UNIVERSIDADE FEDERAL RURAL DO RIO DE JANEIRO

INSTITUTO DE FLORESTAS
CURSO DE GRADUAÇÃO EM ENGENHARIA FLORESTAL

GABRIEL DE OLIVEIRA INACIO

MAPEAMENTO DO USO E COBERTURA DO SOLO UTILIZANDO IMAGENS

WPM/CBERS-4A, MSI/SENTINEL-2 E OLI/LANDSAT-8 PARA O MUNICÍPIO DE
SEROPÉDICA, RJ.

Prof. Dr. BRUNO ARAUJO FURTADO DE MENDONÇA

Orientador

SEROPÉDICA, RJ
SETEMBRO - 2022
 UNIVERSIDADE FEDERAL RURAL DO RIO DE JANEIRO
INSTITUTO DE FLORESTAS
CURSO DE GRADUAÇÃO EM ENGENHARIA FLORESTAL

GABRIEL DE OLIVEIRA INACIO

MAPEAMENTO DO USO E COBERTURA DO SOLO UTILIZANDO IMAGENS

WPM/CBERS-4A, MSI/SENTINEL-2 E OLI/LANDSAT-8 PARA O MUNICÍPIO DE
SEROPÉDICA, RJ.

Monografia apresentada ao Curso de

Engenharia Florestal, como requisito
parcial para a obtenção do Título de
Engenheiro Florestal, Instituto de Florestas
da Universidade Federal Rural do Rio de
Janeiro.

Prof. Dr. BRUNO ARAUJO FURTADO DE MENDONÇA

Orientador

SEROPÉDICA, RJ
SETEMBRO - 2022
 MAPEAMENTO DO USO E COBERTURA DO SOLO UTILIZANDO IMAGENS
WPM/CBERS-4A, MSI/SENTINEL-2 E OLI/LANDSAT-8 PARA O MUNICÍPIO DE
SEROPÉDICA, RJ.

GABRIEL DE OLIVEIRA INACIO

APROVADA EM: 08 de setembro de 2022

BANCA EXAMINADORA:

______________________________________________________________
Prof. Dr. Bruno Araujo Furtado de Mendonça - DS/IF/UFRRJ
Orientador

______________________________________________________________
Prof. Dr. Emanuel José Gomes de Araújo - DS/IF/UFRRJ
Membro

______________________________________________________________
Me. Danilo Henrique dos Santos Ataíde
Membro

i
DEDICATÓRIA

Dedico este trabalho a minha madrinha e avó

Léa (in memoriam), que foi minha maior
apoiadora e incentivadora durante toda minha
graduação, e que apesar de estar distante,
continua presente, todos os dias dentro de mim.
“Não existe um caminho para a felicidade. A
felicidade é o caminho.”
Thich Nhat Hanh

ii
 AGRADECIMENTOS

Agradeço a Deus por permitir que eu esteja aqui firme e forte, apesar das adversidades e
dificuldades dos últimos anos.
Aos meus pais, por toda dedicação, paciência, incentivo, amor e carinho e por sempre
acreditarem em mim e por estarem sempre ao meu lado, acreditando no meu potencial.
Aos meus irmãos queridos, pela sincera parceria, pela cumplicidade, por sempre deixarem
momentos difíceis mais leves e por me transbordar de amor e felicidade.
Ao meu orientador Bruno Araújo, pela paciência, compreensão e aprendizado, me ajudando a
concluir mais uma etapa da minha vida.
A Rafaela Vettoraci, pela parceria, por me tornar uma pessoa melhor diariamente e por deixar
minhas rotinas sempre mais leves. Muito obrigado por todo amor e por toda felicidade
transmitida.
Aos meus amigos, Túlio Viera, Luiza Marins, Deia Pereira, Julia Cavalcante, Vivian Nogueira
e Isabela Mattos pelo apoio de todos esses anos, por serem como uma família para mim em
Seropédica e por estarem sempre do meu lado em momentos de felicidade e dificuldades.
Aos irmãos que a vida me deu, Nicolau Rizzo, Felipe Santana e João Francisco, pela confiança,
por estarem sempre comigo e por todas as experiências e momentos de muita felicidade
proporcionados.
A Rosangela Vettoraci, Raquel Vettoraci e Ricardo Abukater, por literalmente serem como uma
segunda família pra mim, pela superação de momentos difíceis e por me proporcionarem muita
alegria e amor.
A minha maravilhosa e inesquecível Universidade Federal Rural do Rio de Janeiro, pela
experiência incrível que guardarei para a vida toda.

iii
 RESUMO
O município de Seropédica, localizado na baixada fluminense do Rio de Janeiro, carece de
planejamento territorial. Com isso, as ferramentas de sensoriamento remoto surgem como
importantes aliadas para o melhor ordenamento territorial, por meio de análises de uso e
ocupação do solo. Umas das maneiras de se avaliar e obter resultados que possam caracterizar
uma determinada área é por meio da classificação supervisionada, que pode ser executada com
uso de diferentes imagens e satélites, o que pode deixar o usuário ou o avaliador confuso sobre
qual satélite viabiliza a análise mais precisa. Portanto, a área de estudo do presente trabalho
refere-se ao município de Seropédica, em que se avaliou diferentes satélites/sensores: CBERS
4A/WPM, SENTINEL 2B/MSI e LANDSAT 8/OLI na classificação supervisionada utilizando
o classificador Random Forest no software QGIS 3.22. A precisão de classificação
supervisionada realizada para cada método avaliado, foi avaliada a partir dos índices Kappa e
Exatidão Global. Por fim, concluiu-se que a classificação de todas as imagens apresentou
parâmetros excelentes com distinções de uso de cada imagem relacionadas aos tamanhos de
pixel de cada imagem, em que a imagem CBERS 4A e SENTINEL 2 possuem utilização para
classificação de áreas de menores extensões, enquanto que a imagem LANDSAT 8 possui
melhor aplicação para áreas de maiores extensões.
Palavras-chave: Ordenamento Territorial; Sensoriamento remoto; Classificação
Supervisionada.

iv
 ABSTRACT
The municipality of Seropédica, located in the baixada fluminense of Rio de Janeiro, lacks
territorial planning. With this, the remote sensing tools emerge as important allies for a better
territorial planning, through land use and occupation analysis. One of the ways to evaluate and
obtain results that can characterize a given area is through supervised classification, which can
be performed with the use of different images and satellites, which can leave the user or
evaluator confused about which satellite enables the most accurate analysis. Therefore, the
study area of this work refers to the municipality of Seropédica, where different
satellites/sensors were evaluated: CBERS 4A/WPM, SENTINEL 2B/MSI and LANDSAT
8/OLI in the supervised classification using the Random Forest classifier in QGIS 3.22
software. The accuracy of supervised classification performed for each method evaluated, was
evaluated from Kappa indices and Overall Accuracy. Finally, it was concluded that the
classification of all images presented excellent parameters with distinctions of use of each
image related to the pixel sizes of each image, in which the CBERS 4A and SENTINEL 2
images have use for classification of areas of smaller extensions, while the LANDSAT 8 image
has better application for areas of larger extensions.

Keywords: Land Planning; Remote Sensing; Supervised Classification.

v
 SUMÁRIO

1 INTRODUÇÃO ................................................................................................................. 1
2 REVISÃO BIBLIOGRÁFICA ......................................................................................... 3
2.1 Contexto histórico do Geoprocessamento e dos Sistemas de Informações
Geográficas ............................................................................................................................. 3
2.2 O Geoprocessamento e os Sistemas de informações Geográficas ............................... 4
2.3 Sensoriamento Remoto ................................................................................................ 5
2.4 Classificação do uso do solo ........................................................................................ 6
2.5 Assinatura espectral ..................................................................................................... 7
2.6 Índices espectrais e os diferentes sensores................................................................... 7
3 MATERIAIS E MÉTODOS ........................................................................................... 11
3.1 Área de Estudo ........................................................................................................... 11
3.2 Processamento e análises dos dados .......................................................................... 12
3.3 Aquisição de Dados e Classificação das Imagens ..................................................... 13
3.4 Definição das classes de uso e cobertura ................................................................... 15
3.5 Avaliação da Acurácia da Classificação .................................................................... 16
4 RESULTADOS E DISCUSSÃO .................................................................................... 18
4.1 Avaliação da Acurácia ............................................................................................... 18
4.2 Classificação do uso e cobertura do solo ................................................................... 23
4.2.1 CBERS 4A – Sensor WPM ................................................................................ 24
4.2.2 SENTINEL 2 – Sensor MSI ............................................................................... 26
4.2.3 LANDSAT 8 - Sensor OLI................................................................................. 28
4.3 Análise conjunta das classificações de uso e cobertura do solo ................................ 30
5 CONCLUSÃO ................................................................................................................. 35
6 REFERÊRNCIAS ........................................................................................................... 36

vi
 LISTA DE TABELAS

Tabela 1. Descrição de local e data de aquisição das imagens dos diferentes satélites. .......... 14
Tabela 2. Intervalo de qualidade de classificação segundo o índice Kappa. ........................... 18
Tabela 3. Matriz de confusão da classificação para a imagem do satélite CBERS 4A. .......... 19
Tabela 4. Erro de omissão da classificação para a imagem do satélite CBERS 4A. ............... 19
Tabela 5. Erro de comissão da classificação para a imagem do satélite CBERS 4A. ............. 20
Tabela 6. Matriz de confusão da classificação para a imagem do satélite SENTINEL 2. ...... 20
Tabela 7. Erro de omissão da classificação para a imagem do satélite SENTINEL 2. ........... 21
Tabela 8. Erro de comissão da classificação para a imagem do satélite SENTINEL 2. ......... 21
Tabela 9. Matriz de confusão da classificação para a imagem do satélite LANDSAT 8. ....... 22
Tabela 10. Erro de omissão da classificação para a imagem do satélite LANDSAT 8. .......... 22
Tabela 11. Erro de comissão da classificação para a imagem do satélite LANDSAT 8. ........ 23
Tabela 12. Validação estatística da classificação supervisionada no município de Seropédica.
.................................................................................................................................................. 23

vii
 LISTA DE FIGURAS

Figura 1: Assinatura espectral ................................................................................................... 7

