HOME | ÍNDICE POR TÍTULO | NORMAS PUBLICACIÓN

Espacios. Vol. 36 (Nº 20) Año 2015. Pág. 1

Potencialidades da Classificação Orientada a Objetos em Imagens SPOT5 no Mapeamento de Fitofisionomias do Cerrado

Potential Rating Oriented Object on SPOT 5 Images in the Cerrado's Biome

Leandro Ribeiro TEIXEIRA 1; Gustavo Manzon NUNES 2; Zenésio FINGER 3; Auberto Jose Barros SIQUEIRA 4

Recibido: 20/06/15 • Aprobado: 18/08/2015

Contenido

1. Introdução

2. Material e Métodos

3. Resultados e discussão

4. Conclusão

5. Referências

1. Introdução

O Bioma Cerrado possui cerca de 203 milhões de hectares de área, ocupando a porção central do Brasil. É classificado como o segundo maior bioma do país e da América do Sul. Por abrigar uma expressiva diversidade de recursos naturais que estão adaptados às suas características de clima e de solo, o Cerrado é considerado como a maior savana do mundo (IBAMA, 2002). Quanto a sua abrangência no território brasileiro, em termos de área contínua este bioma engloba os estados de Goiás, Tocantins, Mato Grosso, Mato Grosso do Sul, Minas Gerais, Bahia, Maranhão, Piauí, Rondônia, Paraná, São Paulo e Distrito Federal, além da ocorrência de encraves no Amapá, Roraima e Amazonas (IBGE, 2004)

De acordo com Souza et. al (2009), podem ser encontrados neste bioma tipos fisionômicos que incluem formações florestais, savânicas e campestres, sendo que para cada uma destas existem ainda diversas fitofisionomias.

Spínola et. al (2007), explicam que o Cerrado vem sofrendo intenso processo de supressão florestal ocasionado pela intensa expansão agrícola, uma vez que possui características físico-químicas de solo mais atrativas para esta atividade em relação ao Bioma Amazônia, além de estar mais próximo aos grandes polos indústrias. Como resultado, o quadro atual do Bioma Cerrado pode ser descrito em termos gerais como um gigantesco mosaico de manchas de vegetação nativa de diferentes constituições, tamanhos, formas e distâncias, imersas em uma matriz de uso agropecuário, uma situação que ameaça fortemente a manutenção da sua biodiversidade (Ratter, 1997; Carvalho et. al, 2009).

Assim, um dos desafios é estabelecer áreas prioritárias para a conservação no Bioma Cerrado, visando à manutenção de serviços ecológicos em grande escala como, por exemplo, manutenção da biodiversidade, recursos hídricos, abrigo da fauna silvestre e de espécies endêmicas. Para tanto, torna-se fundamental identificar e mapear fitofisionomias presentes nas manchas remanescentes para, posteriormente, dentro de um contexto de planejamento ecológico de paisagens, avaliar sua relevância em termos de dinâmica populacional, riqueza de espécies e conectividade dentro da rede formada pelos fragmentos remanescentes (Leitão et. al , 2006).

Nesse aspecto, o avanço de tecnologias referentes ao Sensoriamento Remoto da vegetação tem se consagrado como uma das ferramentas mais importantes para esse propósito, possibilitando ótimos resultados no mapeamento da vegetação (Jensen, 2009).

Com o aperfeiçoamento na qualidade dos dados obtidos por Sensoriamento Remoto, principalmente no que se diz respeito à resolução espacial das imagens, bem como no desenvolvimento de algoritmos e técnicas de processamento digital de imagens capazes de obter ótimos resultados no âmbito do mapeamento da vegetação, a metodologia de classificação de imagens Orientada a Objetos em imagens de alta resolução espacial tem-se mostrado muito superior em relação às técnicas mais usuais (Liu et. al, 2006).

Segundo DURKIN (1996) o conceito de Orientação a Objeto tem sua origem no desenvolvimento da linguagem de programação SmallTalk (linguagem criada na década de 1970, pela empresa norte-americana Xerox). Tipos de programação como a Smalltalk se assemelham a métodos que os humanos utilizam para resolver problemas cotidianos.

A Classificação Orientada a Objetos ou OBIA (Object-based Image Analysis), tem obtido resultados superiores no processamento digital de imagens obtidas por Sensoriamento Remoto, uma vez que esta metodologia consiste em analisar parâmetros que vão além da resposta espectral do pixel, como textura e forma dos objetos que compõem uma determinada cena em uma imagem (Watts et. al, 2009).

