1

INTERPRETAÇÃO DADIMENSÃO GEOGRÁFICA DOOBJECTO EM DETECÇÃO REMOTA

Sara Encarnação 1

1 e­Geo, Centro de Estudos de Geografia e Planeamento Regional, Faculdade de Ciências Sociais e Humanas –

Universidade Nova de Lisboa, Avenida de Berna, 26­C, 1069­061 Lisboa,

Tel: (+351) 21 793 35 19, sara.encarnacao@fcsh.unl.pt

Palavras­Chave: Pixel, Objecto Representado, Objecto Representativo, Objecto Compósito, Detecção

Remota

1. Introdução

Nesta comunicação é apresentada e discutida a abordagem orientada a objecto na análise de imagem

em detecção remota, como veículo de produção de conhecimento e formalização de conceitos em

Geografia.

A Detecção Remota, aplicada ou fundamental, implica necessariamente um recurso, directo ou

indirecto às teorias de construção de objectos em cognição humana. Isto é, uma imagem de satélite

carece da criação de uma descodificação dos dados em informação, sem a qual estaremos a falar

apenas num conjunto de sinais não transmissíveis.

A noção de objecto, enquanto nova unidade mínima de análise em detecção remota, carece

obrigatoriamente de um enquadramento espacial do objecto em si mesmo. Desta forma, se não se

tentar determinar a sua contextualização no espaço, a natureza do objecto e mesmo o seu significado

perdem a sua razão de ser. A ligação entre a Detecção Remota e a Geografia é conseguida com a

caracterização e parametrização dos objectos representativos (aqueles presentes na imagem que terão

um correspondente na realidade, isto é, que são representativos deste último), e dos objectos

representados, por forma a identificar e caracterizar as relações espaciais dos objectos geográficos.

Contudo, em Geografia, o estudo de um só objecto perde significado, na medida em que não é possível

estudar as suas relações espaciais num contexto supra­objecto de n dimensões. A formalização do

conceito de espaço em Geografia permitirá a análise de relações espaciais entre objectos, seja na sua

vertente topológica, seja na sua vertente métrica, num espaço absoluto ou relativo. A própria relação

espacial produzirá um espaço típico, determinado pelas ligações estabelecidas entre os objectos

estudados. Neste sentido, o espaço geográfico será definido pelos objectos considerados e os atributos

a eles referenciados, em que cada objecto é entendido como uma parte do todo, o qual pode ser

entendido pelo atributos das partes.

Desta reflexão surge a noção de objecto compósito, entendido como unidade semântica operacional

significante das operações a desenvolver.

2

2. Produção de Informação em Detecção Remota

A Detecção Remota é geralmente definida como a ciência de obter informação sobre um objecto, área

ou fenómeno, através da análise de dados adquiridos sem contacto directo com o objecto, área ou

fenómeno em estudo (Lillesand, Kiefer, 2000:1; Rees, 2001:1).

Lillesand, Kiefer (2000:1) caracterizam a complexidade da disciplina quando fazem a conotação desta

com o processo de leitura. Isto é, os dados são adquiridos por um determinado sensor, processados e

analisados, por forma a produzir conhecimento. A comparação pode ser entendida no processo de

leitura, com os olhos enquanto sensores, que transmitem quantidades e variações de energia ao

cérebro, que os analisa.

Na comunicação que se apresenta, esta comparação assume um papel fundamental, na medida em que

se irá debater a necessidade, além das vantagens, de se perceber o tratamento da informação

proveniente da Detecção Remota, na área da cognição electrónica.

2.1. Síntese de Pr incípios Físicos de Detecção Remota

Da mesma forma que os nossos olhos registam a energia, ou seja, a radiação electromagnética (REM),

também os sensores em Detecção Remota registam esta energia para produção de informação.

A radiação electromagnética é geralmente descrita, por duas ondas 1 (uma eléctrica e uma magnética)

transversais ao movimento da onda electromagnética, e perpendiculares entre si (Figura 1). À

distância entre os picos de duas ondas sucessivas é dado o nome de comprimento de onda (λ). A

frequência (υ) da onda é dada pelo número de vezes, por segundo, que um pico passa por um ponto

fixo (Lillesand, Kiefer, 2000:4). Assim, uma onda é caracterizada, fundamentalmente por:

c = υλ [1]

Onde: c = velocidade da luz, constante (3x10 8 m/sec) υ = frequência λ = comprimento de onda

1 A REM é também descrita pela teoria de partículas, em que as unidades (fotões ou quanta) traduzem a interacção da radiação com a matéria, estabelecendo a relação entre o comprimento de onda (λ) e a energia, ou seja, a energia diminui à medida que aumenta o comprimento de onda. (Lillesand, Kiefer, 2000:6; Fonseca, Fernandes, 2004:2).

3

Figura 1 ­ A Onda Electromagnética

Adaptado de: LILLESAND, KIEFER, 2000:4.

Em Detecção Remota, as ondas são classificadas e caracterizadas, por convenção, no Espectro

Electromagnético (Figura 2), de acordo com o seu comprimento de onda (λ) .

Figura 2 ­ O Espectro Electromagnético

Adaptado de: LILLESAND, KIEFER, 2000:5.

O olho humano é sensível apenas à parte do espectro electromagnético denominada por visível, que

inclui o Azul, o Verde e o Vermelho, com comprimentos de onda (λ) entre os 0,4μm e 0,7μm,

sensivelmente. Em Detecção Remota, além do visível, são também registadas ondas com λ superiores,

como por exemplo, o infravermelho próximo, médio e térmico. 2

As quantidades de energia registadas pelos sensores são o resultado da interacção da energia com a

matéria. O Sol é a principal fonte emissora de energia incidente (EI) na superfície terrestre; quando da

2 Aos sensores que registam o visível e o infravermelho chamam­se sensores passivos porque registam apenas a energia reflectida pelos objectos. Existem também sensores activos, que registam λ superiores, por exemplo, microondas. Estes emitem eles próprios energia, que interage com o objecto ou superfície em estudo, sendo novamente registada pelo sensor.

4

interacção desta com os objectos da superfície, três tipos de interacção podem ocorrer: a energia é

reflectida (ER), a energia é absorvida (EA), e a energia é transmitida (ET). Assim:

( ) ( ) ( ) ( ) λ λ λ λ T A R I E E E E + + = [2]

A maior parte dos sensores registam a quantidade de energia reflectida pelos diferentes objectos,

quantidade esta que varia em função das propriedades físico­químicas dos objectos 3 . Assim, a

quantidade de energia reflectida, i.e., a reflectância (ρ) é traduzida por:

ρ(λ) = (ERλ / EIλ )* 100 [3]

Assim, diz­se que cada objecto terá um comportamento espectral (dado pela sua assinatura espectral

ou curva espectral), variando este em função do comprimento de onda. A diferenciação e classificação

dos objectos nas imagens de satélite faz­se pela caracterização dos respectivos comportamentos

espectrais (Figura 3).