Figura 2. Mapa de localização do município de Seropédica ................................................... 12
Figura 3. Fluxograma Metodológico ....................................................................................... 13
Figura 4. Chave de classificação ............................................................................................. 15
Figura 5. Mapa de uso e cobertura da terra para imagem do satélite CBERS 4A, sensor WPM
.................................................................................................................................................. 25
Figura 6. Gráfico de áreas, em hectare, para as diferentes classes de uso do solo, de acordo
com processamento da imagem do satélite CBERS 4A, sensor WPM .................................... 26
Figura 7. Mapa de uso e cobertura da terra para imagem do satélite SENTINEL 2, sensor
MSI ........................................................................................................................................... 27
Figura 8. Gráfico de áreas, em hectare, para as diferentes classes de uso do solo, de acordo
com processamento da imagem do satélite SENTINEL 2, sensor MSI ................................... 28
Figura 9. Mapa de uso e cobertura da terra para imagem do satélite LANDSAT 8, sensor OLI
.................................................................................................................................................. 29
Figura 10. Gráfico de áreas, em hectare, para as diferentes classes de uso do solo, de acordo
com processamento da imagem do satélite LANDSAT 8, sensor OLI .................................... 30
Figura 11. Mapas comparativos para melhor visualização dos diferentes tamanhos de pixels
.................................................................................................................................................. 34

viii
1 INTRODUÇÃO
Diversos municípios localizados na região metropolitana do Estado do Rio de Janeiro
sofrem com a falta de ordenamento territorial, em que espaços urbanos crescem de maneira
acelerada e consequentemente fragmentos florestais e recursos hídricos são degradados pelas
interferências antrópicas. Com o município de Seropédica, localizado na baixada fluminense, a
situação de falta de planejamento territorial é uma realidade, com espaços urbanos crescendo,
hidrografia regional sofrendo com a poluição hídrica, formações florestais sendo degradadas e
o avanço de atividades mineradoras sendo responsáveis por grandes mudanças na paisagem da
região. Segundo Santos (2016), uma das principais fontes econômicas do município é a extração
mineral, em que até 2011 o distrito areeiro do município era o principal produtor de areia do
Estado do Rio de Janeiro, o que vem causando intensas mudanças na paisagem local, com área
total de espelhos d’água aumentando consideravelmente.
A cidade de Seropédica incorpora a urbanização tardia em um espaço de transformação
rural, tendo a maioria de sua área ocupado por atividades agrícolas, e que, consequentemente,
apresenta baixos níveis de ocupação urbana (RIBEIRO E O’NEILL, 2012). Diante dessa
situação, Seropédica enfrenta conflitos pelo uso da terra, que envolve a conversão de suas terras
agrícolas para uso urbano, a manutenção de seus areais e do aterro sanitário que recebe resíduos
do Rio de Janeiro dentro de suas fronteiras, ou seja, situação que coloca pressão sob seus
recursos hídricos e remanescentes florestais, ameaçando a diversidade biológica local.
As mudanças nas áreas naturais causadas pelas atividades humanas representam uma
grande ameaça à biodiversidade. A superpopulação e os altos padrões de consumo levaram à
conversão de áreas florestadas para uso humano, com consequências trágicas para as espécies
que vivem nessas áreas (CASTRO e FERNADÉZ, 2022). O conhecimento da dinâmica da
paisagem em uma determinada área é um fator importante para um bom planejamento e
sustentabilidade ambiental. Desta forma, o sensoriamento remoto orbital tornou-se uma
importante ferramenta para obtenção de informações de mapeamento de uso do solo e é a base
para o planejamento territorial regional (BARBOSA, 2009).
O uso do sensoriamento remoto para obtenção de dados relacionados ao uso e ocupação
do solo para o monitoramento e análise de recursos naturais tem se difundido, onde um dos
principais objetivos é diferenciar e identificar a composição de diferentes materiais de
superfície, sejam tipos de vegetação, padrões de uso, afloramentos rochosos, corpos d’água e
outros. Esta distinção e identificação deve-se ao comportamento específico dos materiais de

1
superfície no espectro eletromagnético, que pode ser utilizado para identificar o seu
comportamento (CROSTA, 1993).
A classificação digital é uma das principais funções do processamento digital de
imagens de sensoriamento remoto, sendo amplamente utilizada em mapeamentos temáticos,
incluindo uso e ocupação do solo. A classificação de uma imagem baseia-se em identificar os
elementos presentes nela associando cada um de seus pixels a uma determinada categoria
temática. São feitas comparações entre pelo menos duas bandas do espectro para comparar o
mesmo pixel com possíveis respostas diferentes (FITZ, 2008). Segundo Barbosa (2009), o
sucesso da análise de imagens de sensoriamento remoto depende de fatores além dos princípios
básicos de interpretação, como quando a imagem de satélite foi adquirida, tipo de produto,
bandas espectrais, escala da imagem e, finalmente, a experiência do analista, que no fim, darão
a consistência para as análises.
Para os diferentes tipos de estudos estão disponíveis, em múltiplas plataformas oficiais,
diversos tipos de imagens que podem ser utilizadas para confecção de mapas temáticos com
classificações do uso do solo de determinada região. Segundo Ponzoni e Almeida (1996), a
precisão dos mapas temáticos é determinada pelas chamadas matrizes de erro ou contingência,
que consistem em números iguais de linhas e colunas que representam o confronto entre os
resultados da classificação (visual ou numérica) de um produto de sensoriamento remoto
(mapas temáticos) e a verdade do terreno ou outra informação que seja considerada referência.
De acordo com Florenzano (2002), o processamento de imagens de satélite para
obtenção de classificações de uso do solo, permitem estudar e monitorar fenômenos naturais
dinâmicos (erosão, inundações, etc.) e fenômenos antropogênicos no meio ambiente. Esses
fenômenos impressos na paisagem são registrados nas imagens produzidas pelo sensoriamento
remoto, e sua análise permite identificar, calcular e monitorar áreas de desmatamento, o
crescimento de áreas impermeabilizadas e a identificação de áreas sujeitas a processos erosivos.
Portanto, o presente trabalho visou utilizar de técnicas do geoprocessamento para
realizar uma classificação supervisionada, utilizando o mesmo classificador, para o município
de Seropédica, no qual foram utilizadas imagens de três satélites diferentes, sendo eles: CBERS
4A, SENTINEL 2 e LANDSAT 8. Como forma de avaliar e validar os resultados obtidos com
as classificações foram confeccionadas matriz de confusão para cada imagem para posterior
cálculos de parâmetros estatísticos, com o intuito de analisar se o modelo de classificação
utilizado condiz com a realidade, em que se pode relatar as particularidades de uso para cada
imagem.

2
2 REVISÃO BIBLIOGRÁFICA
2.1 Contexto histórico do Geoprocessamento e dos Sistemas de Informações
Geográficas
De acordo com Xavier da Silva (2001), estudos e documentos confirmam que a
geografia é uma ciência antiga. O Processamento Eletrônico de Dados, pelo contrário, é o mais
recente campo de informação. Neste enquadramento, os Sistemas de Informação Geográfica,
utilizando o Geoprocessamento, formam uma estrutura de interface entre Geografia,
processamento de dados e comunicação.
Alguns autores afirmam que na década de 1950, o Reino Unido (por meio de pesquisas
botânicas) e os EUA (pesquisa de volume de tráfego) tentaram pela primeira vez automatizar o
processamento de dados com características espaciais, com o objetivo principal de reduzir os
rendimentos e os custos de manutenção dos mapas. Observou-se que esses sistemas ainda não
poderiam ser classificados como "sistemas de informação geográfica" (CÂMARA e DAVIS,
2003).
O sistema aritmético informatizado abriu oportunidades para pesquisas sobre o uso de
grandes quantidades de dados, principalmente dados espaciais, que costumavam armazenar e
gerenciar dados censitários. No final da década de 1950, meteorologistas, geólogos e geógrafos
incorporaram mapas gerados por computador em seus trabalhos (SILVA, 2003).
Segundo Ibrahin (2014), a manipulação dos dados geográficos antes da computação é
feita por meio de mapas ou outros documentos impressos, que são produzidos com auxílio de
bases. Como resultado, falhas e limitações se repetem. Portanto, um fator importante, neste
caso, o surgimento dos sistemas de informação geográfica, surgidos no Canadá apenas na
década de 1960, foi desenvolvido como parte de um programa governamental cujo objetivo
principal era o inventário dos recursos naturais. O autor também afirma que naquela época a
mão de obra precisava ser muito especializada, os computadores eram caros e os interessados
precisavam desenvolver seus próprios programas. Este processo é custoso e demorado. E assim,
os dados geográficos começam a ser processados por meio de um conjunto de técnicas
matemáticas e computacionais conhecidas como geoprocessamento.
De acordo com Câmara (1996), a década de 1980 seria o período em que a tecnologia
dos sistemas de informações geográficas (SIG) começou a se acelerar e continua até hoje. O
mesmo autor afirmou ainda que, na época, a tecnologia era limitada por altos custos de
hardware e poucas pesquisas específicas sobre a disciplina, de modo que o SIG se beneficiou
muito da democratização trazida pelos avanços da microinformática e da implantação de
centros de pesquisa sobre o tema.

3
 O geoprocessamento no Brasil será iniciado, pesquisado e difundido no início da década
de 1980 pelo Prof. Jorge Xavier da Silva da Universidade Federal do Rio de Janeiro, onde,
juntamente com um grupo do Laboratório de Geoprocessamento do Departamento de
Geografia, desenvolveram Saga (System for Geo-Environmental Analysis) com poderosos
recursos de análise geográfica, no qual tinham uma grande capacidade de estudos (IBRAHIN,
2014).
Segundo Zaidan (2017), além da equipe de pesquisa formada pelo professor Jorge
Xavier da Silva, três outros grupos merecem destaque nacional: a AeroSul, em meados da
década de 1980, desenvolveu um sistema de processos cartográficos automatizados; Mais tarde,
eles formaram a empresa MaxiDATA e introduziram o MaxiCAD, que é amplamente utilizado
em mapeamento por computador; Centro de Pesquisa e Desenvolvimento da TELEBRÁS, que
teve início em 1990 com o desenvolvimento do SAGRE (Sistema Automático de
Gerenciamento de Rede Externa), o uso generalizado do Geoprocessamento no setor de
comunicações. Também em 1984, o INPE (Centro Nacional de Pesquisas Espaciais), que
estabeleceu uma equipe para desenvolver tecnologia de geoprocessamento e sensoriamento
remoto (Divisão de Processamento de Imagens (DPI). De 1984 a 1990, a DPI desenvolveu o
SITIM (Sistema de Processamento Gráfico) e SGI (Sistema de Informação Local), nativo
PC/DOS, e, a partir de 1991, o SPRING (I - Sistema de Processamento de Informação
Geográfica), para locais UNIX e MS/Windows.

