gis planet 98 proceedings format

Detecção de Alterações de Ocupação
do Solo com uma abordagem orientada
por objectos
MACHADO, Filipa, CAETANO, Mário
Resumo
A detecção de alterações de uso/ocupação do solo com imagens de observação da terra é uma ferramenta
importante em planeamento e gestão de recursos naturais e desenvolvimento urbano. Neste âmbito, as
técnicas de detecção de alterações têm sido utilizadas para actualizar mapas existentes de ocupação de
solo. As técnicas tradicionais de detecção de alterações são aplicadas ao nível do pixel, tornando difícil o
seu uso para actualizar mapas com unidade cartográfica mínima (UCM) superior à área do pixel. Com
o intuito de ultrapassar esta limitação, a abordagem orientada por objectos cria sub-áreas de imagem
com UCM superior ao tamanho do pixel, facilitando a sua integração com mapas já existentes e
respectiva actualização. Outra vantagem significativa da abordagem orientada por objectos, é relativa
ao facto de objectos possuírem características como tamanho, forma, textura e informação de contexto
que podem ser empregues no processo de classificação, fazendo uso de características que são
negligenciadas em classificações tradicionais. Deste modo, neste trabalho propõem-se uma abordagem
orientada por objectos para detecção de alterações do coberto do solo, com o intuito de criar mapas com
uma UCM superior ao tamanho do pixel. A metodologia adoptada segue duas etapas principais,
primeiro, a detecção de alterações e posteriormente a sua actualização. Com o objectivo de obter os
objectos de alteração foram exploradas várias abordagens. A metodologia está a ser testada numa área de
paisagem portuguesa, com recurso às imagens Landsat TM e ETM, de 1986 e 2000 com resultados
promissores, indiciando vantagens sobre as metodologias mais tradicionais, pois permite trabalhar com
áreas contínuas de alteração, em vez de pixels individuais.
PALAVRAS-CHAVE: Detecção de alterações, Segmentação Multi-Resolução e Análise de Imagens Orientada por Objectos.
INTRODUÇÃO
A importância de dados do uso e coberto de solo em gestão do território, análise da biodiversidade e para suporte a
políticas ambientais leva a uma necessidade crescente de informação actualizada e consistente. Neste sentido, a produção
de cartografia para regiões com alterações frequentes necessita de ser um processo regular. A detecção de alterações é
uma das áreas de maior aplicação de dados de detecção remota, devido à cobertura sistemática da superfície terrestre, em
curtos períodos temporais e com imagens de qualidade consistente. Contudo, a maioria dos programas de cartografia são
baseados em análise visual de imagens, um processo caro e moroso. Santos (2002) menciona que o período médio para
actualização dos produtos de cartografia de ocupação de solo a escalas regionais, com base em imagens de satélite, é de
10 a 15 anos.
Actualizações, com maior periodicidade, resultam na necessidade de maior automatização do processo de actualização da
cartografia de ocupação do solo a escalas regionais (Caetano et al., 2002). Os processos de automatização tradicionais
recorrem à classificação de imagens, pela utilização de algoritmos de classificação dos padrões espectrais da imagem,
que convertem os dados captados pelos sensores em classes de ocupação do solo. Tradicionalmente, a classificação
automática de imagens é executada ao nível do pixel, ou seja, os algoritmos de classificação são aplicados a cada pixel
individualmente, o que resulta num mapa em formato raster e em que cada pixel guarda o valor da classe de ocupação
correspondente. Contudo, uma análise ao nível do pixel torna difícil o seu uso para actualização de mapas com unidade
cartográfica mínima (UCM) superior à área do pixel. Por outro lado, a classificação de imagens ao nível do pixel apenas
considera os valores espectrais, enquanto um foto-intérprete tem em conta o tamanho, a forma, a vizinhança e o
conhecimento de eventos ou fenómenos quando classifica o objecto que visualiza. A classificação visual de imagens lida
com a sua semântica. Na maioria dos casos, informação semântica não se aplica ao nível do pixel, mas em objectos com
significado e nas suas relações.
Com o intuito de ultrapassar as limitações da abordagem ao nível do pixel, a abordagem orientada por objectos lida com
objectos em vez de pixeis. Objectos, com UCM superior ao tamanho do pixel, facilitam a integração com mapas já
existentes e respectiva actualização. Outra vantagem significativa desta abordagem, resulta da possibilidade de
considerar a textura na classificação (Blascke and Strobl, 2001) e o recurso a semânticas estruturadas.
