo sobre São José dos Campos, utilizada neste trabalho. Nessa avaliação, a NER, determinada com o produto do desvio padrão do sinal dos corpos negros pelo coeficiente de calibração correspondente ao dado, foi utilizada para o acompanhamento temporal e para a avaliação da influência do ambiente de funcionamento do sensor. Avaliações de bancada realizadas em 29abr2004, 01jul2004, e 20set2005 foram comparadas à avaliação do vôo de 30nov2006, todas realizadas com uma amostragem de 1000 linhas, obtida com o sensor a 25 Hz e com IFOV de 2,5 mrad. A comparação das incertezas radiométricas entre os dados obtidos em laboratório e em vôo pode ser visualizada na Figura 4.2. Fig. 4.2 Análise comparativa da radiância equivalente ao ruído (NER) dos canais do sensor HSS, para condições de bancada (29abr2004_Lab, 01jul2004_Lab, e 20set2005_Lab) e de vôo (30mai2006_Img), todos obtidos com o IFOV de 2,5 mrad e 25 Hz de varredura. Um aumento genérico da NER foi identificado nos resultados do vôo, principalmente nos canais do SWIR, refletindo a variabilidade do sinal decorrente das condições ambientais. Na Figura 4.2 pode ser observado um aumento genérico da NER para a região SWIR e em alguns canais do NIR nos dados de 30mai2006, coletados em vôo, cuja incerteza chegou à 0,05 µw.cm -2.sr -1.nm -1 no pior resultado, observado para o canal 31, o que representou um aumento de 3,68 vezes em relação ao nível de incerteza obtido com o dado de laboratório de 20set2005. As menores variações do dado de vôo ocorreram para os canais 03, 04, 05 e 10, cujas variações foram de 1%, 1%, 6% e 7%, respectivamente. 141

142 Para maiores esclarecimentos, Castro et al. (2005 e 2007) apresentam outros aspectos relativos ao ruído no sensor HSS Verificação da Calibração Espacial Nos testes de bancada realizados pelo fabricante em 2004 com o alvo de barras vazadas e para o IFOV de 2,5 mrad, foram obtidos valores mínimo (NDe) e máximo (NDc) de 1,6 e 3,3 divisões no multímetro de saída, respectivamente, para o canal 10 (centro em 715 nm) do sensor HSS. O contraste resultante, obtido com a razão entre o valor mínimo e máximo medido pelo fabricante foi de 0,485, inferior ao limite máximo de 0,707 tolerado. A calibração espacial foi, portanto, considerada adequada na ocasião. A fim de estender a avaliação aos demais canais do sensor, teste similar foi realizado posteriormente, com dados obtidos em laboratório em 01 de setembro de 2005, antes da aquisição da imagem para este trabalho. A nova avaliação da calibração espacial foi realizada com o mesmo alvo de barras vazadas, mas dessa vez utilizando-se os valores digitais extraídos da própria imagem. Para esse procedimento, o contraste foi obtido com base nos valores digitais da média de 1000 linhas da imagem do alvo de barras, devidamente deduzidos do Offset (o valor digital médio do obtido com os corpos negros), determinando-se a razão entre mínimos e máximos para todos os 37 canais do espectro refletido do sensor. Na Figura 4.3 é apresentada a imagem resultante do alvo de barras juntamente com o perfil horizontal referente ao canal 10 do sensor HSS, onde os valores digitais mínimo (NDe) referente à faixa opaca, e máximo (NDc) referente à faixa vazada do alvo, são identificados no perfil horizontal do respectivo trecho da imagem. Fig. 4.3 Recorte referente ao canal 10 da imagem HSS do alvo de barras para o IFOV de 2,5 mrad, obtida em bancada em 2005 (esquerda). Os valores digitais mínimo (NDe) e máximo (NDc) são identificados no perfil horizontal (direita) do respectivo trecho da imagem. 142

143 O teste do canal 10 resultou no valor de contraste de 0,403, o que aprovou o sensor no teste de calibração segundo o critério geral do fabricante. Resultado positivo também foi verificado com a extensão do teste para as demais bandas do sensor, exceto para o canal 21 (centro em 1583 nm), cujos valores superaram o valor RMS, conforme estabelecido pelo fabricante (0,707). Os valores obtidos com alguns canais são apresentados na Tabela 4.1. O resultado para todo o conjunto é apresentado no APÊNDICE A. TABELA 4.1 Contraste para teste da resolução espacial em canais do sensor HSS Canal HSS Ch 01 Ch 02 Ch 05 Ch 09 Ch 10 Ch 17 Ch 19 Ch 21 Ch 23 Ch 29 Ch 31 Ch 33 Ch 35 NDc NDe C máx Valores inadequados do contraste no teste realizado são indícios de problemas de alinhamento ou foco do elemento detector. O canal 21 refere-se justamente a um detector isolado, posicionado em um portal exclusivo. Trata-se de um canal de banda espectral ampla (122 nm de largura) e de baixo ruído. Portanto, era esperado um valor de contraste equivalente ou inferior ao de seus vizinhos espectrais, os canais 20 e 22, ambos com valor de contraste de 0,501 (tabela completa no APÊNDICE A). Entretanto, como o teste do fabricante não esclarece a tolerância para a aprovação de outros canais na verificação da calibração espacial, restringindo-se à especificação para o canal 10, seria necessária uma avaliação mais específica para a identificação de possíveis problemas com o canal Verificação da Calibração Espectral e Radiométrica A avaliação da adequação do posicionamento espectral e da calibração radiométrica foi realizada com a comparação direta do espectro de radiância medido em campo com o obtido na imagem HSS após o pré-processamento, referente a um pátio de concreto da área do aeródromo de São José dos Campos. Verificou, basicamente, a coerência na magnitude dos espectros em regiões espectrais e no posicionamento das feições de absorção. O espectro de campo obtido com o espectrorradiômetro FieldSpec apresentou com fidelidade as feições de absorção devidas a constituintes atmosféricos, principalmente na região de 760, 820, 940, 1110, 1900, e 2050 nm (a primeira referente ao O 2, a última referente ao CO 2 e as demais associadas ao vapor d água atmosférico). O espectro do 143

144 HSS, por sua vez, a despeito da menor amostragem (são 37 canais) e da ausência de canais nas regiões de 1110 nm e de 1900 nm, pôde retratar as feições de 760, 820 e 940 nm, mas um pequeno desvio espectral foi identificado. Reamostrando-se o espectro médio de campo para as FREs do HSS, constatou-se que o pico de absorção deveria ocorrer no canal 18, correspondente à banda de 944 nm (Figura 4.4). Fig. 4.4 Simulação do espectro de radiância da imagem (linha amarela) com a reamostragem da média de 8 espectros obtidos em medições de campo do pátio de concreto (linha ciano), usando as FREs do HSS. Na imagem radiância HSS, entretanto, verificou-se que o pico de absorção ocorria no canal 19, cujo posicionamento informado na calibração era de 971 nm e, portanto, deveria ser menos suscetível à absorção pelo vapor d água atmosférico. Tais observações podem ser verificadas na Figura 4.5, onde o espectro médio de 8 medições de campo (linha ciano) e a sua reamostragem para as FREs originais do HSS (linha amarela) são apresentados juntamente ao espectro obtido da imagem radiância. As legendas B18 e B19 indicam o posicionamento dos canais 18 e 19 do HSS, respectivamente. Conforme a simulação obtida com a reamostragem do espectro médio de campo, o valor da radiância no canal 18 do HSS deveria ser inferior à do canal 19, o que não foi verificado de fato com os dados da imagem original. Constatou-se, assim, que o canal 19 deveria corresponder de fato a um menor comprimento de onda, sutilmente mais próximo a 940 nm, e não em 971 nm como rotulado na calibração. Aspectos relacionados à manutenção do conjunto óptico do sensor, realizada posteriormente à calibração espectral do fabricante em 2004, podem ter motivado tal deslocamento. 144

145 Subtraindo-se 17 nm ao centro de banda do canal 19, e conseqüentemente à toda a matriz de detectores a ele vinculado (canais 1 a 20), região do VNIR, obteve-se um melhor ajuste da banda de absorção, com o canal 19 passando a corresponder ao comprimento de 954 nm. Para o canal 21 (1583 nm) e o conjunto do SWIR (canais 22 a 37) não foi realizado qualquer ajuste espectral. No canal 21, o ajuste não foi avaliado pela dificuldade em se estimar qualquer variação espectral, em virtude da grande amplitude de banda (aproximadamente 120 nm de largura). Na região do SWIR, não houve necessidade de ajuste pelo fato de as feições de absorção dos espectros da imagem terem se mostrado bem posicionadas em relação às feições identificadas nos espectros de campo, essas basicamente associadas à absorção por CO 2. Fig. 4.5 Comparação do espectro médio da imagem (linha vermelha) com a média espectral de campo (linha ciano) e sua reamostragem para os canais originais do HSS (linha amarela). O pico de absorção por vapor d água na imagem HSS era esperado ocorrer no canal 18, mas foi verificado no canal 19, indício de deslocamento espectral. Após implementado o ajuste espectral, foi realizada nova calibração radiométrica, a fim de se obter os coeficientes de calibração correspondentes ao posicionamentos de bandas redefinidos. O resultado geral após o ajuste pode ser visualizado com a Figura 4.6, que destaca separadamente as regiões espectrais do VNIR e SWIR. O espectro médio da imagem radiância com a redução de 17 nm (linha verde) aparenta um melhor ajustamento espectral à verdade de campo (linha ciano radiância do pátio obtida no período da passagem do sensor), se comparado ao espectro com o posicionamento original de bandas (linha vermelha). 145

146 Através dos espectros de radiância apresentados na Figura 4.6 também se pode verificar a adequação da calibração radiométrica do sensor, pelo fato de os valores de radiância obtidos com a imagem estarem relativamente próximos aos obtidos com a medição de campo. As pequenas diferenças de magnitude verificadas são atribuídas principalmente às diferenças de amostragem em campo, apenas 8 espectros, que resultam em uma menor abrangência espacial sobre o alvo. Fig. 4.6 Comparação dos espectros médios de radiância da imagem e de campo para a região espectral do VNIR (superior) e SWIR (inferior): a redução em 17 nm do posicionamento espectral dos 20 primeiros canais do sensor HSS (VNIR) proporcionou melhor correspondência entre a radiância aparente da imagem (linha verde) e a informação de campo (linha ciano) reamostrada para as FREs do HSS (linha amarela), quando comparada à radiância da imagem original sem ajuste (linha vermelha). O SWIR não apresentou deslocamento espectral. 4.2 Aquisição e Processamento da Imagem HSS Influência da Geometria de Iluminação e Visada Na imagem HSS obtida para esse trabalho verificou-se, de início, uma visível anisotropia, motivada pela geometria de iluminação e visada a posição relativa do 146