Esta metodologia tem sido bastante aplicada no monitoramento ambiental, principalmente em estudos relacionados ao mapeamento de uso e ocupação do solo ,podendo citar os trabalhos desenvolvidos por BARNSLEY AND BARR (1996), BLASCHKE (2010), HAY AND CASTILLA (2008), HEROLD et al. (2003), PLATT AND RAPOZA (2008), TANSEY et al. (2009), Wang et al. (2004), ZHOU AND TROY (2008).

Um dos processos chaves responsáveis pelo sucesso desse classificador é a técnica de segmentação dos objetos presentes em uma imagem (Benz et. al, 2004). A Segmentação é a primeira etapa do processo de Classificação Orientada a Objetos. Realizada por algoritmos computacionais, seu objetivo consiste basicamente em identificar e particionar homogeneamente objetos em uma determinada imagem, sendo que o resultado final deste processo irá influenciar diretamente a qualidade do produto obtido na classificação (FU et. al, 2012).

Dentre as técnicas de segmentação existentes, destacam-se três grandes grupos: a Segmentação por Descontinuidade, a qual segmenta uma imagem levando em conta variações abruptas dos níveis de cinza presentes na mesma; a Segmentação por Similaridade, cujo processo consiste no agrupamento contínuo de pixels a partir de parâmetros fornecidos previamente pelo analista); a Segmentação Quad Tree (divide uma imagem partindo de quadrados maiores a quadrados menores, até atingir um limite de heterogeneidade espectral de objetos que é definido pelo analista), e por fim a Segmentação MultiResolution, cujo processo é obtido a partir de 3 parâmetros : escala (dimensão dos objetos), cor (informação espectral) e forma (compacidade e suavidade) (Definiens, 2007; Pinho, 2005).

De acordo dom Baatz et. al (2004), o parâmetro de escala está relacionado com o tamanho dos objetos a serem segmentados, determinando desta forma o grau de heterogeneidade dos mesmos em uma imagem, ou seja, valores de escala maiores irão gerar objetos maiores. O parâmetro de forma é expresso por outros dois parâmetros :compacidade e suavidade. O primeiro diz respeito à relação entre a área do objeto e o seu raio de circunferência abrangente, enquanto que o segundo leva em conta o limite entre os objetos. Para (EVANS et al., 2010), quanto mais fractal for uma imagem maior será o valor de forma aplicado.

FU et. al (2012), obteve ótimos resultados com a Classificação Orientada a Objetos em imagens de alta resolução espacial no mapeamento de uso e ocupação do solo quando comparada a métodos de classificação pixel a pixel. Os autores deste trabalho afirmam ainda que grande parte da eficácia obtida no produto final da classificação foi obtida pelo processo de segmentação, onde foram utilizadas diferentes técnicas de processamento digital de imagens no delineamento dos objetos.

Dentre outros estudos utilizando a Classificação Orientada a Objetos em dados de Sensoriamento Remoto, podem-se citar os trabalhos desenvolvidos por GENELETTI & GORTE (2003);; LI et al., (2012) ;WATTS et al., (2009);  RENO et al. (2011), QI et. Al (2012), NASCIMENTO et. Al (2013). GAO et. al (2013) ; PORTER et. al (2013).

Desta forma, o objetivo deste trabalho foi avaliar o desempenho da Classificação Orientada a Objetos na discriminação de diferentes classes de vegetação de Cerrado localizadas no município de Cuiabá-MT.

2. Material e Métodos

2.1. Área de estudo

A área de estudo (Figura 1) está inserida na porção central do continente sul-americano, localizada no município de Cuiabá, estado de Mato Grosso - MT, no Centro-Oeste brasileiro.

Especificamente, situa-se na porção noroeste da bacia do Rio Cuiabá, inserida na unidade geomorfológica Baixada Cuiabana (Almeida, 1964) ou Depressão Cuiabana (Ross e Santos, 1982).  

O clima da região é classificado como AW de Köppen, do tipo Tropical Úmido, típico de zonas tropicais presente em cotas inferiores a 400m. Apresenta duas estações bem definidas: a seca que vai de abril a outubro, e a chuvosa que vai de novembro a março, com pluviosidade média anual em torno de 1.350 mm.

