determinação da área de floresta laurissilva da ilha da madeira por métodos de detecção remota

Determinação da Área de

Floresta Laurissilva da Ilha da

Madeira por Métodos de

Detecção Remota

Lu í s Co r re i a An t u nes

A l uno n º61 28

Mes t rado de Geor recu r s os – 2004/2005

Det ecçã o Remota

D e t e r m i n a ç ã o d a Á r e a d e F l o r e s t a L a u r i s s i l v a d a I l h a d a M a d e i r a p o r

M é t o d o s d e D e t e c ç ã o R e m o t a

2

Índice

1. Introdução..................................................................................... 7

1.1. Floresta Laurissilva .................................................................... 7

1.2. Objectivos .............................................................................. 9

2. Material Utilizado .......................................................................... 11

2.1. Metadados da Imagem de Satélite ................................................ 11

2.2. Cartografia e Ortofotomapas ...................................................... 12

2.3. Software .............................................................................. 12

3. Processamento dos Dados................................................................. 13

3.1. Pré-processamento .................................................................. 15

3.2. Estatística da Imagem .............................................................. 19

3.2.1. Análise dos dados estatísticos ............................................... 19

3.2.2. Análise do Scattergram ....................................................... 22

3.3. Realce ................................................................................. 24

3.3.1. Transformação do Histograma............................................... 24

3.3.2. Filtros............................................................................ 30

3.4. Transformações Multiespectrais................................................... 33

3.4.1. Quocientes Espectrais......................................................... 33



3

3.4.2. Análise em Componente Principal .......................................... 36

3.4.3. Transformação Tasseled Cap (TTC)......................................... 40

3.5. Classificação.......................................................................... 42

3.5.1. Classificação Assistida ........................................................ 43

3.5.2. Classificação Automática ..................................................... 51

3.6. Validação da Classificação ......................................................... 54

3.6.1. Validação da Classificação Assistida ........................................ 54

4. Conclusões .................................................................................. 58

5. Bibliografia .................................................................................. 59

Anexo I ............................................................................................ 60

Anexo II ........................................................................................... 72

Anexo III .......................................................................................... 84



4

Índice de Imagens

Figura 1 – Figura ilustrativa do tipo de vegetação existente na Floresta Laurissiva .... 8

Figura 2 – Mapa da Ilha da Madeira com a zona da Floresta Laurissilva .................. 9

Figura 3 – Esquema com a metodologia aplicada à imagem de satélite ................ 14

Figura 4 – Exemplo da rectificação Geométrica ............................................ 15

Figura 5 – Sistema de Coordenadas criado no ERMapper para o projecto .............. 16

Figura 6 – Reamostragem da uma imagem após a aplicação do método de Vizinho Mais

Próximo ........................................................................................... 17

Figura 7 – Reamostragem da uma imagem após a aplicação do método de

Interpolação Bilinear............................................................................ 18

Figura 8 – Reamostragem da uma imagem após a aplicação do método de

Interpolação Bicúbica ........................................................................... 19

Figura 9 – Apresentação dos 4 histogramas obtidos nas bandas 1, 2, 3 e 4

respectivamente................................................................................. 21

Figura 10 – Exemplo do Scattergram com a banda 4 e a banda 2. ...................... 22

Figura 11 – Resultado da primeira selecção de dados no Scattergram.................. 23

Figura 12 – Resultado da segunda selecção de dados no Scattergram .................. 23

Figura 13 – Exemplo da transformação radiométrica efectuada numa das bandas ... 24

Figura 14 – Resultado final da transformação efectuado sobre o histograma da

imagem............................................................................................ 25



5

Figura 15 – Realce das 4 bandas obtida pela transformação da Expansão Linear

(Linearização) do Histograma ................................................................. 27

Figura 16 – Exemplo da aplicação da técnica de Equalização ............................ 28

Figura 17 – Realce das 4 bandas obtida pela transformação da Equalização do

Histograma........................................................................................ 29

Figura 18 – Execução da filtragem sobre uma imagem [Carvalho, J.; 2004] ........... 31

Figura 19 – Resultado obtido com a aplicação de um Filtro passa-baixo Avg5 numa

imagem de cor ver verdadeira ................................................................ 31

Figura 20 – Resultado obtido com a aplicação de um Filtro Mediana numa imagem de

cor ver verdadeira............................................................................... 32

Figura 21 – Resultado obtido com a aplicação de um filtro passa-alto ................. 33

Figura 22 – Resultado da aplicação do Índice de Vegetação NDVI ....................... 34

Figura 23 – Resultado obtido na divisão do histograma em 3 Classes. .................. 35

Figura 24 – Resultado da aplicação do Índice de Vegetação TVI ......................... 36

Figura 25 – Transformação processada na Análise de Componentes Principais........ 37

Figura 26 – Resultado obtido na componente principal da ACP .......................... 38

Figura 27 – Resultado obtido na segunda componente principal da ACP ............... 38

Figura 28 – Resultado obtido na terceira componente principal da ACP ............... 39

Figura 29 – Transformação “Tasseled Cap” [Carvalho, J.; 2004] ........................ 40

Figura 30 – Resultado da componente “Brilho” da TTC ................................... 41

Figura 31 – Resultado da componente “Verde” da TTC ................................... 41

Figura 32 – Resultado da componente “Humidade” da TTC .............................. 42



6

Figura 33 – Localização das várias áreas treinos através dos Ortofotomapas.......... 44

Figura 34 – Imagem com as áreas de treino criadas para a Classificação Assistida ... 45

Figura 35 – Resultado do Scattergram para a região Oceano............................. 48

Figura 36 – Resultado do Scattergram para a região Costa ............................... 48

Figura 37 – Resultado do Scattergram para a região do LSilva ........................... 49

Figura 38 – Resultado do Scattergram para a região da Vegetação Seca e Pasto ..... 49

Figura 39 – Resultado obtido na Classificação Assistida ................................... 51

Figura 40 – Parâmetros utilizados na Classificação Não Supervisionada ................ 52

Figura 41 – Número de iterações necessárias para atingir a classificação os

parâmetros definidos ........................................................................... 52

Figura 42 – Características dos Clusters obtidos na Classificação Auntomática ....... 53

Figura 43 – Imagem do resultado obtido com a Classificação Automática ............. 54

Figura 44 – Scattergram com elipse de um pixel pertencer a cada uma das regiões com

um nível de confianças de 95 % e a média de cada área treino nadas bandas 2 e 3. 55

Figura 45– Exemplo da incorrecta classificação no cidade do Funchal................. 56



Introdução 7

1. Introdução

O relatório aqui apresentado diz respeito à realização do trabalho da caracterização

do uso do solo na Ilha da Madeira, em especial da Floresta de Laurissilva, respeitante

à cadeira de Detecção Remota, do Mestrado Georrecursos, do Instituto Superior

Técnico (IST), Departamento de Minas e Georrecursos.

O objectivo principal do trabalho é a delimitação da região respeitante da Floresta

Laurissilva e cálculo da respectiva área. Com o limite determinado, podemos

sobrepor à cartografia e ortofotomapas existente da Ilha da Madeira e poder localiza-

la de uma forma mais expedita e automática. Outra das áreas de interesse é

determinar as áreas urbanas das principais cedes de concelho. A Imagem de Satélite

utilizada para o estudo é de 1998 e foi obtida pelo satélite SPOT4.

Futuramente, pretende-se monitorizar estas duas áreas detectadas remotamente, e

poder compará-la com a existente actualmente.

1.1. Floresta Laurissilva

Laurissilva é o nome pelo qual é conhecida a floresta original da Madeira, aquela que

já aqui existia aquando da chegada dos descobridores portugueses. Esta designação

provem do latim, Laurus (loureiro, lauráceas) e Silva (floresta, bosque). Esta ocupou

outrora vastas extensões no Continente europeu, nomeadamente toda a bacia do

Mediterrâneo, europa meridional e norte de África, tendo-se aí extinguido devido às

glaciações. Os arquipélagos do Atlântico Norte, nomeadamente, Açores, Madeira,

Canárias e Cabo Verde conseguiram manter grande parte dessa ancestral vegetação

graças à capacidade termo-reguladora do oceano que os envolve.

Na Madeira, pela altura das descobertas, a Laurissilva cobria a quase totalidade da

Ilha; hoje em dia vamos encontrá-la principalmente na vertente de exposição norte



Introdução 8

da Ilha, ocupando os profundos e remotos vales do interior, distribuída entre os 300 e

os 1300 metros de altitude, podendo considerar-se uma floresta relíquia.

Esta floresta de características higrófilas, sub-tropical húmida, representa um

ecossistema de extrema importância sob o ponto de vista botânico e científico: trata-

se de um património raro a nível mundial, onde, para além da Madeira, apenas

ocorre com significado em algumas ilhas do grupo ocidental do Arquipélago das

Canárias, dado que nos Açores e em Cabo Verde não terá resistido à ocupação

humana. A Laurissilva é caracterizada por árvores de grande porte, maioritariamente

pertencentes à família das Lauráceas (o til, o loureiro, o vinhático e o barbusano),

para além de outras como o pau branco, o folhado, o aderno, o perado ou o cedro da

Madeira. Por debaixo da copa das grandes árvores abundam arbustos (quase todos de

folha perene, à semelhança das árvores) como as urzes, a uveira, o piorno e o

sanguinho, encontrando-se, ainda, um estrato mais baixo rico em fetos, musgos,

líquenes, hepáticas e outras plantas de pequeno porte, com numerosos endemismos.

Figura 1 – Figura ilustrativa do tipo de vegetação existente na Floresta Laurissiva

A Madeira detém a mais extensa e bem conservada Laurissilva do mundo, ocupando

uma área de 14.953,7 ha, como mostra a Figura 2, totalmente incluída no Parque

Natural da Madeira como Reserva Natural Parcial e Reserva Natural Integral. É uma

Zona de Protecção Especial no âmbito da Directiva Aves Selvagens e um Sítio de



Introdução 9

Área de

Laurissilva

Interesse Comunitário ao abrigo da Directiva Habitats. É Reserva Biogenética do

Conselho da Europa desde 1992 e foi incluída na Lista do Património Natural Mundial

da UNESCO em Dezembro de 1999.

Figura 2 – Mapa da Ilha da Madeira com a zona da Floresta Laurissilva

1.2. Objectivos

O objectivo inicial do trabalho apresentado é o de aplicar os conhecimentos

adquiridos na cadeira de Mestrado numa imagem SPOT da Madeira, e poder, com a

aplicação de técnicas de Classificação Assistida e Automática, poder delimitar as

várias áreas que pretendemos caracterizar.

Futuramente, com os resultados obtidos, pretende-se realizar uma monitorização da

orla costeira e da floresta Laurissilva, e a determinação do aumento das zonas

urbanas. Será também interessante determinar o aumento e distribuição das

florestas introduzidas, como o eucalipto e/ou pinheiro.

O trabalho é constituído pelas seguintes fases:

Capítulo 2 – Descrição dos vários elementos utilizados durante a execução

do trabalho;

Capítulo 3 – Descrição das várias fases do processamento dos dados onde se

expõe as várias metodologias utilizadas e os resultado de cada uma delas. Este

capítulo é devido pelas seguintes fases:



Introdução 10

. Pré-processamento dos dados;

. Estatística da Imagem;

. Realce da Imagem

. Transformação Multiespectrais;

. Classificação da Imagem;

. Verificação/Validação dos resultados obtidos;

Capítulo 4 – Conclusões sobre os resultados obtidos.



Material Utilizado 11

2. Material Utilizado

Neste capítulo vamos descrever e caracterizar todos os elementos utilizados para a

execução do referido trabalho. Haverá referência dos softwares e em que fase do

processo foram utilizados, a descrição de outra informação geográfica de auxílio e

uma descrição dos Metadados da imagem de satélite.

2.1. Metadados da Imagem de Satélite

A imagem utilizada foi capturada pelo Satélite SPOT4 em Agosto de 1998, ou seja, foi

adquirida no pico do Verão. Isto pode influenciar os valores existentes na banda

infra-vermelhos. Se houvesse vegetação de folhagem caduca, estas apareceriam com

os valores elevados nestas bandas. Mas a floresta em estudo não tem folhagem

sazonal, não influenciando com a época de captura da imagem.

Uma característica deste satélite em relação aos antecessores satélites SPOT é a

introdução de uma nova banda Infra-Vermelho médio (SWIR), dedicado a estudar a

vegetação e interpretar com maior detalhe as várias características do solo. Devido a

captar comprimentos de ondas maiores, esta banda não é tão influenciada pelos

ruídos provocados pela atmosfera terrestre, melhorando assim o contraste e a

claridade textual da imagem. Esta banda SWIR fornece maior detalhe do conteúdo de

água e humidade, e fases do crescimento das plantas na altura que o SPOT 4 passa

sobre esta área.

As características gerais deste satélite são descritas no Quadro 1.

Lançamento 24 Março 1998

Lançador Ariane 4

Orbita 822 km de altitude

Inclinação 98.7 graus heliosíncrono

Largura do swath 60 km

Sensor HRVIR Pancromático: Resolução espacial: 10 metros; Banda espectral 510-



Material Utilizado 12

730 nm) Multi-espectral: Resolução espacial: 20 metros; Bandas espectrais: Banda1 (500-590 nm) -> Banda visível verde; Banda2 (610-680 nm) -> Banda visível vermelho; Banda3 (780-890 nm) -> Banda Infra-Vermelho Próximo; Banda4 (1580-1750) -> Banda Infra-vermelho Médio.

Sensor VGT Multi-espectral: Resolução espacial: 1000 metros; Bandas espectrais: 1 (430-470 nm); 2 (610-680 nm); 3 (780-890 nm); 4 (1580-1750)

Dinâmica 8 bits/pixel Quadro 1 – Características básicas do Satélite SPOT

2.2. Cartografia e Ortofotomapas

Para auxílio à localização e delimitação das áreas treino para a Classificação Assistida

foram utilizadas a Cartografia Base 1:5000 de 1994 e Ortofotomapas à escala 1:2000

e 1:5000 de 2004. Estando esta informação com sistema de coordenadas uniforme,

UTM – 28 N, Datum Porto Santo Base SE, é possível fazer a transição dos vectores

delimitadores das várias zonas entre software.

Esta Informação Geográfica é da propriedade da Direcção Regional da Geografia e

Cadastro (DRGC) da Região Autónoma da Madeira.

2.3. Software

Para a elaboração do trabalho de Classificação da imagem foi utilizado o software de

manuseamento e tratamento de imagens de satélite ER Mapper V6.4. Este programa

demonstrou ser dotado de todas as funcionalidade necessárias para a execução do

estudo em causa.

Para o tratamento da restante informação geográfica, foi utilizado o software da

Bentley/Intergraph o MicroStation V8.0. Este programa permite carregar e sobrepor

os diversos Ortofotomapas e a Cartografia Base e, se for necessário, fazer a

delimitação das várias áreas treino.



Processamento dos Dados 13

3. Processamento dos Dados

Neste capítulo será descrito toda a metodologia aplicada à imagem de satélite de

modo a se proceder à classificação da imagem. Para tal, o trabalho é iniciado por um

pré-processamento da imagem, um minucioso estudo da mesma, seguido de uma

classificação, e finalizando com uma validação da mesmo. A Figura 3 esquematiza a

metodologia aplicada à imagem de satélite, desde o pré-processamento até à

validação final da classificação.




Validação

Classificação

Correcções

Imagem

Or ig ina l

Imagem

Cor r i g ida

Cor recção

Rad iomét r i c as

Cor recção

Geomét r i ca

T IN

Pon tos de

Con t ro lo

I n te rp re tação

V i sua l

Ca r tog r a f i a

Vec to r i a l

Á reas de

T re ino

A lgo r i tm o de

C lass i f i cação

Ortofotomapas

Imagem

C lass i f i c ada

Á reas de

Amos t ra

Ma t r i z de

Con fus ão

C lass i f i c aç ão

F ina l

Figura 3 – Esquema com a metodologia aplicada à imagem de satélite




3.1. Pré-processamento

O objectivo desta fase do trabalho é corrigir as distorções radiométricas e

geométricas existentes na imagem.

A correcção geométrica (Figura 4) pode vir executada já na aquisição da imagem. As

imagens SPOT4 podem ser adquiridas com quatro níveis de rectificação. Neste caso,

foi necessário proceder-se à correcção geométrica. Sempre que se obtém uma

imagem por scanning ou por imagens aéreas, é necessário proceder à

georreferênciação ou/e Ortorrectificação. O processo de correcção geométrico inclui

os seguintes passos:

. Escolha do Sistema de Coordenadas;

. Escolha dos Pontos de Controlo;

. Escolha do modelo de transformação da reamostragem;

. Execução da correcção.