147 sensor ao Sol evidenciada pelo efeito de retroespalhamento da iluminação do Sol, que iluminava aproximadamente de Norte na localidade, e que pode ser identificada na Figura 4.7. Nessa imagem, assim como observado em outras imagens obtidas no eixo leste-oeste (ou vice-versa), a metade da cena ao sul, mais iluminada do ponto de visada do sensor, apresenta-se progressivamente mais brilhante no sentido da borda sul, enquanto a metade ao norte, integrando uma maior área sombreada, aparece progressivamente mais escura no sentido da borda norte. Contribui para esse aspecto, acoplado aos efeitos direcionais, o fato de o HSS possuir um amplo campo de visada (FOV), com 86º, o que motiva uma influência atmosférica mais intensa nas bordas, devido ao aumento da trajetória óptica da radiação. Nas imagens obtidas com a aeronave alinhada com o Sol aproada ou deixando-o à retaguarda tal anisotropia não ocorre, e as imagens apresentam melhor aspecto visual. Fig. 4.7 Trecho da imagem HSS da cidade de São José dos Campos entre os bairros Jardim Oriente (esquerda) e Vista Verde (direita). A parte inferior apresentase mais brilhante, devido ao efeito do retroespalhamento da iluminação solar, mais visível nas áreas edificadas. Vale ressaltar, entretanto, que a definição de tal eixo de imageamento privilegiou o sentido da expansão urbana da cidade, que ocorre predominantemente ao longo da Rodovia Presidente Dutra, tomado por base para o estabelecimento do eixo de passagem da aeronave. A escolha do eixo Sul-Norte reduziria o efeito da anisotropia verificado, mas também a área urbanizada incluída na cena, o que restringiria a disponibilidade de alvos para a análise espectral em uma mesma faixa de vôo. Uma alternativa, a fim de minimizar as variações radiométricas devidas à anisotropia em imagens de sensores de amplo campo de visada como o HSS, é restringir a utilização da imagem à região de aproximadamente 30º centrais da faixa imageada (entre -15º e +15º), que se equivale ao campo de visada máximo de sensores orbitais. Esta prática, entretanto, apesar de desejável, não foi plenamente possível para este trabalho, em virtude da dificuldade de obtenção de amostras para determinadas classes espectrais, o que exigiu a eventual incorporação de pixels posicionados entre -35º e +35º de visada, em relação ao nadir. 147

148 4.2.2 Pré-processamento e Correção atmosférica da Imagem HSS Para a avaliação da correção atmosférica com o aplicativo FLAASH também foi utilizado o pátio de concreto que serviu de referência para a avaliação espectral e radiométrica. O espectro médio de radiância de 8 medições de campo, realizadas durante o imageamento, foi reamostrado (ponderação) para as FREs dos 37 canais do VNIR SWIR do sensor HSS e comparado ao espectro médio de 575 pixels do pátio de referência. A correção atmosférica cujos espectros da imagem melhor se ajustaram aos espectros de campo, foi obtida com o modelo Tropical de atmosfera e o modelo Urbano de aerossóis, sem a utilização da opção de processamento com a estimativa K-T (Kauffman-Tanré) de aerossóis, ou da estimativa WR (Water Retrieval) de vapor d água. Para a correção do vapor d água foi utilizada a opção de multiplicador WCM (Water Column Multiplier) de valor fixo de 0,35. A concentração de CO 2 utilizada foi a sugerida no guia do usuário do FLAASH, em 390 ppm. Na Figura 4.8, o espectro médio do pátio de concreto obtido da imagem de reflectância é apresentado juntamente ao espectro médio de reflectância obtido em campo e reamostrado para as bandas do HSS. Fig. 4.8 O espectro médio do pátio de concreto da imagem reflectância obtida após o ajuste espectral (linha azul) apresenta boa correspondência com espectro médio de reflectância de campo reamostrado (linha verde). Conforme pode ser observado na Figura 4 8, apesar das diferenças na magnitude dos espectros de reflectância do pátio serem crescentes no sentido dos canais com maiores comprimentos de onda, verificou-se uma boa aproximação nos perfis espectrais de campo e da imagem reflectância com o ajuste espectral. Persistiram, no entanto, duas feições nitidamente discrepantes: a primeira, uma depressão próxima a 940 nm, 148

149 indicando uma subcorreção da influência do vapor d água; e a segunda, uma elevação na região de 2050 nm, indício de sobrecorreção da influência da concentração de CO 2, verificada quando se utilizou os 390 ppm sugeridos no manual do aplicativo. Testes posteriores indicaram que ajustes a menor no parâmetro que identifica a concentração de CO 2, para próxima a 230 ppm, trouxeram benefícios quanto à continuidade espectral na região de 2000 nm, porém, como conseqüência, resultou em uma baixa restituição da influência do CO 2. Tal subcorreção foi evidenciada pela sistemática feição de absorção entre os canais 22 e 25 do HSS, observada nos mais variados alvos. Deve-se considerar, entretanto, que a concentração do CO 2, assim como ocorre para o vapor d água, pode sofrer razoável variabilidade ao longo de uma cena tão heterogênea, como o trecho de área urbana utilizado neste trabalho, sendo esperada a ocorrência de áreas de melhor e de pior ajuste da correção. Outro aspecto a ser observado é que, enquanto a correção realizada antes do ajuste espectral apresentou nítida irregularidade nas proximidades de 940 nm, verificada por uma maior flutuação no espectro, a correção realizada após o ajuste espectral apresentou melhor continuidade do espectro correspondente (linha azul na Figura 4.8). Na correção atmosférica realizada sobre a imagem sem o ajuste espectral, o canal 19 permaneceu com razoável feição de absorção, mesmo ocorrendo nítida sobrecorreção do canal anterior, indicando superestimação da concentração do vapor d água na cena. Pequenas flutuações residuais observadas na imagem corrigida foram suavizadas com a filtragem espectral EFFORT por segmentos. O melhor resultado do EFFORT neste trabalho foi obtido com a utilização de um polinômio de 3 a ordem no segmento delimitado pelos canais 14 a 20, região de influência do vapor d água de 940 nm, e outro, de 2 a ordem, no outro segmento, do canal 22 a 26, a região próxima a 2050 nm, de influência do CO Análise Exploratória da Biblioteca Espectral Biblioteca Espectral de Campo e Laboratório A biblioteca de campo foi constituída basicamente de alvos artificiais. Foram realizadas medições de campo de telhados de aço galvanizado, de alumínio, de cerâmica de argila avermelhada, de telha metálica pintada, de telha canalete de concreto, de toldo em PVC, de fardos de materiais plásticos e de fibrocimento em diferentes estágios de 149

150 envelhecimento. Dos pavimentos, foram obtidos espectros do pátio de concreto utilizado na avaliação radiométrica da imagem, de asfalto da pista de táxi do aeródromo da cidade, de piso de quadra de tênis em saibro, e de calçamento em pedra tipo São Tomé (quartzito) comumente utilizado na região para o revestimento de bordas de piscinas. Em laboratório foram obtidos espectros de telhas metálicas com e sem pintura, telhas cerâmicas de argila em diferentes tonalidades, telhas de fibrocimento com e sem a presença de liquens escurecidos, telhas de concreto e amostras de lonas de PVC com diferentes pigmentações. Telhados de aço e de alumínio, quando limpos, apresentam espetros de campo facilmente diferenciáveis, devido à posição de uma banda de absorção deslocada no NIR, com centro em 830 nm para o aço galvanizado e 1030 nm para o alumínio. Outra diferença ocorre em relação à inclinação da curva espectral no VIS, entre 400 e 600 nm, ascendente para o alumínio e, em geral, descendente para o aço galvanizado. Esta inclinação, entretanto, pode sofrer variação com a oxidação avançada do aço, tomando características semelhantes à do alumínio, com inclinação ascendente, porém limitada à região do azul entre 400 e 480 nm. No alumínio, por sua vez, foi observada a presença de pequenas encrostações escurecidas em alguns telhados mais antigos da região, resultando em um aspecto pulverizado, que reduz a reflectância e traz o seu espectro à magnitude verificada para o aço galvanizado, do qual passa a ser distinguido apenas pela posição da banda de absorção do NIR. Características espectrais típicas de telhados de alumínio e de aço galvanizado podem ser visualizadas na Figura 4.9, onde são apresentados os espectros desses materiais, juntamente com a fotografia dos alvos a que correspondem: um telhado convexo de alumínio (superior); e.um telhado plano de aço galvanizado (inferior). Em materiais novos, pouco expostos ao tempo, a confusão entre aço e alumínio pode ocorrer devido à forte reflexão especular das chapas de aspecto polido, pouco oxidadas, cuja reflexão difusa é baixa. Como conseqüência, os materiais apresentam magnitude de reflectância baixa e muito próxima, dificultando a discriminação entre as feições que os distingue. Essa condição, entretanto, é bastante provisória, já que o aço galvanizado toma aspecto acinzentado com poucas semanas de exposição ao tempo, enquanto o alumínio, em um período mais longo passa a uma tonalidade mais dourada. Diferenças de condição de superfícies metálicas são apresentadas na Figura

151 Fig. 4.9 Espectros de campo de telhados de aço galvanizado e de alumínio mostram diferenças quanto à feição de absorção e à magnitude das curvas. Fig Condição de telhados metálicos observados na área de estudo. Três estágios de envelhecimento de telhas de aço galvanizado, com o aspecto visual evoluindo do cinza-azulado ao marrom-avermelhado (a); e alumínio, em (b), que se apresenta mais homogêneo por não ser susceptível à corrosão. Materiais à base de cimento apresentam características espectrais mais monótonas que os metais, em geral ligeiramente convexas no VIS e no SWIR. Quando novos, não apresentam feições de absorção características que os permita distinguir entre si. Ao longo do tempo esses materiais sofrem a aderência de liquens e a impregnação por minerais do solo e ainda de outras substâncias ao qual estejam expostos pelo uso, cujas características podem prevalecer sobre os espectros originais. Pavimentos de concreto, por exemplo, quando utilizados para tráfego veicular, apresentam impregnação de óleo, mas estão menos sujeitos à formação de liquens em virtude do tráfego. Já nos telhados, predomina a proliferação dos liquens que modificam consideravelmente os espectros do material de cobertura. Além desses, entretanto, também deve ser considerada a influência da geometria sobre os espectros, por serem os telhados necessariamente inclinados e corrugados em diversos perfis. Alguns desses aspectos podem ser identificados na Figura 4.11, onde são apresentados telhados de fibrocimento com visíveis diferenças na condição e no padrão da superfície. 151

152 Fig Telhados de fibrocimento apresentam grande diversidade de formatos e conservação: perfil canalete 90 bastante envelhecido (a); perfil U (modulado) em estágio intermediário de envelhecimento; e perfil ondulado (vogatex) com telhas em dois estágios de envelhecimento e elementos metálicos utilizados para ventilação sobre a cumeeira (c). Em geral, ocorre redução na reflectância de materiais à base de cimento ao longo do processo de envelhecimento, principalmente na região do VIS. Inflexões em 680 nm foram observadas tanto nos espectros de concreto quanto de fibrocimento medidos em campo, porém essas não foram evidenciadas nos materiais novos medidos em laboratório, estando possivelmente associadas ao surgimento dos liquens. No SWIR, tanto o concreto quanto o fibrocimento apresentaram gradual redução da reflectância nos maiores comprimento de onda, em feições côncavas, muito similares exceto pela presença de uma tênue feição de absorção em 2330 nm que ocorre nos espectros de fibrocimento, atribuída à presença de amianto nesse material, conforme apresentado na literatura (CLARK ET AL., 2001; BASSANI ET AL., 2007). Tal feição foi observada nas amostras de diversos estágios de envelhecimento, porém é evidente a sua atenuação nas amostras mais envelhecidas, tornando-se mais ampla e menos profunda, conforme apresentado na Figura 4.12, onde os espectros de telhados de fibrocimento em três estágios de envelhecimento são visualizados aos lados das fotografias dos alvos a que se referem. Descrições da literatura e medições de laboratório corroboram com a associação das feições de absorção em 2330 nm, verificada nas amostras de campo, à presença de amianto. Na Figura 4.13 o espectro de telha nova de fibrocimento obtido em campo é justaposto a dois espectros de referência: um obtido em campo por Clark et al. (2001), atribuído à presença da crisotila nos escombros do WTC; e o outro referente a uma telha de fibrocimento contendo amianto, obtido em laboratório para este trabalho, que apresenta cerca de 3% de intensidade de absorção. 152