Figura 3 ­ Curvas do compor tamento Espectr al Típico da Água, Vegetação e Solo a descober to

Adaptado de: LILLESAND, KIEFER, 2000:17

Por exemplo, é no Próximo Infravermelho (PIR) que a diferenciação da vegetação, comparativamente

a outros corpos, se revela mais eficaz, uma vez que é neste comprimento de onda que se registam

níveis máximos de reflectância. Ou seja, se no visível apenas se destinguem diferentes tonalidades de

verde, já no PIR as diferenciadas estruturas internas da vegetação contribuem, em grande escala, para

que a curva média apresentada no gráfico se altere significativamente, por exemplo, o pico verificado

no PIR deve­se à presença de vegetação em actividade. Em oposição, para comprimentos de onda de

1,4 μm e 1,9 μm, observa­se a absorção pela água presente na vegetação.

3 A energia recebida pelo sensor sofre também a interferência da atmosfera, pelo que a energia reflectida final, registada pelo sensor, será diferente da energia inicial, reflectida pelo objecto.

5

O comportamento da água mostra que a maior parte da energia é absorvida; os níveis de reflectância

são mais baixos entre os 0,4 μm e 0,8 μm, o valor a partir do qual a reflectância é nula ou praticamente

nula. Se este elemento apresenta este comportamento espectral, podemos esperar uma descida dos

valores de reflectância da vegetação, quando em presença de humidade, levando a confusões de

classificação da vegetação com outros elementos.

Em meio urbano existe uma elevada heterogeneidade de elementos, facto que concorre para o

aumento da dificuldade na diferenciação de objectos, apenas pela sua resposta espectral.

Na figura 4, pode observar­se que: a) sensivelmente entre 0,4 ­ 0,55 μm, as várias curvas de reflectância encontram­se demasiado próximas, facto que dificulta a distinção dos elementos, b)

aproximadamente a partir de 0,55 μm e até 0,65 μm é já visível uma tendência para as diferentes curvas traduzirem um comportamento mais diferenciado, de acordo com a natureza de cada objecto e,

c) a partir de 0,65 μm, os diversos elementos apresentam um distinto comportamento. Note­se, contudo, que o asfalto ainda é «confundível» com a relva artificial e a rocha a descoberto com o solo

arenoso. Este último pode corresponder a parcelas de solo a nu, sem uso específico, assim como a

áreas de loteamento ou em início de construção. Desta forma, a heterogeneidade do espaço contribuirá

para a heterogeneidade da informação espectral recolhida.

Figura 4 ­ Curvas de Reflectância de Alguns Elementos de Áreas Edificadas

Adaptado de: Robin, 2002:57

6

2.2. Estrutur a geral de uma imagem de satélite

Uma imagem de satélite é constituída por uma matriz de dados x,y (colunas/linhas). A intersecção de

uma coluna com uma linha dá origem uma célula (normalmente quadrada), denominada por pixel 4 . O tamanho da imagem é dado pela multiplicação do número de colunas pelo número de linhas, isto é, m x n pixels. Ao pixel encontra­se atribuído um valor digital ou digital number (DN), que traduz a reflectância registada pelo sensor, numa parte do terreno referenciada pelas coordenadas x,y da

imagem (figura n.º 5). Figura 5 ­ Estrutura de uma banda de uma imagem de satélite

Adaptado de: LILLESAND, KIEFER, 2000:25

O pixel é então identificado, em diferentes bandas, pelas suas coordenadas x,y e pelo seu valor digital em k, sendo k cada uma das bandas registadas por determinado sensor. Desta forma, ao mesmo par de coordenadas x,y, corresponderão diferentes valores digitais do pixel, de acordo com o número de

bandas do sensor. Por exemplo, num sensor com 4 bandas (Azul, Verde, Vermelho e Infravermelho

Próximo), o mesmo par de coordenadas x,y terá 4 valores de resposta espectral (um para cada banda),

que variam de acordo com o comportamento espectral do objecto da superfície terrestre a que

correspondem. Na visualização e interpretação de uma imagem de satélite decorrem vários processos,

dependendo da forma com os dados são entendidos. Por exemplo, visualizando apenas a matriz dos

dados, para o utilizador, a interpretação da informação acarreta dificuldades acrescidas, uma vez que o

cérebro tem dificuldade em lidar com a distribuição dos dados. Nesta medida, o recurso ao

processamento digital dos dados facilita a produção de informação. Contudo, o software lida apenas com a distribuição e variação dos dados, sem ter em conta outro tipo de informação. Por outro lado, se

o utilizador visualizar e interpretar os dados quantitativos, quando traduzidos em níveis de cor ou de

cinzento, consegue elaborar outras formas de analisar as distribuições dos mesmos, na medida em que

consegue agrupar pixels com tonalidades semelhantes entre si (figura n.º 6). Os agrupamentos formados apresentarão também uma forma, que por sua vez pode ser interpretada ­ falamos aqui numa

4 Pixel é o acrónimo para picture element e que identifica a unidade mínima de análise de uma imagem de satélite.

7

vertente mais qualitativa de interpretação de imagem, que advém da interpretação visual de imagem

(ou fotointerpretação) 5 .

Figura 6 ­ Abordagens de tr atamento de imagem

Estas duas formas de se trabalhar os dados dão origem a duas abordagens em análise de imagem,

nomeadamente a abordagem pixel a pixel e a abordagem orientada a objecto. A principal questão que se coloca advém de um aparente “paradoxo”: Se o utilizador trabalha naturalmente ao nível do

objecto, porquê continuar a trabalhar ao nível do pixel? Será então possível concentrar numa

abordagem a componente quantitativa e qualitativa na interpretação e análise de imagem? Porque não

quantificar a forma, ou a localização relativa de um conjunto de pixels com semelhanças entre si, mas

diferentes de um outro agrupamento?

3. As abordagens de análise de imagem em Detecção Remota

A partir dos dados recolhidos pelos sensores, é possível descodificar a informação contida numa

imagem, para futura interpretação e análise. Contudo é necessário entender no que consiste uma

imagem de satélite e de que forma os dados aí contidos podem ser transformados em informação.

Dependendo da forma como os dados da imagem são organizados e processados, assim podemos

identificar duas abordagens de análise de imagem: a abordagem pixel a pixel, que assenta, principalmente, na informação espectral recolhida (inerente à estrutura base de cada imagem e que tem

sido a abordagem usual em Detecção Remota), e a abordagem orientada a objecto, desenvolvida recentemente, que procura identificar objectos da superfície terrestre recorrendo não só à informação

espectral, mas também e principalmente ao significado que esses mesmo objectos adquirem, em

determinados contextos espaciais (entenda­se, a sua localização relativa).

