inferÊncia do potencial de ocorrÊncia da...
TRANSCRIPT
INFERÊNCIA DO POTENCIAL DE OCORRÊNCIA DA CLASSE ÁREA ÚMIDA
E ANÁLISE COMPARATIVA DA VERIFICABILIDADE EM CAMPO PARA O
PROJETO RADIOGRAFIA DA AMAZÔNIA
Introdução ao Geoprocessamento – SER 300
Prof. Antonio Miguel Vieira Monteiro
INPE, São José dos Campos.
Junho, 2013
Aluno: Gabriel Thomé Brochado
Resumo. O Departamento de Ciência e Tecnologia do Exército Brasileiro está realizando o mapeamento sistemático na Amazônia Legal através do projeto Radiografia da Amazônia, o qual tem sido responsável pela geração de produtos cartográficos da região do vazio cartográfico. Contudo, ainda persistem alguns problemas metodológicos a serem superados. Este trabalho aborda o mapeamento das feições da classe Área Úmida, para as quais ainda não foi desenvolvida uma metodologia de extração consistente. É proposto um método que objetiva tornar o custo operacional da verificação em campo das áreas úmidas mais baixo e, a partir das observações de campo, o aprimoramento de metodologias de sua extração automática. O método divide-se me duas etapas. Na primeira áreas de potencial ocorrência de áreas úmidas são identificadas a partir de uma abordagem fuzzy. Na segunda etapa o resultado da primeira é combinado com variáveis logisticamente relevantes utilizando-se uma ferramenta de suporte à decisão. O resultado do método nos permite inferir as áreas úmidas mais propícias à verificação em campo.
Palavras-chave: Áreas úmidas, fuzzy, Amazônia, radiografia, radar.
1 INTRODUÇÃO
O Departamento de Ciência e Tecnologia do Exército Brasileiro em convênio
com o Centro Gestor e Operacional do Sistema de Proteção da Amazônia
(CENSIPAM, 2008) está realizando o projeto de mapeamento sistemático na
Amazônia Legal conhecido como Radiografia da Amazônia, o qual visa gerar
produtos cartográficos na escala 1:50.000 do vazio cartográfico (CORREIA,
2011). No projeto, são utilizados para a realização do mapeamento dados
SAR nas bandas X e P, os quais são provenientes do sensor OrbiSAR-1.
Dentre as classes de feições a serem mapeadas está a classe Área Úmida, a
qual é definida como uma área que contém água à superfície
permanentemente, porém em uma quantidade não comparável a uma massa
d'água (CONCAR, 2010). No decorrer do projeto, vários métodos foram
testados para a extração de feições desta classe utilizando-se somente os
dados de radar nativos do projeto, todavia não foi encontrada uma
metodologia consistente. De maneira geral, a delineação desta classe
dependia da interpretação visual das ortoimagens radar e do MDT nativo do
projeto, o qual é gerado por processamento interferométrico das imagens
SAR (MOURA; CORREIA, 2011). Este nível de intervenção humana era
indesejado, pois além de não atender as necessidades da produção
cartográfica em termos de prazos de entrega dos produtos, tornava a
aquisição destas feições não padronizada, uma vez que, sendo empregados
diferentes interpretadores, diferentes resultados poderiam ser encontrados.
Além disso, a escassez de amostras de campo, devido ao seu alto custo de
coleta e às dificuldades logísticas inerentes ao ambiente amazônico, fez com
que as metodologias desenvolvidas não pudessem ser comparadas com
verdades de campo.
Tendo em vista este problema, o presente trabalho propõe um método
composto de duas etapas. A primeira visa à identificação automática de
áreas de potencial ocorrência da classe Área Úmida por meio de uma
abordagem fuzzy. A segunda visa à identificação das áreas mais propícias à
verificação no terreno, combinando, com o auxílio de um algoritmo de
suporte à decisão, o resultado da primeira etapa com a proximidade das
potenciais áreas úmidas a feições lógisticamente relevantes.
