ANÁLISE DE TÉCNICAS DE PROCESSAMENTO DIGITAL DE IMAGENS PARA MAPEAMENTOS DE USO E OCUPAÇÃO DA TERRA 1

Transcrição

1 ANÁLISE DE TÉCNICAS DE PROCESSAMENTO DIGITAL DE IMAGENS PARA MAPEAMENTOS DE USO E OCUPAÇÃO DA TERRA 1 ROVANI, Franciele Francisca Marmentini 2 ; DAMBROS, Gabriela 3 ; CASSOL, Roberto 4 1 Trabalho de Pesquisa - UFSM 2 Mestranda do Programa de Pós-Graduação em Geografia (UFSM), Santa Maria, RS, Brasil 3 Mestranda do Programa de Pós-Graduação em Geografia (UFSM), Santa Maria, RS, Brasil 4 Professor Dr. do Departamento de Geociências (UFSM), Santa Maria, RS, Brasil franciele.rovani@yahoo.com.br; gabbydambros@yahoo.com.br; rtocassol@gmail.com RESUMO Neste trabalho objetivou-se analisar técnicas de processamento digital de imagens para o mapeamento do uso e ocupação da terra no município de Barão de Cotegipe/RS, especialmente a análise por componentes principais e o modelo linear de mistura espectral. Para tanto, utilizou-se uma imagem Landsat 5 e o software Spring para seu processamento. Posteriormente, a técnica por componentes principais foi aplicada em duas combinações e o modelo linear de mistura espectral nas bandas 3, 4 e 5. Como resultado verificou-se que a primeira técnica permitiu a melhor identificação dos alvos, como as culturas e apresentou o maior número de informações. Já o modelo linear de mistura espectral possibilitou identificar variações no solo com relação à umidade e cobertura, e melhor discriminação entre as áreas com floresta nativa ou florestamento. Assim, conclui-se que as diferentes técnicas de processamento contribuem significativamente para a identificação dos objetos de uma imagem e posterior mapeamento. Palavras-chave: Sensoriamento Remoto; Processamento digital de imagens; Mapeamento; Uso e ocupação da terra. 1. INTRODUÇÃO Atualmente, com o surgimento de novas técnicas computacionais teve-se um grande avanço nas pesquisas científicas com relação à utilização de geotecnologias nas mais diferentes áreas do conhecimento. Neste contexto, o Sensoriamento Remoto alcançou ampla difusão em vários campos de pesquisa e monitoramento dos recursos naturais e do meio ambiente (CENTENO, 2003). O Sensoriamento Remoto pode ser definido como um conjunto de técnicas cujo objetivo reside na captação à distância de registros, dados, informações e caracterização das propriedades de alvos naturais, por meio da detecção, registro e análise do fluxo de energia radiante refletido ou omitido por esses (ROSA, 2003; FLORENZANO, 2007; LOCH, 2008). 1

