AVALIAÇÃO DE IMAGENS DO SENSOR ASTER PARA CARACTERIZAÇÃO E MAPEAMENTO DE REJEITOS DE GARIMPOS DE AMETISTAS

AVALIAÇÃO DE IMAGENS DO SENSOR ASTER PARA CARACTERIZAÇÃO E MAPEAMENTO DE REJEITOS DE GARIMPOS DE AMETISTAS
UFRGS – UNIVERSIDADE FEDERAL DO RIO GRANDE DO
SUL
CEPSRM – CENTRO ESTADUAL DE PESQUISAS EM SENSORIAMENTO
REMOTO E METEOROLOGIA
PÓS-GRADUAÇÃO EM SENSORIAMENTO REMOTO
AVALIAÇÃO DE IMAGENS DO SENSOR ASTER PARA
CARACTERIZAÇÃO E MAPEAMENTO DE REJEITOS DE
GARIMPOS DE AMETISTAS
PAULO ROBERTO MARKOSKI
PORTO ALEGRE, ABRIL DE 2006
UFRGS – UNIVERSIDADE FEDERAL DO RIO GRANDE DO
SUL
CEPSRM – CENTRO ESTADUAL DE PESQUISAS EM SENSORIAMENTO
REMOTO E METEOROLOGIA
PÓS-GRADUAÇÃO EM SENSORIAMENTO REMOTO
AVALIAÇÃO DE IMAGENS DO SENSOR ASTER PARA
CARACTERIZAÇÃO E MAPEAMENTO DE REJEITOS DE
GARIMPOS DE AMETISTAS
PAULO ROBERTO MARKOSKI
Bacharel em Informática
Orientadora: Prof. Silvia Beatriz Alves Rolim
Dissertação apresentada como requisito
parcial para obtenção do Grau de mestre
em Sensoriamento Remoto, na Área de
concentração em Recursos naturais e do
meio Ambiente
PORTO ALEGRE, ABRIL DE 2006
Aos meus Pais, Célio e Ivone, pelo vida e força
minha Orientadora Silvia pela ajuda e amizade
e ao Ernani, pelo companheirismo.
AGRADECIMENTOS
Agradeço a todas as pessoas e instituições e que me ajudaram a vencer mais
esta etapa.
Especificamente:
À Fundação de Aperfeiçoamento de Pessoal de Nível Superior - CAPES, pelo
auxílio financeiro.
Ao CEPSRM/UFRGS, pela oportunidade de estudos e utilização de suas
instalações.
Aos professores do CEPSRM/UFRGS pelo conhecimento compartilhado.
Á minha Orientadora Profa. Dra. Silvia Beatriz Alves Rolim, pelo conhecimento
transmitido, pela orientação, pela amizade e ajuda na realização de todas as
etapas deste trabalho.
Aos meus colegas de turma, pelo estudo conjunto, pelo carinho e incentivo
sempre demonstrados.
A meus pais por sempre acreditarem na importância do estudo.
AVALIAÇÃO DE IMAGENS DO SENSOR ASTER PARA
CARACTERIZAÇÃO E MAPEAMENTO DE REJEITOS DE
GARIMPOS DE AMETISTAS
RESUMO
Este trabalho buscou avaliar os aspectos relacionados à potencialidade das
imagens do sensor Advanced Spaceborne Thermal Emission and Reflection
Radiometer (ASTER) para a caracterização e mapeamento de rejeitos de
garimpos de ametistas na região do município de Ametista do Sul-RS, Brasil.
Essa região possui a maior produção de ametistas do mundo. Foram utilizados
classificadores de Distância Mínima Euclidiana, Máxima Verossimilhança e a
técnica SAM (Spectral Angle Mapper). Entre os três algoritmos de classificação
empregados, o melhor desempenho foi observado na técnica SAM, a qual obteve
o menor erro e a melhor distinção do alvo em estudo. O principal erro encontrado
para os classificadores foi a confusão gerada entre as classes “sombra” e “rejeitos
de garimpos”. Com a utilização da técnica SAM, essa confusão foi reduzida
consideravelmente, pois a mesma utilizou a curva espectral do rejeito como
referência na classificação, enquanto os classificadores multiespectrais utilizaram
grupos de pixels representativos do basalto, que continham mistura espectral de
outras classes, como sombra e vegetação. Os resultados sugerem que, em
ambientes tropicais similares aos da área de estudo, com predomínio de
vegetação densa, os dados ASTER podem ser eficazes para a caracterização dos
rejeitos de garimpos.
VALIDATION OF ASTER IMAGES FOR CHARACTERIZATION AND MAPPING
OF AMETIST MINING RESIDUES
ABSTRACT
The objective of this work was to evaluate the potential of Advanced Spaceborne
Thermal Emission and Reflection Radiometer (ASTER) images, for discrimination
and mapping of ametist mining residues/basalt in the Ametista do Sul region, Rio
Grande do Sul State, Brazil. This region provides the most part of ametist
production of the World. The multispectral algorithms Minimun Euclidian Distance
and Maximum Likelihood and the hyperspectral technique SAM (Spectral Angle
Mapper) were used in this work. The SAM technique showed better results than
multispectral techniques. The main error found by the multispectral algorithms was
the mixing/confusion between “shadow” and “mining residues” classes due to the
spectral similarity between them. With the SAM technique the confusion
decreased because it employed the residues spectral curve as a reference, while
the multispectral techniques employed pixels groups that could have spectral
mixture with other targets. The results showed that in tropical terrains as the study
area, ASTER data can be efficacious for the characterization of mining residues.
SUMÁRIO
1. INTRODUÇÃO ............................................................................................................................. 10
1.1 APRESENTAÇÃO ....................................................................................................................... 10
1.2 JUSTIFICATIVA/OBJETIVOS ........................................................................................................ 14
1.3 DESENVOLVIMENTO DA DISSERTAÇÃO........................................................................................ 15
2. CARACTERIZAÇÃO DA ÁREA DE ESTUDO............................................................................ 17
2.1 LOCALIZAÇÃO DA ÁREA ............................................................................................................. 17
2.2 ASPECTOS GERAIS DA ÁREA DE ESTUDO .................................................................................... 18
2.2.1 Geomorfologia ................................................................................................................ 18
2.2.2 Caracterização dos rejeitos ............................................................................................ 25
3. REFERENCIAL TEÓRICO .......................................................................................................... 28
3.1 O SENSOR ASTER .................................................................................................................. 28
3.2 TIPOS DE CLASSIFICAÇÃO E CLASSIFICADORES MULTIESPECTRAIS .............................................. 29
3.3 ESPECTROSCOPIA DE IMAGEAMENTO......................................................................................... 32
3.4 CLASSIFICADORES HIPERESPECTRAIS ....................................................................................... 34
4. MATERIAL E MÉTODOS ............................................................................................................ 38
4.1 MATERIAIS ............................................................................................................................... 38
4.2 PROGRAMAS ............................................................................................................................ 38
4.3. MÉTODOS ............................................................................................................................... 39
5. RESULTADOS E CONCLUSÕES............................................................................................... 42
5.1 COLETA DE PONTOS DE GARIMPOS ............................................................................................ 42
5.2 GEORREFERENCIAMENTO DA IMAGEM ASTER........................................................................... 45
5.3 CLASSIFICAÇÕES DA IMAGEM ASTER ....................................................................................... 45
5.3.1 Histogramas das amostras............................................................................................. 46
5.3.2. Caracterização visual das amostras de treinamento .................................................... 48
5.3.3. Resultados obtidos nas classificações .......................................................................... 51
5.4 APLICAÇÃO DA TÉCNICA SAM NA IMAGEM ASTER .................................................................... 56
6. CONCLUSÕES ............................................................................................................................ 61
7. REFERENCIAS BIBLIOGRÁFICAS ........................................................................................... 63
LISTA DE FIGURAS
FIGURA 1. MAPA DE DEPÓSITO DE GEMAS NO ESTADO DO RS............................................................... 12
FIGURA 2. LOCALIZAÇÃO DA ÁREA DE ESTUDO (AMARELO) E ÁREA URBANA DO MUNICÍPIO DE AMETISTA DO
SUL (TRACEJADO BRANCO) (IMAGEM ASTER R:2, G:3, B:1). ......................................................... 17
FIGURA 3. PERFIL GEOLÓGICO ENTRE IRAI E FREDERICO WESTPHALEN, MOSTRANDO A SEQÜÊNCIA DE
DERRAMES................................................................................................................................. 22
FIGURA 4. SEGUNDA EXEMPLIFICAÇÃO DO DERRAME TIPO I................................................................... 23
FIGURA 5. REJEITO EXTRAÍDO DOS GARIMPOS DE AMETISTA.................................................................. 25
FIGURA 6. REJEITOS RETIRADOS DURANTE A EXTRAÇÃO DE GEODOS DE PEDRA AMETISTA ..................... 26
FIGURA 7. DETALHE DO REJEITO EXTRAÍDO NO PROCESSO DE EXPLORAÇÃO DE PEDRAS AMETISTA. ........ 27
FIGURA 8. REJEITOS EXTRAÍDOS DURANTE A EXPLORAÇÃO DE AMETISTAS. ............................................ 27
FIGURA 9. HISTOGRAMA REPRESENTANDO A “FRONTEIRA DE DECISÃO” ENTRE DUAS CLASSES COM
SOBREPOSIÇÃO NOS VALORES DE AMOSTRAS. ............................................................................. 31
FIGURA 10. REPRESENTAÇÃO GRÁFICA DA TÉCNICA SAM. ................................................................... 35
FIGURA 11. CURVA DE RESPOSTA ESPECTRAL PARA A CLASSE SOLO EXPOSTO EXTRAÍDA DA IMAGEM
ASTER DA ÁREA DE ESTUDO...................................................................................................... 37
FIGURA 12. CURVA DE RESPOSTA ESPECTRAL PARA A CLASSE SOLO EXPOSTO EXTRAÍDA DA IMAGEM
ASTER DA ÁREA DE ESTUDO...................................................................................................... 37
FIGURA 13. LOCALIZAÇÃO DOS 16 PONTOS DE REJEITOS COLETADOS NO MUNICÍPIO DE AMETISTA DO SUL)
................................................................................................................................................. 43
FIGURA 14. MAPA DIGITAL DE ELEVAÇÃO EM 3 DIMENSÕES CONTENDO OS PONTOS DE REJEITOS
COLETADOS EM CAMPO............................................................................................................... 44
FIGURA 15. EXEMPLO DE EXPLORAÇÕES REALIZADAS EM COTAS ERRADAS DO DERRAME BASÁLTICO. DOS 2
NÍVEIS ABERTOS, APENAS O INFERIOR POSSUI MINERALIZAÇÃO. .................................................... 44
