anÁlise da classificaÇÃo do uso e...
TRANSCRIPT
IV Simpósio Brasileiro de Geomática – SBG2017
II Jornadas Lusófonas - Ciências e Tecnologias de Informação Geográfica - CTIG2017
Presidente Prudente - SP, 24-26 de julho de 2017
p. 186-192
E. A. Guimarães; E. H. Cremon ISSN 1981-6251
ANÁLISE DA CLASSIFICAÇÃO DO USO E COBERTURA DA TERRA
DO CERRADO BASEADO NA COMBINAÇÃO DE IMAGENS ÓPTICAS
E SAR
EDUARDO ALVES GUIMARÃES
ÉDIPO HENRIQUE CREMON
Instituto Federal de Educação, Ciência e Tecnologia de Goiás - IFG
Grupo de Estudos em Geomática – GEO
Rua 75, 46 - Setor Central, CEP 74055-110
Goiânia-GO
[email protected]; [email protected]
RESUMO - A classificação digital de imagens é uma poderosa técnica utilizada para projetos de mapea-
mento em larga escala, uma vez que a sua estrutura otimiza o processamento deixando o trabalho menos
oneroso. Neste contexto, o presente trabalho teve como objetivo avaliar se a combinação de imagens ópti-
cas e de Radar de Abertura Sintética (SAR) podem melhorar a discriminação de classes para fins de uso e
cobertura da terra no bioma Cerrado. Foi realizada uma análise da classificação não-supervisionada base-
ada no algoritmo ISOSEG em uma imagem proveniente do sensor óptico OLI/Landsat-8 e de uma combi-
nação da mesma com uma imagem SAR do Sentinel-1 com os parâmetros de segmentação utilizados no
projeto TerraClass Cerrado. O desfecho desta combinação não propiciou melhores resultados do que o
uso de apenas os dados ópticos. Em linhas gerais, a exatidão global e o índice kappa para classificação na
imagem óptica e combinada foram respectivamente: 0,527-0,396 e 0,480-0,334, com um intervalo de
confiança (95%) do índice kappa onde pode ser considerado que ambas as classificações são estatistica-
mente semelhantes.
Palavras chave: sensor óptico, imagem SAR, combinação de imagem, Cerrado.
ABSTRACT - Digital image classification is a powerful technique for large-scale mapping projects, to
optimize the work and become it with less costly. This work was performed in an analysis of the unsuper-
vised classification based on ISOSEG algorithm in images from the optical sensor OLI/Landsat-8 and a
combination of it with a Synthetic Aperture Radar (SAR) image from Sentinel-1 satellite with the seg-
mentation parameters used in the “TerraClass Cerrado” Project, aiming to verify if the increase of the
SAR image allows an improvement in the classes discrimination of land use and land cover. It was found
that the combination did not provide better results. In general, the overall accuracy (0.527 and 0.480) and
the kappa index (0.396 and 0.334) for evaluation of the optical image and the combined results, respec-
tively, shows close values. Based on the confidence interval (95%) for the kappa index, the classifications
are statistically similar.
Key words: optical sensors, SAR, image combination, Cerrado.
1 INTRODUÇÃO
O Cerrado é o segundo maior bioma da América
Latina representando cerca de 23% do território nacio-
nal. Em função da expansão da fronteira agrícola e da
exploração predatória de seu material lenhoso para
produção de carvão, foi o bioma mais degradado nas
últimas três décadas. É considerado como um dos hots-
pots mundiais de biodiversidade, pois apresenta uma
extrema abundância de espécies endêmicas e vem so-
frendo uma significativa perda de habitat (MMA,
2017).
Diante deste cenário, há iniciativas de se mapear
o uso e cobertura da terra do Cerrado a partir de ima-
gens ópticas orbitais com a finalidade de promover
subsídios para potencializar o monitoramento e a ges-
tão do Cerrado. O mais recente projeto desse porte foi
o TerraClass Cerrado, que faz parte do Programa de
Monitoramento Ambiental dos Biomas Brasileiros
(PMABB), tal projeto foi realizado pela junção dos
esforços da Empresa Brasileira de Pesquisa Agropecu-
IV Simpósio Brasileiro de Geomática – SBG2017
II Jornadas Lusófonas - Ciências e Tecnologias de Informação Geográfica - CTIG2017
E. A. Guimarães; E. H. Cremon ISSN 1981-6251
ária (Embrapa), do Instituto Brasileiro do Meio Ambi-
ente e dos Recursos Naturais Renováveis (Ibama), do
Instituto de Nacional de Pesquisas Espaciais (Inpe), da
Universidade Federal de Goiás (UFG), da Universidade
Federal de Uberlândia (UFU) que, sob a coordenação
do Ministério do Meio Ambiente (MMA), apresenta-
ram o mapeamento do uso antrópico e da cobertura
vegetal natural do Cerrado, para o ano-base de 2013
(MMA, 2017).
