Estudo Sobre Um Futuro Aumento Da Resolução Espacial Dos Sensores De Muito Grande Resolução Espacial

Estudo Sobre Um Futuro Aumento Da

Resolução Espacial Dos Sensores De Muito

Grande Resolução Espacial

Luísa M S Gonçalves (1), Eduardo N B S Júlio (2) , Mário Caetano (3)

1

Instituto Politécnico de Leiria, Escola Superior de Tecnologia e Gestão, Leiria, Portugal

2

ISISE, Departamento de Engenharia Civil, Universidade de Coimbra, Coimbra, Portugal

3

Instituto Geográfico Português (IGP), Grupo de Detecção Remota (GDR), Lisboa, Portugal

4

CEGI, Instituto Superior de Estatística e Gestão de Informação, ISEGI,Universidade Nova de Lisboa, 1070-312 Lisboa, Portugal

Email: luisag@estg.ipleiria.pt, mario.caetano@igeo.pt

Com o contínuo aumento da resolução dos sensores de detecção remota e a disponibilização de imagens de muito grande resolução espacial para a comunidade civil verificados na última década, novos desafios têm vindo a ser colocados relativamente ao desenvolvimento de novas técnicas e metodologias para melhorar a extracção da informação. Neste artigo, são avaliadas as implicações que um aumento da resolução espacial dos dados imagens multiespectrais, face aos actualmente disponibilizados pelos satélites em órbita de muito grande resolução, teriam na extracção de informação do coberto florestal. São ainda apresentados os sensores de grande resolução existentes e os futuros lançamentos. Para avaliar as vantagens e desvantagens de um hipotético aumento da resolução espacial, face ao actualmente existente, procede-se a um estudo, em que são utilizadas imagens aéreas multiespectrais com resolução de 0,5m e imagens do satélite IKONOS com 4m resolução às quais é aplicada a mesma metodologia de classificação.

Palavras-Chave: Imagens Satélite de Muito Grande Resolução; IKONOS;

Imagens Aéreas; Cartografia de Ocupação do Solo; Caracterização do Coberto Florestal.

Agradecimentos

Os autores agradecem à MECI a disponibilização das imagens IKONOS que possibilitou a realização deste estudo.

1. Introdução

Desde o lançamento do primeiro satélite de observação ERTS-1, em 1972, que se tem assistido a um número crescente de lançamentos de satélites de observação da terra e ao desenvolvimento de algoritmos e métodos para extrair a informação das imagens digitais disponibilizadas. No início do século XXI encontravam-se em orbita cerca de 31 satélites que disponibilizavam dados de ocupação do solo com uma resolução que variava entre 1m e 30 metros [7]. O lançamento de satélites com sensores ópticos, que recolhem imagens de muito grande resolução espacial (ISMGRE) da superfície terrestre, veio disponibilizar uma nova fonte de dados importante, potenciando a sua utilização no contexto das áreas urbanas a grande escala pois o nível de resolução espacial destas imagens corresponde às escalas de análise entre 1:5 000 e 1:25 000 [3]. Vários estudos têm demonstrado que as ISMEGRE também podem desempenhar um papel fundamental na área florestal permitindo, por exemplo, extrair parâmetros biofísicos de espécies florestais [4] e informação mais detalhada sobre a composição e estrutura das florestas [6]. Acresce ainda o facto de contribuírem para uma rápida obtenção de informação para a produção e actualização de mapas a grande escala.

No decurso da primeira década do séc. XXI o investimento em sensores de muito grande resolução tem-se mantido, estando prevista a realização ainda durante o ano de 2008 do lançamento de dois novos sensores: o WorlView-2, que irá disponibilizar imagens pancromáticas com resolução espacial de 0.46m e 8 bandas multiespectrais com uma resolução espacial de 1.8m; e o GeoEye-1 capaz de adquirir imagens pancromáticas com 0,41m e multiespectrais com 1.65m. Até final de 2010 está previsto o lançamento de mais dois satélites: o CBERS-3 e 4 (programa de cooperação entre o Brasil e a China) que irão adquirir também imagens multiespectrais com 5m de resolução. Em fase de desenvolvimento encontra-se o GeoEye-2, prevendo-se uma melhoria significativa das suas capacidades para adquirir imagens da superfície terrestre com resolução espacial de 0,25m. Na Tabela 1 apresentam-se os satélites, que disponibilizam imagens multiespectrais e/ou pancromáticas com resolução superior a 10m, que estão em orbita actualmente ou cujo lançamento está planeado ocorrer entre 2008 e 1010.