A abordagem orientada por objectos assemelha-se à percepção humana na forma como a visão humana extrai a
informação que é baseada em objectos (Blascke et al., 2000). Primeiro, a percepção de áreas homogéneas, ou objectos,
que depois são caracterizados por uma rede complexa de experiência e conhecimento. De modo semelhante, a análise
orientada por objectos é executada em duas etapas, segmentação e classificação. A primeira corresponde à criação dos
objectos. Baatz e Schäpe (1999) propuseram um novo algoritmo de segmentação, denominado segmentação multiresolução, de crescimento por regiões (Fractal Net Evolution - FNEA). A segmentação opera como um procedimento de
optimização heurística que minimiza a heterogeneidade média de uma imagem de objectos para uma dada resolução,
tendo em conta os valores espectrais e a continuidade espacial. Esta metodologia permite trabalhar com áreas contínuas
de alteração, em substituição do pixel individual. Pelo facto das estruturas na natureza aparecem em diferentes níveis de
detalhe (Blascke et al., 2000), o processo da segmentação multi-resolução permite criar uma estrutura hierárquica de
objectos significativos. Durante a segmentação os objectos são interligados, e desta forma é possível relacionar objectos
vizinhos e estabelecer relações entre classes progenitores e descendentes, assim como grupos semânticos.
A segmentação multi-resolução é uma técnica de fusão de regiões, que extraí objectos de contraste local, e para o qual,
no início, cada pixel é considerado como um único objecto de imagem e em cada iteração os objectos são unidos para
formar objectos maiores de acordo com o critério de homogeneidade que descreve a semelhança entre objectos
adjacentes (Darwish et al., 2003). A fusão ocorre entre objectos adjacentes que evidenciam desajuste inferior a um limiar
pré-definido (Schiewe et al., 2001). O critério de homogeneidade é uma combinação de parâmetros de cor e forma, em
termos de suavidade e compactação dos objectos de imagem. Na qual, a aplicação de diferentes combinações dos vários
parâmetros permite a criação de uma rede hierárquica de objectos de imagem (Darwish et al., 2003).
Baatz e Schäpe (1999) consideraram que os objectos resultantes da segmentação são homogéneos, representados de
forma consistente e reproduzível. Estes autores encontraram diferenças em limites de baixo contraste, mas que são,
frequentemente, assumidos como pertencentes à mesma classe de coberto de solo na classificação. Contudo é de notar
que outros autores (Schiewe et al., 2001 e Gonçalves, 2003) consideraram a segmentação multi-resolução um processo
consumidor de tempo, sendo muito difícil definir os parâmetros de segmentação mais adequados. Na classificação, como
todos os objectos de imagem estão interligados na rede, é possível identificar objectos vizinhos, informação de contexto
importante, e objectos com relação hierárquica.
Na fase de classificação, podem ser aplicados os mesmos tipos de algoritmos utilizados na classificação de pixeis,
diferindo o tipo de variáveis empregues na classificação.. A utilização de características como forma, textura e
semânticas estruturadas, disponíveis na análise de imagens orientada por objectos, na classificação é uma aproximação à
forma de inferência do pensamento humano.
Em termos de classificadores distinguem-se classificadores difusos (Fuzzy) e classificadores rígidos (Hard), em que os
primeiros substituem por um valor contínuo o valor binário dos segundos. A classificação difusa utiliza o conceito de
conjuntos fuzzy, em que um objecto pode apresentar qualquer cenário possível de pertença, seja total ou parcial, a uma
classe. Por oposição à classificação rígida, em que um objecto apenas pertence a uma classe ou não pertence. A lógica
difusa é uma abordagem matemática para quantificar a incerteza dos acontecimentos, que simula o pensamento humano e
a sua capacidade para tomar decisões racionais num ambiente de incerteza e imprecisão. A lógica difusa tem em conta a
natureza heterogénea e imprecisa do mundo real e providencia instrumentos úteis para trabalhar com dados imprecisos.
Numa classificação difusa, o conjunto de dados é caracterizado pelo grau de pertença a uma classe temática, um número
real de 0 a 1, em substituição do valor rígido da associação exclusiva a uma classe temática.
