VIII Curso de Especialização em Geoprocessamento 2005

Transcrição

1 FELIPE FRÓIS DOS SANTOS DUMONT ESTUDO DA DISTRIBUIÇÃO DE CLASSES SÓCIO-ECONÔMICAS EM ÁREA URBANA DE BOCAIÚVA-MG UTILIZANDO IMAGEM DE ALTA RESOLUÇÃO VIII Curso de Especialização em Geoprocessamento 2005 UFMG Instituto de Geociências Departamento de Cartografia Av. Antônio Carlos, 6627 Pampulha Belo Horizonte

2 FELIPE FROIS DOS SANTOS DUMONT Estudo da Distribuição de Classes Sócio-Econômicas na Área Urbana do Município de Bocaiúva-MG Utilizando Imagem de Alta Resolução Monografia apresentada ao Curso de Pós- Graduação em Geoprocessamento, Departamento de Cartografia, Instituto de Geociências, Universidade Federal de Minas Gerais, como requisito parcial à obtenção do título de especialista em Geoprocessamento. Orientador: Prof. Luciano Vieira Dutra Belo Horizonte, 22 de Dezembro de 2005.

3 DUMONT, Felipe frois Estudo da distribuição de classes sócio-econômicas na área urbana do município de Bocaiúva-MG utilizando imagem de alta resolução/ Felipe Fróis Dumont. Belo Horizonte, v, 32 f.: il. Monografia (Especialização) Universidade Federal de Minas Gerais, Instituto de Geociências, Geoprocessamento, Orientador: Luciano Vieira Dutra. 1. Geoprocessamento. 2. Sensoriamento Remoto 3. Processamento Digital de Imagem. I. Título.

4 AGRADECIMENTOS Agradeço a todo o pessoal do departamento de cartografia da UFMG; ao professor Dutra; aos monitores Christian e Charles pelas sugestões; à Ana Clara pelo apoio; à Giovana Mira e equipe da Intersat pelo fornecimento da imagem; e à Sophia pela colaboração no desenvolvimento de todo o trabalho.

5 SUMÁRIO 1 INTRODUÇÃO OBJETIVOS Objetivo Geral Objetivos Específicos FUNDAMENTOS TEÓRICOS Conhecimento da Incerteza Sensoriamento Remoto Sistemas Orbitais Sistema Orbital QuickBird Imagens de Sensoriamento Remoto Processamento Digital de Imagem de Sensoriamento Remoto Classificação de Imagem de Sensoriamento Remoto Classificação Supervisionada Segmentação Classificação por Regiões METODOLOGIA RESULTADOS E DISCUSSÕES Classe Baixa Classe Média Classe Alta CONCLUSÃO REFERÊNCIAS BIBLIOGRÁFICAS LISTA DE TABELAS E GRÁFICOS Tabela 1 Informações Técnicas do Satélite Tabela 2 Características do Satélite Tabela 3 Matriz de Classificação da Classe Baixa Tabela 4 Medidas das Classes da Classe Baixa Tabela 5 Matriz de Classificação da Classe Média Tabela 6 Medidas de Classes da Classe Média Tabela 7 Matriz de Classificação da Classe Alta... 27

6 Tabela 8 Medidas de Classes da Classe Alta Gráfico 1 Percentuais da Classe Baixa Gráfico 2 Percentuais da Classe Média Gráfico 3 Percentuais da Classe Alta Gráfico 4 Percentual das Classes LISTA DE FIGURAS Figura 1 Interação da Radiação Eletromagnética Figura 2 Satélite QuickBird Figura 3 Raio-x de uma Imagem Digital Figura 4 Mapa de localização do Município de Bocaiúva-MG Figura 5 Quicklook da Cena com Destaque da Imagem fornecida Figura 6 Amostra Figura 7 Segmentação da Classe Baixa Figura 8 Classificação da Classe Baixa Figura 9 Amostra Figura 10 Segmentação da Classe Média Figura 11 Classificação da Classe Média Figura 12 Amostra Figura 13 Segmentação da Classe Alta Figura 14 Classificação da Classe Alta... 27

