Embrapa Informática Agropecuária/INPE, p. 631-640 Abordagens em GEOBIA e aplicação da técnica em imagem Rapideye de uma área da bacia do rio Pitangui PR Dinameres Antunes Giuvane Conti Kelly Lais Wiggers Selma Regina Aranha Ribeiro Universidade Estadual de Ponta Grossa Laboratório de Geotecnologia Ponta Grossa - PR, Brasil Resumo. Este artigo explora a GEOBIA (Geographic Object Based Image Analysis) por meio da análise de literatura de trabalhos científicos publicados na temática, identificando suas principais características, objetivos, metodologias e softwares utilizados. Também aplicou-se a técnica em uma área da bacia do rio Pitangui, localizada em Ponta Grossa PR, gerando como produtos finais imagem com pré-classificação, vetores correspondentes a cada objeto gerado, e banco de dados relacional com descritores espaciais, espectrais e de textura que podem dar subsídio a várias análises. Com a análise dos trabalhos conclui-se que apesar de se diferenciarem em seus objetivos finais, apresentaram, por meio do uso da GEOBIA, contribuição considerável no desenvolvimento das pesquisas. A aplicação da técnica em área de estudo mostra que os resultados oferecem vantagem em relação a abordagem a pixels. Palavras-chave: sensoriamento remoto, processamento digital de imagens, geoprocessamento. 631
Embrapa Informática Agropecuária/INPE, p. 632-640 Abstract. This article explores GEOBIA (Geographic Object-Based Image Analysis) by means of reviewing published scientific papers that cover the thematic and identifying main characteristics, objectives, methodologies and softwares utilized. The technique has been also applied to an area in the Pitangui river basin, located at Ponta Grossa - PR, generating the following final products: a pre-classified image, vectors corresponding to each of the generated objects and a relational database with spatial, spectral and texture descriptors. They serve as basis for various analyses. It is then finally concluded that even though GEOBIA techniques present deviations with regards to their final objectives, they still yield considerable contributions to academic research. The study demonstrates that better results are achieved through the use of GEOBIA than when using pixel level approaches. Keywords: remote sensing, digital image processing, geoprocessing Introdução De acordo com Rosa (2005) as geotecnologias são o conjunto de tecnologias para coleta, processamento, análise e oferta da informação com referência geográfica, dentre as geotecnologias se destacam os Sistemas de Informação Geográfica, o Sensoriamento Remoto, a Cartografia Digital entre outras. O Sensoriamento Remoto fornece importante fonte de dados para diversas tarefas de monitoramento ambiental e gestão do território. O Processamento de Imagens Digitais (PDI) torna possível a extração de características das imagens provenientes de sensoriamento remoto a partir de suas metodologias e técnicas fornecendo recursos para a manipulação e análise de imagens. O PDI têm evoluído continuamente, com aumento significativo no nível de interesse em morfologia matemática, redes neurais, processamento de imagens coloridas, compressão de imagens, reconhecimento de imagens e em sistemas de análise de imagens baseados em conhecimento (Gonzales & Woods, 2000). Atualmente há maior demanda e acessibilidade às imagens orbitais de alta resolução, o que subsidiou o desenvolvimento de novas metodologias e técnicas para a análise que ultrapassassem o nível de pixel, nesse sentido é que surgiu a GEOBIA (Geographic Object Based Image Analysis) que é análise baseada a objetos geográficos, ou seja a aglomerados de pixels, mas levando em consideração o contexto espacial e características de textura além de informações espectrais. Possibilita grande integração entre Sensoriamento Remoto e Sistemas de Informação Geográfica. Dessa forma este artigo explora as aplicações de GEOBIA em diversos trabalhos, levantando quais os softwares utilizados, metodologias e objetivos, bem como a aplicação da GEOBIA