Tabela 1 – Satélites que disponibilizam imagens multiespectrais e/ou pancromáticas com resolução superior a 10m.

Satélites Lançamento Tempo de missão

(anos) Pancromática (m) Multiespectral(m)

IKONOS Set-99 7 1 4 Quickbird-2 Out-01 5 0.61 2.44 SPOT-5 Mai-02 5 5 10 Orbview-3 Jun-03 7 1 4 Formosat -2 Mai-04 5 2 8 ALOS-1 Jan-06 3 a 5 2.5 10 Worldview-1 Set-07 7 0.5 – GeoEye-1 Previsto 2008 10 0.41 1.65 Worldview-2 Previsto 2008 7 0.46 1.8 CBERS-3 Previsto 2009 2 5 5 Resolução

Apesar das enormes potencialidades que um aumento da resolução espacial apresenta, verificam-se também algumas limitações na sua aplicação devido à maior variabilidade espectral e à acentuada presença de sombras, o que provoca erros na classificação [2]. O estudo que se apresenta pretende avaliar a influência que um futuro aumento da resolução espacial dos dados imagens multiespectrais, poderá ter ao nível da precisão da classificação na aplicação ao coberto florestal.

2. Dados e área de estudo

Para a realização do estudo foram utilizadas imagens IKONOS e imagens aéreas multiespectrais com uma resolução espacial de 0,5m e uma resolução radiométrica de 8 bits. As imagens aéreas foram utilizadas para simular as imagens satélite multiespectrais de muito grande resolução espacial que actualmente ainda não estão disponíveis. As imagens aéreas pertencem ao conjunto de imagens multiespectrais digitais da DGRF, que cobrem Portugal Continental, obtidas por avião entre 2004 e 2006 com o sensor UltraCamTM da Vexcel e posteriormente orto-rectificadas pelo Instituto Geográfico Português (IGP).

A imagem IKONOS foi adquirida, com as 4 bandas multiespectrais e a banda pancromática de 4 m e 1 m de resolução espacial, respectivamente. O produto adquirido foi o Geo Ortho Kit da Space Imaging e no estudo foram utilizadas a quatro bandas multiespectrais. A correcção geométrica das imagens foi efectuada com recurso à ortorrectificação tendo-se obtido um erro médio quadrático de 1.39m. Como o estudo não inclui uma componente multitemporal e dada a pequena dimensão da área de estudo e homogeneidade da atmosfera, não foi aplicada qualquer tipo de correcção radiométrica. A imagem foi gravada com uma

resolução radiométrica de 16 bit de forma a não perder a informação contida nos 11 bit da imagem original.

A área de estudo situa-se no concelho de Alcácer do Sal, tem uma área de, aproximadamente, 9km por 12km e é uma área rural, essencialmente composta por agricultura, floresta e sistemas agro-florestais. As espécies predominantes são o Sobreiro, Pinheiro Manso e o Eucalipto. A área de estudo é coberta por uma única imagem IKONOS de Abril de 2004 e por uma Imagem Aérea, resultante de um mosaico de 8 imagens aéreas orto-rectificadas, de Setembro do mesmo ano.

3. Metodologia

A ambas as imagens foi aplicada a mesma metodologia de classificação ao nível do pixel, a mesma nomenclatura e o mesmo protocolo de amostragem. A metodologia envolveu 7 etapas: (1) definição da nomenclatura; (2) definição do protocolo de amostragem: (3) estudo de separabilidade espectral, recorrendo a diagramas de dispersão e à medida de separabilidade B-Distance; (4) extracção da informação ao nível do pixel utilizando o classificador rígido e assistido da Máxima Verosimilhança; (6) avaliação comparativa do comportamento do classificador em ambas as imagens, com base em matrizes de confusão; (7) avaliação comparativa dos mapas obtidos nas duas classificações, com base em matrizes de confusão.

3.1.