5 Na fotointerpretação (método geralmente identificado com a interpretação de fotografia aérea, na qual não existe informação espectral) o utilizador interpreta e classifica a imagem a partir de um conjunto de variáveis visuais, como a forma, tamanho, textura, cor, etc., fazendo a transposição do conhecimento de terreno para a sua representação numa imagem.

8

3.1. A abordagem pixel a pixel Nesta abordagem, a unidade mínima de análise é o pixel, o que significa que será tido em conta,

sobretudo o seu valor digital. Assim, por exemplo, nas classificações de uso do solo procuram­se as

classes de uso, a partir de classes espectrais (grupos), constituídos por agrupamento de pixels com comportamento espectral semelhante.

As metodologias mais usuais desenvolvidas com recurso a imagens de satélite, têm como principal

objectivo a atribuição de significado a conjuntos de grupos com comportamento espectral semelhante, através de classificadores espectrais 6 .

Assim, ao nível da classificação pode optar­se por:

a) classificação não supervisionada, onde não existe informação a priori na definição dos grupos a encontrar. O classificador mais utilizado é o K­means ou ISODATA. O utilizador intervém apenas na escolha do número de classes a encontrar.

b) classificação supervisionada, onde o utilizador define a priori informação sobre parcelas teste. Os classificadores mais aplicados são o Paralelepípedo, Mínima distância, Máxima

Versosimilhança e de Bayes. 7

Ou seja, numa primeira fase, a imagem é classificada em classes espectrais. A interpretação das

mesmas permitirá atribuir­lhes significado quanto ao uso do solo. Contudo, para alguns grupos, a mistura espectral de elementos de natureza diferente é demasiado significativa, impedindo a sua

identificação temática 8 . Este problema agrava­se quanto menor for a resolução espacial (dimensão da

superfície terrestre representada num pixel), se não existir uma adequação da hierarquia da legenda à escala de percepção espacial. Por exemplo, as imagens LANDSAT TM, com resolução 30 x 30 metros,

poderão ser adequadas para identificação de grandes manchas estruturais do território; já as imagens

SPOT Pancromático (10 x 10 metros), podem revelar as linhas principais da morfologia urbana.

Para além da problemática da resolução espacial das imagens, o facto é que ambos os tipos de

classificação e os diferentes classificadores e algoritmos foram desenvolvidos com a abordagem pixel

a pixel, tendo por isso como elemento mínimo de análise o pixel. Ou seja, toda a análise e processamentos realizados se regem ao seu comportamento na imagem. O problema coloca­se quando

a(s) classe(s) que procuramos são identificadas e caracterizadas pela relação espacial que têm com

outras classes e não com um ou outro pixel. Isto é, definem­se pela relação existente numa escala diferente da do pixel, ou seja, a do objecto.

6 Para a determinação de classes podem ser utilizados classificadores espectrais, que têm em conta os valores digitais dos pixels, mas também classificadores contextuais que têm já em conta informação de textura e contexto (ROCHA, 2003: 69), embora continuando o pixel como unidade mínima de análise.

7 Para uma descrição detalhada dos classificadores cf. RICHARDS (1993), LILLESAND, KIEFER (2000), ROCHA (2003).

8 Cf. figura 4, p. 5., onde no Visível é notória a proximidade das curvas de reflectância de elementos de natureza diferente.

9

A abordagem dos classificadores contextuais apresenta já alguma semelhança com a interpretação

visual de imagem e reconhecimentos de objectos por parte do ser humano, da qual é exemplo o uso da

análise da textura. Estes classificadores derivam em grande parte dos desenvolvimentos em análise da

textura, dos quais se destacam os trabalhos de HARALICK (1973, 1979). O desenvolvimento das

técnicas de segmentação de imagem (HARALICK, SHAPIRO, 1985, CORTEZ et al, 1995, WANG et al, 1996), permitiu a passagem do pixel para o objecto (embora não ainda na imagem completa) como unidade mínima de análise, dando início a novas abordagens de análise de imagem. Estas novas

abordagens só foram possíveis com os avanços em algorítmica, investigação em cognição espacial e

tecnologia computacional, às quais não são alheias a semiótica e o construtivismo.

3.2. A abordagem orientada a objecto Desde o ano 2000 tem sido comercializado um novo software (eCognition) que tem por base a segmentação da imagem em objectos de interesse, numa perspectiva hierárquica de relações espaciais. A unidade mínima de análise é o objecto e é sobre ele que decorrem as operações de classificação baseadas em regras de classificação, construídas a partir dos diversos atributos desses mesmos objectos, como sejam a cor, a forma, a hierarquia, a textura e o contexto espacial. Por forma a optimizar a delimitação do objecto, em relação às suas propriedades espectrais e espaciais, o critério geral para a fusão de objectos integra os critérios de heterogeneidade espectral (hcolor) e heterogeneidade espacial (hshape), sendo definido por.

shape color h w h w f * ) 1 ( * − + = [4]

Onde: w – peso atribuído à cor (em relação à forma), dentro do intervalo entre 0 e 1.

Na decomposição dos dois critérios de heterogeneidade temos que o critério cor (hcolor) é definido por:

∑ + − = c

obj c obj

obj c obj

merge c merge c color n n n w h )) * * ( * ( 2

2 1

1 σ σ σ [5]

Onde: n – dimensão do objecto (em pixels) wc – peso de cada banda

O critério de forma (hshape) é construído por dois critérios de optimização da forma do objecto, isto é, compacticidade (compactness; hcmpct) e suavidade (smoothness; hsmooth) :

10

smooth cmpct cmpct cmpct shape h w h w h * ) 1 ( * − + = [6]

Onde:

wcmpct – peso ao critério de compactness, com intervalo entre [ 0 ­ 1 ]

Por sua vez, os critérios de suavidade e compacticidade são definidos, respectivamente por:

+ − =

2

2 1

1

1 1 * * *

obj

obj obj

obj

obj obj

merge

merge merge smooth b

l n

b l

n b l

n h [7]

+ − =

2

2 1

1

1 1 * * *

obj

obj obj

obj

obj obj

merge

merge merge cmpct n

l n

n l

n n l

n h [8]

Onde: n – dimensão do objecto l – perímetro do objecto b – perímetro da bounding box

O máximo de heterogeneidade permitida na construção do objecto – i.e., a dimensão do mesmo, é determinada pelo parâmetro de escala. No processo de fusão de objectos é calculada a diferença entre a raiz quadrada do parâmetro de escala e o valor geral de fusão f. Se o valor f [4] for superior ao admitido pelo parâmetro de escala, o objecto não será fundido. Desta forma, quanto menor o parâmetro de escala maior será o número de objectos a construir, já que o grau de liberdade para aumentar a heterogeneidade do objecto é reduzido, resultando num objecto de pequena dimensão. Pelo contrário, se o parâmetro de escala for superior, menor será o número de objectos construídos, mas de maior dimensão. O parâmetro de escala pode assumir valores entre 1 (onde cada pixel é um objecto) e n, sendo n o número de pixels da imagem (onde toda a imagem será um só objecto). O parâmetro de escala (scale parameter) tem como função determinar o limite superior a partir do qual é permitida a alteração de heterogeneidade durante o processo de segmentação. (BAATZ e SCHÄPE, 2000:8­12).

