ALGORITMOS DE CLASSIFICAÇÃO DE USO E OCUPAÇÃO DO SOLO

Transcrição

1 ALGORITMOS DE CLASSIFICAÇÃO DE USO E OCUPAÇÃO DO SOLO Gustavo Henrique Oliveira Moraes 1 Renata Cristina de Oliveira Guimarães 2 Símya Staell Rodrigues Campos³ Maria Lígia Chuerubim 4 1,2,3 Universidade Federal de Uberlândia (UFU) Faculdade de Engenharia Civil (FECIV) gustavohenriquem@hotmail.com¹; renata.o.g@hotmail.com²; simyasrc@hotmail.com³; marialigia@feciv.ufu.br 4 RESUMO O processamento digital de imagens digitais, obtidas por sensores remotos ou fotogramétricos, é um método bastante utilizado no planejamento do uso e ocupação do solo. A classificação de imagens é feita a partir de sua forma numérica, em função da qual é gerada a imagem digital. Os pixels são as estruturas básicas para a formação das imagens e é por meio de suas rotulações em classe que são obtidas as imagens finais que, posteriormente, são utilizadas na geração de mapas temáticos como geológicos, pedológicos, hidrológicos, grau de aptidão do solo, cadastro urbano, uso e ocupação do solo, dentre outras. Para separação desses pixels em classes são utilizados algoritmos que se encontram implementados em ferramentas de Geoprocessamento e que permitem a correlação precisa entre os objetos presentes em uma imagem com suas correspondentes localizações geográficas na superfície terrestre. O presente estudo discorre sobre os principais algoritmos utilizados para o processamento digital de imagens dentre os quais se destacam: Máxima Verossimilhança, Paralelepípedo, Mínima Distância, Battacharya e Mahalanobis (Isoseg). Neste contexto, é feita uma revisão dos principais aspectos teóricos e técnicos envolvidos nesta temática, bem como a comparação entre os algoritmos detalhados. Palavras chaves: Uso e ocupação do solo, Classificação de imagens, Algoritmos. ABSTRACT Digital processing of digital images obtained by remote sensing or photogrammetric, is a method widely used in planning the use and occupation of land. The classification of images is taken from their numerical order, according to which the digital image is generated. Pixels are the basic structures for the formation of images is through its rotulações in class that the final images that are subsequently used to generate thematic maps such as geological, pedological, hydrological, degree of soil suitability are obtained, urban cadastre, and land use, among others. To separate these pixels into classes algorithms that are implemented in GIS tools are used and allow the precise correlation between the objects present in an image with their corresponding geographic locations on the Earth's surface. This study discusses the main algorithms used for digital image processing among which stand out: Maximum Likelihood, Cobblestone, Minimum Distance, Mahalanobis and Battacharya (Isoseg). In this context, we review the main theoretical and technical aspects involved in this issue is taken, as well as the comparison between the detailed algorithms. Keywords: Use and land cover, Algorithms, Image classification. 1. INTRODUÇÃO O planejamento do uso e ocupação do território é primordial ao desenvolvimento de uma cidade. É a partir do uso e ocupação do solo que se definem as atividades mais adequadas para cada área da cidade, levando-se em conta a infraestrutura existente e a planejada, as restrições de natureza ambiental, a paisagem e o ambiente cultural. Além disso, as formas de uso e ocupação do solo podem estar correlacionadas à causa de diversos problemas ambientais como 1

