INPE-15339-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: <http://urlib.net/sid.inpe.br/mtc-m18@80/2008/07.03.20.00> INPE São José dos Campos 2008
PUBLICADO POR: Instituto Nacional de Pesquisas Espaciais - INPE Gabinete do Diretor (GB) Serviço de Informação e Documentação (SID) Caixa Postal 515 - CEP 12.245-970 São José dos Campos - SP - Brasil Tel.:(012) 3945-6911/6923 Fax: (012) 3945-6919 E-mail: 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)
INPE-15339-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: <http://urlib.net/sid.inpe.br/mtc-m18@80/2008/07.03.20.00> INPE São José dos Campos 2008
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, 2008. 237p. ; (INPE-15339-TDI/1375) Tese (Sensoriamento Remoto) Instituto Nacional de Pesquisas Espaciais, São José dos Campos, 2008. 1. 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 528.711.7(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.
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!
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 400-2400 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.
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.
SUMÁRIO Págs. LISTA DE FIGURAS LISTA DE TABELAS 1 INTRODUÇÃO 1.1 O Sensoriamento Remoto no Estudo de Problemas Urbanos... 25 1.2 Dificuldades para o Estudo Espectral em Áreas Urbanas... 27 1.3 Objetivo do Trabalho... 29 2 FUNDAMENTAÇÃO TEÓRICA... 31 2.1 Sensoriamento Remoto Hiperespectral em Áreas Urbanas... 31 2.1.1 O Comportamento Espectral de Alvos Urbanos... 32 2.1.2 Adequação da Resolução Espacial em Estudos Espectrais Urbanos... 45 2.1.3 A Geometria de Iluminação e o Formato do Alvo... 49 2.1.4 A Geometria de Visada... 52 2.2 Calibração de Sensores... 55 2.2.1 Calibração Espacial... 57 2.2.2 Calibração Radiométrica dos Dados... 60 2.2.3 Calibração Espectral de Sensores... 64 2.3 Correção Atmosférica de Imagens Hiperespectrais... 66 2.3.1 A Influência da Atmosfera... 67 2.3.2 Modelagem Atmosférica... 68 2.4 Sensores Hiperespectrais... 71 2.4.1 Sensores Hiperespectrais Precursores... 72 2.4.2 O Sensor HSS... 75 2.5 Análise de Dados para Discriminação e Identificação Espectral... 83 2.5.1 Análise Exploratória dos Dados... 85 2.5.2 Análise de Regressão Logística Politômica... 90 2.5.3 Mapeador de Ângulo Espectral SAM... 97 2.5.4 Mapeador de Feição Espectral SFF... 101 2.5.5 Transformações de Escala e a Filtragem de Textura... 103 3 METODOLOGIA DE TRABALHO... 109 3.1 Área de Estudo... 110 3.2 Caracterização do Sensor HSS... 115 3.2.1 Verificação do Ruído Inerente do Dado... 116 3.2.2 Verificação da Calibração Espacial... 118 3.2.3 Verificação da Calibração Espectral e Radiométrica... 118 3.3 Aquisição e Processamento da Imagem HSS... 121 3.3.1 Aquisição da Imagem HSS... 121 3.3.2 Pré-processamento e Correção Atmosférica da Imagem HSS... 121 3.4 Seleção de Alvos e Elaboração da Biblioteca Espectral... 123 3.4.1 Elaboração da Biblioteca Espectral de Campo... 124 3.4.2 Elaboração da Biblioteca Espectral de Laboratório... 126 3.4.3 Seleção de Alvos e Elaboração da Biblioteca Espectral da Imagem... 127 3.5 Análise Exploratória da Biblioteca Espectral... 129 3.5.1 Análise Exploratória da Biblioteca de Campo e Laboratório... 129 3.5.2 Caracterização Espectral Utilizando a Simulação Multissensor... 130
3.5.3 Análise Qualitativa de Espectros da Imagem HSS... 130 3.5.4 Análise Qualitativa da Separabilidade de Classes de Alvos... 131 3.6 Influência da Resolução Espectral na Discriminação de Alvos... 132 3.6.1 Análise Quantitativa Exploratória das Classes Espectrais de Alvos... 133 3.6.2 Análise da Seleção de Bandas do HSS na Discriminação de Alvos... 133 3.6.3 Discriminação de Alvos com Sensores Multiespectrais Simulados... 134 3.7 Influência da Resolução Espacial na Discriminação de Alvos... 135 3.7.1 Avaliação Espectral da Filtragem de Textura... 135 3.7.2 Avaliação Quantitativa da Influência da Resolução Espacial... 136 3.8 Análise do Mapeamento Espectral na Imagem HSS... 136 3.8.1 Análise da Identificação com o Mapeador SAM... 137 3.8.2 Análise da Identificação com o Mapeador SFF... 137 4 RESULTADOS E DISCUSSÃO... 139 4.1 Caracterização do Sensor HSS... 139 4.1.1 Verificação do Ruído Inerente ao Dado... 139 4.1.2 Verificação da Calibração Espacial... 142 4.1.3 Verificação da Calibração Espectral e Radiométrica... 143 4.2 Aquisição e Processamento da Imagem HSS... 146 4.2.1 Influência da Geometria de Iluminação e Visada... 146 4.2.2 Pré-processamento e Correção atmosférica da Imagem HSS... 148 4.3 Análise Exploratória da Biblioteca Espectral... 149 4.3.1 Biblioteca Espectral de Campo e Laboratório... 149 4.3.2 Caracterização Espectral Utilizando a Simulação Multissensor... 158 4.3.3 Análise Qualitativa dos Espectros da Imagem HSS... 160 4.3.4 Análise Qualitativa da Discriminação de Classes com Dados HSS... 165 4.4 Influência da Resolução Espectral na Discriminação de Alvos... 172 4.4.1 Análise Quantitativa Exploratória de Classes de Alvos... 172 4.4.2 Seleção de Bandas do HSS na Discriminação de Alvos Urbanos... 177 4.4.3 Discriminação de Alvos Urbanos com Sensores Simulados... 186 4.5 Influência da Resolução Espacial na Discriminação de Alvos... 190 4.5.1 Resultados Espectrais da Filtragem de Textura... 190 4.5.2 Análise Quantitativa da Influência da Resolução Espacial... 192 4.6 Identificação Espectral de Alvos Urbanos na Imagem... 197 4.6.1 Mapeamento Espectral SAM... 197 4.6.2 O Mapeamento de Feições Espectrais SFF... 204 5 CONCLUSÕES... 209 REFERÊNCIAS BIBLIOGRÁFICAS... 217 APÊNDICE A Resultado do Contraste para Teste de Verificação da APÊNDICE B Resolução Espacial... 227 Resultado dos Testes de Normalidade para os Dados Agrupados... 229 APÊNDICE C Resultado dos Testes de Normalidade por Classes... 231 APÊNDICE D Resultado do Testes do χ 2 para a Estatística de Wald... 237
