O crescimento descontrolado das superfícies impermeáveis em áreas urbanas tem conseqüências diretas na quantidade e qualidade do escoamento pluvial. O conhecimento da impermeabilidade do solo das bacias hidrográficas possibilita sua utilização como indicador da qualidade das águas urbanas e como instrumento de planejamento e regulação no sistema de gerenciamento dos recursos hídricos urbanos. Além disso, os estudos hidrológicos necessitam de parâmetros, dentre os quais a porcentagem de área impermeável talvez seja um dos mais importantes. A difusão das técnicas de Sensoriamento Remoto e seu grande potencial motivaram a realização dessa pesquisa, a fim de buscar métodos mais eficientes de estimação da impermeabilidade do solo de bacias hidrográficas. Foram utilizados três diferentes algoritmos de classificação de imagens de satélite para calcular a impermeabilidade de áreas de controle localizadas no Plano Piloto de Brasília- DF. Os algoritmos foram o Modelo Linear de Mistura, já disponível no software SPRING versão 4.1, o classificador Fuzzy com função de pertinência baseada na distância de Mahalanobis e o classificador tradicional MaxVer. Estes dois últimos foram implementados computacionalmente em linguagem JAVA no software Image J. Os algoritmos foram avaliados com imagens digitais de diferentes resoluções espaciais: IKONOS, SPOT, CBERS e LANDSAT. Para efeito de comparação, as áreas impermeáveis foram digitalizadas manualmente na imagem IKONOS e validadas com visitas a campo. Os valores de impermeabilidade assim estimados foram considerados a verdade de campo. Os resultados mostraram que os melhores desempenhos foram obtidos pelo Modelo de Mistura e pelo classificador Fuzzy, que obtiveram erros médios de 21,2% e 23,7%, respectivamente. O classificador MaxVer obteve um erro médio maior, de 31,8%. O Modelo de Mistura apresentou algumas deficiências, como a superestimação das áreas da classe sombra, tendência de subestimar as áreas impermeáveis e tempo de processamento computacional muito alto. A influência da resolução espacial das imagens foi importante apenas para o classificador MaxVer.
Impervious surface coverage growth has direct consequences in quantity and quality of stormwater runoff, such as floods and nonpoint source pollution. The quantification of basins’ imperviousness makes possible to use it as a water quality indicator for urban areas and as an important planning and managing instrument in the urban water resources management system. Furthermore, hydrologic studies need parameters, among which impervious surface percentage may be one of the most important. The diffusion of Remote Sensing techniques and their great potential motivated this research, in order to find more efficient methods for estimating impervious surface coverage in basins. Three different algorithms were used to classify satellite images and to calculate imperviousness in control areas located in the city of Brasilia-DF, Brazil. The algorithms used were the Linear Mixture Model, available in software SPRING version 4.1, the Fuzzy classifier with membership function based on Mahalanobis distance, and the traditional Maximum Likelihood classifier (MaxVer). The last two were implemented in JAVA software language as a plugin for the software Image J. The three algorithms were tested with different spatial resolution digital imageries: IKONOS, with 1 meter; SPOT, with 10 meters; CBERS, with 20 meters, and LANDSAT, with 30 meters. To compare with the reality, impervious surfaces were manually digitized over IKONOS imagery and validated with field visits, so that the imperviousness obtained was considered the ground truth. Results showed that best performances were obtained by Linear Mixture Model and by Fuzzy classifier, which had mean errors of 21,2% and 23,7%, respectively. MaxVer classifier obtained greater mean error of 31,8%. Linear Mixture Model, however, showed some deficiencies, such as high values for shadow classes, tendency to underestimate impervious surfaces, and very high computer processing times. The influence of spatial resolution was important only to the MaxVer classifier.