2 enchentes, poluição, desmatamento, erosões, entre outros, responsáveis por intensa degradação do meio. Pelo conhecimento do uso e ocupação é possível identificar as áreas mais frágeis e sistematizar certas restrições e cuidados às mesmas (RIO DE JANEIRO, 2014). Assim, é preciso que sejam realizados estudos para reconhecimento das áreas e definição dos reais usos e ocupações para que, posteriormente, as atividades potencialmente nocivas ao ambiente sejam corrigidas e ocorra a utilização dos espaços de acordo com suas capacidades de uso (MELO, GRIGIO e DIODATO, 2010). Uma maneira bastante eficiente de se delimitar como ocorre a distribuição de atividades sobre a superfície é realizada por meio da análise e processamento digital de imagens fotogramétricas ou obtidas via sensores orbitais. Essa análise baseia-se na classificação digital das imagens, por meio de robustos algoritmos implementados em ferramentas computacionais de Geoprocessamento, algoritmos estes treinados para o reconhecimento de padrões de classificação do uso e ocupação do solo. 2. CLASSIFICAÇÃO DE IMAGENS A classificação digital de imagens compreende um processo em que cada pixel da cena imageada é analisado individualmente, sendo posteriormente atribuído um valor que é associado a cada pixel. Segundo Mustapha, Lim e JAFRI (2010), os pixels geralmente são expressos em Níveis Digitais (ND) que variam de 0 a 256 tons cinzentos, em duas ou mais bandas ópticas. A partir da comparação das bandas espectrais desse pixel com outros pixels denominados "padrões", de situação territorial conhecida, é possível fazer a classificação do pixel em determinada classe. Essa classe representa a característica territorial que determinado pixel representa na superfície terrestre, como, por exemplo, a água, a área urbana, o solo exposto, a estrada, entre outros. Após o completo processamento de classificação da imagem numérica, origina-se uma imagem digital, onde as diversas classes são representadas. Cada classe recebe uma cor ou símbolo diferente, representativo de regiões distintas sobre o território, conforme ilustra a Fig. 1. Fig. 1 - Imagem numérica versus imagem digital, pós-classificação. Fonte: Câmara (1998). Toda classificação digital envolve o uso de softwares computacionais. O software que é utilizado para implementar determinado algoritmo de classificação é chamado de classificador. Existem diversos classificadores denominados conforme o algoritmo que utilizam, com diferentes vantagens e desvantagens. Dessa forma, é necessário que se saiba quais são os métodos usados em cada algoritmo de classificação para que o usuário identifique o melhor a ser utilizado, de acordo com suas demandas. 3. ALGORITIMOS DE CLASSIFICAÇÃO Os algoritmos de classificação são divididos em algoritmos de classificação supervisionada ou não supervisionada e, também, em algoritmos classificadores "pixel a pixel" ou por região. A classificação supervisionada é dependente de amostras de treinamento, que devem representar todas as classes presentes na imagem. Segundo Santos et al. (2010), nessa classificação o operador conhece previamente certas áreas de uma imagem, como uma área de floresta, de urbanização, etc., seja por meio da própria análise de fotografias aéreas convencionais ou digitais, mapas, trabalhos de campo ou por experiência profissional. A partir disso definem-se 2

3 áreas de treinamento, que são usadas para treinar o algoritmo de classificação. As áreas de treinamento devem ser as mais homogêneas possíveis, não incluindo os limites de transição entre diferentes feições. O treinamento consiste na definição para o programa de como uma dada área, representada por seus pixels, deve ser classificada. Para cada área de treinamento calculam-se diversos parâmetros estatísticos multivariados e através desses parâmetros mapeiam-se as feições presentes no restante da imagem, que são assinaladas à classe mais provável de pertencerem, como ilustra a Fig. 2. Fig. 2 - Exemplos de áreas de treinamento para classificação supervisionada. Fonte: Eastman (1998). A classificação não supervisionada não necessita de informação prévia sobre as classes de interesse, dispensando a definição de classes a partir das amostras de treinamento. O software realiza a extração das classes por meio de algoritmos, identificando e classificando os pixels conforme identifica serem semelhantes. É preciso que o operador identifique as classes geradas pelo algoritmo e verifique se são condizentes com a realidade. Isso é feito combinando sua familiaridade com a região estudada e visitas ao campo para levantamento, caso necessário. Os classificadores pixel a pixel são algoritmos que se baseiam apenas na informação espectral de cada pixel em busca de regiões homogêneas. Estes classificadores se baseiam em métodos estatísticos ou determinísticos. Os classificadores por região consideram não somente a informação espectral do pixel no processo de classificação, mas também a informação espacial que envolve a relação dos pixels com seus vizinhos. Os classificadores utilizados buscam reconhecer áreas homogêneas de imagens baseados nas propriedades espectrais e espaciais dos objetos da imagem. A partir dessas classificações, percebe-se que a variedade de algoritmos é elevada. Dessa forma, procurou-se analisar os algoritmos mais comuns, que são os algoritmos descritos na Tabela 1, em que é descrito também o tipo de classificação que recebem (SANTOS et al., 2010). TABELA 1 - Principais algoritmos de classificação. ALGORITMO TIPO CLASSIFICAÇÃO Paralelepípedo Mínima distância Máxima verossimilhança Pixel a pixel Supervisionada Bhattacharya Por Região Mahalanobis (Isoseg) Não-supervisionada Fonte: Adaptado de Santos et al. (2010). 3.1 Algoritmo Paralelepípedo O algoritmo do Paralelepípedo, conforme Tabela 1, é um método de classificação supervisionada realizada pixel a pixel. Para tanto, são definidas áreas de treinamento, sendo que para cada uma delas, este classificador cria regiões com formato de paralelepípedo a partir dos valores de reflectância máximos e mínimos, ou a partir do desvio padrão da reflectância na área de treinamento (EASTMAN, 1998). 3