em uma área localizada na bacia hidrográfica do Pitangui, no município de Ponta Grossa, Paraná, e como poderia ser aplicada no Pantanal. Processamento de Imagens Digitais Gonzales & Woods (2000) descrevem os passos necessários para a execução da tarefa de processamento de uma imagem digital: Aquisição da imagem por meio de um sensor de imagem e a capacidade de digitalizar o sinal produzido pelo sensor; Pré-processar a imagem consiste em melhorar a imagem para o sucesso dos processos seguintes. A etapa de pré-processamento tipicamente envolve técnicas para o realce de contrastes, remoção de ruído e isolamento de regiões cuja textura indique a probabilidade de informação alfanumérica; Segmentação equivale à divisão da imagem em fragmentos ou objetos nela presentes; Representação é a escolha da forma de representar os dados para o posterior processamento; 632
Embrapa Informática Agropecuária/INPE, p. 633-640 Descrição é a especificação de um método para descrever os dados, de forma a evidenciar as características de interesse; Reconhecimento é o processo que atribui um rótulo a um objeto, baseado na informação fornecida pelo seu descritor; Interpretação envolve a atribuição de significado a um conjunto de objetos reconhecidos. GEOBIA A segmentação subdivide a imagem em suas partes ou objetos constituintes. O nível até o qual essa subdivisão deve ser realizada depende do problema a ser resolvido. Ou seja, a segmentação deve finalizar quando os objetos de interesse na aplicação tiverem sido isolados (Gonzales; Woods, 2000). O objetivo da segmentação é particionar a imagem em regiões, e assim, realizar a categorização das classes da imagem. Segundo Gonzales e Woods (2000) existem técnicas que são baseadas na formação das regiões diretamente, como: crescimento de regiões por agregação de pixels (agrupa os pixels ou sub-regiões em regiões maiores) e divisão e fusão de regiões (subdivide a imagem em um conjunto de regiões arbitrárias e disjuntas, e então realizar a divisão e/ ou fusão das regiões). Assim, a segmentação de imagens é a etapa essencial para problemas de reconhecimento de padrões e análise de cenas, uma vez que considera além das características espectrais da imagem, a textura e as formas. É necessário avaliar as características peculiares da imagem para escolher a técnica de segmentação que estabeleça bom resultado na classificação dos objetos de estudo. A análise orientada a objetos geográficos baseia-se no agrupamento de pixels a partir da segmentação que é o passo preliminar que divide a imagem em objetos contíguos, a acurácia da segmentação acarreta no desempenho da GEOBIA (Yan et al., 2006). A GEOBIA Análise Baseada a Objeto Geográfico é tida como uma nova metodologia no processamento das imagens de Sensoriamento Remoto, nela o nível de abstração deixa de ser o pixel para ser o objeto, este que é constituído por agregados de pixels próximos espacialmente e com características similares. A orientação a objetos ou OBIA como é conhecida, é usada em muitas disciplinas diferentes (Biomedicina, Astronomia, Microscopia, Visão Computacional, etc), e agora vem sendo usada no PDI de Sensoriamento Remoto, neste opta-se pelo termo GEOBIA com o pseudoprefixo Geo como qualificador, para enfatizar o componente geográfico e o foco principal em Sensoriamento Remoto e Sistemas de Informação Geográfica (Hay & Castilla, 2008). Nesse trabalho para a realização da GEOBIA utilizou-se o software ENVI 5.1, o qual pode realizar extração de informações em imagens de RADAR, multispectrais ou pancromáticas, de alta resolução baseado em características espaciais, espectrais e textura mediante o algoritmo Full Lambda Schedule Algorithm (FLSA), sendo possível definir os valores de escala e de fusão dos segmentos ou regiões. O FLSA foi desenvolvido por (Robinson; Redding; Crisp, 2002) e sua aplicação tornou-se comum, pois trata-se de um algoritmo iterativo e multiescala que obtém ótimos resultados no processo de GEOBIA. É responsável pela fusão de segmentos adjacentes, baseando-se na combinação da informação espectral, espacial e de textura, tendo como resultado a formação de regiões, ou seja o agrupamento de pixels espacialmente próximos e com características similares, além de informar os descritores espaciais, espectrais e de textura de cada região em um banco de dados relacional. 633
