ANÁLISE DE CLASSIFICAÇÃO DE IMAGEM RAPIDEYE POR MEIO DOS SOFTWARES INTERIMAGE E SPRING.

Transcrição

1 ANÁLISE DE CLASSIFICAÇÃO DE IMAGEM RAPIDEYE POR MEIO DOS SOFTWARES INTERIMAGE E SPRING. Classification Analysis of RapidEye Image Through the Softwares Spring and InterIMAGE. Andrea Amaziles Antunes Alves de Carvalho 1 Leandro da Silva Gregório 2 Marcos Roberto Farias Ferreira 3 Rodrigo de Souza Couto 4 Wallas Oliveira de Castro 5 Welber Ferreira Alves 6 Gilson O. A. Pinto Costa 7 Ricardo Seixas Brites 8 Edilson de Souza Bias 9 1,2,3,4,5 Instituto Brasília Ambiental - IBRAM/DF Superintendência de Estudos, Projetos e Programas.- SUPEM supem.ibram.df.gov@gmail.com 6 Agência Reguladora de Águas, Energia e Saneamento Básico do Distrito Federal - ADASA Superintendência de Recursos Hídricos - SRH welber.alves@adasa.df.gov.br 7 Pontifícia Universidade Católica do Rio de Janeiro PUC/RJ Departamento de Engenharia Elétrica - ELE Laboratório de Visão Computacional - LVC gilson@ele.puc-rio.br 8, 9 Universidade de Brasília - UnB Instituto de Geociências - IGD edbias@unb.br RESUMO O desenvolvimento tecnológico em sensoriamento remoto vem proporcionando um grande incremento na qualidade das imagens orbitais. Um exemplo notável é o satélite RapidEye que com a sua resolução espacial e temporal, passou a ser bastante atrativo para estudos ambientais no Brasil, mobilizando o Governo Federal para aquisição de imagens para suprir toda a cobertura do País. Apesar do extraordinário avanço, os métodos de classificação ainda sofrem muita influência da mistura espectral devido à variância inter- pixel observada nas imagens de alta resolução. Na busca de novas soluções, surgiram softwares que possibilitam a classificação de imagens com base em objetos, entre os quais destaca- se o ecognition e o InterIMAGE, que buscam facilitar a representação e processamento do conhecimento humano sobre as características específicas dos alvos de interesse. Estes sistemas são baseados em regras e árvores de decisão, representando o conhecimento do especialista. O presente trabalho teve como objetivo desenvolver uma análise do uso e ocupação do solo na Fazenda Boa Vista, localizada na porção oeste do Distrito Federal, na Região Administrativa de Planaltina, com uma área de 4.422,90 ha. Para tanto, foi utilizada uma imagem digital do satélite RapidEye obtida em 2011, e as classificações foram geradas utilizando os softwares SPRING e InterIMAGE, sendo que, na primeiro o método de classificação foi a MAXVER, e a outra com orientação a objeto. A comparação entre as duas classificações foi realizada visando identificar o melhor resultado. Em relação aos softwares utilizados percebeu- se que o InterIMAGE possui um grande potencial para classificação das imagens RapidEye e que seu resultado bruto, 1

