O SPRING 5.1.6. - Sistema de Processamento de Informações Georreferenciadas - é um SIG (Sistema de Informações Geográficas) com funções de processamento de imagens, análise espacial, modelagem numérica de terreno e consulta a banco de dados espaciais.
O SPRING foi utilizado nessa pesquisa para calcular a Componente Principal das quatro bandas da imagem de satélite.
O ArcGis 10 da empresa ESRI, que é um conjunto de programas que constitui um SIG (Sistemas de Informações Geográficas).
O processamento dos dados foi realizado no ArcMap que é o principal programa do ArcGis, que permite visualizar, editar, criar e analisar dados geoespaciais.
O ArcGIS foi utilizado nessa pesquisa para a preparação e seleção das amostras, bem como para a análise variográfica das mesmas.
42 6.2. MÉTODO PROPOSTO
O método proposto baseou-se no trabalho publicado no artigo de Barros et al. (2013) que teve o objetivo de caracterizar padrões de uso do solo através de parâmetros de variogramas, utilizando imagens do satélite QUICKBIRD do bairro Ferroviários em Salvador – Bahia, Brasil.
Além da área de estudo, outras etapas do método supracitado foram alterados, como por exemplo, tipo de imagem e modelo variográfico ajustado. O método proposto baseou-se nos seguintes processos: a partir da imagem de satélite foram calculadas as componentes principais e a partir do mapa de uso e ocupação do solo foram selecionados os polígonos a serem analisados; recorte das amostras de imagem das áreas de cada classe; seleção das amostras mais representativas de cada classe; cálculo dos variogramas e avaliação dos variogramas obtidos (figura 19). Os processos realizados estão detalhados no ANEXO I.
43 A técnica de componentes principais foi aplicada sobre a matriz de variância e covariância dos quatro canais multiespectrais da imagem utilizando o programa SPRING 5.1.6.
“A covariância é uma grandeza que relaciona duas variâncias específicas e descreve o quanto a distribuição é espalhada ao longo da direção diagonal e, portanto, o grau de correlação existente entre duas bandas, ou seja, a covariância indica o quanto de informação contida em um par de bandas é comum a ambas” (Crosta, 1999)
A transformação por componentes principais funciona da seguinte maneira, dado um conjunto N (N1, N2, N3, N4...) de imagens brutas, esse conjunto de imagens é analisado quanto á correlação existente entre elas e então um novo conjunto N de imagens é produzido. A primeira componente principal contém a informação que é comum a todas as bandas originais; a segunda componente contém a feição espectral mais significante do conjunto. As próximas componentes apresentam as informações espectrais menos relevantes. A figura 20 apresenta a estatística das quatro componentes principais.
44 Onde,
1º autovalor = 57941.1com 75.35% de toda a informação das 4 bandas originais CP1 = 0.36B1(B) + 0.59B2(G) + 0.24B3(N) + 0.68B4(R
2º autovalor = 17963.75 com 23.36% de toda a informação das 4 bandas originais CP2 = -0.15B1(B) - 0.14B2(G) + 0.97B3(N) -0.15B4(R)
3º autovalor = 804.7com 1.05% de toda a informação das 4 bandas originais CP3 = -0.72B1(B) - 0.27B2(G) - 0.05B3(N) + 0.63B4(R)
4º autovalor = 183.79 com 0.24% de toda a informação das 4 bandas originais CP4 = 0.57B1(B) - 0.75B2(G) + 0.03B3(N) + 0.33B4(R)
A correlação entre bandas multiespectrais encobre diferenças sutis entre as refletâncias dos materiais dos alvos terrestres o que dificulta a diferenciação entre os mesmos. Essa correlação indica que uma imagem pode ser mais ou menos inferida a partir de outra, o que implica a existência de redundância dos dados. “Se uma grande proporção de cada banda espectral é composta por informação redundante, porque não extrair essa informação comum concentrando-a em uma única imagem ao invés de replicá-la várias vezes?” (CROSTA, 1999).