 A sazonalidade é marcada por estação chuvosa e outra seca. O período chuvoso ocorre no verão onde se verificam os índices pluviométricos variando entre 1.000 e 1.500 mm.

 Na estação seca, em alguns meses a precipitação chega a ser quase nula. A temperatura média anual é de 26ºC, sendo junho e julho os meses mais frios do ano quando a temperatura média baixa para 15ºC.

Com relevo rugoso e solos dominantemente litólicos, a área tem grande limitações de uso, razão pela qual ainda apresenta extensões relativamente significativas da cobertura vegetal nativa relativamente bem conservada. Essa região tem recebido ainda, destaque pela influência glacial na formação do subestrato litológico, onde muitos trabalhos tem demonstrado a presença de fáceis glaciogênicas nas rochas do Grupo Cuiabá, considerada como um dos mais importantes registros da glaciação do Proterozóico Superior (Figueiredo, 2006).

Figura 1 - Localização da Área de Estudo               

2.2. Dados SPOT 5

A imagem utilizada foi recortada de um mosaico de imagens de alta resolução espacial adquiridas pelo sensor HRG (High Resolution Geometric), a bordo do satélite SPOT 5. As imagens foram ortorretificadas e processadas no modo Supermode, adquiridas nos anos de 2008 e 2009. Com o uso de um software de Sistema de Informações Geográficas (SIG), foi extraída uma área da imagem com presença de distintas classes de vegetação contrastantes entre si.

2.3. Classes de vegetação na área de estudo

Por meio de campanhas de campo na região de estudo realizadas no mês de outubro de 2012, a qual teve acompanhamento de especialistas da Universidade Federal de Mato Grosso - UFMT em identificação de espécies e fitofisionomias do Bioma Cerrado, foram identificadas as classes de vegetação presentes na mesma, as quais posteriormente foram verificadas e validadas utilizando-se o Manual Técnico da Vegetação Brasileira elaborada pelo IBGE (2012), bem como as classificações de Ribeiro e Walter (2008), da  FAO (2005), além dos mapeamentos produzidos pelo projeto RADAMBRASIL (Amaral e Fonzar, 1982), o qual serviu apenas como orientação devido a não adequabilidade da escala desse mapeamento (1:1.000.000) à escala deste trabalho (1:50.000). Portanto, as classes de vegetação identificadas na área de estudo são descritas a seguir:

Floresta Estacional Semidecidual

De acordo com o IBGE (2012), diferentemente das Florestas ombrófilas, a Floresta estacional semidecidual caracteriza-se por apresentar de 20 a 50% de indivíduos caducifólios em relação à população total, sendo caracterizados pela presença de mesofanerófitos, que na maioria das vezes estão associados a solos areníticos distróficos.

Na área de estudo, as espécies com maior IVI (Índice Valor de Importância) encontradas nessas florestas são: Anadenanthera peregrina, Cupania vernalis, Ceiba boliviana, Inga uruguensis, Ficus dendrocida, Aspidosperma cylindrocarpon, Protium heptaphyllum, Spondias lutea e Cariniana rubra (BALDIN, 2011).

Floresta Estacional Decidual

A Floresta estacional decidual distribui-se por todo o país, presente na forma de disjunções. Marcados, também, por uma estação seca e outra chuvosa bem definida, a principal diferença deste tipo florestal em relação à Floresta estacional semidecidual é a predominância de indivíduos caducifólios cuja perda de folhagem atinge mais de 50% destes na época desfavorável. Na área de estudo, os principais gêneros encontrados são: Anadenanthera e Apuleia (IBGE, 2012).

Campo Cerrado

O Campo cerrado é uma formação campestre de transição entre o Campo Limpo/Sujo e o Cerrado Stricto sensu, que apesar da ocorrência de espécies semelhantes possui cobertura arbórea menor em relação a este último, com predominância de gramíneas e outras herbáceas, apresentando ainda, arbustos mais esparsos (Eiten, 1994). Outra característica marcante desta fitofisionomia é a ocorrência anual de queimadas, o que acarreta na alteração da mesma, mesmo que de forma temporária (Uhlmann, 1995).