2.2 O Geoprocessamento e os Sistemas de informações Geográficas

Analisando o contexto histórico e as contribuições de diversos profissionais, entende-se
que o geoprocessamento hoje é uma importante ferramenta na etapa de coleta e processamento
de informações relacionadas às questões ambientais. Usando determinados programas, dados
existentes podem ser interpretados ou agrupados de forma rápida e eficiente para gerar uma
série de informações relacionadas, como modelos numéricos para determinar elevação, forma,
inclinação e muito mais (CALDAS DA SILVA, 2006).
De acordo com Costa et al. (2009), o geoprocessamento torna-se ferramenta importante
e essencial, quando se tem o discernimento que o meio ambiente possui suas fragilidades e
potencialidades, que podem ser avaliadas de maneira integrada, através de mapeamentos,
harmonizando suas características naturais com suas restrições, além de que, esse mapeamento
constitui umas das principais ferramentas utilizadas pelos órgãos públicos na elaboração do
planejamento territorial ambiental.

4
 Segundo o INPE (2020), um conjunto de estudos e técnicas destinados a coletar, tratar
e processar dados de referência espaciais é conhecido como geoprocessamento. As atividades
que os compõem são realizadas por sistemas específicos comumente chamados de sistemas de
informação geográfica (SIG). Os sistemas de geoprocessamento são projetados para processar
dados contendo informações geográficas ou georreferenciadas, desde a coleta até a geração de
mapas regulares que podem estar em diferentes formatos estendidos.
Com um entendimento preliminar e simplista, o SIG pode ser visto como uma
ferramenta para projetos de construção de mapas. No entanto, o SIG incluiu cada vez mais
funções. Em particular, eles fornecem técnicas e procedimentos sofisticados de processamento
de dados e análise espacial para visualizar dados de forma mais intuitiva do que aqueles obtidos
por meio de relatórios e gráficos tradicionais (CRUZ e CAMPOS, 2016).
Mais amplamente, o SIG consiste em ambientes para armazenamento, processamento e
análise de dados, aplicação de modelos e processamento de séries temporais, onde cenários
passados e atuais podem ser visualizados e cenários futuros simulados. Com isso, o SIG pode
efetivamente expressar conceitos de expressão territorial, como unidades de uso potencial do
solo, áreas de influência para parâmetros específicos, áreas-chave, centros dinâmicos de
energia, etc., que podem fornecer valiosos serviços para planejamento e proteção ambiental
(XAVIER DA SILVA, 2001; MINISTÉRIO DO MEIO AMBIENTE - MMA, 1996).
De acordo com Câmara et al. (2005), o SIG será utilizado como uma importante
ferramenta de geração de informações que podem solucionar diversos problemas de forma
rápida e precisa, sempre facilitando os processos de tomada de decisão em diversos campos
ambientais, econômicos e sociais.

2.3 Sensoriamento Remoto

O sensoriamento remoto pode ser entendido como qualquer técnica que obtenha
imagens da superfície da Terra ou qualquer outro tipo de dados por meio da captura e registro
da energia refletida ou emitida da superfície terrestre (FLORENZANO, 2011).
Segundo Caldas (2006), a compreensão das imagens obtidas por sensoriamento remoto
inclui o entendimento de que objetos na superfície da Terra, como vegetação, água e solo,
refletem, absorvem e transmitem radiação eletromagnética em proporções dependentes do
comprimento de onda de acordo com suas características biofísicas e/ou propriedades químicas.
Portanto, ainda segundo o mesmo autor, a interpretação das imagens é baseada em elementos
básicos, extraindo informações de objetos, regiões ou fenômenos, considerando cor/tom,
textura, tamanho, forma, sombreamento, altura padrão e posição.
5
 As imagens coletadas por sensores remotos possuem algumas características que as
distinguem de outras imagens digitais, com propriedades estruturais e de resolução próprias,
onde essas imagens de satélite podem ser interpretadas visualmente e utilizando técnicas
automatizadas, cada uma com vantagens e desvantagens (CRÓSTA, 2002).

2.4 Classificação do uso do solo

Qualquer tipo de empreendimento e/ou qualquer tipo de atividade relacionada ao
manejo do solo, requerem um reconhecimento e detalhamento do espaço físico territorial.
Portanto seja uma atividade ligada às obras de engenharia e arquitetura, ou ainda, ligadas ao
manejo e conservação de solos, é importante um estudo de descrição da superfície do solo e as
suas utilizações. A cobertura existente e o uso atual da terra podem ser mapeados e descritos
usando métodos de classificação de imagens de satélite (RIBEIRO e CENTENO, 2001).
Segundo Rex et al. (2018), atualmente, o desenvolvimento é pautado em princípios
sustentáveis, dessa forma, o monitoramento ambiental global terá como aliado a ciência sobre
o uso da terra e a mudança da cobertura do solo. Segundo o mesmo autor, o conhecimento sobre
o estado de uso e cobertura da terra é uma informação vital para atender a uma variedade de
necessidades da sociedade, incluindo gestão de recursos naturais, pesquisa ambiental,
planejamento urbano e desenvolvimento sustentável.
Segundo o Instituto Brasileiro de Geografia e Estatística - IBGE (2007), a expansão
urbana no Brasil está associada ao desenvolvimento da agricultura e pecuária, o que inclui a
adoção de sistemas intensivos de manejo do solo, em que esses sistemas de manejo aceleram a
degradação do solo, independentemente da capacidade de uso da terra. Nos levantamentos de
atributos do solo, áreas heterogêneas são subdivididas em partes menores e relativamente
uniformes na definição desses atributos para sua classificação, o que produz conhecimento que
contribui para a compreensão do uso do solo que pode ser utilizado de forma sustentável no
planejamento de sua conservação (IBGE, 2007).
De acordo com Ribeiro e Centeno (2001), a classificação do uso do solo pode ser feita
de forma rápida e eficiente por meio de técnicas digitais, onde são utilizadas imagens de satélite,
o que envolve a associação de um determinado “pixel” da imagem a uma determinada classe
por meio de critérios estabelecidos. O objetivo da classificação é: classificar, distinguir e
categorizar.
Com a finalidade de dar qualidade aos estudos de classificação do uso do solo e para
que os mapeamentos desenvolvidos tenham o detalhamento esperado, são utilizados materiais
disponíveis gratuitamente, em que se pode citar as imagens multiespectrais geradas a partir dos

6
sistemas-sensores Landsat-8/OLI, Sentinel-2/MSI ou ainda CBRES-4A/WPM (REX et al.,
2018).

2.5 Assinatura espectral

A energia eletromagnética pode ser ordenada de forma contínua devido ao seu
comprimento de onda ou frequência, denominado espectro eletromagnético, que apresenta
subdivisões de acordo com as características de cada região devido ao tipo de processo físico
que a produz, ou seja, o tipo de interação que ocorre entre a radiação e o objeto incidente e a
transparência da atmosfera em relação à radiação (NOVO, 1989).
Segundo Brys (2008), as mudanças na proporção, em que objetos terrestres, como
vegetação, água e solo, que refletem, absorvem e transmitem essa radiação eletromagnética,
são representadas por curvas, em decorrência dos respectivos comprimentos de onda
dependentes de propriedades bio-físico-químicas, definindo suas respostas espectrais.
Conforme a figura 1, é demonstrado diferentes assinaturas espectrais.

Figura 1: Assinatura espectral. Fonte: Adaptado de Florenzano (2007).

2.6 Índices espectrais e os diferentes sensores

Existem diversas técnicas no geoprocessamento, em que, após a obtenção das imagens
de satélites, a interpretação de respostas espectrais é feita de forma manual, o que pode

7
caracterizar os estudos e análises como de baixa precisão, além de requerer muito tempo para
as rotinas de verificações (XU, 2007).
De acordo com Zha et al. (2003), muitos procedimentos de interpretação de respostas
espectrais podem ser caracterizados como trabalhosos, com isso, enfatizou a importância de
automatizar os procedimentos necessários para avaliar o uso da cobertura do solo, apresentando
o uso de índices de espectro gerados a partir de combinações de bandas de satélite.
Os índices espectrais normalizados são apresentados como uma medida capaz de
identificar as diversas informações presentes na superfície terrestre por meio dos elementos
multiespectrais contidos nas imagens de satélite, classificando-os assim como solo exposto,
edificações, cobertura vegetal, corpos d'água. Além de normalizar ou minimizar os efeitos
associados à coleta de dados espaciais, esses índices espectrais são projetados para distinguir
informações de interesse de outros alvos de similaridade espectral. No entanto, por serem
derivados de expressões matemáticas envolvendo valores de refletância, esses índices são
sensíveis a mudanças nas assinaturas espectrais em diferentes fisiologias vegetais (FRANÇA
et al., 2012; PEREIRA et al., 2016).
Os índices espectrais podem ser obtidos por diversos sensores, sendo um deles, por meio
do satélite CBRES-4A, oriundo do programa CBRES, de parceria entre Brasil e China no setor
técnico-científico espacial. O CBERS- 4A é um satélite de sensoriamento remoto de média
resolução equipado com uma carga útil óptica operando no espectro visível com faixa de
resolução de 2 a 60 metros. Suas imagens são utilizadas para diversas finalidades no
monitoramento ambiental, entre as quais pode se destacar o controle de desmatamento,
queimadas, monitoramento de recursos hídricos, ocupação do solo, entre outros (INPE, 2018).
O CBERS 4A possui três sensores diferentes. O primeiro sensor é a câmera
Multiespectral (MUX), que possui três bandas no visível e uma banda no infravermelho com
resolução espacial de 16 m. Já o outro sensor é a câmera de Campo Largo (WFI) que também
possui três bandas no visível e uma banda infravermelha, espacialmente resolvido, a taxa é de
55 m. Por último, o terceiro sensor, a Wide Scan Multispectral and Panchromatic Camera
(WPM), com três bandas do visível e uma do infravermelho, cada uma com resolução espacial
de 8 m e banda pancromática de 2 m (INPE, 2018). Conforme o Quadro 1, são descritas as
características do satélite CBERS 4A.

