1. O documento descreve um estudo que utilizou classificação digital de imagens MODIS para mapear o uso da terra na bacia do Rio Teles Pires em Mato Grosso, Brasil. 2. A metodologia incluiu a delimitação da bacia, pré-processamento de imagens MODIS, amostragem de imagens de alta resolução para treinamento, e classificação supervisionada usando o algoritmo máxima verossimilhança. 3. Os resultados mostraram que a classificação teve uma exatidão geral de 85,92

1. III Simpósio Brasileiro de Ciências Geodésicas e Tecnologias da Geoinformação Recife - PE, 27-30 de Julho de 2010
p. 001-006
M.A.Silvas, P. Zeilhofer, L.M. Schwenk, A.S.L. Santos.
CLASSIFICAÇÃO DIGITAL DE IMAGENS MODIS PARA MAPEAMENTO
DO USO DA TERRA NA BACIA DO MÉDIO E ALTO TELES PIRES-MT.
MARCOS ANTONIO DA SILVA¹
PETER ZEILHOFER²
LUNALVA MOURA SCHWENK²
ADRIANO SEBASTIÃO LUCAS SANTOS¹
¹ Universidade Federal de Mato Grosso (UFMT), Mestrandos em Geografia
Av. F. Corrêa da Costa, s/n - 78060-900 - Cuiabá - MT, Brasil
masmt@ibest.com.br / geonegro10@yahoo.com.br
² Universidade Federal de Mato Grosso (UFMT), Professores do Departamento de Geografia
Av. F. Corrêa da Costa, s/n - 78060-900 - Cuiabá - MT, Brasil
pitalike@terra.com.br / lunalvaschwenk104@hotmail.com
RESUMO - O mapeamento do uso e ocupação da terra através de técnicas de Geoprocessamento se
tornou uma ferramenta de extrema importância para planejadores e legisladores, pois permite verificar a
utilização do solo com menos custos e tempo de uma determinada área. O presente trabalho tem como
objetivo verificar o potencial das imagens do Satélite Terra/Aqua do sensor MODIS no mapeamento de
uso e ocupação da Terra, na Bacia do Médio e Alto Teles Pires-MT. A metodologia empregada se baseia
na utilização de técnicas de processamento digital de imagens acopladas com amostragens de imagens de
alta resolução do Google Earth, sendo utilizado o algoritmo de classificação supervisionada máxima
verossimilhança (MAXVER), implementados no software Spring versão 5.0.2. Os resultados alcançados
demonstraram que o classificador apresentou um bom desempenho com exatidão geral de 85,92 %.
ABSTRACT - The mapping of land use by GIS techniques has become a important tool for planners and
policymakers, as it allows to verify land use with high cost and time efficiency. This study aims to
determine the potential MODIS imagery of the Terra / Aqua platform for land use mapping in the upper
and middle watershed of the Teles Pires basin-MT. Applied methodology is based on the use of digital
image processing technique coupled with sampling from high-resolution imagery available through the
Google Earth application, using the maximum likelihood algorithm for supervised classification (MLC),
as implemented in Spring 5.0.2 software. The results showed that the classifier performs well with an
overall accuracy of 85.92%.
1 INTRODUÇÃO
O mapeamento do uso e ocupação da terra através
de técnicas de Geoprocessamento se torna uma
ferramenta de extrema importância para planejadores e
legisladores, pois permite verificar a utilização do solo
com menos custos e tempo para uma determinada área,
possibilitando assim a elaboração de políticas de uso da
terra mais eficazes para o desenvolvimento de
determinada região.
O mapeamento da vegetação do território
brasileiro em mapas em escalas pequenas e médias
iniciou-se através do projeto RADAMBRASIL, projeto
que foi responsável pelo levantamento dos recursos
naturais, tais como mapeamento geológico,
geomorfológico, pedológico, vegetação e potencial de uso
da terra, sendo realizado através de uso de radares ativos e
levantamento de campo.
O avanço das técnicas de Sensoriamento Remoto,
na qual permite a utilização de imagens de satélites com
resolução espaciais e temporais adequadas para
monitoramento da superfície terrestre quase diariamente,
pode contribuir para o planejamento e gestão do espaço
geográfico em Mato Grosso.