7 RESUMO O presente trabalho tem como objetivo estudar a relação entre proporção de classes notáveis dentro do espaço urbano e o padrão sócio-econômico presumido de áreas na cidade de Bocaiúva-MG. Para isso, definiu-se quais seriam as classes notáveis (variáveis) a serem trabalhadas, realizou-se uma classificação supervisionada para estabelecer a proporcionalidade das variáveis em cada amostra selecionada e posteriormente verificou-se a proporção das variáveis nas amostras para classificar o padrão sócio-econômico das mesmas. Utilizou-se como material uma imagem de alta resolução da sede municipal de Bocaiúva-MG. Concluiu-se que a utilização de imagens de sensoriamento remoto, junto a técnicas de processamento digital, possibilita de forma econômica e eficiente o levantamento de dados, análise e monitoramento de áreas urbanas.

8 1 INTRODUÇÃO A população da Terra não é apenas enorme; é também mal distribuída, existindo regiões densamente povoadas e áreas praticamente vazias. Outro aspecto importante é a grande diferença de riquezas: de cada quatro moradores da Terra, apenas um é saudável, bem alimentado, possui bom nível cultural e habita casas com higiene e conforto (ANTUNES, 1991). Para compreendermos as transformações do espaço geográfico, temos de desvendar de que forma os homens, organizados em sociedade, atuam sobre a configuração territorial, modelando as paisagens (SENE & MOREIRA, 2000). Segundo Paes (2003), face à dinâmica do crescimento da ocupação urbana, torna-se necessário à criação e o aprimoramento de mecanismos que permitam melhor caracterizar e monitorar estas áreas, possibilitando avaliar as mudanças que, na maioria dos casos, ocorrem de maneira rápida e desordenada. Até a disponibilização de imagens de alta resolução obtidas por satélites, no fim da década de 90, este monitoramento era realizado através da utilização de fotografias aéreas obtidas por levantamentos aerofotogramétricos, realizados à baixa altitude. Entretanto, estes aerolevantamentos não são realizados sistematicamente devido ao seu alto custo operacional e conseqüentemente não são economicamente acessíveis para a maioria das prefeituras dos municípios brasileiros. Nos últimos dois anos, empresas internacionais, passaram a oferecer, em bases comerciais, imagens de alta resolução, obtidas por satélites, as quais vem se constituindo em importante ferramenta para o estudo temático dos setores intra-urbanos (PAES, 2003). Uma imagem nada mais é, do que uma série de valores resultantes da resposta de um sensor, a uma fonte de excitação externa, em geral eletromagnética (refletida, retroespalhada e emitida). É a nossa perícia em interpretar essas transformações, que nos permite transformar esses valores, em informações úteis (MAILLARD, 2000).

