Avaliação da exatidão

A avaliação da exatidão é definida como o grau de correspondência entre as observações e a realidade. É geralmente julgado por comparação com os mapas existentes, fotografias aéreas ou avaliação de campo (Short, 2003). A matriz de confusão e o coeficiente de concordância Kappa são os métodos mais utilizados para avaliar a exatidão (Congalton, 1991; Lunetta et al., 1991). A matriz de confusão apresenta o grau de erro de classificação entre as classes. Esta é produzida através da comparação da classificação com os dados de referência adquiridos como verdade de campo. O coeficiente Kappa mede a diferença entre a concordância real da imagem classificada e a concordância aleatória do classificador com os dados de referência (Cohen, 1960; Story e Congalton, 1986; Lillesand et al., 2004; Jensen, 2005). Esta medida de concordância tem valor máximo igual a 1, que representa total concordância. Os valores próximos e abaixo de 0 indicam ausência de concordância, ou que a concordância foi exatamente a esperada pelo acaso. Valores acima de 0,8 são indicativos de um bom desempenho da classificação (Lillesand et al., 2004; Jensen, 2005).

As imagens classificadas resultantes de cada nível hierárquico foram comparadas com amostras de pixels validados como referência, a fim de avaliar a exatidão da imagem. Para garantir a validade das análises estatísticas, a amostragem deve ser representativa de toda a área e selecionada sem viés (Congalton, 1991; Stehman e Czaplewski, 1998; Congalton e Green, 2009; Bossler et al., 2010). Portanto, neste estudo, foram utilizados 1500 pontos (pixels) de amostragem (localizados ao longo das linhas de voo), evitando-se tendenciosidades. Os pixels de validação foram definidos considerando-se as classes dominantes no segundo nível, e os solos contaminados e não contaminados no terceiro nível hierárquico. Para cada ponto, a classe resultante (espectro do pixel) na imagem classificada foi comparada à classe definida pelo interpretador, que corresponde aos espectros de referência. A classificação de cada pixel foi determinada pela análise da assinatura espectral, tanto nas regiões de diagnóstico dos HCs como nas regiões de absorção mineral.

98

5.3. RESULTADOS E DISCUSSÕES

5.3.1. Espectroscopia de refletância

Os espectros de referência, incluindo os solos não contaminados (LSi) e os contaminados (CSi) (Figura 5.4, Tabela 5.1), apresentam feições de absorção de argilominerias, óxidos de ferro e hidróxidos de alumínio (cf. Pontual et at., 1997, para feições em minerais equivalentes). Além disso, distintas feições de absorção em torno de 1720 nm e 2300 nm são evidentes nos espectros dos solos contaminados.

Tabela 5.1 Comprimentos de onda observados das principais feições de absorção nas amostras de campo e os pixels extraídos da imagem ProSpecTIR-VS em locais equivalentes.

Amostras

Feições de Absorção

Solo não Contaminado Solo Contaminado

Laboratório e Campo [nm] Sensor ProSpecTIR [nm] Laboratório e Campo [nm] Sensor ProSpecTIR [nm] a. Hematita 530 529 530 529 b. Hematita 882 890 882 890 c. Caulinita Gibbsita 1395 – 1412 1452 --- --- 1395 – 1412 1452 --- --- d. Hidrocarboneto --- --- 1725 – 1760 1723 – 1761 e. Caulinita Gibbsita 2180 – 2206 2269 2181 – 2206 2276 2180 – 2206 2269 →2276 2181 – 2206 2276 f. Caulinita 2316 2355 2314 2352 --- --- Caulinita + Hidrocarboneto --- --- 2314 2352 2314 2352 Caulinita 2382 2382 2382 2382

As absorções do óxido de ferro são devidas à presença de hematita. Este mineral é caracterizado por duas feições de absorção na banda do óxido de ferro (III) – Fe2O3, as quais ocorrem em 530 nm e 882 nm. As feições do hidróxido de alumínio são devidas à gibbsita. Esse mineral apresenta duas bandas de absorção sutis: uma na banda da hidroxila (OH), localizada em 1452 nm, e outra na banda do hidróxido de alumínio (AlOH), em 2269 nm. As bandas de absorção dos argilominerais são produzidas pela caulinita. Este mineral apresenta uma feição

99

Figura 5.4 Espectros de refletância: A. Solos não contaminados – LSi; e B. Solos contaminados – CSi. Nos quadros é mostrado um zoom do espectro de

refletância normalizado através do contínuo removido nas regiões onde ocorrem feições de absorção diagnósticas de HCs, centradas em 1700 – 1780 nm e 2290 – 2370 nm. Para comparação, cada gráfico é apresentado com a mesma escala vertical. As letras minúsculas na parte superior dos gráficos indicam as principais feições de absorção (cf. Tabela 2.1 para comprimentos de onda específicos).