153 Fig Espectros de campo de telhados de fibrocimento em três condições de conservação da superfície, correspondentes às imagens à esquerda: telhado novo (foto superior), misto (foto central) e envelhecido (foto inferior). No processo de envelhecimento o espectro do fibrocimento apresenta gradativa redução da reflectância, principalmente no VIS, porém, apesar de atenuadas, persistem as inflexões em 680 nm e em 2330 nm. Fig Espectro de telha de fibrocimento obtido em campo (linha ciano) é comparado ao espectro de fibrocimento com amianto obtido em laboratório (linha magenta), e à referência de crisotila da literatura Clark et al., 2001 (linha preta). À direita, uma ampliação da região espectral entre 2300 e 2400 nm. A presença do amianto no fibrocimento é, de fato, diferençável em espectros de laboratório, já que na amostra de telha de fibrocimento que não contém amianto em sua composição não foi identificada a feição de absorção da crisotila em 2330 nm, mas sim uma banda de absorção mais ampla e menos pronunciada. Tal constatação pode ser verificada na Figura 4.14, na qual são apresentados espectros de laboratório de telhas novas, com e sem amianto, conforme identificadas nos avisos impressos pelos fabricantes nos produtos. 153

154 Fig Espectros de laboratório de telha de fibrocimento com amianto (linha magenta) e de fibrocimento sem amianto (linha azul), referentes aos alvos da fotografia à esquerda. No destaque, as informações do fabricante impressas no produto, identificando a presença de amianto (amostra superior inscrição em preto) e a ausência (amostra inferior inscrição em vermelho). Facilmente diferenciáveis das telhas de fibrocimento são as cerâmicas de argila vermelha, basicamente em virtude das feições de absorção por óxidos de ferro, observadas no VNIR. Essas telhas cerâmicas preservam quase fielmente os espectros dos seus materiais de origem, exceto pela feição da hidroxila (O-H), presente nos minerais da argila in natura, como a caolinita, que são atenuadas após o processo de produção da cerâmica. A redução da reflectância nesses materiais com o uso também é esperada, à exemplo das telhas de fibrocimento, devido à proliferação de liquens. Na Figura 4.15 são apresentados espectros obtidos em campo de telhas cerâmicas vermelhas em dois estágios de envelhecimento, juntamente com o espectro de uma amostra de saibro (mistura de argila, areia e pedriscos), material utilizado no piso de quadras de tênis. As fotografias à esquerda correspondem à amostra dos alvos medidos em campo: piso de saibro (superior); telha cerâmica vermelha nova (centro); e envelhecida (inferior). Materiais cerâmicos de argila clara também foram observados em campo, utilizados em telhados de residências com padrão econômico diferenciado. Esses, apesar da baixa representatividade na área do estudo, também foram avaliados em medições de laboratório, a fim de verificar sua separabilidade dos demais materiais urbanos. As diferenças em relação à cerâmica de argila vermelha são evidentes e pouca confusão espectral é esperada entre ambas as colorações cerâmicas. As amostras espectrais medidas em laboratório revelam grande diferença espectral da cerâmica em virtude do 154

155 tipo de argila da qual é preparada, basicamente quanto às feições devidas aos óxidos de ferro no VNIR, ausentes na cerâmica clara. Fig As feições de absorção devidas aos óxidos de ferro da cerâmica nova (linha bege), no VNIR, principalmente em 670 e 870 nm, são atenuadas no envelhecimento da cerâmica (linha vermelha), em virtude da proliferação de liquens nos telhados. No SWIR, a feição da hidroxila, em 2200 nm, que é nitidamente observada no solo de argila in natura (linha marrom) encontrase descaracterizada nos materiais cerâmicos. É provável que variedades de cerâmicas mescladas, elaboradas com a mistura de argilas de diferentes colorações, apresentem espectros mais próximos, com reflectância intermediária nessa região espectral. No SWIR, persistem as semelhanças espectrais, em virtude da natureza espectral pouco recortada desse material. Na Figura 4.16 são apresentados espectros de laboratório das três variedades de telhas de argila apresentadas na fotografia à esquerda. Fig As feições de absorção devidas aos óxidos de ferro, no VNIR, são verificadas apenas nos espectros de cerâmica de argila vermelha (linhas amarela e vermelha), as quais permitem fácil diferenciação da cerâmica de argila clara. Para o caso de discriminação entre as telhas cerâmicas, verifica-se pouca contribuição do SWIR. Conforme pode ser observado na Figura 4.16, exceto pela diferença de magnitude, que muitas vezes está associada meramente às variações da orientação do 155

156 alvo relativa à geometria de iluminação e visada, é nítida a semelhança entre os três espectros de cerâmica no SWIR. Mas essa não é a regra, em geral, para a discriminação entre diferentes materiais, pois é justamente no SWIR que se verificam as maiores diferenças entre materiais de diferente natureza. Assim como no caso da presença do amianto no fibrocimento, espectros de matérias sintéticos, como plásticos em geral e diferentes tipos de tintas elaborados com derivados de petróleo, são passíveis de identificação pelas feições de absorção no SWIR. Observe-se, nos espectros da Figura 4.17, as feições de absorção próximas a 2135 nm e, mais pronunciadamente entre 2270 e 2450 nm, que ocorrem nos três diferentes materiais derivados de petróleo apresentados nas fotografias à esquerda: tinta amarela sobre metal (superior); lona de PVC (PolyVinyl Chloride Cloreto de Polivinila) (ao centro) e plástico PET (Polyethylene terephthalate PoliTereftalato de Etila). Alguma diferença espectral desses plásticos aparenta ocorrer na região entre 1500 e 1800 nm, onde o PVC tem definida praticamente uma única feição de absorção, em 1715 nm, enquanto o PET apresenta uma feição dupla, com maior profundidade em 1660 nm, que a tinta amarela curada reproduz com menor intensidade. Fig Espectros de campo de pintura sobre metal (superior) e de materiais plásticos (PVC centro; PET inferior) revelam semelhanças no SWIR, com uma banda de absorção sutil em 2135 nm e outra, mais ampla a partir de 2270 nm, devido à presença de hidrocarbonetos dos derivados de petróleo. Tratando-se de alvos artificiais, as diferenças espectrais associadas à cor 61 (matiz), que são reveladas no VIS, não permitem conclusões precisas sobre a natureza do material de que é confeccionado, já que diversos materiais são fornecidos nas mais variadas cores ou pigmentações. Nesses casos, é a região do SWIR que possibilitará melhor 61 Aqui utilizado no conceito popular, já que cor, a rigor, é um aspecto visual bastante subjetivo. 156

157 caracterização, voltada à identificação do material. Pode-se citar como exemplo o caso das lonas de PVC, conforme ilustrado na Figura 4.18, onde são apresentados espectros de amostras do mesmo material em diferentes cores. Fig Espectros de laboratório de amostras de lonas de PVC de diferentes cores (incluídas na paleta na fotografia à esquerda) revelam semelhanças no NIR e SWIR, com feições de absorção em 1715 nm, 2135 nm e outra, mais ampla, a partir de 2300 nm. Fornecidas nas mais variadas colorações, as amostras de lonas de PVC revelam grande diferença espectral no VIS, e até no NIR. Mas, tratando-se de um mesmo material, revelam suas semelhanças em relação às feições de absorção em 1715 nm, 2135 nm e em uma feição mais ampla, que no caso do PVC vai de 2300 a 2500 nm. A lógica inversa pode ser aplicada para a diferenciação entre materiais de natureza diferente, que por ventura tenham colorações semelhantes. Nesse caso, uma cobertura em lona de PVC bege, por exemplo, pode vir a ser discriminada de uma cobertura com telhas de cerâmica de argila, ou de concreto pigmentado em cor pêssego, todas de alta reflectância no VIS. Espectros de laboratório desses materiais muito se assemelham no VNIR, como pode ser observado na Figura 4.19, mas ainda são discrimináveis no SWIR, em virtude das feições de absorção do PVC, conforme reportadas anteriormente, e da feição de caolinita, em 2200 nm, na cerâmica de argila. Com espectros de laboratório foi possível identificar feições de absorção sutis comuns às telhas de concreto pigmentadas, em 2280 e 2350 nm, com intensidade inferior a 2%. Esses e outros detalhes espectrais de baixa intensidade que estão presentes nos espectros de laboratório, entretanto, não são fáceis de identificar em imagens hiperespectrais de sensores remotos, por diversas razões: baixa resolução espacial; ausência de canais em regiões espectrais específicas; amplitude de banda maior do que a largura da feição de interesse; relação sinal-ruído do sensor insuficiente para a discriminação da feição; 157

158 influência da atmosfera; ou ainda, devido à variabilidade espectral provocada pelas condições do alvo. Fig Espectros de laboratório de materiais apresentados na fotografia à esquerda: lona de PVC bege (superior), concreto pigmentado em cor pêssego (centro) e cerâmica de argila clara (inferior). Apesar da semelhança no VNIR, esses se diferenciam no SWIR devido às feições do PVC (1717, 2135 e 2300 nm) e da presença da caolinita na argila (2200 nm). Em geral, ocorrem dificuldades de discriminação entre diversos materiais urbanos, principalmente os derivados de cimento, que apresentam espectros monótonos, pouco recortados. Mesmo em espectros de laboratório, obtidos com materiais novos, não expostos ao tempo, observa-se a proximidade entre alguns espectros desses materiais. Ocorre certa confusão, por exemplo, entre telhas de fibrocimento limpo (novo), de concreto com pigmentação clara e, em menor grau, com a cerâmica de argila clara, ilustrados na Figura Caracterização Espectral Utilizando a Simulação Multissensor A confusão entre os espectros torna-se mais evidente à medida que é degradada a resolução espectral do sensor. Ao reduzir-se a amostragem espectral (diminuição do número de canais) e/ou aumentar-se a largura espectral de bandas reduz-se também a possibilidade de identificação espectral e até de discriminação entre os espectros. Uma forma de avaliar tal impacto é através da simulação de espectros para as características espectrais de sensores multiespectrais em geral. A reamostragem de espectros de laboratório da Figura 4.19 para a simulação dos sensores QuickBird, HRG/Spot-5, ETM+/Landsat-7 e também do HSS, possibilita uma melhor visualização da confusão resultante da perda de resolução espectral nos espectros de cerâmica, concreto pigmentado e lona de PVC (Figura 4.21). 158