Embrapa Informática Agropecuária/INPE, p. 634-640 3.1 Trabalhos que utilizaram a GEOBIA O uso de algoritmos de classificação tradicionais (por pixels) normalmente apresenta problemas para identificar classes de cobertura da terra com imagens de alta resolução. Em Myinta et. al., 2011 foram utilizados dados de imagem de alta resolução QuickBird sobre a região central da cidade de Phoenix Arizona Estados Unidos para analisar se um classificador baseado em objeto (GEOBIA) pode classificar classes urbanas com precisão. O resultado foi comparado a classificação baseada em pixels. Whiteside et. al., 2014 apresenta métodos que avaliam a acurácia de classificações de cobertura da terra derivadas de GEOBIA, em dois conjuntos diferentes: classificação com uma única classe e classificação multi-classes. Em Powers et. al., 2015 a GEOBIA é aplicada com imagens de alta resolução espacial (SPOT 5) para mapear perturbações industriais em um solo de areia betuminosa ao nordeste da floresta boreal de Alberta Canadá. Stow et. al., 2012 utiliza a GEOBIA para classificação da cobertura e mapeamento do uso da terra e nível socioeconômico. O estudo foi aplicado em uma porção da área metropolitana de Accra Gana. Vieira et. al., 2012 desenvolve uma metodologia para contribuir na automação de mapeamento de cana de açúcar em grandes áreas com séries temporais, combinando duas técnicas: GEOBIA e Data Mining. GEOBIA foi utilizado para representar o conhecimento necessário para mapear a cana de açúcar em imagens Landsat TM e ETM+ da região norte de São Paulo. Doxani et. al., 2012 apresenta uma estrutura de processamento de imagem multi-temporal para detecção automática e semi-automática de mudanças urbanas, para isto uma filtragem de escala não-linear foi incorporada ao procedimento GEOBIA. Chen et. al., 2014 também utiliza o paradigma de detecção de mudanças baseado em objeto, utilizando imagens SPOT de alta resolução espacial de áreas urbanas, sub-urbanas e rurais, e ainda cita que esta abordagem apresenta uma melhor performance sobre o paradigma baseado em pixels clássico. No entanto ele também cita que o paradigma baseado em objeto apresenta ainda novos desafios decorrentes que precisam ser estudados. Dragut et. al., 2014 desenvolveram uma nova abordagem baseada em GEOBIA que realiza uma aplicação automatizada para parametrizar a segme ntação de uma imagem multi-escala e múltiplas camadas, na tentativa de aumentar ainda mais a acurácia da GEOBIA. Outro trabalho que busca ampliar a acurácia da GEOBIA é o de Laliberte et. al., 2012 onde foram avaliados 3 métodos diferentes de seleção de atributos, o Jeffreys-Matusita (JM), a análise de árvore de classificação (CTA) e otimização de espaço de características (FSO) para classes de vegetação em pastagens áridas do sudoeste dos Estados Unidos. Blaschke et. al., 2014 cita que a quantidade de literatura sobre GEOBIA está crescendo significantemente e investiga se esta técnica é ou não um novo paradigma em Sensoriamento Remoto e Ciência da Informação Geográfica (GIScience). Resultados e discussão Powers et. al., 2015 destaca que com a GEOBIA foi possível fornecer informações importantes para tomada de decisão, planejamento e gestão de recursos que necessitam monitoramento da condição de florestas. Relacionado a assentamentos urbanos e até paisagens semi-naturais, Daxani et. al., 2012 obteve resultados com potencial para uso da metodologia proposta, assim como Dragut et. al., 2014. Em Whiteside et. al., 2014, os autores destacam que as técnicas de avaliação apresentaram uma série de vantagens do modelo orientado a objetos para o método de pixels clássico, como por exemplo identificar espacialmente onde havia erro ou incerteza. Laliberte et. al., 2012 sugerem uma nova avaliação aplicada a classificação de áreas maio- 634