FIGURA 16. HISTOGRAMAS DAS AMOSTRAS DE CLASSES RETIRADAS DA IMAGEM ASTER (BANDA 2). ...... 48
FIGURA 17. FOTOS DOS REJEITOS RETIRADOS DOS GARIMPOS.............................................................. 49
FIGURA 18. EXEMPLOS DE AMOSTRAS UTILIZADAS NAS CLASSIFICAÇÕES POR MÁXIMA VEROSSIMILHANÇA E
DISTÂNCIA MÍNIMA EUCLIDIANA. (A) ÁGUA DE LAGOAS; (B) ÁGUA DE RIOS; (C) AGRICULTURA; (D)
MATA; (E) SOLO EXPOSTO CLARO; (F) SOLO EXPOSTO ESCURO; (G) CAMPOS; (H) SOMBRA;........ 50
FIGURA 19. CLASSIFICAÇÃO PELO MÉTODO DE DISTÂNCIA MÍNIMA EUCLIDIANA...................................... 53
FIGURA 20. CLASSIFICAÇÃO PELO MÉTODO DE MÁXIMA VEROSSIMILHANÇA. .......................................... 54
FIGURA 21. COMPARAÇÃO ENTRE AS DUAS CLASSIFICAÇÕES: DISTANCIA MÍNIMA EUCLIDIANA E MÁXIMA
VEROSSIMILHANÇA RESPECTIVAMENTE. ...................................................................................... 55
FIGURA 22. CURVA DE RESPOSTA ESPECTRAL REPRESENTADA EM CONTADORES DIGITAIS DO REJEITO
EXTRAÍDA DAS BANDAS DO ASTER. ............................................................................................ 56
FIGURA 23. IMAGEM “RULE” GERADA NO PRIMEIRO PROCESSAMENTO .................................................... 57
FIGURA 24. IMAGEM RULE RECLASSIFICADA.......................................................................................... 58
FIGURA 25. PONTOS DE REJEITOS DE GARIMPOS (EM VERMELHO). ........................................................ 59
FIGURA 26: PONTOS DE REJEITOS DE GARIMPOS (EM VERMELHO). OS CÍRCULOS VERMELHOS SÃO OS
PONTOS DE REJEITOS QUE NÃO FORAM IDENTIFICADOS CORRETAMENTE NA IMAGEM ASTER ......... 60
LISTA DE TABELAS
TABELA 1. PRINCIPAIS CARACTERÍSTICAS DO SENSOR ASTER. ............................................................ 28
TABELA 2. COORDENADAS DOS PONTOS DE CONTROLE UTILIZADOS PARA A CORREÇÃO GEOMÉTRICA. .... 40
TABELA 3. COORDENADAS UTM DOS GARIMPOS ONDE FORAM COLETADOS OS PONTOS......................... 42
TABELA 4. DESCRIÇÃO DAS AMOSTRAS DE CLASSES UTILIZADAS NA CLASSIFICAÇÃO POR DISTÂNCIA MÍNIMA
EUCLIDIANA E MÁXIMA VEROSSIMILHANÇA .................................................................................. 45
1. INTRODUÇÃO
1.1 Apresentação
A Província Ígnea Continental do Paraná tem se destacado nas duas
últimas décadas como objeto de investigação de várias pesquisas direcionadas à
caracterização química (Piccirillo & Melfi, 1988), isotópica (Mantovani et al., 1985
e Marques et al., 1999) estratigráfica (Peate et al., 1992), geofísica (Vidotti et al.,
1998), geocronológica (Renne et al, 1992), geodinâmica (Tumer et al., 1996) e
metalogenética (Mincato & Schrank, 1998). Neste projeto é dada ênfase à
validação do sensor ASTER no mapeamento de alvos minerais de dimensões
restritas em ambiente de atividade antrópica e cobertura vegetal significativas. A
proposta baseia-se na caracterização e identificação de material de rejeito das
minerações de ametista utilizando técnicas exploratórias de processamento digital
de dados de sensores remotos orbitais (Plataforma EOS-TERRA).
O Sensoriamento Remoto e as técnicas auxiliares de computação são
importantes ferramentas utilizadas para a identificação, mapeamento geológico e
exploração mineral. Estas ferramentas visam à discriminação espectral de alvos,
através do uso de imagens de sensores multiespectrais e hiperespectrais.
Segundo Lima (2004), a utilização de dados de sensoriamento remoto tem
sido importante na minimização de custos e tempo em campanhas de pesquisa e
exploração mineral. Estudos utilizando estes dados têm sido realizados com
maior sucesso em regiões áridas e semi-áridas do mundo, onde ocorrem maiores
áreas com materiais expostos, permitindo aquisição direta da informação
espectral da assembléia rocha-solo. Em ambiente tropical, a caracterização das
propriedades espectrais de rochas e solos é normalmente influenciada pela
cobertura vegetal. Desta forma, investigações minerais utilizando sensoriamento
remoto podem explorar o fato de que mudanças sutis na cobertura vegetal podem
refletir alterações nas condições do substrato, constituindo associações rochasolo-vegetação e, também, o grau de exposição de rocha-solo na cena imageada.
A variedade de quartzo de cor violeta, denominada ametista, é a mais
apreciada e valorizada dentre os minerais da família da sílica, sendo utilizada pelo
homem desde os primórdios da civilização (Juchem, 1999).
Atualmente, dentre os vários países produtores, o Brasil situa-se como um
dos maiores fornecedores mundiais desse bem mineral, destacando-se o Rio
Grande do Sul como o maior produtor nacional. Neste estado, são conhecidas
extensas jazidas de ametista, em depósitos de geodo em Basalto (Bossi &
Caggiono, 1974), na Formação Serra Geral. A Figura 1 ilustra o mapa de depósito
de gemas no Estado do Rio grande do Sul, onde são mostradas as jazidas em
exploração e as ocorrências com potencial favorável a exploração.
O setor de geodos ou “gemas” no Rio Grande do Sul tem se caracterizado
pela exportação de grandes quantidades de pedras brutas e de pequena
quantidade de produtos parcial ou totalmente elaborados com baixo valor
agregado. Grande parte das empresas foi originada a partir de famílias agrícolas
que possuíam jazidas em suas terras e começaram a garimpar a ametista e a
ágata, vendendo sua produção para imigrantes alemães que se instalaram neste
estado. Estas famílias deram origem às primeiras indústrias de beneficiamento de
gemas, uma atividade relativamente recente que possui aproximadamente três
décadas. Até hoje as condições de trabalho são bastante precárias em relação à
técnica e segurança de trabalho, sendo os produtos manufaturados bastante
primitivos e repetitivos, em geral de qualidade inferior aos industrializados no
exterior.
O Rio Grande do Sul é responsável por cerca de 50% do volume total de
gemas produzidas no Brasil e 25% do total das exportações (Souza, 1996); a
ágata e a ametista são as gemas mais produzidas, respondendo esse estado por
quase metade das exportações dessas duas gemas. O volume e a qualidade da
ametista produzida fazem do Rio Grande do Sul um dos mais importantes
11
fornecedores dessa gema para o mercado internacional. Apesar da importância
econômica que representam as minerações para a economia deste estado, os
depósitos de ametista e ágata são ainda pouco conhecidos sob o ponto de vista
geológico e mineralógico, tendo como conseqüência o baixo grau de
aproveitamento dos mesmos.
Figura 1. Mapa de depósito de gemas no Estado do RS.
Fonte: Juchem (1999)
12
As principais jazidas de ametista estão situadas na região do Alto Uruguai,
norte do Rio Grande do Sul, abrangendo parte dos municípios de Iraí, Frederico
Westphalen, Ametista do Sul, Alpestre, Rodeio Bonito e Planalto. Nessa região,
em uma área de aproximadamente 300 km2, existem mais de 300 áreas de
garimpos de ametista, onde a extração é feita na rocha inalterada em galerias
horizontais subterrâneas que atingem em média 50 a 100 metros de comprimento
e por vezes em lavra a céu aberto. A produção atual na região é de
aproximadamente 100 toneladas/mês de pedra bruta, estando incluído neste
montante além dos geodos com ametista, a ágata, a calcita e a gipsita.
Os dados utilizados para extrair as informações de interesse em aplicações
de
sensoriamento
remoto
são
normalmente
provenientes
de
sensores
multiespectrais como, por exemplo, do Landsat 5 e 7/Thematic Mapper (TM) ou
do SPOT 3/High Resolution Visible (HRV). Estes sensores possuem resolução
espectral entre três e sete bandas.
Novas perspectivas foram abertas para a discriminação de alvos
geológicos com o advento das imagens do sensor ASTER (Advanced Spaceborne
Thermal Emission and Reflection Radiometer), a bordo do satélite Terra. Ele
representa um avanço, em termos de resolução espectral, quando comparado ao
instrumento ETM (Enhanced Thematic Mapper ETM+) do satélite Landsat-7.
Trabalhos como o de Van der Meer (1999) já discutiam o potencial do sensor
ASTER para a detecção de alguns minerais, como a caulinita e muscovita. Esses
dois
minerais
são
caracterizados
por
uma
banda
de
absorção
em
aproximadamente 2,2 µm devido à hidroxila (OH) (Hunt, 1977) correspondente à
banda 6 do sensor ASTER (2,185 – 2,225 µm).
Crosta et al. (2002) utilizaram dados do sensor ASTER para caracterizar
halos de alteração hidrotermal em depósitos auríferos epitermais no distrito de
Los Menucos, Argentina. Foram utilizadas tanto técnicas usualmente empregadas
no
processamento
de
imagens
multiespectrais,
como
também
técnicas
hiperespectrais. Segundo os autores, os resultados foram bastante satisfatórios,
13
demonstrando os benefícios que a recente disponibilização de imagens orbitais
multiespectrais de melhor resolução espectral pode trazer para atividades de
exploração mineral.
Para a utilização plena deste volume de informação exige-se um
conhecimento cada vez mais detalhado do comportamento espectral dos alvos,
realizado por meio da Espectroscopia de Reflectância, tanto de campo como de
laboratório. Isto só é possível com o desenvolvimento de técnicas (instrumentação
de coleta e metodologia de análise) apropriadas ao grande volume de dados
resultante. Para isso, tem-se buscado um melhor entendimento nas relações
existentes entre as curvas espectrais e as características específicas dos alvos
que permitam sua separação e/ou caracterização.
1.2 Justificativa/Objetivos
Dentre as atividades extrativistas, o garimpo é uma das que mais contribui
para a degradação do meio ambiente. Desenvolvido através de técnicas
rudimentares, tem como conseqüências mais drásticas o desmatamento de
matas, o acúmulo de uma grande quantidade de detritos no meio ambiente sem
falar nos riscos a vidas humanas devido ao uso de explosivos, muitas vezes sem
qualquer equipamento de segurança.
A despeito dos problemas ambientais envolvidos, a atividade garimpeira
constitui uma importante fonte de renda, talvez a única, para uma parcela
significativa de gaúchos na região norte do Estado do Rio Grande do Sul. Por
isso, torna-se cada vez mais urgente, a criação de normas que possam ordenar e
estabelecer alguma forma de controle da atividade garimpeira. Outra necessidade
imediata diz respeito à tomada de ações concretas por parte de órgãos
governamentais, direcionada à recuperação ambiental das áreas já destruídas. O
primeiro passo concreto a ser tomado para efetivar essa ação é um levantamento
diagnóstico das áreas já degradadas.
14
Dentro deste contexto, o presente trabalho tem como objetivo geral avaliar
o uso de imagens do sensor ASTER, juntamente com técnicas de sensoriamento
remoto, para o mapeamento e identificação de basalto retirado de garimpos de
pedra ametista no município de Ametista do Sul, porção norte do Estado do Rio
Grande do Sul.