No TerraClass Cerrado foram utilizadas ima-
gens ópticas do sensor OLI (Operational Land Image)
do satélite Landsat-8. Para a extração das classes temá-
ticas aplicou-se uma segmentação e posteriormente
uma classificação não-supervisionada, os parâmetros
foram estimados com base na escala de mapeamento de
1:250.000. O mapeamento de uso da terra do Cerrado
por meio de imagens ópticas orbitais apresenta-se co-
mo um grande desafio devido à similaridade espectral
entre certas classes temáticas, a expressiva área que o
mesmo ocupa e a dinâmica acentuada da ocupação
humana (SANO et al., 2008).
Os dados ópticos relacionam-se com as caracte-
rísticas químicas, físicas e biológicas dos alvos da
superfície terrestre em função dos processos de absor-
ção, transmissão e reflexão, enquanto que os dados de
micro-ondas como os adquiridos por Radar de Abertura
Sintética (SAR) interagem e podem ser relacionados
com a forma, textura, estrutura e propriedades dielétri-
cas dos alvos. Sendo assim, pode-se notar que os dados
ópticos e de micro-ondas são complementares e, por-
tanto, a integração dos mesmos pode resultar em me-
lhorias na extração de informações acerca dos alvos
imageados, tendo como consequência a melhora na
qualidade das classificações de feições de interesse
(HUANG et al., 2010).
Pereira (2012) realizou experimentos visando
avaliar diferentes formas de integrar dados (fusão e
combinação) de sensores imageadores ópticos e SAR
para identificar qual a mais adequada para o mapea-
mento de uso e cobertura da terra de uma região de
fronteira agrícola da Amazônia brasileira. Concluiu-se
que várias classificações resultantes das imagens fusio-
nadas ou combinadas apresentaram valores do índice
kappa estatisticamente superiores quando comparadas
as imagens ópticas.
Devido a abrangente ou até mesmo divergente
conceituação que o termo “fusão de imagens ou dados”
pode trazer, cabe aqui destacar a diferença entre fusão e
o uso combinado de imagens. Fusão: qualquer método
que integre duas ou mais imagens com objetivo de
formar uma nova, a qual conterá informações das ima-
gens originais. Combinação: não forma uma nova ima-
gem, portanto, não passa por processos de fusão (PE-
REIRA, 2012). Nesse contexto, o presente trabalho tem
por objetivo avaliar se a combinação de imagens ópti-
cas e SAR podem melhorar a discriminação de classes
para fins de uso e cobertura da terra no bioma Cerrado.
2 MATERIAIS E MÉTODOS
2.1 Área de estudo
A área selecionada para o experimento corres-
ponde a região Centro-Sul do estado de Goiás (Figura
1). O retângulo envolvente da área de estudo abrange
os municípios de Acreúna, Bom Jesus de Goias, Edea-
lina, Edéia, Goiatuba, Indiara, Jandaia, Joviânia, Mau-
rilândia, Paraúna, Pontalina, Porteirão, Santa Helena de
Goiás, Santo Antônio da Barra, Turvelândia, Vicenti-
nópolis e Rio Verde. A região é caracterizada por uso e
cobertura da terra antrópica e natural como: Agricultu-
ra, Pastagem, Água, Vegetação Natural e Área Urbana.
Figura 01 – Área de estudo. Imagem OLI/Landsat-8 em
composição colorida R(6)G(5)B(4).
2.2 Materiais
Os materiais utilizados foram uma imagem óp-
tica e outra SAR. A imagem óptica é referente ao sen-
sor OLI/Landast-8, o mesmo insumo para o projeto
TerraClass Cerrado, e a imagem SAR foi do satélite
Sentinel-1 (Figura 2). As duas imagens datam do mês
de junho de 2016. Para o Sentinel-1 foi escolhido a
imagem em GRD (Groud Range Detection) nível L1
de processamento, gerada a partir do modo de aquisi-
ção IW (Interferometric Wide swath). A tabela 1 des-
creve as características básicas do sensor SAR e a tabe-
la 2 a do sensor OLI.