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... 27 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)... 34 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... 36 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.... 37 2.4 Espectros de concreto são apresentados junto à fotografia da área de medição.... 38 2.5 Diferenças entre espectros de asfalto em diferentes estados de conservação.... 39 2.6 Espectros de diferentes materiais junto às fotos dos locais de medição.... 40 2.7 Espectros de materiais utilizados em coberturas de edificações... 42 2.8 Espectros de amostras de pavimentos diversos para tráfego pedestre.... 43 2.9 Diferenças verificadas entre espectros de asfalto de idades diferentes, com a identificação de bandas de absorção de substância da composição do material.... 44 2.10 Classificação hierarquizada de uso/cobertura da terra para áreas urbanas.... 46 2.11 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... 47 2.12 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... 50 2.13 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 2.14 Diferenças na porção de sombreamento dos alvos com a variação da visada do sensor ao longo do seu campo de visada (FOV).... 52 2.15 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.... 54
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... 58 2.17 Redução da intensidade do sinal do sensor com o aumento da freqüência espacial do objeto e seu efeito sobre a imagem resultante... 59 2.18 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... 60 2.19 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... 62 2.20 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... 65 2.21 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.... 67 2.22 Influência da atmosfera nas trajetórias Sol-superfície e superfície-sensor.... 68 2.23 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 2.24 Recorte de imagem do sensor HSS com 3 m de GIFOV apresentada em cor verdadeira. No destaque é apresentada uma ampliação de 9 vezes.... 77 2.25 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.... 78 2.26 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... 80 2.27 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... 82 2.28 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... 86 2.29 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
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).... 99 2.31 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).... 102 2.32 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)... 104 2.33 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.... 106 3.1 Fluxograma de trabalho... 111 3.2 Faixa de vôo em São José dos Campos SP, utilizada como área de estudo... 112 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).... 113 3.4 Tipos de materiais tipicamente observados em edificações comerciais e industriais: fibrocimento (a); aço galvanizado (b); e alumínio (c)... 113 3.5 Materiais à base de cimento utilizados em calçamentos em geral: tipos de bloquetes, em (a) e (b); e placa concretada, em (c)... 114 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 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)... 115 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).... 116 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... 117 3.10 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 3.11 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).... 126
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)... 127 3.13 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 4.... 128 3.14 Modelo para a comparação da precisão de classificação de uma classe espectral para K simulações de sensores.... 134 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... 140 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.... 141 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 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.... 144 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.... 145 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.... 146 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 apresenta-se mais brilhante, devido ao efeito do retroespalhamento da iluminação solar, mais visível nas áreas edificadas.... 147 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)... 148 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... 151 4.10 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... 151 4.11 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).... 152 4.12 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... 153 4.13 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.... 153 4.14 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).... 154 4.15 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.... 155 4.16 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.... 155 4.17 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.... 156 4.18 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... 157 4.19 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)... 158