Mais especificamente, os objetivos foram:
a) Avaliar o desempenho de diferentes técnicas de processamento digital de
imagens na caracterização de garimpos de ametistas;
b) Avaliar o potencial das imagens ASTER para a detecção e mapeamento de
rejeitos de garimpos ametistas;
c) Identificar variáveis relacionadas ao derrame basáltico onde ocorrem os
geodos;
d) Discutir a influência espectral de outros alvos na detecção de padrões
espectrais dos pixels;
1.3 Desenvolvimento da dissertação
O desenvolvimento da dissertação está disposto da seguinte forma:
No Capítulo 2 é apresentada a caracterização da área de estudo, dados de
localização, geologia, aspectos climáticos, solos típicos, vegetação, além de uma
descrição dos diferentes tipos de perfis geológicos da área, sua estrutura e
formação.
No Capítulo 3 é apresentado um referencial teórico sobre os materiais,
métodos e os principais termos relacionados ao tema da dissertação.
15
No Capítulo 4 são apresentados os métodos e as ferramentas utilizadas
para o desenvolvimento do trabalho além da descrição das etapas realizadas na
execução do trabalho
No Capítulo 5 são apresentados os processamentos e resultados obtidos
em cada etapa do trabalho, discutidos e analisados fase-a-fase.
O Capítulo 6 contém a avaliação final sobre o trabalho juntamente com as
principais conclusões sobre os processamentos realizados e os objetivos
atingidos.
O Capítulo 7 apresenta o referencial bibliográfico com os autores citados
nesta dissertação.
16
2. CARACTERIZAÇÃO DA ÁREA DE ESTUDO
2.1 Localização da área
O Município de Ametista do Sul está localizado ao Norte do estado do Rio
Grande do Sul, quase divisa com o Estado de Santa Catarina. Encontra-se entre
as coordenadas 27º 21’ 38’’ e 53º 10’ 54’’, a uma altitude média de 500 m, e a
uma distância de aproximadamente 490 km da Capital Porto Alegre. (Figura 2).
Figura 2. Localização da área de estudo (amarelo) e área urbana do município de
Ametista do sul (tracejado branco) (imagem Aster R:2, G:3, B:1).
17
2.2 Aspectos gerais da área de estudo
2.2.1 Geomorfologia
A ametista no Rio Grande do Sul ocorre cristalizada no interior de geodos
nos basaltos da Formação Serra Geral. Essas rochas, originadas por vulcanismo
fissural, tiveram uma significativa contribuição na geração da nova crosta
continental. A formação Serra Geral faz parte da Bacia do Paraná, uma das
maiores e mais importantes bacias sedimentares brasileiras.
Os derrames cobrem 75% da bacia e ocupam uma área na ordem de
1.200.000 km2, constituindo o Planalto Meridional Brasileiro (Almeida, 1986;
Cordani et al., 1980). Considerado como um dos mais importantes eventos
vulcânicos da Terra, as rochas da Formação Serra Geral formam a maior área de
rochas ígneas continuamente expostas no Brasil (Almeida, 1986), recobrindo
parte dos estados do Rio Grande do Sul, Santa Catarina, Paraná, São Paulo,
Mato Grosso do Sul e Minas Gerais, totalizando cerca de 734.000 km2. O
vulcanismo tem ainda continuidade no sul do Paraguai, norte da Argentina e
região oeste do Uruguai. Numerosos diques e sills de diabásio aparecem
intrudidos em fraturas relacionadas a essa atividade nos sedimentos paleozóicos
e no embasamento pré-cambriano na região que circunda os derrames (Minioli et
al., 1971). Os derrames inferiores estão sobrepostos e por vezes intercalados aos
arenitos eólicos da Formação Botucatu, embora localmente sejam observados
contatos com sedimentos de outras formações da Baça do Paraná e inclusive
com o embasamento cristalino (Petri & Fúlfaro, 1983).
As rochas vulcânicas da formação Serra Geral foram consideradas durante
muito tempo como homogêneas do ponto de vista petrográfico e geoquímico. A
partir das décadas de 1970 e 1980, com a obtenção de um grande volume de
dados de campo e laboratório, foi possível dividir os derrames em três grandes
grupos de rochas (Piccirillo & Melfi, 1998):
18
_ Basaltos toleíticos – representam 90% do volume total de rochas;
_ Andesitos toleíticos – representam 7% do volume total de rochas;
_ Riodacitos-riolitos – representam 3% do volume total de rochas.
Os dois primeiros grupos têm características bastante semelhantes entre si
quando observados no campo, sendo praticamente diferenciados somente em
laboratório. Apresentam cores cinza escuro (quase preto) a cinza médio e cinza
acastanhado, estando localizados sempre nas partes mais inferiores na
seqüência dos derrames. As rochas básicas e intermediárias são afíricas a
subafíricas,
por
vezes
porfiríticas,
com
fenocristais
(0,5-2,0
mm)
e/ou
microfenocristais (0,2-0,5 mm) de augita e plagioclásio (Na 52-78), e opacos
(magnetita titanífera e ilmenita) e, esporadicamente, de olivinas, sempre muito
alteradas. As texturas comuns são intergranular, a intersertal e a hialofítica, onde
a matriz apresenta as mesmas fases cristalinas encontradas como fenocristais.
Neste grupo foram identificados basaltos toleíticos, basaltos andesíticos,
andesitos, latiandesitos e latitos, sempre com predomínio dos basaltos toleíticos
(Comin-Chiaramonti et al., 1988; Melfi et al., 1988).
As rochas ácidas que compõem o terceiro grupo são, em geral, facilmente
distinguíveis das rochas mais básicas. Apresentam cores em tons de cinza mais
claros, estruturas de fluxo comuns e diaclasamento horizontal e subhorizontal
quase sempre marcante, formando placas com espessura da ordem de
centímetros. Por serem mais resistentes ao intemperismo, tendem a apresentar
encostas abruptas e sem cobertura vegetal, distinguindo-se das rochas mais
básicas, que apresentam encostas mais suavizadas e cobertas por vegetação
(Roisenberg, 1989).
Uma pesquisa geológica foi realizada por Gomes (1996), com o objetivo de
individualizar e correlacionar os diversos derrames basálticos e determinar suas
características estruturais, petrográficas e geoquímicas. O estudo abrange
parcialmente a área objeto desta pesquisa, sendo desenvolvido a partir de 7 perfis
geológicos realizados entre as cidades de Caiçara, Frederico Westphalen, Irai,
Ametista do Sul e Planalto.
19
Nestes perfis, foram individualizados 12 derrames basálticos, do intervalo
da cota de 212 m, próximo ao Rio Uruguai (nível de erosão mais baixo da área)
até a cota de 580 m. Dados obtidos pela CPRM em perfurações de poços
profundos para água subterrânea estimaram a presença de pelo menos mais
cinco derrames abaixo do nível do Rio Uruguai, o que daria um total de 17
derrames basálticos para a região. Gomes (1996) estabeleceu uma geometria
tabular para os derrames, concluindo que as lavas devem ter extrudido sobre a
superfície bastante horizontalizada. Verificou ainda que o contato entre as
unidades é frequentemente marcado pela presença de arenitos vermelhos, com
espessuras que variam desde 10 a 30 cm, até 3 a 4 m. Também descreve que é
freqüente a ocorrência de brechas constituídas por fragmentos de basalto
vesicular e arenito, marcando o contato entre os derrames.
A Figura 3 apresenta um dos sete perfis geológicos estabelecidos por
Gomes (1996), que vai de Irai a Frederico Westphalen. Este é o perfil mais
completo de todos, pois inclui os 12 derrames identificados e o maior intervalo de
altitudes dentre os perfis realizados.
A partir de estudos de estruturação interna dessas rochas vulcânicas,
Gomes (1996) identificou dois tipos diferentes de derrames nessa seqüência, que
foram denominados de tipo I e tipo II.
Derrames Tipo I: são derrames de menor espessura, entre 15 e 35 m, com
cores pretas e cinzentas apresentando da base para o topo, um nível basal
completo de rocha vesicular com pequena espessura, um nível central maciço
com poucas fraturas irregulares e geralmente marcado na sua parte superior
pela ocorrência de geodos, seguido de um nível vesicular de topo. São
considerados do tipo I os derrames de números 2, 3, 6, 7, 8, 9 e 10 da Figura
3. Este tipo é caracterizado por apresentar a seguinte estratificação da base
para o topo (Figuras 4 e 5).
1. Nível vesicular basal: pouco espesso, em média 50 cm;
20
2. Nível central: é a porção mais espessa do derrame, podendo ter entre 10
e 25 m, dependendo da espessura total do derrame. Apresenta um padrão
de
fraturamento
que
não
corresponde
aos
tipos
“colunado”
e
“entablamento”, caracterizado por fraturas pouco pronunciadas, muito
irregulares, que dão origem a grandes blocos com 1 a 2 m de diâmetro. No
topo deste nível, é comum a presença de um nível macro vesicular interno,
formado por geodos de tamanhos variados (desde centimétricos, podendo
atingir alguns metros de diâmetro), preenchidos principalmente por sílica,
na forma de calcedônia, ágata e ametista. Podem ocorrer calcita e zeolitas
associadas;
3. Nível superior: esta zona situa-se acima do nível vesicular interno e é
constituída por basalto maciço, não vesicular, intensamente fraturado, com
fraturas preferencialmente horizontais, com espaçamento centimétrico.
Este nível pode ter entre 2 e 4 m de espessura. Nos derrames onde há
mineralização, esta zona representa o nível estéril que marca o topo das
galerias;
4. Nível vesicular de topo: com 1 a 2 m de espessura, contém vesículas
milimétricas a centimétricas, preenchidas por zeolitas, calcitas, quartzo e
argilominerais, especialmente do tipo celadonita e Fe-saponita.
21
Figura 3. Perfil geológico entre Irai e Frederico Westphalen, mostrando a seqüência de derrames.
Fonte: Juchem (1999)
22
Arenito
Nível vesicular
superior
Nível superior
Nível central macrovesicular
Figura 4. Segunda exemplificação do derrame tipo I.
23
Derrames Tipo II: estes derrames caracterizam-se por apresentar as maiores
espessuras encontradas na área, em geral entre 30 e 50m. São do tipo II os
derrames 1, 4, 5, 11 e 12 (Figura 3). Apresentam a seguinte estratificação:
1. Nível vesicular basal: com uma espessura que varia de 40 a 100 cm. É
composto na sua porção inferior por pequenas vesículas que se tornam
maiores em direção ao topo deste nível. Ocorrem também vesículas do tipo
“pipe”, preenchidas por quartzo e calcita, com tamanhos entre 4 e 10 cm;
2. A zona maciça intermediária é dividida em três níveis, diferenciados pelo
padrão de fraturamento em:
a. Nível “colunado” inferior – caracterizado por apresentar fraturas
verticais e planas que dividem a rocha em prismas regulares com
faces pentagonais e hexagonais com 0,5 a 1,5m de diâmetro.
Constitui menos de 1/3 do derrame.
b. “Entablamento” – onde aparece um fraturamento bastante irregular,
gerando prismas mais estreitos (0,1 a 0,9m), com faces curvas e
terminações predominantemente tetragonais. Em geral, é a parte
mais espessa do derrame, podendo ter de 25 a 30 m;
c. Nível “colunado” superior – semelhante ao colunado inferior, porem,
mais espesso (pode ter até 10 m de espessura) e constituído por
prismas maiores, de até 4 m de largura. A transição dos níveis
“colunados” e “entablamento” ocorrem de forma gradual, com as
fraturas tornando-se mais irregulares em direção a parte central do
derrame, mostrando a sua continuidade.
