Juliana Paiva Nunes Kury Rita Marcia da Silva Pinto Vieira

Transcrição

1 Análise Multitemporal de imagens de satélite e Classificação Orientada a Objeto para Detecção de Diferentes Processos e Padrões de Exploração Madeireira Juliana Paiva Nunes Kury Rita Marcia da Silva Pinto Vieira CCST-INPE. Av. dos Astronautas, Caixa Postal São José dos Campos SP, Brasil juliana.kury@igbp.inpe.br; rita.marcia@inpe.br Abstract: Brazil has the largest moist forest biome of the world, the Amazon, known for its ecological diversity and richness. However, the growing threat caused by deforestation may cause extinction of species besides playing a role on global warming. The degradation in the Amazon forest is a result of logging and fires. The tracking of such impacts is accomplished by means of techniques using satellite images that have been tested for change detection and area quantification. This work focus on the detection of changes in processes and patterns of logging during the time frame in Mato Grosso State. We used Landsat TM images for change detection and object-based classification model. The visual classification applied on images shows that techniques of remote sensing and GIS can follow the different processes and patterns of logging. The object-based classification model had good results in separating the processes of low logging. Palavras-chave: logging, change detection, image processing, object-based classification, exploração madeireira, detecçao de mudança, processamento de imagem, classificação orientada a objeto 1. Introdução A exploração madeireira é uma das principais atividades econômicas na Amazônia, entretanto sua prática tem sido insustentável, causando severos impactos ambientais, como à redução dos estoques de biomassa e de espécies de valor comercial, além de aumentar a susceptibilidade da floresta a incêndios e o risco de extinção de espécies de alto valor comercial (Junior, 2007). Esta atividade tem se tornado cada vez mais intensiva e predatória nas últimas décadas, principalmente, como consequência da construção e melhoria da infra-estrutura viária e da demanda crescente por madeira no mercado interno (Veríssimo et al., 2002 apud Hayashi, 2003). Por outro lado, se as atividades de exploração madeireira forem praticadas com técnicas de manejo florestal sustentável podem ser uma grande aliada no combate ao desmatamento. Segundo a Lei de Gestão de Florestas Públicas, nº , de 2 de março de 2006, o manejo florestal sustentável é definido como a administração da floresta para obtenção de benefícios econômicos, sociais e ambientais, respeitando-se os mecanismos de sustentação do ecossistema e considerando, cumulativa ou alternativamente, a utilização de múltiplos produtos e subprodutos não madeireiros e espécies madeireiras. O desenvolvimento de técnicas de manejo florestal garante a manutenção da exploração, a produção de madeira e, oferece benefícios econômicos como o aumento da produtividade, a 1

2 diminuição da quantidade de árvores comerciais danificadas e a redução dos desperdícios de madeira (Amaral et al., 1998). Além dos benefícios citados acima, a prática de manejo garante a conservação de espécies da flora e da fauna e contribui para o equilíbrio do clima regional e global, especialmente pela manutenção do ciclo hidrológico e retenção de carbono. Sendo assim, é de extrema importância o monitoramento constante de áreas em processo de desmatamento. Devido à grande extensão de cobertura vegetal a ser monitorada no território brasileiro, a aplicação de técnicas de sensoriamento remoto e geoprocessamento podem ser uma ferramenta no combate ao desmatamento uma vez que, permite detectar áreas onde a atividade de exploração madeireira ocorre de forma ilegal e com alto impacto ambiental (Graça, 2008). Além disso, podem auxiliar no monitoramento de planos de manejo e identificar áreas mais susceptíveis ao risco de incêndios florestais (Nepstad et al apud Hayashi, 2003), porém o mapeamento desta atividade é complexo. Alguns estudos têm mostrado progresso na detecção de exploração madeireira, utilizando técnicas de sensoriamento remoto tais como: interpretação visual de imagens, métodos semiautomáticos a partir da identificação de indicadores de exploração (pátios de estocagem e estradas) e métodos automáticos baseados na análise espectral do pixel (Monteiro et al., 2007). Visando contribuir com estes estudos, este trabalho tem como objetivo, identificar processos de desmatamento por degradação florestal progressiva, por meio da aplicação de técnicas de processamento digital de imagem e interpretação visual, bem como, desenvolver um modelo de análise de imagens baseado em objetos visando automatizar o processo de identificação dos padrões analisados. 2. Exploração Madeireira De acordo com Junior (2007) na Amazônia há vários padrões de exploração madeireira, definidos com base nos tipos de ambientes explorados e na forma da intensidade da exploração, conforme descrito na Tabela 1. 2