Conforme ROSA (1990) existe a necessidade de
atualização constante dos registros de uso e ocupação do
solo, para que suas tendências possam ser analisadas, com
o objetivo de fornecer subsídios às ações do planejamento
regional. Nesta perspectiva devido ao fato de Mato
Grosso se destacar na atividade agropecuária do país
(lavoura de grãos, pecuária) e o expressivo dinamismo
apresentado por estas atividades, percebem-se atualmente
grandes transformações na paisagem do estado, com
modificações nos recursos naturais de extrema
significância.
Com o lançamento da plataforma Terra/Agua
(1999 e 2002), ambos portando o sensor MODIS
(Moderate Resolution Imaging Spectroradiometer), que
fornece recobrimento global e contínuo diariamente, com
resoluções espaciais variando de 250 a 1000m.

2. III Simpósio Brasileiro de Ciências Geodésicas e Tecnologias da Geoinformação Recife - PE, 27-30 de Julho de 2010
p. 002-006
M.A.Silvas, P. Zeilhofer, L.M. Schwenk, A.S.L. Santos.
Segundo Coura (2007), dados do sensor MODIS,
pode ser usados no monitoramento espectral da vegetação
a nível regional, e para o mapeamento efetivo das classes
de uso do solo.
Estudos utilizando imagens do sensor Modis para
de mapeamento de uso da terra Segundo Hansen et al
(2002), o mapeamento da cobertura uso da terra mostra-se
de extrema importância, pois, existe um esforço por parte
da comunidade científica em melhorar a acurácia destes
estudos.
O presente trabalho tem como objetivo principal
verificar o potencial das imagens MODIS, subsidiada por
imagens de alta resolução para o mapeamento de uso e
ocupação da Terra, na Bacia do Médio e Alto Teles Pires-
MT.
2. ÁREA DE ESTUDO
A área de estudo localiza-se no estado de Mato
Grosso, na Bacia Hidrográfica do Médio e Alto Teles
Pires-MT, entre as coordenadas geográficas 14º57’58” e
10º00’9” de latitude sul e 56°38’18” e 53º47’03” de
longitude oeste. Compreende municípios que
desenvolvem atividade econômica pautada na
agropecuária, tais como: Nova Brasilândia, Vera, Nova
Mutum, Planalto da Serra, Rosário Oeste, Santa Rita do
Trivelato, Nova Ubiratã, Paranatinga, Sorriso, Sinop,
Tapurah, Claudia, Itaubá, Nova Santa Helena, Tabaporã,
Nova Canaã do Norte, Colider, Carlinda, e Alta Floresta.
Figura 01 – Localização da Área de Estudo
3 METODOLOGIA
O procedimento empregado para o
desenvolvimento desta pesquisa foi dividido em três
etapas. A primeira etapa corresponde à definição do
projeto assim como a seleção dos materiais. A segunda
etapa foi o pré-processamento dos dados, no qual foram
efetuadas transformações de formato, re-ajuste
geométrico e coleta de amostras de imagens de alta
resolução do Google Earth. A terceira etapa compreende
os processos da análise das assinaturas espectrais das
amostras das classes de interesse, a classificação
supervisionada a partir de algoritmo Maxver e a validação
da classificação pó tabulação cruzada.
3.1 Delimitação da Bacia e pré-processamento de
Imagens de Satélite
A delimitação da bacia hidrografica do Rio Teles
Pires foi elaborada com base de um modelo numérico de
terreno da Shuttle Radar Topography Mission (SRTM),
disponibilizado pela NASA e pelo plano de informação da
rede hidrográfica do estado, fornecida pela SEPLAN-MT
(Secretaria de Estado de Planejamento e Coordenação
Geral do Estado de Mato Grosso).
Para o processamento de imagens de satélite foi
adquirida uma imagem do sensor Modis, produto
MOD13, da data de 25/05/2007, com resolução espacial
de 250 metros. O produto MOD13 se refere às imagens
índices de vegetação (NDVI e EVI), incluindo as bandas
utilizadas para a geração destes índices: azul (#3),
vermelho (#1), infravermelho próximo(#2), e uma banda
localizada na faixa do infravermelho médio (#5). Deve-se
ressaltar que para o mapeamento foram utilizadas apenas
as quatro bandas originais. A imagem foi obtida através
do site da NASA: http://edcimswww.cr.usgs.gov/.
Para o processo de conversão do formato da
imagem hdf (“Hierarchy Data Format”) para o formato
geotif, foi utilizado o software ENVI, versão 4.0.