159 Fig Espectros de laboratório de materiais apresentados na fotografia à esquerda: cerâmica de argila clara (superior), fibrocimento com amianto (centro) e concreto pigmentado cinza-pérola (inferior). A ausência de feições de absorção mais recortadas tornam os espectros susceptíveis à confusão. Conforme pode ser observado na Figura 4.21, a resolução espectral do sensor HSS no SWIR possibilita a identificação do PVC e a discriminação entre a cerâmica de argila e o concreto pigmentado. Nesse aspecto, a presença de outros canais entre 1500 e 1800 nm, fora da faixa espectral de absorção de vapor d água próxima a 1940 nm, permitiria maior certificação em relação ao PVC, com a abrangência da feição de absorção desse material em 1715 nm. Possivelmente, também possibilitaria a sua diferenciação de outros tipos de plásticos. Quanto aos demais sensores, observa-se entre o ETM+, o HRG e o Quickbird, nessa ordem, uma gradual redução da capacidade de discriminação entre os materiais apresentados. No HRG, a ausência de banda no azul não prejudica a discriminação entre os espectros simulados. Entretanto, com a ausência de bandas nos maiores comprimentos de onda do SWIR, é nítida a confusão espectral entre a cerâmica clara e o concreto pigmentado, que passam a ser diferenciados meramente por pequenas diferenças de magnitude, ou seja, susceptível a aspectos condicionantes do alvo. No Quickbird, pela ausência completa de bandas no SWIR, a confusão estende-se também sobre o espectro do PVC. Vale observar, ainda, que em relação às características espectrais dos sensores citados, o aumento da largura de bandas influencia a capacidade de identificação do material do alvo, em virtude da redução de detalhes, mas não afeta, por si só, a possibilidade de discriminação entre eles, já que é preservado o formato geral dos espectros. Ou seja, para a identificação espectral de alvos urbanos, em caráter geral, é importante o refinamento da largura de bandas e a abrangência da região do SWIR, mas para a mera 159

160 discriminação espectral desses alvos, a largura de bandas parece ter um peso menor do que o impacto da ausência de bandas do SWIR. Fig Simulação da resolução espectral dos sensores HSS (superior), Quickbird (esquerda), HRG/Spot-5 (centro) e ETM+/Landsat-7 (direita), a partir de espectros de laboratório de materiais utilizados em telhados. A capacidade de discriminação entre os espectros de concreto pigmentado, PVC e cerâmica clara é reduzida com a diminuição do número e o aumento da largura de bandas do sensor. Os símbolos indicam o posicionamento das bandas dos sensores Análise Qualitativa dos Espectros da Imagem HSS A primeira verificação espectral na imagem reflectância foi realizada a fim de avaliar a qualidade do processamento radiométrico e da correção atmosférica, conforme resultados anteriormente apresentados, comparando-se espectros de reflectância de campo com a reflectância dos pixels do pátio de concreto utilizado como referência da calibração. Verificada a consistência com a verdade de campo, a imagem reflectância foi amplamente explorada para fins de avaliação dos espectros de alvos da cena, inicialmente abrangendo alvos naturais, cujas características também serviram como parâmetro de análise qualitativa, para posteriormente serem explorados os alvos artificiais. De forma geral, verificou-se coerência dos espectros do HSS com as informações da literatura e os espectros de campo e laboratório. Alvos naturais de várias partes da imagem serviram para a análise qualitativa dos espectros de reflectância. Pixels de solo exposto, corpos d água e vegetação verde foram 160

161 analisados quanto às feições de absorção apresentadas, sendo observada boa coerência com padrões de reflectância conhecidos das referências bibliográficas. Na Figura 4.22 são apresentados espectros de alvos naturais, dispostos ao lado da composição colorida normal correspondente: R(canal 9, 668 nm), G(canal 5, 551 nm), e B(canal 2, 466 nm). Fig Espectros obtidos da imagem de reflectância (valor multiplicado por 10 4 ) do sensor HSS após a correção com o FLAASH e otimização com o EFFORT. São exibidas composições coloridas normais para: vegetação de várzea (a); solo exposto em um corte do terreno (b); lagoa com sedimentos inorgânicos (c); e lagoa com fitoplânctons (d). A Figura 4.22a refere-se a um pixel de vegetação sadia de várzea, com predominância de gramíneas e arbustos sobre área úmida. Seu espectro apresenta baixa reflectância no visível, com predomínio da absorção nos canais do azul e do vermelho, resultado da absorção por pigmentos das folhas, e nítida presença da borda vermelha em 700 nm, devida à reflexão múltipla na estrutura celular. A feição de absorção devida à água das folhas, próximo a 960 nm, também é observada no NIR. No SWIR, verifica-se o formato convexo típico da vegetação sadia, com reflectância inferior a 0,1. Na Figura 4.22b, uma amostra de solo exposto no corte para obras de pavimentação, observa-se o espectro típico de um solo argiloso, com feições de absorção por óxidos de ferro no VNIR e uma banda de absorção pronunciada em 2200 nm, típica da absorção por caolinita. Em (c) e em (d) são identificadas feições típicas de dois corpos d água. O primeiro (c), com grande concentração de sedimentos inorgânicos suspensos, tem maior reflectância na região do vermelho, a qual se reduz rapidamente a partir do NIR, e atinge valores próximos a zero no SWIR. No segundo corpo d água (d), o SWIR também indica valores muito baixos, como esperado para a água, mas a presença de fitoplâncton proporciona a coloração esverdeada do alvo, devida à maior absorção no azul e no vermelho. 161

162 Quanto aos alvos urbanos, a primeira constatação sobre a área de estudo, que possivelmente pode ser estendida a outras áreas urbanas, é a existência, de forma geral, de uma grande variedade de tipos espectrais associados a alvos pequenos alguns de alta freqüência, mas pouco representativos na área total, e pouca variedade de tipos espectrais de alvos maiores. Vários tipos espectrais de pequenas dimensões, definindoos como objetos menores do que um pixel (de aproximadamente 3 x 3 m para esse estudo) têm grande freqüência, e encontram-se permeados com os tipos espectrais de maiores dimensões. Um exemplo são os exaustores metálicos instalados sobre telhados para auxiliar a ventilação e as telhas translúcidas utilizadas para a melhoria da iluminação interna. Esses são verificados principalmente em grandes edificações, geralmente galpões, mas as telhas translúcidas também são verificadas em telhados de residências. Feitas em fibra de vidro, polietileno transparente, policarbonato, ou mesmo em vidro (as peças menores), esses tipos espectrais estão presentes em grande parte de telhados com maior área, em geral constituídos de telhas metálicas ou em fibrocimento. Como fora verificado na análise de dados da biblioteca de campo, materiais manufaturados mais comuns em áreas urbanas, como o fibrocimento, o concreto, a cerâmica de argila, o asfalto, e os metais de telhados, não apresentam, em geral, feições destacáveis de absorção cuja identificação seja facilmente realizada com a análise qualitativa. Alguns desses materiais, entretanto, podem ser discriminados entre si pelo formato geral de seus espectros, devendo-se atentar para a grande variabilidade proporcionada pelas condições da superfície. A impregnação por outros materiais (p.ex. solo, fuligem e óleo), a proliferação de fungos e vegetação, a água das chuvas, e o próprio desgaste da superfície, que modifica a sua rugosidade, podem resultar em grandes variações espectrais entre dois alvos de mesmo material. Tais processos ocorrem naturalmente, proporcionados pela mera exposição ao tempo, ou pelo uso regular do material. Os metais, em geral, sofrem gradual oxidação. O asfalto de rodagens tem suas propriedades modificadas com a exposição ao Sol e a impregnação por solo e óleo de veículos, tornando-se quebradiço, esbranquiçado e manchado. O amianto e a cerâmica de argila sofrem a proliferação de liquens e a deposição de fuligem e de matéria vegetal das vizinhanças. Não obstante as dificuldades, algumas dessas variações são identificáveis em espectros de imagens do HSS, conforme apresentado na Figura

163 Fig Espectros HSS de reflectância (valor multiplicado por 10 4 ) de alvos artificiais comuns a áreas urbanas, identicados nos recortes da imagem: telhado de fibrocimento novo e envelhecido (a); telhado de cerâmica de argila nova e envelhecida (b); telhado de aço galvanizado em três estágios de oxidação (c); e telhado de alumínio envelhecido (d). Escalas e valores do eixo vertical foram ajustados para melhor visualização dos espectros de cada tipo de alvo. A boa resolução espacial da imagem HSS utilizada neste trabalho também possibilitou caracterizar o espectro de alvos menores, como o caso de toldos de lonas plásticas, utilizados na proteção de acessos, garagens, portas e janelas de edificações. Esses e outros alvos confeccionados em PVC apresentam alta reflectância no NIR e feições de absorção características em 2135 nm (canal 27 do HSS) e, principalmente, em 2303 nm (canal 34 do HSS), o que os torna relativamente fáceis de distinguir, desde que predominem na área do pixel, ou seja, que não estejam fortemente misturados com o substrato sobre o qual se encontram. Espectros de lonas de PVC obtidos na imagem HSS são apresentados na Figura Outras variedades de lonas de PVC identificadas na imagem apresentaram as mesmas características de absorção no SWIR, principalmente quanto à feição de 2303 nm. Concordantemente às observações apresentadas na análise dos espectros de laboratório, as diferenças na pigmentação das lonas contribuem, basicamente, para variações espectrais no VNIR, principalmente entre 400 e 850 nm, mas as mesmas magnitudes de absorção são observadas no SWIR, independentemente da pigmentação da amostra da lona, conforme apresentado na Figura

164 Fig Espectros HSS de reflectância (valor multiplicado por 10 4 ) de dois toldos de PVC. Destacam-se as feições de absorção em 2135 e 2303 nm. Abaixo de cada espectro é apresentada a fotografia do alvo correspondente. Fig Espectros HSS de variedades de lonas de PVC com diferentes colorações apresentam feições similares de absorção em 2150 e 2325 nm, apesar das variações na região do VNIR. Vê-se, em (a), um hangar de lona branca e, em (b), dois modelos de quiosques coloridos. Outros materiais plásticos, como as caixas d água confeccionadas em polietileno, foram observados na imagem HSS, e confirmados com a visitação ao campo. Entretanto, em decorrência das dimensões reduzidas desses alvos e da conseqüente mistura espectral com os materiais do substrato em um pixel da imagem, houve prejuízo para a caracterização desses tipos espectrais. Nos telhados pintados também foram observadas feições de absorção comuns às verificadas para o PVC no SWIR, como verificado nas medições de campo anteriormente reportadas. Nestes, da mesma forma que ocorre para as lonas de PVC, as variações da coloração afetam fortemente a reflectância no VNIR, mas os espectros são similares no SWIR, como pode se observado na Figura

165 Fig Espectros de variedades de telhado metálicos pintados nas cores branca, amarela, vermelha e azul foram obtidos com a imagem HSS. A feição de absorção na região de 2300 nm, presentes em todos os espectros de pinturas reflete a presença de materiras comuns às pinturas de diferentes cores, à semelhança de materiais plásticos como o PVC. Traços da presença de enxofre também puderam ser verificados em um depósito descoberto no interior da área de uma refinaria de petróleo. O espectro de alta reflectância, muito superior aos demais objetos brilhantes da cena é apresentado na Figura 4.27 juntamente com um espectro de enxofre puro, obtido em medição de laboratório. Fig Espectros com traços da presença de enxofre foram observados em pixels de um depósito descoberto da imagem HSS. Dois montes do material podem ser identificados no recorte da imagem (à esquerda), cuja amostra espectral assemelha-se ao espectro da substância pura medida em laboratório. A alta reflectância é característica marcante dessa substância, que supera em muito o brilho de outros materiais da cena Análise Qualitativa da Discriminação de Classes com Dados HSS A análise qualitativa da separabilidade de classes de alvos artificiais e naturais foi realizada através da visualização dos diagramas de espalhamento, explorando-se as bandas originais da imagem reflectância do HSS e também bandas dos sensores simulados com a integração dos dados do HSS. Os diagramas de espalhamento permitem uma melhor visualização da dispersão dos pixels de uma classe e da 165