Quando se pretende aplicar um esquema de classificação é necessário ter em conta a resolução espectral e a resolução espacial dos dados imagem utilizados para a produção de cartografia. Por este motivo, como no estudo foram utilizadas imagens em que o pixel possui uma grande resolução espacial e não traduz unidades de paisagem (e.g. Área Agro-florestal, Floresta), mas antes componentes das unidades de paisagem (e.g. copa de árvore, sombra), optou-se por adoptar uma nomenclatura baseada em elementos de superfície pois é a que melhor se adequa à informação contida ao nível do pixel duma ISMEGRE. A nomenclatura adoptada é idêntica à elaborada por Plantier e Caetano [5]. As classes utilizadas foram: Copa de Eucalipto (CE); Copa de Sobreiro (CS); Copa de Pinheiro Manso (CPM); Sombra (S); Agua Profunda (AP); Agua Pouco Profunda (APP); Vegetação

Herbácea (VH), Vegetação Herbácea Esparsa (VHE) e Área Não Vegetada (ANV).

3.2.

No estudo foram definidos dois protocolos de amostragem, um para treino e teste do classificador e outro para avaliação do mapa obtido. A definição do primeiro protocolo de amostragem baseou-se na recolha das amostras representativas dos vários elementos de superfície, tendo sido utilizado o pixel como unidade amostral. Um foto-intérprete desenhou, em média, 25 polígonos representativos de cada classe de interesse, na imagem IKONOS, e sobre estes foi lançada uma amostragem aleatória, estratificada. Cada classe ficou representada por aproximadamente 250 amostras (pixels) [5]. O total de amostras de cada classe foi posteriormente dividido aleatoriamente em dois conjuntos de dimensão idêntica, um foi utilizado para treino e outro para teste do classificador assistido.

Dado que a IKONOS e a Imagem Aérea têm resoluções diferentes, por vezes houve necessidade de deslocar o pixel amostrado para o elemento de superfície mais próximo devido à posição da amostra na Imagem Aérea não corresponder ao mesmo elemento de superfície. Desta amostra resultaram, em média, 120 áreas de treino para cada classe de elementos de superfície.

Para a avaliação da exactidão de todo o mapa foi lançada uma amostra aleatória estratificada por classe para que qualquer pixel da imagem pudesse ser seleccionado para referência. Desta forma, deixou-se de ter amostras idênticas às utilizadas para treinar o classificador, o que permite obter uma avaliação da exactidão do mapa mais realista. No segundo protocolo de amostragem, cada classe ficou representada por 100 amostras, tendo o pixel como unidade amostral.

3.3.

Para analisar e comparar a separabilidade espectral entre as classes definidas em cada uma das imagens, recorreu-se a um diagrama de dispersão bidimensional e à medida de separabilidade Distância de Battacharrya (B-Distance). Para eixos de visualização escolheram-se as bandas do vermelho e infra-vermelho próximo por serem as que melhor distinguem a vegetação.

A B-Distance tem sido utilizada em vários estudos como medida de separabilidade por ter uma relação muito próxima com o resultado da

classificação. Este indicador apresenta valores no intervalo [0, 2], onde 0 indica completa sobreposição; 2 total separabilidade e maior que 1.9 boa separabilidade.

3.4.

Para identificar os elementos de superfície foi aplicada uma classificação assistida utilizando o classificador da Máxima Verosimilhança (MV). A razão pela qual se optou por utilizar o classificador da Máxima Verosimilhança baseou-se no facto de estar disponível na maioria dos softwares comerciais e ter demonstrado bons resultados em estudos aplicados ao coberto florestal com imagens IKONOS (e.g. [1], [8]).

4. Resultados e Discussão

4.1.

A Figura 1 mostra, para cada imagem, as elipses de distribuição das classes de elementos de superfície da área de estudo projectadas em diagramas de dispersão bidimensionais (IVP, V).

Figura 1– Diagramas de dispersão das imagens. a) IKONOS; b)Imagem Aérea

Da análise comparativa dos diagramas de dispersão verifica-se que, na imagem IKONOS, as maiores sobreposições das assinaturas espectrais correspondem às espécies florestais. Na Imagem Aérea, para além de ocorrer uma grande sobreposição das assinaturas espectrais das classes vegetadas, verifica-se

também uma grande sobreposição das assinaturas espectrais das classes não vegetadas. A classe Água Profunda apresenta uma total sobreposição com a classe Sombra e verifica-se alguma sobreposição das classes Água Pouco Profunda e Herbáceas Esparsas com a classe Área Não Vegetada.

Embora em ambas as imagens exista maior confusão entre espécies florestais do que destas com classes não florestais, na Imagem Aérea as elipses das classes florestais apresentam uma maior sobreposição, nomeadamente a classe Copa Eucalipto com a classe Copa Sobreiro.

