Anais XVI Simpósio Brasileiro de Sensoriamento Remoto - SBSR, Foz do Iguaçu, PR, Brasil, 13 a 18 de abril de 2013, INPE

Transcrição

1 Mapeamento do uso e cobertura da terra a partir da segmentação e classificação orientada a objetos em imagens do TM/Landsat-5: caso de estudo de parte do município de Brasil Novo PA Veronika Leitold 1 Silvia Palotti Polizel 1 Maurício Alves Moreira 1 1 Instituto Nacional de Pesquisas Espaciais - INPE Caixa Postal São José dos Campos - SP, Brasil. {vleitold; polizel; mauricio}@dsr.inpe.br Abstract. Remote sensing techniques are essential for monitoring land cover and land use changes, especially in large areas such as the municipalities of northern Brazil. This paper discusses the application of the Linear Spectral Mixing Model (LSMM) and segmentation techniques in TM/Landsat-5 images for mapping land use and land cover classes with respect to deforestation in an area of the municipality of Brasil Novo in the state of Pará. We attempt to correlate the areas of deforestation, which began with the construction of the Trans- Amazonian Highway (BR-230), with the new areas of forest clearing, driven by the creation of settlements, which use the river channels as outflow routes. To understand this dynamic, we adopt a temporal analysis, with satellite images from 1991 and Image interpretation is carried out using segmentation followed by objectoriented classification, with the help of fraction images derived from the LSMM to aid the classification process. By analyzing the results, we note a reduction in forest areas of 82.23% in 1991 to 53.14% in Deforestation is found to be more intense in the vicinity of the Trans-Amazonian Highway and along river channels. This pattern is in strong association with the agrarian structure predominant in this area of the Brazilian Amazon. Palavras-chave: linear spectral mixing model, object-oriented classification, Trans-Amazonian Highway, deforestation, modelo linear de mistura espectral, classificação orientada a objetos, Rodovia Transamazônica, desmatamento. 1. Introdução A região sob a influência da Rodovia Transamazônica (BR-230) é muito rica em recursos naturais, no entanto, nas últimas décadas tem sofrido significativas perdas de cobertura vegetal. O padrão histórico de ocupação da região mostra que extensas áreas de florestas transformaram em pastagens, o que acarretou em perda dos recursos naturais. Nos anos 60 e 70, a estratégia de integrar a Amazônia ao resto do país transformou o projeto de construção da Rodovia Transamazônica em um vetor de ocupação regional. Durante a década de 70, esta rodovia, com aproximadamente cinco mil quilômetros de extensão, atraiu diversas pessoas procedentes de todo o país, com o intuito de buscar terras para produção agrícola e pecuária (FVPP, 2002; 2006). O município de Brasil Novo, situado a sudoeste do estado do Pará, nasceu a partir de uma área desmembrada dos municípios de Medicilândia, Altamira e Porto de Moz, com sua sede localizada às margens da Rodovia Transamazônica (BR-230), no quilômetro 46, abrangendo ambas as margens desta rodovia. Este município, criado pelo Plano de Integração Nacional, tem relevância no cenário atual de desflorestamento da floresta Amazônica. A área apresenta aspectos promissores economicamente, devido a sua localização geográfica e terras agricultáveis. Brasil Novo possui uma população de habitantes (IBGE, 2010), dos quais 61% correspondem à população que reside em áreas rurais. É servido por 15 vicinais (travessões), que interligadas proveem o acesso à sede urbana, tendo como eixo principal a Rodovia Transamazônica. A economia do município está estruturada na pecuária extensiva de corte, extração de madeira de lei, comércio e prestação de serviços básicos, agricultura perene (cacau, café, pimenta-do-reino, frutas) e culturas agrícolas anuais (feijão, arroz, milho, mandioca, etc.), além de algumas indústrias artesanais e serrarias de médio porte. 7754