Cerrado Stricto Sensu

Este tipo de formação é caracterizado por estratos arbóreos e arbustivos bem definidos. As principais espécies que podem ser encontradas no Cerrado Stricto sensu  pertencente à região de estudo são: Qualea parviflora, Curatella americana, Davilla elliptica, Qualea grandiflora, Pterodon emarginatus, Lafoensia pacari, Diptychandra aurantiaca, Myrcia albo-tomentosa, Caryocar brasiliense, Byrsonima pachyphylla, Byrsonima coccolobifolia, Hymenaea stigonocarpa, Callisthene fasciculata, Luehea paniculata, Magonia pubescens, Terminalia argentea, Erythroxylum deciduum, Couepia grandiflora e Pouteria ramiflora (FINGER, 2008).

Além das classes supracitadas, foi definida também, neste estudo, a classe Área antropizada, a qual corresponde às áreas de solos expostos ou superfícies artificiais (FAO, 2005).

2.3. Análise e processamento dos dados

Para o processo de classificação digital na imagem foi realizado, primeiramente, o processo de segmentação dos objetos. Para tanto, foi utilizado o parâmetro hierárquico, partindo da segmentação de objetos maiores para objetos menores. Segundo Pratt (2007), por mais que se obtenha um ótimo resultado na segmentação de objetos, esta técnica não dispensa o analista humano, que ainda continua sendo a peça chave para a avaliação dos resultados finais da segmentação. Os parâmetros de escala, portanto, foram estabelecidos em: 60, 50, 10, seguidos dos critérios de forma e compacidade definidos como 0.1 e 0.5, respectivamente.

Para os parâmetros de cor e forma são atribuídos valores que variam de 0 a 1. O usuário, portanto, fornece um limiar máximo de similaridade o qual é utilizado como parâmetro para o teste e o cálculo da diferença entre os valores dos atributos de duas regiões. Logo, as regiões são agrupadas, uma vez se o valor verificado for inferior ao limiar estabelecido.

O critério de forma é composto por dois parâmetros, sendo eles a compacidade e a suavidade. O primeiro é definido pela razão da área do objeto e o raio da circunferência abrangente, enquanto que o segundo expressa o limite entre objetos, onde quanto mais fractal, maior o índice de forma (Evans et al., 2010; Esch et al., 2008). As formulações para esses parâmetros podem ser encontrados nos trabalhos de Benz et. al (2004).

Após a segmentação, o passo seguinte foi classificar os objetos gerados por meio do algoritmo de Atribuição de Classes (Assign Class). Como parâmetros descritores, foram utilizadas características de forma e brilho de cada classe. O descritor de média de brilho (Mean) foi atribuído às seguintes classes: Campo cerrado, Floresta estacional semidecidual e Área antropizada. As características da relação área/forma, bem como do posicionamento dos objetos pertencentes à classe Campo cerrado, permitiram sua classificação através dos descritores: Distância da borda direita da cena (X Distance to scene right border) e o de Área (Area). Por fim, para a classe Floresta estacional decidual o descritor utilizado foi o Não Classificado (Unclassified), uma vez que após a classificação dos objetos pertencentes às classes citadas anteriormente, restaram apenas os objetos referentes à Floresta estacional decidual (Figura 2).

Figura 2 - Sequência dos algoritmos e descritores utilizados no processo de classificação.

2.4. Validação da classificação

Após o resultado do processo de classificação da imagem, buscou-se a validação do produto, que contou com o procedimento de comparação entre as classes geradas no mapeamento e as classes de verdade de campo, ou seja, as presentes na imagem SPOT 5. Para tanto, foram gerados pontos de controles aleatórios distribuídos em ambas às imagens, com a utilização de um software de Processamento Digital de Imagens (PDI).  O número de pontos mínimos para produzir um resultado com exatidão de 90% e um erro admissível de 5%, foi calculado como igual a 144, de acordo com a metodologia desenvolvida por Jensen (1996).

Para distribuir os pontos de maneira igualitária e aumentar a confiabilidade do resultado, optou-se por uma amostragem estratificada, com 40 pontos por classe, totalizando 200 pontos de amostragem. Por fim, para a avaliação dos resultados da classificação foi utilizada uma Matriz de Confusão, a qual foi avaliada pelos coeficientes de Exatidão Global e Índice Kappa, segundo os conceitos determinados por Landis e Koch (1977), que indicam os níveis de desempenho da classificação quanto a qualidade do produto gerado.