Os resultados quantitativos de separabilidade, dados pela B-Distance, reforçam os resultados obtidos pelo diagrama de dispersão. Conforme se pode visualizar nas Tabela 2 e Tabela 3, as diferenças mais significativas, nos valores obtidos, ocorrem entre as classes Sombra/Água profunda e entre as classes vegetadas. Na imagem IKONOS, a Água Profunda e Sombra possuem uma boa separabilidade (1.95) contrariamente à Imagem Aérea em que o valor é de 0.87. Relativamente às espécies florestais, os resultados obtidos com a Imagem Aérea revelam também uma grande dificuldade de separabilidade. Na IKONOS, as espécies florestais Sobreiro/Pinheiro Manso e Sobreiro/Eucalipto apresentam uma separabilidade superior a 1.9, contrariamente à Imagem Aérea cujos valores são inferiores a 1.0, tendo-se obtido o pior valor de separabilidade (0.46) entre as classes Copa Sobreiro e Copa Eucalipto. Em termos de valores médios de separabilidade, na Imagem Aérea obteve-se um valor de 1.72 e na imagem IKONOS 1.95.

Tabela 2– Valores da B-Distance da IKONOS

AP APP ANV CE S VH CS CPM VHE

AP 0 APP 1,842 0 ANV 1,959 1,980 0 CE 2,000 2,000 1,999 0 S 1,951 1,999 1,908 1,999 0 VH 2,000 2,000 2,000 1,999 2,000 0 CS 2,000 2,000 1,979 1,954 1,947 1,998 0 CPM 2,000 2,000 2,000 1,707 2,000 1,996 1,940 0 VHE 2,000 2,000 1,990 1,993 1,999 1,997 1,246 1,993 0

Tabela 3– Valores da B-distance das imagens aéreas

AP APP ANV CE S VH CS CPM VHE

AP 0 APP 1,461 0 ANV 1,834 1,595 0 CE 1,966 1,968 1,831 0 S 0,871 1,864 1,842 1,965 0 VH 1,998 1,993 1,940 1,577 2,000 0 CS 1,943 1,940 1,883 0,458 1,934 1,701 0 CPM 1,954 1,965 1,905 0,802 1,991 1,133 1,018 0 VHE 1,982 1,775 1,190 1,300 1,975 1,803 1,510 1,783 0

Os resultados revelam uma maior dificuldade em separar a classe Agua (AP, APP) da classe Sombra (S) e as diferentes espécies florestais entre si, com imagens com uma resolução espacial de 0,5m com 8 bits. Estas dificuldades podem ser também motivadas por outros factores nomeadamente os diferentes processos de captação das imagens e de orto-rectificação. Uma imagem aérea orto-rectificada (ortofotomapa) é um mosaico de várias fotos orto-rectificadas. O processo de orto-rectificação das fotos é feito individualmente foto a foto, e no caso da zona em estudo, a banda do infravermelho de cada foto foi orto-rectificada separada das bandas RGB. Como o software utilizado não permitia a criação de um mosaico com mais de três bandas em simultâneo, foi necessário efectuar o mosaico da banda do infravermelho em separado, pelo que as linhas de ligação utilizadas para efectuar o mosaico das bandas RGB foram diferentes das utilizadas para a banda do Infravermelho. Este facto, provocou em certas zonas da imagem um efeito de desfocagem, que é visível na Figura 2. Outro factor que pode contribuir, também, para os resultados obtidos é o diferente contraste constatado entre imagens aéreas orto-rectificadas (Figura 2) consequência do seu processo de captação, pois na fase de orto-rectificação a interferência na radiometria é mínima e na construção do mosaico é feito um ajuste radiométrico, em simultâneo, para todas as fotos orto-rectificadas que pertencem ao bloco. Estes tipo de problemas radiométricos não se verificam na imagem IKONOS, pois a captação por satélite permite com uma única imagem cobrir toda área de estudo.

a) b)

Figura 2 - Exemplo de deficiências radiométricas a) extracto da Imagem Aérea (RGB 421) que ilustra os efeitos resultantes do processo de orto-rectificação e construção do mosaico. b) efeito resultante do processo de captação das imagens.

Os resultados obtidos para a Exactidão Global (EG) e Khat evidenciam que o classificador tem uma melhor performance quando aplicado à imagem IKONOS. O valor da EG na IKONOS é de 96.7% e na Imagem Aérea é bastante mais baixo (75,5%). Esta tendência é acompanhada pelos valores de Khat que na IKONOS é de 96.2% e na Imagem Aérea é de 72.6%.