Figura 4 – Exemplo da rectificação Geométrica

O Sistema de Coordenadas em vigor na Região Autónoma da Madeira é a Projecção

UTM – Fuso 28N com Datum Porto Santo, Base Astronómica SE. Como o ERMapper não

tinha este Sistema de Coordenadas incluído na lista existente foi necessário

acrescenta-lo, inserindo todos os parâmetros requisitados pelo software. A Figura 5

mostra a definição do sistema de coordenadas utilizado.




Figura 5 – Sistema de Coordenadas criado no ERMapper para o projecto em estudo

Para a transformação, utilizaram 5 Pontos de Controlo (ver Quadro 2) com

coordenadas UTM 28N retiradas da Carta Militar 1:25000. Escolheram pontos bem

distribuídos pela área de trabalho (madeira) e pontos bem definidos na imagem e na

cartografia (cruzamentos de estrada, cantos de edifícios, por exemplo).

X Y N (m) E (m)

1 1669.729032 1003.767742 308322.5936 3631557.8357

2 723.870968 1138.890323 288371.5488 3631772.3630

3 2374.296774 1911.019355 318190.8523 3611177.7361

4 3387.716129 1119.587097 340287.1707 3623620.3232

5 2654.193548 965.16129 325699.3100 3630699.7262

Quadro 2 – Coordenadas dos 5 Pontos de Controlo

Existem três tipos de métodos de reamostragem:

Vizinho Mais Próximo: Este método recolhe o valor do pixel da imagem

original para o fazer corresponder ao pixel da imagem final. Tem como vantagem o

de não criar valores novos e como desvantagem o de se poderem perder valores ou

duplicar. A imagem tende a ficar com uma aparência disjunta. Ver Figura 6.




Figura 6 – Reamostragem da uma imagem após a aplicação do método de Vizinho Mais

Próximo

Interpolação Bilinear:

A interpolação Bilinear é mais sofisticado que o método do Vizinho Mais Próximo,

utilizando a média dos 4 pixies vizinhos para produzir um novo valor de cinzento na

reamostragem. A vantagem deste método é que todos os pixeis originais contribuem

para a criação da nova imagem. O aspecto da imagem fica mais suavizada do que o

método anterior.

Tem a desvantagem de “picos” de contraste na imagem original, ao serem

processados com a média dos pixeis vizinhos, aparecerem mais “borrados” na

imagem final. A nível computacional, demora mais tempo a processar que o primeiro

método. A Figura 7 exemplifica a aplicação deste método e demonstra, assim, o que

foi dito, em contraste com o Método do Vizinho Mais Próximo.




Figura 7 – Reamostragem da uma imagem após a aplicação do método de Interpolação

Bilinear

Interpolação Bicúbica:

Com este método a imagem é dividida numa malha (ou matriz) de 4x4 pixeis,

aproveitando-se assim média dos Níves Digitais (ND) dos 16 pixeis para o cálculo do

novo valor do pixel. A imagem criada na reamostragem é mais suavizada que a

anterior, perdendo assim ainda mais o contraste. É também o método mais lento dos

três no que se refere a processamento devido ao cálculo da média dos 16 valores.

Como este método cria uma imagem mais “borrada”, eleminando os “picos” de

contraste. É usual utilizar um filtro passa-alto (ver Capítulo 3.3.2) após a execução

da reamostragem de por Interpolação Bicúbica.

O resultado da aplicação deste Método de Interpolação Bicúbica pode ser visto na

Figura 8 onde se confirma o maior suavização dos contaste.




Figura 8 – Reamostragem da uma imagem após a aplicação do método de Interpolação

Bicúbica

3.2. Estatística da Imagem

O primeiro estudo que é feito com a imagem é a análise estatística da mesma. Desta

maneira podemos conhecer as suas características espectrais de uma maneira mais

aprofundada.

3.2.1. Análise dos dados estatísticos

O software ERMapper permite obter os dados estatísticos das bandas existentes no

conjunto de dados. Neste caso, analisaram-se as 4 bandas da imagem SPOT em

estudo.

As características estatísticas descritivas obtidas estão anunciadas no Quadro 3.




Quadro 3 – Análise estatística descritiva (de localização e dispersão)

Dos valores de localização mínimo e máximo, podemos apreender que a banda 3 e 4

ocupam a maior parte do histograma, visto que têm 1 e 254 respectivamente em

mínimo e máximo. Acontece o inverso na banda 1 e na banda 2, visto que temos os

valores mínimos e máximos de 65 e 254 na primeira banda e 37 e 254 na segunda

banda. Neste caso, a será importante executar uma expansão linear para se

conseguir preencher a totalidade dos valores espectrais.

Uma característica comum às quatro bandas é um certo enviesamento do histograma

à esquerda (assimetria positiva), isto porque a média tem valores mais elevados ao

da mediana. Esta característica pode ser mais visível nas duas bandas de Infra-

vermelho. Estas duas bandas têm valores de mediana muito baixos, 7 e 6, o que

significa que metade dos valores é inferior ou igual a esse valor. No caso da Banda4 a

média chega a 31.796, o que nos indica haver uma grande disparidade entre valores

baixos (pixeis situados no mar ou em zona urbana) e valores altos (pixeis situados em

zona de vegetação). Esta teoria pode ser confirmada pelo valor de dispersão Desvio

Padrão, com 61.507 nessa banda. Os histogramas apresentados na Figura 9

demonstram o explicado atrás. Nos eixos dos XX temos os valores das bandas (0-255)

e nos eixos dos YY temos o total de pixeis com o respectivo valor de cinzento.

STATISTICS FOR DATASET: madeira_Luis.ers REGION: All Band1 Band2 Band3 Band4 ----- ----- ----- ----- Null Cells 4377152 4377152 4377152 4377152 Non-Null Cells 11111552 11111552 11111552 11111552 Area In Hectares 444462.080 444462.080 444462.080 444462.080 Area In Acres 1098289.801 1098289.801 1098289.801 1098289.801 Minimum 65.000 37.000 1.000 1.000 Maximum 254.000 254.000 254.000 254.000 Mean 105.786 63.065 23.941 31.796 Median 100.000 51.000 7.000 6.000 Std. Dev. 20.172 30.515 40.068 61.507 Std. Dev. (n-1) 20.172 30.515 40.068 61.507




Figura 9 – Apresentação dos 4 histogramas obtidos nas bandas 1, 2, 3 e 4 respectivamente

Quadro 4 – Descrição dos resultados obtidos na Matriz de Correlação

e Covariância entre bandas

Os resultados obtidos na Matriz de Correlação e de Covariância, descritos no Quadro

4, são os esperados para a imagem em estudo. Existe uma forte correlação entre a

Banda 1 e Banda 2, as duas Bandas Visíveis, com um valor próximo do 1

(aproximadamente 0.966) e uma forte correlação entre a Banda 3 e Banda 4, as duas

Bandas do Infra-vermelho, obtendo 0.928. As restantes correlações são todas

positivas e acima de 0.669.

Em relação à Matriz de Covariância, os resultados obtidos indicam que os maiores

valores de covariância são entre a Banda 4, com 3783.171, sendo o valor mais

reduzido obtido na Banda 1, com 406.892.

Correlation Matrix Band1 Band2 Band3 Band4 ------------------ ----- ----- ----- ----- Band1 1.000 0.966 0.669 0.793 Band2 0.966 1.000 0.740 0.878 Band3 0.669 0.740 1.000 0.928 Band4 0.793 0.878 0.928 1.000 Determinant 0.001 Covariance Matrix Band1 Band2 Band3 Band4 ----------------- ----- ----- ----- ----- Band1 406.892 594.446 540.618 984.007 Band2 594.446 931.180 904.721 1647.553 Band3 540.618 904.721 1605.447 2286.070 Band4 984.007 1647.553 2286.070 3783.171 Determinant 3094060090.834




3.2.2. Análise do Scattergram

Uma das maneiras de determinação das áreas de estudo é através do Scattergram.

Esta técnica compara os ND entre duas bandas, relacionando-os num gráfico XY,

estando cada uma das bandas associadas a cada eixo. Associámos a banda 2 e a

banda 4 nos dois eixos e obtemos o gráfico apresentado na Figura 10. Com a

associação destas duas bandas, conseguimos seleccionar a área associada ao mar.

Isto acontece porque o mar não reflecte o infra-vermelhor e reflecte pouco nas cores

visíveis e é o que esta representado no scattergram. Em Y (banda 4) os valores são

baixos, próximos de zero, e em X (banda 2) os valores varia de 40 e 70.

Figura 10 – Exemplo do Scattergram com a banda 4 e a banda 2.

Se seleccionarmos no Scattergram os pixeis correspondentes à água (1), obtemos o

resultado ilustrado na Figura 11. A vermelho está representado os elementos

seleccionados no Scattergram e podemos confirmar que, efectivamente, foram

seleccionados pixeis associados ao mar.

Fazendo uma segunda selecção aos pixeis associados à água, agora somente com os

valores de Infra-Vermelho mais elevados (2), o resultado é o representado na Figura

Água 1

2




12. Foram seleccionados os pixeis da água perto da costa. Isto porque são águas com

alguma poluição e sedimentos de elementos trazidos das ribeiras. Podemos ainda

concluir que estas águas são mais quentes e menos profundas.

Figura 11 – Resultado da primeira selecção de dados no Scattergram

Figura 12 – Resultado da segunda selecção de dados no Scattergram




3.3. Realce

3.3.1. Transformação do Histograma

De modo a sobressair a informação radiométrica existente na imagem de satélite,

podemos usar técnicas de realce e de contraste dos histogramas. Desta maneira,

facilitamos a interpretação e classificação das várias áreas treino.

Figura 13 – Exemplo da transformação radiométrica

efectuada numa das bandas

A Figura 13 mostra o histograma com uma transformação efectuada na banda azul.

Neste caso, podemos ver que os valores-cinzento input da imagem original se situam

entre 70-254. Para aproveitarmos ao máximo a banda dos valores, maximizamos o

histograma, passando o 75 para 0 e o 200 para 255. Assim é alargado o histograma,

uma expansão linear havendo um aumento do contraste. Depois de fazer a mesma

transformação para as restantes duas bandas, obtemos uma imagem com maior

contraste e mais “luminosa”, ajudando a interpretação visual da mesma, como

demonstra a Figura 14.




Figura 14 – Resultado final da transformação efectuado sobre o histograma da imagem

Para se retirar o máximo de informação das imagens por bandas, pode efectuar este

realce e manipular o histograma de cada banda. E para além do realce manual

efectuado na figura anterior, existe uma “biblioteca” de transformações automáticas

no ERMapper que permitem uma análise exaustiva das bandas e das composições

coloridas.

A transformação mais usual é a Expansão Linear, autoclip transform, que nos

possibilita entrar com uma percentagem de autoclip. Esta transformação faz uma

transformação de 99% dos dados iniciais, excluindo os primeiros e os últimos 0,5%.

Estes valores residuais vão ser acumulados para o primeiro (0) e último (255) nível de

cinzento da imagem final. A percentagem do corte pode ser alterado consoante a

característica espectral da imagem. Assim, a técnica de Expansão Linear consiste em

identificar os limites inferiores e superiores da imagem inicial (através do

histograma) e fazer corresponder o valor 0 ao valor mais baixo e 255 ao valor mais

alto, expandindo assim a amplitude inicial para os restantes níveis. Os restantes

níveis são expandidos através da fórmula [Carvalho, J; 2004]:

255*' ⎟⎠⎞

⎜⎝⎛

−−

=MinMáxMinNDND




onde: ND’ é o nível digital da imagem final

ND é o nível digital da imagem inicial

Min é o nível digital mínimo da imagem inicial

Max é o nível digital máximo da imagem inicial.

O resultado obtido na Expansão Linear está apresentado na Figura 15.




Figura 15 – Realce das 4 bandas obtida pela transformação da Expansão Linear (Linearização)

do Histograma

Outra técnica de realce é a transformação de Equalização, que faz corresponder mais

níveis de cizento às classes com mais frequência, expandido assim os níveis com

grandes frequências e agrupando os níveis com menor representação. A Figura 16

exemplifica a aplicação desta técnica numa imagem onde se consegue um aumento

significativo de contraste.




Figura 16 – Exemplo da aplicação da técnica de Equalização

Na Figura 17 estão representadas as quatro imagens onde foram aplicadas a

transformação de Equalização.




Figura 17 – Realce das 4 bandas obtida pela transformação da Equalização do Histograma

Do resultado obtido nas duas transformações de realce podemos concluir que no que

se refere à Expansão Linear conseguiu-se obter mais contraste da imagem. Assim, nas

quatro bandas, o mar ficou mais escuro devido à expansão dos valores baixos da




imagem inicial para o valor 0 e os valores altos para 255. Foi conseguido o aumento

do contraste pretendido inicialmente.

Em relação à transformação por Equalização do histograma os resultados obtidos não

foram os desejados. Como grande parte da imagem é constituída por mar, ao se

equalizar esta área do histograma ganha contraste mas perde contraste na restante.

Conseguiu-se assim um aumento de contraste na zona com maior frequência do

histograma inicial, o mar, mas diminui nas restantes zonas (Ilha da Madeira). Para

contrariar este característica da transformação, poderíamos equalizar unicamente a

zona do histograma correspondente à Ilha da Madeira.

3.3.2. Filtros

A utilização de filtros tem como objecto o realçar/eliminar determinados objectos

que existem nas imagens. Com a aplicação de determinados filtros, os ND originais

são alterados de modo a se realçar pixeis em relação aos seus vizinhos. Desta

maneira, podemos conseguir uma melhoria na interpretação visual, eliminando ruídos

e realçando estruturas importantes na imagem. A aplicação de filtros pode ter um

lado negativo. Quando se tem uma estrutura importante mas de dimensões reduzidas

(por exemplo estradas), essa estrutura pode ser incorrectamente eliminada com a

aplicação de certos filtros. Por esta razão convém ter atenção na aplicação dos

filtros e saber de antemão o que temos na imagem e o que queremos fazer

sobressair/atenuar. Quando se pretende realizar uma classificação da imagem

convém utilizar imagens sem filtragens, contendo os ND originais.

Os filtros são divididos por duas categorias consoante o tipo de aplicação. Podemos

classifica-los como:

- Filtros aplicados sobre as frequências (Transformação de Fourie);

- Filtros aplicados sobre o domínio espacial (filtros passa-alto e passa-

baixo).




Estes últimos são aplicados com uma matriz sobre os pixeis que pretendemos alterar

com a informação dos ND dos próprio e com as dos seus vizinhos, com exemplifica a

Figura 18.

Figura 18 – Execução da filtragem sobre uma imagem [Carvalho, J.; 2004]

O filtro passa-baixo é um dos exemplos deste tipo de transformações em que se

pretende suavizar estruturas na imagem, podendo assim perder o contraste inicial

visto que reduz a diferença entre de ND entre pixeis vizinhos. É utilizado para

eliminar ruídos existente nas imagens. Para a imagem em estudo, com as cores

naturais, foi utilizado o filtro Avg5.ker que calcula a média dos pixeis numa matriz

5x5. O resultado está exposto na Figura 19. Podemos verificar que se perdeu algum

do contraste inicial.

Figura 19 – Resultado obtido com a aplicação de um Filtro passa-baixo Avg5 numa imagem de

cor ver verdadeira




Um outro filtro que tem ganho grande expressão é o filtro que transforma o pixel

através do cálculo da mediana dos pixeis vizinhos. A mediana é menos sensível a

valores extremos e não cria novos valores de ND, mantendo os originais preservando

assim melhor os contornos dos objectos. A aplicação deste filtro pode ser visualizado

na Figura 20.

Figura 20 – Resultado obtido com a aplicação de um Filtro Mediana numa imagem de cor ver

verdadeira

Os outros tipos de filtros executados sobre o domínio espacial da imagem são os

filtros passa-alto. Ao contrário do anterior, este tende a realçar os fenómenos de

alta-frequência como fronteiras entre usos do solo e estradas, por exemplo. Isso

acontece na aplicação de um filtro passa-alto (Quadro 5) na imagem da Madeira,

como é demonstrado na Figura 21. Conseguimos um maior contraste entre os vários

limites da vegetação, de estradas e de estruturas existentes na vegetação.

0 -1 0

-1 5 -1

0 -1 0

Quadro 5 – Filtro passa-alto aplicado na imagem




Figura 21 – Resultado obtido com a aplicação de um filtro passa-alto

3.4. Transformações Multiespectrais

3.4.1. Quocientes Espectrais

O Quociente Espectral (QE) tem como objectivo salientar e sobressair elementos

existentes nas várias bandas espectrais. Assim, ao efectuarmos um quociente entre

duas bandas espectrais diferentes a imagem final evidencia as variações nos declives

das curvas de resposta espectral entre as duas amplitudes espectrais.