2 Através de análise visual das imagens de satélite da área, nota-se que há uma dificuldade no mapeamento de uso e ocupação da terra nesta região, pelo fato de apresentar um padrão de ocupação da terra no formato de espinha de peixe, no qual há considerável número de pequenas propriedades localizadas ao longo de estradas (ALVES et al., 1996). Este padrão configura-se por um extenso perímetro de transição entre diferentes classes de uso e cobertura da terra. Além deste aspecto, neste tipo de estrutura fundiária há o predomínio de ocupação de pequenas parcelas, o que limita o uso de imagens de satélites sob o ponto de vista de resolução espacial (VASCONCELOS; NOVO, 2004). O histórico de desmatamento desta área em forma de espinha de peixe mostra que o processo começou ao longo das margens da Rodovia Transamazônica. Hoje, essa forma de desmatamento se expande também pela calha dos rios. Segundo Lima e Nóbrega (2009), esta dinâmica pode ser explicada pela formação de pequenos assentamentos próximos aos rios, visto que desde os povos mais antigos, alojam-se na proximidade de corpos d água. Embora contradizendo os defensores de uma mata natural intacta, Lima e Nóbrega (2009) comentam que para o desenvolvimento das atividades econômicas e de subsistência da população local, áreas significativas de florestas devem ser extintas, o que acelera ainda mais o desmatamento na área. Deste modo, para o monitoramento da dinâmica do desmatamento nessa região da floresta Amazônica, é fundamental a utilização das técnicas de sensoriamento remoto e de geoprocessamento, sobretudo pela dimensão desta região e a dificuldade de acesso a várias áreas. De acordo com Vasconcelos e Novo (2004), a interpretação visual de imagens de satélites é um método bem difundido e utilizado em diversos estudos para o mapeamento do uso e cobertura da terra. Este trabalho visa compreender, com base em classificação orientada a objetos, o processo e dinâmica de desmatamento no município de Brasil Novo (PA) em um intervalo de 20 anos e correlacionar as classes de uso e cobertura, com os processos econômicos e fundiários existentes neste município, além de aplicar e avaliar as técnicas de processamento de imagens, como o Modelo Linear de Mistura Espectral, a técnica de segmentação e a classificação automática. 2. Metodologia de Trabalho 2.1 Área de estudo O município de Brasil Novo situa-se a sudoeste do estado do Pará, na microrregião de Altamira. O município possui uma área territorial de 6.362,6 km² e localiza-se a uma latitude de 3º18 17 sul e a uma longitude de 53º32 08 oeste (Figura 1). Figura 1. Localização do município de Brasil Novo, Estado do Pará e a área de estudo que compreende km² na parte norte desse município. 7755

3 2.2 Seleção do material e registro das imagens O critério para a seleção das imagens nos anos de 1991 e 2011 foi baseado na cobertura de nuvens e visibilidade. No presente trabalho, foram utilizadas duas imagens TM/Landsat-5 correspondentes à cena 226/62 com datas de aquisição de 20/07/1991 e 27/07/2011, e com resolução espacial de 30 x 30 m. O georreferenciamento das imagens foi feito no ArcGIS 10.0, registrando a segunda data (27/07/2011) com base na imagem de referência de 20/07/1991, obtida já registrada no site do Global Land Cover Facility. O erro quadrático médio obtido foi de 10,1 metros, enquadrando-se dentro dos padrões de precisão cartográfica, os quais indicam que o erro deve ser inferior à metade do tamanho do pixel da cena. 2.3 Modelo Linear de Mistura Espectral (MLME) Um dos grandes problemas no processo de classificação de dados orbitais refere-se à mistura espectral que ocorre sempre quando um mesmo pixel inclui duas ou mais classes espectrais, denominadas neste contexto de membros de referência. Assim, diversos estudos propõem utilizar a informação espectral em nível de sub-pixel para mapear e avaliar a evolução de classes de cobertura da terra. Para tal objetivo, pode-se empregar o Modelo Linear de Mistura Espectral (MLME) o qual assume que a resposta espectral de um pixel pode ser modelada por