Nas Figura 3 e Figura 4 apresentam-se os resultados obtidos para a exactidão do utilizador e do produtor. 0 10 20 30 40 50 60 70 80 90 100

AP APP ANV CE S VH CS CPM VHE

Classes

(%

)

_{Imagem Aérea}

IKONOS

Figura 3– Exactidão do Produtor para o classificador da MV aplicado às IKONOS e Imagem

Aérea 0 10 20 30 40 50 60 70 80 90 100

AP APP ANV CE S VH CS CPM VHE

Classes

(%

)

Imagem Aérea

IKONOS

Figura 4– Exactidão do Utilizador para o classificador da MV aplicado às IKONOS e Imagem Aérea

Embora o classificador aplicado à Imagem Aérea apresente valores para os Índices de Exactidão Específica muito inferiores aos obtidos com a IKONOS, verifica-se um comportamento semelhante do classificador, relativamente às espécies florestais em ambas as imagens, pois os valores mais baixos dos Índices de Exactidão Específica ocorrem nas espécies florestais. Verifica-se também que o pior valor da Exactidão do Produtor, em ambas as imagens, dá-se na classe Copa Eucalipto (CP). Contudo, na IKONOS o Eucalipto apresenta confusão espectral essencialmente com Copa Pinheiro Manso (CPM); na Imagem Aérea a confusão espectral ocorre com todas as classes à excepção da classe Sombra (S) e Água (AP, APP).

Os resultados obtidos estão em concordância com os resultados do estudo da separabilidade onde se constatou que as maiores confusões espectrais ocorriam

nas espécies vegetadas e que existia na Imagem Aérea uma grande confusão espectral entre a classe Sombra (S) e Água Profunda (AP).

É de salientar que na IKONOS, apesar das confusões espectrais existentes, o valor mais baixo em termos de Índices é de 91%, na Imagem Aérea é significativamente mais baixo (46%). O classificador rígido da MV não produziu bons resultados na Imagem Aérea, quer a nível global quer na identificação de espécies florestais. Dado que se utilizaram as mesmas áreas de treino e teste, os diferentes resultados devem-se unicamente às diferentes características das imagens. Com o aumento da resolução espacial, os sensores para além de identificarem elementos mais pequenos, identificam também outros factores como, por exemplo a diferente iluminação da copa ou zonas mais escuras devido à abertura da folhagem, que contribuem de forma negativa para os resultados da classificação e para as dificuldades encontradas na descriminação das espécies florestais. O facto da Imagem Aérea ser de 8 bits e a IKONOS de 11 bits e os processos de captação e de orto-rectificação das imagens serem diferentes, também influência o comportamento do classificador. Conforme se pode constatar pela Figura 5 há alteração significativa da informação contida na imagem na zona de ligação das fotos, provocando significativa confusão espectral entre as zonas de sombra e copas de árvores, com a classe Água Profunda (AP) e Água Pouco Profunda (APP) e consequentemente uma maior dificuldade em descriminar e extrair correctamente a informação.

Figura 5 - Extracto da Imagem Aérea (RGB 421) e sua classificação que ilustra o efeito resultante dos diferentes processos de captação e orto-rectificação das imagens aéreas, no resultado da classificação automática.

Os resultados da avaliação da exactidão de todo o mapa, revelam uma significativa diminuição dos valores da EG para a área de estudo, em ambas as

imagens, comparativamente à EG obtida na avaliação do classificador. O valor da EG na IKONOS é de 66.9% e na Imagem Aérea é bastante mais baixo (47,0%). Nas Figura 6 e Figura 7 são apresentados os resultados obtidos para a exactidão do utilizador e do produtor. 0 20 40 60 80 100