3 CLASSE Floresta Intacta Exploração manejada Exploração convencional Exploração e queimada Fonte: Junior (2007) Tabela 1 Padrões e impactos causados pela exploração madeireira DESCRIÇÃO Floresta madura que não foi explorada para fins madeireiros. Exploração planejada para extração seletiva de madeira, baseada em inventários florestais prévios e construção organizada de estradas e pátios de estocagem, visando à redução dos danos na floresta. Os impactos nas florestas não aparecem de forma pronunciada nas imagens de satélite de resolução espacial moderada. Extração madeireira sem planejamento para construção de estradas e pátios de estocagem. Os impactos são facilmente identificados nas imagens de satélite de resolução espacial moderada. Área de exploração madeireira que sofre subseqüente ação de queimadas não intencionais. Os impactos causados são muito altos e facilmente identificados nas imagens de satélite de resolução moderada. O reconhecimento dos padrões de exploração é de grande importância para a detecção e o mapeamento de áreas em processo de desmatamento por alteração da cobertura florestal. Grande parte do setor madeireiro na Amazônia atua ilegalmente, não efetivando seus planos de manejo e promovendo exploração de alto impacto, gerando assim danos a estrutura florestal e favorecendo a ocorrência de incêndios florestais na região (Hayashi; 2003). As alterações da cobertura florestal como, por exemplo, a degradação florestal pode ser identificada nas imagens de satélites de resoluções moderada e alta. Devido ao fato do processo ocorrer de forma gradativa, no qual se observa a perda parcial e contínua da cobertura florestal, este pode ser classificado, nas imagens, em degradação florestal de intensidade leve, moderada e alta (INPE, 2008). Por fim é importante salientar que, além da exploração madeireira predatória levar ao empobrecimento das florestas amazônicas, esta atividade é considerada um vetor potencial ao corte raso da floresta (Graça, 2008). 3. Área de Estudo A área de estudo está localizada entre as latitudes 11º30 e 12º00 sul e longitudes 55º00 e 55º30 oeste ao norte do Estado de Mato Grosso (Figura 1). A cobertura vegetal é composta por florestas de transição entre cerrado e floresta ombrófila aberta e, clima tropical quente úmido com três meses de estação seca (CASA CIVIL DA PRESIDÊNCIA DA REPÚBLICA, 2005), com média de temperatura máxima superiores a 33ºC e com precipitação acumulada anual superior 1800 mm/ano (Cavalcanti et al., 2009). A região de estudo foi determinada devido ao fato de estar sob influência dos principais pólos madeireiros do estado do Mato Grosso. 3

4 A atividade madeireira nessa região é predominantemente não planejada, na qual são exploradas apenas espécies de alto valor madeireiro (Monteiro, 2007), sem preocupação com a redução dos impactos ambientais originados pela exploração madeireira. 4. Metodologia Figura 1 - Localização da área de estudo Fonte: Monteiro et al., (2007) 4.1. Base de dados Para elaboração do trabalho foram utilizadas imagens do sensor TM Landsat 5 órbita/ponto 226/68, correspondente ao período de 2000 a 2008 (Tabela 2). As imagens foram obtidas no site da Divisão de Geração de imagens (DGI) do Instituto Nacional de Pesquisas Espaciais (INPE). Tabela 2 - Imagens utilizadas na pesquisa Satélite/Sensor Órbita/Ponto Datas Landsat-TM5 226/68 26/06/ /07/ /07/ /08/ /07/2008 Além disso, foi utilizada imagem Geocover (S 21_10_2000), obtida pelo site da Divisão de Processamento de Imagens (DPI, 2010), bem como os Softwares para Processamento de Informações Geográficas - SPRING e Definiens. 4