A matriz de confusão é uma matriz quadrada de números que expressam a quantidade de unidades amostrais, associada a uma dada categoria durante o processo de classificação efetuado, e à categoria real a que pertencem essas unidades (Congalton, 1991). Esta matriz é utilizada como referência para classificar mapas resultantes da utilização de imagens provenientes do Sensoriamento Remoto.

A tabela desenvolvida por Landis e Koch (1977) (tabela 1) é utilizada como referência para classificar mapas obtidos pela classificação de imagens de sensoriamento remoto. Nela são apresentados níveis de desempenho da classificação que indicam a qualidade do mapa temático de acordo com o valor de Kappa obtido.          

Tabela 1- Classificação de Landis e Kock (1977).

3. Resultados e discussão

Figura 3 - Mapeamento das classes de vegetação e ocupação do solo
na área de estudo resultante da classificação orientada a objeto.

As classes que apresentaram os melhores resultados, ou seja, as que apresentaram menor confusão entre classes foram: Campo cerrado, com 100% de acerto, seguido de Cerrado Stricto sensu e Floresta estacional semidecidual, ambas com 97,5%. Estes altos valores podem ser explicados pela melhor separabilidade destas classes para com as outras durante a etapa de segmentação dos objetos.

  A classe que gerou maior confusão foi Floresta estacional decidual, com 82,5% de acerto. Este resultado inferior quando comparado às outras classes, pode ser entendido pela maior dificuldade para gerar os objetos durante o processo de segmentação, haja vista a menor proporção área/forma desta classe de vegetação em relação às outras, ainda que se tenha adotado um baixo parâmetro de escala. A mesma análise pode ser aplicada pra a classe Área antopizada, que obteve 92,5% de acerto.  Para estudos futuros sugere-se incorporar outras técnicas de segmentação para objetos desta natureza, com o intuito de se obter resultados mais satisfatórios como, por exemplo, em estudos como o de Monteiro et. al (2007), que conseguiram ótimos resultados na segmentação e classificação orientada a objetos para discriminação de estradas e pátios de exploração madeireira.

O fator de escala 60 teve melhor aplicabilidade na discriminação de objetos maiores, como as classes de Floresta estacional semidecidual e Cerrado Stricto sensu, enquanto que o fator 50, embora seja um valor muito próximo ao utilizado na classe anterior, foi o mais adequado para delinear objetos pertencentes à classe Campo cerrado. O fator de escala 10 foi o que melhor contribuiu para a discriminação de objetos com menor proporção área/forma como estradas e áreas de solo exposto (Área antropizada), bem como na segmentação da classe Floresta estacional decidual.

A matriz de confusão mostrou um índice de Exatidão Global de 94%, sendo que, de um total de 200 pontos amostrados, 188 foram mapeados corretamente. O valor do Coeficiente Kappa encontrado foi de 0,92, o que caracteriza a classificação como "Excelente" de acordo com os parâmetros estabelecidos por Landis e Koch (1977).  Os resultados da matriz de confusão gerados neste estudo podem ser observados na Tabela 2.

Tabela 2 - Resultados da matriz de confusão.

Legenda - F.E.S = Floresta Estacional Semidecidual
F.E.D = Floresta Estacional Decidual
C.C = Campo Cerrado
C.S.S = Cerrado Stricto Sensu
A.A = Área Antropizada

Resultados semelhantes foram obtidos por Nascimento et al. (2013), no mapeamento de extensão e mudanças estruturais de fitofisionomia de manguezais na Amazônia utilizando sensores distintos. Esses autores afirmaram ainda que os resultados obtidos com o método de Classificação Orientada a Objetos são compatíveis com uma interpretação visual realizada por um analista humano com grande conhecimento da área de estudo.

Sousa et. al (2010), também alcançaram bons resultados utilizando técnicas de segmentação multiresolução e Classificação Orientada a Objetos em dados de alta resolução espacial (Quickbird) na discriminação de espécies florestais em uma região em Alentejo, Portugal, sendo comprovados pelos valores Kappa obtidos de 79,3% e de 86,5 % para duas situações distintas.

4. Conclusão

O produto final obtido pela classificação orientada a objetos neste trabalho foi bastante satisfatório. As feições observadas no resultado da classificação mostram-se coerentes com a realidade da área de estudo. Desta forma, pode-se dizer que os descritores utilizados foram eficazes na separação das classes de vegetação presentes na imagem SPOT 5. O descritor Mean do algoritmo Assign Class provou-se bastante adequado na distinção das classes Floresta estacional semidecidual, Campo cerrado e Área antropizada, enquanto os descritores Distance X to the right border scene em conjunto com o descritor Area conseguiram separar a classe Cerrado Stricto sensu de modo muito eficaz.