3.4.1.1 Índice de Vegetação

Os quocientes de Índice de Vegetação (IV) aproveitam a diferença de valores

espectrais existentes nas áreas florestais ou de densa vegetação. Como se sabe, a

curva espectral da vegetação começa a subir a partir do infra-vermelho. Se

aplicarmos um quociente, por exemplo, com a Banda vermelha, com valores baixos

na vegetação, e a banda infra-vermelho, com valores altos nessa mesma área,

conseguimos fazer um mapeamento das áreas florestais. Isso pode ser demonstrado




com os dois quocientes de IV apresentados de seguida que têm como numerador a

subtracção da banda3 e banda2 no quociente. Assim, se obtivermos valores altos

significa que estamos perante um zona com vegetação.

O primeiro quociente IV a estudar é o NDVI, representado na Figura 22 com uma

palete de cores brown_green e que apresenta a castanho os valores baixos a verde os

valores altos de ND. O NDVI obedece à seguinte formula:

2323

BandaBandaBandaBandaNDNDVI +

−=

Figura 22 – Resultado da aplicação do Índice de Vegetação NDVI

Desta nova imagem podemos concluir que a zona norte da Ilha da Madeira tem uma

vegetação mais densa, sendo esta a localização da maior área da vegetação de

Laurissilva, como pode ser verificado na Figura 2. Por outro lado, podemos também

verificar que as zonas altas e a ponta Este da ilha são zonas secas e conseguimos

distinguir ainda as zonas urbanas e as ribeiras.




Utilizando três valores de corte na imagem de IV do tipo NDVI conseguimos uma

“classificação” da imagem. Um dos cortes foi obtido de modo a agrupar a área

respeitante ao mar (cor castanha). As restantes duas cores agrupam as zonas de

vegetação seca, ausência de vegetação, zonas urbanas e ribeiras com a cor verde-

escuro, e representada com a cor verde-claro as zonas com vegetação mais densa e

viva. O resultado está apresentado pela Figura 23.

Figura 23 – Resultado obtido na divisão do histograma em 3 Classes.

Outro quociente de IV estudado foi o TVI para o satélite SPOT. Para este caso foi

usado a tabela de cores com níveis de cinzento, como está ilustrado na Figura 24.

Este quociente utiliza de novo as Bandas 2 e 3, obedecendo à seguinte fórmula:

502323 ,

)BandaBanda()BandaBanda(NDTVI +

+−

=




Figura 24 – Resultado da aplicação do Índice de Vegetação TVI

Neste IV conseguiu-se um maior contraste dos vários níveis mas, de uma maneira

geral, as zonas de vegetação mantêm-se.

3.4.2. Análise em Componente Principal

A Análise em Componentes Principal (ACP) é um estudo estatístico sobre a imagem

de satélite com o objectivo de reduzir e/ou remover redundância de informação. Ao

existir uma elevada correlação entre bandas, com informação similar obtida nos

diferentes comprimentos de onda, a primeira componente principal contém,

normalmente, a maior parte da informação necessária. Por exemplo, nas imagens

SPOT4, a ideia é reduzir a informação das quatro bandas para uma ou duas (conforme

a correlação existente entre elas). Quanto maior a correlação entre as várias bandas,

maior concentração de informação se consegue na direcção principal. A Figura 25

representa a transformação dos dados executados na ACP, onde pI corresponde à

imagem obtida numa direcção das componentes principais p, kpVP , o Vector Próprio




da componente p em cada uma das K imagens e kND os níveis de cinzento para as K

imagens.

<

<<<<

Figura 25 – Transformação processada na Análise de Componentes Principais

Por norma, as primeiras direcções são as mais importantes por evidenciarem as

(dis)semelhanças entre bandas. Mas, de uma maneira geral, a segunda e a terceira

direcção apresentam os maiores contraste. As interpretações que podemos fazer das

principais direcções são:

CP1: representa o albedo (medida da reflectividade de um corpo ou de

uma superfície. É a razão entre a radiação electromagnética reflectida e a

quantidade incidente). Para o estudo, esta componente principal tem pouco

significado visto que ela representa a semelhança entre as várias bandas e nos

queremos o contrário;

CP2: Representa muitas vezes características da vegetação.

Existem interpretações específicas para cada caso em função da cobertura do solo,

da estação do ano, das condições climatéricas próximas (precipitações nos dias

anteriores, etc).

O resultado em cada uma das componentes pode ser visto na Figura 26 (primeira

componente CP1), Figura 27 (segunda componente CP2) e Figura 28 (terceira

componente CP3). A última componente, a quarta, foi analisada e não acrescentava

Banda 2

4 Bandas Do SPOT4

Banda 1

Banda 3

Banda 4 .

. . .

. . . .

CP2 CP1

∑=

=n

kkkpp NDVPI

1, *

A. Componente Principal Duas direcções principais




grande informação. Normalmente, esta última componente faz sobressair o ruído da

imagem.

Figura 26 – Resultado obtido na componente principal da ACP

Figura 27 – Resultado obtido na segunda componente principal da ACP




Figura 28 – Resultado obtido na terceira componente principal da ACP

Analisando as três componente apresentadas chegou-se às seguintes conclusões:

CP1: Imagem idêntica à original. Não acrescenta informação à inicial;

CP2: Imagem com resultados interessantes visto que apresenta uma

distribuição bem conseguida da presença/ausência de vegetação. Mais uma vez, o

norte da ilha com grandes valores de vegetação e onde se consegue distinguir

perfeitamente as estradas e ribeiras no meio desta zona. Sobressai ainda as zonas

urbanas com valores muito baixos nesta componente;

CP3: A terceira componente parece representar as zonas húmidas da ilha da

Madeira. Nesta componente salientam-se as várias ribeiras, as zonas de costa com a

rebentação das ondas. Do lado oposto, com valores reduzidos vemos as zonas

montanhosas com vegetação seca, a ponta este, uma das zonas mais áridas da Ilha.




Podemos concluir que os resultados obtidos nesta análise foram positivos,

conseguindo fazer novas discriminações entre espaços geográficos.

3.4.3. Transformação Tasseled Cap (TTC)

A Transformação “Tasseled Cap” (TTC) é outra das transformações multiespectrais

que tenta a distinguir e monitorizar as características da vegetação através das

bandas visíveis e infra-vermelho. Esta transformação foi inicialmente elaborada para

o Satélite LandSat, pelo Dep. de Agricultura dos EUA com o intuito de melhorar a

precisão de colheitas. O objectivo é assim, a partir de 4 novos eixos de dados

espectrais poder obter mais informações da vegetação.

Figura 29 – Transformação “Tasseled Cap” [Carvalho, J.; 2004]

Os novos eixos/componente criados pela TTC são:

• Brilho (Brightness): nesta componente é executada com a soma

ponderada de cada um dos canais (com excepção feita ao canal

térmico) e pode ser vista na Figura 30;

• Verde (Greeness): contraste entre as bandas do vísivel e do infra-

vermelho próximo (Figura 31);




• Humidade (wetness): é a componente que relaciona o conteúdo da

água na vegetação e no solo (Figura 32).

Figura 30 – Resultado da componente “Brilho” da TTC

Figura 31 – Resultado da componente “Verde” da TTC




Figura 32 – Resultado da componente “Humidade” da TTC

3.5. Classificação

Neste capítulo do processamento dos dados é feita a Classificação Semi-Automática

(ou Assistida) e a Classificação Automática (ou Não Assistida) da imagem de satélite a

partir da informação radiométrica existente nas várias bandas.

Apesar de o objectivo principal do trabalho ser a delimitação da Floresta Laurissilva,

optou-se pela criação de um total de 8 grupos para a Classificação Assitida. No total,

foram criados os seguintes regiões de treino, com as respectivas cores associadas na

classificação:

Nome da Região Descrição da Região Cor

Laurissilva Vegetação do tipo Laurissilva

Pasto e Vegetação

Seca Vegetação Seca usual nas zonas altas




Agricultura Zonas agrícolas, como bananal, vinhas, etc

Zona urbana Áreas urbanas e suas periferias

Oceano Zonas de alto mar, afastado da costa

Zona Seca Zonas áridas sem vegetação

Vegetação

Introduzida

Vegetação introduzida pelo humano, com especial

incidência nos anos 80/90 com a arborização de

Eucaliptos e Pinheiros

Costa Litoral Zonas próximas à costa

Foram escolhidas regiões suficientes para haver uma discriminação de um

determinado número de usos de solos para, assim, ser mais fácil a delimitação da

Floresta Laurissilva. Foi tido ainda em conta regiões com possíveis estudos futuros em

monitorizações e evoluções do seu uso.

3.5.1. Classificação Assistida

A classificação Assistida (ou Semi-Automática) consiste na classificação da imagem a

partir de áreas treino. Estas foram escolhidas e delimitadas com a ajuda de todas as

imagens criadas até este ponto, com as técnicas de Realce (Capítulo 3.3 acima) e as

Transformações Multiespectrais (Capítulo 3.4) e recorrendo ao auxilio dos

Ortofotomapas e Cartografia Base. Assim, podemos dividirr esta classificação pelas

seguintes fases de produção::

1. Definir as regiões ou classes temáticas que queremos discriminar;

2. Estudo estatístico e reconhecimento dos padrões espectrais através de

técnicas de realce e transformações espectrais;

3. Localizar na Cartografia Base e Ortofotomapas (Figura 33) exemplos

das regiões em estudo;

4. Delimitação das áreas treinos através de vectores;

5. Análise estatística das áreas treinos obtidos para cada uma das

regiões;




6. Executar a Classificação com a definição do método de Classificação

Assistida (Máxima Verosimilhança Melhorada e Standard, Distância

Mínima, Distância Mínima ao Desvio Padrão, etc) e o filtro agregação;

7. Validação da Classificação executada;

Figura 33 – Localização das várias áreas treinos através dos Ortofotomapas

Com os valores estatísticos determinados nas áreas treino, a restante imagem será

classificada por regiões tendo por base esses valores estatísticos definidos

anteriormente nessas áreas. A Figura 34 ilustra a imagem em coloração RGB, com as

Bandas 3, 2 e 1 respectivamente, e com as 8 regiões definidas.




Figura 34 – Imagem com as áreas de treino criadas para a Classificação Assistida

3.5.1.1 Estudo Estatístico das Áreas Treino

Foram calculados os Estatísticos de todas as áreas treinos das regiões em estudo. Da

totalidade dos valores descritivos, apresentada no Anexo II, podemos salientar os

seguintes:




-Região Agricultura:

Band1 Band2 Band3 Band4 Minimum 134.000 96.000 128.000 133.000 Maximum 178.000 158.000 222.000 246.000 Mean 149.536 113.928 185.228 177.232 Median 149.000 112.000 186.000 171.000

- Região Zona Seca

Band1 Band2 Band3 Band4 Minimum 149.000 128.000 49.000 98.000 Maximum 254.000 254.000 254.000 254.000 Mean 209.406 224.544 90.942 202.871 Median 207.000 226.000 86.000 203.000 Std. Dev. 19.248 21.237 21.306 40.131

- Região Oceano


- Região Vegetação Introduzida


- Região Costa

Band1 Band2 Band3 Band4 Minimum 98.000 51.000 8.000 10.000 Maximum 153.000 115.000 18.000 28.000 Mean 111.601 60.554 10.543 16.445




Median 109.000 59.000 11.000 17.000 Std. Dev. 9.168 7.589 1.305 3.920

- Região Urbano


- Região Veg Seca/Pasto


- Região LSilva


Para além dos valores descritivos atrás, podemos ainda analisar o Scattergram de

cada uma das regiões, escolhendo qual das bandas a utilizar no gráfico. Para esta

análise, foram definidos a Banda2 para o eixo dos XX e a Banda3 para o eixo dos YY.

As regiões em estudo foram o Oceano (Figura 35), a Costa (Figura 36), a Floresta

Laurissilva (Figura 37), a Vegetação Seca e Pasto (Figura 38).




Figura 35 – Resultado do Scattergram para a região Oceano

Figura 36 – Resultado do Scattergram para a região Costa




Figura 37 – Resultado do Scattergram para a região do LSilva

Figura 38 – Resultado do Scattergram para a região da Vegetação Seca e Pasto




Para além da análise estatística atrás descrita, podemos ainda estudar as regiões

pelas áreas totais respeitantes a cada área treino (Quadro 6) e a distância entre cada

classe (Quadro 7).

Quadro 6 – Quadro com os valores das áreas utilizadas para a definição das várias áreas treino

Agricult Costa LSilva Oceano Urbano Veget. Introd

Veget. Seca

Zona Seca

AgriCult 0.000 42.360 8.287 78.137 6.447 6.056 8.525 11.027Costa 42.360 0.000 14.106 9.412 27.996 19.791 40.483 25.967LSilva 8.287 14.106 0.000 26.795 7.728 2.174 9.892 12.318Oceano 78.137 9.412 26.795 0.000 57.378 37.455 89.768 58.672Urbano 6.447 27.996 7.728 57.378 0.000 6.235 3.376 1.827 V Introd 6.056 19.791 2.174 37.455 6.235 0.000 7.798 10.322V Seca 8.525 40.483 9.892 89.768 3.376 7.798 0.000 5.179 Z. Seca 11.027 25.967 12.318 58.672 1.827 10.322 5.179 0.000

Quadro 7 – Distância média entre as diversas regiões

3.5.1.2 Resultados Obtidos

Depois de testados os vários métodos de Classificação Assistida, escolheu-se o

método de Máxima Verosimilhança Standard visto ter sido o que obteve melhores

resultados de classificação das regiões. Há classificação final aplicou-se o filtro

Majoraty.c com uma matriz de 5x5, ficando a imagem com as regiões mais

homogéneas e eliminando as estruturas de pequenas dimensões. O resultado obtido

pode ser visto na Figura 39.

Class/Region Hectares Sq. Km Acres Sq. Miles ------------ -------- ------ ----- --------- Agricultura 11.040 0.110 27.280 0.043 Costa 285.36 2.854 705.140 1.102 LSilva 1599.160 15.992 3951.611 6.174 Oceano 44076.880 440.769 108916.351 170.182 Urban 151.640 1.516 374.711 0.585 Veg introduzida 334.640 3.346 826.914 1.292 Veg Seca/Pasto 471.760 4.718 1165.744 1.821 Zona Seca 130.920 1.309 323.510 0.505 All 619030.720 6190.307 1529658.337 2390.091




Figura 39 – Resultado obtido na Classificação Assistida

Todos os valores estatísticos da classificação realizada podem ser visualizada no

Anexo II.

3.5.2. Classificação Automática

O outro tipo de classificação é a Automática ou Não supervisionada, que como o

próprio nome indica, deixa de ser supervisionada pelo analista ou operador.

Deixamos assim de definir as áreas treinos especificando unicamente o número de

Clusters ou grupos que queremos obter no final da classificação, podendo ainda

definir os parâmetros relativos à distância entre os grupos e a variação dentro de

cada grupo.

Os parâmetros utilizados na Classificação Não Supervisionada podem ser visto na

Figura 40. Podemos ressaltar o número de classes iniciais iguais aos da classificação




Assistida, ou seja 8 regiões, número máximo de iterações 20, percentagem de

elementos não alterados 98% e o número máximo de classes 10. A classificação foi

atingida após valor de elementos não alterado ter sido alcançado (98.17%) após 8

iterações e com o número de classes máximo atingido (como pode ser visto na Figura

41).

Figura 40 – Parâmetros utilizados na Classificação Não Supervisionada

Figura 41 – Número de iterações necessárias para atingir a classificação os parâmetros

definidos




3.5.2.1 Resultados Obtidos

Após realização da classificação passou-se à denominação de cada cluster e fazer

corresponder uma cor. Os grupos obtidos e as suas características estão descritas na

Figura 42.

Figura 42 – Características dos Clusters obtidos na Classificação Automática

A imagem da classificação está apresentada na Figura 43. Esta imagem tem a

aplicação do filtro Majoraty.c e o resultado obtido não foi o melhor, isto porque a

vegetação Laurissilva não foi, de todo, delimitada com esta técnica. Um resultado

interessante foi a obtenção de uma linha de costa bem definida (a amarelo) que

contorna a costa do lado Sul. No lado norte essa delimitação não aconteceu, isto

talvez por existir maior ondulação desse lado ou o próprio limite ser de natureza

diferente. No Clusters da agricultura obteve-se bom resultado, assim como na




vegetação seca. O Anexo III descreve os estatísticos obtidos na Classificação

Automática

Figura 43 – Imagem do resultado obtido com a Classificação Automática

3.6. Validação da Classificação

3.6.1. Validação da Classificação Assistida

A primeira técnica que podemos utilizar é verificar se as áreas de treino foram bem

definidas. Juntamente com o scattergram podemos desenhar a elipse da

probabilidade de um pixel ser associado a uma região com um nível de confiança de

95% e a média de cada uma das áreas treino. Esta informação pode ser vista na

Figura 44, utilizando novamente a Banda 2 e a Banda 3.