9 A utilização de sensores remotos em aeronaves e satélites tem se constituído num recurso fundamental para a obtenção de informações sobre alvos na superfície terrestre, inclusive na área militar (DUTRA, 2003) Nos dias atuais existe um grande consenso de que a informação é um dos recursos mais estratégicos e mais valiosos para a condução de qualquer tipo de negócio ou projeto, seja de natureza pública ou privada, seja de abrangência global, nacional, regional, local e até mesmo pessoal. Nenhum País, Estado ou Município atingirá seu pleno desenvolvimento se não dispuser de informações atualizadas, precisas e sinópticas sobre a natureza, a quantidade e a distribuição geográfica dos seus recursos naturais e das riquezas geradas pelo seu povo (ELMIRO, 2004). O sensoriamento remoto é o processo de capturar informação sobre alguma coisa sem estar em contato físico com ela: aprendendo sem tocar. O tipo mais comum de sensoriamento remoto é o uso dos olhos pra detectar a luz. Observar os objetos ao nosso redor, ouvir o barulho das ondas do mar, da buzina do carro e sentir o calor do sol é sensoriamento remoto. Os satélites carregam sensores que observam a superfície da terra, os oceanos, o ar, etc. Os satélites ajudam a predizer a temperatura, acompanhar o crescimento das diversas culturas agrícolas, planejar cidade, predizer fenômenos (terremoto, erupção de vulcões, inundações, furacões, etc), encontrar ruínas arqueológicas, etc ( DUTRA, 2003). Um dos principais objetivos do sensoriamento remoto é o de distinguir e identificar as composições de diferentes materiais superficiais, sejam eles tipos de vegetação, padrões de uso do solo, rochas e outros. Essa distinção e identificação torna-se possível devido ao fato dos materiais superficiais terem comportamentos específicos ao longo do espectro eletromagnético, comportamentos esses que podem portanto ser usados para identifica-los (CROSTA, 1992). O presente trabalho tem como objetivo utilizar da técnica de classificação supervisionada, que envolve sensores remotos, imagens digitais, processamento de dados e interpretações empíricas e subjetivas, para identificar possíveis variáveis que possuam relação com fenômenos de caráter social, intimamente associados à ocupação do espaço geográfico.

10 2 OBJETIVO 2.1 Geral Estudar a relação entre proporção de classes notáveis dentro do espaço urbano e o padrão sócio-econômico presumido de áreas na cidade de Bocaiúva-MG. 2.2 Específicos - Definir variáveis que possuem relação com determinados tipos de padrão de ocupação dentro do espaço intra-urbano; - Utilizar método de classificação supervisionada para estabelecer a proporcionalidade das variáveis em relação ao padrão sócio-econômico das amostras; - Verificar as proporcionalidades em função do padrão de cada amostra.

11 3 FUNDAMENTOS TEÓRICOS 3.1 Conhecimento da Incerteza Tudo o que se mede ou se modela está sujeito a erros e esses erros respondem pela qualidade de mapa ou da base de dados num SIG (TIMBÓ, 2000). O componente de erro mais explorado, que é motivo de preocupação constante tanto em Cartografia como em Geoprocessamento, é a incerteza quanto à localização. A exatidão de posicionamento é dada pelo erro na posição ou na localização, com relação ao sistema de referência da base de dados, de pontos bem definidos. O usuário de SIG deve se preocupar, por exemplo, com o erro na medição das coordenadas dos pontos de controle com GPS ou então com o erro planimétrico associado à escala dos mapas (TIMBÓ, 2000). Outro componente de erro muito importante é a incerteza na atribuição de valores ou classes aos objetos que compõem a base de dados. A exatidão de atributos questiona a correção com que os atributos são associados aos objetos. No caso de variáveis representadas por campos numéricos como o relevo, o erro é expresso por um valor numérico, um número real. Pode-se dizer que a altitude de um ponto tem um erro de 20 metros. Já para variáveis representadas por campos temáticos, como o solo, o erro reduz-se a certo ou errado. Pode-se dizer que um polígono classificado como floresta ombrófila densa está errado porque está na área de floresta ombrófila aberta (TIMBÓ, 2000). 3.2 Sensoriamento Remoto Uma definição para Sensoriamento Remoto (SR) pode ser: É a utilização de sensores para aquisição de informações sobre objetos ou fenômenos sem que haja contato direto com eles (INPE, 2003). Uma definição mais específica define o sensoriamento remoto como: O conjunto de técnicas de aquisição, processamento e interpretação de imagens obtidas desde aviões a satélites, nas quais é registrado algum aspecto da interação entre a matéria e a energia eletromagnética (INTERSAT, 2005), ver figura 1.