3.2 Amostragem para Classificação Multiespectral
Foram utilizadas as imagens de alta resolução do
google earth do ano de 2007, para coletas das amostras
das classes a ser mapeadas, sendo retiradas 20 amostras
de cada classe. Conforme ANTUNES e LINGNAU
(2001) a extração de feições geográficas de imagens
orbitais de alta resolução já se configura como uma das
principais fontes de dados em Sistema de Informação
Geográfica (GIS), por sua acurácia e atualidade.
Após de delimitados nas imagens de alta resolução
esses polígonos foram exportados do Google Earth para a
extensão KML e posteriormente transformados pelo
software arcgis versão 9.2 para o formato shapefile, sendo
este formato importado para o software spring versão
5.0.2 para realização do processo de amostragem da
classificação da imagem de satélite.
3.3 Classificação Multiespectral da Imagem Modis
O processo de classificação foi realizado com base
na análise das assinaturas espectrais dos alvos que devem
ser obtidas a partir de conjuntos de amostras,
considerando a variabilidade espectral possível para uma
mesma classe. De acordo com Almeida (2000), a
caracterização e análise das assinaturas consistem em um
aspecto importante para o sucesso da classificação.
Para o mapeamento do uso da terra foi realizado
processo de classificação digital supervisionado.

3. III Simpósio Brasileiro de Ciências Geodésicas e Tecnologias da Geoinformação Recife - PE, 27-30 de Julho de 2010
p. 003-006
M.A.Silvas, P. Zeilhofer, L.M. Schwenk, A.S.L. Santos.
Conforme CAMARA et al. (1996) a classificação
é o processo de extração de informação em imagens para
reconhecer padrões e objetos homogêneos.
Foram definidas na fase do treinamento do
processo classificatório cinco classes do uso da terra:
Água, Cerrado, Vegetação Densa, Lavoura e Pastagem,
sendo adquiridos 20 polígonos amostrais para cada classe.
Foi utilizado como classificador o algoritmo de
máxima verossimilhança (Maxver), que realiza uma
classificação supervisionada com base no valor espectral
de cada pixel. De acordo com CAMARA et al, (1996)
MAXVER considera a ponderação das distâncias entre
médias dos níveis digitais das classes, utilizando
parâmetros estatísticos.
3.4 Validação das Classificações
Para o processo de validação da classificação foi
realizada análise quantitativa do resultado da classificação
a partir de tabulação cruzada. Esta análise levou em
consideração as amostras de aquisição do processo de
classificação. Conforme Pereira et al (1998), a partir das
extrações das amostras é gerada uma matriz de confusão
representando a distribuição dos valores de pixels
classificados corretamente e erroneamente, demonstrando
dessa forma, a confusão média entre as classes mapeadas
e o cálculo de índices gerais de exatidão.
4. RESULTADOS
4.1 Delimitação da área de estudo
O Modelo Numérico de Terreno (SRTM) e o
mosaico da rede hidrográfica permitiram a delimitação da
bacia hidrográfica conforme mostra a figura 02.
Figura 02 – Delimitação da Bacia do Médio e Alto Teles
Pires-MT.
Na delimitação escolhida, o exutório da bacia
encontra-se na confluência do rio Teles Pires com o rio
Peixoto de Azevedo, localizada na divisa dos municípios
de Carlinda e Nova Guarita.
4.2 Análise das Assinaturas Espectrais
As figuras 03 à 06 apresentam o comportamento
espectral das cinco classes de uso da terra,
compreendendo as bandas, Azul, Vermelho, NIR
(Infravermelho próximo) e MIR (Infravermelho médio)
do sensor MODIS. São apresentados a media aritmética
+/- desvio padrão (DP) dos valores de reflectâncias de
cada classe definida.
Verifica-se na figura 03 que as classes apresentam
valores espectrais baixos no intervalo de 0 a 500 níveis de
cinza (NC). As classes Água e Vegetação densa foram as
que apresentaram os valores de refletância mais baixos.
Nesta faixa as classes apresentam valores bem próximos
possibilitando assim uma maior confusão no mapeamento
dos alvos.
0
500
1000
1500
2000
2500
3000
3500
Agua Cerrado Vegetação
Densa
Lavoura Pastagem
Classes de Uso
ValoresEspectrais
Média - DP
Media
Média + DP
Figura 03 – Assinaturas espectrais na Banda 3 do Modis
(faixa azul; 0,459-0,479 μm).