5 4.2. Pré processamento das imagens Inicialmente criou-se um banco de dados no SPRING, onde foram inseridas as imagens Landsat TM Landsat 5 com o mínimo de cobertura de nuvens (em tese menos de 5%) e do período de seca. As imagens têm resolução espacial de 30 m e projeção Policônica, datum Sad/69. Foram utilizadas as bandas 3, 4 e 5 na composição colorida BRG que foram registradas tendo como referência o mosaico de imagens GeoCover Modelo de Mistura Espectral Após o registro, foram criados modelos de mistura com o objetivo de estimar a proporção solo, vegetação e sombra para cada pixel da imagem gerando as imagens fração-solo, fraçãovegetação e fração-sombra (Shimabukuru e Smith, 1991) Operação Aritméticas Com o objetivo de realçar as informações espectrais das áreas contendo exploração madeireira foi realizada ainda uma operação aritmética utilizando a banda correspondente à fração-solo e fração-vegetação, resultantes do modelo de mistura, conforme Equação abaixo: 90*(Solo/Vegetação)+50 onde 90 é o valor do Ganho e 50 o valor do Off-set de cada banda Padrões de interpretação Para detectar os diferentes processos e padrões de desmatamento por degradação florestal progressiva foi realizado, nas imagens fração solo/vegetação, uma interpretação visual multitemporal das imagens, seguindo os critérios de classificação, o tipo de cobertura da terra e as classes associadas dos diferentes processos de desmatamento descritos na Tabela 3. 5

6 Tabela 3. Padrões de desmatamento em imagens TM/Landsat (fração solo/vegetação), descrições e classes associadas Imagens TM Landsat (fração solo/vegetação) Cobertura da Terra Processo de Desmatamento Cobertura florestal, textura heterogênea, com sombra, indicando a estrutura florestal complexa e não alterada. Floresta não alterada Predomínio de solo exposto ou pastagem em formação. Corte Raso Predomínio de cobertura florestal com pequenas manchas de solo exposto indicando a presença de pátios e indícios de acesso. Floresta Degradada de Intensidade Leve Predomínio de cobertura florestal com manchas de solo exposto indicando a presença de pátios de estocagem de madeira, ramais e clareiras. Floresta Degradada de Intensidade Moderada Presença de grandes clareiras com solo exposto, vegetação secundária e/ou área extensa de cicatriz de fogo florestal, combinadas com manchas florestais. Floresta Degradada de Intensidade Alta Fonte: Adaptado de INPE (2008) Modelo de análise de imagens baseado em objeto Primeiramente, com o objetivo de diminuir o tempo de busca entre os alvos que interessavam para o modelo de classificação, ou seja, as áreas contendo exploração madeireira que estariam em áreas de floresta, foi criada utilizando a segmentação de multiresolução do Definiens e a classificação baseada em regras de decisão, uma máscara contendo apenas áreas com vegetação. 6

7 Devido ao fato da informação espectral ser a diferença mais importante entre os alvos analisados, foi adotado um peso maior para a cor (0.8) e menor para a forma (0.2). Os parâmetros referentes ao quanto à borda do objeto é compacta ou suave foram, ambos de O próximo passo foi gerar um atributo de Índice de Vegetação de Diferença Normalizada - NDVI referente ao valor médio das bandas 3 e 4 de cada objeto. Na imagem NDVI resultante aplicou-se uma regra de classificação Booleana para a criação da máscara de floresta adotando o critério de que todos os objetos que tivesse NDVI acima de 0.5 seriam classificados como vegetação e abaixo outros. Após a criação da máscara foi aplicada uma operação de dissolve, cuja finalidade é juntar polígonos vizinhos com o mesmo atributo, para eliminar as subdivisões que não interessavam dentro dos objetos. Em seguida, foram segmentadas as áreas de vegetação utilizando a mesma abordagem da segmentação de multiresolução utilizada para a criação da máscara. Após esta etapa observou-se que as áreas de exploração madeireira não foram separadas pelo segmentador. Sendo assim, optou-se por criar um espaço celular que, após vários testes foram definidos com tamanho de célula de 20 x 20. O próximo desafio foi separar áreas de exploração madeireira de áreas não exploradas de acordo com atributo de cada célula. Sendo assim, foram analisados os atributos das células da imagem fração solo e da imagem fração solo/vegetação. Foi observado na imagem fração solo, que as áreas que contém exploração madeireira apresentam valores máximos de pixel acima de 110. A delimitação desses valores foi feita visualmente, consultando os valores em tela. As áreas de exploração madeireira, resultantes do processo de classificação, foram posteriormente divididas, através da análise de desvio padrão, em três classes: leve, moderada e alta. Através da análise do desvio padrão foi observado que, as células com alto padrão de exploração tinham desvio padrão maiores, em função da variabilidade do pixel, ou seja, áreas mais exploradas têm maior número de pixels claros em relação às áreas sem exploração. O desvio padrão foi utilizado, neste caso, apenas como um Proxy de textura para separar os diferentes tipos de exploração madeireira, já que se observa claramente uma textura diferenciada quanto ao grau de exploração madeireira. Novamente foram estabelecidos os limiares, apenas por análise feita em tela, onde as áreas contendo exploração madeireira com desvio padrão menor ou igual a 3 foram consideradas leves, maior que 3, menor ou igual a 5 foram consideradas moderadas e maiores que 5 altas. Os resultados encontrados para as classificações visual e da análise de imagens baseada em objetos, são discutidos abaixo. 5. Resultados e Discussões 5.1. Classificação Visual 1 Este algoritmo é um segmentador por crescimento de regiões no qual o valor de similaridade adotado é uma função dos parâmetros de cor e forma que são ponderados pelo tamanho dos segmentos. A cor é a soma dos desvios padrões de cada uma das bandas e a forma é o resultado da composição de atributos de suavidade e compacidade dos segmentos. Cor e Forma recebem pesos que variam de 0 a 1. Para maiores detalhes consulte Baatz, M.e Schäpe (2003), Pinho (2005). 7