Dessa forma, a superfície univariada da primeira componente principal (CP1) foi utilizada neste trabalho nas etapas subsequentes, sendo considerada como representativa das superfícies construídas na região, uma vez que concentra grande parte das variações (~75%) existentes nas quatro bandas originais. Os polígonos obtidos pela classificação serviram para delimitar as áreas de onde seriam retiradas as amostras de imagem a serem analisadas. Desta maneira foram “recortadas” 10 amostras da primeira componente principal de cada classe analisada como exemplificado pela figura 21.
45 Figura 21: Exemplo das amostras de CP1 de cada classe analisada.
Os quadros 3, 4 e 5 apresentam a estatística básica do conjunto de amostras de cada classe de uso do solo retiradas da Primeira Componente Principal.
Quadro 3: Estatística básica da classe “Conjuntos Residenciais”
PC1 - Conjuntos Residenciais
Contagem
Min. Máx. Média Desvio Padrão
15337 65534 39254,95 10320,35 Amostra 1 490 16331 64002 35828 8426,3 Amostra 2 488 18015 65534 39342 10106 Amostra 3 493 17473 65534 38885 10320 Amostra 4 491 19667 65534 41152 9835,7 Amostra 5 485 19450 65534 43586 10749 Amostra 6 487 18200 65534 39851 9717,6 Amostra 7 491 16942 65534 35102 8874,4 Amostra 8 490 18884 65534 36586 9667,2 Amostra 9 486 15337 65534 32987 8525,1 Amostra 10 492 17209 65534 43317 10160
46 Quadro 4: Estatística Básica da classe “Ocupação Densa Irregular”
PC1 – Ocupação
Densa Irregular
Contagem
Min. Máx. Média Desvio Padrão
18956 635534 43620,19 9958,79 Amostra 1 121 20928 65534 41490 11417 Amostra 2 120 29380 65534 41520 7037 Amostra 3 121 26656 65534 47256 10214 Amostra 4 123 24482 65534 44007 9990,2 Amostra 5 123 27855 65534 46360 9333,2 Amostra 6 122 26578 65534 42901 9891,9 Amostra 7 122 26468 65534 46084 10086 Amostra 8 119 18956 65534 37202 10037 Amostra 9 123 27197 65534 43854 9009,8 Amostra 10 122 25649 65534 45319 8141,8
Quadro 5: Estatística Básica da classe “Ocupação Densa Regular” PC1 –
Ocupação Densa Regular
Contagem
Min. Máx. Média Desvio Padrão
20471 65534 43018,87 9842,87 Amostra 1 176 24833 35534 44843 9389,5 Amostra 2 175 20597 62443 39142 8320,5 Amostra 3 177 24023 65534 40938 9624,2 Amostra 4 179 22121 65534 42700 10390 Amostra 5 172 22730 65534 42238 9487,5 Amostra 6 177 22430 65534 42584 10413 Amostra 7 177 25183 65534 44940 8131,6 Amostra 8 174 28238 65534 46747 9729,2 Amostra 9 177 20471 65534 40407 9939,9 Amostra 10 177 23401 65534 45661 10111
Foi gerada uma malha de pontos (figura 22) com a informação do número digital de cada pixel e os variogramas foram então calculados.
47 Figura 22: Exemplo da malha de pontos com os valores digitais de cada pixel. Fonte: Barros (2014)
- GEOESTATISTICAL ANALIST
O módulo de análise geoestatística do ArcGis é composto por 3 principais componentes, exploração de dados, assistente geoestatístico e criação de subconjuntos.
Antes de implementar técnicas de interpolação, é importante conhecer os dados que serão analisados, o componente “exploração de dados “conta com ferramentas para análise exploratória de dados como, histograma, análise de tendência, variograma e nuvem de covariância, entre outros. O assistente geoestatístico funciona como um guia numa sequência de telas, onde é possível escolher e definir alguns parâmetros para o cálculo de variogramas e subsequente interpolação (krigagem e co- krigagem).