4 Os limites do paralelepípedo são utilizados para definir os limites de decisão da classe. Assim, na análise de certo pixel, se sua reflectância se aproximar na região do paralelepípedo a uma determinada classe, será atribuído a ele a categorização, ou seja, a rotulação referente a esta classe (EASTMAN, 1998). Essa regra de decisão é representada matematicamente pela Equação: Onde: ã çã çã Ou ainda, tomando o limite inferior e o limite superior, tem-se: Nestas equações o pixel tem os valores definidos pelo termo. Como observado, esse valor é comparado aos limites das classes e classificado conforme atenda à condição da inequação de uma classe. Esse algoritmo é bastante simplório, rápido e eficiente. Porém, frequentemente leva a classificações incorretas. Segundo Eastman (1998), isso acontece porque a região de superposição entre as distintas classes é elevada e os pixels que caem nessa zona de superposição são atribuídos à última classe introduzida no programa, independente de suas características serem mais semelhantes com a outra classe. A incorreta classificação também pode ocorrer devido ao ajustamento natural das classes no método. O mais comum é a ocorrência de pixels que não se encaixam em nenhuma classe, porque os espaços vazios entre os paralelepípedos são muitos. Os pixels que caem nesses espaços vazios são, então, rotulados como não classificados. A Fig. 3 ilustra uma aplicação do algoritmo do Paralelepípedo. As letras u, f, s, a e p correspondem as reflectâncias observadas, enquanto que os pontos representam as médias das classes. (1) (2) Fig. 3 - Esquema de aplicação do algoritmo do paralelepípedo. Fonte: Santos et al. (2010). Observa-se, na Fig. 3, que os paralelepípedos formaram-se entorno das reflectâncias e representam as classes de classificação. Os pixels são classificados em certa categoria se situarem-se sobre o paralelepípedo dessa classe. Assim, ao classificar os pixels 1 e 2 por esse modelo, o PIXEL 2 receberá a classificação de urbanização, enquanto que o PIXEL 1 será classificado como pastagem. No entanto, pela observação da proximidade do PIXEL 1 aos valores de reflectância de solo exposto, certamente ele deve ser uma região de solo exposto, o que revela a falha do algoritmo de classificação por Paralelepípedo, (SANTOS et al., 2010). 4

5 3.2 Algoritmo da Mínima Distância Esse algoritmo de classificação supervisionada atribui a cada pixel desconhecido uma classe cuja média é mais ao ND apresentado por este. Para isso é calculada a distância espectral de cada pixel até a média de cada classe em cada banda. Essa distância é geralmente calculada a partir da relação de Pitágoras expressa pela seguinte fórmula: (3) Sendo: çã çã As vantagens de aplicação desse método são sua simplicidade e a eficiência em termos computacionais, bem como maior precisão em vista do método do Paralelepípedo. Mas, por outro lado, também despreza a variância e a covariância, como ocorre no método do Paralelepípedo. A Fig. 4 foi exemplificada uma aplicação prática do algoritmo de classificação da distância mínima euclidiana na classificação dos pixels 1 e 2. Fig. 4 Esquema de aplicação do algoritmo de mínima distância. Fonte: Santos et al. (2010). Nota-se que o PIXEL 1 está mais próximo da média do solo exposto, enquanto o PIXEL 2, está mais próximo da média de fragmentação florestal. Logo, pelo método da Mínima Distância o PIXEL 1 será classificado com solo exposto e o PIXEL 2 como fragmentação florestal. Essa classificação revela a desvantagem desse método, pois pela Figura é possível observar que o PIXEL 2 está mais propenso a ser uma região de urbanização, em decorrência da grande variância dessa área, que é desconsiderada pelo método, (SANTOS et al., 2010). 3.3 Algoritmo da Máxima Verossimilhança O algoritmo da Máxima Verossimilhança é um tipo de classificação supervisionada, isto é, utiliza áreas de treinamento. De acordo com Mustapha (2010), essas áreas são descritas numericamente e apresentadas ao algoritmo computacional, que classifica os pixels de toda a região dentro da respectiva classe espectral ao qual mais se assemelham. Nesta classificação esse método avalia a variância e a covariância das categorias de padrões de resposta espectral do pixel desconhecido. Para isso, assume-se que a distribuição da nuvem de pontos que forma a categoria dos dados de treinamento tem distribuição normal Gaussiana. Assim, a distribuição de um padrão espectral da categoria pode ser completamente descrita por um valor de média e pela matriz de covariância. Com esses parâmetros, é possível calcular a probabilidade estatística de um dado valor de pixel pertencer a uma classe particular, através das funções de densidade de probabilidade (LILLESAND e KIEFFER, 1994). Essa operação é realizada no software computacional através da seguinte Equação: (4) 5