Tabela 01 - Características do produto GRD Sentinel 1
Modo de aquisição IW
Resolução Espacial
alcance x azimute
20 × 22 m
Tamanho do pixel 10 × 10 m
Polarização VV/VH
Fonte: Adaptado ESA (2017).
IV Simpósio Brasileiro de Geomática – SBG2017
II Jornadas Lusófonas - Ciências e Tecnologias de Informação Geográfica - CTIG2017
E. A. Guimarães; E. H. Cremon ISSN 1981-6251
Figura 02 – Amostra da área de estudo. a) Imagem
OLI/Landsat-8 em composição colorida R(6)G(5)B(4);
b) Imagem SAR do satélite Sentinel-1 em composição
colorida R(VH)G(VV)B(VH).
Tabela 02 - Características do satélite Landsat-8.
Resolução
Espacial
30 m
Resolução
Espectral
(m)
0,43 - 0,45 (Aerosol Costeiro)
0,45 - 0,51 (Azul)
0,53 - 0,59 (Verde)
0,64 - 0,67 (Vermelho)
0,85 - 0,88 (Infravermelho próximo)
1,57 - 1,65 (SWIR - 1)
2,11 - 2,29 (SWIR -2)
Resolução
radiométrica
12 bits
Resolução
temporal
16 dias
Fonte: Adaptado USGS (2017).
2.3 Métodos
As imagens adquiridas inicialmente passaram
por técnicas de pré-processamento. Na imagem óptica,
os números digitais foram convertidos para reflectância
aparente a partir dos coeficientes de calibração das
bandas espectrais. Na imagem SAR, foi realizada a
calibração radiométrica, aplicação de filtro adaptativo
para redução do ruído Speckle e a ortorretificação por
meio do insumo SRTM (Shuttle Radar Topography
Mission) de 30m já incorporado no pacote de ferramen-
tas do SNAP (Sentinel Application Platform). Para
padronizar as unidades de grandezas das imagens, os
dados da imagem SAR (sigma nougth) foram normali-
zados, ficando dentro de um intervalo de valores cor-
respondentes com os da imagem óptica (reflectância)
entre 0 e 1. Por fim, a imagem SAR foi reamostrada
para 30m para que ficasse com mesmo tamanho de
pixel da imagem óptica. De posse dos dados pré-
processados, realizou-se o empilhamento das bandas
espectrais 4, 5 e 6 do sensor OLI e o empilhamento das
mesmas bandas do sensor OLI mais as bandas VH e
VV das polarizações do Sentinel-1 (Figura 3).
Figura 03 – Fluxo metodológico para classificação.
Como método de classificação, optou-se por uti-
lizar a classificação não-supervisionada ISOSEG. Tal
abordagem é interessante, pois é baseada em regiões,
assim como foi abordado parte do projeto TerraClass
Cerrado. O algoritmo ISOSEG é um classificador que
busca agrupar regiões a partir de atributos estatísticos
de média, matriz covariância e área, conforme o limiar
de similaridade entre elas (KÖRTING, 2006). A ado-
ção por um método não-supervisionado neste trabalho
visa evitar tendenciosidade no processo de classifica-
IV Simpósio Brasileiro de Geomática – SBG2017
II Jornadas Lusófonas - Ciências e Tecnologias de Informação Geográfica - CTIG2017
E. A. Guimarães; E. H. Cremon ISSN 1981-6251
ção e discriminação de classes de uso e cobertura da
terra. Para fins de comparação, foram realizadas duas
classificações, ambas com os mesmos parâmetros de
segmentação e classificação. A primeira executada
apenas com as bandas multiespectrais 4, 5 e 6 do sen-
sor OLI/Landsat-8 e a segunda na imagem combinada
com as imagens SAR (Figura 3).
O classificador ISOSEG, por ser baseado em
regiões pressupõe de um processo de segmentação
preliminar. Quanto a segmentação, foi adotado o méto-
do de crescimento de regiões com limiar de similarida-
de de 0,015 e de área mínima de 70 pixels (aproxima-
damente 6,25 ha), os mesmos parâmetros do projeto
TerraClass Cerrado (MMA, 2015). Para o algoritmo
ISOSEG deve também ser definido o limiar de aceita-
ção, que varia de 75% a 99,9%, quanto menor for o
limiar de aceitação, mais classes o algoritmo irá criar
automaticamente (NARVAES; SANTOS, 2007). O
limiar de aceitação utilizado foi de 99%.