A criação de subconjuntos consiste em um método de avaliação da qualidade da superfície calculada após a interpolação. Esse componente permite a divisão do conjunto de dados em duas partes, uma que pode ser usada para modelar a estrutura espacial e produzir a superfície, e a outra parte pode ser usada para comparar e validar as predições.
48 7. RESULTADOS E DISCUSSÕES
Os valores dos parâmetros dos variogramas, bem como o mapa variográfico, a imagem multiespectral e a primeira componente principal das 10 amostras de cada amostra foram sistematizados nos quadros 6, 7 e 8.
49 Quadro 7: Sistematização dos resultados da classe “Ocupação Densa Regularizada”
50 Quadro 8: Sistematização dos resultados da classe “Ocupação Densa Irregular”
A elipse apresentada nos mapas variográficos sugerem anisotropia na maioria das amostras. É interessante observar que a direção preferencial da variância acompanha a orientação dos elementos dispostos no terreno (figura 23), no entanto
51 os variogramas não foram calculados nas quatro direções básicas, pois esta pesquisa não tem o objetivo de estimar, apenas o de identificar padrões a partir do comportamento espectral.
Figura 23: Exemplo de como direção preferencial da variância coincide com a orientação dos elementos da imagem. Fonte: Barros (2014)
Os resultados foram sistematizados no Quadros 9, 10 e 11, nos quais estão os valores dos parâmetros dos variogramas, Alcance, Patamar e Efeito Pepita de cada amostra. Os valores estão em notação cientifica (107) para facilitar a interpretação.
Quadro 9: Valores dos parâmetros “Conjuntos Residenciais” Conjuntos Residenciais
Alcance Patamar (x107) Efeito Pepita (x107)
Amostra 1 26 7 0 Amostra 2 48 5 4 Amostra 3 25 11 0 Amostra 4 25 8 3 Amostra 5 26 10 3 Amostra 6 28 9 7 Amostra 7 48 6 2 Amostra 8 27 9 4 Amostra 9 13 7 0 Amostra 10 22 10 3
52 Quadro 10: Valores dos parâmetros “Ocupação Densa Regularizada”
Ocupação Densa Regularizada
Alcance Patamar (x107) Efeito Pepita (x107)
Amostra 1 28 5 4 Amostra 2 28 4 3 Amostra 3 11 9 5 Amostra 4 13 7 3 Amostra 5 12 8 0 Amostra 6 15 10 8 Amostra 7 10 5 2 Amostra 8 15 6 3 Amostra 9 16 6 3 Amostra 10 24 8 3
Quadro 11: Valores dos parâmetros “Ocupação Densa Irregular” Ocupação Densa Irregular
Alcance Patamar (x107) Efeito Pepita (x107)
Amostra 1 19 11 2 Amostra 2 21 28 2 Amostra 3 22 10 0 Amostra 4 24 8 3 Amostra 5 10 9 0 Amostra 6 24 9 4 Amostra 7 9 10 0 Amostra 8 12 10 0 Amostra 9 13 8 3 Amostra 10 24 6 1
O alcance é o parâmetro mais importante para o tipo da análise desse estudo, pois é esse parâmetro que define o grau de homogeneização, quanto maior a amplitude, maior a homogeneidade entre as amostras (ou seja, os níveis de cinza dos pixels têm uma similaridade maior entre eles). Desta maneira este trabalho considerou apenas os valores de alcance na análise, os demais parâmetros serão analisados em trabalhos futuros. O quadro 12 apresenta a estatística descritiva básica dos resultados obtidos para o parâmetro alcance no cálculo dos variogramas.