166 separabilidade dos pixels de outros tipos espectrais, ou classes de alvos. Na Figura 4.28 são apresentados diagramas de espalhamento de alvos naturais (esquerda) e artificiais (direita) em combinações pareadas de seis bandas do sensor: as três do VIS (azul B02, verde B05 e vermelho B09); uma do NIR (B20); e duas do SWIR (B21 e B35). Fig Diagrama matricial de espalhamento de classes de alvos obtidos na imagem reflectância do HSS. A distribuição de 5 classes de alvos naturais (esquerda) e de 6 classes de alvos artificiais (direita) é apresentada em combinações pareadas de seis bandas do sensor (centros de banda discriminados em µm): as 3 do VIS (azul B02, verde B05, e vermelho B09); uma do NIR (B20); e duas do SWIR (B21 e B35). Na Figura 4.28 pode-se observar que o solo argiloso apresenta alguma confusão com a água com sedimentos inorgânicos e com a vegetação senescente, quando observados apenas com as bandas do VIS (B02, B05 e B09). Confusão espectral também ocorre nessa região, entre a vegetação verde e a água com fitoplânctons e entre a vegetação verde e a vegetação senescente. Maior confusão ocorre, ainda, entre os dois tipos de corpos d água, quando são utilizadas apenas as bandas do NIR e do SWIR. Porém, ambos os corpos d água destacam-se entre si e dos demais alvos naturais com a diagramação de uma das bandas do VIS contra a banda do NIR (B20) ou contra a primeira banda do SWIR (B21). Quanto aos alvos artificiais apresentados na Figura 4.28, verifica-se, a princípio, uma melhor separabilidade de classe do que entre os alvos naturais, bastando a apresentação do par de bandas B02 vs. B35 para tal constatação. Essa conclusão, entretanto, não deve 166

167 ser generalizada e nem levar a interpretações equivocadas sobre a dispersão das classes de alvos artificiais. A afirmativa deve ser interpretada para esse caso específico, considerando três aspectos básicos quanto às classes de alvos artificiais apresentados: 1) há uma menor mistura espectral intra-pixel de cada classe de alvo artificial com os materiais das demais classes dessa categoria, já que foram selecionadas amostras de objetos urbanos de dimensões maiores que um pixel, garantida essa escala, os alvos urbanos em geral apresentam maior homogeneidade e textura mais fina; 2) os alvos artificiais apresentados são constituídos de materiais de natureza muito diferente, ao passo que os alvos naturais tipicamente estudados são, em muitos casos, transformações de um mesmo organismo ou substância, como a vegetação seca, originária da vegetação verde, que freqüentemente apresenta um substrato visível de solo e/ou água, misturados a nível intra-pixel; e 3) há uma ilusória concentração das amostras das classes de alvos artificiais, associada à diferença de escala de apresentação dos dados em relação aos alvos naturais, já que os alvos artificiais apresentados ocupam, na verdade, um maior intervalo de valores de reflectância, sendo portanto mais dispersos. Dos alvos naturais, tipicamente mais escuros, apenas o solo arenoso atinge maiores valores de reflectância, ao ponto de permear-se em classes de alvos artificiais como aço e alumínio. Essas observações podem ser melhor identificadas com a visualização de todas as classes, das duas categorias de alvos (natural e artificial), em um só diagrama, apresentado na Figura 4.29 para as bandas B02 vs. B35. Alvos artificiais constituídos de materiais similares, de mesma base química, como os derivados de cimento, que têm larga aplicação na área urbana em geral, apresentam maior confusão entre si. Da mesma forma, alvos de materiais plásticos ou revestidos em tintas, que apresentam diferenças no VNIR em virtude da coloração, têm baixa discriminação no SWIR. A confusão entre classes espectrais de materiais similares pode ser visualizada nos diagramas de espalhamento das bandas do HSS B02 vs. B35 e B09 vs. B21 apresentados na Figura 4.30, onde amostras de alvos claros, referentes a três tipos de materiais constituídos de cimento são dispostos juntamente a dois tipos de metais e um tipo de pintura, todos utilizados em pavimentos ou telhados da área urbana de estudo. 167

168 Fig Diagrama de espalhamento de classes de alvos naturais e artificiais obtidos na imagem reflectância do HSS para as bandas B02 (Vis) vs. B35 (SWIR). Enquanto os alvos naturais possuem menores valores de reflectância em ambas as bandas apresentadas, os alvos artificiais apresentam maior amplitude, dispersando-se entre valores médios e altos. Um maior número de amostras por classe também contribui para a visualização da confusão na Figura Com o par de bandas B02 vs. B35 constata-se uma grande mistura entre o aço galvanizado e as três classes espectrais de alvos constituídos de cimento, ocorrendo boa separabilidade das classes pintura branca e alumínio. Dos materiais em cimento, as telhas individualizadas de concreto claro, apresentadas com a legenda cimento claro têm mistura mais intensa com o os pavimentos novos de cimento ( pav cimento claro ), enquanto as telhas novas de fibrocimento apresentam melhor distinção. Utilizando-se o par B09 vs. B21 observa-se uma visível melhora da separabilidade do aço galvanizado, principalmente em relação às telhas de concreto ( cimento claro ), mas piora-se a separabilidade entre o fibrocimento claro e as telhas de pintura branca e persiste a confusão dos materiais de cimento entre si. 168

169 Fig Diagrama de espalhamento de classes de alvos artificiais similares obtidos na imagem reflectância do HSS para os pares de bandas B02 (VIS) vs. B35 (SWIR) e B09 (VIS) vs. B21 (SWIR). Em relação à influência da largura de banda, a simulação da resolução espectral dos sensores ETM+/Landsat-7, HRG/Spot-5 e Quickbird, realizada pela combinação de bandas do HSS, mostrou que não há alterações visíveis na dispersão ou na distância entre as classes de alvos artificiais, como pode ser visualizado na Figura Nesta figura são apresentados os diagramas de espalhamento de seis classes de alvos artificiais para seis bandas do sensor HSS e as bandas dos sensores simulados. Dessa forma, parece não haver redução significativa na separabilidade dessas classes de alvos artificiais em virtude especificamente do aumento da largura de bandas. 169

170 Fig Diagramas matriciais de espalhamento de classes de alvos artificiais para o HSS e os sensores multiespectrais simulados, onde são apresentadas as combinações de seis bandas espectrais: as três do VIS, duas do NIR e uma do SWIR. Os retângulos vazios referem-se a combinações de bandas não disponíveis para o sensor em questão. Observe-se que a dispersão das classes é basicamente a mesma nas relações entre bandas equivalentes de cada sensor. Na Figura 4.31 observa-se que o posicionamento e a distribuição das classes nos diagramas com pares de bandas equivalentes de um e outro sensor são basicamente os mesmos, como por exemplo, a relação das classes no par de bandas B04 vs. B14 do HSS, cujos resultados se equivalem aos pares B02 vs. B04 do ETM+/Landsat, B01 vs. B03 do HRG/Spot e B02 vs. B04 do Quickbird. Essa comparação é apresentada em maior escala na Figura

171 Fig Diagramas de espalhamento de classes de alvos artificiais para o HSS e para as bandas combinadas dos sensores multiespectrais simulados. São apresentadas combinações de bandas espectrais relativas à região do azul e do NIR. Basicamente a mesma separação de classes é observada entre um e outro sensor, exceto para a classe pintura amarela, que na configuração do ETM+ apresenta-se mais próxima da lona branca de PVC. Tratando-se de uma simulação espectral das FREs dos sensores, cujos dados são originários de um mesmo sensor, e portanto livre das diferenças introduzidas pela sensibilidade e visada de cada sensor, já era esperada certa proximidade nos resultados. Entretanto, outros dois aspectos têm grande contribuição na proximidade na distribuição das classes entre os sensores simulados: 1) de fato há pouca diferença na verdadeira largura das bandas dos sensores multiespectrais em questão; e 2) os alvos artificiais em geral apresentam poucas feições de absorção que impliquem em alterações significativas na magnitude dos valores espectrais, na largura de banda de um para outro 171

172 sensor. Nesse aspecto, deve-se considerar que, dependendo das características espectrais do alvo, é possível sim que a separabilidade seja mais ou menos prejudicada entre um e outro dos sensores multiespectrais simulados, não necessariamente por influência da largura de banda, mas principalmente em decorrência da redução do número de bandas disponíveis e da conseqüente redução na diversidade de regiões espectrais abrangidas. 4.4 Influência da Resolução Espectral na Discriminação de Alvos Análise Quantitativa Exploratória de Classes de Alvos A análise estatística exploratória consistiu da verificação das distribuições das classes espectrais, particularmente em relação à normalidade e à homocedasticidade entre as classes de alvos similares, referentes a um total de 907 pixels de classes de alvos de maior confusão espectral e com boa representatividade na área de estudo, as quais são apresentadas na Tabela 4.2. TABELA 4.2 Distribuição de pixels por classe e subconjunto Classe N o de Amostras % Marginal 1 (Telhado de Aço galvanizado) (Telhado de Alumínio) (Telhado de Cimento claro) (Telhado com Pintura branca) (Telhado de Fibrocimento claro) (Pavimento de Cimento claro) Total Os testes de homocedasticidade e de normalidade foram aplicados para todas as 51 variáveis envolvidas: sendo 37 referentes às bandas originais do HSS; e 14 referentes às bandas combinadas para a simulação dos sensores multiespectrais, essas englobando as 6 bandas da simulação do ETM+/Landsat-7, as 4 da simulação do HRG/Spot-5 e outras 4 da simulação do Quickbird. Também foram consideradas variáveis obtidas de transformações do inverso, do logaritmo natural e da raiz quadrada das bandas 1, 3 e 15. Um exemplo dos resultados dessa análise é apresentado na Figura 4.33 com os Box plot da banda 15 do HSS e de suas transformadas. A menor diferença entre as variâncias das classes ocorreu para a banda transformada com o logaritmo da banda 15 o que foi posteriormente verificado através da estatística de Levene. 172

173 Fig Diagramas Box plot de classes de alvos artificiais similares observados para a banda 15 do HSS e três transformadas com funções regularmente utilizadas: inversa (1/B15); logarítmica (LogB15); e raiz quadrada (B15 1/2 ). Corroborando com expectativas da observação dos Box plot, o teste de Levene, aplicado sobre todo o conjunto amostral, foi não significativo para a homocedasticidade entre as classes. Em outras palavras, considerando os 907 espectros amostrados, o teste indicou heterocedasticidade para todas as 37 variáveis originais as 37 bandas do sensor HSS, para as bandas transformadas e também para as bandas combinadas dos sensores multiespectrais. O menor valor da estatística de Levene, que representa o maior nível de significância de homocedasticidade, foi obtido para a transformação logarítmica da banda 15 do HSS, mas mesmo esse foi muito baixo (α Β15 = 2,89x10-17, inferior ao nível crítico de 0,05, portanto, não significativo para a homocedasticidade), enquanto o menor nível de significância foi obtido para primeiras bandas do HSS em particular a banda 1 (B01, com α Β01 = 1,76x10-67 ), e para as bandas combinadas obtidas com a inclusão das primeiras bandas do HSS (quick_b1, quick_b2, spot_b1, etm_b1 e etm_b2). Os resultados para algumas das variáveis podem ser observados na Tabela