Figura 44 – Scattergram com elipse de um pixel pertencer a cada uma das regiões com um

nível de confianças de 95 % e a média de cada área treino nadas bandas 2 e 3

Podemos concluir a área treino da região “Urbano” tem uma elipse grande demais,

podendo ser melhorada. Mas tem a sua lógica ser assim, visto que a zona urbana

contempla vegetação (como jardins), ribeiras, zonas industriais, casas, ect. A região

“Zonas secas” também merecia uma melhoria de delimitação das áreas treino. Em

relação as duas vegetações definidas (Laurissilva e a Introduzida), apesar de existir

diferença na elipse e na média, talvez se pudesse melhorar a sua definição nas

respectivas áreas treinos.




Uma das alterações que podia ser feita era uma diminuição da área das áreas treinos

mas um aumento do seu número. Desta forma, talvez se conseguisse discriminar

melhor cada uma das regiões em estudo.

Para validar a classificação podemos utilizar a matriz de confusão que compara o

resultado da classificação com uma amostra de pontos terrenos “verdadeiros” ou

com outra classificação. Podemos, desta maneira, usar a matriz de confusão para

obtermos um indicador de precisão da classificação. Nesta matriz as linhas

representa as classes reais e as colunas representam as classes deduzidas da

classificação.

Na Figura 45 temos um exemplo de uma associação mal feita na Classificação

Automática. Temos a cidade do Funchal classificada como zona seca e as redondezas

classificadas (e bem) como zonas urbanas. Esta classificação errónea talvez se tenha

dado pela ausência ou reduzidas áreas de jardins na zona do centro enquanto que nas

redondezas haja as casas com os quintais e casas mais dispersas.

Figura 45– Exemplo da incorrecta classificação no cidade do Funchal



Conclusões 58

4. Conclusões

Como conclusão do trabalho realizado, podemos considerar que atingimos os

objectivos a que nos propusemos. Conseguimos obter um GRID que, para além de

discriminar a floresta Laurissilva, delimita ainda outras regiões de interesse para

futura monitorização e estudo. Conseguiu-se obter duas Classificações, a Assistida e a

Automática. Em relação à primeira o resultado foi, de um modo geral, positivo. No

que diz respeito à Classificação Automática, o resultado obtido na delimitação da

Floresta Laurissilva foi muito negativo visto que não se conseguiu uma zona

homogénea dessa floresta, havendo muita “confusão” com a Floresta Introduzida,

isto porque as duas regiões têm características espectrais idênticas. Mas por outro

lado, conseguimos criar uma nova região que é a linha de costa.

No que diz respeito à área da Floresta Laurissilva, a Classificação Assistida obteve um

total de 20679.640 Ha (ver em Anexo II), não muito longe do “oficialmente”

estipulado, perto de 15 Ha. Mas não se sabe qual o método utilizado neste cálculo e

qual a sua data.

Em relação as restantes regiões, estas poderiam merecer melhor discussão e uma

melhoria das áreas treino. Principalmente áreas tão difíceis de definir como as zonas

urbanas.

Conseguiu-se ainda fazer uma análise pormenorizada dos dados estatísticos e da

imagem inicial, o que nos permitiu executar a classificação de um modo mais

expedito e eficaz.

Assim, penso que foi conseguido a implementação de um estudo a partir dos

conceitos teóricos e práticos estudados e desenvolvidos durante as aulas da cadeira

de Detecção Remota.



Conclusões 59

5. Bibliografia

Carvalho, Júlia. Introdução ao ER Mapper. Documento não Editado;

Carvalho, Júlia. (2004 ) Detecção Remota. Documento não Editado;

Reis, Elizabeth. (2001, 2º edição) Estatística Multivariada Aplicada. Edições Sílabo,

343p.;

Rosário, Lúcios; Pereira, Maria João. (1999) Caracterização Espacial da Laurissilva da

Ilha da Madeira com Recurso às Imagens SPOT. Seminário Interno do CMRP

http://www.cartesia.org/ Site acedido em Março de 2006;

http://rst.gsfc.nasa.gov/ Site acedido em Março de 2006;

http://ccrs.nrcan.gc.ca/index_e.php Site acedido em Março de 2006;



Anexo I 60

Anexo I

Descrição dos Estatísticos

das Áreas Treino



Anexo I 61

STATISTICS FOR DATASET: madeira_Luis.ers REGION: Agricultura Band1 Band2 Band3 Band4 ----- ----- ----- ----- Non-Null Cells 276 276 276 276 Area In Hectares 11.040 11.040 11.040 11.040 Area In Acres 27.280 27.280 27.280 27.280 Minimum 134.000 96.000 128.000 133.000 Maximum 178.000 158.000 222.000 246.000 Mean 149.536 113.928 185.228 177.232 Median 149.000 112.000 186.000 171.000 Std. Dev. 5.611 9.358 15.773 26.648 Std. Dev. (n-1) 5.622 9.375 15.802 26.696 Corr. Eigenval. 2.428 0.915 0.546 0.112 Cov. Eigenval. 809.621 185.799 80.965 5.509 Correlation Matrix Band1 Band2 Band3 Band4 ------------------ ----- ----- ----- ----- Band1 1.000 0.863 -0.258 0.319 Band2 0.863 1.000 -0.435 0.463 Band3 -0.258 -0.435 1.000 -0.452 Band4 0.319 0.463 -0.452 1.000 Determinant 0.136 Corr. Eigenvectors PC1 PC2 PC3 PC4 ------------------ ----- ----- ----- ----- Band1 0.531 0.540 0.033 -0.652 Band2 0.591 0.311 0.059 0.742 Band3 -0.416 0.607 -0.665 0.130 Band4 0.442 -0.493 -0.744 -0.086 Inv. of Corr. Ev. PC1 PC2 PC3 PC4 ----------------- ----- ----- ----- ----- Band1 0.531 0.591 -0.416 0.442 Band2 0.540 0.311 0.607 -0.493 Band3 0.033 0.059 -0.665 -0.744 Band4 -0.652 0.742 0.130 -0.086 Covariance Matrix Band1 Band2 Band3 Band4 ----------------- ----- ----- ----- ----- Band1 31.602 45.464 -22.948 47.912 Band2 45.464 87.886 -64.387 115.810 Band3 -22.948 -64.387 249.704 -190.631 Band4 47.912 115.810 -190.631 712.702 Determinant 67099219.579 Cov. Eigenvectors PC1 PC2 PC3 PC4 ----------------- ----- ----- ----- ----- Band1 0.077 0.073 -0.519 -0.848 Band2 0.183 0.186 -0.809 0.528 Band3 -0.337 -0.905 -0.254 0.047



Anexo I 62

Band4 0.920 -0.375 0.111 -0.016 Inv. of Cov. Ev. PC1 PC2 PC3 PC4 ---------------- ----- ----- ----- ----- Band1 0.077 0.183 -0.337 0.920 Band2 0.073 0.186 -0.905 -0.375 Band3 -0.519 -0.809 -0.254 0.111 Band4 -0.848 0.528 0.047 -0.016 REGION: Zona Seca Band1 Band2 Band3 Band4 ----- ----- ----- ----- Non-Null Cells 3273 3273 3273 3273 Area In Hectares 130.920 130.920 130.920 130.920 Area In Acres 323.510 323.510 323.510 323.510 Minimum 149.000 128.000 49.000 98.000 Maximum 254.000 254.000 254.000 254.000 Mean 209.406 224.544 90.942 202.871 Median 207.000 226.000 86.000 203.000 Std. Dev. 19.248 21.237 21.306 40.131 Std. Dev. (n-1) 19.251 21.240 21.309 40.137 Corr. Eigenval. 2.629 0.747 0.496 0.128 Cov. Eigenval. 2062.485 490.021 280.247 54.028 Correlation Matrix Band1 Band2 Band3 Band4 ------------------ ----- ----- ----- ----- Band1 1.000 0.830 0.526 0.432 Band2 0.830 1.000 0.383 0.522 Band3 0.526 0.383 1.000 0.544 Band4 0.432 0.522 0.544 1.000 Determinant 0.125 Corr. Eigenvectors PC1 PC2 PC3 PC4 ------------------ ----- ----- ----- ----- Band1 0.541 -0.424 0.274 -0.672 Band2 0.532 -0.493 -0.194 0.661 Band3 0.455 0.584 0.623 0.252 Band4 0.466 0.486 -0.706 -0.220 Inv. of Corr. Ev. PC1 PC2 PC3 PC4 ----------------- ----- ----- ----- ----- Band1 0.541 0.532 0.455 0.466 Band2 -0.424 -0.493 0.584 0.486 Band3 0.274 -0.194 0.623 -0.706 Band4 -0.672 0.661 0.252 -0.220 Covariance Matrix Band1 Band2 Band3 Band4 ----------------- ----- ----- ----- ----- Band1 370.603 339.245 215.647 333.438 Band2 339.245 451.144 173.313 444.596



Anexo I 63

Band3 215.647 173.313 454.066 464.867 Band4 333.438 444.596 464.867 1610.968 Determinant 15302577678.077 Cov. Eigenvectors PC1 PC2 PC3 PC4 ----------------- ----- ----- ----- ----- Band1 0.273 -0.619 0.033 -0.736 Band2 0.326 -0.586 0.392 0.630 Band3 0.317 -0.181 -0.902 0.229 Band4 0.848 0.491 0.176 -0.091 Inv. of Cov. Ev. PC1 PC2 PC3 PC4 ---------------- ----- ----- ----- ----- Band1 0.273 0.326 0.317 0.848 Band2 -0.619 -0.586 -0.181 0.491 Band3 0.033 0.392 -0.902 0.176 Band4 -0.736 0.630 0.229 -0.091 REGION: Oceano Band1 Band2 Band3 Band4 ----- ----- ----- ----- Non-Null Cells 1101922 1101922 1101922 1101922 Area In Hectares 44076.880 44076.880 44076.880 44076.880 Area In Acres 108916.351 108916.351 108916.351 108916.351 Minimum 94.000 47.000 5.000 1.000 Maximum 122.000 72.000 11.000 14.000 Mean 98.521 50.908 6.651 5.102 Median 99.000 51.000 7.000 5.000 Std. Dev. 1.166 1.386 0.501 0.809 Std. Dev. (n-1) 1.166 1.386 0.501 0.809 Corr. Eigenval. 2.632 0.758 0.366 0.243 Cov. Eigenval. 3.124 0.546 0.405 0.110 Correlation Matrix Band1 Band2 Band3 Band4 ------------------ ----- ----- ----- ----- Band1 1.000 0.730 0.629 0.411 Band2 0.730 1.000 0.715 0.359 Band3 0.629 0.715 1.000 0.334 Band4 0.411 0.359 0.334 1.000 Determinant 0.178 Corr. Eigenvectors PC1 PC2 PC3 PC4 ------------------ ----- ----- ----- ----- Band1 0.539 -0.102 0.680 0.487 Band2 0.550 -0.248 0.093 -0.792 Band3 0.523 -0.275 -0.719 0.366 Band4 0.364 0.923 -0.114 -0.050 Inv. of Corr. Ev. PC1 PC2 PC3 PC4 ----------------- ----- ----- ----- ----- Band1 0.539 0.550 0.523 0.364



Anexo I 64

Band2 -0.102 -0.248 -0.275 0.923 Band3 0.680 0.093 -0.719 -0.114 Band4 0.487 -0.792 0.366 -0.050 Covariance Matrix Band1 Band2 Band3 Band4 ----------------- ----- ----- ----- ----- Band1 1.361 1.179 0.367 0.388 Band2 1.179 1.920 0.496 0.403 Band3 0.367 0.496 0.251 0.135 Band4 0.388 0.403 0.135 0.655 Determinant 0.076 Cov. Eigenvectors PC1 PC2 PC3 PC4 ----------------- ----- ----- ----- ----- Band1 0.592 0.199 0.777 -0.080 Band2 0.744 -0.415 -0.482 -0.208 Band3 0.215 -0.044 -0.051 0.974 Band4 0.226 0.887 -0.402 -0.031 Inv. of Cov. Ev. PC1 PC2 PC3 PC4 ---------------- ----- ----- ----- ----- Band1 0.592 0.744 0.215 0.226 Band2 0.199 -0.415 -0.044 0.887 Band3 0.777 -0.482 -0.051 -0.402 Band4 -0.080 -0.208 0.974 -0.031 REGION: Veg introduzida Band1 Band2 Band3 Band4 ----- ----- ----- ----- Non-Null Cells 8366 8366 8366 8366 Area In Hectares 334.640 334.640 334.640 334.640 Area In Acres 826.914 826.914 826.914 826.914 Minimum 87.000 51.000 25.000 29.000 Maximum 180.000 204.000 254.000 254.000 Mean 115.729 87.764 117.989 126.879 Median 114.000 84.000 113.000 114.000 Std. Dev. 10.399 15.190 28.642 40.770 Std. Dev. (n-1) 10.399 15.191 28.643 40.772 Corr. Eigenval. 3.069 0.783 0.104 0.044 Cov. Eigenval. 2312.601 446.955 55.659 6.525 Correlation Matrix Band1 Band2 Band3 Band4 ------------------ ----- ----- ----- ----- Band1 1.000 0.931 0.480 0.874 Band2 0.931 1.000 0.283 0.810 Band3 0.480 0.283 1.000 0.651 Band4 0.874 0.810 0.651 1.000 Determinant 0.011 Corr. Eigenvectors PC1 PC2 PC3 PC4



Anexo I 65

------------------ ----- ----- ----- ----- Band1 0.548 -0.224 0.428 -0.683 Band2 0.512 -0.466 0.205 0.692 Band3 0.370 0.852 0.306 0.209 Band4 0.548 0.084 -0.825 -0.104 Inv. of Corr. Ev. PC1 PC2 PC3 PC4 ----------------- ----- ----- ----- ----- Band1 0.548 0.512 0.370 0.548 Band2 -0.224 -0.466 0.852 0.084 Band3 0.428 0.205 0.306 -0.825 Band4 -0.683 0.692 0.209 -0.104 Covariance Matrix Band1 Band2 Band3 Band4 ----------------- ----- ----- ----- ----- Band1 108.149 147.084 142.883 370.417 Band2 147.084 230.776 123.338 501.910 Band3 142.883 123.338 820.439 760.493 Band4 370.417 501.910 760.493 1662.376 Determinant 375377583.543 Cov. Eigenvectors PC1 PC2 PC3 PC4 ----------------- ----- ----- ----- ----- Band1 0.186 0.162 -0.456 -0.855 Band2 0.241 0.381 -0.730 0.514 Band3 0.462 -0.850 -0.242 0.069 Band4 0.833 0.325 0.448 0.004 Inv. of Cov. Ev. PC1 PC2 PC3 PC4 ---------------- ----- ----- ----- ----- Band1 0.186 0.241 0.462 0.833 Band2 0.162 0.381 -0.850 0.325 Band3 -0.456 -0.730 -0.242 0.448 Band4 -0.855 0.514 0.069 0.004 REGION: Costa Band1 Band2 Band3 Band4 ----- ----- ----- ----- Non-Null Cells 7134 7134 7134 7134 Area In Hectares 285.360 285.360 285.360 285.360 Area In Acres 705.140 705.140 705.140 705.140 Minimum 98.000 51.000 8.000 10.000 Maximum 153.000 115.000 18.000 28.000 Mean 111.601 60.554 10.543 16.445 Median 109.000 59.000 11.000 17.000 Std. Dev. 9.168 7.589 1.305 3.920 Std. Dev. (n-1) 9.168 7.590 1.305 3.920 Corr. Eigenval. 2.928 0.909 0.095 0.068 Cov. Eigenval. 138.486 14.869 5.172 0.205