uma combinação linear das respostas espectrais destes membros de referência (SHIMABUKURO; SMITH, 1991). Freitas et al. (2008) comentam que uma maneira convincente de expressar as frações dos membros de referência consiste na geração das chamadas imagens-frações, que representam as proporções de vegetação, de solo de sombra ou água para cada pixel da imagem. No presente trabalho, foi executado o MLME no programa SPRING 5.2, para gerar as imagens-fração solo, vegetação e sombra. Para este procedimento, foram utilizadas as bandas TM3 ( µm), TM4 ( µm) e TM5 ( µm) do Landsat Segmentação das imagens A segmentação das imagens originais, bandas TM3, TM4 e TM5, foi realizada no programa Definiens 7.0 pelo método de crescimento de regiões, denominado Fractal Net Evolution Approach (BAATZ; SCHAPE, 1999). Este método de processamento e classificação de imagens é do tipo orientado a objetos, isto é, o programa executa algoritmos de segmentação para agrupar pixels semelhantes e adjacentes em polígonos ou em objetos de imagem ao invés das técnicas de processamento tradicionais que são baseadas em pixels (NEWELL; OLOFSSON, 2008). A segmentação multiresolução, aplicada neste trabalho, teve três principais critérios que definem como a imagem deveria ser segmentada: parâmetro de escala, forma e compacidade. O parâmetro de escala determina o tamanho dos segmentos, e é um número arbitrário não relacionado com a dimensão ou tamanho do pixel. O parâmetro de forma varia entre 0 e 1, onde valores baixos representam segmentos fortemente ponderados em cor e valores altos indicam segmentação com base na forma. O parâmetro de compacidade define quanto compactos os objetos serão: um valor de 0.1 dá segmentos ondulados e irregulares, enquanto um valor de 0.9 produz segmentos compactos. Além destes parâmetros, o usuário pode dar pesos entre 0 e 1 para as diferentes bandas da imagem. Os parâmetros utilizados neste processo foram: 25, 0.1 e 0.5 para o parâmetro de escala, a forma e a compacidade, respectivamente. 2.5 Classificação das imagens segmentadas Após a segmentação das imagens, foi realizada a classificação baseada em objetos. Este passo consistiu na criação de um esquema hierárquico de classificação através do estabelecimento das classes desejadas e definição das regras de classificação para cada uma 7756

4 dessas classes. Foram criadas cinco classes: Água, Floresta, Solo, Pasto e Regeneração (e no caso da imagem de 2011, uma classe adicional: Nuvem). Com base na análise visual na composição colorida 5R4G3B das imagens TM/Landsat, gerou-se uma chave de interpretação conforme mostrado na Tabela 1. O classificador do Definiens oferece vários parâmetros que o usuário pode aplicar para discriminar as classes na imagem. Exemplos de tais parâmetros incluem: média e desvio padrão da reflectância, brilho, índice de vegetação simples (IVS), índice de vegetação de diferença normalizada (NDVI), área do objeto de imagem, entre outros. Além destes parâmetros, neste trabalho foram utilizadas as imagens-fração solo e sombra, previamente geradas pelo MLME no software SPRING. A classe Água foi a primeira a ser classificada, tendo como base sua baixa reflectância média na banda TM5 e baixo valor de índice de vegetação simples comparado com os outros alvos na cena. Neste procedimento, como nas outras classificações a seguir, foi utilizado o classificador vizinho mais próximo. O próximo passo na classificação foi subdividir a classe não água em classes de cobertura da terra mais detalhadas. Assim, foram discriminadas as classes: Floresta, Solo, Pasto e Regeneração sucessivamente, utilizando características dominantes do comportamento espectral aparentes destes alvos nas bandas TM3 e TM5 e na imagem-fração solo. Tabela 1. Chave de interpretação determinada a partir dos padrões espectrais para as diferentes classes de uso do solo observadas na composição colorida 5R4G3B. Classes* Cor Tonalidade Textura Forma Contexto Exemplo Floresta verde baixa rugosa irregular Regeneração verde claro