2 Resultado de muitas pesquisas espaciais e de avanços tecnológicos, esta técnica, sob óptica de Novo (2008, p. 4), reside na utilização conjunta de sensores, equipamentos para processamento de dados, equipamentos de transmissão de dados colocados a bordo de espaço aeronaves, espaçonaves, ou de outras plataformas. Seus sistemas fornecem informações precisas e confiáveis da superfície terrestre. As imagens de satélite permitem a identificação dos objetos a partir de sua interpretação, que é facilitada pela qualidade da resolução da imagem e a utilização adequada de uma escala. Deste modo, os produtos resultantes do Sensoriamento Remoto são de grande utilidade para diversas aplicações, enfatizando-se as urbanas, agrícolas, florestais, cartográficas, ecológicas, hidrológicas e muitas outras. Para se obter bons resultados a partir de imagens de satélite é muito importante saber utilizar e manipular as diferentes técnicas de processamento digital de imagens. De acordo com Crósta (1992, p. 17), a função principal do processamento de imagens é fornecer ferramentas para facilitar a identificação e a extração de informações contidas nas imagens. Para tanto, na interpretação de imagens é necessário observar características importantes tais como: tonalidade/cor, textura, forma, tamanho, sombra e padrão (ROSA, 2003; JENSEN, 2009). Assim, com o auxílio de sistemas computacionais, softwares específicos e interpretes é possível extrair informações das imagens envolvendo o reconhecimento de objetos ou padrões. No olhar de Novo (2008), as técnicas de processamento digital de imagens podem ser classificadas em três conjuntos: técnicas de pré-processamento (preparação das imagens) em que ocorre a transformação dos dados digitais brutos em dados corrigidos radiométrica e geometricamente, dentre as quais a correção dos efeitos atmosféricos; técnicas de realce que visam melhorar a qualidade visual das imagens e as técnicas de classificação permitindo a identificação automática de objetos da cena a partir da análise quantitativa dos níveis de cinza. Embasados nessas premissas, o presente trabalho, consistiu na aplicação de técnicas de processamento digital de imagens tais como a correção geométrica, atenuação dos efeitos atmosféricos, aplicação do contraste, técnica dos componentes principais e modelo linear de mistura espectral. Além disso, visou-se analisar e comparar a aplicação da técnica por componentes principais e do modelo linear de mistura espectral para posteriormente serem utilizadas no mapeamento do uso e cobertura da terra. Como seleção da área de estudo, definiu-se o recorte espacial compreendido na porção oeste do município de Barão de Cotegipe, RS entre as coordenadas de longitude oeste 52º29 15 e 52º23 25 e latitude sul 27º32 52 e 27º37 30 constituindo-se assim, em uma área total de aproximadamente 80 km 2 (Figura 1). 2

3 Figura 1: Localização da área de estudo. 2. MATERIAIS E MÉTODOS Para o desenvolvimento desta pesquisa selecionou-se uma imagem sem correção geométrica do satélite Landsat 5 (bandas 1, 2, 3, 4, 5 e 7), sensor TM, órbita 222, ponto 79, data da passagem 01/09/2011 e uma imagem ortorectificada também do Landsat 5 (GLS 2005 bandas 3, 4 e 5), sensor TM, órbita 222, ponto 79, data da passagem 03/11/2005. Ambas, foram obtidas junto ao catálogo de imagens do Instituto Nacional de Pesquisas Espaciais (INPE). Para o processamento digital das imagens, utilizou-se o software livre Spring versão A etapa seguinte constou na criação do banco de dados e posteriormente do projeto que abrangesse a área de estudo, e na definição dos parâmetros cartográficos: projeção UTM, Datum SIRGAS 2000 (Fuso 22). Posteriormente, iniciou-se o processamento das imagens seguindo-se as técnicas de pré-processamento, no qual foi realizada a correção geométrica e a atenuação dos efeitos atmosféricos. No processamento da imagem realizou-se o contraste em todas as bandas e em seguida aplicou-se a análise por componentes principais e o modelo linear de mistura espectral. Para a análise e comparação das técnicas realizaram-se duas combinações: combinação 1 - primeira componente principal das bandas 1, 2 e 3, banda 4 e a primeira componente principal das bandas 5 e 7; e combinação 2 - modelo linear de mistura espectral das bandas 3, 4 e RESULTADOS E DISCUSSÕES 3.1 Técnicas de pré-processamento Correção geométrica 3