O resultado desta análise poderá ser utilizado no planejamento do
levantamento de dados de campo do projeto, viabilizando a verificação de
feições da classe Áreas Úmidas a um menor custo operacional, dando
subsídios para o desenvolvimento de metodologias mais eficientes para sua
extração automática.
2 MATERIAIS E MÉTODOS
A identificação automática de áreas de potencial ocorrência da classe Área
Úmida levou em consideração a declividade e as distâncias horizontal e
vertical à drenagem mais próxima para cada ponto da área de estudo, pois
áreas úmidas são mais prováveis de ocorrerem em áreas planas (LI; CHEN,
2005) e, segundo Rennó et al. (2008), pontos com grandes distâncias
horizontais, mas com pequenas distâncias verticais às dreangens são
indicativos de extensas áreas planas conectadas às drenagens, áreas
pantanosas.
A classe Área Úmida é definida como área que possui permanentemente
água, porém com níveis não comparáveis a de uma massa d'água. Esta
classe também está relacionada com a presença de vegetação do tipo brejo
ou pântano e cultivo irrigado. A classe Área Úmida difere da classe Terreno
Sujeito à inundação, a qual é definida como áreas sujeitas à inundação
sazonal (CONCAR, 2010). Portanto, as regiões úmidas adjacentes aos rios
principais não foram alvo deste estudo, e, pelo contrário, foi necessário que o
método desenvolvido tivesse a capacidade de discernir entre as duas
classes. Para isto, ao invés da distância horizontal às linhas de drenagem foi
utilizada a distância a um buffer ponderado das drenagens. O buffer foi
ponderado pela ordem das drenagens de forma que as drenagens de
maiores ordens, ou seja, as que estão ligadas a um maior número de
drenagens, apresentassem um buffer maior do que as drenagens de ordem
menor (Figura 2.1). Procurou-se desta maneira que o potencial de ocorrência
da classe Área Úmida nas regiões adjacentes aos rios principais, onde
geralmente ocorrem terrenos sujeito à inundação, fosse menor do que o
potencial das regiões adjacentes a drenagens de menor ordem, como as
áreas próximas às nascentes, por exemplo.
A geração da grade de potencial de ocorrência da classe Área Úmida se deu
pela combinação, por meio de operadores fuzzy, das grades numéricas
referentes a cada variável (declividade e distâncias horizontal e vertical à
drenagem mais próxima). As grades de cada variável foram geradas a partir
do MDT nativo do Projeto Radiografia da Amazônia e normalizadas antes da
operação fuzzy. A grade de distâncias horizontais à drenagem mais próxima
foi gerada pelo algoritmo HAND (RENNÓ et al., 2008), e, para simplificar a
terminologia, nos referimos a esta grade simplemente por HAND (Height
Above Nearest Drainage) no restante trabalho.
Na segunda etapa do método, foram geradas grades numéricas para cada
variável logística considerada, as quais foram ponderadas juntamente com a
grade de potencial de ocorrência de áreas úmidas para gerar uma grade
numérica de áreas ótimas. No caso deste trabalho foram consideradas a
proximidade de cada ponto às localidades e à rede hidrográfica. Os pesos da
ponderação foram definidos por meio da utilização do algoritmo de apoio à
decisão Analytic Hierarchy Process (SAATY, 2008).
O fluxograma da metodologia (Figura 2.1) mostra a cadeia de processos
executados e os dados de entrada e saída de cada um deles. Foi criada
também a modelagem de um banco de dados no padrão OMT-G (BORGES
et al., 2001), a qual mostra os tipos de dados utilizados e o relacionamentos
entre as categorias criadas para a execução do método (Figura 2.2).
Figura 2.1 – Fluxograma do método
Figura 2.2 – Modelo OMT-G do banco de dados
2.1 Materiais
Os insumos deste trabalho foram baixados do Banco de Dados Geográficos
do Exército (BDGEx - http://www.geoportal.eb.mil.br/mediador/), da página do
IBGE (http://www.ibge.gov.br) e da página do USGS (http://landsat.usgs.gov).