100

dupla na banda OH com a principal absorção em 1412 nm. Na banda AlOH este mineral exibe uma feição dupla em 2206 nm, e três absorções secundárias em 2316 nm, 2355 nm e 2382 nm.

As bandas de absorção produzidas pelo HC correspondem à combinação e sobreton principalmente dos grupos saturados de CH2 e CH3. Estas feições estão localizadas em ~1725 nm, ~1760 nm, ~2310 nm e ~2350 nm (Cloutis, 1989; Silverstein et al., 2005). A presença do HC nos solos contaminados é observada em duas regiões diagnósticas localizadas em 1650 – 1860 nm e 2230 – 2400 nm. Na primeira região, observam-se somente absorções produzidas pelo contaminante. Na segunda região, as feições secundárias da caulinita sofrem sobreposição das feições do HC, fazendo com que estas sejam mais profundas e se desloquem para um comprimento de onda menor (de 2316 nm e 2355 nm para 2310 nm e 2350 nm, respectivamente).

5.3.2. Espectroscopia de Imageamento

Apesar da calibração dos dados de refletância com espectros de campo, alguns canais do sensor ProSpecTIR – VS ainda exibem ruídos que limitam o desempenho dos resultados obtidos com classificadores espectrais. Estes canais são 398,5 nm, 929,0 – 1001,1 nm, 1109,1 – 1159,8 nm, 1329,0 – 1484,8 nm, e 1786,2 – 2012,4 nm. Na imagem hiperespectral foi extraído um espectro de cada pixel nas áreas análogas aos locais em que os espectros de referência foram coletados no campo (Figura 5.5 , Tabela 5.1).

Comparando-se o espectro de refletância (Figura 5.4) com o espectro do pixel extraído da imagem (Figura 5.5) observa-se que estes apresentam as mesmas formas gerais e características espectrais. A comparação entre as feições de absorção produzidas pelos minerais mostra que os espectros dos pixels do sensor ProSpecTIR – VS são muito similares às feições de referência (dados do sensor FieldSpec® 3Hi-Res) ao longo do intervalo 350 – 2500 nm.

Observando-se a região onde ocorrem as bandas de absorção diagnósticas dos HCs (Figura 5.6), nota-se que as amostras CSi apresentam feições características e indicativas da presença do contaminante, com inflexões máximas centradas em 1723 nm e 1761 nm. Por outro lado, as amostras LSi são desprovidas de qualquer feição de absorção nesta região, como também observado nos espectros de laboratório.

101

Figura 5.5 Espectros de refletância extraídos da imagem ProSpecTIR – VS em locais equivalentes aos espectros de referência. A. Solos não contaminados LSi;

e B. Solos contaminados CSi. Nos quadros é mostrado um zoom do espectro de refletância normalizado através do contínuo removido nas regiões diagnósticas do

hidrocarboneto localizadas em 1700 – 1780 nm e 2290 – 2370 nm. Para comparação, cada gráfico é apresentado com a mesma escala vertical. As letras acima indicam as principais feições de absorção (cf. Tabela 2.1 para comprimentos de onda específicos)

102

Figura 5.6 Comparação das feições de absorção dos espectros extraídos de pixels da imagem do sensor ProSpecTIR

– VS (ProSpecTIR features) e espectros medidos com o sensor FielSpec® 3Hi-Res (reference features) nas regiões

diagnósticas do HC: Região I localizada entre 1700 – 1780 nm; Região II em 2290 – 2379 nm. A comparação das feições espectrais mostra uma equivalência significativa entre os espectros derivados por espectroscopia de refletância e por espectroscopia de imageamento.