Ao executar as segmentações e classificações no
conjunto de imagens, os dados resultantes foram con-
vertidos para vetor. Feito isto, iniciou-se o processo de
nomeação das classes por meio da interpretação visual
na imagem multiespectral do OLI/Landsat-8 (bandas 4,
5 e 6) e na combinada (bandas 4, 5 e 6 e as bandas VH
e VV).
Os algoritmos de classificação são avaliados
comumente por meio da matriz confusão e índice Kap-
pa. Neste processo, deve ser realizado a comparação
entre a verdade terrestre e os dados resultantes da clas-
sificação digital, com isso, pode-se observar se os
pixels foram corretamente classificados, bem como os
erros de comissão e de omissão (MATSUKUMA,
2002).
O índice kappa é uma das variáveis que podem
ser quantificadas após construir a matriz de confusão,
sendo um índice que retrata o grau de concordância dos
dados, gerando, assim, um aspecto de confiabilidade e
precisão dos dados classificados (PERROCA;
GAIDZINSKI, 2003). Os valores do índice kappa
variam de 0 a 1, quanto mais próximo de 1, significa
que melhor foi o grau de concordância entre o dado
classificado e o de referência.
A avaliação dos dados classificados consistiu na
coleta de 150 amostras aleatórias numa imagem de
referência de melhor resolução espacial, assumindo
serem representativas da verdade terrestre. As amostras
foram confrontadas em relação as duas classificações,
gerando-se a matriz confusão. De posse destes dados
obteve-se o índice kappa.
2.4 Resultados e discussões
A segmentação do conjunto de imagens apenas
com as bandas ópticas 4, 5 e 6 do sensor OLI e com a
adição das bandas VV e VH, geraram segmentos com
geometria e quantidades diferentes. Foram 18200 seg-
mentos para as bandas ópticas e 17497 com a adição
das bandas SAR (Figura 4).
Figura 04 – Amostra da segmentação do conjunto de
imagens; a) Segmentação (linhas pretas) das bandas
ópticas 4, 5 e 6 do sensor OLI; b) segmentação (linhas
amarelas) das bandas 4, 5, 6 (óptico), VV e VH (SAR).
Figura 05 – Exemplo do processo de nomeação de
classes a classificação não-supervisionada; a) resultado
da classificação ISOSEG; b) Nomeação das classes.
IV Simpósio Brasileiro de Geomática – SBG2017
II Jornadas Lusófonas - Ciências e Tecnologias de Informação Geográfica - CTIG2017
E. A. Guimarães; E. H. Cremon ISSN 1981-6251
A classificação ISOSEG para o conjunto de
bandas ópticas gerou 31 classes, enquanto para a com-
binação das bandas ópticas mais as bandas com as
polarizações da imagem SAR geraram 19 classes. Es-
sas classes constituem grupos homogêneos de regiões
pelos critérios definidos na metodologia.
Para a área de estudo, foi possível constatar a
presença das seguintes classes: Agricultura, Vegetação
Natural, Pastagem, Água, Área Urbana e Silvicultura.
As classes resultantes da classificação ISOSEG passa-
ram por renomeação (reclassificação) atribuindo então
a classes de uso e cobertura da terra (Figura 5).
Nesse processo de nomeação das classes não-
supervisionadas, algumas classes de uso e cobertura da
terra observadas nas imagens orbitais da área de estudo
não foram relacionadas, isso porque nesse processo
sempre se optou por nomear a classe com maior abran-
gência. Por exemplo, uma classe denominada com a
numeração 12 na classificação ISOSEG corresponde a
área urbana e agricultura para toda a imagem, como
houve um predomínio de agricultura, optou-se por
identificar essa classe 12 como agricultura ao invés de
área urbana, fato que ao gerar a matriz de confusão
causou a ausência de correspondência entre o dado de
referência e a classificação (Tabela 03 e 04).
Tabela 03 – Matriz confusão OLI/Landsat 8.
Referência
Cla
ssif
ica
ção
Agricultura Pastagem Agua Vegetação Natural Área Urbana Silvicultura
Agricultura 34 27 2 7 20 9
Pastagem 1 5 0 1 0 2
Agua 0 0 19 1 0 0
Vegetação Natural 0 0 1 21 0 0
Área Urbana 0 0 0 0 0 0
Silvicultura 0 0 0 0 0 0
Fonte: Elaborado pelo autor.
Tabela 04 – Matriz confusão OLI/Landsat 8 + SAR Sentinel 1.