53 Quadro 12: Estatística descritiva básica dos valores de alcance das classes”
Estatística descritiva básica Conjuntos Residenciais Ocupação Densa Regularizada Ocupação Densa Irregular Alcance Média 29 17 18 Erro padrão 3 2 2 Mediana 26 15 20 Desvio padrão 11 7 6 Variância da amostra 120 47 38 Curtose 1 -1 -2 Assimetria 1 1 0 Mínimo 13 10 9 Máximo 48 28 24 Soma 288 172 178 Contagem 10 10 10
Ao analisarmos os valores de alcance nas três classes de amostras e o valor de média de cada delas vemos que as classes “Ocupação Densa Regularizada” e “Ocupação Densa Irregular” apresentam médias bastante próximas, com 17 e 18 respectivamente, enquanto que a média dos valores de alcance das amostras da classe “Conjuntos Residenciais” se destaca das demais com 29.
A classe “Conjuntos Residenciais” a qual possui características bastante particulares quanto às suas propriedades, como, por exemplo, tamanho do terreno, formato das construções, materiais utilizados, bem como a organização espacial das construções seguem em sua maioria um determinado padrão e acabam por conferir a essa classe uma textura que a torna homogênea entre as demais.
A figura 24 representa alguns exemplos da classe “Conjuntos Residenciais” em que é possível observar que há uma repetição de características que conferem homogeneidade na textura da mesma. As construções seguem um alinhamento, com espaços regulares entre as construções, intercalando áreas construídas e sombras também de maneira bastante regular, bem como a forma alongada e estreita das construções e os materiais utilizados.
54 Figura 24: Repetição de padrões da classe “Conjuntos Residenciais”
Recorrendo ao histórico de ocupação da área de estudo é possível entender porque, embora classificadas como duas classes distintas, as classes “Ocupação densa regularizada” e “Ocupação densa irregular” apresentam médias de valores de alcance tão próximas a ponto de o variograma não conseguir distingui-las com maior precisão.
Diferente dos conjuntos residenciais que foram planejados, com uma área reservada para a construção dos mesmos, somadas às características supracitadas, as outras duas classes apresentam como principal característica a autoconstrução e a ocupação desordenada, ou seja, qualquer planejamento.
Embora algumas características diferenciem uma classe da outra, como por exemplo, o tamanho dos lotes, maiores na classe “Ocupação Densa Regularizada” e o padrão de arruamento apresentando maior ordenamento e maior largura também na classe “Ocupação Densa Regularizada” em diversos trechos essa diferença não é tão clara. A figura 25 mostra como é possível confundir as duas classes tanto quanto a forma das construções, sua configuração espacial, os materiais utilizados e o padrão de arruamento.
55 Ocupação Densa Regularizada
Ocupação Densa Irregular
Figura 25: Comparação de algumas amostras das classes “Ocupação Densa Regular” e “Ocupação Densa Irregular”. Fonte: Barros (2014)
A classe “Ocupação Densa Regularizada” é formada por lotes que foram regularizados posteriormente à ocupação da área, ou seja, não houve um planejamento para que aquela área fosse ocupada para fins residenciais. Da mesma maneira ocorre na classe “Ocupação Densa Irregular”, que representa uma área que foi ocupada sem nenhum tipo de ordenamento e que ainda não teve seus lotes e ruas regulamentados pelos órgãos competentes.
56 8. CONCLUSÕES
O Sensoriamento Remoto exerce um papel muito importante na aquisição de informações sobre a organização espacial dos elementos terrestres nas mais diferentes escalas e tipos de ambiente.
As imagens de satélite de alta resolução espacial apoiam principalmente estudos em ambientes urbanos, pois esse tipo de imagem permite uma maior apreensão do tecido urbano já que é capaz de distinguir com maior precisão os objetos que compõem o cenário urbano bastante heterogêneo.