103

5.3.3. Modelos MESMA

Visando identificar exclusivamente áreas contaminadas com HCs, foram selecionados espectros adicionais da imagem hiperespectral (Figura 5.7) sobre outros alvos presentes na cena, como vegetação, água e construções civis, com o objetivo de mascará-los e eliminá-los da análise. Essas assinaturas espectrais, somadas aos espectros apresentados na seção anterior e à biblioteca espectral de Correa-Pabón et al. (2013) foram utilizados para gerar os modelos

MESMA de várias linhas de voo que recobrem a instalação petrolífera sob estudo.

Figura 5.7 Assinaturas espectrais das classes dominantes (vegetação e construções civis) usadas para gerar os modelos MESMA.

5.3.3.1. Modelos MESMA no segundo nível hierárquico

Os modelos de mistura espectral MESMA foram iniciados no segundo nível hierárquico. Neste nível, o MESMA, executado no modo sem restrição (unconstraint mode), permitiu a distinção das principais classes dominantes da cena (água, construção, vegetação e solo), utilizando 52 endmembers, no modelo de dois endmembers. A imagem resultante da classificação é apresentada na Figura 5.8A. A porcentagem de pixels mapeados em cada classe é fornecida na

104

Figura 5.8 A. Resultado obtido pela aplicação do MESMA no segundo nível hierárquico, derivado do modelo de dois endmembers. Note que as superfícies dominantes - água, construção, vegetação e solos - foram discriminadas. B. Índice normalizado da vegetação – NDVI (Normalized Difference Vegetation Indez) da área de estudo.

105

Tabela 5.2. O erro mais significativo parece estar restrito a alvos como água, regiões escuras em telhados e a borda dos tanques de armazenamento, os quais foram confundidos com sombra. A vegetação seca também foi confundida com solo exposto.

Tabela 5.2 Porcentagens e número de pixels classificados em cada classe dominante no segundo nível do MESMA.

Solo Vegetação Construção Água Sombra Erro

Porcentagem 27,89% 39,15% 22,21% 1,00% 4,90% 4,85%

No. Pixels 199345 279825 158746 7148 35023 34665

Analisando-se o índice normalizado da vegetação (NDVI) (Figura 5.8B), e também com base no conhecimento da área controle, o resultado da classificação foi considerado plausível, o qual indica que este nível hierárquico pode ser satisfatoriamente modelado com o modelo

MESMA de dois endmembers.

A matriz de confusão para o MESMA no segundo nível é apresentada na Tabela 5.3. A tabela indica que este modelo gera uma alta exatidão para superfícies dominantes, ou seja, água, vegetação, construção civil e solos. A exatidão global atingiu 92,87%, com exatidões individuais variando de 86% (água) a 98% (construção). O coeficiente geral de concordância Kappa foi de 0,89, o qual indica que a classificação atingida foi muito boa.

Tabela 5.3 Matriz de confusão para o modelo de dois endmembers no segundo nível hierárquico.

Acurácia Global = 92,87%

Referência (interpretação da imagem)

Classe Solo Vegetação Construção Água Sombra Total Commission

Error [%] User Accuracy [%] Solo 389 46 3 0 0 438 11,19 88,81 Vegetação 41 497 2 0 1 541 8,13 91,87 Construção 5 2 417 0 1 425 1,88 98,12 Água 0 0 1 13 1 16 13,33 86,67 Sombra 0 1 1 2 77 80 4,94 95,06 Total 435 546 424 15 80 1500 - - Omission Error [%] 10,58 8,98 1,65 13,33 3,75 - - - Producer Error [%] 89,42 91,02 98,35 86,67 96,25 - - - Kappa 0,8424 0,8721 0,9738 0,8653 0,9478 - - -

106

5.3.3.2. Modelos MESMA no terceiro nível hierárquico

A classificação pelo MESMA no terceiro nível foi concentrada na discriminação entre solos contaminados e não contaminados com HCs. Nesse caso, as classes dominantes, incluindo vegetação, construção civil e água, foram espacialmente limitadas pelos resultados do segundo nível. A classificação MESMA foi executada usando os valores padrão das restrições (frações mínima e máxima de -5% e 105% , respectivamente; e RMSE de 2,5%) (Roberts et al., 2003). A inspeção visual da imagem de classificação resultante (Figura 5.9A, Tabela 5.4) mostra que a maioria dos solos contaminados estão distribuídos em uma área de recuperação de solos (landfarm; retângulo vermelho). Além dessa área, foram classificados como solos contaminados pixels alinhados próximos aos dutos de transporte, os quais correspondem perfeitamente com as observações de campo (Figura 5.9B).