8 Por meio da interpretação visual das imagens fração solo/vegetação foi possível detectar manchas de solo exposto indicando a presença de pátios de estocagem, estradas ou clareiras, considerados indicadores de exploração madeireira, e com isso estabelecer os critérios para a classificação dos diferentes processos de desmatamento por degradação florestal progressiva. A dinâmica dos processos de exploração madeireira, em degradação florestal de intensidade leve, moderada e alta, bem como a regeneração das áreas exploradas e áreas de corte raso podem ser observados nas imagens do Quadro 1, Anexo. ANO IMAGEM FRAÇÃO SOLO/VEGETAÇÃO CLASSIFICAÇÃO VISUAL Quadro 2. Classificação dos processos de exploração madeireira pela análise multitemporal ( ) das imagens composição GRB (3, 4, 5) e fração solo/vegetação. A Tabela 4 contém as informações referentes ao cálculo de área dos diferentes processos de exploração madeireira, das áreas de regeneração e de corte raso durante o período analisado. 8

9 Tabela 4. Cálculo de área dos processos de exploração madeireira, regeneração e corte raso (2000 a 2008) Processo de Exploração Anos (Km x Km) Leve Moderada Alta Regeneração Corte raso Total ,06 21,38 25, , ,04 45,44 24,93 55,39 6,64 197, ,78 54,99 4,03 137,73 22,42 219, ,55 14,64 45,02 213,18 29,18 327, ,19 29,34 12,90 246,60 35,98 386,01 Os resultados da tabela indicam que a dinâmica do uso não é constante, mudando de um processo de exploração madeireira para outro ao longo dos anos. Além disso, as técnicas aplicadas de processamento digital de imagens, permitiram quantificar os diferentes processos de degradação florestal por exploração madeireira. Pode-se constatar que na área de estudo, a exploração madeireira de intensidade leve foi mais significativa em relação às outras entre 2000 e 2003, enquanto que a exploração de intensidade moderada foi mais intensa em 2004 e alta em Isto é um forte indicativo de que, em função da alteração gradativa da cobertura florestal, há uma rotatividade de áreas exploradas. Pode-se concluir também que ao longo do período, a áreas de regeneração estão aumentando, conforme ilustrado no Gráfico 1, podendo indicar que as áreas exploradas passam por um processo de sucessão ecológica até que se transforma em floresta novamente. Gráfico 1 Aumento das áreas de regeneração durante o período de 2000 a

10 5.2. Classificação orientada a objeto A Figura 2 ilustra o resultado obtido pelo modelo de classificação elaborado no Definiens. Pode-se observar que o modelo de análise criado pelo Definiens separou os padrões de exploração analisados. Figura 2 Análise baseada em objetos dos diferentes padrões de exploração madeireira no ano 2008 No entanto, as amostras se confundiram, ficando a distribuição entre elas muito próxima o que resultou em áreas com exploração madeireira leve e moderada e áreas com exploração moderada e alta em um mesmo espaço celular, conforme ilustrado na Figura 3. Figura 3 Gráfico de dispersão referente as amostras dos processos de exploração madeireira analisados na área de estudo. 10