Assim sendo, entendemos este parâmetro como um elemento de generalização automática de imagem,

na medida em que mantendo inalteráveis os restantes parâmetros e alterando o parâmetro de escala,

são produzidos objectos com diferentes formas e tamanhos, e por consequência com diferente significado. A escolha do conjunto de parâmetros a utilizar é função dos objectivos e das características das

imagens, nomeadamente da variância e da resolução. A variação do parâmetro de escala cria níveis de

informação. Desta forma, o primeiro nível (Nível 1) será aquele com o parâmetro de escala mais baixo

11

e consequentemente aquele em que os objectos se encontram mais próximos do pixel (relativamente aos restantes níveis) e, também por isso, se obtém um maior número de objectos.

Por exemplo, a construção dos níveis superiores (super­objectos) pode obedecer aos objectos já construídos (sub­objectos), ou seja., como os super­objectos resultam da fusão dos seus sub­objectos, os limites dos primeiros serão determinados pelos últimos. Na presença de vários níveis, um objecto que seja super­objecto de um de nível inferior, poderá ele próprio ser sub­objecto de um objecto de nível superior (figura 7).

Figura 7 ­ Rede hierárquica de objectos

Fonte: BAATZ e BENZ et al, 2003:3­28

Na processo de classificação dos objectos, a caracterização das classes necessita, à partida, de uma

combinação de expressões, que possibilitem a construção de uma gramática de classificação,

nomeadamente na ligação de regras de decisão fuzzy, por operadores de lógica fuzzy, como: and(min), em que: A∩B = min(μA; μB); and(*), em que: o valor de pertença à classe é igual ao produto dos

valores de pertença; or(max), em que: AUB = max(μA; μB); mean(ar ithm.), em que: o valor de

pertença à classe é igual à média aritmética dos valores; mean(geo.), em que: o valor de pertença à

classe é igual à média geométrica dos valores.

Quando estamos na presença de várias regras de decisão também podem ser utilizadas combinações de

operadores, sem contudo se menosprezar o aumento da complexidade do sistema de classificação. De

acordo com a natureza do operador, assim o valor de pertença final de um objecto a uma classe será maior ou menor.

Na escolha dos atributos a incluir nas regras de decisão de classificação, isto é, as features que as descrevem, tem de ser tido em conta o comportamento do objecto no que respeita à sua adequação a determinado atributo; adequação essa definida num intervalo de valores entre 0 e 1 (classificação

fuzzy). O comportamento dos objectos num dado atributo é formalizado por uma função que determina a forma do intervalo de pertença. Na escolha da função é necessário ter em conta que algumas se

assemelham a funções rígidas (crisp), resultando por isso em valores de pertença fuzzy, que na realidade se comportam como valores crisp. O eCognition apresenta as seguintes funções base para a descrição de uma classe:

12

Tabela 1 ­ Tipos de funções de pertença 9

Singleton (exact one member) Larger than (Boolean) Smaller than (Boolean) Larger than Smaller than Full range About range Approximate Gaussian

Fonte: BAATZ e BENZ et al, 2003:4­69,4­70

A função de pertença de um objecto a uma determinada classe é dada pela i) conjugação do operador,

ii) da função, e iii) de uma ou mais dimensões do objecto que o descrevem – os seus atributos. Estas dimensões são dadas, no eCognition, por um conjunto de features que se resumem nos seguintes grupos 10 :

1. Caracter ísticas dos objectos: características espectrais dos pixels constituintes dos objectos, como a Forma, Textura, Hierarquia e relações como objectos vizinhos.

2. Caracter ísticas da r elação entre classes: a classificação de outros objectos é tida em conta na classificação de um dado objecto.

3. Termos: componentes que permitem a construção da descrição de classes, nomeadamente a

ligação entre as dimensões de caracterização do objecto.

As características dos objectos podem ainda ser invertidas, por forma a facilitar a classificação. Por

exemplo a classe “Construído” serão todos os objectos NÃO CLASSIFICADOS como “Vegetação”. Esta técnica pode ser utilizada com o atributo de Similaridade invertida entre duas classes. Podem ainda

ser construídos outros atributos (features) pelo utilizador. Estes podem resultar de simples operações aritméticas entre dimensões ou ser do tipo relacional, no qual se tem em conta a classificação de

determinados objectos. Uma vez que a correcção das formas dos objectos será dependente da semântica das classes utilizadas na operação, é necessária a construção de estruturas de classes

(Structures), que podem resultar no agrupamento de classes individuais no ambiente Inheritance, retomando a ideia de generalização gráfica e semântica já referida. Como exemplo, temos a

classificação individual de diferentes espécies florestais em ambiente Inheritance e o seu agrupamento e classificação final na estrutura Floresta. Aqui existe não só um aumento do grau de generalização semântica das unidades espaciais classificadas, mas também da sua forma. A operacionalização dos atributos dos objectos, na classificação automática da imagem, requer ainda

bastante esforço, com resultados nem sempre animadores. As dificuldades sentem­se, sobretudo, ao

9 O software permite ainda a modificação das anteriores funções, pelo edição de pontos, no ajuste da forma da função às necessidades do utilizador.

10 São aqui apresentados os grandes grupos de características dos objectos. Para uma descrição detalhada do cálculo de cada atributo ver BAATZ, BENZ, 2003:3­48 a 3­89).

13

nível da escolha dos inúmeros atributos que podem ser utilizados, e é neste ponto que podemos

encontrar a ponte de ligação entre duas disciplinas que tratam sobretudo das entidades da superfície

terrestre, ou seja, a Detecção Remota e a Geografia. Esta ponte entre as duas disciplinas deve ser

cimentada com maior investigação sobre os objectos geográficos, nomeadamente as suas

características e dimensões, fomalizando­os. O ponto que se segue tenta, em forma de síntese, abordar

as primeiras reflexões sobre a natureza do objecto geográfico, por forma a iniciar­se trabalhos futuros

nesta área.