4 A correção geométrica consiste na reorganização dos pixels da imagem em relação a um determinado sistema de coordenadas. Esta correção pode ser obtida através de técnicas de reamostragem dos pixels de cada imagem no qual são necessários pontos de controle no terreno, facilmente identificáveis na base cartográfica e na imagem a ser corrigida geometricamente. Neste procedimento a correção foi realizada utilizando-se como base a imagem ortorectificada (bandas 3, 4 e 5). No controle de pontos, modo tela, foram selecionados quinze pontos obtendo-se como resultado final um erro de 0,51 pixels Atenuação dos efeitos atmosféricos Após a imagem estar georreferenciada o procedimento seguinte constou da atenuação dos efeitos atmosféricos. Primeiramente, realizou-se a leitura dos pixels escuros correspondentes a sombra do relevo e de nuvens, água sem sedimentos em todas as bandas da imagem Landsat 2011 em duas combinações: bandas 3, 4 e 5 e nas bandas 1, 2 e 7 em um total de dez (10) amostras utilizando-se uma janela 5x5. Como resultado, da leitura selecionou-se os menores valores em cada uma das bandas: B1: 44; B2: 19; B3: 15; B4: 07; B5: 04 e B7: 03. A etapa posterior constou na criação de uma categoria no modelo temático para que, por meio da operação LEGAL, fossem identificados, nas bandas citadas, os menores valores (pixels mais escuros) e assim houvesse a verificação da compatibilidade das informações. Nesta etapa, foi necessário aplicar diversas vezes a operação para que se chegasse ao melhor resultado, em que as bandas assim ficaram definidas, de acordo com os menores valores: B1: 37; B2: 12; B3: 08; B4: 07; B5: 04 e B7: 02. Por fim, utilizou-se a ferramenta operações aritméticas em que os valores acima citados foram aplicados às respectivas bandas por meio da operação: C = Ganho*A+Offset Em que: C = Imagem de saída (resultado) Ganho = 1 A = imagem de entrada (Ex: Banda1) Offset = -37 (menor valor) Após a atenuação dos efeitos atmosféricos visualizou-se as novas bandas e o resultado final. 4

5 3.2 Processamento da imagem Contraste Na seqüência, aplicou-se o contraste às bandas. O mesmo consiste em modificar o histograma da imagem aplicando uma transformação aos valores dos pixels, fazendo com que a variação dos níveis de cinza da imagem ocupe toda a faixa de valores possíveis de serem representados visando assim, facilitar a interpretação visual das imagens (CENTENO, 2003). O contraste utilizado caracterizou-se como linear e foi aplicado a todas as seis bandas (Figura 2). Figura 2: Exemplo da aplicação de contraste para os canais azul, verde e vermelho Análise por componentes principais A análise por componentes principais (APC) que também é conhecida como transformação por principais componentes, ou ainda como transformada de Karhunen- Loeve, é considerada uma das funções mais eficazes de processamento de imagens em relação à manipulação de dados multitemporais (CRÓSTA, 1992). A técnica de análise por componentes principais tem como objetivo fundamental determinar a extensão da correlação existente entre as bandas e, através de uma transformação matemática apropriada, remover a correlação existente entre as bandas. Os componentes principais consistem na geração de novas bandas, não correlacionadas, de tal forma que o máximo de informação possível encontra-se nos primeiros componentes. 5