2 sem nenhum tratamento da imagem, foi compatível com a classificação realizada no SPRING, no qual a imagem passou por procedimentos de pós- classificação. Palavras chaves, InterIMAGE, SPRING, Classificação, Orientação a Objeto ABSTRACT The technological development in the remote sensing field is allowing a large improvement in the quality of satellite imagery. A notable example is the RapidEye satellite that, with its spatial and temporal resolution, has become very attractive for environmental studies in Brazil, mobilizing the Federal Government to acquire images to cover the entire country. Despite the breakthrough, the classification methods are still very influenced by the spectral mixture due to the high inter-pixel variance observed in high resolution imagery. In the search for new solutions new software have emerged enabling the image classification based on objects. Among them the ecognition and InterIMAGE are highlighted, both seeking to facilitate the representation and processing of human knowledge on the specific characteristics of targets. These systems are based on rules and decision trees, representing the expert's knowledge. This study aimed at the developement and analysis of the use and occupation of the Fazenda Boa Vista, located in the western portion of the Federal District, in the Planaltina Administrative Region with an area of ha. A digital image of the RapidEye satellite acquired in 2011 was used, and the classifications were generated using the SPRING and InterIMAGE software. The first was used to generate a GML (Gaussian Maximum Likelihood) classification while the second performed the object oriented classification. A comparison between the two classifications was made to identify the best result. Considering the used software, it was realized that the InterIMAGE has great potential for the classification of RapidEye images and its final product, without any further image treatment besides the classification itself, was consistent with the SPRING classification, in which the image has undergone post classification procedures. Keywords: RapidEye, InterIMAGE, Classification, Object Orientation. 1. INTRODUÇÃO Entre os aspectos que se pode relacionar para os estudos de ocupação do solo, o mapeamento do uso da terra é um dos fundamentais, uma vez que possibilita, de um lado, a espacialização e a quantificação das diversas ocupações, dos elementos funcionais existentes e os seus reflexos no equilíbrio ambiental. De acordo com Bias et al. (2010) as imagens de sensoriamento remoto tornaram-se mais atrativas a partir da década de 1980, com o advento da segunda geração de satélites da série Landsat, portando um sensor de melhor resolução espacial (30 metros) e com o surgimento, em 1986, do satélite francês SPOT, com um módulo de imagens multiespectrais de resolução espacial de 20 metros e uma imagem pancromática com 10 metros. Mesmo sendo considerados sensores de média resolução espacial, a combinação com uma boa resolução espectral possibilitou de se fazer análises da complexidade do ambiente urbano, com maior fidelidade e identificação de um maior número de detalhes. Por sua vez, o uso de classificações supervisionadas com essas imagens mostrou ser um excelente método para estudos do planejamento urbano. Os produtos de sensoriamento remoto, principalmente com o advento das imagens de alta resolução espacial apresentaram uma nova perspectiva para as áreas de mapeamento, tanto pelo aspecto de resolução espacial, como pelo da resolução radiométrica. O alto nível de detalhe espacial, espectral e radiométrico das imagens produzidas pelas novas plataformas tem motivado o desenvolvimento de novos classificadores, uma vez que os tradicionais, desenvolvidos para imagens de média e baixas resoluções e que tinham como foco a classificação de pixels individuais, se mostraram pouco eficientes no reconhecimento automático dos alvos identificáveis nas imagens de alta resolução espacial hoje disponíveis (BLASCHKE & STROBL 2001; BLASCHKE et al. 2008). No que tange as novas plataformas orbitais, destaca-se a RapidEye, que opera seu próprio sistema, composto por cinco satélites de Sensoriamento Remoto, capazes de coletar imagens sobre grandes áreas, com alta capacidade de revisita. A componente espacial do sistema RapidEye encontra-se posicionada em órbita síncrona com o sol, com igual espaçamento entre cada satélite. Esta configuração permite estabelecer novos padrões de eficiência relacionados à repetitividade de coleta e a exatidão das informações geradas sobre a superfície da Terra, sendo capaz de produzir imagens de qualquer ponto do globo, em qualquer dia, todos os dias, e permite assumir uma postura pró-ativa ao capturar imagens de regiões relevantes e torná-las disponíveis mais rapidamente e com maior eficácia. A resolução espacial original de cada banda é de 6,5 metros, que após a ortorretificação, permitem uma resolução de 5m, resultando em imagens corrigidas com precisão de detalhes compatível com escala 1:25.000, Tabela 1. Os cinco satélites são equipados com sensor multiespectral composto de scanners de linha com pixels cada, capazes de capturar imagens em cinco bandas espectrais, com alcance de comprimento de onda entre 440 µm e 850 µm. É o primeiro sistema orbital a incluir a banda Red Edge, específica para o monitoramento da atividade fotossintética da vegetação, Tabela 2. 2