Foram baixados do BDGEx os MDT, com resoluções de 5 metros, relativos
aos MI (Mapa Índice) 0348-1, 0348-2, 0348-3, 0348-4 (escala 1:50.000) e a
carta topográfica vetorial de MI 0348 (escala 1:100.000). Foi baixado da
página do IBGE o cadastro de localidades no formato vetorial, referente ao
ano de 2010.
Utilizou-se, com a finalidade de comparar os resultados obtidos pela
inferência de potencial de ocorrência de áreas úmidas, duas imagens
Landsat TM e as ortoimagens da banda P na polarização HH nativas do
Projeto Radiografia da Amazônia.
A carta topográfica vetorial relativa ao MI 0348 foi publicada em 2010 e está
estruturada conforme a ET-EDGV (CONCAR, 2010). As classes
HID_Trecho_Drenagem_L e HID_Trecho_Massa_Dagua_A para compor a
hidrografia utilizada na etapa de inferência das áreas ótimas conforme o item
2.5 deste trabalho.
Os programas utilizados foram o SPRING 4.3.3, onde foram implementados
o modelo do banco de dados e os operadores fuzzy e foram gerados os
mapas de distâncias; o TerraViewHidro 0.3.3 onde a partir do MDT foram
extráidas automaticamente as drenagens e o HAND; o Quantum GIS 1.8.0-
Lisboa e o ENVI 4.7 por meio dos quais foram manipuladas as grades
númericas.
2.2 Geração dos dados
Os MDT baixados no BDGEx foram mosaicados e reprojetados, resultando
em um MDT abrangendo a região relativa ao MI 0348, o qual foi reamostrado
para uma resolução de 50 metros, utilizando o interpolador vizinho mais
próximo. A reamostragem foi realizada, pois considerou-se que para o estudo
em questão a resolução de 5 metros não contribuiria significativamente para
a qualidade do resultado, uma vez que a menor dimensão das áreas úmidas
prevista de ser adquirida para uma escala de 1:50.000, segundo a ET-ADGV
é de 62.500 metros quadrados (CONCAR, 2011). Além disso, a
reamostragem colabora para diminuir o custo computacional.
O MDT resultante foi utilizado para gerar a rede de drenagens da área de
estudo e as grades de declividade (em graus) e o HAND, ambos com
resolução de 50 metros. As drenagens geradas apresentam maiores detalhes
do que aquelas contidas na classe HID_Trecho_Drenagem_L da carta
vetorial de MI 0348, porém não foram utilizadas na etapa de inferência de
áreas ótimas por motivos que estão detalhados em no item 2.5. A ordem das
drenagens que compõe a rede foi utilizada para a geração de um buffer
ponderado, onde a distância de buffer para cada drenagem é igual a 50
vezes a sua ordem. Este buffer ponderado foi utilizado na etapa da geração
da grade de potencial de ocorrência da classe Área Úmida, conforme
explicado no item 2 deste trabalho.
Figura 2.1 – Comparação entre as drenagens e o buffer ponderado pela ordem
O HAND não forcene resultados para as região dos limites do MDT,
causando o efeito exposto na Figura 2.2. Por este motivo, todos as grades
geradas neste trabalho tiveram que ser recortadas segundo os limites do
HAND.
Figura 2.2 – Comparação dos limites entre o MDT (à esquerda) e HAND (à direita)
Foram geradas grades de distâncias ao buffer ponderado das drenagens, à
hidrografia oriunda da carta topográfica vetorial e às localidades do cadastro
do IBGE, com resoluções de 50 metros. Nestas grades o valor de cada pixel
é a distância à feição mais próxima de um conjunto de feições referência. A
grade de distância às localidades do IBGE, foi gerada para o enquadramento
com coordenadas do canto inferior esquerdo iguais a 2° S e 66,5° O e canto
superior direito iguais a 0,5° S e 65,5° O para abranger as localidades
próximas à área de estudo, tendo em vista que não há nenhuma dentro dos
limites do MI 0348.