Tabela 5.4 Porcentagens e número de pixels classificados em cada classe dominante no terceira nível MESMA. Spatially

Constraint Não Classificado Solo não Contaminado Solo Contaminado

Porcentagem [%] 72,11 5,81 21,01 1,07

No. Pixels 515438 41516 150176 7622

A Tabela 5.5 apresenta a matriz de confusão para o MESMA no terceiro nível. Este modelo atingiu alta exatidão na discriminação entre solos contaminados e não contaminados. A exatidão global foi de 93%. O coeficiente de concordância Kappa foi de 0,83. A exatidão individual mais baixa foi de 75%, para a classe do solo contaminado. Alguns espectros de vegetação seca ou plantas em estado avançado de senescência foram erroneamente classificadas como solo contaminado. Este fato é justificável visto que vegetação seca apresenta feições de absorção centradas em ~1728 nm (celulose e lignina) e ~1766 nm (celulose), que foram confundidas com as feições diagnósticas do HC, conforme também observado por Kokaly et al. (2013), em outro estudo de caso.

107

Figura 5.9 A. Classificação MESMA no terceiro nível derivado do modelo de dois endmembers que discrimina entre os solos não contaminados (em cinza) e os solos contaminados (em branco). O quadro vermelho mostra a área desativada de landfarming; B. Composição falsa cor da imagem ProSpecTIR – VS (R – 860,7 nm; G – 648,2 nm; B – 548,2 nm) e fotografias dos solos não contaminados (nos quadros azuis) e contaminados (nos quadros vermelhos). As fotografias foram tiradas na mesma data em que o levantamento hiperespectral foi realizado.

108

Tabela 5.5 Matriz de confusão para o modelo de dois endmembers no terceiro nível hierárquico.

Acurácia Global = 93.7% Kappa Global = 0.883

Referência (interpretação da imagem)

Classe Não

Classificado

Não

Contaminado Contaminado Total

Commission Error [&] User Accuracy Não Classificado 1092 59 4 1155 5,45 94,5 Não Contaminado 22 293 2 317 7,6 92,4 Contaminado 3 4 21 28 25 75 Total 1117 356 27 1500 - - Omission Error [%] 2,2 17,7 22,2 - - - Producer Error [%] 97,8 82,3 77,8 - - - Kappa 0,7864 0,9007 0,7454 - - 5.4. CONCLUSÕES

A comparação entre os espectros extraídos da imagem ProSpecTIR –VS e os espectros de referência (FielSpec® 3Hi-Res) mostram que as feições de absorção produzidas pelos minerais e pelos HCs são muito similares entre si na maior parte do intervalo de 350 – 2500 nm. Entretanto, as feições de absorção em 1725 nm e 1760 nm observadas nos solos contaminados são únicas e permitem separá-los dos solos não contaminados. Embora essas feições possam ser confundidas com as feições de lignina e celulose da vegetação seca ou em estado avançado de senescência, as características mineralógicas do solo, como as absorções de hematita, também podem ser utilizadas para a separação destes alvos.

O processamento dos dados hiperespectrais pelo método MESMA revelou áreas contaminadas em instalações petrolíferas na área de estudo. A possibilidade de obter esse tipo de informação, e de forma precisa, pode ser muito útil para a tomada de decisões durante eventos de vazamentos ou derramamentos de petróleo e derivados. A avaliação da exatidão dos modelos MESMA foi notavelmente boa, indicando que esta tecnologia tem grande potencial para o monitoramento operacional de áreas vulneráveis e sob risco de poluição com HCs.

A espectroscopia de refletância e a espectroscopia de imageamento são ferramentas importantes para detectar vazamentos de HCs em solos expostos. Esta tecnologia pode ser utilizada no monitoramento de instalações petrolíferas e dutos de transporte associados, e assim, evitar que pequenos vazamentos se tornem um problema maior de resíduos perigosos. Além disso, estas técnicas podem ser usadas para gerenciar a remediação de áreas afetadas, pois

109

permitem identificar áreas contaminadas e possíveis caminhos do vazamento ou derramamento de HC.