Referência
Cla
ssif
ica
ção
Agricultura Pastagem Agua Vegetação Natural Área Urbana Silvicultura
Agricultura 29 16 2 0 20 8
Pastagem 4 14 0 1 0 3
Agua 0 0 0 0 0 0
Vegetação Natural 2 2 20 29 0 0
Área Urbana 0 0 0 0 0 0
Silvicultura 0 0 0 0 0 0
Fonte: Elaborado pelo autor.
Observando-se os valores da diagonal principal
das duas matrizes, percebe-se que para as classes pas-
tagem e vegetação natural classificadas com a combi-
nação de imagens de sensor óptico com micro-ondas
ocorre um maior número de acertos. A constatação do
incremento dos dados SAR do Sentinel-1 ao OLI tam-
bém demonstrou um incremento no acerto em classifi-
cações em estudo em Portugal, principalmente para a
classe pastagem (SARAIVA, 2015). Entretanto, para
este trabalho esses acertos acabaram sendo comprome-
tidos no cômputo geral devido ao grande número de
erros com a inclusão de elementos da classe água na
classe de vegetação natural. Tal discordância pode ser
explicada pelo fato da relação de vizinhança entre as
classes, uma vez que os cursos d’água são revestidos
nas bordas por vegetação natural. A técnica de segmen-
tação por crescimento de regiões agrupa regiões espa-
cialmente adjacentes, inicialmente cada pixel é rotula-
do como uma região distinta e através do fator de simi-
laridade que se baseia em um teste de hipótese estatís-
tico, cada região vai se agrupando a partir de um limiar
de agregação definido.
Então a classe Água na imagem combinada não
ofereceu informações espectrais satisfatórias para o
segmentador separar com melhor distinção água de
vegetação natural e consequentemente confundido o
classificador ISOSEG na geração automática das clas-
ses, fazendo com que o analista escolhesse no processo
nomeação das classes a feição de maior predominância
dentro das regiões, omitindo assim, a classe Água. A
normalização inicialmente efetuada na imagem SAR
pode ter afetado a quantização dos dados e posterior-
mente não potencializando o desempenho do classifi-
cador.
Apesar do maior número de acertos para Agri-
cultura na imagem óptica o classificador apresentou um
somatório de erros consideravelmente maior que em
relação imagem combinada. Em ambas as imagens,
IV Simpósio Brasileiro de Geomática – SBG2017
II Jornadas Lusófonas - Ciências e Tecnologias de Informação Geográfica - CTIG2017
E. A. Guimarães; E. H. Cremon ISSN 1981-6251
nem Área Urbana, nem Silvicultura foram discrimina-
das corretamente pelo classificador. A tabela 6 apresen-
ta os valores do índice kappa e exatidão global para as
duas classificações.
Figura 06 – Classificação OLI/Landsat -8.
A figura 6 e 7 apresenta o resultado das classifi-
cações. Visualizando os mapas percebe-se como a
delimitação da classe Água não foi distinguida na clas-
sificação da imagem combinada, demonstrando o que
já foi mencionado. Analisando isoladamente a qualida-
de estatística das classes identificadas (Tabela 05) nota-
se que na imagem combinada as classes Agricultura e
Pastagem tiveram maiores valores de índice kappa,
porém na imagem óptica, as classes Água e Vegetação
natural foram discriminadas com maior confiabilidade.
Figura 07 – Classificação OLI/Landsat - 8 + SAR Sen-
tinel-1.
Tabela 05 – Índice Kappa por classe.
Classes Kappa condicional
OLI OLI + SAR
Agricultura 0,144 0,200
Pastagem 0,435 0,538
Agua 0,941 -
Vegetação Natural 0,943 0,434
Area Urbana - -
Silvicultura - -
Fonte: Elaborado pelo Autor.
Tabela 06 – Características da validação do sensor OLI e sua combinação com o sensor SAR do Sentinel-1.
Dado Exatidão global Índice kappa Intervalo de confiança (95%)
Limite inferior Limite superior
OLI/Landsat-8 0,527 0,396 0,307 0,486
OLI + SAR/Sentinel-1 0,480 0,334 0,249 0,419
Fonte: Elaborado pelo autor.
De acordo com o intervalo de confiança (95%)
do índice kappa, ambas classificações podem ser con-
sideradas estatisticamente semelhantes. Vale reiterar
que os erros relacionados a não distinção da classe
Água na imagem combinada teve grande peso no côm-
puto do kappa geral, já que a mesma possui um número
considerável de amostras. Fato comprovado ao con-
frontar os resultados das matrizes de confusão.