3. Nível vesicular de topo: com espessura média de 10 m, é constituída por
vesículas preenchidas por quartzo, zeolitas, calcita e argilominerais do grupo das
ametistas.
As Figuras 6, 7 e 8, apresentam algumas regiões onde o rejeito do garimpo
se encontra nas encostas próximas à mineração, no município de Ametista do
Sul.
24
2.2.2 Caracterização dos rejeitos
O rejeito pode ser acumulado de duas maneiras. Em alguns garimpos é
amontoado poucos metros em frente as galerias, formando elevações de 1 a 3
metros de altura próximos as frentes de trabalho, como pode ser visto na Figura
5. Com o passar do tempo, formam-se “corredores” de acesso às várias galerias,
limitados de um lado pela encosta do morro onde estão os túneis horizontais e de
outro pelos montes de rejeito. Em outros garimpos o rejeito é jogado nas encostas
dos morros, como pode ser visto nas Figuras 6 e 8, o que compromete mais ainda
o meio ambiente, principalmente devido ao assoreamento das drenagens. Em
alguns garimpos são observados os dois processos de acumulação.
Figura 5. Rejeito extraído dos garimpos de ametista.
Os rejeitos são compostos 99% por basalto e o restantes por cristais de
ametistas e outras pedras semi-preciosas. A Figura 7 mostra em detalhe este
rejeito.
O basalto é uma rocha bastante escura, compacta, por vezes com
cavidades, apresentando alguns cristais desenvolvidos sobre a massa compacta
formada por minerais ricos em ferro e magnésio. É uma rocha básica ígnea de
25
grãos finos composta principalmente de feldspato plagioclásico enriquecido com
cálcio e de piroxeno, também poderão estar presentes outros minerais como a
olivina, magnetita e apatita. É o tipo mais comum de lava. Foi cristalizada a partir
de um magma na superfície ou próximo à superfície da Terra. Como resfria
rapidamente, seus minerais não crescem muito, sendo difícil observá-los a olho
nú. As figuras 6 a 8 mostram os rejeitos de alguns garimpos da área em estudo.
Figura 6. Rejeitos retirados durante a extração de geodos de pedra Ametista
26
Figura 7. Detalhe do rejeito extraído no processo de exploração de pedras ametista.
Figura 8. Rejeitos extraídos durante a exploração de ametistas.
27
3. REFERENCIAL TEÓRICO
3.1 O Sensor ASTER
O Sensor Multiespectral ASTER (Advanced Spaceborne Thermal and
Reflection Radiometer) foi lançado em dezembro de 1999, a bordo do satélite
Terra, como parte do programa Earth Observing System (EOS). É constituído por
três subsistemas de imageamento, os quais coletam dados em várias porções do
espectro eletromagnético: 3 bandas na região do VNIR (Visível-infravermelho
próximo); 6 bandas na região do SWIR (infravermelho de onda curta) e 5 bandas
na região do TIR (infravermelho termal). A largura da faixa imageada corresponde
a 60 km2.
Na Tabela 1,
essas informações são apresentadas mais
detalhadamente.
Tabela 1. Principais características do Sensor ASTER.
ÁSTER
Sub-sistema
VNIR
SWIR
TIR
Banda
Intervalo
espectral
0,520 – 0,600
0,630 – 0,690
0,760 – 0,860
1,600 – 1,700
2,145 – 2,185
2,185 – 2,225
2,235 – 2,285
2,295 – 2,360
2,360 – 2,430
8,125 – 8,475
8,475 – 8,825
8,925 – 9,275
10,250 – 10,950
10,950 – 11,650
1
2
3B e 3N
4
5
6
7
8
9
10
11
12
13
14
Resolução
espacial (m)
15
30
90
Fonte: DUCART (2004)
Diversos trabalhos relacionados à caracterização mineral já foram
realizados utilizando os dados multiespectrais ASTER. Moreira Lima (2003)
utilizou imagens ASTER para discriminar variações faciológicas no granito Serra
Branca; Crósta et al. (2002) utilizou para mapear minerais de alteração
28
hidrotermal (caulinita-dickita, alunita e illita) na região de Los Menucos, Argentina,
entre outros.
3.2 Tipos de classificação e Classificadores Multiespectrais
A classificação automática de imagens multiespectrais de Sensoriamento
Remoto consiste em associar cada pixel da imagem a um "rótulo", descrevendo
um objeto real (vegetação, solo, etc.). Desta forma, os níveis de cinza (NC's)
associados a cada pixel, definidos pela reflectância dos materiais que compõe
esse pixel, são identificados em termos de um tipo de cobertura da superfície
terrestre imageada (água, tipo de vegetação, tipo de solo, tipo de rocha, etc.),
denominados temas (Crosta, 1992).
Podem-se enquadrar os métodos de classificação em dois grandes grupos:
classificação não-supervisionada e supervisionada.
A Classificação não-supervisionada é um processo onde operações
numéricas são conduzidas para procurar grupamentos naturais de propriedades
espectrais dos pixels (classes). A classificação não supervisionada parte do
princípio de que o código computacional empregado é capaz de identificar,
através de uma função de classificação, as classes dentro de um conjunto de
dados.
O primeiro passo na análise não-supervisionada é a realização de uma
análise de agrupamento. Através dessa análise, as nuvens de dados são
identificadas no espaço de atributos. Feita essa análise, é possível estabelecer,
através de uma função de classificação, quais concentrações (nuvens) devem ser
tratadas com grupos separados, ou seja, o possível número de classes que pode
ser identificado na imagem.
A classificação é dita supervisionada quando a identidade e a localização
dos alvos/tipos da cobertura terrestre são conhecidas a priori, através de
29
trabalhos de campo, análise de fotografias áreas, mapas, entre outros. As áreas
da imagem na qual o usuário conhece a verdade terrestre são identificadas como
áreas de treinamento, tendo em vista que o uso das características espectrais
dessas áreas serve para treinar diferentes algoritmos classificatórios, que
envolvem cálculos de estatísticas multivariada com parâmetros como média,
desvio padrão, matriz de covariância, matriz de correlação, entre outros.
O
procedimento
de
classificação
supervisionada
em
imagens
é
freqüentemente utilizado no processamento de imagens orbitais obtidas por
sensores multiespectrais. Esse procedimento consiste basicamente em dividir os
vários pontos da imagem em grupos ou classes, de forma que os pontos de uma
dada classe tenham características espectrais similares. O critério de similaridade
a ser adotado definirá o tipo de classificador a ser empregado.
O método de classificação por Distância Euclidiana é um procedimento
de classificação supervisionada, que utiliza esta distância para associar um "pixel"
á uma determinada classe. Na classificação, cada "pixel" será incorporado a um
agrupamento, através da análise da medida de similaridade de distância
Euclidiana, que é dada por:
d (x,m) = (x2 - m2) 1/2
Onde:
x = "pixel" que está sendo testado
m = média de um agrupamento
O classificador compara a distância Euclidiana do "pixel" à média de cada
agrupamento. O "pixel" será incorporado ao agrupamento que apresenta a menor
distância Euclidiana. Este procedimento é repetido até que toda a imagem seja
classificada.
Máxima Verossimilhança é um método estatístico de classificação que
considera a ponderação das distâncias entre médias dos níveis digitais das
classes, utilizando parâmetros estatísticos. Para que a classificação por máxima
30
verossimilhança seja precisa o suficiente, é necessário um número razoavelmente
elevado de "pixels", para cada conjunto de treinamento (maior que 30).
Os conjuntos de treinamento definem o diagrama de dispersão das classes
e
suas
distribuições
de
probabilidade,
considerando
a
distribuição
de
probabilidade normal para cada classe do treinamento. Os limites de classificação
são definidos a partir de pontos de mesma probabilidade de classificação de uma
e de outra classe.
A Figura 9 apresenta o limite de aceitação de uma classificação, no ponto
onde duas distribuições se cruzam. Desta forma, um "pixel" localizado na região
sombreada, apesar de pertencer à classe 2, será classificado como classe 1, pelo
limite de aceitação estabelecido.
Figura 9. Histograma representando a “fronteira de decisão” entre duas classes com sobreposição
nos valores de amostras.
O limiar de aceitação indica a % de "pixels" da distribuição de probabilidade
de uma classe que será classificada como pertencente a esta classe. Um limite de
99%, por exemplo, engloba 99% dos "pixels", sendo que 1% será ignorado (os de
menor probabilidade), compensando a possibilidade de alguns "pixels" terem sido
introduzidos no treinamento por engano, nesta classe, ou estarem no limite entre
duas classes. Um limiar de 100% resultará em uma imagem classificada sem
rejeição, ou seja, todos os "pixels" serão classificados.
Uma matriz de classificação ideal deve apresentar os valores da diagonal
principal próximos a 100%, indicando que não houve confusão entre as classes.
31
Contudo, esta é uma situação difícil em imagens com alvos de características
espectrais semelhantes.
3.3 Espectroscopia de Imageamento
O processo de aquisição de imagens em centenas de bandas registradas e
contíguas, de forma a possibilitar que para cada pixel das mesmas seja possível
derivar uma curva de reflectância espectral completa, recebe as denominações de
“espectroscopia de imageamento” (imaging spectrometry) e “sensoriamento
hiperespectral” (hyperespectral remote sensing) (Van der Meer, 2000). O objetivo
da espectroscopia de imageamento é medir quantativamente a assinatura
espectral dos componentes do sistema Terra a partir de espectros calibrados,
adquiridos na forma de imagens, para uso na investigação científica e em
aplicações de sensoriamento remoto (Goetz, et al., 1985).
A maioria dos materiais terrestres pode ser caracterizada por feições de
absorção espectral com larguras entre 0,02 e 0,04 µm. As bandas espectrais de
sensores hiperespectrais são estreitas (geralmente com larguras entre 0,01 e 0,02
µm), contíguas (adjacentes e não se sobrepõem) e permitem a extração de
espectros de reflectância a partir de cada pixel componente da imagem. Estes
espectros podem ser extraídos e comparados com espectros medidos em campo
ou em laboratório (Ducart, 2004).
Segundo Ducart (2004), existem atualmente em funcionamento vários
sensores deste tipo, os quais, em sua maioria, são sensores aero-transportados,
portanto, com escassa cobertura global e custos associados muito elevados.
Atualmente, há apenas dois sensores hiperespectrais do tipo orbital em operação:
Compact High Resolution Imaging Spectrometer (CHRIS – a bordo do satélite
Proba) e Hyperion Imaging Spectrometer (a bordo do satélite EO-1). Um terceiro
sensor hiperespectral orbital, o Fourier Transform Hyperspectral Imager (FTHSI, a
bordo do MightySat II), foi lançado em julho de 2000, não tendo chegado a atingir
a órbita programada e não tendo, portanto, entrado em operação.