12 Figura 1 Interação da Radiação Eletromagnética Fonte: INTERSAT, Sistemas Orbitais Os sistemas sensores são equipamentos que estão a bordo dos satélites e sua função é captar e registrar a energia eletromagnética proveniente dos objetos na superfície terrestre. Sem eles não seria possível para o satélite obter imagens, ele estaria literalmente cego. Da mesma forma como nós captamos as cores dos objetos através dos nossos olhos, os sensores a bordo dos satélites captam a energia eletromagnética que é refletida ou emitida pelos objetos da superfície terrestre (INTERSAT, 2005). Plataformas orbitais são naves tripuladas ou não que se deslocam em volta à Terra e que usam a as forças gravitacionais e centrífugas para se manter em órbita (MAILLARD, 2000). Existem basicamente três tipos de órbitas usadas em sensoriamento remoto: 1. Uma órbita heliossíncrona é caracterizada pelo fato de que o plano da órbita do satélite forma um ângulo constante com o plano orbital da Terra em volta ao sol. Essas órbitas são possíveis entre 300 a 1500 quilômetros de altitude e nuca passam pelos pólos.

13 2. Uma órbita é chamada de geoestacionária quando o satélite fica constantemente em cima do mesmo ponto geográfico.esse tipo de órbita envolve grandes altitudes na ordem de quilômetros. 3. A órbita circular oferece a vantagem de sempre sobrevoar a superfície terrestre à mesma altitude. Este tipo de órbita faz o satélite sobrevoar a qualquer hora do dia e da noite.os satélites orbitam em altitudes relativamente baixas ( abaixo de 1000 km) (MAILLARD, 2000). 3.4 Sistema Orbital QuickBird Figura 2 - Satélite QuickBird Fonte: INTERSAT, O Quickbird (figura 2) é um satélite de alta precisão desenvolvido pela Digital Globe, que oferece imagens comerciais de alta resolução da Terra. As imagens pancromáticas e multiespectrais são planejadas para dar suporte nas aplicações em gerenciamento de avaliação de riscos e publicações de mapas com ênfase nas áreas urbanas (EMBRAPA, 2005). Informações sobre as características do satélite estão na tabela 1 e informações técnicas sobre o mesmo estão na tabela 2.

14 Tabela 1 Informações Técnicas do Satélite Data de lançamento Outubro de 2001 Veículo de lançamento Local de lançamento Boeing Delta II Vandenberg Air Force Base, Califórnia Capacidade de armazenamento de dados 128 Gbytes, aproximadamente 57 áreas imagens simples Altitude da órbita Inclinação da órbita Velocidade Horário de Passagem Duração da órbita Capacidade de envio de dados 450 Km 98 graus, em sincronismo com o Sol 7.1 Km/segundo 10:30 h 98 minutos 320Mpbs em banda x Fonte: INTERSAT, Tabela 2 Características do Satélite Largura do Imageamento Tempo de revisita Precisão Métrica 16,5 x 16,5 km, no nadir 1 a 3,5 dias dependendo da latitude (30 off-nadir) Horizontal: 23metros (CE90%) Vertical: 17 metros(le 90%) Resolução Pan: 61 cm (nadir) até 72 cm (25 off-nadir) Multiespectral: de 2.44m (nadir) até 2.88 m (25 offnadir) Bandas Pancromática: nm Azul: nm Vermelho: nm Infravermelho Próximo: nm Máximo Aquisição Simples 1x 10,1 par estéreo Fonte: INTERSAT, 2005.