3 TABELA 1 - ESPECIFICAÇÕES TÉCNICAS GERAIS DOS SATÉLITES DO SISTEMA RAPIDEYE. Fonte: adaptado de RapidEye (2013). Número de Satélites 5 Altitude da Órbita 630 km, órbita síncrona com o Sol Hora de Passagem no Equador 11:00 hs (aproximadamente) Velocidade km/h Largura da Imagem 77 km Tempo de Revisita Diariamente (off-nadir); 5,5 Dias (nadir) Capacidade de Coleta 4,5 milhões de Km2/dia Tipo do Sensor Multiespectral (pushbroom imager) Bandas Espectrais 5 (Red, Green, Blue, Red-Edge, Near IR) Resolução Espacial (nadir) 6,5 m Tamanho do Pixel (ortorretificado) 5 m Armazenamento de Dados a Bordo km de dados de imagens por órbita Resolução Radiométrica 12 bits Velocidade de Download (banda X) 80 Mbps TABELA 2 BANDAS ESPECTRAIS DOS SATÉLITES DO SISTEMA RAPIDEYE µm Azul µm Verde µm Vermelho µm Red-Edge µm Infravermelho próximo Fonte: adaptado de RapidEye (2013). Na classificação baseada em objeto os pixels são inicialmente agrupados em segmentos, regiões homogêneas (de acordo com algum critério de homogeneidade) contíguas da imagem. Os segmentos são objetos primitivos aos quais o processo de classificação atribui classes (WALTER, 2004). Além de informações espectrais (média, desvio padrão, máximo, mínimo, etc.), os segmentos de uma imagem possuem uma grande quantidade de atributos adicionais que podem ser utilizados no processo de classificação: textura, forma, contexto, relações de vizinhança, etc. Neste trabalho o foram utilizados o pacote de software InterIMAGE sistema de código aberto, desenvolvido pelo Laboratório de Visão Computacional do Departamento de Engenharia Elétrica da Pontifícia Universidade Católica do Rio de Janeiro e pelas divisões de Processamento de Imagens e de Sensoriamento Remoto do Instituto Nacional de Pesquisas Espaciais (COSTA et al. 2008) e o Spring, que é um software brasileiro para Sistemas de Informações Geográficas (SIG) que teve seu berço no Instituto Nacional de Pesquisas Espaciais (INPE). O software faz parte de um projeto da Divisão de Processamento de Imagens (DPI) do INPE com a participação de outras entidades que contribuíram para o desenvolvimento de seu código e também apoiando financeiramente. Tendo como ferramentas os softwares InterIMAGE e SPRING e uma imagem RapidEye, o presente trabalho apresenta uma análise comparativa da classificação do uso e ocupação do solo, baseada nos processos de orientação a objeto (elaborada no software InterIMAGE) e pixel a pixel (elaborada no software SPRING). 2. ÁREA DE ESTUDO A Fazenda Boa Vista localiza-se na porção oeste do Distrito Federal, na Região Administrativa de Planaltina, e possui uma área de 4422,90 ha, figura 1. 2

4 3. MATERIAL E METODOS Fig.1- Fazenda Boa Vista Área de Estudo. 3.1 Material O presente trabalho apresenta uma análise do uso e ocupação do solo na Fazenda Boa Vista. Para tanto, foi utilizada uma imagem digital do satélite RapidEye obtida em 2011, tendo em vista que as imagens deste sensor são úteis para o mapeamento do uso e cobertura do solo para fins de monitoramento ambiental regional, utilizando-se os softwares SPRING e InterIMAGE. 3.2 Métodos Os procedimentos adotados para a classificação são apresentados no Fig. 2. Fig. 2 - Fluxograma de Procedimentos metodológicos. 3

5 3.2.1 Classificação da Imagem com o software SPRING Foi feita classificação "pixel a pixel" que utiliza apenas a informação espectral de cada pixel para encontrar regiões homogêneas. A técnica de classificação multiespectral foi a máxima verossimilhança (MAXVER). Nela é considerada a ponderação das distâncias entre médias dos níveis digitais das classes utilizando parâmetros estatísticos. As classes definidas de uso e ocupação das terras foram as seguintes: (a) Água (b) Antropizado (c) Veg. Campestre (d) Veg. Florestal (e) Veg. Savânica (f) Reflorestamento Após a definição das classes foram coletadas as amostras, etapa denominada treinamento no software, e procedeu-se a classificação. Antes da classificação propriamente dita, o Spring permite a análise das amostras coletadas para que seja verificada a matriz de confusão em cada classe temática. Feita a análise, partiu-se para a classificação por máxima verossimilhança (MAXVER), com limiar de aceitação de 99,9%, e por conseguinte três etapas sucessivas de pós-classificação com peso 1 e limiar 1. No Spring os resultados da classificação e de cada uma das etapas de pós-classificação são apresentados na forma de planos de informação (PIs), gerando um PI específico para cada uma das etapas processadas. Em função de limitações dos algoritmos de classificação e da variedade de comportamentos espectrais dos alvos na área de estudo, mesmo com a pós-classificação ocorreram erros de omissão e comissão. A omissão gera uma classe subestimada, visto que ocorre quando determinada feição espectral que deveria ser classificada em uma dada classe temática é classificada como pertencente a outra. Enquanto que o erro de comissão é o contrário, ou seja, a feição espectral é classificada como uma classe temática que não corresponde à realidade na superfície terrestre, sendo superestimada. Diante disso, é importante a habilidade e o conhecimento do intérprete. Cabe a ele melhorar os resultados obtidos no processamento digital, segundo critérios pré- estabelecidos. Então, após o processamento das etapas de classificação e pós-classificação foi realizada a edição matricial em cada uma das classes. A edição matricial é uma função que permite a intervenção direta do intérprete nos resultados obtidos no processamento digital, alterando eventuais erros de omissão ou comissão Classificação da Imagem com o software InterIMAGE As classificações baseadas em objetos foram feitas no software InterIMAGE v1.37. As classes definidas de uso e ocupação das terras foram as seguintes: (a) Água (b) Antropizado (c) Veg. Campestre (d) Veg. Florestal (e) Veg. Savânica (f) Reflorestamento A estruturação das redes semânticas para cada área-teste foi: Fig.3 - Rede Semântica. 4