32
O sensor CHRIS somente cobre a faixa do visível (VIS) e infravermelho
próximo (NIR), o que limita seu uso em geologia. O sensor Hyperion continua
sendo, entre os dois, o mais indicado para mapeamento mineralógico devido à
cobertura da faixa espectral entre o VIS e o SWIR (0,4 a 2,5 µm). Entretanto, é
preciso destacar que suas imagens possuem cobertura geográfica extremamente
reduzida (7,5 km de largura ao longo da órbita da plataforma EO-1).
Sensores remotos multiespectrais tradicionais, como Landsat MSS, TM e
SPOT, produzem imagens de média à baixa resolução. Os espectros de
reflectância de cada pixel destas imagens carecem, em muitos casos, da
informação espectral essencial para a identificação dos materiais constituintes.
As técnicas utilizadas no processamento de imagens de espectroscopia de
imageamento possuem diferenças com relação às técnicas utilizadas com dados
multiespectrais, notadamente quanto ao seu caráter eminentemente quantitativo
(Rubim, 1991, Boardman & Kruse, 1994; Crosta et al. 1998, Kruse et al, 1999).
Contudo, estas técnicas também mostram resultados satisfatórios quando
aplicadas a imagens multiespectrais do Landsat TM (Almeida, 2000; Swalf, 2000;
Tapia, 2002; Kruse, 1989, Kruse et al., 2002a) e ASTER (Kruse et al., 2002b,
Azcurra et al., 2003; Castro Godoy et al., 2003; Marquetti et al., 2003; Rowan &
Mars, 2003; Souza Filho et al., 2003; Markoski & Rolim, 2006).
Toda a radiação solar detectada por sensores remotos atravessa
necessariamente a atmosfera da Terra. A atmosfera contém gases e partículas
que provocam absorção e espalhamento da radiação. Estes efeitos afetam a
intensidade e a composição espectral da radiação eletromagnética disponível
para um sensor remoto, resultando na diminuição da qualidade da imagem e
modificando significativamente a resposta espectral dos alvos. A absorção e o
espalhamento dos gases atmosféricos são mais perceptíveis nos comprimentos
de onda do visível e do infravermelho e podem ser corrigidos por meio de técnicas
de correção atmosféricas de imagens (Green et al., 1993). Esta correção é um
passo fundamental para a classificação espectral dos alvos, permitindo comparar
33
os valores de reflectância dos pixels das imagens com os espectros de
reflectância medidos na superfície.
3.4 Classificadores Hiperespectrais
Uma dificuldade encontrada para se obter uma classificação automática
mais próxima à realidade, é a de que a radiância registrada por um satélite é a
soma das radiâncias de vários materiais que estão dentro do campo de visada do
sensor. Esta radiação detectada é a resultante da mistura de muitos materiais
diferentes adicionada à contribuição da radiância atmosférica (Shimabukuro &
Smith, 1995).
O processo de detecção mineral através de dados de sensores
hiperespectrais explora o fato de que muitos minerais apresentam bandas de
absorção. As bandas de absorção mais comuns compreendem duas classes
principais: feições de absorção amplas no visível, atribuídas à presença de
minerais de ferro, e feições de absorção estreitas no infravermelho próximo,
associadas à ocorrência de água, hidroxila e carbonatos. Quanto melhor for a
resolução espectral disponível, mais facilmente as feições de absorção poderão
ser quantativamente caracterizadas e comparadas com dados de bibliotecas
espectrais, que fazem a correlação das medidas de sensoriamento remoto com
aquelas obtidas em laboratório. Tal aproximação é válida uma vez que a interação
física básica em laboratório e as propriedades espectrais medidas em
sensoriamento remoto são as mesmas, com as devidas considerações de escala
e textura (Mustard & Sunshine, 1999).
A técnica Mapeador de Ângulo Espectral (Spectral Angle Mapper – SAM)
(Kruse et al., 1993) é uma ferramenta que permite o mapeamento rápido da
similaridade entre o espectro de um pixel e o de um material de referência. O
espectro de referência pode ser tanto de laboratório quanto de campo, de uma
biblioteca espectral ou extraído da própria imagem. Este método assume que os
dados da imagem foram convertidos para reflectância de superfície. O algoritmo
34
determina a similaridade espectral entre dois espectros através do cálculo do
ângulo formado entre eles, tratando-os como vetores em um espaço de
dimensionalidade correspondente ao número de bandas (nb).
Uma representação simplificada deste processo pode ser visualizada na
Figura 10. Considerando um espectro de referência e outro de teste, a partir de
das bandas representadas bidimensionalmente como dois pontos, quanto menor
for o ângulo determinado entre os dois vetores (espectros de reflectância), maior
será sua similaridade. O algoritmo SAM generaliza essa interpretação geométrica
para o espaço nb-dimensional.
Figura 10. Representação gráfica da Técnica SAM.
Fonte: MOREIRA LIMA (2004)
A técnica SAM determina a similaridade de um espectro teste t para um
espectro de referência r, de acordo com Kruse et al. (1993), pela aplicação da
seguinte equação:
Que também pode ser escrita como:
35
Esta medida de similaridade é insensível aos fatores de ganho porque o
ângulo entre dois vetores é invariante em relação aos comprimentos dos vetores.
Espectros de laboratório podem ser diretamente comparados aos espectros de
reflectância de superfície de pixels, os quais inerentemente apresentam um fator
de ganho desconhecido relacionado a efeitos de iluminação devidos à topografia
(Kruse et al. 1993). Como resultado, obtem-se uma imagem classificada,
mostrando o melhor ajuste para cada pixel, sujeito a um limiar especificado pelo
usuário (RSI, 2003). Adicionalmente, são fornecidas imagens “rule” que mostram
a distância angular (em radianos) entre cada espectro da imagem e cada espectro
de referência. Os pixels escuros na imagem “rule” representam ângulos
espectrais de valor baixo e, portanto, mais similares aos espectros de
“endmembers”. Para uma melhor visualização, estas imagens são invertidas para
que os melhores ajustes (representados pelos menores ângulos) apareçam em
tom claro.
As Figura 11 e 12 ilustram, respectivamente, para exemplificação,
espectros da resposta espectral representada em contadores digitais para a
classe solo exposto e água, respectivamente, extraídas das 9 bandas ASTER
utilizadas neste trabalho.
36
Níveis de cinza (NC)
80
70
70
70
61
66
60
50
44
40
41 40
40
30
30
20
0.5
1
1.5
2
2.5
Comprimento de onda (µm)
Figura 11. Curva de resposta espectral para a classe solo exposto extraída da imagem ASTER da
área de estudo.
Níveis de cinza (NC)
80
70
70
60
50
45
40
25
30
20
16
12
10
11
0
0.5
1
1.5
16
12
2
10
2.5
Comprimento de onda (mm)
Figura 12. Curva de resposta espectral para a classe solo exposto extraída da imagem ASTER da
área de estudo.
37
4. MATERIAL E MÉTODOS
Neste capítulo são descritos os materiais, os programas computacionais e
os procedimentos de trabalho adotados para implementar os objetivos do
presente projeto.
4.1 Materiais
Foram utilizados dados cartográficos, imagem de satélite do sensor ASTER
e pontos de GPS. Os dados cartográficos foram os de topografia, vias de acesso
e localização de cidades, visualizados na carta topográfica de Ametista do Sul na
escala 1:50.000 e na projeção UTM.
A imagem ASTER utilizada foi a:
_ AST_L1B_003_03052001135238_01022002065518 datada em 03 de maio de
2001. Foram utilizadas as bandas 1 a 3 do VNIR (Visible and Near-infrared – 400
a 860 nm) e as bandas 4 a 9 do Shortwave Infrared (SWIR – 1000 a 2500 nm).
Os dados de GPS utilizados compreenderam 7 pontos de controle e 16
pontos de rejeito de garimpos, obtidos em trabalho de campo descritos nas
Tabelas 2 e 3 respectivamente.
4.2 Programas
Os seguintes programas, disponíveis do CEPSRM/UFRGS foram utilizados
no processamento das informações:
_ ENVI 4.2 (RSI): programa de processamento de imagens utilizado para as
etapas correção geométrica das imagens, geração do DEM (Digital Elevation
Model), classificações utilizando os algoritmos de Distância Mínima Euclidiana e
38
Máximo Verossimilhança, além da técnica SAM, utilizado para a geração das
imagens com os índices de purezas dos pixels.
_ TrackMaker: programa para navegação em GPS. Foi utilizado na etapa de
campo para a visualização dos pontos visitados em tempo real.
_ Photoshop 7.0: programa de edição de imagens. Utilizado para a edição final
dos mapas e figuras.
4.3. Métodos
Neste tópico, são apresentadas as etapas efetuadas na execução do
trabalho:
1) Levantamento bibliográfico sobre a geologia da área de estudo,
características dos garimpos e aspectos gerais relativos ao
ambiente;
2) Levantamento bibliográfico sobre os demais termos correlacionados
(sobre os materiais e métodos);
3) Analise visual das imagens ASTER referentes à área de estudo
(identificação dos alvos, feições, características dos alvos);
4) Trabalho de campo, com a coleta de pontos e fotos de garimpos no
município de Ametista do Sul;
5) Processamento computacional das imagens, etapa esta descrita
abaixo:
1) Inicialmente, a imagem ASTER foi classificada, sem correção geométrica, a fim
de serem mantidos os valores dos pixels, utilizando dois classificadores, para o
confronto dos resultados e identificação do melhor resultado. Além disso, se
poderia testar se somente com este tipo de classificação é possível ter bons
resultados para mapeamento de rejeitos de garimpo. Os algoritmos de
classificação
utilizados
foram
Mínima
Distância
Euclidiana
e
Máxima
Verossimilhança, dois dos algoritmos mais utilizados em classificação de
imagens.
39
2) Correção geométrica na imagem, utilizando 7 pontos de controle, adquiridos na
etapa de trabalho de campo. A descrição dos pontos de controle utilizados é
apresentada na Tabela 2.
Tabela 2. Coordenadas dos pontos de controle utilizados para a correção geométrica.
ID
Coordenada UTM
Datum
Altitude (m)
PC01
x:280448 y:6971892
Córrego Alegre
427
PC02
x:281361 y:6971815
Córrego Alegre
427
PC03
x:282831 y:6972179
Córrego Alegre
467
PC04
x:283110 y:6972157
Córrego Alegre
475
PC05
x:284520 y:6971387
Córrego Alegre
490
PC06
x:285122 y:6966775
Córrego Alegre
273
PC07
x:288478 y:6968210
Córrego Alegre
496
Média: 436,43 m
Para o processo de correção, foi utilizada a interpolação por vizinho mais
próximo. A imagem corrigida geometricamente foi utilizada para a localização real
e precisa dos rejeitos de garimpos.
3) Determinação do grau de similaridade entre pixels de referência e a imagem
ASTER através da técnica SAM;
Para este trabalho, a técnica SAM foi aplicada para nove bandas do sensor
ASTER (3-VNIR + 6-SWIR) com valor de ângulo de 0.1 radianos.
A curva da reposta espectral representada em contadores digitais dos
rejeitos de garimpos utilizada foi extraída diretamente da imagem ASTER
composta pelas nove bandas do VNIR e SWIR. Os pontos de rejeitos coletados a
campo foram sobrepostos a imagem ASTER e os valores pixels correspondentes
foram observados. A média destes valores para as noves bandas gerou o
espectro da resposta espectral da classe “rejeitos de garimpos”, a qual foi
utilizada no processamento.