8
Quadro 1. Descrição dos sensores do satélite CBERS 4A.

CBERS 4A

Resolução Resolução Resolução

Sensor Bandas
Espectral (p.m) Espacial (m) Temporal (dias)

P 0,45 - 0,90 2
B1 0,45 - 0,52
WPM B2 0,52- 0,59
8
B3 0,63 - 0,69
B4 0,77 - 0,89 31
B5 0,45 - 0,52
B6 0,52- 0,59
MUX 16,5
B7 0,63 - 069
B8 0,77 - 0,89
B13 0,45 - 0,52
B14 0,52 - 0,59
WFI 55 5
B15 0,63 - 0,69
B16 077 - 089
Fonte: Adaptado de INPE (2018).
Outros dois importantes sensores utilizados para obtenção de elementos multiespectrais
são encontrados no satélite Landsat 8, proveniente da missão Landsat. O satélite Landsat 8 foi
lançado em fevereiro de 2013 e desde o ano de seu lançamento, ele foi usado para adquirir mais
de 1,1 milhão de imagens gravadas destinadas a apoiar pesquisas agrícolas, mapeamento de uso
do solo, manejo florestal, desastres naturais e mudanças na superfície da terra (USGS, 2022).Os
dois sensores do Landsat 8 são: Thermal Infrared Sensor (TIRS) que mede a temperatura
superficial da Terra por meio de duas bandas espectrais na faixa do infravermelho termal, com
resolução espacial de 100 metros e o Operational Land Imager (OLI) com bandas espectrais
nas faixas do visível, infravermelho próximo e infravermelho de onda curta, com resolução
espacial de 30 metros e 15 metros (pancromática) (USGS, 2022). No Quadro 2 são descritas as
características do satélite Landsat 8.

9
Quadro 2. Descrição dos sensores, bandas e resoluções espectral, espacial e temporal do
satélite Landsat 8.

Landsat 8

Resolução
Resolução Resolução
Sensor Bandas Temporal
Espectral (µm) Espacial (m)
(dias)

Bi 0,43 - 0,45

B2 0,45 - 0,51

B3 0,53 - 0,59

B4 0,64- 0,67 30

OLI B5 0,85 - 0,88

B6 1,57 - 1,65
16
B7 2,11- 2,29

B8 0,50 - 0,68 15

B9 1,36 - 1,38
B10 10,6- 11,19 30
100
TIRS
B11 11,5 - 12,51
Fonte: Adaptado de USGS (2022).
A obtenção de elementos multiespectrais também pode ser feita por um sensor, presente
no satélite Sentinel-2, da missão Sentinel que começou em 2014, sendo o primeiro satélite
óptico operado pela Agência Espacial Européia (ESA) da série. Lançado em 2015, possui uma
ampla gama de aplicações para monitoramento de agricultura, florestas, áreas costeiras, águas
interiores, desastres naturais e uso e ocupação do solo. O satélite Sentinel-2 está equipado com
um sensor Multiespectral Instrument (MSI) com 13 bandas espectrais, com resolução espacial
de 10 m na banda do visível, 20 m na banda do infravermelho e 60 m na banda de correção
atmosférica (ESA, 2022). Na Tabela 3 são descritas as características do satélite Sentinel 2.

10
Quadro 3. Descrição dos sensores do satélite Sentinel-2.

Sentinel 2 / MSI

Resolução Resolução Resolução

Bandas
Espectral (p.m) Espacial (m) Temporal (dias)

B1 0,44 60
B2 0,49
B3 0,56 10
B4 0,66
B5 0,7
B6 0,74
B7 0,78 20 10
B8 0,84
B8A 0,86
B9 0,94
60
B10 1,37
B11 1,61
20
B12 2,19
Fonte: Adaptado de ESA (2022).

3 MATERIAIS E MÉTODOS
3.1 Área de Estudo
O estudo foi desenvolvido no município de Seropédica, que possui área de
aproximadamente 265,19 km² (IBGE, 2022), localizado na região metropolitana do estado do
Rio de Janeiro, mais precisamente na região oeste da baixada fluminense, conforme ilustrado
pela Figura 2.
Embora politicamente considerada parte da região metropolitana do Rio de Janeiro, está
geograficamente localizada em uma área da planície litorânea do Rio de Janeiro chamada
Baixada de Sepetiba. Essa região é margeada, em sua parte sul, pelo Oceano Atlântico, o
interior desta planície funde o oeste e noroeste da Serra do Mar, o leste do Maciço da Pedra
Branca, o nordeste da Serra da Mantiqueira e os contínuos morros baixos ao norte e nordeste,
na chamada paisagem do Mar de Morros (JACCOUD, 2006).

11
Figura 2. Mapa de localização do município de Seropédica. Fonte: elaborado pelo autor.

Segundo a classificação de Köppen, o clima da região é do tipo ‘Aw’, com chuvas

concentradas entre novembro e março, precipitação anual média de 1.213 mm e temperatura
média anual de 23,9 °C (Carvalho et al., 2011).
O município está inserido no bioma mata atlântica, no entanto, de acordo com Costa et.
al. (2013), Seropédica sofre com intenso desmatamento por toda a sua extensão, em que a
história de ocupação humana na região, onde vários ciclos agrícolas se alternaram aliados à
prática de pecuária extensiva, quase que nada deixou de remanescente quanto à primitiva
cobertura florestal. Segundo o mesmo autor, os remanescentes florestais de melhor qualidade,
que estão fragmentados e isolados, continuam sofrendo com processos de degradação ecológica
sendo, aos poucos, transformados em áreas secundárias que se apresentam em graus de sucessão
variados.

3.2 Processamento e análises dos dados

A metodologia do presente trabalho pode ser entendida de maneira rápida e direta por
meio da Figura 3, em que foram utilizadas quatro etapas para compor todo o processamento das

12
imagens dos diferentes satélites. Portanto as etapas foram: 1. Aquisição das Imagens; 2. Pré
Processamento; 3. Classificação Supervisionada; 4. Pós Processamento.

Figura 3. Fluxograma Metodológico. Fonte: elaborado pelo autor.

3.3 Aquisição de Dados e Classificação das Imagens

As imagens foram obtidas por meio de sites e plataformas oficiais, em que para a
imagem referente ao satélite/sensor CBERS 4A/WPM a obtenção foi realizada no site do
Instituto Nacional De Pesquisas Espaciais (INPE, 2022), já a imagem referente ao
satélite/sensor SENTINEL 2/MSI a aquisição foi feita no site do programa Copernicus, que é
um programa de observação da Terra da União Europeia (ESA, 2022), enquanto que para a
imagem referente ao satélite/sensor LANDSAT 8/OLI a obtenção foi realizada no site do
Serviço Geológico do Estados Unidos (USGS, 2022). Os detalhes de datas e locais de aquisição
das diferentes imagens estão descritos pela tabela 1.
13
 Tabela 1. Descrição de local e data de aquisição das imagens dos diferentes satélites.

Aquisição das Imagens

Satélite / Nível Site/Plataforma Data Elevação Solar Azimute Solar
CBERS 4A L4 INPE 27/01/2022 67,38º 83,22º
LANDSAT 8
USGS 29/04/2022 42,34º 40,65º
Level 2
SENTINEL 2
COPERNICUS 07/06/2022 52,41º 30,74º
Level 2A
Fonte: elaborado pelo autor.

A tentativa foi de adquirir as imagens nas mesmas datas, para não haver modificações
nas formas de uso e ocupação do solo, no entanto, imagens com mesmas datas estavam
apresentando grande influência do índice de cobertura de nuvens, dessa forma, as imagens com
as datas mais próximas e com menor índice de nuvens foram as apresentadas anteriormente na
tabela. Todas a amostras coletadas foram polígonos, em formato shapefile, confeccionados por
meio do software QGIS.22, a partir da análise das imagens adquiridas, tendo como referências
imagens do Google Earth e conhecimentos prévios da área.Foi realizada uma classificação
supervisionada para cada imagem dos diferentes satélites, em que foi utilizado o complemento
Dzetsaka: Classification Tool, utilizando o classificador Random Forest no software QGIS
3.22.
Segundo Teixeira (2022), o classificador de Random Forest é uma ferramenta especial
em cenários de aprendizado de máquina com base na criação iterativa e aleatória de árvores de
decisão que usam um conjunto de regras e condições que definem classes para criar
aleatoriamente várias árvores de decisão com base no modelo criado. Essas árvores são usadas
para classificar todos os pixels. De forma simplificada, a técnica é baseada na agregação de
múltiplas árvores de decisão. Assim, ele processa um conjunto de árvores de decisão geradas
dentro de um mesmo objeto - um conjunto de árvores - onde cada objeto passa por um processo
de votação (bagging) para selecionar a classificação mais votada.
Posteriormente, com as classificações resultantes, são feitas análises dos rasters, com o
objetivo de calcular e obter as áreas de cada padrão das diferentes classes de uso e cobertura da
terra. Este procedimento foi feito com o QGIS 3.22, em que os cálculos foram feitos por meio
de um algoritmo do software que retorna a área e contagem de cada valor único em dados de
camada raster, ou seja, o algoritmo calcula o número de pixels para cada classe e posteriormente

14
multiplica pela área de cada pixel (de acordo com a imagem em que foi feita a classificação),
sendo obtido a área, em m², para cada classe de uso do solo.
Importante destacar que todos os mapeamentos produzidos seguiram o sistema de
referência de coordenadas com a projeção Universal Transversa de Mercator (UTM) e o Datum
SIRGAS 2000 – Zona 23S.

3.4 Definição das classes de uso e cobertura

A identificação das classes de uso e cobertura do solo foi realizada a partir da análise
das feições presentes na área de estudo. Tendo em vista que as imagens utilizadas para
interpretação são provenientes dos sensores Wide Scan Multispectral and Panchromatic
Camera (WPM) do Satélite CBERS 4A, Operational Land Imager (OLI) do Satélite
LANDSAT 8 e Multiespectral Instrument (MSI) a bordo do Satélite SENTINEL 2, a chave de
identificação das classes (Figura 4) leva em consideração as resoluções espaciais e espectrais
das imagens.

Figura 4. Chave de classificação. Fonte: elaborado pelo autor.

15
 A divisão da chave de uso e ocupação ocorreu inicialmente entre vegetação e não
vegetação, e a parte de vegetação compreende as classes temáticas finais formações florestais
(naturais), silvicultura e pastagens que, devido às características da imagem, seguem as
seguintes definições:
• Formações florestais (naturais): Caracterizada por ter o dossel fechado.
• Silvicultura: Áreas destinadas à silvicultura (principalmente Eucalyptus
spp.), que foram alocadas dentro de área vegetada devido ao seu estrato arbóreo
pronunciado.
• Pastagens: agrupa todas as fitofisionomias campestres naturais, assim
como as áreas destinadas ao uso pastoril.
Já as áreas não vegetadas compreendem as classes temáticas finais solo exposto/áreas
urbanas e corpo d’água, que, seguindo as características das imagens, possuem as seguintes
definições:
• Solo exposto/áreas urbanas: Agrupam as características de qualquer local
de ocupação antrópica, áreas degradadas e solo exposto.
• Corpo d’água: englobam tanto corpos d’água naturais como lagos, lagoas
e rios quanto corpos d'água artificiais.