5.5. REFERÊNCIAS BIBLIOGRÁFICAS

AISLABIE, J. M. et al. Hydrocarbon spills on Antarctic soils: effects and management. Environ Sci Technol, v. 38, n. 5, p. 1265-74, 1 2004.

ALMEIDA-FILHO, R. Remote detection of hydrocarbon microseepage-induced soil alteration. International Journal of Remote Sensing, v. 23, n. 18, p. 3523-3524, 2002.

ALMEIDA-FILHO, R.; MIRANDA, F. P.; YAMAKAWA, T. Remote detection of a tonal anomaly in an area of hydrocarbon microseepage, Tucano basin, north-eastern Brazil. International Journal of Remote Sensing, v. 20, n. 13, p. 2683-2688, 1999.

ANALYTICAL IMAGING AND GEOPHYSICS (AIG). ACORN User's Guide, Stand Alone Version, Analytical Imaging and Geophysics LLC, pp. 64, 2001.

ANALYTICAL SPECTRAL DEVICES (ASD). FieldSpec® Hi-Res portable spectroradiometer, 2011a. Disponível em: http://www.asdi.com/products/fieldspec-3-hi-resportable-spectroradiometer, 2014. Acessado em: 6 de agosto de 2014.

ANALYTICAL SPECTRAL DEVICES (ASD), High Intensity Muglight, 2011b. Disponível em: http://www.asdi.com/products/accessories/contact-sampling-accessories/high-intensity-muglight Acessado em:8 de fevereiro, 2011.

BOFFETTA, P.; JOURENKOVA, N.; GUSTAVSSON, P. Cancer risk from occupational and environmental exposure to polycyclic aromatic hydrocarbons. Cancer Causes & Control, v. 8, n. 3, p. 444-472, 1997.

BOSSLER, J. D. et al. Manual of Geospatial Science and Technology, Second Edition. CRC Press, 2010. CHABRILLAT, S. et al. Development of land degradation spectral indices in a semiarid Mediterranean ecosystem. Remote Sensing for Environmental Monitoring, Gis Applications, and Geology Iv, v. 5574, p. 235-243, 2004. CLOUTIS, E. A. Spectral Reflectance Properties of Hydrocarbons: Remote-Sensing Implications. Science, v. 245, n. 4914, p. 165-168, 1989.

COHEN, J. A Coefficient of Agreement for Nominal Scales. Educational and Psychological Measurement, v. 20, n. 1, p. 37-46, 1960.

CONGALTON, R. G. A Review of Assessing the Accuracy of Classifications of Remotely Sensed Data. Remote Sensing of Environment, v. 37, n. 1, p. 35-46, Jul 1991. ISSN 0034-4257. Disponível em: < <Go to ISI>://WOS:A1991GE60700003 >.

CONGALTON, R. G.; GREEN, K. Assessing the Accuracy of Remotely Sensed Data: Principles and Practices. CRC Press/Taylor & Francis, 2009.

CORREA PABON, R. E.; SOUZA FILHO, C. R. Reflectance and imaging spectroscopy as a tool to monitor hydrocarbon contamination of bare soils in refineries and along pipelines. Geoscience and Remote Sensing Symposium (IGARSS), 2014 IEEE International, 2014, 13-18 July 2014. p.2189-2192.

CORREA PABON, R. E.; SOUZA FILHO, C. R.; MAGALHÃES, L. A. Espectroscopia de reflectancia aplicada a la caracterización espectral de suelos contaminados. In: LATIN AMERICAN REMOTE SENSING WEEK, 2013,

110

Santiago, Chile. Proceedings… Santiago: International Society for Photogrammetry and Remote Sensing, 2013. 6 p. Disponível em:

<http://www.lars.cl/images/Trabajos/ROSA%20ELVIRA%20CORREA.pdf>. Acesso em: 12 maio, 2014.

DE MORAIS, E. B.; TAUK-TORNISIELO, S. M. Biodegradation of Oil Refinery Residues Using Mixed-Culture of Microorganisms Isolated from a Landfarming. Brazilian Archives of Biology and Technology, v. 52, n. 6, p. 1571- 1578, 2009.