Como resultado, obteve-se uma imagem classificada e uma imagem “rule”.
A imagem classificada foi desconsiderada. A imagem “rule” foi reclassificada,
40
deixando apenas os pixels com menores valores de ângulos, ou seja, com maior
similaridade espectral.
41
5. RESULTADOS E CONCLUSÕES
5.1 Coleta de pontos de garimpos
A Figura 13 apresenta a área de estudo, em uma composição colorida R(2)
G(3) B(1) com a disposição dos pontos de garimpos coletados via GPS. Foi
coletado um total de 16 pontos, os quais são também descritos na Tabela 3. Os
pontos apresentaram altitudes que variam de 423 a 450 m. A Figura 14 ilustra
alguns dos pontos de garimpos da Figura 13, dispostos em uma modelo digital de
elevação (MDE) tridimensional do terreno.
Segundo esses dados, a faixa do derrame basáltico onde são encontradas
ametistas está aproximadamente entre 423 e 450 m de altitude. Isto quer dizer
que as áreas a serem exploradas, em sua grande maioria, devem estar dentro
desta faixa. Este dado é importante para evitar a degradação do meio ambiente
em níveis estéreis (Figura 15), como o acúmulo de rejeitos e a sobreposição de
encostas e matas com os mesmos.
Tabela 3. Coordenadas UTM dos garimpos onde foram coletados os pontos.
ID
Coordenadas (UTM)
Datum/Fuso
Altitude do ponto (m)
G01
X:285235 y:6971371
Córrego Alegre/22
437
G02
X:284615 y:6971556
Córrego Alegre/22
442
G03
X:284693 y:6971477
Córrego Alegre/22
452
G04
X:285125 y:6966778
Córrego Alegre/22
450
G05
X:286201 y:6966025
Córrego Alegre/22
429
G06
X:286194 y:6965969
Córrego Alegre/22
420
G07
X:287150 y:6967949
Córrego Alegre/22
450
G08
X:287630 y:6969112
Córrego Alegre/22
437
G09
X:287811 y:6971726
Córrego Alegre/22
440
G10
X:282672 y:6970626
Córrego Alegre/22
423
G11
X:286833 y:6970936
Córrego Alegre/22
440
G12
X:282276 y:6972106
Córrego Alegre/22
443
G13
X:281782 y:6972053
Córrego Alegre/22
430
G14
X:283664 y:6971448
Córrego Alegre/22
428
G15
X:283204 y:6971954
Córrego Alegre/22
425
G16
X:285109 y:6970378
Córrego Alegre/22
430
Média
436
42
*
G13
G9
G3
G5
G12
G15
G1
G2
*
G14
G6
G11
G16
G10
G7
Figura 13. Localização dos 16 pontos de rejeitos coletados no município de Ametista do sul)
43
G8
G4
Área urbana do município de
Ametista do Sul
As setas na cor preta indicam
alguns garimpos mapeados e
sua disposição
A linha pontilhada permite visualizar que os garimpos da imagem
encontram-se nivelados no terreno. Pequenas diferenças são notadas em
virtude da imagem não estar totalmente em um plano horizontal
Figura 14. Mapa digital de elevação em 3 dimensões contendo os pontos de rejeitos coletados em
campo.
Figura 15. Exemplo de explorações realizadas em cotas erradas do derrame basáltico. Dos 2
níveis abertos, apenas o inferior possui mineralização.
44
5.2 Georreferenciamento da Imagem ASTER
A correção geométrica das imagens foi realizada utilizando-se 7 pontos de
controle (Tabela 2) coletados em saída de campo. Foi utilizado o método de
interpolação por vizinho mais próximo, e obtendo-se precisão de correção inferior
a 1 (um) pixel.
5.3 Classificações da Imagem ASTER
Inicialmente foram geradas classificações com os seguintes usos: mata,
água, 2 tipos de solo exposto: solo escuro, solo claro, campos (pastagens),
agricultura, sombra e o alvo principal, os rejeitos de garimpo/basalto. A Tabela
4 apresenta uma descrição destes alvos, com suas principais características.
Tabela 4. Descrição das amostras de classes utilizadas na classificação por Distância Mínima
Euclidiana e Máxima Verossimilhança
Uso
Número de pontos
Descrição
Mata
691
Áreas com mata nativa ou reflorestamento de
grande porte
Solo exposto claro
334
Áreas com solo exposto de coloração rosada
Solo exposto escuro
362
Áreas com solo exposto de coloração violeta
escuro
Água
239
Rios de pequena e média largura e lagoas
Campos
306
Áreas destinadas principalmente a pastagens
Área cultivada
340
Áreas de agricultura, culturas anuais
Rejeito de
53
Basalto retirado das cavas durante o processo
garimpos/basalto
de extração de pedras semi-preciosas
Sombra
124
Áreas sombreadas por nuvens ou encostas de
montanhas ou morros
Total
2449
Optou-se por classificar 7 classes ao invés de apenas o basalto (rejeito de
garimpos), para que os classificadores tivessem o menor número de erros
possível, tanto por exclusão, como por inclusão de classes. Mas para efeitos de
discussão dos resultados, apenas a classe “rejeitos de garimpos” e “sombra”
(classe
diretamente
relacionada
a
classe
consideração.
45
principal)
foram
levados
em
5.3.1 Histogramas das amostras
Uma avaliação estatística do comportamento das amostras de classes foi
realizada através da construção de histogramas para a inferência sobre possíveis
resultados das classificações.
Para que a classificação, tanto por distância mínima euclidiana quanto por
máximo verossimilhança seja precisa é necessário um número razoavelmente
elevado de pixels para cada conjunto de amostras de treinamento ou interesse,
número esse preferencialmente acima de uma centena (Campbell, 1987).
Esse número permite uma base segura para tratamento estatístico e por
conter um grande número de pixels, não é possível representá-los graficamente
de maneira individualizada. Utiliza-se, nesse caso, isolinhas ou curvas de
contorno no espaço de atributos, representando a função densidade de
probabilidade de pixels correspondentes às amostras de treinamento para cada
classe.
Essas probabilidades representam uma ferramenta de classificação
poderosa e flexível, através da qual é possível escolher, por exemplo, a
classificação de apenas os pixels conhecidos que estão bastante próximos à
média de uma classe. Por outro lado, pode-se julgar necessário classificar os
pixels desconhecidos que se situam a qualquer distância da média, dentro da
área definida pelo conjunto de treinamento. Nesse caso, escolher-se-ia, como
limite de decisão, o contorno que engloba, por exemplo, 99% dos pixels das
amostras de treinamento. Descartando-se os restantes 1%, pode-se compensar,
por exemplo, a possibilidade de que alguns dos pixels da área de treinamento
sejam incluídos por engano, como citado anteriormente, podendo representar
ruído ou pixel situado no limite entre dois tipos de cobertura. Usando esses
conceitos, podem-se classificar todos os pixels de uma imagem como
pertencentes às classes pré-definidas.
46
Para observarmos o comportamento geral das amostras em relação aos
valores dos pixels, gerou-se para cada amostra um histograma, com base na
banda 2 do ASTER, que são apresentados a seguir, na Figura 16.
Campos
Garimpos
Mata
Solo claro
Solo escuro
Sombra
47
Água
Agricultura
Figura 16. Histogramas das amostras de classes retiradas da imagem ASTER (banda 2).
A análise destes histogramas nos permite fazer inferências sobre os
resultados das classificações. As classes apresentam isolinhas que se aproximam
da Distribuição Normal. Classificadores como o de máxima verossimilhança tende
a apresentar bons resultados na classificação quando estas amostras apresentam
este comportamento, pois o mesmo foi desenvolvido com base nesta distribuição.
As amostras apresentam um pico central, com a distribuição simétrica nas bordas,
com exceção para as duas classes de solo exposto “escuro” e “claro”. Estas
classes possuem uma forma mais irregular devido a dificuldade na coleta de
amostras. Ambas são de fácil confusão visual, justificando a forma apresentada
nos histogramas.
Em termos de classificação, tendem a apresentar um maior número de
erros com relação às outras classes, mas como ambas são classes de solo
exposto, podendo-se uni-las para uma análise final, este erro não representa um
risco maior aos nossos resultados.
5.3.2. Caracterização visual das amostras de treinamento
Nas figuras 17 e 18 são caracterizados e apresentados exemplos de
amostras dos alvos classificados, enfocando principalmente os rejeitos de
garimpos.
48
Figura 17. Fotos dos rejeitos retirados dos garimpos.
49
A
B
C
D
E
F
G
H
Figura 18. Exemplos de amostras utilizadas nas classificações por Máxima Verossimilhança e
Distância Mínima Euclidiana. (A) Água de lagoas; (B) Água de rios; (C) Agricultura; (D)
Mata; (E) Solo exposto claro; (F) Solo Exposto escuro; (G) Campos; (H) Sombra;
50
Como visualizado nas Figuras 17 e 18, a presença de vegetação próxima
aos rejeitos de garimpos é sempre grande, principalmente a presença de mata
nativa, o que dificulta a classificação, em grande parte ocasionada por áreas
sombreadas (classe sombra, Figura 18), que na região do visível, é facilmente
confundida com os rejeitos dos garimpos (Figura 17).
5.3.3. Resultados obtidos nas classificações
A imagem foi classificada em 8 usos: “mata”, “solo exposto tipo claro”, “solo
exposto tipo escuro”, “água”, “agricultura”, “campos”, “sombra” e “rejeitos”. A
descrição das classes pode ser encontrada na Tabela 4.
O problema maior na utilização destes classificadores ocorre com relação às
estas duas últimas classes de interesse, pois em alguns pontos não há diferença
espectral sensível à classificação. Esta dificuldade já se apresenta na análise
visual das imagens, pois a maioria dos garimpos situa-se em morros ou em áreas
de mata nativa.
Dos 16 pontos de garimpos mapeados via GPS, 14 foram classificados
corretamente pelo classificador de Mínima Distancia Euclidiana ( os pontos G2 e
G3 – Figura 9 – não foram classificados), e pelo classificador de máxima
verossimilhança, 15 pontos (o ponto G3 não foi classificado). Estes dois pontos
não foram classificados, provavelmente por estarem localizados em garimpos
muito pequenos, onde os rejeitos retirados dos mesmos eram em pequena
quantidade. Na imagem ASTER constituem poucos pixels (um ou menos ainda),
sendo fortemente influenciados pela reflectância de outros alvos, como por
exemplo, solo exposto ou sombra. Além desses 16 pontos, outras áreas foram
classificadas como rejeito de garimpo/basalto. Isso se deve ao fato de que:
1) Presença de áreas de garimpo ainda não registradas;
51
2) Em algumas áreas poderia haver a presença de basalto exposto ou outro
material com resposta espectral semelhante;
3) Áreas com sombreamento classificadas como áreas de garimpos (principal erro
do classificador), causadas pela semelhança espectral, principalmente na região
do visível. Além disso, observa-se um tamanho reduzido das áreas-alvo, em
certos locais, menores que um pixel, o que dificulta o reconhecimento e a
classificação.