AP APP ANV CE S VH CS CPM VHE

Classes

% _{Imagem Aérea}

IKONOS

Figura 6– Exactidão do Utilizador

0 20 40 60 80 100

AP APP ANV CE S VH CS CPM VHE Classes

%

. Imagem Aérea

IKONOS

Figura 7– Exactidão do Produtor

Da análise das Figura 6 e Figura 7 verifica-se que as maiores diferenças dos valores dos Índices de Exactidão, ocorrem nas classes Água (AP, APP), Copa de Eucalipto (CE), Vegetação Herbácea (VH) e Sombra (S). As classes Área Não Vegetada (ANV) e Vegetação Herbácea Esparsa (VHE) foram melhor classificadas na Imagem Aérea. Relativamente às espécies florestais, constatam-se dificuldades em discriminar estas classes em ambas as imagens apenas com a informação espectral das quatro bandas e que essa dificuldade é maior na Imagem Aérea, destacando-se a elevada dificuldade na descriminação da classe Copa Eucalipto (CE), que apresentou o valor mais baixo da Exactidão do Utilizador (9%). Na Imagem Aérea as omissões e comissões da classe Copa Eucalipto dão-se com todas as classes à excepção da Água (AP, APP) e Área Não Vegetada (ANV). Constatou-se também na Imagem Aérea uma grande dificuldade na descriminação das classes Água (PA, APP) e Sombra (S), 29% e 25% dos pixels que na referência foram considerados Sombra foram classificados respectivamente como Água (PA, APP), esta confusão espectral ocorre sobretudo

nas zonas de transição, entre zonas de sombra e não sombra, o que não ocorreu na classificação da IKONOS.

5. Conclusões

Os resultados obtidos com o estudo mostraram que as áreas não vegetadas foram melhor classificadas na Imagem Aérea e que, relativamente às espécies florestais, constataram-se dificuldades em discriminar as diferentes classes em ambas as imagens apenas com a informação espectral das quatro bandas e que essa dificuldade foi maior na Imagem Aérea. Outra dificuldade, apenas evidenciada na Imagem Aérea, ocorreu na descriminação das classes Água (AP, APP) e Sombra (S), o que se deve em parte à menor resolução radiométrica da imagem.

Apesar de neste estudo a qualidade da classificação automática a partir de Imagens Aéreas ter sido significativamente inferior à obtida a partir da imagem IKONOS, não se pode afirmar com certeza que estes resultados são uma consequência apenas do aumento da resolução espacial. Existem outros factores que influenciam os resultados obtidos nomeadamente, os diferentes métodos de captação das imagens acrescido de distorções introduzidas pela orto-rectificação. De salientar ainda, que o estudo serviu também para avaliar a potencialidade das imagens aéreas de muito grande resolução para extrair informação do coberto florestal de forma automática, constatando-se que a influência negativa que determinados aspectos de produção e obtenção das imagens aéreas orto-rectificadas produzem, não permite, ainda, que estas se apresentem como uma alternativa às imagens satélite, na produção de cartografia de forma automática, com a qualidade desejável.

6. Referências

[1]Carleer, A. and Wolff, E., 2004. Exploitation of very high resolution satellite data for tree species identification, Photogrammetric Engineering & Remote Sensing, 70(1): 135–140.

[2] Goetz, S.J., Wright, R.K., Smith, A.J., Zinecker, E., Schaub, E., (2003). “IKONOS imagery for resource management: Tree cover, impervious surfaces and riparian buffer analyses in the mid-Atlantic region”. Remote Sensing of Environment, Vol. 88, No. 1-2, Págs. 195–208.

[3] Gonçalves, L., Caetano, M., (2004): “Classificação das imagens do satélite IKONOS utilizando uma abordagem orientada por objectos”. Acta da III Conferência de Cartografia e Geodesia. Editores: L. Bastos e J. Matos, Lisboa: Lidel, Págs. 287-298.

[4] Greenberg, J.A., Dobrowski, S.Z., Ustin, S.L., (2005): “Shadow allometry: Estimating tree structural parameters using hyperspatial image analysis”. Remote Sensing of Environment, Vol. 97, No. 1, Págs. 15–25.

[5] Plantier T., Caetano M., 2007. “Mapas do Coberto Florestal: Abordagem Combinada

Pixel/Objecto”. Acta da V Conferência Nacional de Cartografia e Geodesia. Editores: L. Bastos e J. Matos, Lisboa: Lidel, Págs. 157-166.

[6] Souza Jr., C., Roberts, D., (2005): “Mapping forest degradation in the Amazon region with IKONOS images”. International Journal of Remote Sensing, Vol. 26, No. 3, Págs. 425-429. [7] Stoney, W. , 2002: http://rst.gsfc.nasa.gov/Sect21/Sect21_1.html

[8] Wang, L., Sousa, W. P. and Gong, P., 2004a. Integration of object-based and pixel-based classification for mapping mangroves with IKONOS imagery, International Journal of Remote Sensing, Vol.20, No. 24, Págs. 5655-5668.