A dinâmica de crescimento das cidades é alvo de inúmeros estudos e áreas do conhecimento, conhecer os mecanismos envolvidos nesse processo é de vital importância para gestores e planejadores urbanos já que a população urbana apresenta crescimento constante e megacidades não param de surgir em todo mundo. O presente trabalho vai ao encontro da temática supracitada ao analisar a proposta metodológica de identificar padrões de organização urbana através da ferramenta geoestatística, o variograma.
Analisar padrões residenciais urbanos é de grande importância para gestão e planejamento das cidades no que tange o acesso à moradia, aos serviços públicos como transporte, saúde, educação, saneamento básico e energia elétrica, assim como emprego e lazer, já que a identificação desses padrões permite visualizar de que modo a cidade se organiza e um aprofundamento desse tipo de estudo pode inferir em que direção a cidade está crescendo.
No caso dessa pesquisa, a identificação dos padrões residenciais urbanos foi realizada a partir do comportamento espectral das classes analisadas, ao analisar as diferenças entre os padrões é possível inferir outras informações a respeito das características daquela área. A diferença do comportamento espectral entre as classes residenciais se dá pelos diferentes materiais, tamanhos e formas das construções encontradas em cada classe.
Uma consequência da identificação de padrões é a delimitação do espaço intra- urbano em setores homogêneos, a princípio, uma homogeneidade referente aos aspectos físicos supracitados, em uma análise mais aprofundada esses padrões podem refletir também os aspectos socioeconômicos da população residente.
57 Em posse das características físicas e socioeconômicas dessa localidade é que planejadores e gestores urbanos podem propor estratégias de urbanização para a cidade.
Embora essa pesquisa tenha alcançado resultados satisfatórios, a proposta metodológica analisada apresentou uma série de pontos a serem revistos e testados em trabalhos futuros para garantir sua replicabilidade.
Uma das dificuldades encontradas durante a pesquisa foi obter uma imagem de alta resolução que não tivesse passado por nenhum tipo de correção ou fusão, já que para analisar a variância espacial do comportamento espectral dos alvos é necessário que o dado seja o mais “bruto possível”.
Embora seja possível encontrar padrões homogêneos no tecido urbano e intra- urbano das cidades, em determinados aspectos os padrões encontrados apresentam heterogeneidade entre si, ou seja, no caso da classe “ocupação densa irregular” que pode ser qualificada como favela ou como habitação subnormal, existem inúmeros exemplares deste tipo de organização habitacional, que utilizam diferentes materiais na construção das moradias, bem como se distribuem espacialmente de maneiras diversas.
A questão é que as classes trabalhadas no presente estudo, com exceção da classe “conjuntos residenciais”, que é bem definida, e que conseguiu ser detectada pelos parâmetros dos variogramas calculados, as outras duas classes são visivelmente e espectralmente muito próximas o que fez com que os variogramas não distinguissem claramente uma da outra.
Essa “confusão” entre as classes pode ser reflexo do processo de ocupação de toda a área de estudo, ou seja, mesmo a área que hoje é considerada “regularizada”, já foi no passado considerada uma ocupação “irregular” evidenciando que não houve nenhum tipo de planejamento habitacional para a área de estudo.
De acordo com os resultados obtidos, conclui-se que a proposta metodológica atingiu seu objetivo ao identificar áreas homogêneas em imagens de satélite de alta resolução, no entanto observou-se que ela se aplica melhor em áreas que apresentam classes bem definidas, ou seja, no presente trabalho, a classe “Conjuntos Residenciais” foi claramente identificada pelos variogramas por possuir características e configuração bastante singular, já as outras duas classes
58 analisadas “Ocupação Densa Regularizada” e “Ocupação Densa Irregular” apresentam características, configurações e materiais construtivos bastante semelhantes entre si o que fez com que a identificação dessas classes via variograma não fosse tão eficaz.