A figura 04 demonstra que as classes de uso
apresentam valores espectrais no intervalo de 150 a 1100
NC, identificando que as classes água e vegetação densa
ficaram com intervalos mais baixos apresentando valores
espectrais entre o intervalo de 150 a 400 NC, enquanto
que as outras 3 classes apresentaram valores espectrais no
intervalo de 500 a 1100 nc. Conclui-se, portanto que esta
faixa permite uma diferenciação confiável das classes
água e vegetação densa das demais outras três classes.
0
500
1000
1500
2000
2500
3000
3500
Agua Cerrado Vegetação
Densa
Lavoura Pastagem
Classes de Uso
ValoresEspectrais
Média - DP
Media
Média + DP
Figura 4 - Assinaturas espectrais na Banda 1 (Faixa do
Vermelho; 0,620-0,670 μm)

4. III Simpósio Brasileiro de Ciências Geodésicas e Tecnologias da Geoinformação Recife - PE, 27-30 de Julho de 2010
p. 004-006
M.A.Silvas, P. Zeilhofer, L.M. Schwenk, A.S.L. Santos.
Visualiza-se na figura 05 que as classes a serem
mapeadas apresentam valores espectrais médios de
refletância no intervalo de 1000 a 3300 NC. A classe
Água é a que apresentam valor espectral mais baixo com
intervalo de 1000 a 1600 NC, ficando bem diferenciada
das outras classes. A classe Lavoura com valores
intermediários com intervalo de 1700 a 2400 NC
demonstra uma boa diferenciação em relação com as
outras classes. As classes Cerrado, Vegetação Densa e
Pastagem apresentam valores espectrais altos em um
intervalo de 2200 a 3300 NC, porém estão com valores
espectrais bem próximos uma das outras, fazendo com
que ocorra maior probabilidade de confusão entre estas
classes. Assim nesta faixa a classe água e lavoura se-
diferenciam bem das outras classes, podendo apresentar
melhor resultado na classificação.
0
500
1000
1500
2000
2500
3000
3500
Agua Cerrado Vegetação
Densa
Lavoura Pastagem
Classes de Uso
ValoresEspectrais
Média - DP
Media
Média + DP
Figura 05 - Assinaturas espectrais na Banda 2 – NIR
(Faixa do Infravermelho Próximo, 0,841 - 0,876 μm)
Visualiza-se na figura 06 que os valores espectrais
estão inserindo no intervalo de 0 a 2100 NC. As classes
água e vegetação densa apresentaram valores espectrais
mais baixos no intervalo de 0 a 800 NC, enquanto que as
classes Cerrado, Lavoura e Pastagem ficaram no intervalo
espectral médio de 1000 a 2100 NC.
0
500
1000
1500
2000
2500
3000
3500
Agua Cerrado Vegetação
Densa
Lavoura Pastagem
Classes de Uso
ValoresEspectrais
Média - DP
Media
Média + DP
Figura 06 - Assinaturas espectrais na Banda 5- MIR
(Faixa do Infravermelho Médio - 1,230 – 1,250 μm)
Fica claro que nesta faixa as classes de Água e
Vegetação Densa ficam bem definidas enquanto que as
outras classes apresentam valores espectrais próximos,
assim possibilitando uma confusão entre elas.
4.2 Classificação Multiespectral
O processo de classificação resultou no
mapeamento das classes, água, cerrado, vegetação densa,
lavoura e pastagem conforme exposto na figura 07.
Figura 07 - Mapa de uso da terra da Bacia do Alto e
Médio Teles Pires-MT.
O resultado foi considerado bom de acordo com
a matriz do erro de confusão das classes mapeadas
(Tabela 01).

5. III Simpósio Brasileiro de Ciências Geodésicas e Tecnologias da Geoinformação Recife - PE, 27-30 de Julho de 2010
p. 005-006
M.A.Silvas, P. Zeilhofer, L.M. Schwenk, A.S.L. Santos.
Tabela 01 - Matriz de erro de confusão da classificação
pelo algoritmo MAXVER (%). A validação apresentada
refere-se ao desempenho de classificação das áreas de
treinamento.
Classes
Água
Cerrado
Vegetação
densa
Lavoura
Pastagem
Água 12,50 00,00 87,50 00,00 00,00
Cerrado 00,00 67,21 01,64 08,20 22,95
Vegetação
densa 00,00 01,99 98,01 00,00 00,00
Lavoura 00,00 11,79 00,00 80,79 07,42
Pastagem 00,00 06,02 00,00 09,64 84,34
Os valores em negrito na diagonal principal
representam o percentual de acerto dos pixels
classificados corretamente, enquanto que os valores fora
desta diagonal correspondem aos grupos de pixels que
foram classificados erroneamente em outras classes.