15 3.6 Imagens de Sensoriamento Remoto As imagens de Sensoriamento Remoto são uma representação, em formato digital ou analógico, de uma parte da superfície terrestre. As imagens adquiridas por sensores satélites têm geralmente formatos digitais, já as fotografias aéreas são tradicionalmente imagens analógicas. Uma imagem digital (figura 3) é a composição de um conjunto de elementos denominados pixels (picture elements) ordenados na forma de uma matriz bidimensional. Para cada um destes elementos de imagem existe uma única posição na matriz, indicada pela intersecção de uma linha e uma coluna (figura 4). Cada pixel ou elemento da matriz representa uma área definida da superfície terrestre, assim a área total do conjunto de todos os pixels da matriz corresponde à área total coberta pela imagem sobre a superfície (INTERSAT, 2005). Figura 3 Raio-x de uma Imagem Digital Fonte: INTERSAT, Processamento Digital de Imagem de Sensoriamento Remoto O processamento digital de imagens de sensoriamento remoto trata especificamente das técnicas utilizadas para identificar, extrair, condensar e realçar a informação de interesse para determinados fins, a partir de uma enorme quantidade de dados que usualmente compõem essas imagens (CROSTA, 1992).

16 3.8 Classificação de Imagem de Sensoriamento Remoto A classificação automática de imagens multiespectrais de sensoriamento remoto diz respeito a associar cada pixel da imagem a um rótulo descrevendo um objeto real (vegetação, solo, etc...). Dessa forma, os valores numéricos DNs (digital numbers) associados à cada pixel, definidos pela reflectância dos materiais que compõem esse pixel, são identificados em termos de um tipo de cobertura da superfície terrestre imageada (água, tipo de vegetação, de solo, de rocha, etc.), chamadas então de temas (CROSTA, 1992). Quando esse tipo de operação é efetuado para todos os pixels de uma determinada área, o resultado é um mapa temático, mostrando a distribuição geográfica de um tema, tal como vegetação ou solo. Pode-se dizer então que uma imagem de sensoriamento remoto classificada é uma forma de mapa digital temático. Quando essa imagem é reorganizada para se ajustar a uma dada projeção cartográfica, torna-se um importante elemento para ser incorporado a um sistema geográfico de informações (CROSTA, 1992). 3.9 Classificação Supervisionada Nesse tipo de classificação, é necessário que o usuário conheça alguma coisa da área a ser classificada, antes de iniciar o processo. Idealmente, deveria haver locais específicos dentro de área a ser classificada onde observações de campo tivessem sido efetuadas durante a passagem do satélite para adquirir a imagem. Esse tipo de observação é conhecida como verdade terrestre. Essas áreas podem então ser usadas como um padrão de comparação, com a qual todos os pixels desconhecidos da imagem serão comparados para se decidir a qual classe pertencem. Essa situação ideal na maioria das vezes não é possível, sendo necessário fazer certas inferências sobre as classes superficiais (CROSTA, 1992). Uma área da imagem que o usuário identifica como representando uma das classes é chamada de área de treinamento. Uma área de treinamento é normalmente definida pelo usuário traçando-se seus limites diretamente sobre a imagem, no monitor de vídeo do sistema de processamento de imagens. Várias áreas de treinamento podem ser definidas

17 para uma mesma classe, para assegurar que os pixels a ela pertencente são realmente representativos de dessa classe (CROSTA, 1992) Segmentação Neste processo, divide-se a imagem em regiões que devem corresponder às áreas de interesse da aplicação. Entende-se por regiões um conjunto de "pixels" contíguos, que se espalham bidirecionalmente e que apresentam uniformidade. A divisão em porções consiste basicamente em um processo de crescimento de regiões, de detecção de bordas ou de detecção de bacias (INPE, 2002) Classificação por Regiões Os classificadores por regiões utilizam, além de informação espectral de cada "pixel", a informação espacial que envolve a relação entre os "pixels" e seus vizinhos. Estes classificadores procuram simular o comportamento de um foto-intérprete, ao reconhecer áreas homogêneas de imagens, baseados nas propriedades espectrais e espaciais de imagens. A informação de borda é utilizada inicialmente para separar regiões e as propriedades espaciais e espectrais irão unir áreas com mesma textura (INPE, 2002).