Embrapa Informática Agropecuária/INPE, p. 635-640 res. Semelhante à Stow et. al., 2012, em sua pesquisa, que para a classificação de curva correspondente ser bem sucedida segmentos de imagem devem ser suficientemente grandes para capturar a variabilidade das características dos valores de brilho da imagem e associá-los a uma determinada classe. Já Chen et. al., 2014 sugere a aplicação de outros algoritmos para compensar registro incorretos e obter bons resultados, pois os apresentados neste trabalho não foram bons. Vieira et. al., 2012 avaliou o uso de GEOBIA integrado a um Data Mining e apresentou altos níveis de exatidão global e coeficientes kappa, atingindo 93,99% e 0,87. A utilização de diferentes atributos extraídos a nível de objeto foi decisivo para garantir o bom desempenho da metodologia. O mesmo ocorre com Myint et al., 2011, pois comprovaram que abordagens por pixels não foram eficazes na identificação de classes de cobertura da terra urbano. O classificador baseado em objeto produziu uma precisão global significantemente maior de 90,40% contra a abordagem de pixel apresentou um valor de 67,60%. A Tabela 1 apresenta os trabalhos que aplicaram a GEOBIA com o intuito de classificar a região de estudo com uma acurácia maior do que a classificação clássica (por pixels). Tabela 1. Comparativo entre artigos que abordagem GEOBIA na classificação de cobertura do solo. Objetivo Algoritmo de segmentação Software Imagens utilizadas Powers et. al., 2015 Stow et. al., 2012 Vieira et. al., 2012 Doxani et. al., 2012 Chen et. al., 2014 Detectar e monitorar conflitos entre a indústria e a floresta boreal 1. Analisar a variabilidade entre classes de distribuição de valores multiespectrais. 2. Avaliar as distribuições de frequência (histogramas) dos segmentos Testar a possibilidade de integrar GEOBIA e Data Mining para mapear a cana de açúcar em áreas extensas Detecção automática e semiautomática de mudanças urbanas Avaliar o impacto de registros incorretos na detecção de mudanças de paisagens urbanas, sub-urbanas e rurais watershed by immersion algorithm Agrupamento de pixels de áreas de interesse representando LCLU (Land Use/Land Cover) Algoritmo proposto por Baatz and Schäpe (2000) FETEX 2.0 SPOT 5 de 8-bit com resolução radiométrica - QuickBird multiespectral WEKA e Definiens platform Landsat-5 TM e Landsat-7 ETM+ Morphological scale space filtering (Meyer & Maragos, 2000, Meyer, 2004 and Karantzalos et al., 2007) - - Gram Schmidt algorithm ecognition SPOT 5 Alguns trabalhos buscam otimizar a GEOBIA, desenvolvendo novas técnicas e abordagens no processo de segmentação e extração de atributos, a Tabela 2 apresenta os trabalhos onde autores criaram novas técnicas dentro da GEOBIA. 635
Embrapa Informática Agropecuária/INPE, p. 636-640 Tabela 2. Artigos onde foram desenvolvidos novas técnicas de segmentação e extração de características de imagens de alta resolução espacial. Dragut et. al., 2014 Laliberte et. al., 2012 Whiteside et. al., 2014 Blaschke et. al., 2014 Objetivo Algoritmo de segmentação Software Implementar uma nova abordagem para segmentação multi camada Determinar as características ideais para o mapeamento da vegetação em escala fina e avaliar 3 métodos de seleção de características Implementar uma série de medidas de precisão para avaliar a eficácia de objetivos classificados derivados de GEOBIA Investigar se GEOBIA é um novo paradigma em sensoriamento remoto e GIScience Segmentação em 3 camadas (criado pelos autores) Jeffreys Matusita Multiresolution segmentation algorithm (Baatz & Schäpe, 2000) Explica o processo de segmentação dentro da técnica ecognition SEATH tool (algoritmo JM) CART software (algoritmo CTA) ecognition (algoritmo FSO) ecognition Cita uma série de softwares já desenvolvidos Blaschke et. al., 2014 avalia que a GEOBIA apresenta um número crescente de publicações, livros e softwares livres e comerciais. O autor se apresenta confiante