As Figuras 19 e 20 apresentam as classificações de distância mínima
euclidiana
e
máxima
verossimilhança
realizadas
na
imagem
ASTER,
respectivamente. Como citado anteriormente, foi utilizado um valor limiar de 5%
para as mesmas. Como podemos visualizar nas Figuras, o resultado por distância
mínima euclidiana classificou um número maior de pixels para todas as classes,
em comparação com a classificação por máxima verossimilhança. O Erro
apresentado pelo classificador também foi maior, principalmente em virtude desta
maior abrangência de pixels. A classificação por máxima verossimilhança obteve
um resultado mais objetivo, apresentando uma classificação mais “pura”,
eliminando em grande parte os erros de confusão entre a classe “rejeitos” e
“sombra”, mesmo assim, em algumas áreas, este erro permanece.
A Figura 21 apresenta as duas classificações realizadas, onde são
exemplificadas áreas de garimpos, que foram corretamente mapeadas como
rejeito de basalto e áreas onde houve erro na classificação, ou seja, áreas que
deveriam ser mapeadas como “sombra” e foram mapeadas como “rejeito”. Alguns
pixels das áreas de sombra foram mapeados corretamente como sombra, mas a
grande maioria foi classificada como rejeito de rejeito.
52
Figura 19. Classificação pelo método de Distância Mínima Euclidiana.
53
Figura 20. Classificação pelo método de Máxima Verossimilhança.
54
Área em cor
branca
mapeada como
rejeito quando
na verdade são
áreas com
sombreamento
(marrom)
Rejeitos
mapeados
corretamente
Área em cor
branca
mapeada como
rejeito quando
na verdade são
áreas com
sombreamento
(marrom)
Pixels na cor
branca mapeados
corretamente
representando os
rejeitos
Figura 21. Comparação entre as duas classificações: Distancia Mínima Euclidiana e Máxima
Verossimilhança respectivamente.
55
5.4 Aplicação da Técnica SAM na Imagem ASTER
Para a aplicação da técnica SAM, foi utilizada a curva de resposta
espectral representada em contadores digitais do rejeito, extraída diretamente da
imagem ÁSTER, o qual pode ser visualizado na Figura 22.
Níveis de cinza (NC)
70
60
50
54
49
42
40
35
30
27
27
20
27
22
19
10
0.5
1
1.5
2
2.5
Comprimento de onda (µm)
Figura 22. Curva de resposta espectral representada em contadores digitais do rejeito extraída
das bandas do ASTER.
Notamos que o rejeito possui uma resposta maior na banda 3, a qual
corresponde ao comprimento de onda do infravermelho próximo e nas próximas
bandas do SWIR. Já as próximas bandas do infravermelho médio apresentam
uma absorção maior que é característica dos solos e minerais. A banda 2
correspondente ao comprimento de onda do vermelho, é a banda com maior
absorção do sistema VNIR.
Na Figura 23, é apresentado o resultado do primeiro processamento com a
técnica SAM. Os pixels mais claros são os que apresentam maior similaridade
com relação à curva espectral do basalto, ou seja, quanto mais claros, maior a
probabilidade de ser um pixel puro da classe.
56
Quanto aos pixels em cores cinza ou negros, indicam uma baixa
similaridade espectral, onde a similaridade foi baixa ou nula, mostrando que: 1) a
reflectância espectral de outras classes é grande dentro destes pixels; 2) a
presença de material da classe rejeito é baixa dentro destes pixels ou 3) não
existe reflectância espectral do basalto nestes pixels (aqueles totalmente em cor
preta).
Figura 23. Imagem “rule” gerada no primeiro processamento
Os pontos G2, G3 e G14 não acusaram similaridade espectral com a curva
do basalto. A maior parte dos polígonos possui pixels com a cor branca mais
saturada indicando claramente a presença de rejeitos e consequentemente, de
garimpos. A figura ainda mostra outros pontos identificados como “rejeitos”, que
não foram mapeados via GPS em campo, indicando a presença de outros
garimpos.
O ponto G1 apresentou baixa similaridade espectral, devido principalmente
à quantidade reduzida de rejeitos presentes neste local, o qual deve possuir o
tamanho inferior a um pixel. É importante salientar que, mesmo com esse
tamanho reduzido, a técnica SAM consegue identificar a presença do basalto para
estes pixels.
57
A imagem rule gerada no primeiro processamento foi reclassificada,
deixando apenas os pixels com valores de ângulos mais baixos, ou seja, com
maior similaridade espectral. A seguir, na Figura 24 é apresentado o resultado
desta reclassificação:
Figura 24. imagem rule reclassificada.
Observando a Figura 24, podemos ver nitidamente a redução do número
de pixels brancos e cinzas em relação à Figura 23. A vantagem da aplicação
desta técnica sobre as técnicas de classificação convencionais é que tem-se um
maior controle sobre os resultados que pretende-se obter. Com base na imagem
“rule”, pode-se filtrar ou classificar apenas os pixels com maior probabilidade de
pertencer à classe em estudo, ao passo que nas outras técnicas de classificação,
os pixels são classificado de acordo com um intervalo de valores ao qual são mais
semelhantes.
Analisando os 16 pontos coletados em campo, quatro deles (G1, G2, G3 e
G14) apresentaram baixa similaridade espectral ou quase nula. Isso se deve
principalmente ao fato de que eram pontos em que o tamanho dos garimpos era
pequeno e, conseqüentemente, a quantidade de rejeito exposto também,
representando na imagem ASTER tamanho inferior a um pixel. A Figura 25
58
apresenta os pontos de rejeitos classificados pela técnica SAM, sobrepostos na
Banda 4 do sensor ASTER.
Figura 25. Pontos de rejeitos de garimpos (em vermelho).
A Figura 26 apresenta a mesma imagem da Figura 25, agora com a
identificação dos pontos de rejeitos. Os círculos em vermelho destacam o local
dos quatro pontos que não foram possíveis identificar a presença de rejeito na
imagem. Além da quantidade pequena de rejeito presente no garimpo, outro fator
que contribuiu para a não identificação nas classificações foi a grande presença
de mata nativa próxima aos pontos.
Classificações com espectros de referência extraídos diretamente das
imagens a serem processadas tendem sempre a apresentarem melhores
resultados, pois fatores como: condições de iluminação, presença de partículas e
aerosóis, influência espectral de outros alvos, etc. já estão associados à imagem
59
Figura 26: Pontos de rejeitos de garimpos (em vermelho). Os círculos vermelhos são os pontos de
rejeitos que não foram identificados corretamente na imagem ASTER
60
6. CONCLUSÕES
Os resultados deste estudo demonstram que as imagens ASTER podem
ser muito eficazes para a caracterização mineral, no caso de estudo, os rejeitos
(basalto) retirados de garimpos de ametistas.
Em relação às técnicas de processamento digital de imagens, pôde-se
concluir que:
1) As técnicas convencionais de classificação (Mínima Distância Euclidiana e
Máxima Verossimilhança) produziram resultados satisfatórios no mapeamento de
rejeitos de garimpos, principalmente a técnica de máxima verossimilhança. O
problema principal se faz na confusão (erro) produzida entre as classes “sombra”
e “rejeito”, devido à semelhança espectral dos alvos na região VNIR. Entre os dois
classificadores, Máxima verossimilhança produziu melhor resultado, produzindo
uma classificação mais pura.
4) Como solução para tentar separar estas duas classes, foi utilizada a Técnica
SAM, com base na utilização do espectro de referência: A aplicação da técnica
SAM com o espectro obteve bons resultados, conseguindo identificar os pixels
com maior similaridade espectral, com boa definição dos pontos com rejeitos.
6) Deve ser destacado que, mesmo áreas da imagem onde a presença de rejeito
era pequena, certas vezes, inferior até mesmo que um pixel, a técnica SAM
conseguiu identificar a influência espectral do basalto, claro, com um valor de
similaridade mais baixo.
7) Com base na análise da fusão das imagens com o MDE construído para a
área, foi possível associar a mineralização classificada com o intervalo de cota
entre 423 e 450 m, facilitando a exclusão de feições não relacionadas ao garimpo.
61
9) Os alvos corretamente mapeados na cota 423 e 450 m equivalem
aproximadamente ao nível dos derrames do tipo I em que, Gomes (1986) cita
também a ocorrência de geodos.
10) A cobertura vegetal, com respeito à influência de áreas de mata nativa
presente ao lado dos garimpos, tem grande influência sobre o processo de
detecção de padrões espectrais e extração de espetros de referência. Por isso,
para a geração de espetros de referência que sejam mais puros e confiáveis,
devem ser escolhidas áreas que sejam de um tamanho maior, onde a influência
da vegetação e da sombra é menor.
62
7. REFERENCIAS BIBLIOGRÁFICAS
ALMEIDA, F.F.M. Distribuição regional e relações tectônicas do magnetismo póspaleozóico no Brasil. Revista Brasileira de Geociências. São Paulo. v. 16,
n.4. pg. 325-349. 1986
ALMEIDA, T. Modelos exploratórios para a prospecção de Pb/Zn utilizando dados
de Sensoriamento Remoto: estudo de caso do Prospecto salobro
(Porteirinha-MG). Dissertação de Mestrado, Instituto de Geociências,
Universidade Estadual de Campinas, 132 p. 2000
AZCURRA, D.; CASTRO G.S.;KAKU, M.; KOHNO, I.; MARIN, G. Procesamiento y
productos ASTER del área de Sierra de Famatina. in: Simpósio Brasileiro de
sensoriamento Remoto, Belo Horizonte, Anais, 815-822. 2003
BOARDMAN, J.W.; HUNTINGTON, J.F. Mineral mapping with 1995 AVIRIS data.
In: Annual JPL Airborne Earth Science Workshop, 6., Pasadena, March 4-8,
1996. Summaries., NASA.JPL, v.1, p.9-12. (JPL Publication 96-4).
BOSSI, J. & CAGGIANO, W. Constribuicion a la geologia de los yacimientos de
ametista del departamento de Artigas (Uruguai). In: Congresso Brasileiro de
Geologia, XXVIII. Anais. P. Alegre, SBG. p. 301-317. 1974
BRASIL-MA-DMPA-DPP. Levantamento de reconhecimento dos solos do Estado
do Rio Grande do Sul. In-Boletim Técnico, 30. Recife, 1973.
CAMPBELL, N.A. The decorrelation stretch transformation. International Journal of
Remote Sensing, v.17, n.10, p.1939-1949, 1996.
63
CASTRO GODOY, S.E.; URAI M.; KAKU, M.; KOHNO, I. Utilizacion de datos
ASTER para el monitoreo de volcanes y identificacion de productos
volcánicos. In: Simpósio Brasileiro de sensoriamento Remoto, Belo
Horizonte, Anais, 465-473
COMIN-CHIARAMONTI, P.; BELLINI, E.M.; PICCIRILLO, E.M.; MELFI, A.L.
Classification and Petrography of continental stratoid volcanics and related
intrusives from the Parana basin (Brazil). USP-SP, 1988
CORDANI, E.G.; SATORI, P.L.P.; KAWASHITA, K. Geoquímica dos isótopos de
estrôncio e evolução da atividade vulcânica na Bacia do Paraná (sul do
Brasil) durante o Cretáceo. Anais da Academia Brasileira de Geociências.
n52 p.811-818. 1980
CRÓSTA, A.P.; SOUZA FILHO, C.R.; AZEVEDO, F. Caracterizando halos de
alteração hidrotermal em depósitos auríferos epitermais com os sensores
multiespectrais orbitais Landsat/TM e ASTER: o caso do Distrito de Los
Menucos, Argentina. In: Congresso Brasileiro de Geologia, 41., João
Pessoa, 2002. Anais. João Pessoa: Sociedade Brasileira de Geologia, 2002
DUCART,
F.D.