18 4 METODOLOGIA A área escolhida para realização da pesquisa foi o município de Bocaiúva (figura 4), localizado no Norte do Estado de Minas Gerais (figura 4) e tem a sua sede com posição marcada pelas coordenadas geográficas , de Latitude Sul, e 43 º de Longitude Oeste. (PRODEMGE, 1998). Figura 4 Mapa de Localização do Município de Bocaiúva-MG Fonte: Base GeoMinas Foi adquirida através da INTERSAT uma imagem (figura 5) de 15 km², referente à área urbana do município de Bocaiúva. A imagem de alta resolução do satélite Americano QuickBird, tomada no dia 15 de outubro de 2004, foi fornecida em formato GEOTIFF, composição colorida (RGB-321), com resolução espacial de 0.6 metros.

19 Figura 5 Quicklook da Cena com Destaque da Imagem Fornecida Fonte: INTERSAT

20 Foi necessário tratar a imagem devido ao baixo contraste apresentado pela mesma. A técnica de realce de contraste tem por objetivo melhorar a qualidade das imagens sob os critérios subjetivos do olho humano. Para tratamento da imagem, utilizou-se o software de livre domínio SPRING (sistema de processamento de imagens georeferenciadas), disponibilizado pelo INPE. As áreas (quadras) selecionadas como amostra, foram definidas aleatoriamente, não levando em consideração limites oficiais. Foram definidas 3 amostras para o estudo. Para realizar o recorte destas áreas utilizou-se o software ERDAS IMAGINE 8.6. As variáveis que possuem relação com determinados tipos de padrão de ocupação dentro do espaço intra-urbano foram separadas em: -Pavimentação: - asfalto - solo exposto - Vegetação: - árvores, arbustos e gramíneas - Cobertura das edificações: - cerâmica - cimentada - metálica - Água Foram consideradas três categorias sócio-econômicas para classificação das quadras: - classe baixa; - classe média; - classe alta. Nos procedimentos de classificação digital, empregou-se o método de segmentação, utilizando valores 5 de similaridade e 8 de área de pixels para gerar uma imagem, separada em regiões com base na análise dos níveis de cinza. Logo após foi criado o arquivo de contexto, que armazena quais as bandas farão parte do processo de classificação por regiões. Em seguida foi realizado o procedimento de extração de regiões, onde o algoritmo

21 extrai informações estatísticas de média e variância de cada região, considerando as bandas indicadas no contexto. Outro procedimento realizado foi o treinamento, onde as amostras são coletadas sobre a imagem na área do desenho e posteriormente validadas através da estatística gerada pelo software. A classificador utilizado para separar as classes foi o Bhattacharya 99.9%.

22 5 RESULTADOS E DISCUSSÕES 5.1 Classe Baixa Figura 6 Amostra 1 Figura 7 Segmentação da Classe Baixa

23 Figura 8 Classificação da Classe Baixa As tabelas 3 e 4 apresentam dados referentes à matriz de classificação e às áreas das classes, respectivamente. O gráfico 1 mostra a distribuição percentual das variáveis na classe baixa. Tabela 3 Matriz de Classificação da Classe Baixa Matriz de Classificação Dados de Referência Asfalto ,37% Solo ,22% Vegetação ,35% Cerâmica ,97 Cimentada 277 3,77 Metálica 17 0,23 Soma 7344

24 Tabela 4 Medidas das Classes da Classe Baixa Medidas de Classes unidade (m²) Cálculo de áreas/comprimento por Geoclasse Asfalto 8156, Solo 16622, Vegetação 10937, Cimentada 8894, Laje 1968, Metálica 733, Área Total das Classes 47313, Gráfico 1 Percentuais da Classe Baixa Percentuais da Classe Baixa asfalto solo vegetação cerâmica cimentada metálica água A variável solo destacou-se em relação às outras, devido à pequena quantidade de área construída dentro de cada lote. Isso reflete o alto índice de vegetação e o baixo índice de cerâmica encontrado nessa amostra. O baixo índice de Cobertura cimentada se dá pelo fato de que a quadra selecionada é formada, em sua maioria, por casas populares. A cobertura metálica representa alteração das edificações pelos moradores, sendo representada, por exemplo, por garagens cobertas. Nesta área não foi detectada a presença de água.