2.3 Normalização dos campos
As grades geradas no trabalho foram normalizadas para que pudessem ser
aplicados operadores de lógica fuzzy sobre eles. A função de conversão foi
aplicada para cada grade (Eq. 2.1), onde x é o valor original do pixel, μ é
o valor transformado do pixel, vmin é o valor transformado mínimo, p é o
patamar e vmax é o valor transformado máximo, conforme os parâmetros
constantes da tabela Tabela 2.1
μ=vmin , se x=0
μ=xp
, se 0<x< p
μ=vmax , se x> p
(2.1)
Tabela 2.1 – Valores mínimo, máximo e patamares para cada grade
Grade vmin p vmax
HAND 0,001 12 0,999
Declividade 0,01 2,5 0,99
Distância ao buffer ponderado 0,01 1500 0,99
Distância à hidrografia 0 6000 1
Distância às localidades 0 73500 1
Os valores dos patamares foram escolhidos de forma fossem maiores do que
aproxidamente 95% dos pixels da grade. Para o HAND, declividade e
distância ao buffer ponderado, atribuiu-se valores mínimo e máximo
diferentes de 0 e 1, respectivamente, para evitar que fossem zerados termos
do operador fuzzy Gama (Eq. 2.3), utilizado na etapa de geração da grade de
potencial de ocorrência de áreas úmidas.
2.4 Potencial de áreas úmidas por lógica fuzzy
A geração da grade de potencial de ocorrência da classe Área Úmida foi
realizada por meio de dois operadores fuzzy distintos, fuzzy AND e fuzzy
Gama. Os operadores foram aplicados às grades normalizadas de HAND,
declividade e distância ao buffer ponderado, resultando em grades numéricas
com resolução de 50 metros. Conforme visto no item 2, a ocorrência da
classe Área Úmida está relacionada a baixos valores de HAND e declividade
e a altos valores de distância ao buffer ponderado e níveis de cinza da
ortoimagem P. Portanto, nas operações fuzzy foram utilizados os
complementos do HAND e da declividade, ou seja, a unidade subtraída do
valor dos pixels normalizados.
O operador fuzzy AND é igual ao valor mínimo dentre os níveis de
pertinência de entrada para cada pixel (Eq 2.2), sendo apropriado para os
casos onde duas ou mais evidências devem estar presentes
simultaneamente para que a hipótese assumida seja verdadeira (BONHAM-
CARTER, 1994) . Portanto, o operador foi utilizado inferir áreas onde
haveriam baixos valores de HAND e declividade juntamente com altos
valores de distância ao buffer ponderado e nível de cinza da ortoimagem P.
μ=MIN (μa ,μb ,μc , ...) (2.2)
O operador fuzzy Gama é composto pela soma algébrica fuzzy e produto
algébrico fuzzy elevados por um valor γ e seu complemento,
respectivamente (Eq 2.3). A escolha de baixos valores de γ causa a
diminuição dos níveis de pertinência resultantes enquanto valores altos de
γ causam em um efeito aumentativo (BONHAM-CARTER, 1994). Neste
trabalho foi utilizado γ=0,6 .
μ=(1−∏i=1
n
1μi)γ∗(∏
i=1
n
μi)(1−γ) (2.3)
2.5 Inferência de áreas ótimas
A grade de potencial de ocorrência de áreas úmidas, e as grades
normalizadas de distância à hidrografia e distância às localidades, foram
ponderados pelo método AHP (SAATY, 2008) para gerarem a grade de áreas
ótimas. Conforme visto no item 2, considerou-se uma área mais propícia à
verificação em campo quando está mais próxima das localidades e da
hidrografia e apresenta um maior potencial de ocorrência da classe Área
Úmida. Portanto, na ponderação realizada foram utilizados os complementos
das distâncias às localidades e hidrografia, ou seja, a unidade subtraída do
valor dos pixels normalizados. As drenagens extraídas automaticamente do
DTM não foram utilizadas nesta etapa, pois a hidrografia da carta vetorial foi
digitalizada a partir de imagens orbitais e considerou-se que se uma
drenagem é identificável por tal insumo é mais provável que este curso
d'água tenha uma dimensão suficientemente grande para que uma
embarcação militar leve possa navegá-lo. Já quanto às drenagens extraídas
automaticamente a partir do DTM nada pode se dizer a respeito da dimensão
do curso d'água.