4. O Objecto Compósito em Geografia

A noção de objecto carece obrigatoriamente de um enquadramento espacial do objecto em si mesmo, principalmente porque esta noção está enquadrada no domínio geográfico. Desta forma, se não se

tentar determinar a sua contextualização no espaço, a natureza do objecto e mesmo o seu significado perde a sua razão de ser. Nesta lógica Harvey, citando Nystuen, defende que «the spatial language adopted should be appropriated for i) stating spatial distributions and the morphometric laws governing such distributions, and ii) examining the operations of processes and procee laws in a spatial context (Nystuen, 1963) » (1979:191). Assim, assume­se como primeiro pressuposto, que o espaço geográfico existe 11 , por uma relação de

implicação com o segundo pressuposto de que o objecto existe e que o mesmo não tendo dimensionalidade zero, estará referenciado a um espaço. Isto é, se um objecto de estudo existe (que não o próprio espaço), então a dimensionalidade desse mesmo objecto comprovará a existência de

espaço. Aqui fica patente a ideia defendida por Chapman (citado por Nunes J. 1991:19) de que « object and system come first and space comes second » 12 . Se a Geografia procura estudar relações espaciais entre objectos, então ao admitir objecto, admitirá espaço geográfico 13 (mesmo sem formalizar uma ontologia do mesmo). Aceitando­se os pressupostos enunciados, cabe­nos agora apresentar algumas das características da

noção de espaço geográfico aqui utilizada.

Em Geografia, o estudo de um só objecto perde significado, na medida em que não é possível estudar as suas relações espaciais num contexto supra­objecto de n dimensões. A ideia é enfatizada pela definição de Frank (1987, 1988), citado por Nunes J. (1991:24), onde: « a noção de espaço…é essencialmente uma colecção finita ou infinita de objectos discerníveis conjugados com a noção de vizinhança». Desta forma, é necessário considerar o pressuposto de que no espaço geográfico em estudo se está na presença de um conjunto de n objectos.

11 Sem que o debate se estenda para a causa que o justifica. Isto é, se o espaço existe per si ou se resulta da presença dos objectos que o compõem.

12 Segundo JOAN NUNES, CHAPMAN refere­se a HOFFMAN (1959), onde: « the electrons and other fundamental particles, they do not exist in space and time. It is space and time which exist because of them ».

13 A conceptualização dos dois primeiros pressupostos permite criar um suporte estrutural do trabalho a desenvolver, apesar de ficar por apresentar a sua demonstração.

14

Assim, o espaço geográfico a considerar terá como primitivas de partida:

a) a dimensionalidade de cada objecto (espaço, tempo e atributos); b) a distância, superior ou igual a zero, entre objectos (não estando aqui subjacente nenhum sistema

cartesiano de referência);

c) o restante espaço com limite indefinido ao nível conceptual (ao que se poderá por agora chamar

espaço “vazio” – como são disso exemplo os modelos baseados em espaços isotrópicos), onde

se pressupõe a existência de objectos, apesar de nem sempre serem considerados.

A conjugação destas três primitivas permitirá a análise de relações espaciais entre objectos, seja na sua vertente topológica, seja na sua vertente métrica, num espaço absoluto ou relativo. A própria relação

espacial produzirá um espaço típico, determinado pelas ligações estabelecidas entre os objectos estudados. Na verdade, nesta ideia, as noções de espaço absoluto e espaço relativo (conceitos

fundamentais em Geografia) encontram­se interligados para o encadeamento do estudo do espaço

geográfico, uma vez que permitem fazer a transposição da superfície.

Nunes J. (1991), citando Chapman (1975, 1978) apresenta as anteriores conceptualizações do espaço

geográfico como:

a) o espaço geográfico é um conjunto de localizações com propriedades temáticas (espaço

absoluto);

b) o espaço geográfico é um conjunto de objectos com propriedades espaciais (espaço relativo).

Em a), para cada localização são distinguidas diferentes propriedades temáticas. Se a cada localização

couber um e apenas um objecto, o que se considera aqui como propriedades temáticas, podem ser as n­ dimensões desse objecto. Em b), o espaço geográfico é definido pelos objectos considerados e os atributos a eles referenciados. Cada objecto é entendido como uma parte do todo, em que este pode ser entendido pelo atributos das partes. Por exemplo, por propriedades espaciais, podemos ter relações topológicas ou métricas,

exemplo: distância­custo, que criam um determinado espaço. A questão coloca­se na definição de

espaço aqui criado. Isto é, o espaço distância­custo entre a cidade A e uma cidade B, é um conceito

abstracto. Será ele próprio uma parte do todo, i.e., do espaço geográfico? Nesta conceptualização, o

espaço parece ser deformado pelos próprios objectos. Existirá aqui a suposição de que o espaço é então formado pelos objectos?

Figura 8 ­ Espaço Absoluto e Espaço Relativo

15

A figura 8 apresenta uma esquematização das noções de espaço absoluto e relativo. Ou seja, a partir de

duas coordenadas (i,j), que distam entre elas d=10, existem duas formas de construir e perceber o

espaço geográfico: a) no espaço absoluto, a relevância é dada ao par de coordenadas (i,j), que

determinam a posição geográfica na superfície terrestre dos dois objectos (A e B) aí localizados, e que

distam em d=10; em b) no espaço relativo, a relevância é dada aos dois objectos A e B que partilham

entre si uma relação de distância de d=10, a d podem corresponder diferentes atributos, como por exemplo, distância­tempo, distância­custo, etc.

No nosso entender, os dois conceitos estão interligados na análise do espaço geográfico, na medida em

que as propriedades dos objectos podem determinar a sua localização e vice­versa. Desta inter­relação advém a análise da estrutura e processo espaciais (também estes interdependentes), levando à

identificação de formas e processos espaciais (questão da causa e do efeito em ordenamento do

território). 14 Da interacção da forma com o processo resulta um espaço complexo e dinâmico, pelo que

se defende mais uma vez a conjugação das duas conceptualizações de espaço para a modelação dos

elementos geográficos, baseando­nos também na afirmação de D’Arcy Thompson (1917, 1961), citado

por BATTY, LONGLEY (1994: 42), onde «In short, the form of an object is a ‘diagram of forces’». Neste sentido, os dois autores defendem que a análise da forma sem enquadrar a análise dos processos

que lhe estão na origem, deixa de fazer sentido e não apresenta grande significado BATTY, LONGLEY

(1994: 42). Nesta medida, Porquê o Objecto? E o que é afinal o Objecto? Para responder à questão anterior devemos primeiro reflectir sobre outras questões. Por exemplo,

porque terá surgido a necessidade de se criar o espaço relativo? Porque se trabalha, muitas das vezes

com espaços isotrópicos? Porque que se recorre à teoria dos grafos e à topologia para explicar

fenómenos geográficos? Porque é importante e determinante a generalização cartográfica? Porque se

fala constantemente em regiões/áreas funcionais, em aglomerações e em classes de espaço? Porquê o

advento da cartografia temática? Porque se fala em matrizes de origem­destino? Porquê existem PU’s,

PP’s, e outros planos de ordenamento e respectivos regulamentos?