25 5.2 Classe Média Figura 9 Amostra 2 Figura 10 Segmentação da Classe Média

26 Figura 11 Classificação da Classe Média As tabelas 5 e 6 apresentam dados referentes à matriz de classificação e às áreas das classes, respectivamente. O gráfico 2 mostra a distribuição percentual das variáveis na classe média. Tabela 5 Matriz de Classificação da Classe Média Matriz de Classificação Dados de Referência Asfalto ,96% Solo ,45% Vegetação ,15% Cerâmica ,47% Cimentada 955 6,80% Metálica 38 0,27% Soma 14054

27 Tabela 6 Medidas de Classes da Classe Média Medidas de Classes unidade (m²) Cálculo de áreas/comprimento por Geoclasse Asfalto 5123, Solo 7526, Vegetação 4005, Cimentada 5239, Laje 3003, Metálica 134, Área Total das Classes 25033, Gráfico 2 Percentuais da Classe Média Percentuais da Classe Média asfalto solo vegetação cerâmica cimentada metálica água Nessa amostra o índice de cerâmica elevado demonstra uma relevante presença de área construída, porém com preservação de solo exposto (quintais), o que é demonstrado no índice solo e vegetação. Devido à dimensão dos arruamentos há uma presença considerável do índice asfalto. A cobertura metálica é quase inexistente na amostra e pode se referir a materiais que possuam resposta espectral semelhante. Nesta área não foi detectada a presença de água.

28 5.3 Classe Alta Figura 12 Amostra 3 Figura 13 Segmentação da Classe Alta

29 Figura 14 - Classificação da Classe Alta As tabelas 7 e 8 apresentam dados referentes à matriz de classificação e às áreas das classes, respectivamente. O gráfico 3 mostra a distribuição percentual das variáveis na classe média. Tabela 7 Matriz de Classificação da Amostra 3 Matriz de Classificação Dados de Referência Asfalto ,74% Solo 868 6,23% Vegetação ,61% Cerâmica ,38% Cimentada 475 3,41% Metálica 91 0,65% Água 136 0,98% Soma 13931

30 Tabela 8 Medidas de Classes da Classe Alta Medidas de Classes Cálculo de áreas/comprimento por Geo-classe unidade (m²) Asfalto 5123, Solo 4871, Vegetação 5538, Cimentada 6415, Laje 2091, Metálica 154, Água 136, Área Total das Classes 26759, Gráfico 3 - Percentuais da Classe Alta Percentuais da Classe Alta asfalto solo vegetação cerâmica cimentada metálica água A maior presença de cerâmica em relação ao solo e vegetação é explicada pela grande quantidade de área construída dentro de cada lote. O alto índice de asfalto se deve à presença de ruas mais largas e áreas de solo coberto com material de resposta espectral semelhante a do asfalto. O alto índice de cobertura cimentada apresentado ocorre pelo fato de existirem dois pontos comerciais na área e pela presença de materiais com resposta espectral semelhante, localizados ao redor das piscinas. A presença de cobertura metálica é quase inexistente. O índice água representado por piscinas, apesar de apresentar valor baixo, é uma variável de grande significância para identificar alto poder aquisitivo.