Deste modo, quando elementos se sobrepõem no espaço espectral, a abordagem da função de pertença permite que esses
objectos não sejam associados apenas a uma classe de informação, o que não estaria correcto na realidade, mas
atribuídos diferentes valores de pertença a uma ou mais classes de informação (Baatz et al., 2000). A transição da
classificação rígida para difusa, vulgarmente designada por fuzzification, é obtida pela atribuição de um valor de
pertença descrito por uma função probabilística e que possibilita a aplicação de medidas de incerteza.
DETECÇÃO DE ALTERAÇÕES
A detecção de alterações precede a classificação do tipo de alterações. Singh (1989) definiu o procedimento como
identificação das diferenças no estado de um objecto ou fenómeno pela sua observação em tempos diferentes. A
premissa fundamental da detecção de alterações consiste no facto de alterações no coberto do solo resultarem em
alterações dos valores de radiância.
A diferença de imagens é a técnica mais simples de detecção de alterações (Fung and Siu, 2000), expressa pela diferença
entre duas datas. A diferença de índices de vegetação é a técnica com maior aplicação em alterações temporais
relacionadas com a vegetação (Lyon et al., 1997), e é referido com um método rápido, facilmente aplicável e adequado
para detectar alterações de vegetação em regiões vastas. Os índices de vegetação são diversos, mas a técnica de
diferenças de NDVI (Normalize Difference Vegetation Índex) foi identificada por Mas (1999), num estudo de
comparação de índices de vegetação, como uma das mais precisas e simples.
O método de detecção de alterações anterior à classificação, designado por pré-classificação, implica a aplicação de um
limiar para separar áreas de alteração significativa de áreas de não alteração (Fung and Siu, 2000). Na maioria dos casos,
o valor de limiar é derivado do histograma da imagem de alteração (Singh, 1989). Quando se utiliza a técnica de
diferença de NDVI, os limiares de alteração mais usados variam entre 1 e 1,5 do desvio padrão (STD). Vivien et al.
(2002) no seu estudo de desenvolvimento de metodologias de actualização de cartografia do coberto do solo, para a
Península de Setúbal, obteve melhores resultados com o limiar de 1,5 STD, confirmado pela análise de qualidade.
A maioria das técnicas de detecção de alteração são aplicadas ao nível do pixel. Thurston (2002) considera que os
métodos estatísticos não envolvem uma compreensão robusta e útil da imagem para classificação. De modo similar,
Caetano (2002) considera que os pixeis não permitem identificar classes de coberto de solo que não estão definidos ao
nível do pixel. Por estas razões, torna-se necessário uma fase de edição (manual ou automática) complexa no final do
processo, de modo a que o produto apresente a qualidade requerida.
Apesar de recente, a abordagem orientada por objectos tem sido testada em várias áreas da detecção remota,
nomeadamente em cartografia temática com imagens de alta resolução. Contudo a sua aplicação em estudos de detecção
de alterações é ainda limitada. A título de exemplo, Niemeyer e Canty (2001) aplicaram a abordagem orientada por
objectos para detecção de alterações numa instalação nuclear. Porém, aplicaram uma pós-classificação, o que envolve a
classificação de ambas as imagens e pode originar a propagação de erros. Um método pouco expedito para áreas
extensas, às quais podem estar associadas áreas de alteração limitada, e que não faz uso da informação contida na
cartografia original.
Neste sentido, propõe-se uma metodologia para uma mais eficiente, e que se pretende de maior automatismo,
actualização de cartografia de ocupação do solo existente, com base em análise multi-temporal de imagens orientada por
objectos, utilizando classificação difusa. No presente trabalho, apresenta-se a primeira parte do estudo que consiste na
detecção de alterações com uma abordagem orientada por objectos para actualizar dados de cartografia de coberto de
solo CORINE Land Cover 2000. A segmentação extrai os objectos de alteração e não alteração da imagem, seguida da
identificação dos objectos de alteração e respectiva classificação, de acordo com a construção da base de conhecimento.