11 Pela análise dos desvios padrões obtidos para cada tipo de processo analisado (Figuras 4, 5 e 6) podemos observar que as classes que melhor se separaram foram a de exploração madeireira alta e leve, que teve uma sobreposição de apenas 0.07 na imagem fração solo/vegetação. Pode-se concluir também que, a técnica de razão de bandas aplicada inicialmente com o objetivo de realçar a resposta espectral dos alvos para facilitar a interpretação visual, também contribuiu na separação dos objetos no modelo de análise gerada no Definiens, conforme podese observar nas Figuras 4 e 5. Analisando as figuras podemos observar que as amostras foram melhor separadas na imagem fração solo/vegetação. Figura 4 Desvio Padrão referente a exploração madeireira alta e leve nas imagens fração solo/vegetação e imagem fração solo. Figura 5 Desvio Padrão referente a exploração madeireira modeirada e leve nas imagens fração solo/vegetação e imagem fração solo. 11

12 Figura 6 Desvio Padrão referente a exploração madeireira alta e modeirada nas imagens fração solo/vegetação e imagem fração solo. A partir dos resultados obtidos, foi gerada uma matriz de confusão, para o ano de 2008, devido ao fato da classificação baseada a objeto ter sido realizada somente para o ano em questão. A matriz de erro, segundo Story e Congalton (1986), é uma forma efetiva de representar a acurácia de um mapa, descrevendo as acurácias individuais de cada classe e os erros de comissão e de exclusão. Na matriz de confusão gerada no presente estudo, a classificação visual foi considerada como sendo a verdade em relação ao modelo de classificação orientado a objeto. O resultado da tabulação cruzada encontra-se na Tabela 4 sendo as informações referentes à verdade disponibilizadas nas linhas e as referentes ao modelo de classificação do Definiens encontram-se nas colunas. Tabela 4. Tabulação cruzada das informações dos padrões de exploração madeireira encontrados no processo de classificação visual e no modelo de classificação desenvolvido no Definiens (kmxkm) INTERPRETAÇÃO VISUAL ANÁLISE DE IMAGENS ORIENTADA A OBJETO LEVE MODERADA ALTO SOMA ÁREA PORCENTAGEM LEVE 5, , , , ,5% MODERADA 0, , , , ,5% ALTO 0,0477 0,3852 9,0108 9, ,0% 5, , , ,6836 LEVE MODERADA ALTO LEVE 98,4% 62,3% 49,5% MODERADA 0,7% 36,5% 31,3% ALTO 0,9% 1,1% 19,2% 1,0000 1,0000 1,0000 Analisando a Tabela 4, pode-se concluir que o modelo de classificação elaborado no Definiens separou melhor as classes com exploração madeireira leve, acertando em 98,4% das classes em relação à verdade. No entanto, para as classes moderada e alta a separação foi de apenas 36,5% e 19,2% respectivamente. Isto pode se atribuído ao fato dos números de amostras 12

13 das classes analisadas não serem homogêneos sendo encontrado, em função do tamanho da área analisada, um número de amostras maior para a classe de exploração madeireira leve e menor para as classes moderada e alta. 6. Conclusões Este estudo mostrou que a análise multitemporal, por meio da interpretação visual, permite identificar alterações da cobertura florestal por desmatamento florestal progressivo de intensidade leve, moderada e alta. A aplicação do modelo de mistura e da divisão ou razão entre bandas possibilitou realçar as diferenças espectrais dos alvos e processos analisados. Através do modelo de análise de imagens baseado em objetos foi possível integrar dois tipos diferentes de objetos (polígonos e espaço celular) em um mesmo layer, sendo uma técnica eficiente na detecção de diferentes processos de degradação florestal progressiva. Outra vantagem do método utilizado é que todos os procedimentos adotados para a elaboração do modelo de análise são salvos em uma árvore de processos. Dessa forma é possível aplicar o modelo desenvolvido, após ser calibrado, em outras áreas de estudo para detectar o mesmo processo. Como informação complementar, registra-se que a matriz de confusão foi de significativa utilidade na análise comparativa das técnicas, permitindo avaliar a capacidade dos procedimentos adotados no delineamento temático das mudanças nos processos de exploração madeireira. Finalmente conclui-se que, as técnicas aplicadas no presente estudo são importantes e úteis para a fiscalização da atividade madeireira e o monitoramento de planos de manejo. 7. Considerações Finais O trabalho comprova que através de técnicas de sensoriamento remoto e geoprocessamento pode-se acompanhar aos diferentes processos e padrões de exploração madeireira ocorridos na região de Sinop no Estado do Mato Grosso. Além do mais, apesar do modelo de análises de imagens baseado em objetos ter separado de forma satisfatória somente os processos de exploração madeireira leve é possível refinar e melhorar os parâmetros de classificação e separar os processos de exploração madeireira. Esse refinamento poderia ser feito, por exemplo, melhorando o comportamento do atributo de desvio padrão e incluindo outros atributos para as regras de classificação. Sendo assim pode-se coletar amostras de treinamento do que seria degradação florestal alta, moderada e leve e inserir essas informações em um sistema de mineração (ex. GEODMA) de dados que selecionaria os atributos mais significativos e definiria os limiares mais adequados para elaboração de um modelo padrão. Finalmente seria interessante, e necessário, aumentar o tamanho da área de estudo para obter um número maior e com mesmo conjunto de amostras que facilitariam a análise dos resultados referente à tabulação cruzada. 13