Foram geradas grades de áreas ótimas para diferentes conjuntos de pesos
retornados pelo método AHP, com intuito de analisar o efeito de sua variação
no resultado final. A Tabela 2.2 mostra os pesos resultantes das
comparações pareadas e o índice de consistência obtido para cada cenário.
Tabela 2.2 – Pesos e índices de consistência (IC) resultantes das comparações pareadas para cada cenário, onde (pot) é o potencial de ocorrência, (1-loc) e (1-hidro) são os complementos das distâncias às localidades e hidrografia, respectivamente.
Cenário (pot) (1-loc) (1-hidro) IC
1 0,540 0,297 0,163 0,008
2 0,655 0,250 0,095 0,016
3 0,769 0,147 0,084 0,016
3 RESULTADOS E DISCUSSÃO
3.1 Grade de potencial de ocorrência de áreas úmidas
As grades originadas a partir dos operadores fuzzy AND e fuzzy Gama foram
comparadas entre si, com imagens orbitais ópticas e com a ortoimagem da
banda P nativa do Projeto Radiogradia da Amazônia.
As grades fuzzy AND e fuzzy Gama destacaram de maneira muito similar as
áreas com maiores potenciais das demais áreas, porém o fuzzy AND
apresentou limites mais rígidos (Figura 3.1) e valores de potencial inferiores
aos do fuzzy Gama (Figura 3.2). Pela questão da rigidez dos limites, decidiu-
se efetuar as etapas do trabalho somente para a grade fuzzy Gama.
Figura 3.1 – Extrato das grades fuzzy AND (esquerda) e fuzzy Gama (direita)
Figura 3.2 – Extrato do fatiamento das grades fuzzy AND (esquerda) e fuzzy Gama (direita) em 5 classes de intervalos iguais a 0,2
A classe do fatiamento com os maiores potenciais (0,8 a 1,0) da grade fuzzy
Gama (em verde na Figura 3.2), foi vetorizada e sobreposta à imagens do
Landsat TM e ortoimagem da banda P. A banda mais importante do Landsat
TM para identificação de áreas úmidas é a banda 5 devido à sua capacidade
de discernir entre diferentes níveis de vegetação e de umidade do solo
(OZESMI; BAUER, 2002). Foram utilizadas duas imagens da banda 5 do TM
de datas distintas (janeiro e agosto de 2000), respectivas às estações
chuvosa e seca (Figuras 3.3 e 3.4).
Figura 3.3 – Extrato da imagem Landsat TM da estação chuvosa sobreposta pelas áreas de maior potencial de ocorrência de áreas úmidas
Figura 3.4 – Extrato da imagem Landsat TM da estação seca sobreposta pelas áreas de maior potencial de ocorrência de áreas úmidas
As áreas de maiores potencial de ocorrência da classe Área Úmida, em
ambas as imagens, estão contidas ou próximas a regiões que apresentam
baixa resposta espectral e simultaneamente não são adjacentes aos rios. Isto
indica que, neste caso, o método tem potencial de identificar áreas úmidas e
diferenciá-las de terrenos sujeitos à inundação, segundo as definições da ET-
EDGV (CONCAR, 2010).
Figura 3.5 – Extrato da ortoimagem da banda P sobreposta pelas áreas de maior potencial de ocorrência de áreas úmidas
De maneira geral, neste estudo, as áreas de maior potencial de ocorrência
de área úmida encontram-se nas adjacências de regiões apresentando
valores mais elevados de retroespalhamento na ortoimagem da banda P,
porém não se sobrepondo a estas regiões. Porém, houve áreas que se
sobrepuseram à regiões com baixo valores de retroespalhamento.