que a GEOBIA não é apenas um coleção de segmentações, análise e métodos de classificação subjacente, mas sim um paradigma em evolução com ferramenta, softwares, métodos, regras e linguagem específicas, e é cada vez mais utilizada para estudos que necessitam conceituar e formalizar o conhecimento representando localização baseada em realidade. Aplicação da GEOBIA em uma área da bacia hidrográfica do Pitangui A área de estudo está localizada na bacia do rio Pitangui, no município de Ponta Grossa no estado do Paraná, na região denominada Campos Gerais do Paraná. A imagem utilizada neste estudo é a Rapideye ortorretificada, obtida em agosto de 2012. Esta imagem possui 5 metros de resolução espacial, resolução radiométrica de 12 bits, resolução temporal de 1 dia, e possui 5 bandas espectrais, sendo azul, verde, vermelho, red-edge e infravermelho próximo. A imagem orbital foi cedida pelo programa de Pós-Graduação em Geografia da Universidade Estadual de Ponta Grossa - PR. A GEOBIA tem por objetivo realizar o processo de segmentação, que particiona a imagem em segmentos por meio do agrupamento de pixels vizinhos que contenham similaridade em suas feições (brilho, textura, cor, etc.), e estes segmentos tendem a representar objetos reais. As configurações dos parâmetros da segmentação estão descritas na Tabela 3. Inicialmente foi definido o valor da escala, sendo este 60, que controla o tamanho dos objetos, e utilizou-se o algoritmo edge que suprime as bordas dos segmentos com falhas, criando um resultado que pode variar entre segmentos menores ou maiores. A próxima etapa é a fusão que agrega segmentos pequenos em maiores, o algoritmo usado foi o FLSA. Gerou-se 54 descritores da imagem para 647 regiões ou segmentos, correspondendo aos atributos espaciais, espectrais e de textura. 636
Embrapa Informática Agropecuária/INPE, p. 637-640 Figura 1. Área de estudo da Bacia do rio Pitangui - PR Tabela 3. Dados de segmentação mediante GEOBIA Escala Fusão Algoritmo de escala Algoritmo de fusão 60 40 Edge FLSA A área de estudo se trata de um limite entre áreas urbanizadas e rurais, observa-se na imagem um condomínio horizontal, dois diferentes tipos de cultivo agrícola, vegetação campestre, solo exposto e a mata de galeria de um afluente do rio Pitangui, escolheu-se essa área para a aplicação da GEOBIA por apresentar diferentes usos e ocupações e assim verificar o quanto a técnica se aproximaria da percepção do usuário. Observa-se na imagem gerada Figura 2A e também nos vetores Figura 2B que houve distinção nos usos e ocupações da terra, a área urbanizada correspondente aos condomínios foi bem delineada com objetos menores criados, na imagem pode-se notar diferentes construções. Para os tipos de cultivo bem como a vegetação campestre, solo exposto foram criados objetos maiores, na imagem é possível notar estes com diferentes cores. A mata de galeria teve objetos um pouco maiores e outros menores. Nota-se que a imagem gerada não é uma classificação, é o resultado da análise orientada a objetos a partir do nível de escala e fusão definidos, os objetos criados não são atribuídos a uma classe, mas a imagem se apresenta como uma pré-classificação ao usuário. 637
Embrapa Informática Agropecuária/INPE, p. 638-640 Figura 2. A) Imagem gerada no processo de GEOBIA B) Vetores gerados para cada região C) Vetores sobrepostos a imagem Como produto final a GEOBIA no software ENVI 5.1 gera além dos da imagem e dos vetores um banco de dados relacional, para cada objeto criado há descritores espaciais relativos as formas como área, compacidade, convexidade, elongamento; espectrais que geram descritores de desvio padrão, média, valores mínimos e máximos dos níveis digitais para cada banda da imagem; e de textura também para cada banda como estropia de textura, desvio padrão, entre outros. A Figura 3 é um recorte do banco de dados relacional gerado no processamento. Figura 3. Exemplo do banco de dados relacional gerado pela GEOBIA Após a GEOBIA, com o banco de dados relacional obtido é possível