3.5 Avaliação da Acurácia da Classificação

Com o objetivo de verificar a qualidade dos dados obtidos com as classificações, foram
feitas matrizes de confusão para as diferentes imagens de cada satélite, para posterior cálculo
do índice Kappa. Portanto, a matriz de confusão gerada entre os polígonos e a classificação
realizada foi utilizada para realização do cálculo da Exatidão Global e do índice Kappa.
A matriz de confusão é uma forma de expressar a qualidade obtida a partir da
classificação de imagens digitais, com isso, a matriz exprime-se através da análise de amostras
de treinamento em conjunto com os dados de classificação (PRINA e TRENTIN, 2015).
Congalton (1991) descreve o uso de critérios para avaliar e comparar a exatidão da
cartografia temática. Segundo o autor, a matriz de erros pode servir como ponto de partida para
a aplicação de uma série de técnicas estatísticas descritivas e analíticas. Os índices de exatidão
global são obtidos por meio da estatística descritiva, onde o número total de pixels classificados
corretamente (a diagonal da matriz) é dividido pelo número total de pixels da matriz, conforme

16
ilustrado na equação a seguir, em que Fm = exatidão global; Χi = elementos na diagonal; Ν =
total de elementos amostrados.

De acordo com Perroca e Gaidzinski (2003), o índice Kappa, possui um intervalo entre
0 e 1 e pode ser definida como uma variável que mede o grau de consistência dos dados, gerando
um aspecto da confiabilidade e acurácia da classificação, onde quanto mais próximo de 1,
melhor a qualidade da classificação. O índice tem sido amplamente utilizado em outros estudos
porque permite a comparação com outros trabalhos, além de ser mais sensível para estimar
variações de erros que podem ocorrer tanto no momento de omissão como de inclusão
(ABDALLA; VOLOTÃO, 2013).
O Índice Kappa é o método estatístico em que se mede a qualidade da classificação, o
quão ela concorda com as amostras de exatidão. O coeficiente é calculado a partir da equação
apresentada a seguir, em que r é o número de linhas na matriz de erro, 𝑥𝑖𝑖 é o número de
observações na linha i e na coluna l, para 𝑥𝑖+ e 𝑥+𝑖 são os valores totais das linhas i e colunas
i, e N é o número total de classes (CONGALTON, 1991).

Os valores obtidos pelo índice Kappa, para cada imagem classificada, foram analisados
(Tabela 2), conforme os intervalos e níveis de desempenho proposto por Fonseca (2000), em
que índices entre 0,21 e 0,4 são considerados razoáveis e entre 0,41 e 0,6, bons; e entre 0,61 e
0,8, muito bons; e entre 0,81 e 1, excelentes.

17
 Tabela 2. Intervalo de qualidade de classificação segundo o índice Kappa.

Valor do índice Kappa Qualidade da Classificação

< 0,00 Péssimo
0,00-0,20 Ruim
0,21-0,40 Razoável
0,41-0,60 Boa
0,61-0,80 Muito boa
0,81-1,00 Excelente
Fonte: Adaptado de Fonseca (2000).

4 RESULTADOS E DISCUSSÃO
4.1 Avaliação da Acurácia
As amostras coletadas por meio do software QGIS 3.22 e as imagens classificadas dos
diferentes satélites foram utilizados para gerar uma matriz de confusão para o cálculo do índice
Kappa e a exatidão global, esse procedimento é feito para saber o quão cada método foi bem
classificado, afirmando a sua aproximação com o meio real.
Interessante notar que em todas as imagens classificadas, foi apresentado uma boa
separação entre as classes, em que, no processo de classificação, foi obtido o mapa com classes
bem individualizadas e coerentes. No entanto, é possível perceber que houve confusão, em
algumas áreas, dos pixels de silvicultura com formações florestais (naturais), mas já era de se
esperar, por conta da semelhança de tons e refletância. De acordo com Sano et al. (2007), a
separação de determinadas feições, em alguns momentos, pode ser dificultada em razão da
sazonalidade da vegetação natural e das confusões espectrais presentes entre as classes
temáticas distintas.
Apesar da existência dessas confusões temáticas observadas nas construções das regras
e consequentemente nas classificações realizadas, acreditasse que os mapas gerados contenham
um panorama da situação do uso e ocupação do solo do município, não interferindo
significativamente nas análises realizadas a partir desses resultados.
Um comportamento interessante é o de que a classe de corpo d’água foi a que
apresentou, para todas as imagens, os menores erros de omissão e comissão, que pode ser
explicado pelas assinaturas espectrais distintas para essa classe. Esses pequenos números de
erros para esta classe foram constatados por Teixeira (2022), que relatou erros de omissão para

18
classe de corpo d’água chegando a 0% para imagem LANDSAT 8, representando elevados
valores de acurácia.
A Tabela 3 apresenta a matriz de confusão resultante das classificações para a imagem
do satélite CBERS 4A, enquanto que as Tabelas 4 e 5 representam os erros de omissão e
comissão para as diferentes classes.
Dentre as classes avaliadas, a classe corpo d’água foi a que apresentou menor erro de
omissão, com 99,89% de acurácia do produtor, enquanto que a classes formações florestais
(naturais) e silvicultura apresentaram os maiores erros tanto de omissão como de comissão.

Tabela 3. Matriz de confusão da classificação para a imagem do satélite CBERS 4A. Em que:
solo exposto/áreas urbanas (1); pastagens (2); formações florestais (naturais) (3); corpo
d’água (4); silvicultura (5).

Classes 1 2 3 4 5 Coluna Total

Solo
exposto/áreas
urbanas 10276 65 0 7 1 10349

Pastagens 153 77742 19 2 447 78363

Formações
florestais
(naturais) 0 10 7862 0 688 8560

Corpo d’água 0 3 0 8965 0 8968

Silvicultura 2 271 987 1 9456 10717

Linha Total 10431 78091 8868 8975 10592 116957

Fonte: elaborado pelo autor.

Tabela 4. Erro de omissão da classificação para a imagem do satélite CBERS 4A.

Acurácia do Produtor (Erro de Omissão)

Solo exposto/áreas urbanas 98,51% 1,49% erro de omissão

Pastagens 99,55% 0,45% de erro de omissão

Formações florestais (naturais) 88,66% 11,44% de erro de omissão

Corpo d’água 99,89% 0,11% de erro de omissão

Silvicultura 89,27% 10,73% de erro de omissão

Fonte: elaborado pelo autor.

19
Tabela 5. Erro de comissão da classificação para a imagem do satélite CBERS 4A.

Acurácia do Usuário (Erro de Comissão)

Solo exposto/áreas urbanas 99,29% 0,71% erro de comissão

Pastagens 99,21% 0,79% erro de comissão

Formações florestais (naturais) 91,85% 8,15% erro de comissão

Corpo d’água 99,97% 0,3% erro de comissão

Silvicultura 88,23% 11,77% erro de comissão

Fonte: elaborado pelo autor
A Tabela 6 apresenta a matriz de confusão resultante das classificações para a imagem
do satélite SENTINEL 2, enquanto que as Tabelas 7 e 8 representam os erros de omissão e
comissão para as diferentes classes.
Para a imagem do satélite SENTINEL 2, a classe de corpo d’água não apresentou erro
de omissão e a classe de pastagens apresentou 0,16% de erro de omissão. Por outro lado, as
classes de formações florestais (naturais) e silvicultura continuam apresentando as menores
acurácias do produtor com 87,18% e 89,90% respectivamente.

Tabela 6. Matriz de confusão da classificação para a imagem do satélite SENTINEL 2. Em

que: solo exposto/áreas urbanas (1); pastagens (2); formações florestais (naturais) (3); corpo
d’água (4); silvicultura (5).

Classes
1 2 3 4 5 Coluna Total

Solo
exposto/áreas
urbanas 407 2 0 0 0 409

Pastagens 6 3124 6 0 4 3140

Formações
florestais
(naturais) 0 1 306 0 38 345

Corpo d’água 1 0 0 363 0 364

Silvicultura 0 2 39 0 374 415

Linha Total 414 3129 351 363 416 4673

Fonte: elaborado pelo autor
20
Tabela 7. Erro de omissão da classificação para a imagem do satélite SENTINEL 2.

Acurácia do Produtor (Erro de Omissão)

Solo exposto/áreas urbanas 98,31% 1,69% erro de omissão

Pastagens 99,84% 0,16% erro de omissão

Formações florestais (naturais) 87,18% 12,82% erro de omissão

Corpo d’água 100,00% 0% erro de omissão

Silvicultura 89,90% 10,10% erro de omissão

Fonte: elaborado pelo autor.

Tabela 8. Erro de comissão da classificação para a imagem do satélite SENTINEL 2.

Acurácia do Usuário (Erro de Comissão)

Solo exposto/áreas urbanas 99,51% 0,49% erro de comissão

Pastagens 99,49% 0,51% erro de comissão

Formações florestais (naturais) 88,70% 11,13% erro de comissão

Corpo d’água 99,73% 0,27% erro de comissão

Silvicultura 90,12% 9,88% erro de comissão

Fonte: elaborado pelo autor.

A Tabela 9 apresenta a matriz de confusão resultante das classificações para a imagem

do satélite LANDSAT 8, enquanto que as Tabelas 10 e 11 representam os erros de omissão e
comissão para as diferentes classes.
Para a imagem LANDSTA 8, houveram três classes que não apresentaram erro de
omissão, que foram as classes de corpo d’água, solo exposto/áreas urbanas e pastagens. No
entanto, a classe formações florestais (naturais) foi a que apresentou menor acurácia do
produtor, com um valor de 92,68%, ou seja, seguindo o comportamento da classificação das
imagens anteriores.
Interessante perceber na imagem LANDSAT 8 que apenas duas classes apresentaram
erros, no caso, formações florestais (naturais) e silvicultura. Para Freires et al. (2019), esse
comportamento se deve ao fato de que em uma imagem OLI/LANDSAT-8 os extratos
vegetativos não apresentam faixas de transições nítidas, resultando em repostas distintas por

21
consequência da mistura espectral, portanto, nessas situações o classificador encontra grandes
dificuldades em discernir estes diferentes extratos de vegetação.