6 Envolve uma transformação linear de dados originais, por meio de uma rotação e translação de eixos no espaço de atributos espectrais. Este método elimina essa repetição de dados, resumindo as informações que interessam em um conjunto menor. Deste modo, tem-se que um conjunto de N imagens de entrada, depois de processadas pela ACP, vai produzir outro conjunto de N imagens de saída com nenhuma correlação entre si. O primeiro conjunto de saída será chamado de primeira componente principal ou CP1, o segundo conjunto de saída será chamado de CP2, o terceiro de CP3, e assim por diante. A primeira componente principal ou CP1 irá conter a informação que é comum a todas as bandas N originais. A CP2 conterá a feição espectral mais significante do conjunto. As CPs seguintes conterão feições espectrais cada vez menos significantes, até a última CP, que conterá a informação que sobrar, ou seja, a menos significante (CRÓSTA, 1992). Para a aplicação da técnica, as bandas foram combinadas em dois grupos: bandas 1, 2 e 3 e bandas 5 e 7. A banda 4 foi reservada para a combinação final, representando os dados na faixa do verde. No software Spring, selecionaram-se as bandas de interesse e automaticamente aplicou-se a técnica. Como resultado obteve-se cinco componentes principais. Para fins deste estudo, utilizou-se somente a primeira componente principal da combinação das bandas 1, 2 e 3 e a primeira componente principal da combinação das bandas 5 e 7. Como podem ser observadas na tabela 1, as primeiras componentes representaram respectivamente 93,81 e 98,15% das informações das bandas. Tabela 1: Análise por componentes principais nas combinações das bandas 1, 2 e 3 e na combinação das bandas 5 e 7. Análise por Componentes Principais Bandas 1, 2 e 3 Bandas 5 e 7 Componente Principal 1 93,81% 98,15% Componente Principal 2 3,75% 1,85% Componente Principal 3 2,44% - Com o resultado obtido, selecionaram-se as bandas na composição RGB (Red, Green and Blue), em que as primeiras componentes principais das bandas 1, 2 e 3 representaram o azul, a banda 4 o verde e as primeiras componentes principais das bandas 5 e 7, o vermelho (Figura 3). 6

7 Figura 3: Composição RGB por componentes principais e a banda 4. Observando-se a figura 3, pode-se verificar que a composição RGB das componentes principais agregou informações das seis bandas da imagem, ou seja, uma maior variabilidade de informações. Estas diferenças foram percebidas, principalmente, em relação às bordas dos alvos e na variação da composição dos pixels dos objetos. Este fato pode ter contribuído para retratar feições mais acentuadas e proporcionado uma melhor eficácia na discriminação dos objetos. Em trabalhos similares, Gomes e Maldonado (1998); Sato et al (2011), visando analisar o uso e cobertura da terra por meio da análise por componentes principais, destacaram o eficiente resultado da técnica resultando em bandas com nenhuma correlação entre si e mapeamentos de mudanças na cobertura da terra Modelo linear de mistura espectral As imagens são armazenadas como matrizes em que, cada elemento da imagem, denominado de pixel representa a resposta espectral de objetos resultante da combinação da resposta espectral dos componentes que integram esses pixels. Desta forma, nos pixels podem estar incluídos diferentes respostas espectrais dos objetos ou elementos, o que originam a chamada mistura espectral. 7

8 A mistura dos pixels pode ser causada devido aos objetos serem menores que o pixel ou o pixel estar na fronteira entre dois ou mais objetos diferentes. O modelo linear de mistura espectral consiste na identificação dos pixels puros, de modo que se possa extrair a curva espectral de um determinado componente, por exemplo, solo, vegetação, sombra. O modelo de mistura foi aplicado somente nas bandas amostrais 3, 4 e 5 da imagem e definiram-se três componentes: sombra, vegetação e solo. Na imagem, foram identificadas as respostas espectrais dos componentes puros e representadas no gráfico de curva espectral. Após ter aplicado o modelo de mistura, teve-se como resultado uma composição RGB das três componentes (Figura 4). Figura 4: Composição RGB do modelo linear de mistura espectral. Analisando-se a figura 4, resultado da composição RGB do modelo linear de mistura espectral, verificaram-se significativas diferenças com relação a técnica anterior. Neste caso, a representação visual passou a ser em função dos componentes indicados no modelo e assim notaram-se diferentes características dos alvos que anteriormente não puderam ser discriminadas. Neste caso, identificaram-se notórias diferenças com relação à classe floresta, ou seja, áreas com florestas nativas (matas ciliares, em especial) e por tanto mais úmidas identificadas pela cor azul, de áreas com florestas plantadas. Na classe de culturas, houve 8