Caracterização
da
alteração
hidrotermal
associadas
as
ocorrências auríferas de Los Menucos, Argentina, por meio de técnicas de
sensoriamento remoto e espectroscopia de reflectância. Dissertação de
mestrado, UNICAMP-SP. 2004
ENVI. The Environment for Visualizing Images. ENVI user´s guide. Research
Systems, 948p, 2001.
FRONDEL, C. The system of mineralogy of J.D.. Dana & E.S. Dana, Yale
University, 1837-1892 ed. 7 ed. John Wiley & Sons, Inc., New York. 334p
GOETZ, A.F.H.; VANE, G.; SOLOMON, J.E.; ROCK, B.N. Imaging spectrometry
for Earth remote sensing. Science, v.228, n.2, p.1147-1153, 1985.
64
GOMES, M.E.B.. Mecanismos de resfriamento, estruturação e processos
magmáticos em basaltos da Bacia do Paraná - região de Frederico
Westphalen-RS Brasil. P. Alegre, 264 p. Tese de Doutorado, Instituto de
Geociências, UFRGS, 1996
GREEN, R. O.; CONEL J.E.; ROBERTS, D.A. Estimation of aerosol optical depth,
and addicional atmospheric parameters for the calculation of apparent
reflectance from radiance measured by the airborne Visible/Infrared Imaging
Spectrometer. In: Fourth Annual Airborne GeoScience Workshop, 83-86.
1993
HUNT, G.R.; SALISBURY, J.W. Visible and near-infrared spectra of minerals and
rocks: I silicate minerals. Modern Geology. 1970
HUNT, G.R.; SALISBURY, J.W. Visible and near-infrared spectra of minerals and
rocks: II carbonates. Modern Geology. 1971
HUNT, G.R. Spectral signatures of particulate minerals in the visible and near
infrared. Geophysics, v.42, n.3, p.501-513, Apr. 1977.
IBGE – Instituto Brasileiro de Geografia e Estatística. Coleção de Monografias
Municipais- Frederico Westphalen, RS. Nova série, n° 448. 16 p. 1985
JUCHEN, P.L.; HOFMEISTER, T.; BRUM, T.M.M.. Substâncias gemológicas no
Rio Grande do Sul - modos de ocorrência e caracterização gemológica. In:
Congresso Brasileiro de Geologia, XXXVI. Natal, 1990. Anais. V.3 pg. 14361449
JUCHEN, P.L. Mineralogia, geologia e gênese dos depósitos de ametista da
região do Alto Uruguai, Rio Grande do Sul. Tese de Doutorado.
Universidade de São Paulo. Instituto de Geociências. 1999
65
KRUSE F.A.; KIEREIN-YOUNG, K.S.; BOARDMAN, J.W. Mineral mapping at
Cuprite, Nevada with a 63-Channel Imaging Spectrometer. Photogrammetric
Engineering and Remote Sensing, v. 61, n. 1, p. 83-93, 1990.
KRUSE,
F.A.
Combined
SWIR
and
LWIR
mineral
Mapping
using
MASTER/ASTER. In: Procedings IGARSS. Toronto, Canada. 2002
KRUSE, F.A. Spectral Mapping with landsat Thematic Mapper and Imaging
Spectroscopy for precious metals exploration. In: Seventh Thematic
Conference on Remote Sensing for exploration Geology. Calgary, Alberta.
1989
LIMA, B. E. M.. Avaliação das imagens do sensor ASTER para discriminação
espectral de variações faciológicas no granito serra branca, estado de
Goiás. Teses de Doutorado, INPE, São José dos Campos - SP, 2004
MANTOVANI M.S.M., CORDANI U.G., ROISENBERG A. Geoquímica isotópica
em vulcânicas ácidas da bacia do Paraná, e implicações genéticas
associadas. Revista Brasileira de Geociências, 15: 61-65. 1985
MARKOSKI, P.R.; ROLIM, S.B.A. Mapping amethyst mineralizations using
classification techniques in aster images: a case study in Ametista do Sul,
Rio Grande do Sul state, Brazil. Barcelona. 2006.
MARQUES L.S. DUPRÉ B. PICCIRILLO E.M. 1999. Mantle source compositions
of the Parana Magmatic Province (southern Brazil): evidence form trace
element and Sr-Nd-Pb isotope geochemestry. Journal Geodynamics, 28:
439-458.
MARQUETTI, C.; MARIN G.; KADU M.; KOHNO L.; YOKOKAWA, K.
Procesamientos
y
analisis
de
imagenes
ASTER
para
el
estudio
metalogenético de maliman, San Juan. Argentina. In: XI Simpósio Brasileiro
de sensoriamento Remoto, Belo Horizonte, Anais, 877-886. 2003
66
MELFI, A.J.; PICCIRILLO, E.M.; NARDY, A.J.R. Geological and Magmatic
Aspects of the Parana basin - an introduction. USP-SP. 1988
MENESES, P.R.; NETO, M.S.J. Sensoriamento remoto, reflectância de alvos
naturais. 1 ed. 2003
MINCATO R.L. & SCHRANK A.. Evaluation of the NI-Cu-PGE mineralisation for
the Parana Continental igneous Province based on the Noril´sk and Insizwa
models In: Laverop N.P. & Distler V.V. (eds.) International Platinum, St.
Petersburg Athens. Theophraustus, 107-115. 1998
MINIOLI, B.; PONÇANO, W.L.; OLIVEIRA, S.M.B. Extensão geográfica do
vulcanismo basáltico do Brasil meridional. Academia Brasileira de
Geociências. 43, p.433-437. 1971
MISSIO, E. Proposta conceitual de zoneamento ecológico-econômico para o
município de Frederico Westphalen – RS. Tese (Doutorado) - Universidade
Federal de São Carlos, 2003.
MUSTARD, J.F.; SUNSHINE, J.M. Spectral analysis for Earth Science. Remote
Sensing for the Earth Sciences. New York: John Wiley & Sons, p.251-306,
1999.
PEATE D. W. HAWKESWORTH C.J., MANTONAVI M.S.M. Chemical stratigraphy
of the Parana lavas (South America): Classification of magma types and
their spatial distribution. Bull. Volcanology, 55: 119-139. 1992
PETRI, S.; FÚLFARO, J.V. Geologia do Brasil. São Paulo. T. A. Queiroz, USP,
631 p. 1983
67
PICCIRILLO E.M.& MELFI A. J. The Mesozoic flood volcanism of the Parana
basin: petrogenetic and geophysical aspects, São Paulo, IAG, USP, 600.
1988
PICCIRILLO, E.M.; MELFI, A.J. Petrogenetic aspects of continental flood basaltrhyolite suites from the Paraná Basin (Brazil). USP-SP 1998
PIZARRO, M.A. Sensoriamento remoto hiperespectral para a caracterização e
identificação mineral em solos tropicais. São José dos Campos-SP. 195p.
(INPE-7249-TDI/693). Dissertação (Mestrado em Sensoriamento Remoto) –
Instituto Nacional de Pesquisas Espaciais, 1999.
RENNE P.R., ERNESTO M., PACCA I.G., COE R.S., GLEN J.M., PREVOT M.,
PERRIN M. The age of Parana flood volcanism, rifting of Gondwanaland,
and Jurassic-Cretaceus boundary. Science, 246: 103-107. 1992
ROISEMBERG, A. Petrologia e geoquímica do vulcanismo ácido mesozóico da
província meridional da Bacia do Paraná. porto Alegre, 285 p. (TESE DE
DOUTORADO). Instituto de Geociências, UFRGS, 1989
ROWAN, L.C. & MARS, J.C. Lithologic mapping in the Mountain Pass, California
area using Advanced Spaceborne Thermal Emission and Reflection
Radiometer (ASTER) data. 350-366. 2003
RUBIM, T.D. Spectral alternation mapping with imaging Spectrometers. In: Eighth
Thematic Conference on Geologic Remote Sensing. Denver, Colorado, 1325. 1991
SCOPEL, R.M. Estudo dos derrames basálticos portadores de ametistas na
região de Ametista do Sul, RS-Brasil. Porto Alegre. Tese de Doutorado.
UFRGS, Instituto de Geociências. 1997
68
SCOPEL, R.M.; GOMES, M.E.B; FORMOSO, M.L.L.; PROUST, D Derrames
portadores de ametistas na região de Frederico Westphalen-Iraí-PlanaltoAmetista do Sul, RS-Brasil. In: Congresso Uruguayo de Geologia, Anais p.
243-248. 1998
SHIMABUKURO, Y.E.; SMITH, J.A. Fraction images derived from Landsat TM and
MSS data for monitoring reforested areas. Canadian Journal of Remote
Sensing, vol. 21, no. 1, 67-74, 1995.
SOUZA FILHO, C.R.; TAPIA CALLE, C.H.; CRÓSTA, A.P.; XAVIER, R.P. Infrared
Spectroscopy and ASTER imagery Analysis of Hydrothermal alteration
Zones at the Quellaveco Porphyry-Copper deposit, southern, Peru. In:
proceedings of the Americam Society for Photogrametry and remoting
Sensing (ASPRS) 2003 Annual Conference. 2003
SOUZA, J. C. Industrialização de ametista no Rio Grande do Sul. Porto Alegre,
191 p. Tese de Doutorado. Escola de Engenharia, UFRGS. 1996
SWALF, P.S. Modelos exploratórios para depósitos auriferous do tipo Morro do
Ouro com base em dados e técnicas de sensoriamento remoto. Dissertação
de mestrado, Instituto de Geociências. Universidade Estadual de Campinas,
118p. 2000
TAPIA CALLE, C.H. Estudo de mineralizações de tipo Cu-Pórfiro do Sul do Peru
por meio de Sensoriamento Remoto e Aeromagnetometria. Tese de
Doutorado. Universidade Estadual de Campinas, 185p. 2002
TUMER S., HAWKESWORTH C.J., GALLAGHER K., STEWART K., PEATE
D.W., MANTOVANI, M.S.M. Mantle plumes, flood basalts and thermal
models for melt generation beneath continents: assessment of a conductive
heating model and application on the Parana. Journal of Geophysical.
Research. 101: 11505-11518. 1996
69
VAN DER MEER, F. Can we map swelling clays with remote sensing?
International Journal of Applied Earth Observation and Geoinformation, v.1,
n.1, p.27-35, 1999.
VIDOTTI R. M., EBINGER C.J., FAIRHEAD, J.D. Gravity signature of the Parana
Basin, Brazil, Earth and Planetary Science Letter, 119: 117 – 132. 1998
WHITE, I.C.. Relatório sobre as Coal Measures e rochas associadas ao sul do
Brasil. Relatório final da comissão dos estudos de minas de carvão de pedra
do Brasil. Imprensa Nacional. Rio de janeiro, XXVIII, 617 p
70
Was this manual useful for you? yes no
Thank you for your participation!

* Your assessment is very important for improving the work of artificial intelligence, which forms the content of this project

Related manuals

Download PDF

advertisement