realizar a classificação orientada a objetos por meio de alguns algoritmos específicos, tais como redes neurais artificiais, máquinas de vetores de suporte, mínima distância, dentre outros. Além da classificação pode-se utilizar o banco de dados relacional para análises matemáticas estatísticas como por exemplo a Análise de Componentes Principais, e Análise de Agrupamentos. Aplicação da GEOBIA no Pantanal Há alguns trabalhos que utilizaram da GEOBIA em trabalhos em áreas de Pantanal, como é o caso de Novack et al. (2010) e Fernandes et al. (2012). Novack et al. (2010) aplicaram análise orientada a objetos geográficos com o objetivo de classificar e detectar lagoas no Pantanal da Nhecolândia, diferenciando lagoas salinas e não 638
Embrapa Informática Agropecuária/INPE, p. 639-640 salinas. Utilizou imagens do sensor Aster, e elaborou um modelo de classificação na forma de uma rede semântica cujas classes foram descritas a partir de atributos espectrais, geométricos e contextuais. Analisando os resultados concluíram que há alta correlação entre o verificado visualmente nas imagens e o resultado da classificação, obtiveram os valores de 0,64 no coeficiente Kappa e 0,73 de exatidão global. Fernandes et al. (2012) realizou a classificação orientada a objetos aplicada na caracterização da cobertura da terra no médio Araguaia, quanto às fitofisionomias do Cerrado, ao uso antrópico e urbano da terra, a corpos d água e a bancos de areia, utilizando de imagem Landsat 5 TM junto aos índices de vegetação (NDVI) e água (MDNWI). Obteve exatidão global de 83,3% e 0,72 no coeficiente Kappa. A GEOBIA pode ser aplicada em diversas áreas como as do Pantanal para avaliação da disposição dos recursos naturais quanto a sua distribuição espacial, se mostra como uma técnica pertinente. Conclusão O fato da técnica GEOBIA gerar o banco de dados relacional e a integração direta com SIG possibilita a avaliação das áreas facilmente. Outro avanço na técnica GEOBIA é a geração da imagem pré classificada, e a a possibilidade de realizar a classificação orientada a objetos, ou seja, baseada em exemplos onde a coleta das amostras de treinamento é realizada com objetos possuindo além de características espectrais as de forma e textura, possibilitando a obtenção de mais informações a respeito das classes, em locais onde pode ocorrer maior dificuldade na separação de classes. Na área de estudo aplicada a GEOBIA, a distinção dos objetos é bastante evidente, a imagem pré classificada, os vetores gerados, e o banco de dados relacional podem dar subsídios a outros trabalhos como a classificação orientada a objetos, zoneamento da área, estudos na área de mata de galeria, além de análises matemáticas e estatísticas diretamente no banco de dados relacional. Com a análise dos trabalhos conclui-se que apesar de se diferenciarem em seus objetivos finais, apresentaram, por meio do uso da GEOBIA, uma contribuição considerável no desenvolvimento das pesquisas. É avaliado em Blaschke et. al., 2014 a grande quantidade de pesquisas que está sendo explorada a GEOBIA, assim como Vieira et. al., 2012 e Myint et al., 2011 comprovaram em seus resultados experimentais. Também foi possível identificar as principais dificuldades dos autores, assim como Laliberte et. al., 2012 que viu necessidade do uso do método em áreas com dimensões maiores para ter um resultado satisfatório. Estudos referentes a metodologia da GEOBIA e suas aplicações são pertinentes, pois se trata de uma nova perspectiva na análise de imagens orbitais, oferecendo vantagens em relação as abordagens com o pixel como elemento chave, pois considera os descritores espaciais e de textura também. Outro avanço significativo e a integração entre o Sensoriamento Remoto e SIG, facilitando a análise dos usuários. Pretende-se dar continuidade ao trabalho efetuando uma classificação do uso e cobertura do solo, bem como validação a campo e utilizando o banco de dados relacional no que tange aos descritores de forma e textura dos objetos que compõe a imagem e que podem destacar elementos cruciais da paisagem em estudo. 639