Anexo I 66

Correlation Matrix Band1 Band2 Band3 Band4 ------------------ ----- ----- ----- ----- Band1 1.000 0.907 0.593 0.313 Band2 0.907 1.000 0.715 0.440 Band3 0.593 0.715 1.000 0.855 Band4 0.313 0.440 0.855 1.000 Determinant 0.017 Corr. Eigenvectors PC1 PC2 PC3 PC4 ------------------ ----- ----- ----- ----- Band1 0.486 -0.543 -0.568 -0.383 Band2 0.529 -0.390 0.391 0.644 Band3 0.540 0.328 0.530 -0.566 Band4 0.439 0.667 -0.494 0.344 Inv. of Corr. Ev. PC1 PC2 PC3 PC4 ----------------- ----- ----- ----- ----- Band1 0.486 0.529 0.540 0.439 Band2 -0.543 -0.390 0.328 0.667 Band3 -0.568 0.391 0.530 -0.494 Band4 -0.383 0.644 -0.566 0.344 Covariance Matrix Band1 Band2 Band3 Band4 ----------------- ----- ----- ----- ----- Band1 84.061 63.120 7.095 11.258 Band2 63.120 57.601 7.079 13.082 Band3 7.095 7.079 1.704 4.374 Band4 11.258 13.082 4.374 15.367 Determinant 2185.069 Cov. Eigenvectors PC1 PC2 PC3 PC4 ----------------- ----- ----- ----- ----- Band1 0.764 -0.332 -0.553 0.001 Band2 0.625 0.179 0.756 0.068 Band3 0.076 0.216 -0.027 -0.973 Band4 0.139 0.900 -0.348 0.221 Inv. of Cov. Ev. PC1 PC2 PC3 PC4 ---------------- ----- ----- ----- ----- Band1 0.764 0.625 0.076 0.139 Band2 -0.332 0.179 0.216 0.900 Band3 -0.553 0.756 -0.027 -0.348 Band4 0.001 0.068 -0.973 0.221 REGION: Urbano Band1 Band2 Band3 Band4 ----- ----- ----- ----- Non-Null Cells 3791 3791 3791 3791 Area In Hectares 151.640 151.640 151.640 151.640 Area In Acres 374.711 374.711 374.711 374.711 Minimum 119.000 87.000 45.000 97.000



Anexo I 67

Maximum 254.000 254.000 222.000 254.000 Mean 189.080 191.870 115.158 209.008 Median 189.000 195.000 115.000 212.000 Std. Dev. 30.335 42.136 19.533 33.884 Std. Dev. (n-1) 30.339 42.141 19.535 33.888 Corr. Eigenval. 2.591 1.085 0.243 0.081 Cov. Eigenval. 3340.866 584.166 199.060 102.288 Correlation Matrix Band1 Band2 Band3 Band4 ------------------ ----- ----- ----- ----- Band1 1.000 0.903 0.026 0.686 Band2 0.903 1.000 -0.011 0.754 Band3 0.026 -0.011 1.000 0.351 Band4 0.686 0.754 0.351 1.000 Determinant 0.055 Corr. Eigenvectors PC1 PC2 PC3 PC4 ------------------ ----- ----- ----- ----- Band1 0.575 -0.203 0.546 -0.575 Band2 0.588 -0.221 0.110 0.770 Band3 0.128 0.926 0.335 0.120 Band4 0.555 0.231 -0.760 -0.249 Inv. of Corr. Ev. PC1 PC2 PC3 PC4 ----------------- ----- ----- ----- ----- Band1 0.575 0.588 0.128 0.555 Band2 -0.203 -0.221 0.926 0.231 Band3 0.546 0.110 0.335 -0.760 Band4 -0.575 0.770 0.120 -0.249 Covariance Matrix Band1 Band2 Band3 Band4 ----------------- ----- ----- ----- ----- Band1 920.449 1154.413 15.396 705.600 Band2 1154.413 1775.888 -8.771 1076.399 Band3 15.396 -8.771 381.634 232.649 Band4 705.600 1076.399 232.649 1148.409 Determinant 39737899989.568 Cov. Eigenvectors PC1 PC2 PC3 PC4 ----------------- ----- ----- ----- ----- Band1 0.487 -0.240 0.489 -0.683 Band2 0.709 -0.310 0.026 0.633 Band3 0.040 0.692 0.670 0.266 Band4 0.509 0.606 -0.557 -0.250 Inv. of Cov. Ev. PC1 PC2 PC3 PC4 ---------------- ----- ----- ----- ----- Band1 0.487 0.709 0.040 0.509 Band2 -0.240 -0.310 0.692 0.606 Band3 0.489 0.026 0.670 -0.557 Band4 -0.683 0.633 0.266 -0.250



Anexo I 68

REGION: Veg Seca/Pasto Band1 Band2 Band3 Band4 ----- ----- ----- ----- Non-Null Cells 11794 11794 11794 11794 Area In Hectares 471.760 471.760 471.760 471.760 Area In Acres 1165.744 1165.744 1165.744 1165.744 Minimum 98.000 77.000 43.000 93.000 Maximum 227.000 254.000 149.000 254.000 Mean 151.722 159.722 88.904 250.636 Median 152.000 159.000 87.000 253.000 Std. Dev. 14.927 19.199 13.499 11.551 Std. Dev. (n-1) 14.927 19.199 13.499 11.552 Corr. Eigenval. 2.025 1.148 0.762 0.064 Cov. Eigenval. 581.146 195.619 112.524 17.827 Correlation Matrix Band1 Band2 Band3 Band4 ------------------ ----- ----- ----- ----- Band1 1.000 0.931 0.034 0.175 Band2 0.931 1.000 0.128 0.187 Band3 0.034 0.128 1.000 0.230 Band4 0.175 0.187 0.230 1.000 Determinant 0.114 Corr. Eigenvectors PC1 PC2 PC3 PC4 ------------------ ----- ----- ----- ----- Band1 0.665 -0.252 0.031 -0.703 Band2 0.674 -0.181 0.109 0.708 Band3 0.168 0.731 0.658 -0.074 Band4 0.274 0.608 -0.745 0.008 Inv. of Corr. Ev. PC1 PC2 PC3 PC4 ----------------- ----- ----- ----- ----- Band1 0.665 0.674 0.168 0.274 Band2 -0.252 -0.181 0.731 0.608 Band3 0.031 0.109 0.658 -0.745 Band4 -0.703 0.708 -0.074 0.008 Covariance Matrix Band1 Band2 Band3 Band4 ----------------- ----- ----- ----- ----- Band1 222.825 266.736 6.752 30.226 Band2 266.736 368.618 33.214 41.472 Band3 6.752 33.214 182.229 35.857 Band4 30.226 41.472 35.857 133.444 Determinant 228039195.076 Cov. Eigenvectors PC1 PC2 PC3 PC4 ----------------- ----- ----- ----- ----- Band1 0.598 -0.140 -0.000 -0.789 Band2 0.788 -0.055 0.092 0.607 Band3 0.087 0.898 0.421 -0.094 Band4 0.120 0.413 -0.903 0.018



Anexo I 69

Inv. of Cov. Ev. PC1 PC2 PC3 PC4 ---------------- ----- ----- ----- ----- Band1 0.598 0.788 0.087 0.120 Band2 -0.140 -0.055 0.898 0.413 Band3 -0.000 0.092 0.421 -0.903 Band4 -0.789 0.607 -0.094 0.018 REGION: LSilva Band1 Band2 Band3 Band4 ----- ----- ----- ----- Non-Null Cells 24975 24975 24975 24975 Area In Hectares 999.000 999.000 999.000 999.000 Area In Acres 2468.583 2468.583 2468.583 2468.583 Minimum 74.000 40.000 6.000 10.000 Maximum 168.000 153.000 243.000 253.000 Mean 101.811 65.587 102.997 99.158 Median 101.000 64.000 102.000 95.000 Std. Dev. 12.426 13.224 45.176 43.466 Std. Dev. (n-1) 12.427 13.224 45.177 43.467 Corr. Eigenval. 3.631 0.277 0.072 0.020 Cov. Eigenval. 3967.665 243.617 44.945 3.459 Correlation Matrix Band1 Band2 Band3 Band4 ------------------ ----- ----- ----- ----- Band1 1.000 0.952 0.855 0.949 Band2 0.952 1.000 0.740 0.870 Band3 0.855 0.740 1.000 0.888 Band4 0.949 0.870 0.888 1.000 Determinant 0.001 Corr. Eigenvectors PC1 PC2 PC3 PC4 ------------------ ----- ----- ----- ----- Band1 0.518 -0.212 -0.012 -0.829 Band2 0.491 -0.626 0.391 0.462 Band3 0.479 0.740 0.461 0.103 Band4 0.511 0.124 -0.796 0.299 Inv. of Corr. Ev. PC1 PC2 PC3 PC4 ----------------- ----- ----- ----- ----- Band1 0.518 0.491 0.479 0.511 Band2 -0.212 -0.626 0.740 0.124 Band3 -0.012 0.391 0.461 -0.796 Band4 -0.829 0.462 0.103 0.299 Covariance Matrix Band1 Band2 Band3 Band4 ----------------- ----- ----- ----- ----- Band1 154.422 156.519 479.983 512.871 Band2 156.519 174.871 441.892 500.335 Band3 479.983 441.892 2040.992 1744.533



Anexo I 70

Band4 512.871 500.335 1744.533 1889.401 Determinant 150285882.810 Cov. Eigenvectors PC1 PC2 PC3 PC4 ----------------- ----- ----- ----- ----- Band1 0.185 0.183 -0.413 -0.873 Band2 0.177 0.286 -0.810 0.481 Band3 0.695 -0.714 -0.079 0.035 Band4 0.672 0.612 0.410 0.077 Inv. of Cov. Ev. PC1 PC2 PC3 PC4 ---------------- ----- ----- ----- ----- Band1 0.185 0.177 0.695 0.672 Band2 0.183 0.286 -0.714 0.612 Band3 -0.413 -0.810 -0.079 0.410 Band4 -0.873 0.481 0.035 0.077 REGION: All Band1 Band2 Band3 Band4 ----- ----- ----- ----- Null Cells 4364140 4364140 4364140 4364140 Non-Null Cells 11111628 11111628 11111628 11111628 Area In Hectares 444465.120 444465.120 444465.120 444465.120 Area In Acres 1098297.313 1098297.313 1098297.313 1098297.313 Minimum 64.000 30.000 1.000 1.000 Maximum 254.000 254.000 254.000 254.000 Mean 105.788 63.071 23.937 31.799 Median 100.000 52.000 7.000 6.000 Std. Dev. 20.184 30.533 40.065 61.515 Std. Dev. (n-1) 20.184 30.533 40.065 61.515 Corr. Eigenval. 3.490 0.437 0.058 0.015 Cov. Eigenval. 6205.540 406.330 105.338 11.737 Correlation Matrix Band1 Band2 Band3 Band4 ------------------ ----- ----- ----- ----- Band1 1.000 0.966 0.669 0.793 Band2 0.966 1.000 0.740 0.878 Band3 0.669 0.740 1.000 0.927 Band4 0.793 0.878 0.927 1.000 Determinant 0.001 Corr. Eigenvectors PC1 PC2 PC3 PC4 ------------------ ----- ----- ----- ----- Band1 0.492 -0.567 0.448 -0.486 Band2 0.514 -0.384 -0.275 0.716 Band3 0.477 0.656 0.543 0.218 Band4 0.516 0.317 -0.655 -0.452 Inv. of Corr. Ev. PC1 PC2 PC3 PC4 ----------------- ----- ----- ----- ----- Band1 0.492 0.514 0.477 0.516



Anexo I 71

Band2 -0.567 -0.384 0.656 0.317 Band3 0.448 -0.275 0.543 -0.655 Band4 -0.486 0.716 0.218 -0.452 Covariance Matrix Band1 Band2 Band3 Band4 ----------------- ----- ----- ----- ----- Band1 407.397 595.115 540.680 984.366 Band2 595.115 932.236 904.939 1648.419 Band3 540.680 904.939 1605.225 2285.895 Band4 984.366 1648.419 2285.895 3784.087 Determinant 3117357733.663 Cov. Eigenvectors PC1 PC2 PC3 PC4 ----------------- ----- ----- ----- ----- Band1 0.212 -0.508 0.393 -0.736 Band2 0.349 -0.641 0.205 0.652 Band3 0.480 0.571 0.659 0.097 Band4 0.777 0.074 -0.607 -0.152 Inv. of Cov. Ev. PC1 PC2 PC3 PC4 ---------------- ----- ----- ----- ----- Band1 0.212 0.349 0.480 0.777 Band2 -0.508 -0.641 0.571 0.074 Band3 0.393 0.205 0.659 -0.607 Band4 -0.736 0.652 0.097 -0.152



Anexo II 72

Anexo II


da regiões obtidas

da Classificação Assistida



Anexo II 73

STATISTICS FOR DATASET: madeira_Luis.ers (using LMadeira_Max_like_Class.ers classes/regions) REGION: All Band1 Band2 Band3 Band4 ----- ----- ----- ----- Null Cells 4364140 4364140 4364140 4364140 Non-Null Cells 11111628 11111628 11111628 11111628 Area In Hectares 444465.120 444465.120 444465.120 444465.120 Area In Acres 1098297.313 1098297.313 1098297.313 1098297.313 Minimum 64.000 30.000 1.000 1.000 Maximum 254.000 254.000 254.000 254.000 Mean 105.788 63.071 23.937 31.799 Median 100.000 52.000 7.000 6.000 Std. Dev. 20.184 30.533 40.065 61.515 Std. Dev. (n-1) 20.184 30.533 40.065 61.515 Corr. Eigenval. 3.490 0.437 0.058 0.015 Cov. Eigenval. 6205.540 406.330 105.338 11.737 Correlation Matrix Band1 Band2 Band3 Band4 ------------------ ----- ----- ----- ----- Band1 1.000 0.966 0.669 0.793 Band2 0.966 1.000 0.740 0.878 Band3 0.669 0.740 1.000 0.927 Band4 0.793 0.878 0.927 1.000 Determinant 0.001 Corr. Eigenvectors PC1 PC2 PC3 PC4 ------------------ ----- ----- ----- ----- Band1 0.492 -0.567 0.448 -0.486 Band2 0.514 -0.384 -0.275 0.716 Band3 0.477 0.656 0.543 0.218 Band4 0.516 0.317 -0.655 -0.452 Inv. of Corr. Ev. PC1 PC2 PC3 PC4 ----------------- ----- ----- ----- ----- Band1 0.492 0.514 0.477 0.516 Band2 -0.567 -0.384 0.656 0.317 Band3 0.448 -0.275 0.543 -0.655 Band4 -0.486 0.716 0.218 -0.452 Covariance Matrix Band1 Band2 Band3 Band4 ----------------- ----- ----- ----- ----- Band1 407.397 595.115 540.680 984.366 Band2 595.115 932.236 904.939 1648.419 Band3 540.680 904.939 1605.225 2285.895 Band4 984.366 1648.419 2285.895 3784.087 Determinant 3117357733.663 Cov. Eigenvectors PC1 PC2 PC3 PC4 ----------------- ----- ----- ----- ----- Band1 0.212 -0.508 0.393 -0.736



Anexo II 74

Band2 0.349 -0.641 0.205 0.652 Band3 0.480 0.571 0.659 0.097 Band4 0.777 0.074 -0.607 -0.152 Inv. of Cov. Ev. PC1 PC2 PC3 PC4 ---------------- ----- ----- ----- ----- Band1 0.212 0.349 0.480 0.777 Band2 -0.508 -0.641 0.571 0.074 Band3 0.393 0.205 0.659 -0.607 Band4 -0.736 0.652 0.097 -0.152 REGION: Agricultura Band1 Band2 Band3 Band4 ----- ----- ----- ----- Non-Null Cells 82900 82900 82900 82900 Area In Hectares 3316.000 3316.000 3316.000 3316.000 Area In Acres 8194.015 8194.015 8194.015 8194.015 Minimum 122.000 73.000 98.000 103.000 Maximum 180.000 158.000 254.000 254.000 Mean 150.853 121.140 165.831 205.279 Median 151.000 121.000 164.000 207.000 Std. Dev. 8.233 13.158 19.983 28.597 Std. Dev. (n-1) 8.233 13.159 19.983 28.597 Corr. Eigenval. 2.244 0.994 0.664 0.098 Cov. Eigenval. 904.206 381.663 162.209 9.971 Correlation Matrix Band1 Band2 Band3 Band4 ------------------ ----- ----- ----- ----- Band1 1.000 0.880 -0.031 0.387 Band2 0.880 1.000 -0.193 0.500 Band3 -0.031 -0.193 1.000 -0.157 Band4 0.387 0.500 -0.157 1.000 Determinant 0.146 Corr. Eigenvectors PC1 PC2 PC3 PC4 ------------------ ----- ----- ----- ----- Band1 0.596 -0.278 0.351 -0.666 Band2 0.634 -0.086 0.241 0.730 Band3 -0.172 -0.949 -0.238 0.116 Band4 0.462 0.124 -0.873 -0.099 Inv. of Corr. Ev. PC1 PC2 PC3 PC4 ----------------- ----- ----- ----- ----- Band1 0.596 0.634 -0.172 0.462 Band2 -0.278 -0.086 -0.949 0.124 Band3 0.351 0.241 -0.238 -0.873 Band4 -0.666 0.730 0.116 -0.099 Covariance Matrix Band1 Band2 Band3 Band4 ----------------- ----- ----- ----- -----