Tabela 9. Matriz de confusão da classificação para a imagem do satélite LANDSAT 8. Em

que: solo exposto/áreas urbanas (1); pastagens (2); formações florestais (naturais) (3); corpo
d’água (4); silvicultura (5).

Classes
1 2 3 4 5 Coluna Total

Solo
exposto/áreas
urbanas 45 0 0 0 0 45

Pastagens 0 348 0 0 0 348

Formações
florestais
(naturais) 0 0 38 0 1 39

Corpo d’água 0 0 0 40 0 40

Silvicultura 0 0 3 0 49 52

Linha Total 45 348 41 40 50 524

Fonte: elaborado pelo autor.

Tabela 10. Erro de omissão da classificação para a imagem do satélite LANDSAT 8.

Acurácia do Produtor (Erro de Omissão)

Solo exposto/áreas urbanas 100,00% 0% erro de omissão

Pastagens 100,00% 0% erro de omissão

Formações florestais (naturais) 92,68% 7,32% erro de omissão

Corpo d’água 100,00% 0% erro de omissão

Silvicultura 98,00% 2% erro de omissão

Fonte: elaborado pelo autor.

22
Tabela 11. Erro de comissão da classificação para a imagem do satélite LANDSAT 8.

Acurácia do Usuário (Erro de Comissão)

Solo exposto/áreas urbanas 100,00% 0% erro de comissão

Pastagens 100,00% 0% erro de comissão

Formações florestais (naturais) 97,44% 2,56% erro de comissão

Corpo d’água 100,00% 0% erro de comissão

Silvicultura 94,23% 5,77% erro de comissão

Fonte: elaborado pelo autor.
Por meio das análises das acurácias, foi constatado que as imagens dos satélites CBERS
4A e SENTINEL 2 apresentaram acurácia inferior ao LANDSAT 8. Comportamento
constatado por Carnaúba (2021), que associou este padrão à resolução espacial das imagens,
em que quanto maior a resolução, maiores são as chances de confusões, resultando em valores
de acurácia menores.
A análise da matriz de confusão permitiu avaliar os resultados estatísticos (Tabela 12)
das classificações para as diferentes imagens de cada satélite, obtendo resultados que foram
avaliados de acordo com os índices Kappa e a exatidão global.
De acordo com Fonseca (2000), os resultados foram positivos, em que todas as imagens
de todos os satélites apresentaram qualidade consideradas excelentes.

Tabela 12. Validação estatística da classificação supervisionada no município de Seropédica.

Satélite - Sensor Exatidão Global Índice Kappa Qualidade da Classificação

CBERS 4A - WPM 97,73% 0,96 Excelente

SENTINEL 2 - MSI 97,87% 0,96 Excelente

LANDSAT 8 - OLI 99,85% 0,98 Excelente

Fonte: elaborado pelo autor.

4.2 Classificação do uso e cobertura do solo

Por meio dos resultados das classificações supervisionadas para as diferentes imagens,
foram obtidos os mapeamentos das classes do uso e cobertura do solo para o município de
Seropédica. Os mapas produzidos permitem entender a dinâmica espacial utilizando as imagens

23
dos diferentes satélites, sendo possível compreender as diferentes classificações de usos da
terra, de determinada imagem, de acordo com o seu tamanho de pixel.

4.2.1 CBERS 4A – Sensor WPM

Para a imagem do satélite CBERS 4A, sensor WPM, foi gerado o mapa de uso e
classificação do solo e um gráfico representativo das diferentes classes com suas respectivas
áreas em hectare (Ha).
A figura 5 demonstra os resultados obtidos por meio da classificação supervisionada
executada, e a figura 6 representa as áreas, em hectare, para as diferentes classes de uso do solo.

24
Figura 5. Mapa de uso e cobertura da terra para imagem do satélite CBERS 4A, sensor WPM. Fonte: elaborado pelo autor.

25
 Áreas(ha) por Classe de Uso do Solo
CBERS 4A
18000
16000
14000 60%
12000
10000
8000
6000
4000
2000 12% 13% 12% 3%
0

Figura 6. Gráfico de áreas, em hectare, para as diferentes classes de uso do solo, de acordo
com processamento da imagem do satélite CBERS 4A, sensor WPM. Fonte: elaborado pelo
autor.

Analisando o mapeamento em conjunto com o gráfico de áreas, fica nítido que o

município de Seropédica possui, na maior parte de seu território, áreas de pastagens. É possível
perceber que as áreas de formações florestais (naturais), silvicultura e solo exposto/áreas
urbanas, possuem quase que as mesmas extensões em área, no entanto possuem tamanho muito
menor em relação a classe de pastagens.

4.2.2 SENTINEL 2 – Sensor MSI

Para a imagem do satélite SENTINEL 2, sensor MSI, foi gerado o mapa de uso e
classificação do solo e um gráfico representativo das diferentes classes com suas respectivas
áreas em hectare (Ha).
A figura 7 demonstra os resultados obtidos por meio da classificação supervisionada
executada, e a figura 8 representa as áreas, em hectare, para as diferentes classes de uso do solo.

26
Figura 7. Mapa de uso e cobertura da terra para imagem do satélite SENTINEL 2, sensor MSI. Fonte: elaborado pelo autor.

27
 Áreas(ha) por Classe de Uso do Solo
SENTINEL 2
18000
16000
14000 61%
12000
10000
8000
6000
4000
2000 13% 11% 11% 3%
0

Figura 8. Gráfico de áreas, em hectare, para as diferentes classes de uso do solo, de acordo
com processamento da imagem do satélite SENTINEL 2, sensor MSI. Fonte: elaborado pelo
autor.

As diferenças de áreas continuam seguindo o mesmo comportamento dos resultados

encontrados com a imagem do satélite CBERS 4A, demonstrando a maioria da extensão do
território de Seropédica ocupado por pastagens. No entanto, é importante notar que a
classificação da imagem do satélite SENTINEL 2 apresentou áreas de pastagens ainda maiores,
tendo como resultado uma área maior que 16.000 hectares e, consequentemente, apresentou
uma diminuição de área das outras classes, principalmente da classe de silvicultura.

4.2.3 LANDSAT 8 - Sensor OLI

Para a imagem do satélite LANDSAT 8, sensor OLI, foi gerado o mapa de uso e
classificação do solo e um gráfico representativo das diferentes classes com suas respectivas
áreas em hectare (Ha).
A figura 9 demonstra os resultados obtidos por meio da classificação supervisionada
executada, e a figura 10 representa as áreas, em hectare, para as diferentes classes de uso do
solo.

28
Figura 9. Mapa de uso e cobertura da terra para imagem do satélite LANDSAT 8, sensor OLI. Fonte: elaborado pelo autor.
29
 Áreas(ha) por Classe de Uso do Solo
LANDSAT 8
20000
18000
16000 71%
14000
12000
10000
8000
6000
4000
2000 14% 5% 7% 4%
0

Figura 10. Gráfico de áreas, em hectare, para as diferentes classes de uso do solo, de acordo
com processamento da imagem do satélite LANDSAT 8, sensor OLI. Fonte: elaborado pelo
autor.

Na classificação da imagem do satélite LANDSAT 8 foram obtidos resultados com

diferenças de áreas ainda mais acentuadas, no qual, a classe de pastagens, agora apresenta uma
área superior à 18.000 hectares e uma diminuição ainda maior da classe de silvicultura e uma
evidente redução na área da classe de solo exposto/áreas urbanas. No gráfico das diferenças das
áreas em porcentagem, essa discrepância de áreas se torna mais visível, demonstrando que os
tamanhos de pixels, das diferentes imagens de cada satélite, podem influenciar diretamente nos
resultados das classificações supervisionadas.

4.3 Análise conjunta das classificações de uso e cobertura do solo

Os mapeamentos e as análises de áreas das diferentes classes são importantes para o
monitoramento da expansão urbana, de áreas sensíveis, de áreas protegidas ou ainda das bacias
hidrográficas presentes na região, para que o desenvolvimento da região possa vir acompanhado
de um planejamento territorial. No entanto, de acordo com Santos (2016), o município de
Seropédica diante da proclamada certeza do crescimento econômico, vinda principalmente após
obras importantes de urbanização, o desejo da administração municipal por um processo de

30
industrialização em seu território não é acompanhado de um planejamento territorial que
suporte esse futuro cenário de crescimento.
Os mapas gerados através da classificação possuem importantes informações visuais a
respeito da dinâmica da ocupação e uso do solo, em que ficou nítido que o município de
Seropédica possui a maioria da extensão do seu território ocupado por pastagens, com grande
parte de suas formações florestais degradadas, principalmente por ação antrópica, no qual se
observa, por exemplo, a atividade mineradora de areia, bem presente na região, que de acordo
com Gasparini et. al. (2013), o município mostrou áreas de mineração com razoável extensão
na porção sul por se tratar de uma área de extração de areia para construção civil.
Por meio dos mapeamentos e gráficos produzidos, foi possível perceber que
determinadas classes temáticas de uso do solo apresentaram aumento ou diminuição de área,
quando comparadas as classificações das diferentes imagens dos diferentes satélites. Esse
comportamento pode ser melhor observado nos gráficos de área apresentados anteriormente
(figuras 6, 8 e 10) das diferentes classes para as três imagens obtidas.
Quando comparado as áreas de cada classe para as diferentes imagens, percebesse que
as áreas para as imagens dos satélites CBERS 4A e SENTINEL 2 possuem pouca diferença,
sendo notado um pequeno aumento da área de pastagens e formações florestais (naturais) e uma
pequena diminuição da classe de silvicultura e solo exposto/áreas urbanas. No entanto quando
se introduz na comparação as áreas das classes da imagem do satélite LANDSAT 8, percebesse
um aumento evidente da classe de pastagens e, em contrapartida, uma diminuição evidente da
classe de silvicultura e de solo exposto/áreas urbanas.
Essa diferença de área para as diferentes imagens pode ser explicada pelo tamanho dos
pixels de cada imagem. Portanto o tamanho do pixel interfere diretamente na classificação
resultante, já que quanto maior o pixel, maior a quantidade de misturas espectrais e,
consequentemente, podem envolver mais de uma classe de uso e cobertura do solo. Com isso
classes que apresentam áreas menores, como silvicultura e solo exposto/áreas urbanas tiveram
maior dificuldade de serem classificadas nas imagens com pixels maiores, enquanto que classes
com áreas mais extensas, como é o caso de pastagens, não tiveram essa dificuldade, pelo
contrário, como pastagens é a classe que realmente em maior extensão no município, então
houve uma generalização de pixels com semelhança de tons e refletância para esta classe.
Esse comportamento de variação da extensão de áreas foi constatado por Freires et al.
(2019), que ao comparar as classificações de imagens OLI/Landsat-8 e MSI/Sentinel 2,
percebeu desconformidades no tamanho das áreas das classes de uso de cobertura do solo,