CASO DE ESTUDO – CORINE LAND COVER
O programa CORINE Land Cover (CLC) é um projecto a nível europeu, da responsabilidade da EEA1 e do JRC2, em
cooperação com os estados membros. Como base de dados de nível europeu, a cartografia CLC utiliza um esquema de
classificação e metodologia harmonizada. A legenda CORINE, organizada em três níveis, compreende 44 classes de uso
e ocupação do solo no seu nível 3. Em termos de especificações técnicas, a cartografia CLC tem escala 1:100.000,
precisão geométrica de 100 m e unidade mínima de 25 ha, e um espaçamento mínimo entre linhas de 100 m (EEA,
2002).
A primeira actualização da cartografia de ocupação de solo CLC está a ser efectuada por interpretação visual, projecto
CLC2000, tal como a primeira cartografia que ocorreu entre 1986 e 1995, sob o projecto CLC1990. As equipas de
projecto a nível nacional, são responsáveis pela interpretação dos dados de satélite para produção da cartografia de
coberto de solo (CLC2000) e das alterações ao coberto de solo (CLC changes). O CLC2000 português é executado pelo
IA3, ISEGI4 e IGP5.
No projecto de 1990, as imagens utilizadas em Portugal Continental foram Landsat MSS e Landsat TM, com imagens de
Agosto de 1985 a Julho de 1987. Relativamente ao CLC2000, as imagens são Landsat ETM, adquiridas entre Junho e
Setembro de 2000. As imagens são disponibilizadas pelo JRC, que procede à sua selecção, aquisição e orto-rectificação.
A cartografia CLC foi considerada um bom caso de estudo por diversos motivos. A existência de 2 cartografias para
Portugal, CLC90 e CLC2000 na sua fase final, produzidas por interpretação visual. Por outro lado, o facto de ser uma
1
2
3
Agência Ambiental Europeia
Joint Research Center
Instituto do Ambiente
Instituto Superior de Estatística e Gestão de Informação – Universidade Nova de Lisboa
5
Instituto Geográfico Português
4
cartografia de âmbito europeu com um grande número de utilizadores, prevê-se a necessidade de actualizações em
períodos de tempo inferiores ao verificado entre 1990 e 2000, pelo que a definição de metodologias automáticas torna-se
uma necessidade.
O estudo foi implementado na península de Setúbal. A área incluí nove concelhos, numa área total de 153.000 ha,
ocupada principalmente por zonas urbanas e arredores, zonas industrias, campos agrícolas, nomeadamente arrozais
(Figura 1) e áreas de floresta.
Figura 1. Imagem Landsat ETM de Junho de 2000, composição 345, e alterações identificadas visualmente
(Fonte: CLC2000 Portugal)
Como na identificação de algumas alterações CLC, os foto-intérpretes se terem baseado em informação auxiliar, e não
disponível neste projecto, estas foram excluídas da base de dados de comparação. Os polígonos excluídos, 38, abrangiam
uma área de 2.432,6 ha. Pela análise das alterações (Gráfico 1) é possível verificar que ocorreram três situações que
correspondem a 72% do total da área de alteração:
•
Área de 5007 ha de alteração de ‘Espaço florestal degradado – 324’ para ‘Resinosas – 312’,
•
Áreas florestais (folhosas, resinosas e floresta com mistura de várias espécies) de 5846 ha que transitaram para
‘Espaço florestal degradado – 324’,
•
Áreas de ‘Perímetros não irrigados – 211’, com 2603 ha em 1990, que se distribuiu em proporções semelhantes
em ‘Perímetros regados – 212’, ‘Folhosas – 311’ e ‘Espaço florestal degradado – 324’.
Sum of Hectares
8000.0
CODE
422
324
7000.0
322
321
6000.0
313
312
311
5000.0
244
242
223
221
4000.0
213
212
3000.0
211
142
133
2000.0
131
123
122
121
1000.0
112
0.0
211
212
213
221
222
223
231
241
242
243
244
311
312
313
321
322
324
334
512
522
OLDCODE
Gráfico 1. Alterações de 1990 (eixo dos x) para 2000 (eixo dos y) por tipo de classe CLC (nível 3) da área de
estudo.
METODOLOGIA
Com o intuito de obter os objectos de alterações, procedeu-se à segmentação da imagem e identificação dos objectos de
alteração, que correspondem às fases de segmentação e classificação (Figura 2).