3 CONCLUSÕES
Os resultados foram afetados pelos motivos já
elucidados, com isso por meio da metodologia empre-
gada pode-se concluir que a combinação de bandas
ópticas e SAR para este experimento com classificador
não-supervisionado ISOSEG não melhorou significati-
vamente o desempenho da classificação de uso e cober-
tura da terra no Cerrado, contudo, tais resultados po-
dem ser melhorados ao se optar para classificação da
classe Água a análise somente nas bandas ópticas.
Um processo que pode ser abordado em etapas
vindouras com os mesmos procedimentos deste traba-
lho acrescido de algumas adaptações é a adição de
imagens híbridas provenientes de técnicas de fusão
entre imagens ópticas e SAR.
REFERÊNCIAS
MMA. O Bioma Cerrado. Disponível em:
http://www.mma.gov.br/biomas/cerrado. Acesso: 27 de
março 2017.
IV Simpósio Brasileiro de Geomática – SBG2017
II Jornadas Lusófonas - Ciências e Tecnologias de Informação Geográfica - CTIG2017
E. A. Guimarães; E. H. Cremon ISSN 1981-6251
SANO, E. E. et al. Mapeamento semidetalhado do
uso da terra do Bioma Cerrado. Pesquisa Agropecu-
ária Brasileira, Brasília, v. 43, n. 1, p.153-156, jan.
2008.
SARAIVA, C.S.A. Avaliação do Potencial das Ima-
gens Sentinel-1 para Identificação de Culturas
Agrícolas. 2015. 75 f. Dissertação (Mestrado em En-
genharia Geográfica) - Universidade de Lisboa, Lisboa,
2015.
PEREIRA, L.O. Avaliação de métodos de integração
de imagens ópticas e de radar para a classificação
do uso e cobertura da terra na região amazônica.
2012. 212 f. Dissertação (Mestrado) - Instituto Nacio-
nal de Pesquisas Espaciais, São José dos Campos,
2012.
JENSEN, J. R. Sensoriamento remoto do ambiente:
uma perspectiva em recursos terrestres. São José
dos Campos: Parêntese, 2009. 598 p.
HUANG, S.; POTTER, C.; CRABTREE,R .L.;
HAGER,S.;GROSS, P. Fusing optical and radar data to
estimate sagebrush, herbaceous, and bare ground cover
in Yellowstone. Remote Sensing of Environment, v.
114, p. 251-264, 2010.
USGS, United States Geological Survey. Frequently
Asked Questions about the Landsat Missions. Dis-
ponível em:
<http://landsat.usgs.gov/band_designations_landsat_sat
ellites.php>. Acesso em 26 mar. 2017.
ESA, European Space Agency. Level-1 Ground
Detected.Range Disponível em:
<https://sentinel.esa.int/web/sentinel/user
guides/sentinel-1-sar/resolutions/level-1-ground-range-
detected>. Acesso em 26 mar. 2017.
KÖRTING, T. S: Divisão de Processamento de Ima-
gens, INPE. Classificação de Imagens por Regiões, São
José dos Campos, 2006.
MATSUKUMA, C. K. Análise comparativa de algo-
ritmos de classificação não-supervisionada, no ma-
peamento do uso e cobertura do solo. 2002. 84 p.
Dissertação (Mestrado) – Escola Superior de Agricul-
tura Luiz de Queiroz, Piracicaba. 2002.
MMA. Mapeamento do Uso e Cobertura do Cerra-
do: Projeto TerraClass Cerrado 2013. Brasília:
MMA, 2015.
NARVAES, I. S.; SANTOS, J. R. Avaliação de algo-
ritmos de classificação supervisionada para imagens do
Cbers-2 da Região do Parque Estadual do Rio Doce-
MG. In: Simpósio Brasileiro de Sensoriamento Remo-
to, 13., 2007, Florianópolis. Anais... São José dos
Campos: INPE, 2007. p. 6223-6228. Disponível em:
<http://marte.sid.inpe.br/col/dpi.inpe.br/sbsr@80/2006/
11.15.20.25/doc/6223-6228.pdf>. Acesso em 25 mar.
2017.
PERROCA, M. G.; GAIDZINSKI, R. R. Avaliando a
confiabilidade interavaliadores de um instrumento para
classificação de pacientes: coeficiente Kappa. Revista
da Escola Enfermagem da USP, v. 37, n. 1, p. 72-80,
2003.