174 TABELA 4.3 Teste de Levene para a homocedasticidade a Variável Estatística de Levene g.l. 1 g.l. 2 Sig. HSS_B HSS_B HSS_B HSS_B HSS_B HSS_B HSS_B HSS_B HSS_B HSS_B HSS_B HSS_B HSS_B HSS_B HSS_B inv_b raiz_b log_b quick_b quick_b spot_b spot_b etm_b etm_b etm_b Obs.: a referente às classes aço galvanizado, alumínio, cimento claro, pintura branca, fibrocimento claro e pavimento de cimento claro Quanto à normalidade, com os dados agrupados, tomadas conjuntamente todas as seis classe de alvos similares, nenhuma das bandas originais do HSS, das bandas transformadas ou das bandas combinadas apresentou resultado significativo nos teste de Kolmogorov-Smirnov (K-S) e de Shapiro-Wilk (S-W), sequer ao nível de significância de 0,01 (maior tolerância). Na Tabela 4.4 são apresentados os resultados de ambos os testes de normalidade para as variáveis B03 e B15, cujos resultados para as estatísticas K-S e S-W apresentaram um dos menores e um dos maiores valores de significância, respectivamente. Os resultados das demais variáveis podem ser verificados no APÊNDICE B. Um exemplo da não-normalidade dos dados pode ser visualizado com os diagramas de freqüências e os diagramas de probabilidade acumulada (P-P) das bandas 03 e 15 do HSS (Figura 4.34). Algumas variáveis, como a banda 15 (B015), apresentaram menor assimetria quando comparadas a outras, como a banda 03 (B03). 174

175 TABELA 4.4 Testes de normalidade para os dados agrupados Kolmogorov-Smirnov a Shapiro-Wilk Statistic df Sig. Statistic df Sig. B B Obs.: a com correção de significância de Lilliefors. Fig Probabilidade acumulada e histogramas das bandas B03 e B15 do HSS, obtidos com os dados agrupados das seis classes de alvos similares, são apresentados juntamente com a expectativa de distribuição normal. Analisando as classes separadamente, uma a uma, algumas variáveis foram consideradas normais nos testes de K-S e/ou de S-W ao nível de 0,05. Esse foi o caso da classe alumínio na banda 03 do HSS, das classes cimento claro e pintura branca para a banda 15 do HSS, no teste S-W, entre outras, destacadas em negrito no resultado dos testes, apresentado na Tabela

176 TABELA 4.5 Testes de normalidade por classes Kolmogorov-Smirnov a Shapiro-Wilk Variável Classe Statíst. df Sig. Statíst. df Sig. B03 1 (Telhado de Aço galvanizado) (Telhado de Alumínio) (Telhado de Cimento claro) (Telhado com Pintura branca) (Telhado de Fibrocimento claro) (Pavimento de Cimento claro) B15 1 (Telhado de Aço galvanizado) (Telhado de Alumínio) (Telhado de Cimento claro) * (Telhado com Pintura branca) (Telhado de Fibrocimento claro) (Pavimento de Cimento claro) B35 1 (Telhado de Aço galvanizado) (Telhado de Alumínio) (Telhado de Cimento claro) * (Telhado com Pintura branca) (Telhado de Fibrocimento claro) (Pavimento de Cimento claro) * invb15 1 (Telhado de Aço galvanizado) (Telhado de Alumínio) (Telhado de Cimento claro) * (Telhado com Pintura branca) (Telhado de Fibrocimento claro) (Pavimento de Cimento claro) raizb15 1 (Telhado de Aço galvanizado) (Telhado de Alumínio) (Telhado de Cimento claro) * (Telhado com Pintura branca) (Telhado de Fibrocimento claro) (Pavimento de Cimento claro) logb15 1 (Telhado de Aço galvanizado) (Telhado de Alumínio) (Telhado de Cimento claro) * (Telhado com Pintura branca) (Telhado de Fibrocimento claro) (Pavimento de Cimento claro) Obs.: * limite inferior de signifiância a com correção de significância de Lilliefors Considerando os resultados para 36 das 51 variáveis, conforme disponibilizados no APÊNDICE C, a proporção de aprovação (significância 0,05) dos dois testes foi praticamente a mesma, com 17,1% para os testes S-W e 16,7% para o teste K-S com a correção de significância de Lilliefors, sendo concordante o resultado significativo de ambos os testes (significância 0,05 em um e outro) em 10,2% de 216 situações Referente às seis classes em 36 variáveis: B01, B02, B03, B05, B09, B11, B15, B20, B21, B26, B29, B30, B31, B33, B34, B35, invb01, raizb01, logb01, invb15, raizb15, logb15, quick_b1, quick_b2, quick_b3, quick_b4, spot_b1, spot_b2, spot_b3, spot_b4, etm_b1, etm_b2, etm_b3, etm_b4,etm_b5 e etm_b7. 176

177 4.4.2 Seleção de Bandas do HSS na Discriminação de Alvos Urbanos A primeira etapa da análise da discriminação das seis classes dos alvos similares, apresentadas anteriormente na Tabela 4.2, consistiu da avaliação da importância das bandas originais do HSS, realizada através do teste da razão da verossimilhança, com o método de inclusão progressiva no modelo de regressão logística politômica. As amostras das seis classes de alvos e as 37 bandas do HSS foram incluídas indistintamente para a elaboração do modelo logístico, com o total de 907 amostras, identificando-se 13 bandas como as mais adequadas ao modelo, sendo cinco do VIS, três do NIR e cinco do SWIR: B01, B03, B04, B05, B07, B11, B13, B15, B21, B23, B26, B30, B33. Na tabela de precisão de classificação obtida com este modelo, entretanto, foi identificada total separabilidade (100%) para as classes de metais (aço galvanizado e alumínio) e para a classe de pintura branca, como pode ser observado na Tabela 4.6. TABELA 4.6 Precisão classificação com 13 bandas a do HSS Classe Prevista Observada Precisão 1 (Telhado de Aço galvanizado) % 2 (Telhado de Alumínio) % 3 (Telhado de Cimento claro) % 4 (Telhado com Pintura branca) % 5 (Telhado de Fibrocimento claro) % 6 (Pavimento de Cimento claro) % % do Total 25.7% 13.3% 9.5% 19.5% 14.7% 17.3% 95.0% Obs.: a bandas B01, B03, B04, B05, B07, B11, B13, B15, B21, B23, B26, B30 e B33. As classes de fácil separação foram então excluídas da análise e novo modelo foi elaborado apenas com as três classes de alvos confeccionados em cimento. Dez bandas anteriormente incluídas foram novamente selecionadas pelo método Forward Stepwise e outras sete foram acrescentadas, totalizando 17 bandas do HSS, sendo novamente cinco do VIS, outras cinco do NIR e oito do SWIR: B01, B03, B04, B05, B10, B11, B13, B17, B19, B21, B23, B26, B27, B29, B30, B31 e B35 (as sete acrescentadas são destacadas em negrito). Os resultados da classificação são apresentados na Tabela 4.7. Três aspectos devem ser observados a respeito dos resultados dos modelos então obtidos com 13 e 17 bandas: 1) o primeiro, sobre o equilíbrio em relação à importância das três regiões espectrais abordadas, o VIS, o NIR e o SWIR, considerando o número de bandas selecionadas em cada região, aspecto que se repete em outras seleções automáticas posteriormente realizadas; 2) o segundo, sobre a ocorrência de uma tímida melhora no resultado geral da precisão de classificação quando consideradas apenas as três classes 177

178 envolvidas que passa de 88,0% (razão entre os acertos e o total de amostras considerando apenas das três classes citadas) para 90,4%, indício de que o aumento no número de bandas pouco contribuiu para a melhoria da classificação; e por fim, 3) o fato de que em ambas as seleções Forward Stepwise foram incluídas algumas bandas anteriormente destacadas como sendo de baixa qualidade radiométrica, como as bandas B01 e B31, com baixa relação sinal/ruído, e as bandas B19 e B23, onde foram observadas dificuldades de correção atmosférica. Dessas, entretanto, deve-se recordar das avaliações dos dados de vôo que, para as bandas do VIS em geral, incluindo-se a banda B01, verificou-se uma melhor NER do que para as bandas do NIR e do SWIR (exceto se incluída a banda B21, a de melhor NER) o que justificaria sua permanência no modelo. Em relação às demais, entretanto, os aspectos observados servem de alerta sobre a necessidade de intervenção qualitativa para uma seleção mais criteriosa das variáveis para o modelo logístico. TABELA 4.7 Precisão de classificação com 17 bandas a do HSS Classe Prevista Observada Precisão 3 (Telhado de Cimento claro) % 5 (Telhado de Fibrocimento claro) % 6 (Pavimento de Cimento claro) % % do Total 24.2% 34.0% 41.8% 90.4% Obs.: a bandas B01, B03, B04, B05, B10, B11, B13, B17, B19, B21, B23, B26, B27, B29, B30, B31 e B35. O ajuste global do modelo, verificado com o teste Deviance, foi estatisticamente não significativo tanto para o conjunto de 13 bandas quanto para o de 17, a exemplo do resultado apresentado na Tabela 4.8 para o modelo com 17 bandas, indicando consistência dos modelos, ou seja, que há relação entre as variáveis independentes e a variável dependente. Também foram não significativos os testes G para os parâmetros das variáveis nas seleções Forward Stepwise (para os modelos de 13 e 17 bandas), a exemplo do resultado apresentado para o modelo de 17 bandas na Tabela 4.9, mas os parâmetros associados ao intercepto (β 0 ) foram significativos ao nível de 0,05 em ambos os modelos (p-valor = 0,536 para o modelo de 13 bandas e 0,084 no modelo de 17 bandas), o que indica que os modelos poderiam ser melhor ajustados sem esse parâmetro. 178

179 TABELA 4.8 Teste do Deviance no modelo de 17 bandas a do HSS Critério Teste da Razão de Verossimilhança -2 Log verossimilhança (Deviance) Modelo χ 2 g.l. Sig. Apenas o intercepto Final = < Obs.: a bandas B01, B03, B04, B05, B10, B11, B13, B17, B19, B21, B23, B26, B27, B29, B30, B31 e B35. TABELA 4.9 Teste G das variáveis no modelo de 17 bandas a do HSS Critério Teste da Razão de Verossimilhança -2 ln verossimilhança (Estatística G) Modelo χ 2 g.l. Sig. Final b Intercepto B B < B < B < B < B < B < B B B < B B < B B B < B B Obs.: a bandas B01, B03, B04, B05, B10, B11, B13, B17, B19, B21, B23, B26, B27, B29, B30, B31 e B35; b resultado do teste global do modelo (Deviance). Analisando-se os resultados do teste do χ 2 para a estatística de Wald do modelo de 17 bandas, em relação aos logits da classe 3 e 6, tomada como referência a classe 5, verificou-se maior rejeição do que no teste da razão da estatística G, indicando resultado significativo ao nível de 0,05 em nove das 17 bandas selecionadas com o critério da razão da verossimilhança no logit 3/5, e em cinco bandas mais o intercepto no logit 6/5. Foi comum a ambos os logits o resultado significativo para as bandas B17 e B19, conforme apresentado na Tabela 4.10, que inclui apenas os resultados significativos (a tabela completa é apresentada no APÊNDICE D). Ou seja, se o critério para a exclusão de variáveis do modelo fosse baseado no teste do χ 2 para a estatística de Wald, pelo menos a banda B17 (e possivelmente a banda B19, dependendo do nível crítico de 179