média Pasto Solo magenta escuro e verde claro magenta claro média alta *Adaptada de GOMES et al. (2005) levemente rugosa lisa ou levemente rugosa regular e irregular regular alta lisa regular em áreas sem acesso observado próxima às áreas de pastagem, com acesso facilitado áreas de fácil acesso, representadas por regiões regulares, distribuídas ao longo de estradas e rios 2.6 Avaliação da classificação Os resultados da classificação nas imagens das duas datas selecionadas foram avaliados por meio de matriz de confusão e pelo índice Kappa para estimar a exatidão (CONGALTON; GREEN, 1999). O índice Kappa para um mapa temático é baseado na comparação das classes ajustadas pelo classificador com a verdade terrestre, com base na correspondência do conjunto de pontos teste. Esse índice pode ser calculado a partir da Equação 1: k p p p o c (1) 1 v em que: p 0 é a proporção de casos em acordo (i.e. os corretamente alocados pelo classificador) e p c é a proporção de acordo com o que é esperado para cada caso. 7757

5 A área percentual de cada classe de cobertura de solo foi calculada em relação ao total da área de estudo. Em seguida obteve-se uma amostra de pontos, tidos como teste, para cada uma das classes definidas. O número de pontos amostrado variou em função da maior ou menor porcentagem da classe em relação à área mapeada. No total, 1000 pontos de teste foram distribuídos entre as classes na imagem de 1991 e 990 na imagem de 2011, com um mínimo de 10 pontos em cada classe. Os pontos foram dispersos aleatoriamente sobre a área de estudo, e avaliação visual foi realizada com base nas imagens originais (composição falsa-cor R5G4B3) bem como nas imagens-fração solo para determinar a classe real de cada ponto de teste. Este processo de verificação visual foi realizado separadamente para as duas classificações, e os resultados foram resumidos em matrizes de confusão. Finalmente, o índice Kappa foi calculado com base nos valores da matriz para obter uma indicação do nível de precisão da classificação. 2.7 Edição matricial Este procedimento foi executado apenas na imagem de 2011, onde apareceram poucas nuvens e sombras de nuvens - as sombras foram classificadas conforme as áreas onde elas caíram, e as nuvens foram agrupadas em uma nova classe Nuvem. 3. Resultados e Discussão A segmentação e a classificação das imagens nas duas datas foram feitas nas imagens fração sombra e solo, conforme a recomendação de Mello et al., (2003). As imagens-fração sombra proporcionaram um grande contraste entre áreas florestadas, de média quantidade de sombras, e áreas desflorestadas, com baixa quantidade de sombras. Já as imagens-fração solo (Figura 2), por apresentarem as áreas de não floresta e floresta bem diferenciadas, também ajudaram discriminar as subclasses Solo, Pasto e Regeneração dentro das áreas caracterizadas como não floresta (MELLO et al., 2003). Figura 2. Imagens-fração solo de parte do município de Brasil Novo para as datas de (A) 20/07/1991 e (B) 27/07/2011, utilizadas na discriminação das classes de uso e cobertura da terra no processo de classificação. O refinamento da segmentação utilizada e seus limiares permitiram que as classes propostas fossem bem individualizadas das demais classes de uso do solo. A classificação orientada a objetos possibilitou que fosse agregado o conhecimento do intérprete na elaboração das regras para a classificação. Deste modo, testes de classificação foram minimizados, visto que o conhecimento do intérprete contribuiu para o processo e diminuiu a proporção de erros no resultado final. 7758