A relação das áreas úmidas com o retroespalhamento não é trivial, pois
fatores como o tipo de vegetação, banda de imageamento, polarização do
pulso, constantes dielétricas da vegetação e do solo influenciam no sinal de
retorno (KASISCHKE; BOURGEAU-CHAVEZ, 1997). Imagina-se que a
diversidade destes fatores na área de estudo tenha sido a causa de uma
coerência menor entre as áreas de maior potenciais e a ortoimagem da
banda do que entre as áreas de maior potencial e as imagens Landsat TM.
Tendo em vista os resultados obtidos, entende-se que o método pode ser
aperfeiçoado se for considerada a altura da vegetação, que pode ser obtida
pela diferença entre os MDS e MDT nativos do Projeto Radiografia da
Amazônia (CORREIA, 2011). No caso da aplicação prática do método, a
verificação em campo das áreas úmidas permitirá que o modelo seja
ajustado para garantir maior eficácia à inferência. Não é necessário que seja
utilizado um modelo único, uma vez que dada a extensão da área do Projeto
Radiografia da Amazônia, é de se esperar que um modelo se aplique melhor
a certas regiões do que outras.
3.2 Grade de áreas ótimas
As grades de áreas ótimas dos cenários 1, 2 e 3 foram comparadas. Para
facilitar a visualização das nuances, as grades foram representadas em uma
escala de cores que parte dos tons mais "frios" para os mais "quentes",
significando baixos e altos valores na grade de área ótimas, respectivamente
(Figura 3.6).
Figura 3.6 – Extrato das grades de áreas ótimas em escala de cores; cenários 1 (esquerda), 2 (centro) e 3 (direita)
Percebeu-se que as grades dos cenários 2 e 3 são muito semelhantes,
apresentando pouca diferença entre as representações, porém a grade do
cenário 1, não apresenta os tons em vermelho presentes nos outros
cenários. No que diz respeito à diferença entre os pesos atribuídos ao
potencial de ocorrência da classe Área Úmida, a diferença entre cenários 2 e
3 é praticamente a mesma do que a dos cenários 1 e 2, portanto era de se
esperar que a atenuação nos tons vermelhos fosse mais tênue. Este efeito
pode ter sido causado em parte por um maior peso atribuido à proximidade à
hidrografia no cenário 1, o qual é quase o dobro do peso do cenário 3. Porém
o cenário 2 apresenta um peso muito próximo ao do cenário 1, e não
apresenta esta atenuação acentuada em relação ao cenário 3. Acredita-se
que à medida que o peso atribuído ao potencial de ocorrência de áreas
úmidas se aproxima de 0,5 e deixa de ter predominância sobre os outros
fatores a atenuação dos valores da grade de áreas ótimas é intensificada.
Foram comparadas também, utilizando-se a mesma escala de cores, a grade
de potencial de ocorrência da classe Área Úmida com a grade de áreas
ótimas resultante do cenário 2 (Figura 3.7).
Figura 3.7 – Comparação entre a grade de potencial de ocorrência da classe Área Úmida (direita) e a grade de áreas ótimas (esquerda) em escala de cores
A região à sudeste da região de estudo apresenta maior presença de áreas
com elevados potenciais de ocorrência de áreas úmidas do que a região à
sudoeste; contudo, quando consideramos os fatores logísticos, devido à
distância à localidade mais próxima, a região à sudoeste torna-se mais
indicada para verificação em campo do que a região sudeste. Este exemplo
mostra como as variáveis logísticas consideradas podem impactar na
decisão de qual área deve ser verificada.
No caso da aplicação prática deste método os pesos poderão ser melhor
ponderados, pois a verificação em campo das áreas úmidas indicadas pela
grade de potencial de ocorrência possibilitará a avaliação da sua eficácia e
sua decorrente importância em relação aos outros fatores considerados.
O método de inferência das áreas ótimas apresenta a vantagem de ser
flexível, podendo outras informações consideradas relevantes, como por
exemplo a localização de bases operacionais temporárias, pontos de
ressuprimento, caminhos, trilhas e rede rodoviária quando presente, serem
incorporadas ao processo decisório bastando que sejam geradas e
normalizadas suas respectivas grades de distâncias.