Conforme CAMARA (1996) uma matriz de
classificação ideal deve apresentar os valores da diagonal
principal próximos a 100%, indicando que não houve
confusão entre as classes, porém, esta é uma situação
difícil a ser obtida em imagens com alvos de
características espectrais semelhantes. Neste sentido
observa-se que as classes Vegetação Densa, Lavoura e
Pastagem apresentam um percentual de acerto acima de
80 %, sendo a classe Vegetação Densa a que alcançou o
melhor resultado com 98,01%.
Foi realizada uma analise das classes de forma
individual com propósito de verificar quais as limitações
dos alvos mapeados.
A classe Água apresentou um percentual de acerto
muito baixo, de 12,5 %, tendo grande parte desta classe
confundida com Vegetação Densa, de 87,5%. Supõe-se
que este fato pode ser explicado pela resolução espacial
limitada do sensor MODIS (250 m), pois a classe Água na
área de estudo é representada quase exclusivamente por
elementos lineares ou pequenos (rede hidrográfica,
pequenas represas). Desta forma o sensor MODIS
apresenta limitações para mapear objetos que possuem
baixa extensão areal.
Na classe de Cerrado obteve-se uma taxa de acerto
de 67,21% apresentando um médio desempenho, tendo
parte dos cerrados confundida com a classe Pastagem
(22,95%). Este fato pode ser explicado devido o cerrado
em determinada fase apresentar características espectrais
próximas das Pastagens, tendo como conseqüência pixels
classificados erroneamente.
A classe de Vegetação Densa demonstrou taxas de
acertos de 98,01%, apresentando apenas uma pequena
porção das áreas sendo confundida com a classe Cerrado
(1,99%). Este resultado apresenta uma classificação
excelente conforme bibliografia citada anteriormente, e
que pode ser explicada devido esta classe apresentar uma
boa diferenciação espectral quando comparada com as
outras classes.
Já na classe de Lavoura obteve-se um acerto de
80,79%, tendo confusão com as classes de Cerrado e
Pastagem, com valor de 11,79 e 7,42 % respectivamente.
Estas classificações errôneas podem ter ocorridas devido
alguns tipos de lavoura apresentarem em determinado
processo de desenvolvimento características espectrais
próximas desta classe.
A classe Pastagem alcançou um acerto de 84,34 %
dos pixels classificados, tendo também uma confusão com
as classes Cerrado (6,02%) e Lavoura (9,64 %). Supõe-se
que isto ocorreu pelas características espectrais destas
classes que em determinado momento de
desenvolvimento apresentarem similaridade espectral.
A tabela 02 demonstra o desempenho geral da
classificação multiespectral realizada pelo algoritmo
MAXVER.
Tabela 02 – Desempenho da Matriz de erro de confusão
da classificação pelo algoritmo MAXVER(* pré-definido
no classificador).
Desempenho Geral 85.92 %
Confusão Média 14.08 %
Abstenção Média* 00,00%
Com base nos dados verifica-se que o classificador
apresentou um bom desempenho geral de 85,92 %, isto
significa que o mapeamento obtido tem a probabilidade
de 85,92 % de ter mapeado as classes corretamente. A boa
classificação está relacionada com a boa qualidade e
quantidade das amostras de aquisição retiradas a partir de
imagens de alta resolução do Google Earth, possibilitando
assim um bom resultado no mapeamento do uso da terra
da área de estudo. Espera-se, porém uma diminuição
expressiva do resultado da validação, se forem escolhidas
amostras independentes.
5 CONCLUSÕES
Através dos resultados obtidos no presente
trabalho, fica visível que as técnicas de geoprocessamento
com auxilio de imagens de alta resolução do Google Earth
para coleta das amostras apresentou bom desempenho
geral para o mapeamento do uso da terra na Bacia do
Médio e Alto Teles Pires – MT.
A utilização do software Spring Versão 5.0.2
demonstrou eficácia para trabalhar com as imagens do
sensor Modis com resolução radiométrica de 16 bits, isto
é considerado um grande avanço para o software, pois as
versões anteriores a versão 5.0 eram limitadas a trabalhar
com esta resolução, ou seja, era necessário utilizar outros
procedimentos para conversão para 8 bits de resolução
radiométrica.