1. Segmentação
Na segmentação da imagem foram exploradas diversas questões intrínsecas ao procedimento:
•
Método de Segmentação
•
Variáveis (Bandas e/ou Transformadas) a utilizar na segmentação
•
Parâmetro de escala
•
Nível único de segmentação vs Segmentação com diversos níveis
•
Parâmetros de cor e forma
A selecção pelo método de segmentação prendeu-se com questões práticas de implementação da metodologia de
utilização do software eCognition® V3, que combina segmentação multi-resolução com classificadores difusos.
Como variáveis base da segmentação optaram-se por duas abordagens, ambas relacionadas com o decréscimo ou
acréscimo de vegetação, como forma de captar objectos de alteração que representam as diferenças entre 1990 e 2000. A
primeira consiste na segmentação com base na diferença do índice NDVI (Figura 2 – Abordagem 1). Na segunda
abordagem, utilizaram-se as bandas relacionadas com a biomassa, especificamente, a banda do vermelho (3), do
infravermelho próximo (4) e do infravermelho médio (5), das duas datas (Figura 2 – Abordagem 2).
O parâmetro de escala é determinante para a dimensão dos objectos e pretendeu-se observar o seu efeito no ajustamento
aos objectos de alteração identificados visualmente. Para testar, observou-se o comportamento da segmentação para
valores que correspondem-se a objectos, cujo tamanho máximo não excedesse as áreas de alteração (objectos maiores).
Por oposição, testaram-se valores para objectos cujo tamanho mínimo seria no extremo igual ao pixel e inferiores à área
de alteração (objectos menores). Ainda em relação às diferentes dimensões dos objectos, questionou-se se a segmentação
multi-nível corresponderia melhor a essas diferenças ou se um nível apenas daria uma resposta adequada. De igual modo,
explorou-se diferentes parâmetros de cor e forma por procedimento. As validações dos parâmetros da segmentação são
efectuadas por comparação visual em relação aos limites das alterações CLC.
Landsat-5
TM & MSS 1990
Imagens
NDVI
1990
Mapa
NDVI
Alterações
Abordagem
1
Landsat-7
ETM 2000
Imagens
Segmentação
MultiResolução
Objectos
NDVI
2000
Classificação
de Alterações
Landsat-5
TM & MSS 1990
Image
R
NIR
MIR
Segmentação
MultiResolução
Abordagem
2
Landsat-7
ETM 2000
Image
Objectos
R
NIR
MIR
Figura 2. Duas abordagens de segmentação com dados de NDVI (1) e bandas 3,4 e 5 de ambos os anos.
2. Classificação
Para classificação de objectos de alteração serão explorados limiares com base em atributos como o índice NDVI, índice
que combine a informação das três bandas relacionadas com a biomassa (vermelho, infravermelho próximo e
infravermelho médio). Metodologias que serão comparadas com classificação por objectos Nearest Neighbour e com
classificações ao nível do pixel.
A aplicação de regras difusas são empregues para integrar a noção de incerteza na definição do limiar, que podem variar
conforme a função escolhida. Por exemplo, o grau de pertença decrescente entre 1,5 do desvio padrão a 1 desvio padrão,
em relação à média, ou decrescente apenas em torno do limiar de 1,5 do desvio padrão. Estas variações deverão ser
analisadas, em termos de erros de comissão e omissão cometidos.
RESULTADOS
1. Segmentação
A implementação da metodologia inicializou-se com a análise do efeito do parâmetro de escala. Pela observação dos
objectos maiores, comparativamente aos objectos de alteração CLCchanges, verificou-se que parte significativa destes
eram de dimensão superior aos objectos CLCchanges e nem sempre se ajustavam aos limites de alteração. Enquanto que
objectos menores (Figura 3), apesar de um objecto CLCchanges resultar da agregação de vários, ajustam-se melhor aos
limites das áreas de alteração.
Figura 3. Efeito do parâmetro de escala, limites de objectos maiores e objectos menores.
Numa segmentação multi-nível foi possível observar níveis de parâmetros que vão de encontro às diferentes dimensões
das alterações. Contudo, inerente ao facto de se considerarem preferíveis objectos menores, considerou-se desnecessário
trabalhar com diferentes níveis de segmentação. Os objectos menores representam todos os níveis de alteração e,
geometricamente, os objectos de alteração resultam da sua fusão. Relativamente à selecção das bandas base da
segmentação, verificou-se que a segmentação com base na diferença do índice NDVI forma objectos tendencialmente
mais irregulares.