180 exclusão) não seria mantida no modelo final. Esse resultado indica que o teste de Wald, considerando a sua aplicação nos modos do teste do χ 2, seria mais rigoroso que o teste da estatística G em relação à aceitação dos parâmetros βˆ. TABELA 4.10 Teste Wald das variáveis no modelo de 17 bandas a do HSS ID Classe b Parâmetro βˆ Erro Padrão (Wald) 2 g.l. Sig. c 3 (Telhado de Cimento claro) B B B B B B B B B (Pavimento de Cimento claro) Intercepto B B B B B Obs.: a bandas B01, B03, B04, B05, B10, B11, B13, B17, B19, B21, B23, B26, B27, B29, B30, B31 e B35; b A classe de referência é a 5 (Telhado de Fibrocimento claro) c Apenas os resultados significativos são apresentados. Considerando os resultados obtidos, optou-se pela elaboração de um terceiro modelo, mais enxuto, com a utilização de apenas 14 variáveis. Essa intervenção foi realizada com dois propósitos: 1) tornar o modelo mais estável quanto à proporção de amostras por variáveis independentes, idealmente de 20:1 e mínima de 10:1, conforme recomendado por Garson (2006), já que para as etapas seguintes o conjunto de variáveis serviria à elaboração do modelo com as amostras de teste, ou seja, 50% do total até então utilizado; e 2) a fim de evitar a redundância de informação com a utilização de bandas espectralmente muito próximas. Nesse sentido, foram realizadas as seguintes modificações em relação ao modelo de 17 bandas até aqui apresentado: 1) exclusão da banda B01 e da banda B03, ambas da região do azul, e substituição pela banda B02, de posição espectral intermediária; 2) exclusão da banda B04, inadequada no logit 6/5 do teste de Wald e muito próxima à banda B05, aprovada em ambos os testes e interessante por ser um canal da região do verde; 3) exclusão da banda B10, inadequada no logit 3/5, e substituição pela banda B09, pela proximidade à banda excluída e por tratar-se de canal posicionado na região 180

181 do vermelho; 4) exclusão da banda 11, pela inadequação no logit 3/5 e pela relativa proximidade com a banda B09 incluída; 5) inclusão da banda B15, para aumentar a amostragem no NIR e por estar centrada no pico de absorção de óxidos de ferro; 6) exclusão das bandas B17 e B19, inadequadas em ambos os logits no teste de Wald a banda B19 também devido a tratar-se de um canal em região de correção atmosférica inadequada, e substituição pela banda B20, última do NIR; 7) exclusão da banda B23, por tratar-se de um canal em região de correção atmosférica inadequada e também ter sido relacionada como inadequada no logit 6/5; 8) exclusão da banda B31, identificada como ruidosa e relacionada como inadequada no logit 3/5, e substituição pela vizinha banda B32 por ser importante na discriminação de minerais de argila; e 9) inclusão da banda B34, que abrange juntamente com a banda 35 uma região importante para discriminação de minerais de amianto. O novo modelo proposto inclui, portanto, as seguintes bandas originais do HSS: B02, B05, B09, B13, B15, B20, B21, B26, B27, B29, B30, B32, B34 e B35. Para esta seleção qualitativa é importante justificar, ainda, a manutenção de outras bandas de resultado inadequado segundo o teste de Wald: 1) a banda B13, apesar de inadequada no logit 3/5 foi mantida por estar posicionada no início da região de absorção de óxidos de ferro, contribuindo com a banda B15 na discriminação da cerâmica de argila vermelha, e também por ser útil na discriminação entre alumínio e aço galvanizado; e 2) por motivo similar, foram preservadas as bandas B26, B27 e B29, que apesar de próximas e inadequadas em um dos logits, foram mantidas por serem importantes na discriminação de materiais plásticos como o PVC. Esta nova seleção de variáveis foi utilizada na elaboração do modelo logístico com os subconjuntos amostrais 1 e 3 (Figura 3.14), que totalizam 456 amostras, utilizados como amostra de treinamento, para o método de avaliação da classificação com amostras preservadas (não utilizadas na elaboração do modelo) (Tabela 4.11). Inicialmente todas as seis classes de alvos similares foram incluídas para a elaboração do modelo com a inclusão forçada de todas as 14 variáveis selecionadas analiticamente, sendo novamente verificada a separabilidade total das classes de metais e de pintura branca, mesmo com a redução do conjunto amostral e a modificação das variáveis em relação ao modelo anterior (Tabela 4.12). 181

182 TABELA 4.11 Distribuição amostral por classe e subconjunto Classe Subconjunto Total 1 (Telhado de Aço galvanizado) (Telhado de Alumínio) (Telhado de Cimento claro) (Telhado com Pintura branca) (Telhado de Fibrocimento claro) (Pavimento de Cimento claro) Total TABELA 4.12 Precisão de classificação com 14 bandas a do HSS Classe Prevista Observada Precisão 1 (Telhado de Aço galvanizado) % 2 (Telhado de Alumínio) % 3 (Telhado de Cimento claro) % 4 (Telhado com Pintura branca) % 5 (Telhado de Fibrocimento claro) % 6 (Pavimento de Cimento claro) % % do Total 25.7% 13.4% 10.1% 19.5% 14.5% 16.9% 93.6% Obs.: a bandas B02, B05, B09, B13, B15, B20, B21, B26, B27, B29, B30, B32, B34, B35. Considerando apenas as três classes de derivados de cimento (classes 3, 5 e 6), observou-se que o novo modelo, com as 14 bandas selecionadas qualitativamente, apresentou precisão de classificação total de 84,7% (razão entre os acertos e o total de amostras considerando apenas das três classes citadas). Este resultado foi inferior aos dos modelos da seleção Forward Stepwise de 13 bandas, com precisão total de 88,0%, e de 17 bandas, com precisão total de 90,4%. O teste do Deviance foi não significativo ao nível de 0,05 para o modelo de 14 bandas, indicando que o modelo é consistente no aspecto global (Tabela 4.13). Entretanto, os parâmetros de diversas variáveis foram significativos nos testes G e de Wald, indicando serem as variáveis associadas pouco contributivas para a modelagem das classes tratadas. TABELA 4.13 Teste do Deviance no modelo de 14 bandas a do HSS Critério Teste da Razão de Verossimilhança -2 ln verossimilhança (Deviance) Modelo χ 2 g.l. Sig. Apenas o intercepto Final < Obs.: a bandas B02, B05, B09, B13, B15, B20, B21, B26, B27, B29, B30, B32, B34, B

183 Foram significativos ao nível de 0,05 os resultados do teste G para os parâmetros do intercepto e de mais oito das 14 variáveis selecionadas analiticamente: B05, B09, B13, B15, B20, B27, B29, e B34 (Tabela 4.14). TABELA 4.14 Teste G no modelo de 14 bandas a do HSS Critério Teste da Razão de Verossimilhança -2 ln verossimilhança (Estatística G) Modelo χ 2 g.l. Sig. Final b Intercepto B B B B B B B < B B B B < B B B Obs.: a bandas B02, B05, B09, B13, B15, B20, B21, B26, B27, B29, B30, B32, B34, B35; b resultado do teste global do modelo (Deviance). O teste de Wald mostrou-se novamente mais rigoroso, indicando no logit 6/5 também as variáveis B32 e B35 como pouco contributivas, além das oito já identificadas no teste G (Tabela 4.15). Apesar da significância de diversas variáveis selecionada analiticamente nos testes G e Wald, mas considerando a adequação geral do modelo, a seleção qualitativa das 14 variáveis do modelo 3 foi mantida para as análises posteriores, principalmente em virtude da importância dessas variáveis em um contexto mais genérico da discriminação de classes de alvos urbanos, e não apenas para os alvos específicos em questão. Essas variáveis foram utilizadas em um método de entrada progressiva (Forward Entry) para a elaboração de um quarto modelo logístico com a metade das amostras (treinamento) referentes aos subconjuntos 1 e 3, mas considerando apenas as três classes de derivados de cimento, totalizando 189 amostras. Foram então obtidas as seguintes equações logits: (1) g 3/5 = *B *B *B *B13 (4.1) 183

184 0.02*B *B *B *B *B *B *B *B *B *B35 ; e (2) g 6/5 = *B *B *B *B *B *B *B *B *B *B *B *B *B *B35. (4.2) TABELA 4.15 Teste Wald das variáveis no modelo de 14 bandas a do HSS ID Classe b Parâmetro βˆ Erro Padrão (Wald) 2 g.l. Sig. 3 (Telhado de Cimento claro) Intercepto B B B B B B B B (Pavimento de Cimento claro) Intercepto B B B B B B B B B B Obs.: a. bandas B02, B05, B09, B13, B15, B20, B21, B26, B27, B29, B30, B32, B34, B35 b. a classe de referência é a 5 (Telhado de Fibrocimento claro) Esse quarto modelo foi consistente ao nível de 0,05 segundo o teste do Deviance (Sig. < 0,05) e apenas os parâmetros do intercepto e das variáveis B05, B09, B20 e B27 apresentaram resultados significativos no teste G. No teste de Wald também foram significativos os resultados para os parâmetros das variáveis B13, B15, B29, B32 e B34 e B35, em pelo menos um dos logits. Apesar do grande número de variáveis inconsistentes, a precisão global de classificação obtida na elaboração do modelo atingiu 84,7% para as três classes, o mesmo resultado obtido com a inclusão das seis classes no modelo de 14 bandas (Tabela 4.16), bastante superior à precisão obtida com o acaso, que seria de 34,78% para o conjunto de dados utilizado. O critério para a aprovação da validade do modelo de regressão logística foi o incremento de no mínimo 25% sobre a precisão de classificação obtida com o acaso, ou a mera chance de ocorrência proporcional das classes. A precisão resultante do acaso 184

185 (by chance accuracy) é obtida com a soma dos quadrados da participação relativa de cada classe na amostra (Tabela 4.17). TABELA 4.16 Precisão de classificação para derivados de cimento com 14 bandas a Classe Prevista Observada Precisão 3 (Telhado de Cimento claro) % 5 (Telhado de Fibrocimento claro) % 6 (Pavimento de Cimento claro) % % do Total 24.3% 34.9% 40.7% 84.7% Obs.: a. bandas B02, B05, B09, B13, B15, B20, B21, B26, B27, B29, B30, B32, B34, B35. TABELA 4.17 Resumo das amostras de derivados de cimento Classe N % marginal 3 (Telhado de Cimento claro) (Telhado de Fibrocimento claro) (Pavimento de Cimento claro) Total % Para esse conjunto de dados, a precisão resultante do acaso é de 34,78% (0, , ,413 2 ) e, portanto, a precisão global do modelo, com 84,7%, superou em quase 100% o critério do incremento de 25%, cuja taxa seria de 43,48% (1,25x34,78%). Para confirmação da consistência do modelo com as 14 bandas selecionadas qualitativamente, os logits foram utilizados para o cálculo das probabilidades de cada amostra dos subconjuntos 2 e 4 (Tabela 4.8), reservados para a validação, totalizando 187 amostras. A probabilidade de cada amostra desses subconjuntos pertencer a uma das três classes de derivados de cimento foi obtida com as equações: (1) π 3 = [e (g3/5) /(1+ e (g3/5) + e (g6/5) )] ; (4.3) (2) π 5 = [1/(1+ e (g3/5) + e (g6/5) )] ; e (4.4) (3) π 6 = [e (g6/5) /(1+ e (g3/5) + e (g6/5) )], (4.5) sendo g 3/5 e g 6/5 os logits anteriormente apresentados. Cada amostra foi, então, atribuída à classe em que apresentou maior probabilidade de ocorrência e nova tabela de precisão de classificação foi obtida com a tabulação cruzada apenas para as amostras de validação, cujo resultado é apresentado na Tabela A precisão global de classificação da validação, obtida com a soma das precisões parciais das classes na diagonal principal da Tabela 4.18, foi de 66,9%, (máximo de 84,7% obtido na elaboração do modelo com as amostras de treinamento Tabela 4.16) 185