6 A estratégia para classificação foi separar as classes duas a duas. Assim, procedeu-se a classificação da seguinte forma: Água e Terra: Índice NDWI (bandas Verde e Near IR) Operador TA_Arithmetic com os seguintes valores: b) Threshold Min 0.3 c) Threshold Max 1 d) Polygons Min Area 10 e) Dummy Value (no data) 0 f) Arithmetic Expression ( R0:1 R0:4 ) / ( R0:1 + R0:4 ) g) Morphological Filter Iterations 1 h) Reliability 0.5 i) Non-Class name Terra Para Terra: Antropizado e Natural Oeprador TA_Baatz_Segmenter com os seguintes valores: a1) Input Bands (comma separated) 0,1,2,3,4 a2) Input Weights (comma separated) 1,1,1,1,1 b) Compactness Weight 0.5 c) Color Weight 0.5 d) Scale Parameter 100 e) Use Optimization no f) Reliability 0.5 g) Euclidean Distance Threshold 20 Com a seguinte regra de decisão: Fig.4 - Regra de Decisão Para Classificação de Água e Terra. Para Natural: Vegetação Grande Porte e Vegetação Baixo Porte: Índice NDVI (bandas Near IR e Vermelho) Operador TA_Arithmetic com os seguintes valores: b) Threshold Min 0.3 c) Threshold Max 1 d) Polygons Min Area 100 e) Dummy Value (no data) 0 f) Arithmetic Expression ( R0:4 R0:2 ) / ( R0:4 + R0:2 ) g) Morphological Filter Iterations 1 h) Reliability 0.5 i) Non-Class name VegBaixo Para Vegetação Baixo Porte: Campestre e Savânica Operador TA_Baatz_Segmenter com os seguintes valores: a1) Input Bands (comma separated) 0,1,2,3,4 a2) Input Weights (comma separated) 1,1,1,1,1 5

7 b) Compactness Weight 0.7 c) Color Weight 0.3 d) Scale Parameter 80 e) Use Optimization no f) Reliability 0.5 g) Euclidean Distance Threshold 20 Fig.5 - Regra de Decisão Para Classificação de Vegetação de Grande Porte e Baixo Porte. Os limiares dos índices foram selecionados por meio das respostas encontradas no recurso Analysis Manager com a ferramenta Debug Mode ativa e com Breakpoint selecionado para TopDown. Isso permitiu o refinamento dos resultados por meio da análise de gráficos de histogramas. A classe savânica apresentou uma confusão ao misturar vegetação nativa arbustiva, com cultivos de frutíferas e outras culturas em estagio inicial. Foi testado reduzir o limiar no índice de NDVI para tentar separar esses elementos, porém o resultado não se mostrou positivo, pois a vegetação nativa estava sendo excluída da classe savânica ao apertar o limiar. Por isso optamos por executar uma classificação supervisionada para extrair as amostras de cultivos. Foi utilizado o operador TA_Baatz_Segmenter com os seguintes parâmetros: a1) Input Bands (comma separated) 0,1,2,3,4 a2) Input Weights (comma separated) 1,1,1,1,1 b) Compactness Weight 0.5 c) Color Weight 0.5 d) Scale Parameter 70 e) Use Optimization no f) Reliability 0.5 g) Euclidean Distance Threshold 20 Após coletar as amostras foi utilizado o operador TA_C45_Classifier, no nó antropizado. Após esse procedimento, foi observado que o sofware conseguiu separar bem as classes de cultivo na imagem e foi exportado o shape. 4. RESULTADOS E DISCUSSÃO Na classificação realizada no software SPRING, em função da limitação dos algoritmos de classificação e da variedade de comportamentos espectrais dos alvos na área de estudo, mesmo com a pós-classificação, ocorreram erros de omissão e comissão. A omissão gera uma classe subestimada, visto que ocorre quando determinada feição espectral que deveria ser classificada em uma dada classe temática é classificada como pertencente a outra. Enquanto que no erro de comissão a feição espectral é classificada como uma classe temática que não corresponde à realidade na superfície terrestre, sendo superestimada, demandando a habilidade e o conhecimento do intérprete. Desta forma, a etapa de pós-classificação foi realizada com a edição matricial em cada uma das classes. A edição matricial é uma função que permite a intervenção direta do intérprete nos resultados obtidos no processamento digital, alterando eventuais erros de omissão ou comissão. No software InterIMAGE, os limiares dos índices foram selecionados por meio das respostas encontradas no recurso Analysis Manager com a ferramenta Debug Mode ativa e com Breakpoint selecionado para TopDown. Isso permitiu o refinamento dos resultados por meio da análise de gráficos de histogramas. Das classificações desenvolvidas em ambos os softwares, foi possível apreciar os resultados (Figuras 6 e 7) e algumas comparações na Figura 8. 6