4 CONCLUSÃO
O método proposto apresentou resultados relevantes no que diz respeito à
identificação de áreas com maior potencial de ocorrência da classe Área
Úmida, apresentando correlação com áreas de baixa resposta espectral na
banda 5 das imagens TM. As áreas de maior potencial também
apresentaram certa correlação com os tons de cinza da ortoimagem da
banda P, porém esta relação necessita ser estudada mais
pormenorizadamente devido à complexidade da interação do sinal radar com
a diversidade de alvos da Amazônia.
A flexibilidade do método permite que ele possa ser facilmente aprimorado
ou customizado a particularidades do planejamento de uma campanha de
levantamento específica. Trabalhos futuros visando o aperfeiçoamento do
método devem ser realizados incoporando a altura da vegetação como uma
variável para a geração da grade de potencial e também considerando outras
variáveis logísticas na geração da grade áreas ótimas. Além disso, o método
deve ser aplicado à outras áreas de estudo, apresentando características
distintas de vegetação, hidrografia, relevo e presença antrópica.
REFERÊNCIAS BIBLIOGRÁFICAS
BONHAM-CARTER, G. F. Geographic information systems for geo-scientists: modelling with GIS. Pergamon, Oxford, 1994, 398 p.
BORGES, K. A. V.; DAVIS JR., C. A.; LAENDER, A. H. F. OMT-G: an object-oriented data model for geographic applications. GeoInformatica, v. 5, n.3, p. 221-260, 2001.
CENSIPAM, 2008. Subprojeto Cartografia Terrestre, Documento de Referência do Acordo de Cooperação Técnica no 03/2008, de 26 de fevereiro de 2008, celebrado entre o CENSIPAM, o Comando do Exército, o Comando da Marinha, o Comando da Aeronáutica, e o Serviço Geológico do Brasil.
COMISSÃO NACIONAL DE CARTOGRAFIA (CONCAR). ET-EDGV 2.1.3: Especificação Técnica para Estruturação de Dados Geoespaciais Vetoriais, 2010.
COMISSÃO NACIONAL DE CARTOGRAFIA (CONCAR). ET-ADGV 2.1.3: Especificação Técnica para Aquisição de Dados Geoespaciais Vetoriais, 2011.
CORREIA, A. H., Metodologias e Resultados Preliminares do Projeto
Radiografia da Amazônia. In: SIMPÓSIO BRASILEIRO DE SENSORIAMENTO REMOTO, 15, 2011, Curitiba. Anais XV. São José dos Campos: INPE, 2011, p. 8083-8090.
KASISCHKE, E. S; BOURGEAU-CHAVEZ, L. L. Monitoring South Florida wetlands using ERS-1 SAR imagery. Photogrammetric Engineering & Remote Sensing, v. 63, n. 3, p. 281-291, March 1997.
LI, J.; CHEN, W. A rule-based method for mapping Canada’s wetlands using optical, radar and DEM data. International Journal of Remote Sensing, v. 26, n. 22, p. 5051-5069, November 2005.
MOURA, P. ; CORREIA, A. H. Utilização de Imagens Interferométricas SAR na banda X para Estimativa da Cota da Superfície e Nivelamento de Massas D água no Projeto Radiografia da Amazônia. In: SIMPÓSIO BRASILEIRO DE SENSORIAMENTO REMOTO, 15, 2011, Curitiba. Anais XV. São José dos Campos: INPE, 2011, p. 8272-8279.
OZESMI, S. L.; BAUER, M. E. Satellite remote sensing of wetlands. Wetlands Ecology and Management, v. 10, p. 381-402, October 2002.
RENNÓ, C. D. ; NOBRE, A. D. ; CUARTAS, L. A. ; SOARES, J. V. ; HODNETT, M. G. ; TOMASELLA, J. ; WATERLOO, M. J. . HAND, a new terrain descriptor using SRTM-DEM: Mapping terra-firme rainforest environments in Amazonia. Remote Sensing of Environment , v. 112, p. 3469-3481, 2008.
SAATY, T. L. Decision making with the analytic hierarchy process. International Journal of Services Science, v. 1, n. 1, p. 83-98, 2008.