31
confirmando que estes desempenhos estão relacionados às diferentes resoluções espaciais das
imagens das quais foram obtidas.
Portanto, para diminuição desses problemas, algumas medidas podem ser tomadas com
o intuito de diminuir a confusão das classes temáticas, entre essas medidas, encontra-se a
utilização de imagens com melhores resoluções espaciais, espectrais e radiométricas, assim
como a utilização de mais dados auxiliares (AMARAL et al., 2009).
Um outro ponto interessante, é o de que a classe de corpo d’água possui pequena
extensão, mas não sofreu influência desse comportamento pois possui uma assinatura de tons e
refletância muito distintos de todas as outas classes. A avaliação deste comportamento foi
esclarecida por Pereira et al. (2016), que ao delimitar e mapear corpos d’água utilizando
imagens do satélite LANDSAT 8, constatou que por meio de diversos índices utilizados para o
cálculo de corpo d’água, todas foram eficientes na detecção de pixels que continham apenas
informação de água, em que as confusões apenas ocorreram com pixels que se encontravam em
área de transição entre classes, misturando a resposta espectral.
Além disso, importante entender o objetivo das análises que se deseja efetuar, em que
imagens com pixels maiores seriam indicadas para análises de áreas com maiores extensões,
enquanto que estudos de áreas com extensões menores, o mais indicado seriam imagens com
pixels menores. De acordo com Freires et al. (2019), quanto maior a resolução espacial de
determinada imagem de satélite maior a possibilidade de detalhamento de alvos na superfície,
em que imagens com maior resolução, possibilitam estudos com aplicações que demandam
maiores escalas de representação, enquanto que imagens de menor resolução espacial são
indicados para estudo com menores níveis de detalhe, ou alvos que apresentem maior
homogeneidade.
Portanto, entendesse que a resolução espacial das imagens está diretamente relacionada
com as escalas que análises e estudos poderão ser desenvolvidos, em que a imagem do
satélite/sensor CBERS 4A/WPM poderia estar sendo utilizada para análises em escalas
maiores, já a imagem do satélite/sensor SENTINEL 2/MSI e a imagem do satélite/sensor
LANDSAT 8/OLI seria utilizada para análises em escalas menores. Este entendimento é
descrito por Boggione et. al. (2009) que definiu escalas em imagens de sensoriamento remoto,
concluindo que a escala está diretamente relacionada com detalhes da imagem, portanto, as
imagens CBERS por possuírem, uma resolução espacial nominal maior que uma imagem
LANDSAT, ela estaria atendendo à analises em escalas maiores. Segundo o mesmo autor, por
meio de equações que relacionam a resolução espacial nominal e o tamanho dos pixels das
imagens, pode-se determinar que a imagem CBERS 4A/WPM atende à uma escala de 1:4.000,

32
a imagem SENTINEL 2/MSI atende à uma escala de 1:20.000 enquanto que a imagem
LANDSAT 8/OLI atende à uma escala de 1:60.000.
Fica nítido que as imagens de baixa resolução (pixels maiores) apresentam o objeto com
menor distinção visual em sua estrutura, sendo possível análises em pequenas escalas. Ao
contrário, em imagens de média e alta resolução (pixels menores) os objetos são visualizados
de forma detalhada, com estrutura realçada, o que torna ótimo o trabalho em grandes escalas.
A diferença de resolução que interfere diretamente na classificação supervisionada e no
uso de análises em diferentes escalas pode ser melhor observada e entendida quando
comparadas as imagens classificadas, de um mesmo local, em mesma escala, conforme
ilustrado pela figura 11.

33
Figura 11. Mapas comparativos para melhor visualização dos diferentes tamanhos de pixels.
Fonte: elaborado pelo autor.

34
5 CONCLUSÃO
Após todas as etapas de processamento e análise com o uso das imagens dos satélites
CBERS 4A, SENTINEL 2 e LANDSAT 8, ficou nítido a eficácia da classificação
supervisionada do uso e cobertura do solo com mapeamentos resultantes de grande importância
no auxílio de estudos ambientais, além de que, fica clara novamente a importância das
aplicações de sensoriamento remoto, detectando áreas e objetos, mapeando áreas e otimizando
o tempo de estudo associado a bons resultados.
As análises evidenciaram que o município de Seropédica possui, majoritariamente, a
extensão do seu território ocupado por pastagens (apresentando mais de 60% do território em
todas as classificações), com a ocorrência de formações florestais naturais mais concentradas
próximas a regiões sudoeste e região norte do município, além de evidenciar a presença de áreas
com solo exposto e corpo d’água concentradas na região sul, resultado de atividade intensa de
mineração de areia, bem conhecida na região.
A classificação supervisionada utilizando a imagem do satélite CBERS 4A, sensor
WPM apresentou resultados com qualidade excelente, de acordo com o Índice Kappa, em que
fica claro, que dentre as outras imagens, esta é que a apresenta maior nível de detalhe na
classificação, em função do tamanho dos seus pixels (2m x 2m), podendo ser utilizada para
análises de áreas de menores extensões.
Para a classificação da imagem do satélite SENTINEL 2, sensor MSI, também foi obtido
qualidade excelente de classificação de acordo com Índice Kappa, apresentando uma exatidão
global consistente, em que, apesar de apresentar tamanho de pixel maior que a imagem do
satélite CBERS 4A, também apresentou classificação bem detalhada podendo ser utilizada
como ferramenta importante no auxílio de estudos ambientais.
A imagem do satélite LANDSAT 8, sensor OLI, é a que apresenta pixels de maiores
dimensões, interferindo de maneira mais significativa na resolução, em que classes que
possuem áreas de menor extensão, como silvicultura e solo exposto/áreas urbanas, tiveram
maior dificuldade de serem identificadas. No entanto isso não interferiu de maneira
significativamente na classificação, em que foi obtido uma qualidade excelente de acordo com
o Índice Kappa e uma exatidão global consistente, o que mostra que a imagem pode ter
resultados de classificação supervisionada de qualidade, sendo indicadas para áreas de maiores
extensões.

35
6 REFERÊRNCIAS
ABDALLA, L. S.; VOLOTÃO, C. F. D. S. Estudo da configuração de diferentes arquiteturas
de redes neurais artificiais MLP para classificação de imagens ópticas. Anais XVI Simpósio
Brasileiro de Sensoriamento Remoto - SBSR, Foz do Iguaçu, PR, Brasil, INPE. Anais. 2013.
AMARAL, M. V. F; DE SOUZA, A. L.; SOARES, V. P.; SOARES, C. P. B.; LEITE, H. G.;
MARTINS, S. V.; FERNANDES FILHO, E. I.; DE LANA, J. M. Avaliação e comparação de
métodos de classificação de imagens de satélites para o mapeamento de estádios de sucessão
florestal. Revista Árvore, v.33, n.3, p.369-378, 2009.
BARBOSA, A. P. Comparação de métodos de classificação de imagens, visando o
gerenciamento de áreas citrícolas. Botucatu, 2009. 65 f. Dissertação (Mestrado em
Agronomia/Energia na Agricultura) – Faculdade de Ciências Agronômicas, Universidade
Estadual Paulista.
BOGGIONE, G. A., DA SILVA, M. V. A., DE CARVALHO JUNIOR, N. R., TELES, T. L.,
& DE NAZARENO, N. R. X. Definição da escala em imagens de sensoriamento remoto: uma
abordagem alternativa. Anais XIV Simpósio Brasileiro de Sensoriamento Remoto, Natal,
Brasil, 25-30 abril 2009, INPE, p. 1739-1746.
BRYS, Leonardo Monteiro. Página Dinâmica para Aprendizado do Sensoriamento Remoto.
Orientador: Prof. Dr. Sérgio Florêncio de Souza. 2008. 170 f. Dissertação (Mestrado em
Sensoriamento Remoto) - UFRGS/CEPSRM, Porto Alegre- RS, 2008.
CALDAS-DA-SILVA, A. J.: Geoprocessamento e análise ambiental para determinação de
corredores de hábitat na Serra da Concórdia, Vale do Paraíba – RJ, Instituto de Florestas,
UFRRJ, Rio de Janeiro, 2006.
CÂMARA, G.: Desenvolvimento de Sistemas de Informação Geográfica no Brasil: Desafios e
Oportunidades. Palestra proferida na Semana de Geoprocessamento do Rio de Janeiro, Rio de
Janeiro, Brasil, INPE, DPI, outubro de 1996.
CÂMARA, G. e DAVIS, C. Introdução. In: CÂMARA, G.; DAVIS, C. e MONTEIRO, A. M.
V. (Ed.). Introdução à Ciência da Geoinformação. São José dos Campos: INPE, 2003. p.1-5.
CÂMARA, G., THOMÉ, R., FREITAS, U. e MONTEIRO, A. M.: Interoperability In Practice:
Problems in Semantic Conversion from Current Technology to OpenGIS. 2nd.
INTERNATIONAL CONFERENCE ON INTEROPERABLE OPERATING SYSTEMS,
Zurique, 2005.
CARNAÚBA, E. A. A. Mapeamento do uso e ocupação da terra utilizando os satélites Landsat
8, Sentinel 2B e Cbers 4A em área de agricultura no município de Limoeiro do Norte-CE. 2021.
CARVALHO D. F., SILVA D. G., SOUZA A. P., GOMES D. P., ROCHA H. S. Coeficientes
da equação de Angström-Prescott e sua influência na evapotranspiração de referência em
Seropédica, RJ. Revista Brasileira de Engenharia Agrícola 2011; 15(8): 108-116.
CASTRO, E. B. V., FERNANDÉZ, F. A. S. A fragmentação florestal na Reserva Biológica da
Poço das Antas como conseqüência das intervenções de engenharia na bacia do rio São João
(RJ). In: Anais do III Congresso Brasileiro de Unidades de Conservação; 2002. Fortaleza: Rede
Nacional Pró-Unidades de Conservação, 2002. p. 649-659.
CONGALTON, R.G. A review of assessing the accuracy classificatons of remotely sensed data.
Remote Sensing Environment, v. 37, p.35-46, 1991.