Figura 4. Segmentação com base na diferença de NDVI vs bandas 3/4/5 (1990/2000).
Em termos de parâmetros cor versus forma, quanto maior o peso da cor, menor é a dimensão e mais irregular é a forma.
A diferença resulta nos valores médios dos atributos. Como se pretende utilizar valores baseados na diferença para
classificar alterações e não numa forma específica de alteração optou-se por ponderar com 100% o peso da cor, ou seja, a
informação espectral.
Figura 5. Segmentação com diferentes parâmetros, caso 1 (cor 1/forma 0) e caso 2 (cor 0.8/suavidade 0.3).
2. Classificação
Na exploração dos atributos de classificação, observou-se que as áreas de arrozais apresentavam valores extremos de
decrescimento de vegetação segundo o índice NDVI, relacionado com a diferença entre as datas das duas imagens de
Agosto de 1985 e Junho de 2000. Devido a este efeito, os limiares de alteração são sistematicamente desviados da média
de alteração. Pelo que se criou uma estrutura hierárquica (Figura 6) para sua classificação e exclusão com base nas
características descritas na Tabela 1.
Tabela 1. Atributos da classificação.
Classe
Água
Arrozais
Bancos de Areia
Atributo
Max. Diff, Mean 2000_nir
Ratio 1990_nir
Mean 2000_blue, Mean 2000_red, Mean 2000_nir
Numa exploração de definição dos limiares de alteração com base na diferença de NDVI, recalculou-se os valores da
média. Com base nesta classificação, os objectos foram fundidos e seleccionados aqueles com dimensão superior a 4,5
ha.
Figura 6. Imagem de diferença de NDVI, objectos classificados e respectiva estrutura hierárquica.
Com base nesta classificação identificaram-se problemas relacionados com as regras de generalização do CLC, que
afectam a avaliação de qualidade em termos de omissão: Áreas de não alteração inseridas em áreas de alteração (Figura
7); Áreas de alteração vizinhas, cada uma de dimensão inferior a 4,5 ha, separadas por área de não alteração, que são
eliminadas pela regra de classificação ‘Área superior a 4,5 ha’ (Figura 8), e em termos de comissão, Objectos de largura
inferior a 100m (Figura 9).
Figura 7. Exemplo de áreas de não alteração ( ) inseridas em área de alteração ( ) detectadas. A verde seco
representa-se a área de alteração detectada com a metodologia CLC baseada em análise visual e dados auxiliares.
Objecto 1
Objecto 2
Objecto 3
Área (ha)
2, 9
2,1
2,3
Objecto 1
Objecto 2
Área (ha)
30,2
1,9
Figura 8. Exemplo de áreas de alteração ( ) vizinhas, cada uma com dimensão inferior a 5 ha, e área de alteração
( ) inferior a 5 ha vizinha de uma área de alteração ( ) de 30,2 ha. A lilás representa-se a área de alteração
detectada com a metodologia CLC baseada em análise visual e dados auxiliares.
Figura 9. Exemplo de área de alteração ( ) de largura inferior a 100m e área superior a 5 ha, sobre imagem
Landsat 2000 (RGB 453).
DESENVOLVIMENTOS FUTUROS
A segmentação dos objectos ajusta-se ao objectivo pretendido, e numa análise visual a criação dos objectos poderá ser
uma ferramenta de auxílio ao foto-intérprete. Na classificação, a metodologia deverá ser aperfeiçoada para eliminar
objectos que apresentem largura inferior a 100 m, de forma a aproximarmo-nos das especificações técnicas da cartografia
CLC e respeitar as regras de generalização. De igual modo, deverá ser avaliado o grau de suavização dos atributos
dentro de cada objecto, em função da influência dos parâmetros de segmentação cor vs forma para objectos menores
(parâmetro escala inferior a 10). Na definição do limiar difuso, considerou-se que as variações deverão ser analisadas em
termos de erros de comissão e omissão cometidos.
AGRADECIMENTO
Agradecimento à equipa CLC2000 Portugal pela sua disponibilidade para o esclarecimento de dúvidas e cedência de
dados CLC.
REFERÊNCIAS
1. Baatz, M. and Schape, A. Object-Oriented and Multi-Scale Image Analysis in Semantic Networks. In: Procedings of the
2nd Int. Symposium on Operationalization of Remote Sensing, Enschede, Netherlands, 1999.