Anexo II 75

Band1 67.775 95.343 -5.075 91.006 Band2 95.343 173.148 -50.759 188.010 Band3 -5.075 -50.759 399.335 -89.991 Band4 91.006 188.010 -89.991 817.791 Determinant 558150888.064 Cov. Eigenvectors PC1 PC2 PC3 PC4 ----------------- ----- ----- ----- ----- Band1 0.134 -0.035 -0.521 -0.842 Band2 0.271 0.034 -0.799 0.536 Band3 -0.195 -0.977 -0.071 0.053 Band4 0.933 -0.209 0.292 -0.024 Inv. of Cov. Ev. PC1 PC2 PC3 PC4 ---------------- ----- ----- ----- ----- Band1 0.134 0.271 -0.195 0.933 Band2 -0.035 0.034 -0.977 -0.209 Band3 -0.521 -0.799 -0.071 0.292 Band4 -0.842 0.536 0.053 -0.024 REGION: Zona Seca Band1 Band2 Band3 Band4 ----- ----- ----- ----- Non-Null Cells 129863 129863 129863 129863 Area In Hectares 5194.520 5194.520 5194.520 5194.520 Area In Acres 12835.939 12835.939 12835.939 12835.939 Minimum 95.000 86.000 1.000 1.000 Maximum 254.000 254.000 254.000 254.000 Mean 205.405 204.117 80.284 158.972 Median 204.000 216.000 78.000 174.000 Std. Dev. 37.560 46.182 40.911 80.067 Std. Dev. (n-1) 37.560 46.183 40.912 80.068 Corr. Eigenval. 3.323 0.457 0.182 0.039 Cov. Eigenval. 10027.842 1144.898 375.892 79.568 Correlation Matrix Band1 Band2 Band3 Band4 ------------------ ----- ----- ----- ----- Band1 1.000 0.895 0.696 0.599 Band2 0.895 1.000 0.788 0.822 Band3 0.696 0.788 1.000 0.839 Band4 0.599 0.822 0.839 1.000 Determinant 0.011 Corr. Eigenvectors PC1 PC2 PC3 PC4 ------------------ ----- ----- ----- ----- Band1 0.480 -0.697 -0.133 -0.516 Band2 0.528 -0.241 0.387 0.717 Band3 0.500 0.366 -0.767 0.168 Band4 0.491 0.568 0.495 -0.438 Inv. of Corr. Ev. PC1 PC2 PC3 PC4



Anexo II 76

----------------- ----- ----- ----- ----- Band1 0.480 0.528 0.500 0.491 Band2 -0.697 -0.241 0.366 0.568 Band3 -0.133 0.387 -0.767 0.495 Band4 -0.516 0.717 0.168 -0.438 Covariance Matrix Band1 Band2 Band3 Band4 ----------------- ----- ----- ----- ----- Band1 1410.772 1552.029 1069.290 1799.991 Band2 1552.029 2132.827 1488.645 3038.319 Band3 1069.290 1488.645 1673.754 2747.473 Band4 1799.991 3038.319 2747.473 6410.847 Determinant 343382341325.812 Cov. Eigenvectors PC1 PC2 PC3 PC4 ----------------- ----- ----- ----- ----- Band1 0.284 -0.703 -0.034 -0.651 Band2 0.424 -0.465 -0.327 0.705 Band3 0.368 -0.051 0.913 0.168 Band4 0.777 0.536 -0.241 -0.226 Inv. of Cov. Ev. PC1 PC2 PC3 PC4 ---------------- ----- ----- ----- ----- Band1 0.284 0.424 0.368 0.777 Band2 -0.703 -0.465 -0.051 0.536 Band3 -0.034 -0.327 0.913 -0.241 Band4 -0.651 0.705 0.168 -0.226 REGION: Oceano Band1 Band2 Band3 Band4 ----- ----- ----- ----- Non-Null Cells 7312508 7312508 7312508 7312508 Area In Hectares 292500.320 292500.320 292500.320 292500.320 Area In Acres 722784.086 722784.086 722784.086 722784.086 Minimum 94.000 46.000 5.000 1.000 Maximum 103.000 57.000 9.000 9.000 Mean 98.934 51.674 6.944 5.434 Median 99.000 52.000 7.000 5.000 Std. Dev. 1.643 1.755 0.538 0.951 Std. Dev. (n-1) 1.643 1.755 0.538 0.951 Corr. Eigenval. 2.763 0.666 0.396 0.174 Cov. Eigenval. 5.583 0.722 0.544 0.126 Correlation Matrix Band1 Band2 Band3 Band4 ------------------ ----- ----- ----- ----- Band1 1.000 0.801 0.599 0.405 Band2 0.801 1.000 0.719 0.473 Band3 0.599 0.719 1.000 0.478 Band4 0.405 0.473 0.478 1.000 Determinant 0.127



Anexo II 77

Corr. Eigenvectors PC1 PC2 PC3 PC4 ------------------ ----- ----- ----- ----- Band1 0.518 -0.373 -0.532 -0.557 Band2 0.553 -0.257 -0.104 0.786 Band3 0.511 -0.051 0.815 -0.268 Band4 0.406 0.890 -0.206 -0.022 Inv. of Corr. Ev. PC1 PC2 PC3 PC4 ----------------- ----- ----- ----- ----- Band1 0.518 0.553 0.511 0.406 Band2 -0.373 -0.257 -0.051 0.890 Band3 -0.532 -0.104 0.815 -0.206 Band4 -0.557 0.786 -0.268 -0.022 Covariance Matrix Band1 Band2 Band3 Band4 ----------------- ----- ----- ----- ----- Band1 2.699 2.309 0.530 0.633 Band2 2.309 3.082 0.680 0.790 Band3 0.530 0.680 0.290 0.245 Band4 0.633 0.790 0.245 0.905 Determinant 0.277 Cov. Eigenvectors PC1 PC2 PC3 PC4 ----------------- ----- ----- ----- ----- Band1 0.648 -0.484 -0.589 -0.004 Band2 0.711 0.151 0.657 0.198 Band3 0.166 0.127 0.085 -0.974 Band4 0.217 0.853 -0.463 0.108 Inv. of Cov. Ev. PC1 PC2 PC3 PC4 ---------------- ----- ----- ----- ----- Band1 0.648 0.711 0.166 0.217 Band2 -0.484 0.151 0.127 0.853 Band3 -0.589 0.657 0.085 -0.463 Band4 -0.004 0.198 -0.974 0.108 REGION: Veg introduzida Band1 Band2 Band3 Band4 ----- ----- ----- ----- Non-Null Cells 603425 603425 603425 603425 Area In Hectares 24137.000 24137.000 24137.000 24137.000 Area In Acres 59643.830 59643.830 59643.830 59643.830 Minimum 81.000 35.000 1.000 1.000 Maximum 164.000 151.000 251.000 254.000 Mean 119.738 94.254 106.293 140.590 Median 119.000 93.000 107.000 141.000 Std. Dev. 11.888 16.701 35.858 50.496 Std. Dev. (n-1) 11.888 16.701 35.858 50.496 Corr. Eigenval. 3.146 0.654 0.140 0.060 Cov. Eigenval. 3580.729 578.391 83.900 12.892



Anexo II 78

Correlation Matrix Band1 Band2 Band3 Band4 ------------------ ----- ----- ----- ----- Band1 1.000 0.912 0.554 0.837 Band2 0.912 1.000 0.408 0.832 Band3 0.554 0.408 1.000 0.690 Band4 0.837 0.832 0.690 1.000 Determinant 0.017 Corr. Eigenvectors PC1 PC2 PC3 PC4 ------------------ ----- ----- ----- ----- Band1 0.532 -0.253 0.591 -0.551 Band2 0.512 -0.470 0.008 0.719 Band3 0.408 0.844 0.235 0.259 Band4 0.537 0.058 -0.772 -0.335 Inv. of Corr. Ev. PC1 PC2 PC3 PC4 ----------------- ----- ----- ----- ----- Band1 0.532 0.512 0.408 0.537 Band2 -0.253 -0.470 0.844 0.058 Band3 0.591 0.008 0.235 -0.772 Band4 -0.551 0.719 0.259 -0.335 Covariance Matrix Band1 Band2 Band3 Band4 ----------------- ----- ----- ----- ----- Band1 141.335 180.982 236.182 502.469 Band2 180.982 278.911 244.521 701.268 Band3 236.182 244.521 1285.797 1250.065 Band4 502.469 701.268 1250.065 2549.869 Determinant 2240216354.015 Cov. Eigenvectors PC1 PC2 PC3 PC4 ----------------- ----- ----- ----- ----- Band1 0.166 0.126 -0.546 -0.812 Band2 0.221 0.312 -0.721 0.578 Band3 0.491 -0.853 -0.159 0.075 Band4 0.826 0.398 0.397 -0.036 Inv. of Cov. Ev. PC1 PC2 PC3 PC4 ---------------- ----- ----- ----- ----- Band1 0.166 0.221 0.491 0.826 Band2 0.126 0.312 -0.853 0.398 Band3 -0.546 -0.721 -0.159 0.397 Band4 -0.812 0.578 0.075 -0.036 REGION: Costa Band1 Band2 Band3 Band4 ----- ----- ----- ----- Non-Null Cells 1831514 1831514 1831514 1831514 Area In Hectares 73260.560 73260.560 73260.560 73260.560 Area In Acres 181030.800 181030.800 181030.800 181030.800



Anexo II 79

Minimum 82.000 33.000 4.000 1.000 Maximum 183.000 117.000 20.000 45.000 Mean 103.121 56.087 8.436 10.052 Median 103.000 56.000 8.000 9.000 Std. Dev. 5.620 4.774 1.252 3.789 Std. Dev. (n-1) 5.620 4.774 1.252 3.789 Corr. Eigenval. 3.102 0.675 0.155 0.068 Cov. Eigenval. 57.688 10.251 2.063 0.295 Correlation Matrix Band1 Band2 Band3 Band4 ------------------ ----- ----- ----- ----- Band1 1.000 0.923 0.743 0.482 Band2 0.923 1.000 0.786 0.479 Band3 0.743 0.786 1.000 0.754 Band4 0.482 0.479 0.754 1.000 Determinant 0.022 Corr. Eigenvectors PC1 PC2 PC3 PC4 ------------------ ----- ----- ----- ----- Band1 0.514 -0.431 -0.435 -0.600 Band2 0.522 -0.419 0.006 0.743 Band3 0.530 0.209 0.779 -0.260 Band4 0.427 0.771 -0.451 0.139 Inv. of Corr. Ev. PC1 PC2 PC3 PC4 ----------------- ----- ----- ----- ----- Band1 0.514 0.522 0.530 0.427 Band2 -0.431 -0.419 0.209 0.771 Band3 -0.435 0.006 0.779 -0.451 Band4 -0.600 0.743 -0.260 0.139 Covariance Matrix Band1 Band2 Band3 Band4 ----------------- ----- ----- ----- ----- Band1 31.584 24.766 5.226 10.257 Band2 24.766 22.790 4.696 8.673 Band3 5.226 4.696 1.567 3.576 Band4 10.257 8.673 3.576 14.356 Determinant 359.587 Cov. Eigenvectors PC1 PC2 PC3 PC4 ----------------- ----- ----- ----- ----- Band1 0.722 -0.253 0.644 -0.015 Band2 0.606 -0.198 -0.754 0.158 Band3 0.137 0.127 -0.127 -0.974 Band4 0.304 0.939 0.031 0.161 Inv. of Cov. Ev. PC1 PC2 PC3 PC4 ---------------- ----- ----- ----- ----- Band1 0.722 0.606 0.137 0.304 Band2 -0.253 -0.198 0.127 0.939 Band3 0.644 -0.754 -0.127 0.031 Band4 -0.015 0.158 -0.974 0.161



Anexo II 80

REGION: Urbano Band1 Band2 Band3 Band4 ----- ----- ----- ----- Non-Null Cells 493706 493706 493706 493706 Area In Hectares 19748.240 19748.240 19748.240 19748.240 Area In Acres 48798.967 48798.967 48798.967 48798.967 Minimum 64.000 31.000 1.000 1.000 Maximum 254.000 254.000 254.000 254.000 Mean 159.368 143.948 106.383 181.921 Median 155.000 142.000 112.000 191.000 Std. Dev. 27.630 37.775 35.999 53.783 Std. Dev. (n-1) 27.630 37.775 35.999 53.783 Corr. Eigenval. 2.658 1.032 0.221 0.090 Cov. Eigenval. 4663.187 1249.973 360.108 105.655 Correlation Matrix Band1 Band2 Band3 Band4 ------------------ ----- ----- ----- ----- Band1 1.000 0.850 0.230 0.386 Band2 0.850 1.000 0.403 0.635 Band3 0.230 0.403 1.000 0.776 Band4 0.386 0.635 0.776 1.000 Determinant 0.054 Corr. Eigenvectors PC1 PC2 PC3 PC4 ------------------ ----- ----- ----- ----- Band1 0.467 -0.591 0.391 -0.528 Band2 0.551 -0.362 -0.246 0.711 Band3 0.446 0.607 0.632 0.183 Band4 0.529 0.388 -0.622 -0.428 Inv. of Corr. Ev. PC1 PC2 PC3 PC4 ----------------- ----- ----- ----- ----- Band1 0.467 0.551 0.446 0.529 Band2 -0.591 -0.362 0.607 0.388 Band3 0.391 -0.246 0.632 -0.622 Band4 -0.528 0.711 0.183 -0.428 Covariance Matrix Band1 Band2 Band3 Band4 ----------------- ----- ----- ----- ----- Band1 763.419 887.173 228.285 574.196 Band2 887.173 1426.935 548.143 1291.033 Band3 228.285 548.143 1295.940 1501.771 Band4 574.196 1291.033 1501.771 2892.629 Determinant 221771824100.119 Cov. Eigenvectors PC1 PC2 PC3 PC4 ----------------- ----- ----- ----- ----- Band1 0.236 -0.580 0.273 -0.730 Band2 0.438 -0.624 0.024 0.646



Anexo II 81

Band3 0.425 0.427 0.793 0.095 Band4 0.756 0.303 -0.544 -0.200 Inv. of Cov. Ev. PC1 PC2 PC3 PC4 ---------------- ----- ----- ----- ----- Band1 0.236 0.438 0.425 0.756 Band2 -0.580 -0.624 0.427 0.303 Band3 0.273 0.024 0.793 -0.544 Band4 -0.730 0.646 0.095 -0.200 REGION: Veg Seca/Pasto Band1 Band2 Band3 Band4 ----- ----- ----- ----- Non-Null Cells 140721 140721 140721 140721 Area In Hectares 5628.840 5628.840 5628.840 5628.840 Area In Acres 13909.168 13909.168 13909.168 13909.168 Minimum 100.000 63.000 28.000 181.000 Maximum 198.000 216.000 146.000 254.000 Mean 153.162 157.566 95.992 244.492 Median 153.000 157.000 97.000 254.000 Std. Dev. 17.279 24.515 18.091 14.287 Std. Dev. (n-1) 17.279 24.515 18.091 14.287 Corr. Eigenval. 2.472 0.993 0.448 0.087 Cov. Eigenval. 969.804 321.004 105.139 35.029 Correlation Matrix Band1 Band2 Band3 Band4 ------------------ ----- ----- ----- ----- Band1 1.000 0.908 0.219 0.434 Band2 0.908 1.000 0.276 0.514 Band3 0.219 0.276 1.000 0.501 Band4 0.434 0.514 0.501 1.000 Determinant 0.096 Corr. Eigenvectors PC1 PC2 PC3 PC4 ------------------ ----- ----- ----- ----- Band1 0.552 -0.435 0.200 -0.683 Band2 0.577 -0.355 0.115 0.727 Band3 0.356 0.737 0.575 -0.013 Band4 0.485 0.377 -0.785 -0.078 Inv. of Corr. Ev. PC1 PC2 PC3 PC4 ----------------- ----- ----- ----- ----- Band1 0.552 0.577 0.356 0.485 Band2 -0.435 -0.355 0.737 0.377 Band3 0.200 0.115 0.575 -0.785 Band4 -0.683 0.727 -0.013 -0.078 Covariance Matrix Band1 Band2 Band3 Band4 ----------------- ----- ----- ----- ----- Band1 298.572 384.648 68.598 107.163