Os resultados demonstram a aplicabilidade e viabilidade da utilização de técnicas de segmentação e Classificação Orientada a Objetos em imagens de alta resolução espacial na classificação de fitofisionomias presentes em fragmentos de Cerrado. Tendo em vista o excelente resultado de acurácia referente ao Coeficiente Kappa (0,92), pode-se considerar a Classificação Orientada a Objetos como uma ferramenta importantíssima para estudos voltados para a caracterização e mapeamento de fitofisionomias não apenas no Cerrado, mas em outros biomas, contribuindo assim, para o entendimento da dinâmica destes ambientes. Resultados como estes servem de alicerce para tomadas de decisões inerentes ao manejo destes ambientes em escalas ecossistêmicas.

Referências

ALMEIDA, F. F. M. (1964); Geologia do Centro-Oeste mato-grossense. Departamento Nacional da Produção Mineral, Rio de Janeiro. Boletim n.216: 27-44p.

AMARAL, D. L.; FONZAR, B. C. (1982); Vegetação. Em: Folha SD 21 Cuiabá. BRASIL/Ministério das Minas e Energia. Projeto RADAMBRASIL, Rio de Janeiro, 401- 452p.

ANTUNES, A. F. B.; LUZ, N. B. (2009); Classificação orientada a objetos de imagens Spot-5 com a finalidade de mapeamento do uso da terra. Simpósio Brasileiro de Sensoriamento Remoto, São José dos Campos.

BAATZ, M.; BENZ, U.; DEHGHANI, S.; HEYNEN, M.; HÖLTJE, A.; HOFMANN, P.; LINGENFELDER, I.; MIMLER, M.; SOHLBACH M.; WEBER, M.; WILLHAUCK, G. (2004). E-Cognition professional user guide 4. Definiens Imaging, München.

BALDIN, A. O. B. (2011). Fitossociologia de uma floresta estacional semidecidual explorada seletivamente, com ocorrência de Mogno - Swietenia macrophylla King, no Bioma Cerrado, estado de Mato Grosso, Brasil. Dissertação (Mestrado em Ciências Florestais e Ambientais) Universidade Federal de Mato Grosso – UFMT, 86 p.

BARNSLEY, M. J. e BARR, S. L. (1996). "Inferring urban land use from satellite sensor images using kernel-based spatial reclassification", Photogrammetric Engineering and Remote Sensing, 949-958.

BENZ, U.; HOFMANN, P.; WILLHAUCK, G.; LINGENFELDER, I.; HEYNEN, M. (2004). "Multi-resolution, object-oriented fuzzy analysis of remote sensing data for GIS-ready information"; ISPRS Journal of Photogrammetry e Remote Sensing, 58: 239–258.

BLASCHKE, T. (2010). "Object based image analysis for remote sensing", ISPRS International Journal of Photogrammetry and Remote Sensing, 65(1): 2-16.

CARVALHO, F. M. V.; MARCO JÚNIOR, P.; FERREIRA, L. G. (2009). The Cerrado into-pieces: habitat fragmentation as a function of landscape use in the savannas of central Brazil; Biological Conservation, 1392-1403 p.

CONGALTON, R. (1991). A review of assessing the accuracy of classifications of remotely sensed data; Remote Sensing of Environment 35–46 p.

DEFINIENS, A. G. (2007). Definiens Developer 7, Reference Book. Document Version 7, 195 p.

DURKIN, J. (1996). Expert systems: A view of the field; IEEE Expert-Intelligent Systems & Their Applications, 56-63 p.

EITEN, G. (1994). "Vegetação do Cerrado: caracterização, ocupação e perspectiva". Universidade de Brasília, 681 p.

ESCH, T.; THIEL, M.; BOCK, M. ROTH, A.; DECH, S. (2008). Improvement of image segmentation accuracy based on multiscale optimization procedure; IEEE Geoscience Remote Sensing Letters, 463‑467p.

EVANS, T. L.; COSTA, M.; TELMER, K.; SILVA, T. S. F. (2010). Using ALOS/PALSAR and RADARSAT‑2 to map land cover and seasonal inundation in the Brazilian Pantanal; IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 560‑575 p.