6 Onde: Então, os pixels são atribuídos à classe de maior probabilidade Pc, isto é, a classe com que tem a máxima verossimilhança. Os limites de classificação entre as classes são estabelecidos a partir daqueles pontos que tenham a mesma probabilidade de classificação entre duas classes vizinhas, conforme ilustra a Fig. 5. Fig.5 Limite de decisão entre as classes no método da máxima verossimilhança. Fonte: Adaptado de Santos et al Na Fig. 6 é apresentado um exemplo da aplicação do método da Máxima Verossimilhança. Observa-se que esse método agrupa as diferentes classes através de uma região de formato irregular, definida pelas equações estatísticas usadas. Essa região é apresenta precisão superior às regiões usadas pelos métodos anteriores, contemplando corretamente cada classe. Assim, nessa classificação o PIXEL 1 é enquadrado na classe de solo exposto, pois a probabilidade calculada de ele pertencer a essa classe Pc é maior. Por razões semelhantes, o PIXEL 2 é classificado como urbanização. Essas classificações se revelam bastante acuradas. Fig. 6 Esquema de aplicação do algoritmo de Máxima Verossimilhança. Fonte: Santos et al. (2010). Como observado na Fig. 6, à precisão obtida aplicando-se método a partir da decisão estatística é muito boa. Entretanto, pixels que são oriundos de classes diferentes das que foram definidas no software podem ser classificados com uma imprecisão maior, pela dificuldade que o método pode ter para distingui-los (SANTOS et al., 2010). 6

7 3.4 Algoritmo da Bhattacharyya O classificador Bhattacharyya é um algoritmo de classificação supervisionada e, portanto, não realiza a classificação automática e necessita de treinamento. Além disso, é um classificador por regiões. As regiões são definidas na imagem a partir de uma segmentação e são as regiões, e não os pixels, que são classificados. As amostras usadas para treinamento compreendem as regiões formadas na segmentação de imagens. Nesse algoritmo é utilizada a medida Bhattacharyya para medir a separabilidade estatística entre um par de classes espectrais, medindo a distancia média entre as distribuições de probabilidades de classes espectrais (MENEZES e ALMEIDA, 2012). Essa distância pode ser calculada pela seguinte expressão: Onde: (5) Essa distância Bhattacharyya, diferentemente da distância euclidiana que representa a distância entre os pontos, é uma distância obtida a partir da análise das médias e covariância das amostras. Isso pode ser visto na própria Equação 5, em que se faz a diferença das médias na primeira operação e na segunda, e a diferença entre as médias das matrizes de covariância das duas amostras. 3.5 Algoritmo de Mahalanobis O Isoseg ou algoritmo de Mahalanobis é um algoritmo de classificação não supervisionada e por região. Neste, o agrupamento dos pixels em regiões é realizado pelo próprio algoritmo, a partir da semelhança entre as mesmas. Posteriormente, essas regiões são classificadas com base em seus dados estatísticos (média e matriz de covariância), através da distância de Mahalanobis. A distância de Mahalanobis é um valor calculado entre as regiões a serem classificadas e as classes de classificação disponíveis, através da equação: Onde: (6) ã ã Essa distância representa a semelhança entre a região a se classificar e a classe. A região será classificada na classe em que apresentar a menor distância de Mahalanobis. Por fim, após a classificação de todas as regiões, procedese com a reclassificação das mesmas. O parâmetro da média de cada classe é recalculado de acordo com a distribuição que se obteve e as regiões são reagrupadas. Esse processo ocorre até que a média não seja significativamente alterada por um novo cálculo. No fim, todas as regiões são associadas a uma classe definida. De acordo com Menezes e Almeida (2012), esse algoritmo é um classificador de distância variável de acordo com a direção e que utiliza estatística para cada classe, de maneira semelhante ao classificador por máxima verossimilhança, mas assume que todas as classes têm covariâncias iguais. Com isso, tem a vantagem de ser mais veloz do que o algoritmo de máxima verossimilhança. 3.6 Análise Comparativa Comparando os classificadores "pixel a pixel", ou seja, os algoritmos do Paralelepípedo, das Distâncias Mínimas e da Máxima Verossimilhança, observa-se que no geral um melhor resultado é obtido para o algoritmo da Máxima Verossimilhança, pois este classificador considera em seus cálculos os valores de média e de variância, enquanto os outros dois não levam tais fatores em consideração. No entanto, a melhor eficiência desse método é dependente de áreas de treinamento bem estabelecidas e facilmente distinguíveis pelo software. Caso contrário, o resultado geralmente é pobre e confuso. Então, nos casos em que as áreas de treinamento não possam ser muito bem definidas, talvez seja melhor utilizar o método das Distâncias Mínimas ou do Paralelepípedo. Nesses casos, o método das Distâncias Mínimas deve ser preferido quanto a principal exigência é pela eficiência e precisão dos dados, pois tem algoritmo simples e de 7