8 Fig. 6 - Classificação pixel a pixel feita no software SPRING. Fig. 7 - Classificação orientada a objeto feita no software InterIMAGE 7

9 Fig. 8 - Comparação de algumas classes InterIMAGE versus SPRING. 8

10 Em relação aos softwares utilizados percebe-se que ambos são excelentes classificadores, mas exigem conhecimento do operador tanto com relação à área a ser classificada quanto do sensor do imageamento, para que o trabalho seja o mais fidedigno possível. Ressalta-se que no presente trabalho foi efetuada a análise das ferramentas de classificação com uso do software SPRING em que foi feito edição matricial das classes, enquanto a classificação no InterIMAGE não foi feito nenhum tratamento de pós-classificação. Este procedimento pode favorecer o resultado do SPRING, se a análise não levar em consideração esse aspecto. Contudo, neste trabalho, observou-se esse aspecto, e decidiu-se realizar as comparações com dados brutos do InterIMAGE e dados tratados do SPRING, uma vez que buscou-se saber o quão próximo o dado bruto do InterIMAGE se aproximava do SPRING tratado. Os resultados são apresentados na Figura 8 acima, onde verifica-se uma maior fidedignidade na classificação do InterIMAGE. 5. CONSIDERAÇÕES FINAIS Os resultados obtidos sinalizaram que o software InterIMAGE é uma ferramenta bastante interessante para a classificação e geração de mapas temáticos, significando uma considerável economia de tempo e de maior qualidade nos produtos gerados, comparativamente a utilização dos métodos tradicionais de classificação de imagens orbitais. Comparando os resultados das duas metodologias, pode-se concluir que ambas técnicas de classificação apresentaram respostas muito semelhantes, sendo que a orientada a objetos tem como principal vantagem a possibilidade de utilizar informações intrínsecas extraídas dos objetos, como a resposta espectral média,variância, dimensões, forma e textura. 6. REFERÊNCIAS BIBLIOGRÁFICAS BIAS, E. S.; BRITES. R. S.; SANTA ROSA, A. N. C.: Imagens de Alta Resolução Espacial. In: Introdução ao Processamento de Imagens de Sensoriamento Remoto. Org. Paulo Roberto Menezes e Tati de Almeida. CNPq/UnB, Brasilia, 2010, p BLASCHKE, T.; STROBL, J. What s wrong with pixels?: Some recent developments interfacing remote sensing and GIS. GeoBIT 6 (6), BLASCHKE, T.; LANG, S.; HAY, G. J. Object based Image Analysis Spatial Concepts for Knowledge-Driven Remote Sensing Applications, Lecture Notes in Geoinformation and Cartography. Springer-Verlag, Berlin, 818p, COSTA, G. A. O. P.; PINHO, C. M. D.; FEITOSA, R. Q.; ALMEIDA, C. M., KUX, H. J. H.; FONSECA, L. M. G.; OLIVEIRA, D. A. B. INTERIMAGE: Uma Plataforma Cognitiva Open Source para a Interpretação Automática de Imagens Digitais. Revista Brasileira de Cartografia 60, RAPIDEYE, Satellite imagery product specifications. Disponível em: < Acesso em out WALTER. V. Object-based classification of remote sensing data for change detection. Int. Journal of remote sensing 58: ,