FAO. (2005). State of the World's Forests. Food and Agriculture Organization of the United Nations [on line], [citado em 21 de junho 2013] Disponível em: ftp://ftp.fao.org/docrep/fao/007/y5574e/y5574e00.pdf, acesso em: 21/06/2013.

FIGUEIREDO, M. F. (2006). Quimioestratigrafia das rochas ediacarianas do extremo norte da Faixa Paraguai, Mato Grosso. Dissertação (Mestrado) – Instituto de Geociências, Universidade de São Paulo - SP, 105 p.

FINGER, Z. (2008). Fitossociologia de Comunidades Arbóreas em Savanas do Brasil Central. Tese (Doutorado em Engenharia Florestal) – Universidade Federal de Santa Maria – UFSM. 260 p.

FU, H.; MA, H.; XIAO,  H.  (2012). Real-time accurate crowd counting based on RGB-D information. Image Processing, 19th IEEE International Conference, 2685 p.

GAO, W.; STEIN, A.; YANG, L. WANG, Y.; FANG, H. (2013). Improving Representation of Land - use Maps Derived from Object - oriented Image Classification,em: Transactions in GIS, 387-405 p.

GENELETTI, D. e GORTE, B. G. H. (2003). A method for object-oriented land cover classification combining Landsat TM data and aerial photograph, International Journal of Remote Sensing, Washington, 1273-1286p.

HAY, G. J. e CASTILLA, G. (2008). Image objects and geographic objects, em: BLASCHKE, T.; LANG, S.; HAY, G. J. (ed), Object-Based Image Analysis, Berlin, 91-110 p.

HEROLD, M.; GOLDSTEIN, N. C.; CLARKE, K. C. (2003). The spatiotemporal form of urban growth: measurement, analysis and modeling. Remote Sensing of Environment, 86, 286-302 p.

IBAMA (2002) – Environmental Outlooks in Brazil.  Instituto Brasileiro do Meio Ambiente e dos Recursos Renováveis, Brasília, 447p.

IBGE. Mapa de biomas do Brasil. Escala 1:5.000.000. IBGE [on line], 2004, [citado em 12 de novembro 2013]. Disponível em: http://mapas.ibge.gov.br/biomas2/ viewer.htm.

IBGE. Manual Técnico da Vegetação Brasileira. IBGE [on line], 2012, [citado em 12 de novembro2013]Disponívelem: htttp://geoftp.ibge.gov.br/documentos/recursos_naturais/manuais_tecnicos/manual_tecnico_vegetacao_brasileira.pdf

JENSEN, J. R. (1996).  "Introductory digital image processing: a remote sensing perspective", 2 ed. 316 p.

JENSEN, J. R. (2009). Sensoriamento remoto do ambiente: uma perspectiva em recursos terrestres. Parêntesis, São José dos Campos, 604 p.

LANDIS, J. R. e KOCH, G. G. (1977). The measurement of observer agreement for categorical data. Biometrics, (33) 159-174 p.

LEITÃO, A. B.; MILLER, J.; AHERN, J.; MCGARIGAL, K. (2006). Measuring Landscapes: A Planner's handbook, Washington.

LI, C. S.; GUOFAN, T. I. (2012) Object-oriented classification of land use/cover using digital aerial orthophotography. International journal of remote sensing, vol. 33.

LIU, Y.; LI, M. MAO, L.  XU, F.  (2006). Review of remotely sensed imagery classification patterns based on object oriented image analysis. Chinese Geographical Science.

MONTEIRO, A. LINGNAU, C. SOUZA, J. R. C. (2007). "Classificação orientada a objeto para detecção da exploração seletiva de madeira na Amazônia". Revista Brasileira de Cartografia nº 59/03, 225 p.

NASCIMENTO JUNIOR, W. R.; SOUZA-FILHO, P. W. M.; PROISY, C.; LUCAS, R. M.; ROSENQVIST, A. (2012). "Mapping changes in the largest continuous Amazonian mangrove belt using object-based classification of multisensor satellite imagery". Estuarine, Coastal and Shelf Science.

PINHO, C. M. D.; RENNÓ, C. D.; KUX, H. (2005). Avaliação de técnicas de fusão aplicadas à imagem QuickBird. em: Simpósio Brasileiro de Sensoriamento Remoto. 4225 – 4232 p.