A proposta de avaliar espectralmente imagens de alta resolução espacial através da geoestatística pode ampliar o leque de métodos de classificação de imagens de Sensoriamento Remoto, pois essa técnica atua em um aspecto pouco explorado em imagens de alta resolução espacial que são os valores pixel a pixel. O aprimoramento desta técnica poderá trazer contribuições importantes como técnica de validação de métodos de classificação assim como fornecendo valores de input para classificações de uso e ocupação do solo.
A metodologia proposta provou ser válida e pode ainda ser uma ferramenta rápida e de baixo custo para planejadores urbanos que precisam, por exemplo: caracterizar a morfologia da cidade. Pode ser aplicada para analisar imagens de satélite; detectar classes que não separáveis nas condições regulares das imagens; ajudar a selecionar um conjunto de amostras de treinamento para aplicação em algoritmos de classificação supervisionada; dimensionamento de regras ou variáveis externas em OBIA (como o tamanho buffer), escala do modelo digital de terreno, e assim por diante.
59 9. REFERÊNCIAS BIBLIOGRÁFICAS
ALVARENGA, L.H.V. Imagens de alta resolução e geoestatística na estratificação da fisionomia cerrado para inventários florestais. 2012. 91 f. Dissertação (Mestrado em Engenharia Florestal). Universidade Federal de Lavras, Lavras, 2012.
AMÂNCIO, M.A.; SANCHES, S. P. Relacionamento entre a Forma Urbana e as viagens a pé. In: Anais de Congresso da Associação Nacional de Pesquisa e Ensino em Transportes – XIX ANPET, 2005, Recife – PE. XIX ANPET, 2005.
ANTUNES, A. F. B.; DUARTE, A. Characterization of the growth of urban areas by means of QUICKBIRD images through object oriented segmentation. In: Proceedings of the 4th GEOBIA, Rio de Janeiro, 2012.
ALVES, R. A. L.; VERGARA, O. R. Identificação de alvos urbanos em imagens IKONOS, aplicando classificação orientada a segmentos. In: XII Simpósio Brasileiro de Sensoriamento Remoto, 2005, Goiânia, GO. Anais do XII Simpósio Brasileiro de Sensoriamento Remoto, São José dos Campos, 2005. p. 2573-2580
ATKINSON, P.M.; LEWIS, P. Geostatistical classification for remote sensing: an introduction. Computers & Geosciences, v. 26, n. 4, p. 361-371, 2000.
ATLAS. Atlas Ambiental do Município de São Paulo. São Paulo, SP, 2002. Disponível em <http://atlasambiental.prefeitura.sp.gov.br>.
BALAGUER-BESER, A.; RUIZ, L. A.; HERMOSILLA, T.; RECIO, J. A. Definition of a comprehensive set of texture semivariogram features and their evaluation for object- oriented image classification. Computers & Geosciences, v.36, p. 231-240. 2010.
BALAGUER-BESER A.; RUIZ, L.A.; HERMOSILLA, T.; RECIO, J.A. Using semivariogram indices to analyse heterogeneity in spatial patterns in remotely sensed images. Computers & Geosciences, v.50, p.115-127, 2013.
BARROS M.T.L (Org.). Gerenciamento Integrado de Bacias Hidrográficas em Áreas Urbanas - Sistema de Suporte ao Gerenciamento da Água Urbana - Estudo de Caso: Rio Cabuçu de Baixo, Cidade de São Paulo. São Paulo: Escola Politécnica da USP e CNPq, 2004.
BARROS, M.T.L. (Org.). Plano de Bacia Urbana: Relatório Final. CT-HIDRO, EPUSP/PHD, São Paulo, 2005.
60 BARROS, D.; BRITO, P.L.; LAROCCA, A.P.; GIANNOTTI, M.A.;SHINOHARA,E.J.; KOLLING, J.; HO, L.L.; QUINTANILHA, J.A. Characterizing urban land use pattern by variograms parameters from multispectral high spatial resolution satellite images: an application in Salvador, Bahia - Brazil. In: Proceedings of Geoscience and Remote Sensing Symposium (IGARSS), Melbourne – Australia, 2013. pp. 3309- 3312.