6. III Simpósio Brasileiro de Ciências Geodésicas e Tecnologias da Geoinformação Recife - PE, 27-30 de Julho de 2010
p. 006-006
M.A.Silvas, P. Zeilhofer, L.M. Schwenk, A.S.L. Santos.
A metodologia utilizada de coleta das amostras dos
alvos a ser mapeados através de imagens de alta resolução
do Google Earth permitiu melhor confiabilidade das
amostras coletadas, diminuindo custos de levantamento
de campo, possibilitando assim subsidiar a analise do
comportamento espectral dos das amostras coletadas.
Sendo assim demonstrou melhor desempenho no processo
de validação da classificação do uso da terra na área de
estudo. Espera-se, porém, uma diminuição expressiva do
resultado da validação, se forem escolhidas amostras
independentes.
Fica evidenciado que a metodologia utilizando
dados de imagens de alta resolução do Google Earth para
subsidiar coleta das amostras, acoplada com imagens do
Modis, de alta resolução temporal que permite o
acompanhamento do desenvolvimento fenológico dos
alvos a ser mapeados, permite uma melhoria no processo
classificatório, se comparado com um uso exclusivo de
imagens de maior resolução espacial (Landsat TM,
CBERS etc), porem com baixa resolução temporal. Neste
sentido recomenda-se para trabalhos futuros o uso
complementar de imagens de baixa e média resolução
espacial, com alta e baixa resolução temporal,
respectivamente.
REFERÊNCIAS
ANTUNES, Alzir Felippe Buffara;LINGNAU, Christel.
Classificação Digital de Imagem de Alta Resolução
Espacial. GIS BRASIL– 7º Show de Geotecnologias,
2001. Disponível em:
<http://www.geomatica.ufpr.br/docentes
/felippe/pessoal/fuzzy.pdf>, aceso em 15/01/2008.
Almeida, R. N. T. Paralelização de um classificador
contextual de imagens. Jun. 2000. (INPE-8534-
TDI/785). Dissertação (Mestrado em Computação
Aplicada) - Instituto Nacional de Pesquisas Espaciais, São
José dos Campos. 2000. Disponível na biblioteca digital l
URLib: <http://iris.sid.inpe.br:1905/rep/dpi.inpe.br/lise
/2002/03.28.19.46>. Acesso em: 11 jul. 2008.
CÂMARA, G.; SOUZA, RCM.; FREITAS,
UM.;GARRIDO, J. Computers & Graphics. SPRING:
Integrating remote sensing and GIS by object-oriented
data modelling. 20: (3) 395-403, May-Jun 1996.
COURA, Samuel Martins da Costa.
MAPEAMENTO DE VEGETAÇÃO DO ESTADO
DE MINAS GERAIS UTILIZANDO DADOS
MODIS. Dissertação de Mestrado, INPE, São José dos
Campo, 2007. Disponível: <http://mtc-
m17.sid.inpe.br/rep/sid.inpe.br/MTC-m13@80/2006/
12.21.13.36>. Acesso em: 10 Out. 2008.
Hansen, M.C.; DeFries, R.S.;Townshed,
J.R.G.;marufu,L.; Sohlberg, R. Development
of MODIS tree cover validation data set for
Western Province, Zambia.. Remote
Sensing of Environment, v. 83, n. 1-2, p. 195-
213, 2002.
MOREIRA, M. A. Fundamentos do
Sensoriamento Remoto e metodologias de
aplicação. 2 ed. Viçosa: UFV, 2003.
NOVO, Evlyn M. L. Sensoriamento Remoto: princípios
e aplicações. 2 ed. São Paulo: Edgard Blucher, 1992.
ROSA, R.A. Utilização de imagens TM/LANDSAT em
levantamento de uso do solo. In: VI SIMPÓSIO
BRASILEIRO DE SENSORIAMENTO REMOTO.
Manaus, 1990, Anais... São José dos Campos, INPE, v.2,
p.419-425, 1990.
ROSA, R. Introdução ao sensoriamento remoto. 5 ed.,
Uberlândia: EDUFU, p. 228, 2003.
RUDORFF, B. F. T.; SHIMABUKURO Y. E.;
CEBALLOS Juan C. O Sensor Modis e suas aplicacoes
no Brasil. São Jose dos Campos, São Paulo: A. Silva
Vieira Ed., 2007.