8 elevada eficiência computacional. Por outro lado, o Método do Paralelepípedo, por ser um método muito rápido, deve ser escolhido caso o fator principal de exigência seja um tempo reduzido. Entre os algoritmos por região, o algoritmo de Bhattacharyya tem eficiência maior devido ao seu método de cálculo mais abrangente. Ao mesmo tempo, algoritmo de Mahalanobis usa um método de cálculo mais simples que o de Bhattacharyya e, dessa forma, seu processamento é mais rápido, ao mesmo tempo em que apresenta uma boa eficiência de classificação. Observa-se ainda que o método de Mahalanobis é não supervisionado, enquanto o método de Bhattacharyya é supervisionado e requer a definição de áreas de treinamento. Por fim, nos métodos classificadores por região o contexto em que o pixel se encontra é considerado na classificação. Como as características do meio inserido também são analisadas, a classificação por região é mais certeira do que a classificação "pixel a pixel". 4. CONCLUSÕES Apesar de semelhantes em sua sistemática de classificação, com a separação em classes e classificação dos pixels e/ou regiões de acordo com o enquadramento ou não a essas classes, cada algoritmo tem uma característica peculiar que o favorece ou desfavorece mediante outro, de acordo com as condições verificadas em cada imagem a ser classificada. Assim, o uso desses algoritmos para geração de mapas de uso e classificação dos solos deve levar em consideração a qualidade da imagem disponível da região para definição do melhor método a ser utilizado. REFERÊNCIAS BIBLIOGRÁFICAS CÂMARA, G. Imagens Digitais: Desta Vez Vamos?. In: MundoGeo, Futuro Geo, 02 de agosto de Disponível em: < Acesso: março/2014. EASTMAN, J. R. Idrisi for Windows: Introdução e Exercícios Tutoriais. J. Ronald Eastman. Editores da versão em português, Heinrich Hasenack e Eliseu Weber. Porto Alegre, UFRGS, Centro de recursos Idrisi, LILLESAND, T. M.; KIEFER, R. W. Remote sensing and image interpretation. Chichester: John Wiley & Sons, 2. ed., 750 p., MELO, E. R. S.; GRIGIO, A.M; DIODATO, M. A. O Mapeamento do uso e ocupação do solo como ferramenta de gestão ambiental: o caso do município de Mossoró (RN). In: 62ª Reunião Nacional da SBPC. Ciências do Mar: Herança para o futuro, Natal/RN, de 25 a 30 de julho de Disponível em: < Acesso: março/2014. MENEZES, P. R.; ALMEIDA, T. Introdução ao processamento de imagens de Sensoriamento Remoto. Brasília: MUSTAPHA, M. R.; LIM, H. S.; JAFRI, M. Z. Comparison of Neural Network and Maximum Likelihood Approaches in Image Classification. In: Journal of Applied Sciences, 10: , RIO DE JANEIRO. Instrumentos do Plano Diretor Cartilha: Lei de Uso e Ocupação do Solo LUOS. Secretaria Municipal De Urbanismo. Disponível em: < c2a9339f578d>. Acesso: março/2014. SANTOS, A. R.; PELUZIO, T.M.O.; SAITO, N. S. Spring Passo a Passo: Aplicações Práticas. Alegre, ES : CAUFES : Disponível em: < Acesso em: 10 de março de