DENNISON, P. E.; HALLIGAN, K. Q.; ROBERTS, D. A. A comparison of error metrics and constraints for multiple endmember spectral mixture analysis and spectral angle mapper. Remote Sensing of Environment, v. 93, n. 3, p. 359-367, 2004.

DENNISON, P. E.; ROBERTS, D. A. Endmember selection for multiple endmember spectral mixture analysis using endmember average RMSE. Remote Sensing of Environment, v. 87, n. 2-3, p. 123-135, 2003.

ELLIS, J. M.; DAVIS, H. H.; ZAMUDIO, J. A. Exploring for onshore oil seep. Oil & Gas Journal, v. 99, n. 37, p. 49-+, 2001. I

EMPRESA BRASILEIRA DE PESQUISA AGROPECUÁRIA – EMBRAPA. Sistema brasileiro de classificação de solos, 2ed. Rio de Janeiro, Centro Nacional de Pesquisa de Solos, pp. 306, 2006.

EMPRESA BRASILEIRA DE PESQUISA AGROPECUÁRIA – EMBRAPA. Manual de métodos de análise de solo, 2.ed. Rio de Janeiro, Centro Nacional de Pesquisa de Solos, pp. 212, 1997.

EMENGINI, E. J.; BLACKBURN, G. A.; THEOBALD, J. C. Early detection of oil-induced stress in crops using spectral and thermal responses. Journal of Applied Remote Sensing, v. 7, 2013.

EPIPHANIO, J.C.N. et al. Comportamento espectral de solos do Estado de São Paulo. Instituto Nacional de Pesquisas Espaciais – INPE (INPE-5424-PRP/172), 132p, 1992.

FINGAS, M. F.; BROWN, C. E. Review of Oil Spill Remote Sensing. Spill Science and Technology Bulletin, v. 4, n. 4, p. 199-208, 1997.

GREEN, R. O. Atmospheric water vapor sensitivity and compensation requirement for Earth-looking imaging spectrometers in the solar-reflected spectrum. Journal of Geophysical Research-Atmospheres, v. 106, n. D15, p. 17443-17452, 2001.

HALBOUTY, M. T. Application of Remote-Sensing (Landsat Data) to Petroleum Exploration. Aapg Bulletin- American Association of Petroleum Geologists, v. 60, n. 4, p. 677-677, 1976.

HÖRIG, B. et al. HyMap hyperspectral remote sensing to detect hydrocarbons. International Journal of Remote Sensing, v. 22, n. 8, p. 1413-1422, 2001

.

HUANG, X. X.; ZHU, Z. H.; LI, H. G. Remote Sensing Applications for Petroleum Resource Exploration in Offshore Basins of China. 2010 Ieee International Geoscience and Remote Sensing Symposium, p. 4511-4513, 2010.

ISMAEL, N. F.; ALSANAD, H. Geotechnical characteristics of oil contaminated sand in Kuwait. Environmental Geotechnics, Vol 1, p. 79-83, 1996.

ITURBE, R. et al. Sub-soil contamination due to oil spills in six oil-pipeline pumping stations in northern Mexico. Chemosphere, v. 68, n. 5, p. 893-906, 2007.

111

KOKALY, R. F.; CLARK, R. N. Spectroscopic determination of leaf biochemistry using band-depth analysis of absorption features and stepwise multiple linear regression. Remote Sensing of Environment, v. 67, n. 3, p. 267- 287, 1999.

KOKALY, R. F. et al. Spectroscopic remote sensing of the distribution and persistence of oil from the Deepwater Horizon spill in Barataria Bay marshes. Remote Sensing of Environment, v. 129, n. 0, p. 210-230, 2013.

KÜHN, F.; OPPERMANN, K.; HÖRIG, B. Hydrocarbon Index - an algorithm for hyperspectral detection of hydrocarbons. International Journal of Remote Sensing, v. 25, n. 12, p. 2467-2473, 2004.

LAMMOGLIA, T.; FILHO, C. R. D. S. Spectroscopic characterization of oils yielded from Brazilian offshore basins: Potential applications of remote sensing. Remote Sensing of Environment, v. 115, n. 10, p. 2525-2535, 2011.