Anexo II 82

Band2 384.648 600.991 122.510 180.191 Band3 68.598 122.510 327.287 129.389 Band4 107.163 180.191 129.389 204.127 Determinant 1146541983.993 Cov. Eigenvectors PC1 PC2 PC3 PC4 ----------------- ----- ----- ----- ----- Band1 0.511 -0.243 0.171 -0.806 Band2 0.764 -0.263 0.087 0.583 Band3 0.260 0.871 0.417 -0.010 Band4 0.295 0.336 -0.889 -0.103 Inv. of Cov. Ev. PC1 PC2 PC3 PC4 ---------------- ----- ----- ----- ----- Band1 0.511 0.764 0.260 0.295 Band2 -0.243 -0.263 0.871 0.336 Band3 0.171 0.087 0.417 -0.889 Band4 -0.806 0.583 -0.010 -0.103 REGION: LSilva Band1 Band2 Band3 Band4 ----- ----- ----- ----- Non-Null Cells 516991 516991 516991 516991 Area In Hectares 20679.640 20679.640 20679.640 20679.640 Area In Acres 51100.507 51100.507 51100.507 51100.507 Minimum 65.000 30.000 1.000 1.000 Maximum 167.000 135.000 254.000 254.000 Mean 99.581 64.919 87.823 93.760 Median 100.000 65.000 86.000 94.000 Std. Dev. 11.808 11.552 48.119 42.980 Std. Dev. (n-1) 11.808 11.552 48.119 42.980 Corr. Eigenval. 3.659 0.223 0.079 0.040 Cov. Eigenval. 4141.583 254.390 33.978 5.677 Correlation Matrix Band1 Band2 Band3 Band4 ------------------ ----- ----- ----- ----- Band1 1.000 0.947 0.868 0.932 Band2 0.947 1.000 0.789 0.896 Band3 0.868 0.789 1.000 0.882 Band4 0.932 0.896 0.882 1.000 Determinant 0.003 Corr. Eigenvectors PC1 PC2 PC3 PC4 ------------------ ----- ----- ----- ----- Band1 0.512 -0.213 0.212 -0.804 Band2 0.497 -0.589 0.314 0.555 Band3 0.483 0.778 0.351 0.194 Band4 0.507 0.051 -0.856 0.084 Inv. of Corr. Ev. PC1 PC2 PC3 PC4 ----------------- ----- ----- ----- -----



Anexo II 83

Band1 0.512 0.497 0.483 0.507 Band2 -0.213 -0.589 0.778 0.051 Band3 0.212 0.314 0.351 -0.856 Band4 -0.804 0.555 0.194 0.084 Covariance Matrix Band1 Band2 Band3 Band4 ----------------- ----- ----- ----- ----- Band1 139.429 129.123 493.390 472.788 Band2 129.123 133.441 438.451 444.827 Band3 493.390 438.451 2315.486 1824.826 Band4 472.788 444.827 1824.826 1847.272 Determinant 203242237.074 Cov. Eigenvectors PC1 PC2 PC3 PC4 ----------------- ----- ----- ----- ----- Band1 0.171 0.127 -0.557 -0.803 Band2 0.157 0.197 -0.764 0.594 Band3 0.728 -0.684 0.006 0.043 Band4 0.645 0.691 0.326 0.020 Inv. of Cov. Ev. PC1 PC2 PC3 PC4 ---------------- ----- ----- ----- ----- Band1 0.171 0.157 0.728 0.645 Band2 0.127 0.197 -0.684 0.691 Band3 -0.557 -0.764 0.006 0.326 Band4 -0.803 0.594 0.043 0.020



Anexo II 84

Anexo III


das regiões obtidas

da Classificação Automática



Anexo II 85

STATISTICS FOR DATASET: madeira_Luis.ers (using ClassificacaAutomatica.ers classes/regions) REGION: All Band1 Band2 Band3 Band4 ----- ----- ----- ----- Null Cells 4364140 4364140 4364140 4364140 Non-Null Cells 11111628 11111628 11111628 11111628 Area In Hectares 444465.120 444465.120 444465.120 444465.120 Area In Acres 1098297.313 1098297.313 1098297.313 1098297.313 Minimum 64.000 30.000 1.000 1.000 Maximum 254.000 254.000 254.000 254.000 Mean 105.788 63.071 23.937 31.799 Median 100.000 52.000 7.000 6.000 Std. Dev. 20.184 30.533 40.065 61.515 Std. Dev. (n-1) 20.184 30.533 40.065 61.515 Corr. Eigenval. 3.490 0.437 0.058 0.015 Cov. Eigenval. 6205.540 406.330 105.338 11.737 Correlation Matrix Band1 Band2 Band3 Band4 ------------------ ----- ----- ----- ----- Band1 1.000 0.966 0.669 0.793 Band2 0.966 1.000 0.740 0.878 Band3 0.669 0.740 1.000 0.927 Band4 0.793 0.878 0.927 1.000 Determinant 0.001 Corr. Eigenvectors PC1 PC2 PC3 PC4 ------------------ ----- ----- ----- ----- Band1 0.492 -0.567 0.448 -0.486 Band2 0.514 -0.384 -0.275 0.716 Band3 0.477 0.656 0.543 0.218 Band4 0.516 0.317 -0.655 -0.452 Inv. of Corr. Ev. PC1 PC2 PC3 PC4 ----------------- ----- ----- ----- ----- Band1 0.492 0.514 0.477 0.516 Band2 -0.567 -0.384 0.656 0.317 Band3 0.448 -0.275 0.543 -0.655 Band4 -0.486 0.716 0.218 -0.452 Covariance Matrix Band1 Band2 Band3 Band4 ----------------- ----- ----- ----- ----- Band1 407.397 595.115 540.680 984.366 Band2 595.115 932.236 904.939 1648.419 Band3 540.680 904.939 1605.225 2285.895 Band4 984.366 1648.419 2285.895 3784.087 Determinant 3117357733.663 Cov. Eigenvectors PC1 PC2 PC3 PC4 ----------------- ----- ----- ----- ----- Band1 0.212 -0.508 0.393 -0.736



Anexo II 86

Band2 0.349 -0.641 0.205 0.652 Band3 0.480 0.571 0.659 0.097 Band4 0.777 0.074 -0.607 -0.152 Inv. of Cov. Ev. PC1 PC2 PC3 PC4 ---------------- ----- ----- ----- ----- Band1 0.212 0.349 0.480 0.777 Band2 -0.508 -0.641 0.571 0.074 Band3 0.393 0.205 0.659 -0.607 Band4 -0.736 0.652 0.097 -0.152 REGION: Agricultura Band1 Band2 Band3 Band4 ----- ----- ----- ----- Non-Null Cells 393721 393721 393721 393721 Area In Hectares 15748.840 15748.840 15748.840 15748.840 Area In Acres 38916.234 38916.234 38916.234 38916.234 Minimum 104.000 68.000 34.000 132.000 Maximum 218.000 191.000 254.000 254.000 Mean 142.709 121.426 137.348 200.220 Median 142.000 121.000 135.000 198.000 Std. Dev. 12.670 16.462 31.434 21.528 Std. Dev. (n-1) 12.670 16.462 31.434 21.528 Corr. Eigenval. 1.794 1.175 0.870 0.161 Cov. Eigenval. 1022.613 485.224 340.431 34.814 Correlation Matrix Band1 Band2 Band3 Band4 ------------------ ----- ----- ----- ----- Band1 1.000 0.761 0.130 0.073 Band2 0.761 1.000 -0.198 0.156 Band3 0.130 -0.198 1.000 0.163 Band4 0.073 0.156 0.163 1.000 Determinant 0.295 Corr. Eigenvectors PC1 PC2 PC3 PC4 ------------------ ----- ----- ----- ----- Band1 0.686 0.042 -0.314 -0.656 Band2 0.701 -0.182 0.072 0.686 Band3 -0.022 0.787 -0.545 0.289 Band4 0.197 0.588 0.774 -0.126 Inv. of Corr. Ev. PC1 PC2 PC3 PC4 ----------------- ----- ----- ----- ----- Band1 0.686 0.701 -0.022 0.197 Band2 0.042 -0.182 0.787 0.588 Band3 -0.314 0.072 -0.545 0.774 Band4 -0.656 0.686 0.289 -0.126 Covariance Matrix Band1 Band2 Band3 Band4 ----------------- ----- ----- ----- -----



Anexo II 87

Band1 160.533 158.635 51.972 20.039 Band2 158.635 271.005 -102.582 55.395 Band3 51.972 -102.582 988.089 110.092 Band4 20.039 55.395 110.092 463.455 Determinant 5880787091.187 Cov. Eigenvectors PC1 PC2 PC3 PC4 ----------------- ----- ----- ----- ----- Band1 0.043 0.260 -0.553 -0.790 Band2 -0.111 0.465 -0.644 0.597 Band3 0.976 -0.116 -0.144 0.115 Band4 0.183 0.838 0.509 -0.070 Inv. of Cov. Ev. PC1 PC2 PC3 PC4 ---------------- ----- ----- ----- ----- Band1 0.043 -0.111 0.976 0.183 Band2 0.260 0.465 -0.116 0.838 Band3 -0.553 -0.644 -0.144 0.509 Band4 -0.790 0.597 0.115 -0.070 REGION: Linha de Costa Band1 Band2 Band3 Band4 ----- ----- ----- ----- Non-Null Cells 49417 49417 49417 49417 Area In Hectares 1976.680 1976.680 1976.680 1976.680 Area In Acres 4884.483 4884.483 4884.483 4884.483 Minimum 109.000 56.000 4.000 4.000 Maximum 254.000 254.000 110.000 151.000 Mean 176.118 139.767 35.083 60.100 Median 171.000 135.000 33.000 57.000 Std. Dev. 27.954 29.706 11.527 24.472 Std. Dev. (n-1) 27.954 29.706 11.527 24.472 Corr. Eigenval. 2.477 0.898 0.473 0.152 Cov. Eigenval. 1531.369 535.054 292.585 36.694 Correlation Matrix Band1 Band2 Band3 Band4 ------------------ ----- ----- ----- ----- Band1 1.000 0.661 0.397 0.236 Band2 0.661 1.000 0.718 0.290 Band3 0.397 0.718 1.000 0.587 Band4 0.236 0.290 0.587 1.000 Determinant 0.160 Corr. Eigenvectors PC1 PC2 PC3 PC4 ------------------ ----- ----- ----- ----- Band1 0.464 -0.546 -0.624 -0.311 Band2 0.558 -0.329 0.370 0.666 Band3 0.557 0.256 0.496 -0.615 Band4 0.405 0.727 -0.476 0.284 Inv. of Corr. Ev. PC1 PC2 PC3 PC4



Anexo II 88

----------------- ----- ----- ----- ----- Band1 0.464 0.558 0.557 0.405 Band2 -0.546 -0.329 0.256 0.727 Band3 -0.624 0.370 0.496 -0.476 Band4 -0.311 0.666 -0.615 0.284 Covariance Matrix Band1 Band2 Band3 Band4 ----------------- ----- ----- ----- ----- Band1 781.452 549.080 127.845 161.475 Band2 549.080 882.474 245.741 211.141 Band3 127.845 245.741 132.882 165.551 Band4 161.475 211.141 165.551 598.893 Determinant 8796855494.822 Cov. Eigenvectors PC1 PC2 PC3 PC4 ----------------- ----- ----- ----- ----- Band1 0.613 -0.326 -0.714 0.089 Band2 0.698 -0.163 0.638 -0.281 Band3 0.214 0.173 0.221 0.936 Band4 0.302 0.915 -0.183 -0.196 Inv. of Cov. Ev. PC1 PC2 PC3 PC4 ---------------- ----- ----- ----- ----- Band1 0.613 0.698 0.214 0.302 Band2 -0.326 -0.163 0.173 0.915 Band3 -0.714 0.638 0.221 -0.183 Band4 0.089 -0.281 0.936 -0.196 REGION: Zona Urbana1 Band1 Band2 Band3 Band4 ----- ----- ----- ----- Non-Null Cells 79010 79010 79010 79010 Area In Hectares 3160.400 3160.400 3160.400 3160.400 Area In Acres 7809.519 7809.519 7809.519 7809.519 Minimum 112.000 110.000 21.000 40.000 Maximum 254.000 254.000 182.000 218.000 Mean 189.509 184.061 80.362 157.979 Median 182.000 182.000 79.000 162.000 Std. Dev. 31.473 29.157 18.517 27.777 Std. Dev. (n-1) 31.473 29.157 18.517 27.777 Corr. Eigenval. 2.224 1.114 0.484 0.179 Cov. Eigenval. 1853.508 719.114 219.892 162.610 Correlation Matrix Band1 Band2 Band3 Band4 ------------------ ----- ----- ----- ----- Band1 1.000 0.788 -0.274 -0.439 Band2 0.788 1.000 -0.154 -0.225 Band3 -0.274 -0.154 1.000 0.513 Band4 -0.439 -0.225 0.513 1.000 Determinant 0.214



Anexo II 89

Corr. Eigenvectors PC1 PC2 PC3 PC4 ------------------ ----- ----- ----- ----- Band1 -0.592 0.333 -0.060 -0.732 Band2 -0.518 0.528 0.199 0.643 Band3 0.396 0.621 -0.676 0.018 Band4 0.474 0.474 0.707 -0.226 Inv. of Corr. Ev. PC1 PC2 PC3 PC4 ----------------- ----- ----- ----- ----- Band1 -0.592 -0.518 0.396 0.474 Band2 0.333 0.528 0.621 0.474 Band3 -0.060 0.199 -0.676 0.707 Band4 -0.732 0.643 0.018 -0.226 Covariance Matrix Band1 Band2 Band3 Band4 ----------------- ----- ----- ----- ----- Band1 990.541 723.030 -159.535 -383.769 Band2 723.030 850.139 -83.211 -182.311 Band3 -159.535 -83.211 342.885 263.915 Band4 -383.769 -182.311 263.915 771.561 Determinant 47659519316.729 Cov. Eigenvectors PC1 PC2 PC3 PC4 ----------------- ----- ----- ----- ----- Band1 -0.693 0.164 -0.149 -0.686 Band2 -0.584 0.444 0.162 0.660 Band3 0.173 0.387 -0.899 0.113 Band4 0.386 0.791 0.380 -0.284 Inv. of Cov. Ev. PC1 PC2 PC3 PC4 ---------------- ----- ----- ----- ----- Band1 -0.693 -0.584 0.173 0.386 Band2 0.164 0.444 0.387 0.791 Band3 -0.149 0.162 -0.899 0.380 Band4 -0.686 0.660 0.113 -0.284 REGION: Zona Urbana2 Band1 Band2 Band3 Band4 ----- ----- ----- ----- Non-Null Cells 57336 57336 57336 57336 Area In Hectares 2293.440 2293.440 2293.440 2293.440 Area In Acres 5667.214 5667.214 5667.214 5667.214 Minimum 165.000 177.000 50.000 147.000 Maximum 254.000 254.000 120.000 254.000 Mean 221.096 234.566 99.097 226.622 Median 215.000 235.000 100.000 233.000 Std. Dev. 23.370 16.032 12.594 27.404 Std. Dev. (n-1) 23.370 16.032 12.594 27.405 Corr. Eigenval. 2.040 1.257 0.486 0.217 Cov. Eigenval. 1069.541 446.387 112.684 84.176



Anexo II 90

Correlation Matrix Band1 Band2 Band3 Band4 ------------------ ----- ----- ----- ----- Band1 1.000 0.694 -0.087 -0.495 Band2 0.694 1.000 0.012 -0.199 Band3 -0.087 0.012 1.000 0.488 Band4 -0.495 -0.199 0.488 1.000 Determinant 0.271 Corr. Eigenvectors PC1 PC2 PC3 PC4 ------------------ ----- ----- ----- ----- Band1 -0.615 0.288 -0.172 -0.714 Band2 -0.508 0.491 0.481 0.520 Band3 0.294 0.710 -0.613 0.182 Band4 0.528 0.413 0.603 -0.433 Inv. of Corr. Ev. PC1 PC2 PC3 PC4 ----------------- ----- ----- ----- ----- Band1 -0.615 -0.508 0.294 0.528 Band2 0.288 0.491 0.710 0.413 Band3 -0.172 0.481 -0.613 0.603 Band4 -0.714 0.520 0.182 -0.433 Covariance Matrix Band1 Band2 Band3 Band4 ----------------- ----- ----- ----- ----- Band1 546.154 259.855 -25.740 -317.033 Band2 259.855 257.014 2.367 -87.482 Band3 -25.740 2.367 158.613 168.437 Band4 -317.033 -87.482 168.437 751.007 Determinant 4528533930.937 Cov. Eigenvectors PC1 PC2 PC3 PC4 ----------------- ----- ----- ----- ----- Band1 -0.592 0.566 -0.178 0.546 Band2 -0.269 0.514 0.454 -0.676 Band3 0.154 0.291 -0.850 -0.412 Band4 0.744 0.576 0.198 0.275 Inv. of Cov. Ev. PC1 PC2 PC3 PC4 ---------------- ----- ----- ----- ----- Band1 -0.592 -0.269 0.154 0.744 Band2 0.566 0.514 0.291 0.576 Band3 -0.178 0.454 -0.850 0.198 Band4 0.546 -0.676 -0.412 0.275 REGION: Zona Urbana3 Band1 Band2 Band3 Band4 ----- ----- ----- ----- Non-Null Cells 30402 30402 30402 30402 Area In Hectares 1216.080 1216.080 1216.080 1216.080 Area In Acres 3004.999 3004.999 3004.999 3004.999