31 Gráfico 4 Percentual das Classes Percentual das Classes Classe-Baixa Classe-Média Classe-Alta asfalto solo vegetação cerâmica cimentada metálica água Analisando o gráfico 4, que apresenta o percentual das três classes, observou-se que os índices asfalto e cerâmica apresentam-se crescentes e o índice solo apresenta-se decrescente de acordo com o aumento do poder aquisitivo das classes sócio-econômicas. A justificativa para diferença de valores no índice asfalto é a dimensão dos arruamentos encontrados em cada área. A cobertura cerâmica é a variável mais importante para identificação das classes sócio-econômicas, apresentando valores mais altos na presença de grandes áreas construídas. A cobertura solo exposto identifica as áreas onde não há presença de edificações. A classe alta demonstra isso claramente, pois possui baixo índice de solo e o maior índice de área construída das amostras. A cobertura cimentada e metálica não foram relevantes na identificação das classes, pois além de apresentar valores baixos, apresentou conflitos com outros materiais principalmente na classe alta. O índice vegetação, neste caso, não pode ser utilizado como parâmetro classificatório, apresentando altos índices nas classes baixas e altas. O índice água foi decisivo na classificação da classe alta, demonstrando presença de piscinas ao contrário das outras áreas onde o índice foi nulo.

32 6 CONCLUSÃO A utilização de imagens de sensoriamento remoto, juntamente com as técnicas de processamento digital, possibilita de forma econômica e eficiente o levantamento de dados, análise e monitoramento de áreas urbanas. O método classificatório empregado permitiu uma separação fiel das variáveis, confirmando com valores percentuais, características visuais que representam a realidade sócio-econômica das amostras. Apesar dos resultados satisfatórios, algumas rotinas que não foram utilizadas podem ser adotadas para se chegar a resultados mais seguros e fidedignos, por exemplo: - utilizar limites oficiais para definir as amostras; - fazer uso de uma quantidade significativa de amostras; - estudar de forma exaustiva a resposta espectral dos alvos.

33 REFERÊNCIAS BIBLIOGRÁFICAS ANTUNES, Celso. Geografia e participação. 3. ed. São Paulo: Scipione, p. CROSTA, Álvaro Penteado. Processamento Digital de Imagens de Sensoriamento Remoto. Edição Revisada. Campinas: Instituto de Geociências, p. DUTRA, Luciano Vieira. Fundamentos de Processamento Digital de Imagens de Sensoriamento Remoto. Notas de aula da UFMG, Belo Horizonte, set ELMIRO, Marcos A. Timbó. Curso de Extensão em Geoprocessamento. Notas de aula do Departamento de Cartografia da UFMG. Belo Horizonte, EMBRAPA, Satélites de monitoramento. QuickBird. Disponível em: Acesso em: 3 de outubro de INPE, Instituto Nacional de Pesquisas Espaciais. SPRING 3.6: Tutorial 10 aulas. São José dos Campos, INTERSAT, Soluções em Imagem de Satélite. Sensoriamento Remoto. Disponível em: Acesso em: 3 de outubro de MAILLARD, Philippe. Introdução ao Sensoriamento Remoto. Notas de aula do Departamento de Cartografia da UFMG. Belo Horizonte, MAILLARD, Philippe. Introdução ao Processamento Digital de Imagens. Notas de aula do Departamento de Cartografia da UFMG. Belo Horizonte, MOURA, Ana Clara Mourão. A importância dos metadados no uso das Geotecnologias e na difusão da Cartografia Digital. Departamento de Cartografia, UFMG. Belo Horizonte. PAES, Fernando Camilo; PINTO, Sérgio dos Anjos F.; DUTRA, Luciano V. In: Simpósio Brasileiro de Sensoriamento Remoto, 10, 2003, Belo Horizonte. Anais XI SBSR, Belo Horizonte, Brasil, abril 2003, INPE, p PRODEMGE. Bases Digitais das Sedes dos Municípios de Minas Gerais

34 SENE, Eustáquio; MOREIRA, João Carlos. Geografia: Geral e do Brasil. São Paulo: Scipione, p. TIMBÓ, Marcos A. Levantamentos Através do Sistema GPS. Notas de aula do Departamento de Cartografia da UFMG. Belo Horizonte, 2000.