186 superando em mais de 25% a chance do acaso (34,78%). Portanto, ratifica a consistência global do modelo da seleção qualitativa das 14 bandas do HSS, com a técnica de validação. TABELA 4.18 Validação da classificação para derivados de cimento com 14 bandas a Classe Prevista Observada Total 3 (Telhado de Cimento claro) Contagem % do Total 13.4% 2.1% 8.6% 24.1% 5 (Telhado de Fibrocimento claro) Contagem % do Total 5.3% 25.7% 3.7% 34.8% 6 (Pavimento de Cimento claro) Contagem % do Total 10.2% 3.2% 27.8% 41.2% Contagem % do Total 28.9% 31.0% 40.1% 100% Obs.: a. bandas B02, B05, B09, B13, B15, B20, B21, B26, B27, B29, B30, B32, B34, B35. O resultado também foi satisfatório quando analisadas as classes individualmente, cujas precisões de classificação superam em pelo menos 25% as imprecisões de classificação: a precisão para as classes fibrocimento e pavimento de cimento ultrapassou em mais de 100% a imprecisão, sendo de 25,7% contra 9%, e de 27,8% contra 13,4%, respectivamente; e para a classe telhado de cimento, com 13,4% de precisão, supera exatamente em 25% a imprecisão, de 10,7%. Esses resultados indicam que o modelo logístico com 14 bandas do HSS foi eficaz na discriminação de tipos espectrais similares de derivados de cimento, quando tratados isoladamente, o que não garante, entretanto, que sua aplicação generalizada em uma imagem, onde outros diversos tipos de materiais estão presentes, apresente a mesma eficácia nos resultados de classificação Discriminação de Alvos Urbanos com Sensores Simulados Para fins de verificação da influência da resolução espectral sobre a precisão de classificação, foram comparados os resultados obtidos com o modelo de 14 bandas do sensor HSS e os modelos elaborados com as bandas combinadas, referentes à simulação dos sensores ETM+/Landsat-7, HRG/Spot-5 e Quickbird, tomando-se apenas a precisão de classificação da elaboração dos modelos com as amostras de treinamento dos subconjuntos 1 e 3. Os resultados são apresentados na Tabela 4.19, com a qual pode ser verificada uma tendência geral de redução na precisão global de classificação dos alvos em virtude da redução do número e/ou da distribuição das bandas dos sensores, sendo a distribuição espectral das bandas o aspecto que aparenta ter maior influência sobre a precisão de classificação. Ou seja, verifica-se, que a precisão de classificação entre um e 186

187 outro sensor está mais estreitamente relacionada com a classe analisada. Por exemplo, enquanto a classificação da classe 1 (aço galvanizado) não sofreu qualquer variação entre os sensores, a da classe 3 (telha de cimento) foi reduzida em mais de 56%. Resultado similar à da classe 1 (aço galvanizado) foi observado para a classe 4 (pintura branca), que apresentou valores altos de classificação, com pequena variação entre os resultados dos diferentes sensores. Esses resultados para as classes 1 (aço galvanizado) e 4 (pintura branca) foram decorrentes da fácil diferenciação dessas classes já no VNIR, região abrangida por todos os sensores discutidos. TABELA 4.19 Precisão de classificação a com sensores simulados Classe HSS b ETM+ c HRG QuickBird 1 (Telhado de Aço galvanizado) % % % % 2 (Telhado de Alumínio) % % 96.72% 63.93% 3 (Telhado de Cimento claro) 73.91% 34.78% 21.74% 17.39% 4 (Telhado com Pintura branca) % 97.75% 87.64% 94.38% 5 (Telhado de Fibrocimento claro) 93.85% 75.38% 75.38% 63.08% 6 (Pavimento de Cimento claro) 83.33% 80.77% 80.77% 74.36% % Global 93.64% 86.18% 82.46% 76.10% Obs.: a para as amostras de treinamento, referentes aos subconjuntos 1 e 3 (50% da amostragem total); b com 14 bandas: B02, B05, B09, B13, B15, B20, B21, B26, B27, B29, B30, B32, B34 e B35. c modelo de 6 bandas etm_b1, etm_b2, etm_b3, etm_b4, etm_b5 e etm_b7. Resultado oposto ao das classes 1 (aço galvanizado) e 4 (pintura branca) foi verificado para as classes 2 (alumínio) e 5 (fibrocimento), que sofreram grande redução na precisão de classificação, principalmente para o QuickBird, ambas com valores próximos a 63%. Essa é devida à grande semelhança espectral dessas classes no VNIR, região a qual se limita a abrangência do QuickBird. Para os demais sensores que dispõem de bandas no SWIR a discriminação entre alumínio e fibrocimento torna-se mais fácil, já que essas classes têm grande separabilidade nestes comprimentos de onda. Tal aspecto proporciona significativa melhora na classificação, principalmente para HSS, que distingue também os maiores comprimentos do NIR, não abrangidos pelas bandas do HRG e do ETM+. Em resumo, a classificação de alguns alvos urbanos é mais afetada pela ausência de bandas em regiões espectrais específicas, como as do SWIR. Esse aspecto pode ser melhor compreendido na Figura A utilização de 14 bandas do HSS não apresentou grande vantagem sobre a classificação proporcionada pelo ETM+, com apenas seis bandas, o que foi constatado pela pequena redução na precisão de classificação em pelo menos quatro classes de alvos: as classes 1 (aço galvanizado), 2 (alumínio), 4 (pintura 187

188 branca) e 6 (pavimento de cimento). Ocorreu, entretanto, maior confusão entre alvos similares, derivados de cimento, na classificação com o ETM+, que é refletida na redução significativa da precisão de classificação para as classes 5 (fibrocimento) e 3 (telhas de cimento), com perdas de aproximadamente 20% e 50%, respectivamente, em relação à precisão das mesmas classes com o HSS. Desses alvos, apenas a classe 3 (telhas de cimento) apresentou redução significativa na classificação com o HRG (superior a 37%) e com o QuickBird (superior a 20%). Fig Espectro médios das classes de alvos urbanos obtidos da imagem HSS. O posicionamento das bandas dos sensores multiespectrais simulados é indicado na porção inferior do gráfico. A terceira maior redução ocorreu para o alumínio na classificação com o QuickBird, que superou 33% de redução em relação aos demais sensores. Isso porque para o QuickBird a maior confusão ocorreu entre as classes alumínio e fibrocimento claro, justamente pela proximidade espectral desses alvos na região do VNIR, seguida pela confusão dos alvos derivados de cimento entre si. Já para o ETM+ e o HRG, justamente por abrangerem a região do SWIR, não ocorreu confusão entre metais e derivados de cimento, mas apenas dos derivados de cimento entre si, e também entre esses e a pintura branca para o caso do HRG. Considerando apenas os resultados obtidos com os derivados de cimento, a precisão global de classificação da validação com as bandas combinadas do ETM+/Landsat-7 foi de 69,5%. Como pode ser observado na Tabela 4.20 (a soma das precisões parciais das classes na diagonal principal), esse resultado superou a precisão global obtida com as 14 bandas do HSS (66,9%), o que não pode ser considerada vantagem no contexto geral, pois também se registrou para o ETM+ o aumento da imprecisão para classe 3 (telhas de 188

189 cimento), que ultrapassou o valor da precisão de classificação (10,2% vs. 9,1%). Isso indica que o resultado do modelo não teria aplicação para essa classe espectral. Por outro lado, verificou-se maior precisão das classes 5 (fibrocimento claro) e 6 (pav. de cimento). TABELA 4.20 Validação da classificação para derivados de cimento na simulação do ETM+ a Classe Prevista Observada Total 3 (Telhado de Cimento claro) Contagem % do Total 9.1% 4.8% 10.2% 24.1% 5 (Telhado de Fibrocimento claro) Contagem % do Total 3.7% 28.3% 2.7% 34.8% 6 (Pavimento de Cimento claro) Contagem % do Total 4.3% 4.8% 32.1% 41.2% Contagem % do Total 17.1% 38.0% 44.9% 100% Obs.: a modelo de 6 bandas etm_b1, etm_b2, etm_b3, etm_b4, etm_b5 e etm_b7. Para o HRG/Spot-5 (Tabela 4.21), a precisão global de classificação na validação (66,8%) foi praticamente a mesma registrada para o HSS, mas a mesma observação realizada para o ETM+ pode ser repetida, já que o aumento da precisão de classificação das classes 5 (fibrocimento claro) e 6 (pavimento de cimento) foram acompanhadas pelo aumento da imprecisão da classe 3 (telhas de cimento), com efeito mais pronunciado neste caso (13,4% vs. 5,3%). TABELA 4.21 Validação da classificação para derivados de cimento na simulação do HRG a Classe Prevista Observada Total 3 (Telhado de Cimento claro) Contagem % do Total 5.3% 5.3% 13.4% 24.1% 5 (Telhado de Fibrocimento claro) Contagem % do Total 3.7% 28.3% 2.7% 34.8% 6 (Pavimento de Cimento claro) Contagem % do Total 3.7% 4.3% 33.2% 41.2% Contagem % do Total 17.1% 38.0% 44.9% 100% Obs.: a modelo de 4 bandas spot_b1, spot_b2, spot_b3, spot_b4. 189

190 4.5 Influência da Resolução Espacial na Discriminação de Alvos Resultados Espectrais da Filtragem de Textura A imagem com resolução espacial degradada foi gerada com a filtragem de textura pela média, utilizando-se uma janela de convolução de 3 x 3 pixels, o que resultou em uma imagem de resolução espacial simulada de 9 m de GIFOV, mas com a preservação do mesmo número de pixels da imagem original. Como pode ser observado na Figura 4.36 (a) vs. (b), a imagem textura resultante apresenta visível degradação da resolução espacial, mas ao mesmo tempo preservou o endereçamento dos pixels, o que permite a correspondência espacial direta entre pixels da imagem original e da imagem textura. Fig Imagens HSS em composição R9G5B2. A imagem textura de 9 m de GIFOV em (b), apresenta visível degradação da resolução espacial quando comparada à imagem original com 3 m de GIFOV (a), porém preserva a correspondência no endereço dos pixels. Outro aspecto da degradação observado com a imagem textura foi a uniformização (redução do contraste) dos pixels situados nas regiões centrais dos alvos de maiores dimensões, bem como a descaracterização das bordas dos objetos e dos alvos de menores dimensões, resultantes da operação matemática da média entre pixels vizinhos. Não foram visualmente perceptíveis variações dos pixels posicionados no centro de objetos de grandes dimensões, em alvos homogêneos, entre a imagem original de 3 m de resolução e a imagem degradada com a filtragem de textura (9 m de resolução). Mesmo os espectros apresentam-se praticamente inalterados nessa comparação, como pode ser verificado no telhado de pintura amarela apresentado na Figura Nas regiões centrais de objetos homogêneos de grandes proporções o efeito da filtragem resultou em espectros mais bem definidos, menos ruidosos, e mais próximos dos espectros de medições de campo. As diferenças espectrais tornam-se evidentes, entretanto, à medida que se caminha para as bordas dos objetos, em virtude da 190