14 Finalmente seria interessante que a análise multitemporal seja anual e não de dois em dois anos, pois o processo de regeneração é rápido. Agradecimentos Agradecimentos à Carolina Moutinho Duque de Pinho pelos esclarecimentos sobre Análise de imagens baseada em objetos. Referências Amaral, P.; Veríssimo, A.; Barreto, P.; Vidal, E.. Floresta para Sempre: um Manual para Produção de Madeira na Amazônia. In: Custos e Benefícios do Manejo Florestal (Cap 11). Belém: Imazon, cap. 11 Baatz, M.; Schäpe, A. Multiresolution segmentation an optimization approach for high quality multi-scale image segmentation. In: STROBL, J., BLASCHKE, T.Angewandte Geographische Informationsverarbeitung XII. Beiträge zum AGIT-Symposium Salzburg Karlsruhe. Herbert Wichmann Verlag, p Disponível em: < Câmara, G.; Souza, R. C. M.; Freitas, U. M.; Garrido, J. SPRING: Integrating remote sensig and GIS by objected-oriented data modelling. J. Computers & Graphics, 20(3), , Casa Civil da Presidência da República. Plano de Desenvolvimento Regional Sustentável para a Área de Influência da Rodovia BR 163 Cuiabá Santarém. 2ª Etapa de Consultas a Sociedade Cavalcanti, I. F. A.; Ferreira, N. J.; Silva, M. G. A. J.; Dias, M. A. F. S.; Tempo e Clima no Brasil, São Paulo, Ed Oficina de textos p. DPI. Divisão de Processamento de Imagens. Disponível em:< Acesso em: 28 ago Graça P. M. L. A., et al. Detecção de corte seletivo de madeira por técnica de rotação radiométrica na floresta amazônica. Ambiência - Revista do Setor de Ciências Agrárias e Ambientais Vol. 4 - Edição Especial Hayashi, S. N; Alencar, A. Métodos comparativos para a detecção de extração seletiva de madeira no oeste paraense utilizando modelo linear de mistura espectral de pixel. Anais XI SBSR, Belo Horizonte, Brasil, abril 2003, INPE, p

15 Instituto Nacional de Pesquisas Espaciais (INPE). Sistema de Detecção do Desmatamento em Tempo Real na Amazônia DETER: Aspectos Gerais, Metodológicos e Planos de Desenvolvimento, p. Júnior, C. M. S. Avanços do sensoriamento remoto para o monitoramento da exploração madeireira na Amazônia. Anais XIII Simpósio Brasileiro de Sensoriamento Remoto, Florianópolis, Brasil, abril 2007, INPE, p Monteiro, A; Lingnau, C. Souza Jr. C. Classificação Orientada a Objeto para Detecção de Exploração Seletiva de Madeira na Amazônia. Revista Brasileira de Cartografia No 59/03, Dezembro (ISSN ) p. Pinho, C.M.D., Análise orientada a objetos de imagens de satélite de alta resolução espacial aplicada à classificação de cobertura do solo no espaço intra-urbano: o caso de São José dos Campos SP. São José dos Campos, 179 p. Dissertação (Mestrado em Sensoriamento Remoto) INPE, Shimabukuro, Y.; Smith, J. A. The least-squares mixing models to generate fraction images derived from remote sensing multispectral data. International Journal of Remote Sensing, v. 29, p , Story, M.; Congalton, R. Accuracy assessment: A user's perspective. Photogrammetric Engineering and Remote Sensing. v.53, n.3, p , Mar