Ou seja, para a construção de conhecimento científico é necessário acima de tudo desenvolver

métodos e técnicas de abstracção de representação dos objectos representados, nas quais por vezes é

necessário considerar vários tipos de geometria e espaços de referência.

Por estas razões revela­se necessária uma reflexão sobre a natureza dos objectos presentes na interpretação ou modelação do espaço/território.

SMITH, MARK (1998:4) define objecto, num âmbito geral como « (...),no contexto da ontologia da Geografia, ‘objecto’ e ‘entidade’ devem compreender regiões, fronteiras, parcelas de terreno, superficies de água, estradas, edifícios, pontes, etc., assim como as partes e agregações de todos estes elementos». Contudo, para a identificação e demarcação de um objecto no espaço, é necessário

14 Cf. LÉVY, LUSSAULT, 2003:327, para uma categorização na definição de espaço.

16

primeiro determinar as suas fronteiras, as quais apresentam duas naturezas diferentes: Fronteiras Bona Fide e Fronteiras Fiat (SMITH, 2001:5) 15 . As primeiras existem independentemente dos actos de

cognição humana, como seja por exemplo um rio (sem aqui discutir o conceito de “rio”), e as

segundas resultam apenas de actos de decisão humana (2001:5), como sejam os limites

administrativos 16 . Será no entanto de referir, que muitas vezes são necessárias Fronteiras Bona Fiat para se encontrarem Fronteiras Fiat, uma vez que as primeiras servem como Landmarks para a delimitação das segundas.

Desta forma, e resultantes da tipologia das suas fronteiras, poderemos ter Objectos Bona Fide e Objectos Fiat, os quais apresentam uma forte equivalência com as noções de objecto que aqui apresentamos, resultantes por uma relação de implicação, da noção de espaço geográfico

anteriormente defendida:

a) o objecto geográfico no espaço geográfico (objecto representado), b) o objecto nas representações espaciais (objecto representativo).

Pela noção de Fronteiras Bona Fide, depreendemos alguma semelhança com a noção de objecto geográfico representado, na medida em que será aquele que existe independentemente dos actos de cognição humana. Contudo, ao nível da análise de imagem, os objectos representados poderão também ser Objectos Fiat, como é disso exemplo o conceito de “Espaço Verde Urbano”. O que diferencia uma área de vegetação, considerada urbana de uma outra não urbana, em que ambas têm

uma área igual e as mesmas espécies vegetais? Será talvez a proximidade a uma área de construído, ou

a percentagem de área rodeada por construído (BAATZ, BENZ, et al, 2003:3­3)? A noção geral de objecto representativo terá o seu equivalente na definição de Objectos Fiat, apresentada por SMITH (2001), os quais resultam de actos de cognição humana, e que por esta razão

serão aqueles objectos delimitados na imagem. Enquadrando a definição de objecto representativo no

âmbito da Detecção Remota, e independentemente de se tratar de uma imagem de satélite ou de uma

fotografia aérea, procurar­se­á identificar e caracterizar objectos representativos (aqueles presentes na imagem que terão um correspondente na realidade, isto é, que são representativos deste último) por forma a identificar e caracterizar as relações espaciais dos objectos geográficos representados. Antecedendo a descrição do objecto propriamente dito, terá de existir uma reflexão sobre a sua natureza, i.e., que significado é atribuído a cada objecto de acordo com o que ele representa? Nesta primeira reflexão estamos a falar daquilo que compõe o objecto, pelo que se deduz que o objecto será um objecto compósito. Conceito que pela sua maior ou menor complexidade dá origem às dificuldades em definir objectos complexos na imagem. Em Detecção Remota, esta dificuldade será ainda mais

15 O autor apresenta também as mesmas noções para os processos, como entidades que se desenvolvem no tempo. Cf. SMITH, 2001.

16 Os limite administrativos, podem em alguns casos resultar de uma mistura de Bona Fide e Fiat boundaries, como é o caso da linha de costa.

17

notória na abordagem pixel a pixel, uma vez que a geometria do elemento mínimo de análise apresenta uma ligação fraca com o significado da classe­objecto que se procura. Embora as inovações na

resolução geométrica dos sensores, possibilitem nova informação, o facto é que as classificações

automáticas baseadas no pixel ainda não revelam os níveis de precisão desejados. Fundamentalmente, o objecto compósito é compreendido como:

1 ­ um todo, representa o objecto geográfico e acima de tudo a funcionalidade desse mesmo objecto. Aproxima­se do objecto construído pela cognição humana na navegação do meio. É o exemplo do conceito de classe de espaço, presente nas Cartas de Ordenamento dos Planos Directores

Municipais (PDM’s).

2 ­ um todo composto por partes, sendo as partes que o definem e caracterizam. Por exemplo, o objecto compósito espaço industrial é constituído não por uma parte que pode ser descrita apenas como « indústria » (noção) mas sim por partes como, edifício com função de produção,

administração, armazenagem, etc., infraestruturas, elementos de enquadramento da paisagem

como árvores, espaços ajardinados, etc., que sendo eles também objectos, a sua interligação

produz um objecto compósito.

De uma forma mais complexa, o objecto compósito caracteriza­se então por:

1. um TODO, que representa o objecto geográfico e acima de tudo a sua funcionalidade;

2. um Todo composto por PARTES, que o definem e caracterizam;

3. a RELAÇÃO entre forma, significado e escala de percepção espacial;

4. um objecto que pode ser quantificado e FORMALIZADO.

O objecto compósito deverá ser auto­consistente mesmo com a variação de escalas, e será percebido pelas relações horizontais e verticais:

a) das PARTES com as PARTES

b) das PARTES com o TODO

c) do TODO com Objectos Compósitos vizinhos

Para efeito de delimitação de objectos de interesse numa imagem, isto é, objectos com significado (a determinada escala de percepção espacial) é necessário determinar a noção de objecto compósito a utilizar. É aqui que reside a dificuldade na determinação de objectos. Um dos problemas em análise de imagem de satélite não é tanto encontrar ou identificar objectos fiat, mas sim delimitá­los. Isto é, as fronteiras fiat são na sua grande maioria fuzzy, uma vez que o conceito que define o objecto é por sua vez fuzzy (SMITH, MARK, 1998). Se SMITH, MARK (1998:6) define

fronteiras fiat como « (...)têm em comum o facto de existirem apenas em resultado dos diferentes tipos de demarcações efectuadas a partir da cognição e comportamento do indíviduo», então, é natural que os conceitos utilizados sejam influenciados pela experiência de cada indivíduo ou pelo seu

18

conhecimento do espaço e pela cultura, como sugere TURNER (1992): «The premise of Protagoras would suggest that some patterns in the brain are inherently meaningful to human beings with human

bodies because those patterns correspond to human bodily situations ». Neste sentido, é necessário encarar a abordagem orientada a objecto como uma forma de integração entre a fotointerpretação que recorre invariavelmente às primitivas visuais e a associações com a

experiência de campo, para reconhecimento de objectos na imagem, e das técnicas mais quantitativas de análise de imagem. «A subjectividade da interpretação humana está sempre presente. Porém, em toda a subjectividade, existe a objectividade do que é comum a todos os seres humanos – as bases com que são construídos significados» (ENCARNAÇÃO, 2000:48). Estabelecendo de que forma o significado dos objectos é por nós construído, será possível partir para uma classificação com base no conhecimento.