36
COSTA, N. M. C. da; COSTA, V. C. da; SANTOS, J. P. C.: Definição E Caracterização De
Áreas De Fragilidade Ambiental, Com Base Em Análise Multicritério, Em Zona De
Amortecimento De Unidades De Conservação. In: 12º Encuentro de Geógrafos da América
Latina – EGAL 2009, 2009, Montivideo – Uruguai. 12 Encuentro de Geógrafos da América
Latina – Caminhada em uma América Latina em Transformación, 2009.
COSTA, O. B., SILVA C. V. J., SOUZA A. H. N., Uso do solo e fragmentação da paisagem
no município de Seropédica – RJ, Anais XVI Simpósio Brasileiro de Sensoriamento Remoto -
SBSR, INPE, Foz do Iguaçu, PR, Brasil, 13 a 18 de abril de 2013.
CROSTA, A. P. Processamento digital de imagens de sensoriamento remoto. Campinas:
IG/UNICAMP, 1993. 170p. (ed. rev.)
CRÓSTA, A. P.: Processamento Digital De Imagens De Sensoriamento Remoto. Instituto de
Geociências. UNICAMP. São Paulo. 2002.
CRUZ, I., CAMPOS, V. B. G.: Sistemas De Informações Geográficas Aplicados À Análise
Espacial Em Transportes, Meio Ambiente E Ocupação Do Solo, IME, Rio de Janeiro, 2016.
EUROPEAN SPACE AGENCY (ESA). Copernicus Open Access Hub. Disponível em: <
https://scihub.copernicus.eu/dhus/#/home>. Acesso em: 25 maio 2022.
EUROPEAN SPACE AGENCY (ESA). Sentinel online. Disponível em:
<https://sentinel.esa.int/web/sentinel/missions>. Acesso em: 07 julho 2022.
FITZ, P. R. Geoprocessamento sem complicação. São Paulo: Oficina de Textos, 2008. 160p.
FLORENZANO, T. G. Imagens de satélite para estudos ambientais. - São Paulo: Oficina de
textos, 2002.
FLORENZANO, T. G. Iniciação em sensoriamento remoto. 2ª ed. São Paulo, SP: Oficina de
Textos, 2007.
FLORENZANO, T. G.: Iniciação em Sensoriamento Remoto. São Paulo, 2011.
FRANÇA, A. F.; TAVARES JUNIOR, J. R.; MOREIRA FILHO, J. C. C. Índices NDVI,
NDWI e NDBI como ferramentas ao mapeamento temático do entorno da lagoa olho d’água,
em Jabotão dos Guararapes – PE. IV Simpósio Brasileiro de Ciências Geodésicas e Tecnologias
da Geoinformação. Recife – PE, 06 – 09 de maio de 2012.
FREIRES, E. V. et al. Comparação de Imagens OLI/Landsat-8 e MSI/Sentinel-2 no
mapeamento de cobertura e uso da terra no Maciço de Uruburetama, Ceará. Anuário do Instituto
de Geociências-UFRJ, Rio de Janeiro, v. 42, n. 4, p. 427-442, 2019.
GASPARINI, Kaio Allan Cruz et al. Técnicas de geoprocessamento e sensoriamento remoto
aplicadas na identificação de conflitos do uso da terra em Seropédica-RJ. Floresta e Ambiente,
v. 20, p. 296-306, 2013.
IBGE. Instituto Brasileiro de Geografia e Estatística. Cidade e Estados. 2022. Disponível em:
< https://www.ibge.gov.br/cidades-e-estados/rj/seropedica.html>. Acesso em: 15 julho 2022.
IBGE. Instituto Brasileiro de Geografia e Estatística. Manual técnico de pedologia. 2.ed. Rio
de Janeiro, 2007. 316p.
IBRAHIN, F. I. D.: Introdução ao Geoprocessamento Ambiental. 1. ed. Brasil: Saraiva, 2014.
11 p.

37
INSTITUTO NACIONAL DE PESQUISAS ESPACIAIS (INPE). Sem autor. DIVISÃO DE
GERAÇÃO DE IMAGENS, 2022. Disponível em:
<http://www2.dgi.inpe.br/catalogo/explore>. Acesso em: 27 maio 2022.
INPE. Bernardo F. T. Rudorff. Brasil (Org.) PRODUTOS DE SENSORIAMENTO REMOTO.
Disponível em: <http://www3.inpe.br/unidades/cep/atividadescep/educasere/apostila.htm>.
Acesso em: 05 julho 2022.
INSTITUTO NACIONAL DE PESQUISAS ESPACIAIS (INPE). Sem autor. SOBRE O
CBRES, SATÉLITE SINO-BRASILEIRO DE RECURSOS TERRESTRES, 2018. Disponível
em: <http://www.cbers.inpe.br/sobre/index.php>. Acesso em: 07 julho 2022.
JACCOUD, C. F. S. Produção de Biomassa de Eucalyptus Urophylla em Três Classes de Solos
em Seropédica, RJ [monografia]. Seropédica: Instituto de Florestas, Universidade Federal Rural
do Rio de Janeiro; 2006.
MINISTÉRIO DO MEIO AMBIENTE, DOS RECURSOS HÍDRICOS E DA AMAZÔNIA
LEGAL. Detalhamento da metodologia para execução do zoneamento ecológico econômico
pelos estados da Amazônia Legal. Brasília: MMA, 1996. 43p.
NOVO, E. M. L. M. Sensoriamento Remoto: princípios e aplicações. São Paulo. ed. : Edgard
Blücher, 1989, 308p.
PEREIRA, A. A.; TEIXEIRA, F. R.; LIBONATI, R.; MELCHIORI, E. A.; CARVALHO, L.
M. T.: Avaliação De Índices Espectrais Para Identificação De Áreas Queimadas No Cerrado
Utilizando Dados Landsat Tm. IFSULDEMINAS. Poços de Caldas, Minas Gerais, 2016.
PEREIRA, G. H. A., LOHMANN, M., MAGANHOTTO, R. F., 2016. Proposta e avaliação de
índices para delimitar e mapear corpos d’água utilizando imagens do satélite LANDSAT 8.
Revista Brasileira de Geografia Física 09, 1956-1968.
PERROCA, M. G.; GAIDZINSKI, R. R. Avaliando a confiabilidade interavaliadores de um
instrumento para classificação de pacientes - coeficiente Kappa. Rev. Esc. Enferm. USP, 2003;
n. 1, v.37, p. 72-80.
PONZONI, F. J.; ALMEIDA, E. S. A estimativa do parâmetro kappa (k) da análise multivariada
discreta no contexto de um SIG. In: SIMPÓSIO BRASILEIRO DE SENSORIAMENTO
REMOTO, 8, 1996, Salvador. Anais... São José dos Campos: INPE, 1996. Artigos, p. 729-733.
CD-ROM, On-line. ISBN 85-17-00014-5. Disponível em:
<http://marte.dpi.inpe.br/col/sid.inpe.br/deise/1999/02.05.09.39/doc/T130.pdf>. Acesso em 05
de agosto de 2022.
PRINA, B. Z.; TRENTIN, R. GMC: Geração de Matriz de Confusão a partir de uma
classificação digital de imagem do ArcGIS®. In: Simpósio Brasileiro de Sensoriamento
Remoto, 17, 2015, João Pessoa. Anais... João Pessoa: INPE, p. 131 – 139.
REX, F. E.; KÄFER, P. S.; DEBASTIANI, A. B.; KAZAMA, V. S.: Potencial De Imagens Msi
(Sentinel-2) Para Classificação Do Uso e Cobertura Da Terra. Enciclopédia Biosfera, Centro
Científico Conhecer - Goiânia, v.15 n.27; 2018. 219 p.
RIBEIRO, S. R. A.; CENTENO, J. S.: Classificação do Uso do Solo Utilizando Redes Neurais
e o Algoritmo MAXVER. Anais X SBSR, Sessão Poster, INPE, Foz do Iguaçu, 2001. P. 1341-
1348.
RIBEIRO, M.A E O`NEIL, M.M.V.C. Contrastes entre a metrópole e o interior fluminense a
partir da dinâmica populacional. Geo UERJ, v.14, nº. 23, v. 1, p. 262-301, 2012.

38
SANO, E.E.; ROSA, R.; BRITO, J.L.S.; FERREIRA, L.G; BEZERRA, H.S. Mapeamento da
cobertura vegetal natural e antrópica do bioma Cerrado pormeio de imagens Landsat ETM+.
In: SIMPÓSIO BRASILEIRO DE SENSORIAMENTO REMOTO, 14., 2009, Natal. Anais.
Natal: INPE, 2009. p.1199-1206.
SANTOS, Vinicius Perrut dos et al. Avaliação dos impactos sócio ambientais na bacia
hidrográfica do Valão dos Bois em Seropédica-RJ. 2016.
SILVA, A. D. B. Sistema de Informações Geo-referenciadas: conceitos e fundamentos.
Campinas: UNICAMP, 2003. 240 p.
TEIXEIRA, E. P. Análise espacial e temporal do uso e cobertura do solo nas Reservas
Extrativistas da Costa Paraense. Orientadora: Sanae Nogueira Hayashi. 2022. 45 f. Trabalho de
Conclusão de Curso (Bacharelado em Engenharia Ambiental e Energia Renováveis) –
Universidade Federal Rural da Amazônia, Campus Capanema, 2022.
U.S. Department of the interior (USGS). Earth Explorer. Disponível em:
<https://earthexplorer.usgs.gov/>. Acesso em: 25 maio 2022.
U.S. Department of the interior (USGS). Landsat Missions. Disponível em:
<https://www.usgs.gov/land-resources/nli/landsat/landsat-satellite-missions?qt-
science_support_page_related_con=2#qt-science_support_page_related_con>. Acesso em: 4
junho 2022.
XAVIER-DA-SILVA, J. Geoprocessamento para Análise Ambiental. Rio de Janeiro: sn, 2001.
228 p.
XU, H. Extration of Urban Built-up Land Features from Landsat Imagery Using a Thematic-
oriented Index Combination Technique. Photogrammetrie Engineering e Remote Sensing
Vol.73, December 2007.
ZAIDAN, R.T..: Geoprocessamento Conceitos e Definições. Revista de Geografia–PPGEO -
UFJF. Juiz de Fora, v.7, n.2, (Jul-Dez) p.195-201, 2017.
ZHA, Y.; Gao, J.; Ni, S. (2003). “Use of normalized difference built-up index in automatically
mapping urban areas from TM imagery”. International Journal of Remote Sensing 2.

39