BARROS FILHO, M. N. M. ; AMORIM, L. Texturas urbanas e distinções morfológicas. In: II Simpósio Brasileiro de Ciências Geodésicas e Tecnologias da Geoinformação, 2008, Recife, PE. 2008. v. 1.
BARROS FILHO, MAURO, and SOBREIRA F.. 2008. Accuracy of lacunarity algorithms in texture classification of high spatial resolution images from urban areas. The International Archives of the Photogrammetry, Remote Sensing, and Spatial Information Sciences 37: 417-22.
BLASCHKE, T. Object based image analysis for remote sensing. ISPRS journal of photogrammetry and remote sensing, v.65, n.1, p. 2-16, 2010.
BRITO, P.L.; QUINTANILHA J.A. A literature review, 2001-2008, of classification methods and inner urban characteristics identified in multispectral remote sensing images. In: Proceedings of 4th GEOBIA, Rio de Janeiro, Brazil, p. 586-591, 2012.
BRITO P.L.; QUINTANILHA, J.A. Elementos da morfologia urbana de ocupações urbanas informais em imagens de sensoriamento remoto. In: TEIXEIRA, A.N.; ALENCAR, C.M.M.; CARVALHO,S.S. (Org.). Desafios Contemporâneos de Dinâmicas Territoriais e Socioambientais. Curitiba: Editora CRV, p. 169-188, 2013.
BRIVIO, P.A.; ZILIOLI, E. Urban pattern characterization through geostatistical analysis of satellite images. In: DONNAY, J.P. BARNSLEY, M.J.; LONGLEY. P.A. (eds.), Remote Sensing and Urban Analysis, Taylor and Francis; London, 2001, pp. 40–53.
CAMARGO, E.C.G. Desenvolvimento, implementação e teste de procedimentos geoestatísticos (krigagem) no sistema de Processamento de Informações Georreferenciadas (SPRING). São José dos Campos: INPE, 1997.
CAMARGO, E.C.G.; FUCKS, S.D. Geoestatística: fundamentos e aplicações.In CÂMARA, G. Geopreocessamento: teoria e aplicações. Disponível em: http://www.dpi.inpe.br/gilberto/livro > acesso em jun. 2013.
61 CHICA-OLMO, M., HERNÁNDEZ-ABARCA, F. Computing geostatistical image texture for remotely sensed data classification. Computers & Geosciences, v.26, p. 373-383, 2000.
CHENG, T. L.; LI, P. Multivariate variogram-based multichannel image texture for image classification. In Geoscience and Remote Sensing Symposium, 2005. Proceedings… v. 6, 2005.p.3830 – 3832.
CROSTA, A.P. Processamento digital de imagens de sensoriamento remoto. Campinas: UNICAMP. 1999.
CURRAN, P.J. The Semivariogram in Remote Sensing: An Introduction. Remote Sensing of Environment. 24, n. 3, p.493-507, 1998.
CURRAN P.J., ATKINSON, P.M. Geostatistics and Remote Sensing. Progress in Physician Geography, v. 22, n. 1, p. 61-78, 1998.
DONAY, J. P, BARNSLEY, R, LONGLEY, P.A. Of patterns and processes: spatial metrics and geostatistics in urban analysis. In A. Smith and B. Jones (Eds) Remote sensing and urban analysis (pp.93). London, UK: Taylor & Francis. 2001.
DURRIEU, M., RUIZ, L.A., BALAGUER, A. Analysis of geostatistical parameters for texture classification of satellite images. In 25th EARSEL Symposium: Global Developments in Environmental Earth Observation from Space. Proceedings... 2005. pp. 11-18
DURIEUX, L.; LAGABRIELLE, E. ; NELSON, A. A method for monitoring building construction in urban sprawl areas using object-based analysis of Spot 5 images and