Na descrição de algumas classes e nomeadamente dos objectos compósitos, fica subjacente que não serão raros os casos em que essa caracterização e posterior classificação passará pela introdução do

contexto espacial dos objectos representativos de cada classe. Desta forma será de considerar a construção de um espaço topológico, não propriamente de objectos, mas sim das relações espaciais entre objectos. Neste sentido, e recorrendo à definição geral de Topologia, podemos reflectir sobre a definição de um conjunto de vizinhanças de um ponto (aqui objecto), limitado pelo conjunto X (o espaço da imagem), em que:

No conjunto X considerado, X a∈ , então ( ) X P V a ⊂ , sendo que a V é o conjunto de todas as

vizinhanças de a. a V obedece então a:

a) a V X ∈

b) a a a V V V V V V V ∈ ′ ∩ ⇒ ∈ ′ ∈ ,

c) a V V ∈ e X V V ⊂ ′ ⊂ a V V ∈ ′ ⇒

d) a V V ∈ V a∈ ⇒

e) a V V ∈ ∀ x a V V V w ∈ ∈ ∃ : W x ∈ ∀

Se as vizinhanças são definidas pelas relações entre determinadas dimensões de cada objecto, será possível conseguir encontrar relações espaciais não identificáveis numa análise visual. Esta hipótese é

baseada nos trabalhos de BAUER, STEINNOCHER (2001).

Uma vez que as entidades a trabalhar serão as n dimensões dos objectos, fica também assegurada a primeira primitiva de partida (cf. p. 13), apresentada no início do ponto 4. Consequentemente, por o

conjunto das a V integrar não apenas os objectos em si, mas sim as relações entre objectos

representativos ­ de comportamento linear, fica também assegurada a terceira primitiva de partida

definida. (cf. p. 13), que permite a criação e conceptualização da noção aí utilizada de espaço “vazio”.

19

Contudo, para a criação e definição das vizinhanças é necessário ter em conta que as vizinhanças serão

dependentes da nomenclatura utilizada, uma vez que estas determinam o tipo de objecto compósito a

criar. Fica também presente a ideia de que ainda existe muito por fazer no campo da definição e

formalização das entidades elementares em Geografia, por um lado, e dos objectos compósitos que

existem e constróem o espaço geográfico, por outro.

5. Considerações Finais

Face à apresentação sucinta das primeiras reflexões sobre a abordagem orientada a objecto em

Detecção Remota e a ligação com o desenvolvimento do conhecimento Geográfico, consideramos que

a abordagem orientada a objecto se caracteriza sobretudo por:

a) um menor grau de abstracção das entidades de análise, face à simbologia criada na navegação do

espaço, seja ele representativo ou representado, quando comparada com a abordagem pixel a pixel.

b) Que esse mesmo grau de abstracção (escala de percepção espacial) dos objectos é variável dentro de uma mesma imagem, estabelecendo uma relação de implicação com a variação do conteúdo

das formas e significados, e consequentemente com as partes que constituem e determinam os objectos compósitos.

c) Com uma ontologia própria na definição do conceito de objecto e intimamente ligada com a ontologia de imagem. Ontologia esta que se antevê de forte desenvolvimento no futuro (por uma

necessidade operacional), possibilitando alargar o conhecimento das unidades dos objectos,

nomeadamente o núcleo e as fronteiras. Neste lógica referimo­nos por exemplo ao trabalho

apresentado por BITTER, no qual é discutida a relação entre «rough location, vague defined spatial objects, and indeterminacy of location» (1999:1), partindo das relações entre os objectos e o espaço, e nomeadamente as partes dos objectos e partes do espaço que ocupam.

d) Com um forte potencial de desenvolvimento em conjugação com as teorias de Cognição Espacial,

Inteligência Artificial e Lógica Fuzzy, entre muitas outras. No âmbito da Geografia, a continuação da investigação poderá contribuir para novas formas de entender e trabalhar a

modelação de eventos espaciais. Como entender e modelar padrões e estruturas de distribuições

espaciais sem um entendimento sistematizado dos objectos criados pela manipulação dos dados ou da informação? Que mutações originamos nos objectos quando integrados em diferentes dimensionalidades, sem que as suas partes sejam totalmente compreendidas? Algumas das

questões levantadas por JOÃO (1998) sobre as causas e consequências da generalização

cartográfica apontam já indícios da dependência entre forma e significado na construção de objectos.

20

Finalmente, salientamos o papel que a abordagem orientada a objecto poderá ter no campo da Geografia, quando e se enquadrada num domínio temático, a partir do qual se procuram formas de

análise e classificação de conhecimento e para o qual se constrói e caracteriza novas formas e novos significados.

Bibliografia ABLER, R., ADAMS, J . S., GOULD, P. (1977) Spatial Organization – The Geographer’s View of the World, Prentice/Hall International editions, London, p. 587.

BAATZ, M., BENZ, U. et al (2003) eCOGNITION – Object Oriented Image Analysis User Guide 3, DEFINIENS IMAGING, München, p. 443.

BAATZ, M., SCHÄPE, A. (2000) Multiresolution Segmentation – an Optimization Approach for High Quality Multi­Scale Image Segmentation. In: STROBL, J. et al (Hrsg): Angewandte Geographische Informationsverarbeitung XII. Beiträge zum AGIT­Symposium, Salzburg, Karlsruhe, Herbert Wichmann Verlag, pp. 12 ­ 23. http://www.agit.at/papers/2000/baatz_FP_12.pdf

BATTY, M, LONGLEY, PAUL (1994) Fractal Cities, Academic Press, San Diego, p. 394

BAUER, T., STEINNOCHER, K. (2001) Per­Parcel Land Use Classification in Urban Areas Applying a Rule­ Based Technique. In: GeoBIT/GIS 6, pp. 24 – 27. http://www.definiens­imaging.com/documents/publications/GIS200106024.pdf

BITTNER, T. (1999) On Ontology and Epistemology of Rough Location. In: Freksa, C., & Mark, D.M., Spatial Information Theory ­ A Theoretical Basis for GIS, (COSIT'99), Lecture Notes in Computer Science, Vol. 1661, Berlin­Heidelberg, Springer­Verlag, pp. 433 ­ 448. http://citeseer.nj.nec.com/bittner99ontology.html