PLATT, R. V. e RAPOZA, L. M. (2008). An evaluation of an object-oriented paradigm for land use/landcover classification. Professional Geographer, 87-100p.

PORTER, S.; LINDERMAN, M. (2013). Historic land cover change in the agricultural Midwest using an object-based approach for classification of high-resolution imagery. Journal of Applied Remote Sensing, vol. 7.

PRATT, W. (2007). Digital Image Processing: PIKS Scientific Inside. Wiley-Interscience publication. John Wiley & Sons, 4 edition.

QI, Z.; GAR-ON.; YEH, A.; LI, X.; LIN, Z. (2012). A novel algorithm for land use and land cover classification using RADARSAT-2 polarimetric SAR data. Remote Sensing of  Environment vol. 118.

RATTER, J. A.; RIBEIRO, J. F.; BRIDGWATER, S. (1997). The Brazilian Cerrado vegetation and threats to its biodiversity. Annals of Botany, 223-230 p.

RENÓ, V. F.; NOVO E. M. L. M.; SUEMITSU, C.; RENNÓ, C. D.; SILVA, T. S. F. (2011). Assessment of deforestation in the Lower Amazon floodplain using historical Landsat MSS/TM imagery. Remote Sensing of Environmen, 3446-3456 p.

RIBEIRO, J. F. e WALTER, B. M. T. (2008). "As Principais Fitofisionomias de Cerrado". Embrapa Cerrados, 151 -212 p. 

ROSS, J. L. S.; SANTOS, L. M. (1982). Folha SD 21/Cuiabá, Geologia. Radambrasil, Rio de Janeiro, vol. 26.

SOUSA, A. M. O., MESQUITA, P. A., GONÇALVES, A. C.; MARQUES DA SILVA, J. R. (2010). Segmentação e classificação de tipologias florestais a partir de imagens Quickbird. IX Seminário de Atualização em Sensoriamento Remoto e Sistemas de Informações Geográficas Aplicados à Engenharia Florestal, Curitiba.

SOUZA, J. P.; PRADO, C. H. B. A.; DAMASCOS, M. A.; ALBINO A. L. S. (2009). Influence of shoot inclination on irradiance and morphophysiological leaf traits along shoots in cerrado trees with distinct leaf deciduousness. Brazilian Journal of Plant Physiology 21:281-289 p.   

SPÍNOLA; MARTIGNONI, C.; BECHARA, CAMPANHÃ E BARRETTO, F.; DUARTE, K. (2007)."Uso de sensoriamento remoto na identificação de fitofisionomias do Cerrado Lato Sensu". Revista Brasileira de Biociências, 378-380 p.

TANSEY, K.; CHAMBERS, I.; ANSTEE, A.; DENNISS, A.; LAMB, A. (2009). "Object-oriented classification of very high-resolution airborne imagery for the extraction of hedgerows and field margin cover in agricultural areas". Applied geography, 145-157p.

UHLMANN, A. (1995). Análise fitossociológica de três categorias fisionômicas no Parque Estadual do Cerrado. Dissertação de Mestrado, Universidade Federal do Paraná, Curitiba, 153 p.

WANG, L.; SOUSA, W. P.; GONG, P. (2004). Integration of object-based and pixel-based classification for mapping mangroves with IKONOS imagery. International Journal of Remote Sensing. 25 (24), 565-5668 p.

WATTS, J. D.; LAWRENCE, R. L.; MILLER, P. R.; MONTAGNE, C. (2009). Monitoring of cropland practices for carbon sequestration purposes in north central Montana by Landsat remote sensing. Remote Sensing of Environment, (113), 1843-1852 p.

ZHOU, W.; TROY, A.; GROVE, M. (2008). Modeling residential lawn fertilization practices: Integrating high resolution remote sensing with socioeconomic data. Environmental Management.

1. Mestrando em Ciências Florestais e Ambientais pelo Programa de Pós Graduação em Ciências Florestais e Ambientais - PPGCFA da FENF/UFMT.
2. Professor da Faculdade de Engenharia Florestal e do Programa de Pós Graduação em Ciências Florestais e Ambientais da Universidade Federal do Mato Grosso (Cuiabá), como Professor Adjunto (DE) - Nível III, Área de Sensoriamento Remoto e Geotecnologias. 

3. Pr ofessor Associado da Universidade Federal de Mato Grosso.
4. Professor da Universidade Federal de Mato Grosso, Departamento de Engenharia Sanitária.