6 A validação das imagens classificadas, realizada através do índice Kappa, mostrou uma correspondência significativa de acertos entre as classes mapeadas pelo classificador com a realidade de uso e cobertura da área de estudo. Os resultados obtidos foram de um Kappa de 0,77 para o ano de 1991 e 0,73 para 2011 (Tabela 2). A redução do índice Kappa na classificação do ano de 2011 pode ser explicada pelo uso e cobertura mais diferenciado da área de estudo, confundindo mais o classificador. Os índices Kappa obtidos foram satisfatórios e enquadram-se na categoria Substancial (0, ) de grau de concordância, conforme descrito em Congalton e Green (1999). Tabela 2. Matriz de confusão para os anos (a) 1991 e (b) 2011, com p ij representando o número de pontos de controle na classe real, i, e a classe alocada pelo classificador, j. As classes são: 1 = Água; 2 = Floresta; 3 = Pasto; 4 = Regeneração; 5 = Solo e 6 = Nuvem. Referência a) Classificação b) Classificação Classes Total Total Total: O mapeamento do uso e cobertura da terra com as classes de Floresta, Regeneração, Solo, Pasto, Água e Nuvem para os anos de 1991 e 2011 pode ser visualizado nas Figuras 3.A e 3.B, respectivamente, e na Tabela 3. Figura 3. Mapas temáticos de uso e cobertura da terra na área de estudo derivados do processamento de imagens TM/Landsat-5, referentes aos anos de (A) 1991 e (B) Com base na análise qualitativa dos mapas, pode-se notar que houve uma drástica redução da classe Floresta. Este desflorestamento ocorreu na forma de espinha de peixe acompanhando o traçado da Rodovia Transamazônica, situada ao sul do recorte da área de estudo. Além deste local, o desflorestamento predominou próximo ao leito dos rios. Esta 7759

7 classe foi substituída pela classe Regeneração e Solo, mas predominantemente pela classe Pasto. Ao comparar os resultados da classificação dos anos de 1991 e 2011 (Tabela 3) pode-se constatar que houve uma redução de aproximadamente 30% na classe Floresta; um aumento de cerca de 10% da classe Regeneração; um aumento de 17% da classe Pasto e uma redução inexpressiva da classe Solo. A classe de Nuvem só foi verificada no ano de No entanto, sua área foi praticamente inexpressiva e não se localizou sobre a área de interesse, por isso não foi representada nas tabelas de individualização das classes. Já a classe Água, que inclui os corpos d água, objetos de interesse deste estudo foi pouco representada individualmente na classificação, devido à densidade de vegetação e mata ciliar ao longo do leito dos rios. Esta característica da área, atrelada à resolução espacial de 30 metros configurou na identificação de poucos corpos d água. Tabela 3. Área em Km² e porcentagem das classes de uso e cobertura da terra em uma área do município de Brasil Novo em 1991 e Classes Área em Km² Área em Km² % em 1991 % em 2011 para 1991 para 2011 Floresta 3075, ,89 82,23 53,14 Regeneração 192,98 633,15 5,16 16,98 Pasto 420, ,09 11,24 28,61 Solo 51,06 41,33 1,36 1,11 Nuvem - 5,80-0,16 Ao correlacionar os resultados contidos nos mapas de uso e cobertura da terra, bem como os dados quantitativos entre as duas datas, com as atividades econômicas e fundiárias relatadas na literatura para o município de Brasil Novo, pode-se associar este desmatamento ao aumento do número de pequenos assentamentos instalados na região. Segundo Lima e Nóbrega (2009) a maioria dos assentamentos possui área menor de 50 hectares. Este desmatamento distribui-se nas regiões central e leste do município, próximos a rodovias como a BR-230 e estradas conectadas a ela, além de estarem associados às áreas de rios e no interior destes assentamentos. Em relação às atividades econômicas desenvolvidas na região, Lima e Nóbrega (2009) comentam que houve um aumento em 70% dos financiamentos agropecuários, destinados à pecuária (a atividade pecuária aumentou mais de duas vezes e meia em relação a 1991). Já a atividade madeireira, entre 2000 e 2007, teve o dobro de volume de lenha explorada enquanto que o volume das toras triplicou. Assim, de acordo com estas informações, deduz-se que o principal vetor para o desmatamento no município foi à atividade pecuária, devido à quantidade de recursos financiados e pelo grande crescimento da atividade no período analisado. A atividade agrícola teve uma participação muito pequena, inclusive houve uma redução de área agrícola em 2011, comparado a Sobre os assentamentos rurais, eles tiveram uma contribuição significativa devido às altas taxas de desmatamento localizadas no seu interior. 4. Conclusões Ao analisar os resultados da aplicação das técnicas de segmentação nas imagens fração, geradas a partir do MLME pode-se dizer que as imagens-fração sombra e solo foram fundamentais para diferenciar as classes: floresta, regeneração, pasto e solo. Cabe salientar que a classificação orientada a objeto utilizada neste trabalhou mostrou-se como uma técnica satisfatória, pois agregou o conhecimento do intérprete ao processamento automático, minimizando os erros de classificação. 7760

