Utilização de imagem do sensor Aster para discriminação espectral de rochas carbonáticas aflorantes na região Noroeste do Estado do Rio de Janeiro

Este trabalho teve como objetivo geral avaliar o potencial das imagens do sensor ASTER, utilizando a região do infravermelho de ondas curtas (SWIR), para discriminação espectral de rochas carbonáticas aflorantes na região Noroeste do Estado do Rio de Janeiro, complementando produtos existentes de mapeamento geológico. As rochas carbonáticas servem de matéria-prima para produção de cimento, que atualmente apresenta forte demanda dado o crescimento de obras civis devido à expansão da infraestrutura do Estado do Rio de Janeiro. Este crescimento no consumo oferece desafios às companhias produtoras, tornando-se de vital importância a identificação de novas áreas para exploração de insumos para a indústria civil. Neste sentido, o carbonato tem sofrido grande pressão com relação a sua produção pois é a principal matéria-prima utilizada na fabricação do cimento. Imagens do sensor Aster vem sendo utilizadas na área da geologia com êxito, discriminando litologias e minerais como quartzo, óxido de ferro e calcita. Na região do intervalo de ondas entre 2,235-2,285 μm e 2,295-2,365 μm , as bandas 7 e 8 do sensor ASTER na região do SWIR, mostram-se adequadas para a identificação de minerais de calcita e dolomita. Como metodologia, foram aplicadas as técnicas de razões de bandas para separação de calcários e dolomitos e para a classificação espectral, foi utilizada a técnica SAM. Tornou-se como referência para a classificação espectral amostras de áreas de rochas carbonáticas aflorantes e espectros da biblioteca espectral da USGS. As classificações espectrais obtiveram resultados significativos na discriminação espectral das áreas carbonáticas, no entanto as técnicas de razões de bandas não obtiveram resultados suficientes para a discriminação de calcários e dolomitos. Para trabalhos futuros sugere-se a realização de trabalho de campo para a coleta de espectros, através da espectrorradiometria dos afloramentos dos carbonatos.

Uma proposta metodológica de integração de técnicas de análise espectral e de inteligência computacional, baseadas em conhecimento, para o reconhecimento de padrões em imagens multiespectrais

Somente no ano de 2011 foram adquiridos mais de 1.000TB de novos registros digitais de imagem advindos de Sensoriamento Remoto orbital. Tal gama de registros, que possui uma progressão geométrica crescente, é adicionada, anualmente, a incrível e extraordinária massa de dados de imagens orbitais já existentes da superfície da Terra (adquiridos desde a década de 70 do século passado). Esta quantidade maciça de registros, onde a grande maioria sequer foi processada, requer ferramentas computacionais que permitam o reconhecimento automático de padrões de imagem desejados, de modo a permitir a extração dos objetos geográficos e de alvos de interesse, de forma mais rápida e concisa. A proposta de tal reconhecimento ser realizado automaticamente por meio da integração de técnicas de Análise Espectral e de Inteligência Computacional com base no Conhecimento adquirido por especialista em imagem foi implementada na forma de um integrador com base nas técnicas de Redes Neurais Computacionais (ou Artificiais) (através do Mapa de Características Auto- Organizáveis de Kohonen SOFM) e de Lógica Difusa ou Fuzzy (através de Mamdani). Estas foram aplicadas às assinaturas espectrais de cada padrão de interesse, formadas pelos níveis de quantização ou níveis de cinza do respectivo padrão em cada uma das bandas espectrais, de forma que a classificação dos padrões irá depender, de forma indissociável, da correlação das assinaturas espectrais nas seis bandas do sensor, tal qual o trabalho dos especialistas em imagens. Foram utilizadas as bandas 1 a 5 e 7 do satélite LANDSAT-5 para a determinação de cinco classes/alvos de interesse da cobertura e ocupação terrestre em três recortes da área-teste, situados no Estado do Rio de Janeiro (Guaratiba, Mangaratiba e Magé) nesta integração, com confrontação dos resultados obtidos com aqueles derivados da interpretação da especialista em imagens, a qual foi corroborada através de verificação da verdade terrestre. Houve também a comparação dos resultados obtidos no integrador com dois sistemas computacionais comerciais (IDRISI Taiga e ENVI 4.8), no que tange a qualidade da classificação (índice Kappa) e tempo de resposta. O integrador, com classificações híbridas (supervisionadas e não supervisionadas) em sua implementação, provou ser eficaz no reconhecimento automático (não supervisionado) de padrões multiespectrais e no aprendizado destes padrões, pois para cada uma das entradas dos recortes da área-teste, menor foi o aprendizado necessário para sua classificação alcançar um acerto médio final de 87%, frente às classificações da especialista em imagem. A sua eficácia também foi comprovada frente aos sistemas computacionais testados, com índice Kappa médio de 0,86.