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.... 159 4.21 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... 160 4.22 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)... 161 4.23 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... 163 4.24 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... 164 4.25 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.... 164 4.26 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.... 165 4.27 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.... 165 4.28 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)... 166 4.29 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... 168 4.30 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)... 169 4.31 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.... 170 4.32 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.... 171 4.33 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 )... 173 4.34 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.... 175 4.35 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.... 188 4.36 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.... 190 4.37 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... 191 4.38 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... 191 4.39 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.... 198
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... 199 4.41 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.... 200 4.42 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)... 200 4.43 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... 201 4.44 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... 201 4.45 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).... 202 4.46 Diagrama de espalhamento das amostras de classes de alvos diversos com dados das imagens ângulo obtidas com o processamento SAM... 203 4.47 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).... 205 4.48 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).... 206 4.49 Diagrama de espalhamento dos valores de amplitude SFF das classes de alvos diversos... 207
LISTA DE TABELAS Pág. 2.1 CARACTERÍSTICAS DE SENSORES HIPERESPECTRAIS... 75 2.2 BANDAS DO SENSOR HSS NO ESPECTRO REFLETIDO... 76 3.1 SIMULAÇÕES DE BANDAS AMPLAS COM DADOS DO HSS... 132 4.1 CONTRASTE PARA TESTE DA RESOLUÇÃO ESPACIAL EM CANAIS DO SENSOR HSS... 143 4.2 DISTRIBUIÇÃO DE PIXELS POR CLASSE E SUBCONJUNTO... 172 4.3 TESTE DE LEVENE PARA A HOMOCEDASTICIDADE... 174 4.4 TESTES DE NORMALIDADE PARA OS DADOS AGRUPADOS... 175 4.5 TESTES DE NORMALIDADE POR CLASSES... 176 4.6 PRECISÃO CLASSIFICAÇÃO COM 13 BANDAS DO HSS... 177 4.7 PRECISÃO DE CLASSIFICAÇÃO COM 17 BANDAS DO HSS... 178 4.8 TESTE DO DEVIANCE NO MODELO DE 17 BANDAS DO HSS... 179 4.9 TESTE G DAS VARIÁVEIS NO MODELO DE 17 BANDAS DO HSS... 179 4.10 TESTE WALD DAS VARIÁVEIS NO MODELO DE 17 BANDAS DO HSS... 180 4.11 DISTRIBUIÇÃO AMOSTRAL POR CLASSE E SUBCONJUNTO... 182 4.12 PRECISÃO DE CLASSIFICAÇÃO COM 14 BANDAS DO HSS... 182 4.13 TESTE DO DEVIANCE NO MODELO DE 14 BANDAS DO HSS... 182 4.14 TESTE G NO MODELO DE 14 BANDAS DO HSS... 183 4.15 TESTE WALD DAS VARIÁVEIS NO MODELO DE 14 BANDAS DO HSS... 184 4.16 PRECISÃO DE CLASSIFICAÇÃO PARA DERIVADOS DE CIMENTO COM 14 BANDAS... 185 4.17 RESUMO DAS AMOSTRAS DE DERIVADOS DE CIMENTO... 185 4.18 VALIDAÇÃO DA CLASSIFICAÇÃO PARA DERIVADOS DE CIMENTO COM 14 BANDAS... 186 4.19 PRECISÃO DE CLASSIFICAÇÃO A COM SENSORES SIMULADOS... 187 4.20 VALIDAÇÃO DA CLASSIFICAÇÃO PARA DERIVADOS DE CIMENTO NA SIMULAÇÃO DO ETM+... 189 4.21 VALIDAÇÃO DA CLASSIFICAÇÃO PARA DERIVADOS DE CIMENTO NA SIMULAÇÃO DO HRG... 189 4.22 TESTE DO DEVIANCE NO MODELO DE 14 BANDAS COM DADOS DA IMAGEM TEXTURA... 193 4.23 TESTE G NO MODELO DE 14 BANDAS COM DADOS DA IMAGEM TEXTURA... 194 4.24 TESTE WALD DAS VARIÁVEIS NO MODELO DE 14 BANDAS COM DADOS DA IMAGEM TEXTURA... 194 4.25 VALIDAÇÃO DA CLASSIFICAÇÃO DE DERIVADOS DE CIMENTO COM 14 BANDAS E DADOS DA IMAGEM TEXTURA... 195 4.26 CLASSIFICAÇÃO PARA ALVOS DIVERSOS COM 14 BANDAS PARA DADOS DA IMAGEM ORIGINAL OU TEXTURA... 196 4.27 CLASSIFICAÇÃO A DE ALVOS DIVERSOS PARA OS SENSORES SIMULADOS COM DADOS DA IMAGEM ORIGINAL E TEXTURA... 197 4.28 CLASSIFICAÇÃO DE ALVOS DIVERSOS OBTIDA COM O MAPEADOR SAM PARA DADOS DA IMAGEM HSS ORIGINAL... 204 4.29 CLASSIFICAÇÃO DE ALVOS DIVERSOS OBTIDA COM O MAPEADOR SFF PARA DADOS DA IMAGEM HSS... 208
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
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 2001. 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
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