8 Em relação ao mapeamento do uso e cobertura da terra na área selecionada do munícipio de Brasil Novo (PA), constatou-se que a dinâmica de ocupação da área é mais intensa no entorno da Rodovia Transamazônica e ao longo do leito dos rios, características estas associadas à estrutura fundiária do local. A redução da área de floresta na Amazônia Brasileira merece estudos e atenção, visto que este bioma é um dos mais ricos do mundo e necessita ser preservado. 5. Referências Alves, D. S.; Moreira, J. C.; Mello, E. M. K.; Soares, J. V.; Silva, O. F.; Almeida, S. A. S.; Ortiz, J. O.; Amaral, S. Mapeamento do uso da terra em Rondônia utilizando técnicas de segmentação e classificação de imagens TM. In: Simpósio Brasileiro de Sensoriamento Remoto (SBSR), 8., 1996, Salvador. Anais... São José dos Campos: INPE, Artigos, p Baatz, M.; Schape, A. Object-oriented and multi-scale image analysis in semantic networks. Proceedings of the 2nd international symposium on operationalization of remote sensing, ITC, Enschede, p , Congalton, R.; Green, K. Assessing the Accuracy of Remotely Sensed Data: Principles and Practices. Boca Raton, FL: CRC/Lewis Press, p. Earth Science Data Interface (ESDI) at the Global Land Cover Facility. Disponível em: < Acesso em: 1.jul FVPP Fundação Viver, Produzir e Preservar Diagnóstico Rápido e Participativo Altamira. Elaborado por Ana Paula S. Sousa, Carlos H. S. D ávila, Edivânia Duarte, Francisco C. Feitosa, Idelbergue F. Araújo, Juraci D. Da Costa. FVPP Fundação Viver, Produzir e Preservar A história do movimento pelo desenvolvimento da Transamazônica e Xingu/SDS/ PDA/PPG7 Brasília: MMA, p. (Série Sistematização, VII). Gomes A. R.; Freitas, C. C.; Sant Anna, S. J. S.; Dutra, L. V. Avaliação da aplicação de classificadores pontuais e por regiões para imagem JERS-1 em ambiente SPRING. In: Simpósio Brasileiro de Sensoriamento Remoto (SBSR), 12., 2005, Goiânia. Anais... São José dos Campos: INPE, Artigos, p IBGE Censo Demográfico Disponível em: < Acesso em: 25.jun INPE - Catálogo de Imagens. Disponível em: < Acesso em: 25.jun Lima, A.; Nóbrega, B. Indicadores socioeconômicos e espaciais dos municípios prioritários para o controle do desmatamento no Estado do Pará. Instituto de Pesquisa Ambiental da Amazônia IPAM, p. Mello, E. M. K.; Moreira, J. C.; Santos, J. R.; Shimabukuro, Y. E.; Duarte, V.; Souza, I. M.; Barbosa, C. C.; Souza, R. C. M.; Paiva, J. A. C. Técnicas de modelo de mistura espectral, segmentação e classificação de imagens TM-Landsat para o mapeamento do desflorestamento da Amazônia. In: Simpósio Brasileiro de Sensoriamento Remoto (SBSR), 11., 2003, Belo Horizonte. Anais... São José dos Campos: INPE, Artigos, p Newell, J. E.; Olofsson, P. ecognition Tutorial: Classifying a QuickBird Image. Dept of Geography and Environment, Boston University. Disponível em: <ftp://crsa.bu.edu/geogfaculty/olofsson/bostonpan/tutorial.pdf>. Acesso em: 15.jul Shimabukuro, Y. E.; Smith, J. A. The Least-Squares Mixing Models to Generate Fraction Images Derived From Remote Sensing Multispectral Data. IEEE Transactions on Geoscience and Remote Sensing, v. 29, n. 1, Vasconcelos, C. H.; Novo, E. M. L. Mapeamento do uso e cobertura da terra a partir da segmentação e classificação de imagem-fração solo, sombra e vegetação derivados do modelo linear de mistura aplicado a dados do sensor TM/Landsat-5, na região do reservatório do Tucuruí-PA. São José dos Campos. INPE Disponível em: Acesso em: 1.jul