BITTNER, T., WINTER, S. (1999) On Ontology in Image Analysis. In: Agouris, P., Proceedings of Integrated Spatial Databases '99, Lecture Notes in Computer Science, Springer, Portland, p. 24. http://citeseer.nj.nec.com/420315.html

BLASCHKE, T., STROBL, J . (2001) What’s Wrong with Pixels? Some Recent Developments Interfacing Remote Sensing and Gis. In: GeoBIT/GIS 6, pp. 12 – 17. http://www.definiens­imaging.com/documents/publications/GIS200106012.pdf

CÂMARA, G., EGENHOFER, M., FONSECA, F., MONTEIRO, A. M. V. (2001) What's in an Image. In: Montello, D. R., Spatial Information Theory ­ A Theoretical Basis for GIS, COSIT '01, Santa Barbara, p. 24. http://citeseer.nj.nec.com/camara01whats.html

CASATI, R., SMITH, B., VARZI, A. C. (1998) Ontological Tools for Geographic Representation, In: N. GUARINO (ed.) Formal Ontology in Information Systems, Amsterdam, IOS Press, 1998, pp. 77 ­ 85. http://ontology.buffalo.edu/smith/articles/fois%28csv%29.html

CORTEZ, D., NUNES, P., SEQUEIRA, M. M., PEREIRA, P. (1995) Image Segmentation Towards New Image Representation Methods. In: Signal Processing: Image Communication, n.º 6, pp. 485 ­ 498.

ENCARNAÇÃO, S. A. (2004) Análise de Imagem Orientada a Objecto. Análise Conceptual e Experimentação a partir de Imagens Quickbird, Dissertação para obtenção do Grau de Mestre em Gestão do Território, FCSH­ UNL, Lisboa, p. 174.

ENCARNAÇÃO, S. A. (2000) Observação da Mudança de Ocupação do Solo por Detecção Remota. Experimentação sobre o Sector de Oeiras, Dissertação de Licenciatura, DGPR­UNL­FCSH, Lisboa, p. 80.

FONSECA, ANAD. ; FERNANDES, JOÃO C. (2004) Detecção Remota. Lidel, Lisboa, p. 224.

21

HARALICK, R. M., SHAPIRO, L.G (1985) Image Segmentation Techniques. In: Computer Vision Graphics and Image Representation, n.º 29, pp. 100 ­ 132.

HARALICK, R. M. (1979) Statistical and structural approaches to texture. In: Proceedings of the IEEE, 67, pp. 786 ­ 804.

HARALICK, R., SHANMUGAN, K., DINSTEIN, I. (1973) Textural features for image classification. In: IEEE Transactions on Systems, Man and Cybernetics, Vol. 3, n.º 1, pp. 610 ­ 621.

HARVEY, D. (1979) Explanation in Geography, 3ª ed., Edward Arnold, London, p. 521.

HOFFMAN, D. (1998) Visual Intelligence, W. W. Norton & Company, New York, p. 294.

JOÃO, E. M. (1998) Causes and Consequences of Map Generalisation, London School of Economics, Taylor & Francis, London, p. 266.

KLIR, G. J ., FOLGER, T. A. (1988) Fuzzy Sets, Uncertainty, and Information, Prentice Hall, New Jersey, p. 355.

LEVY, J ., LUSSAULT, M. (dir.) (2003) Dictionnaire de la Géographie et de l’Espace des Sociétés, Berlin, Paris, p. 1034.

LILLESAND T. M., KIEFER, R. W. (2000) Remote Sensing and Image Interpretation, 4ª ed., John Wiley & Sons, Inc., New York, p. 724.

MARK, D. M., ANDREW, U. F. (ed.) (1991), Cognitive and Linguistic Aspects of Geographic Space, Kluwer Academic Publishers, Dordrecht, p. 519.

NUNES, J . (1991) Geographic Space as a Set of Concrete Geographical Entities. In: MARK, D. M., ANDREW, U. F. (ed.), Cognitive and Linguistic Aspects of Geographic Space, Kluwer Academic Publishers, Dordrecht, pp. 9 ­ 33.

MARK, D. M., SKUPIN, A., SMITH, B. (2001) Features, Objects, and Other Things: Ontological Distinctions in the Geographic Domain. In: Spatial Information Theory: Foundations of Geographic Information Science (Lecture Notes in Computer Science 2205), D. R. Montello, Springer ­Verlag, Berlin, pp. 488 ­502. http://ontology.buffalo.edu/smith//articles/COSIT01MSS.pdf

REES, W. G. (2001) Physical Principles of Remote Sensing, Cambridge University Press, Cambridge p. 343.

RICHARDS, J . A. (1993) Remote Sensing Digital Image Analysis – An Introduction, Springer­Verlag, Berlin, p. 340.

ROBIN, M. (2002) Télédétection – Des satellites aux Sig, 2ª ed., Nathan, Paris, p. 318.

ROCHA, J . (2003) Integração de Dados Estatísticos na Classificação de Imagens de Satélite, Dissertação de Mestrado, UTL – IST, Lisboa, p. 158.

SMITH, B. (2001) Fiat Objects. In: Topoi 20:2, Luwer Acadcemic Publishers, Netherlands, pp. 131 ­ 148. http://ontology.buffalo.edu/smith/course03/md/SmFiatOb.pdf SMITH, B., MARK, D. M. (2003) Do Mountains Exist? Towards an Ontology of Landforms, In: Environment and Planning, B: Planning and Design, May, Vol. 30(3), pp. 411 – 427. http://ontology.buffalo.edu/smith/articles/Mountains.htm

SMITH, B., MARK, D. M. (1998) Ontology and Geographic Kinds. In: T. K. POIKER AND N. CHRISMAN, Proceedings. 8th International Symposium on Spatial Data Handling (SDH'98), International Geographical Union, Vancouver, pp. 308 – 320. http://www.geog.buffalo.edu/ncgia/ontology/SDH98.html

TURNER, M. (1992) Design for a Theory of Meaning. In: W. OVERTON AND D. PALERMO, The Nature and Ontogenesis of Meaning, Lawrence Erlbaum Associates, pp. 91-107.

22

http://www.wam.umd.edu/~mturn/WWW/design.html

VARZI, A. C. (2003) Mereology. In: Edward N. Zalta (ed.), Stanford Encyclopedia of Philosophy, Stanford: CSLI (internet publication), p. 30. http://www.columbia.edu/~av72/papers/mereology.pdf

WANG, D., HE, D.C., WANG, L., MORIN D. (1996) L’Extraction du Réseau Routier Urbain à Partir d’Images SPOT HRV. In : International Journal of Remote Sensing, Vol. 17, n.º 4, pp. 827 – 833.