2.
Baatz, M., Heynen, M., Hofmann, P., Lingenfelder, I., Mimler, M., Schepe, A., Weber, M. and Wilhauke, G.
eCognition User Guide 3. Definiens Imaging GmbH. Munique, Germany, 2000.
3.
Blaschke, T., Lang, S., Lorup, E., Strobl, J. and Zeil, P. Object-oriented image processing in an integrated GIS / Remote
Sensing environment and perspectives for environmental applications. Environmental Information for Planning, Politics
and the Public, Metropolis-Verlag, Marburg, 2000.
4.
Blaschke, T. and Strobl, J. What’s wrong with pixels? Some recent developments interfacing remote sensing and GIS. In:
GeoBIT/GIS 6: 12-17, 2001.
5.
Caetano, M., Santos, T. e Gonçalves, L. Cartografia de Ocupação do Solo com Imagens de Satélite: estado da arte. Actas do
VII Encontro de Utilizadores de Informação Geográfica, 13 a 15 Novembro, Oeiras, Portugal, 2002.
6.
Civco, D. L., Hurd, J. D., Wilson, E. H., Song, M. and Zhang, Z. A comparison of land use and land cover change detection
methods. In: Proceedings of XXII ASPRS-ACSM – Annual Conference, Washington, USA, 2002.
7.
Environmental European Agency. CORINE Land Cover update. I&CLC2000 project, Technical Guidelines, Final
version, 2002.
8.
Fung, T. and Siu, W. Environmental quality and its changes, an analysis using NDVI. International Journal Remote
Sensing, Vol. 21, N.º 5, pp 1011-1024, 2000.
9.
Gonçalves, L. Avaliação das Imagens Multiespectrais do Satélite IKONOS para produção de cartografia de ocupação de solo.
Tese de Mestrado, Instituto Superior Técnico - Universidade Técnica de Lisboa, Lisboa, Portugal, 2003.
10. Lyon, J. G., Yuan, D., Lunetta, R. S. and Elvidge, C. D. A change detection experiment using vegetation indices.
Photogrammetric Engineering and Remote Sensing, Vol. 64, pp 143-150, 1997.
11. Mas, J. F. Monitoring land-cover changes: a comparison of change detection techniques. International Journal Remote
Sensing, Vol. 20, N.º 1, pp 139-152, 1999.
12. Niemeyer, I. and Canty M. J. Object-Oriented Post-Classification of Change Images. In: Proceedings of SPIE’s
International Symposium on Remote Sensing, Vol. 4545, pp 100-108, Toulouse, France, 2001.
13. Santos, T. Actualização de Cartografia Temática com Imagens de Satélite. Tese de Mestrado, Instituto Superior Técnico Universidade Técnica de Lisboa, Lisboa, Portugal, 2002.
14. Sing, A. Digital Change Detection Techniques Using Remotely Sensed Data. International Journal of Remote Sensing, Vol.
10, N.º 6, pp 989-1003, 1989.
15. Schiewe, J., Tufte, L. and Ehlers, M. Potential and problems of multi-scale segmentation methods in remote sensing.
GeoBIT/GIS N.º 6, pp 34-39, 2001.
16. Tadesse, W., Coleman, T. L. and Tsegaye, T. D. Improvement of Land Use and Land Cover Classification of an Urban Area
Using Image Segmentation from Landsat ETM+ Data. In: Proceedings of the 30th International Symposium on Remote
Sensing of the Environment, 10-14 November, Honolulu, Hawaii, 2003.
17. Vivien, C., Caetano, M. and Freire, S. Updating Land Cover Maps Using Landsat Thematic Mapper Imagery and Change
Detection Techniques. In: Proceedings of the 29th International Symposium on Remote Sensing of Environment, 8-12
April, Buenos Aires, Argentina, 2002.
Mário CAETANO
[email protected]
Instituto Geográfico Português
Rua da Artilharia Um, 107
1099-052 Lisboa
Tel: 21 3819600
Fax: 21 3819699
URL: http://www.igeo.pt
Filipa MACHADO
[email protected]
Instituto Superior de Estatística e Gestão da Informação
Campus de Campolide
1070-312 Lisboa, Portugal
Tel: 21 3870413
Fax: 21 3872140
URL: http://www.isegi.unl.pt