LAMMOGLIA, T.; SOUZA FILHO, C. R. D. Mapping and characterization of the API gravity of offshore hydrocarbon seepages using multispectral ASTER data. Remote Sensing of Environment, v. 123, n. 0, p. 381-389, 2012.

LILLESAND, T. M.; KIEFER, R. W.; CHIPMAN, J. W. Remote sensing and image interpretation. Wiley, 2004. LUNETTA, R. S. et al. Remote-Sensing and Geographic Information-System Data Integration - Error Sources and Research Issues. Photogrammetric Engineering and Remote Sensing, v. 57, n. 6, p. 677-687, 1991.

LYDER, D. et al. Remote bitumen content estimation of Athabasca oil sand from hyperspectral infrared reflectance spectra using Gaussian singlets and derivative of Gaussian wavelets. Fuel, v. 89, n. 3, p. 760-767, 2010.

MARCHAL, R. et al. Gasoline and diesel oil biodegradation. Oil & Gas Science and Technology-Revue D Ifp Energies Nouvelles, v. 58, n. 4, p. 441-448, 2003.

MAYERHOFER, M. et al. Identification of mTOR as a novel bifunctional target in chronic myeloid leukemia: dissection of growth-inhibitory and VEGF-suppressive effects of rapamycin in leukemic cells. FASEB J, v. 19, n. 8, p. 960-2, 2005.

MENESES, P. R. Sensoriamento remoto: reflectância dos alvos naturais. Editora Universidade de Brasilia; Planaltina: Embrapa Cerrados, 2000.

NOOMEN, M. F.; VAN DER WERFF, H. M. A.; VAN DER MEER, F. D. Spectral and spatial indicators of botanical changes caused by long-term hydrocarbon seepage. Ecological Informatics, v. 8, p. 55-64, r 2012. OKPARANMA, R. N.; COULON, F.; MOUAZEN, A. M. Analysis of petroleum-contaminated soils by diffuse reflectance spectroscopy and sequential ultrasonic solvent extraction-gas chromatography. Environmental Pollution, v. 184, p. 298-305, 2014.

OKPARANMA, R. N.; MOUAZEN, A. M. Combined Effects of Oil Concentration, Clay and Moisture Contents on Diffuse Reflectance Spectra of Diesel-Contaminated Soils. Water Air and Soil Pollution, v. 224, n. 5, 2013a. ______. Visible and Near-Infrared Spectroscopy Analysis of a Polycyclic Aromatic Hydrocarbon in Soils. Scientific World Journal, 2013b..

PAUDYN, K. et al. Remediation of hydrocarbon contaminated soils in the Canadian Arctic by landfarming. Cold Regions Science and Technology, v. 53, n. 1, p. 102-114, 2008

PEREZ-CADAHIA, B. et al. Initial study on the effects of Prestige oil on human health. Environment International, v. 33, n. 2, p. 176-185, 2007.

112

PONTUAL. S.. MERRY. N.. GAMSON. P. G-Mex Volume I: Spectral Interpretation Field Manual. AusSpec International Pty Ltda.. Victoria – Australia. pp. 25-152. 1997.

RAHMAN, Z.; UMAR, H.; AHMAD, N. Geotechnical characteristics of oil-contaminated granitic and metasedimentary soils. Asian J. Applied Sci, v. 3, p. 237-249, 2010.

RIVARD, B. et al. Bitumen Content Estimation of Athabasca Oil Sand from Broad Band Infrared Reflectance Spectra. Canadian Journal of Chemical Engineering, v. 88, n. 5, p. 830-838, 2010.

ROBERTS, D.A., HALLIGAN, K., DENNISON, P. VIPER Tools User Manual – Version 1.5. Create Commons, San Francisco, California, USA, pp.14, 2007.

ROBERTS, D. A. et al. Evaluation of the potential of Hyperion for fire danger assessment by comparison to the Airborne Visible/Infrared Imaging Spectrometer. Ieee Transactions on Geoscience and Remote Sensing, v. 41, n. 6, p. 1297-1310, 2003.

ROBERTS, D. A. et al. Mapping chaparral in the Santa Monica Mountains using multiple endmember spectral