Anexo II 91

Minimum 166.000 148.000 121.000 89.000 Maximum 254.000 254.000 254.000 254.000 Mean 234.257 238.829 155.673 245.079 Median 253.000 254.000 141.000 253.000 Std. Dev. 23.633 19.870 37.202 14.837 Std. Dev. (n-1) 23.634 19.870 37.202 14.837 Corr. Eigenval. 2.370 0.762 0.703 0.166 Cov. Eigenval. 1659.933 641.266 184.310 71.998 Correlation Matrix Band1 Band2 Band3 Band4 ------------------ ----- ----- ----- ----- Band1 1.000 0.806 0.408 0.343 Band2 0.806 1.000 0.318 0.495 Band3 0.408 0.318 1.000 0.281 Band4 0.343 0.495 0.281 1.000 Determinant 0.210 Corr. Eigenvectors PC1 PC2 PC3 PC4 ------------------ ----- ----- ----- ----- Band1 0.567 -0.101 -0.471 -0.668 Band2 0.581 -0.316 -0.241 0.711 Band3 0.392 0.905 0.110 0.119 Band4 0.432 -0.266 0.841 -0.187 Inv. of Corr. Ev. PC1 PC2 PC3 PC4 ----------------- ----- ----- ----- ----- Band1 0.567 0.581 0.392 0.432 Band2 -0.101 -0.316 0.905 -0.266 Band3 -0.471 -0.241 0.110 0.841 Band4 -0.668 0.711 0.119 -0.187 Covariance Matrix Band1 Band2 Band3 Band4 ----------------- ----- ----- ----- ----- Band1 558.558 378.506 358.850 120.372 Band2 378.506 394.811 234.949 145.858 Band3 358.850 234.949 1384.000 154.860 Band4 120.372 145.858 154.860 220.138 Determinant 14125390703.314 Cov. Eigenvectors PC1 PC2 PC3 PC4 ----------------- ----- ----- ----- ----- Band1 0.397 0.618 -0.413 -0.539 Band2 0.295 0.565 0.141 0.757 Band3 0.855 -0.515 -0.020 0.055 Band4 0.155 0.183 0.900 -0.365 Inv. of Cov. Ev. PC1 PC2 PC3 PC4 ---------------- ----- ----- ----- ----- Band1 0.397 0.295 0.855 0.155 Band2 0.618 0.565 -0.515 0.183 Band3 -0.413 0.141 -0.020 0.900 Band4 -0.539 0.757 0.055 -0.365



Anexo II 92

REGION: Oceano Band1 Band2 Band3 Band4 ----- ----- ----- ----- Non-Null Cells 8908033 8908033 8908033 8908033 Area In Hectares 356321.320 356321.320 356321.320 356321.320 Area In Acres 880489.223 880489.223 880489.223 880489.223 Minimum 65.000 30.000 1.000 1.000 Maximum 126.000 72.000 39.000 43.000 Mean 99.345 52.210 7.176 6.137 Median 99.000 52.000 7.000 6.000 Std. Dev. 2.599 2.373 0.906 2.219 Std. Dev. (n-1) 2.599 2.373 0.906 2.219 Corr. Eigenval. 2.325 1.327 0.247 0.101 Cov. Eigenval. 11.864 5.275 0.737 0.256 Correlation Matrix Band1 Band2 Band3 Band4 ------------------ ----- ----- ----- ----- Band1 1.000 0.844 0.171 0.062 Band2 0.844 1.000 0.464 0.318 Band3 0.171 0.464 1.000 0.746 Band4 0.062 0.318 0.746 1.000 Determinant 0.077 Corr. Eigenvectors PC1 PC2 PC3 PC4 ------------------ ----- ----- ----- ----- Band1 0.454 -0.597 -0.180 -0.637 Band2 0.576 -0.363 0.073 0.729 Band3 0.512 0.448 0.689 -0.250 Band4 0.448 0.558 -0.699 -0.006 Inv. of Corr. Ev. PC1 PC2 PC3 PC4 ----------------- ----- ----- ----- ----- Band1 0.454 0.576 0.512 0.448 Band2 -0.597 -0.363 0.448 0.558 Band3 -0.180 0.073 0.689 -0.699 Band4 -0.637 0.729 -0.250 -0.006 Covariance Matrix Band1 Band2 Band3 Band4 ----------------- ----- ----- ----- ----- Band1 6.754 5.208 0.401 0.356 Band2 5.208 5.633 0.997 1.673 Band3 0.401 0.997 0.821 1.500 Band4 0.356 1.673 1.500 4.924 Determinant 11.826 Cov. Eigenvectors PC1 PC2 PC3 PC4 ----------------- ----- ----- ----- ----- Band1 0.703 -0.342 -0.599 -0.174 Band2 0.666 0.015 0.694 0.274



Anexo II 93

Band3 0.116 0.275 0.247 -0.922 Band4 0.222 0.898 -0.315 0.212 Inv. of Cov. Ev. PC1 PC2 PC3 PC4 ---------------- ----- ----- ----- ----- Band1 0.703 0.666 0.116 0.222 Band2 -0.342 0.015 0.275 0.898 Band3 -0.599 0.694 0.247 -0.315 Band4 -0.174 0.274 -0.922 0.212 REGION: Veg introduzida Band1 Band2 Band3 Band4 ----- ----- ----- ----- Non-Null Cells 507970 507970 507970 507970 Area In Hectares 20318.800 20318.800 20318.800 20318.800 Area In Acres 50208.852 50208.852 50208.852 50208.852 Minimum 94.000 50.000 26.000 76.000 Maximum 180.000 157.000 246.000 217.000 Mean 119.244 90.454 118.099 144.501 Median 118.000 89.000 116.000 145.000 Std. Dev. 10.263 15.105 28.836 19.760 Std. Dev. (n-1) 10.263 15.105 28.836 19.760 Corr. Eigenval. 2.310 0.934 0.630 0.126 Cov. Eigenval. 929.413 441.698 164.574 19.803 Correlation Matrix Band1 Band2 Band3 Band4 ------------------ ----- ----- ----- ----- Band1 1.000 0.829 -0.233 0.397 Band2 0.829 1.000 -0.483 0.412 Band3 -0.233 -0.483 1.000 -0.089 Band4 0.397 0.412 -0.089 1.000 Determinant 0.171 Corr. Eigenvectors PC1 PC2 PC3 PC4 ------------------ ----- ----- ----- ----- Band1 0.576 -0.160 -0.505 -0.622 Band2 0.620 0.082 -0.235 0.744 Band3 -0.358 -0.778 -0.457 0.240 Band4 0.394 -0.602 0.693 -0.043 Inv. of Corr. Ev. PC1 PC2 PC3 PC4 ----------------- ----- ----- ----- ----- Band1 0.576 0.620 -0.358 0.394 Band2 -0.160 0.082 -0.778 -0.602 Band3 -0.505 -0.235 -0.457 0.693 Band4 -0.622 0.744 0.240 -0.043 Covariance Matrix Band1 Band2 Band3 Band4 ----------------- ----- ----- ----- ----- Band1 105.330 128.576 -68.935 80.551



Anexo II 94

Band2 128.576 228.161 -210.181 122.987 Band3 -68.935 -210.181 831.540 -50.826 Band4 80.551 122.987 -50.826 390.458 Determinant 1337926608.354 Cov. Eigenvectors PC1 PC2 PC3 PC4 ----------------- ----- ----- ----- ----- Band1 0.146 -0.259 -0.511 -0.806 Band2 0.333 -0.321 -0.666 0.586 Band3 -0.913 -0.329 -0.225 0.083 Band4 0.184 -0.850 0.494 -0.008 Inv. of Cov. Ev. PC1 PC2 PC3 PC4 ---------------- ----- ----- ----- ----- Band1 0.146 0.333 -0.913 0.184 Band2 -0.259 -0.321 -0.329 -0.850 Band3 -0.511 -0.666 -0.225 0.494 Band4 -0.806 0.586 0.083 -0.008 REGION: Costa Band1 Band2 Band3 Band4 ----- ----- ----- ----- Non-Null Cells 406727 406727 406727 406727 Area In Hectares 16269.080 16269.080 16269.080 16269.080 Area In Acres 40201.775 40201.775 40201.775 40201.775 Minimum 64.000 30.000 1.000 1.000 Maximum 208.000 125.000 72.000 89.000 Mean 107.068 63.302 16.234 22.886 Median 108.000 61.000 11.000 18.000 Std. Dev. 14.134 11.141 10.440 13.241 Std. Dev. (n-1) 14.134 11.141 10.440 13.241 Corr. Eigenval. 2.366 1.287 0.229 0.118 Cov. Eigenval. 377.143 181.145 32.134 17.787 Correlation Matrix Band1 Band2 Band3 Band4 ------------------ ----- ----- ----- ----- Band1 1.000 0.788 -0.453 -0.463 Band2 0.788 1.000 -0.065 -0.126 Band3 -0.453 -0.065 1.000 0.775 Band4 -0.463 -0.126 0.775 1.000 Determinant 0.082 Corr. Eigenvectors PC1 PC2 PC3 PC4 ------------------ ----- ----- ----- ----- Band1 -0.571 0.354 0.163 -0.723 Band2 -0.400 0.667 -0.102 0.620 Band3 0.500 0.484 -0.651 -0.305 Band4 0.514 0.442 0.735 -0.024 Inv. of Corr. Ev. PC1 PC2 PC3 PC4 ----------------- ----- ----- ----- -----



Anexo II 95

Band1 -0.571 -0.400 0.500 0.514 Band2 0.354 0.667 0.484 0.442 Band3 0.163 -0.102 -0.651 0.735 Band4 -0.723 0.620 -0.305 -0.024 Covariance Matrix Band1 Band2 Band3 Band4 ----------------- ----- ----- ----- ----- Band1 199.768 124.031 -66.796 -86.711 Band2 124.031 124.115 -7.551 -18.572 Band3 -66.796 -7.551 109.002 107.086 Band4 -86.711 -18.572 107.086 175.324 Determinant 39047701.145 Cov. Eigenvectors PC1 PC2 PC3 PC4 ----------------- ----- ----- ----- ----- Band1 -0.662 0.379 0.252 -0.595 Band2 -0.374 0.580 -0.270 0.672 Band3 0.384 0.439 -0.684 -0.439 Band4 0.523 0.573 0.629 0.050 Inv. of Cov. Ev. PC1 PC2 PC3 PC4 ---------------- ----- ----- ----- ----- Band1 -0.662 -0.374 0.384 0.523 Band2 0.379 0.580 0.439 0.573 Band3 0.252 -0.270 -0.684 0.629 Band4 -0.595 0.672 -0.439 0.050 REGION: Veg Seca/Pasto Band1 Band2 Band3 Band4 ----- ----- ----- ----- Non-Null Cells 273272 273272 273272 273272 Area In Hectares 10930.880 10930.880 10930.880 10930.880 Area In Acres 27010.795 27010.795 27010.795 27010.795 Minimum 113.000 94.000 33.000 179.000 Maximum 234.000 242.000 219.000 254.000 Mean 164.352 165.301 110.890 235.809 Median 165.000 163.000 109.000 242.000 Std. Dev. 16.134 19.793 22.601 19.250 Std. Dev. (n-1) 16.134 19.793 22.601 19.250 Corr. Eigenval. 1.878 1.033 0.913 0.176 Cov. Eigenval. 651.914 461.573 365.096 54.835 Correlation Matrix Band1 Band2 Band3 Band4 ------------------ ----- ----- ----- ----- Band1 1.000 0.766 0.287 -0.226 Band2 0.766 1.000 0.088 -0.012 Band3 0.287 0.088 1.000 0.033 Band4 -0.226 -0.012 0.033 1.000 Determinant 0.312



Anexo II 96

Corr. Eigenvectors PC1 PC2 PC3 PC4 ------------------ ----- ----- ----- ----- Band1 -0.694 0.047 0.048 0.716 Band2 -0.637 -0.044 0.423 -0.643 Band3 -0.285 -0.539 -0.770 -0.188 Band4 0.177 -0.840 0.474 0.195 Inv. of Corr. Ev. PC1 PC2 PC3 PC4 ----------------- ----- ----- ----- ----- Band1 -0.694 -0.637 -0.285 0.177 Band2 0.047 -0.044 -0.539 -0.840 Band3 0.048 0.423 -0.770 0.474 Band4 0.716 -0.643 -0.188 0.195 Covariance Matrix Band1 Band2 Band3 Band4 ----------------- ----- ----- ----- ----- Band1 260.310 244.514 104.640 -70.146 Band2 244.514 391.763 39.537 -4.552 Band3 104.640 39.537 510.796 14.201 Band4 -70.146 -4.552 14.201 370.549 Determinant 6024152083.151 Cov. Eigenvectors PC1 PC2 PC3 PC4 ----------------- ----- ----- ----- ----- Band1 -0.549 -0.249 -0.010 0.798 Band2 -0.604 -0.446 -0.349 -0.560 Band3 -0.565 0.790 0.191 -0.140 Band4 0.118 0.338 -0.917 0.175 Inv. of Cov. Ev. PC1 PC2 PC3 PC4 ---------------- ----- ----- ----- ----- Band1 -0.549 -0.604 -0.565 0.118 Band2 -0.249 -0.446 0.790 0.338 Band3 -0.010 -0.349 0.191 -0.917 Band4 0.798 -0.560 -0.140 0.175 REGION: LSilva Band1 Band2 Band3 Band4 ----- ----- ----- ----- Non-Null Cells 405740 405740 405740 405740 Area In Hectares 16229.600 16229.600 16229.600 16229.600 Area In Acres 40104.218 40104.218 40104.218 40104.218 Minimum 68.000 39.000 8.000 26.000 Maximum 168.000 144.000 161.000 175.000 Mean 103.054 71.222 80.307 90.680 Median 102.000 69.000 81.000 91.000 Std. Dev. 8.684 12.427 21.630 19.467 Std. Dev. (n-1) 8.684 12.427 21.630 19.467 Corr. Eigenval. 2.300 1.051 0.523 0.126 Cov. Eigenval. 563.258 380.278 120.330 12.786



Anexo II 97

Correlation Matrix Band1 Band2 Band3 Band4 ------------------ ----- ----- ----- ----- Band1 1.000 0.854 0.151 0.533 Band2 0.854 1.000 -0.033 0.495 Band3 0.151 -0.033 1.000 0.242 Band4 0.533 0.495 0.242 1.000 Determinant 0.160 Corr. Eigenvectors PC1 PC2 PC3 PC4 ------------------ ----- ----- ----- ----- Band1 0.612 -0.111 0.347 -0.702 Band2 0.591 -0.307 0.268 0.696 Band3 0.150 0.919 0.333 0.150 Band4 0.504 0.222 -0.835 -0.008 Inv. of Corr. Ev. PC1 PC2 PC3 PC4 ----------------- ----- ----- ----- ----- Band1 0.612 0.591 0.150 0.504 Band2 -0.111 -0.307 0.919 0.222 Band3 0.347 0.268 0.333 -0.835 Band4 -0.702 0.696 0.150 -0.008 Covariance Matrix Band1 Band2 Band3 Band4 ----------------- ----- ----- ----- ----- Band1 75.419 92.203 28.285 90.095 Band2 92.203 154.442 -8.885 119.764 Band3 28.285 -8.885 467.837 102.015 Band4 90.095 119.764 102.015 378.953 Determinant 329548451.220 Cov. Eigenvectors PC1 PC2 PC3 PC4 ----------------- ----- ----- ----- ----- Band1 0.199 0.227 -0.450 -0.840 Band2 0.215 0.416 -0.701 0.539 Band3 0.716 -0.681 -0.139 0.060 Band4 0.633 0.558 0.536 0.014 Inv. of Cov. Ev. PC1 PC2 PC3 PC4 ---------------- ----- ----- ----- ----- Band1 0.199 0.215 0.716 0.633 Band2 0.227 0.416 -0.681 0.558 Band3 -0.450 -0.701 -0.139 0.536 Band4 -0.840 0.539 0.060 0.014

determinação da área de floresta laurissilva da ilha da madeira por métodos de detecção remota

Education