9 também uma significativa diferença com relação às áreas que estavam totalmente com cobertura vegetal, das áreas que apresentavam com culturas em estágio inicial e assim com a presença de solo (em vermelho na imagem) e culturas em áreas mais úmidas. Moreira et al (1998), em seu mapeamento de culturas de soja e milho, destaca que o modelo linear de mistura espectral proporcionou um resultado de classificação supervisionada mais eficiente, quando comparados aos resultados da mesma classificação, porém com os dados originais do Landsat TM. Corroborando com esta temática, Machado et al (2008), destaca que o método do modelo linear de mistura espectral combinado com classificação tradicional melhora significativamente a classificação das imagens do sensor AVNIR-2/ALOS, na discriminação de feições da mata. 4. CONSIDERAÇÕES FINAIS Com base no trabalho realizado, pode-se concluir que a aplicação de diferentes técnicas de processamento de imagens contribui significativamente para a melhoria da qualidade dos dados, especialmente no caso de classificação das imagens e consequente mapeamento do uso e ocupação da terra. As técnicas aplicadas apresentaram diferentes resultados que contribuem para a identificação e interpretação dos elementos que estão presentes em uma imagem. A técnica por componentes principais mostrou-se mais eficaz quando da identificação das bordas dos alvos e na variação da composição dos pixels dos mesmos. Por sua vez, a técnica baseada no modelo linear de mistura espectral possibilitou identificar diferenças com relação às áreas com florestas nativas das com florestamento, as áreas mais úmidas e as áreas com culturas em diferentes estágios de desenvolvimento. REFERÊNCIAS BIBLIOGRÁFICAS CENTENO, J. A. S. Sensoriamento remoto e processamento de imagens digitais. Curitiba: Ed. Curso de Pós-Graduação em Ciências Geodésicas, CRÓSTA, A. P. Processamento Digital de Imagens de Sensoriamento Remoto. Campinas: IG/UNICAMP, FLORENZANO, T. G. Iniciação em Sensoriamento Remoto. São Paulo: Oficina de Textos, GOMES, A. R.; MALDONADO, F. D. Análise de componentes principais em imagens multitemporais TM/Landsat como subsídio aos estudos de vulnerabilidade à perda de solo em ambiente semi-árido. In: IX SIMPÓSIO BRASILEIRO DE SENSORIAMENTO REMOTO, 1998, Santos. Anais... Disponível 9

10 em: < Acesso em: 01 set JENSEN, J. R. Sensoriamento remoto do ambiente: uma perspectiva em recursos terrestres. Traduzido por: José Carlos Neves Epiphanio et. al. São José dos Campos: Parêntese, LOCH, C. A interpretação de imagens aéreas: noções básicas e algumas aplicações nos campos profissionais. Florianópolis: Ed da UFSC, MACHADO, K. J. et al. Avaliação do uso do modelo linear de mistura espectral na classificação de imagem ALOS. In: II SIMPÓSIO BRASILEIRO DE CIÊNCIAS GEODÉSICAS E TECNOLOGIAS DA GEOINFORMAÇÃO, 2008, Recife. Anais... Disponível em: < Acesso em: 25 nov MOREIRA, M. A. et al. Modelo de mistura espectral para identificar e mapear áreas de soja e milho em quatro municípios do estado de Minas Gerais. In: IX SIMPÓSIO BRASILEIRO DE SENSORIAMENTO REMOTO, 1998, Santos. Anais... Disponível em: < Acesso em 25 nov NOVO, E. M. L. de M. Sensoriamento remoto: princípios e aplicações. São Paulo: Blucher, Rosa, R. Introdução ao sensoriamento remoto. 5ª ed. Uberlândia: Ed. da Universidade Federal de Uberlândia, SATO, L. Y. et al. Uso da análise por componentes principais na avaliação da mudança da cobertura florestal da Floresta Nacional do Tapajós. In: XV SIMPÓSIO BRASILEIRO DE SENSORIAMENTO REMOTO, 2011, Curitiba. Anais... Curitiba: INPE, Disponível em: < Acesso em: 02 set