Embrapa Informática Agropecuária/INPE, p. 640-640 Referências Baatz, M.; Schäpe, A. Multiresolution segmentation: An optimization approach for high quality multi-scale image segmentation. Proceedings of the 12th Angewandte Geographische Informationsverarbeitung, Wichmann-Verlag, Heidelberg, Germany, p. 2 23. 2000. Blaschke, T.; Hay, G. J.; Kelly, M.; Lang, S.; Hofmann, P.; Addink, E.; Feitosa, R. Q.; Meer, F. V.; Werff, H. V.; Coillie, F. V.; Tiede, D. Geographic Object-Based Image Analysis Towards a new paradigm. ISPRS Journal of Photogrammetry and Remote Sensing, v. 87, p. 180-191, 2014. Chen, G.; Zhao, K.; Powers, R. Assessment of the image misregistration effects on object-based change detection. ISPRS Journal of Photogrammetry and Remote Sensing, v. 87, p. 19-27, 2014. Doxani, G.; Karantzalos, K.; Tsakiri-Strati, M. Monitoring urban changes based on scale-space filtering and object-oriented classification. International Journal of Applied Earth Observation and Geoinformation, v. 15, p. 38-48, 2012. Dragut, L.; Csillik, O.; Eisank, C.; Tiede, D. Automated parameterisation for multi-scale image segmentation on multiple layers. ISPRS Journal of Photogrammetry and Remote Sensing, v. 88, p. 119-127, 2014. Fernandes, R. R.; Nunes, G. M.; Silva, T. S. F.; Classificação orientada a objetos aplicada na caracterização da cobertura da terra no Araguaia. Pesq. agropec. bras. [online]. 2012, vol.47, n.9, pp. 1251-1260. Gonzales, R.; Woods, R. Processamento de Imagens Digitais. 3.ed. São Paulo: Edgard Blucher Ltda, 2000. Hay, G.J., Castilla, G., Geographic Object-Based Image Analysis (GEOBIA): A new name for a new discipline. In: Blaschke, T., Lang, S., Hay, G(Eds.), Object Based Image Analysis. Springer, Heidelberg, Berlin, New York, 2008. pp. 93 112. Laliberte, A. S.; Browning, D. M.; Rango, A. A comparison of three feature selection methods for object-based classification of sub-decimeter resolution UltraCam-L imagery. International Journal of Applied Earth Observation and Geoinformation, v. 15, p. 70-78, 2012. Myint, S. W.; Gober, P.; Brazel, A., Grossman-Clarke, S.; Weng, Q. Per-pixel vs. Object-based classification of urban land cover extraction using high spatial resolution imagery. Remote Sensing of Environment, v. 114, n. 5, p. 1145-1161, 2011. Novack, T.; Hayakawa, E. N.; Bertani, T. C.; Zani, H.; Classificação de lagoas no Pantanal da Nhecolândia. Revista Geográfica Acadêmica, v. 4, n. 1, p. 32-45. 2010. Robinson, D.; Redding, N.; Crisp, D. Implementation of a Fast Algorithm for Segment Sar Imagery. DSTO, Electronics and Surveillance Research Laboratory, 2002. Rosa, R. Geotecnologias na Geografia Aplicada. Revista do Departamento de Geografia da USP, São Paulo, nº 16 (2005), 81-90. Stow, D. A.; Toure, S. I.; Lippitt, C. D.; Lippitt, C. L.; Lee, C. Frequency distribution signatures and classification of within-object pixels. International Journal of Applied Earth Observation and Geoinformation, v. 15, p. 49-56, 2012. Powers, R. P.; Hermosilla, T.; Coops, N. C.; Chen, G. Remote sensing and object-based techniques for mapping fine-scale industrial disturbances. International Journal of Applied Earth Observation and Geoinformation, v. 34, p. 51-57, 2015. Vieira, M. A.; Formaggio, A. R.; Rennó, C. D.; Atzberger, C.; Aguiar, D. A.; Mello, M. P. Object Based Image Analysis and Data Mining to a remotely sensed Landsat time-series to map sugarkane over large areas. Remote Sensing of Environment, v. 123, p. 553-562, 2012. Whiteside, T. G.; Maier, S. W.; Boggs, G. S. Area-based and location-based validation of classified image objects. International Journal of Applied Earth Observation and Geoinformation, v. 28, p. 117-130, 2014. Yan, G.; Mas, J. F.; Maathuis, B.H.P.; Xiangmin, Z.;Van Dijk, P.M. Comparison of pixel based and object oriented image classification approaches a case study in a coal fire area, Wuda, Inner Mongolia, China. International Journal of Remote Sensing, v.27, p.4039 4055, 2006. 640