Desempenho de algoritmos de classificação supervisionada para imagens dos satélites RapidEye

Transcrição

1 Desempenho de algoritmos de classificação supervisionada para imagens dos satélites RapidEye Carlos Eduardo Vizzotto Cattani 1 Erivelto Mercante 1 Carlos Henrique Wachholz de Souza 1 Suzana Costa Wrublack 1 ¹ Universidade Estadual do Oeste do Paraná - UNIOESTE Caixa Postal Cascavel - PR, Brasil kaducattani@hotmail.com, erivelto.mercante@unioeste.br, carlos_hws@hotmail.com wrublack@hotmail.com, Abstract. Technological advances in digital processing of satellite images along with the techniques related to Remote Sensing provide new methods for analysis and monitoring of agricultural production, and effective cost savings over other types of surveys and more accurate processing of digital images. However, it become important and necessary to evaluate the methods of operations on satellites images. In this sense, the present study aimed to measure the accuracy of four methods of supervised classification, these being: Minimum Distance, Mahalanobis Distance, Maximum Likelihood (Max Like) and Spectral Angle Mapper (SAM). So these mappings sought to discern the different classes as soybean, corn and others. The images used were from the RapidEye satellite, dated 13/12/2011 relative the municipality of Cascavel in the state of Paraná. Using the bands (Infrared, Red-Edge and red) held composition false color RGB image-453.the Maximum Likelihood classifier presented excellent results across indices Global Accuracy, Kappa and Tau Index, followed by the Mahalanobis distance classifier. These two classifiers provided the smallest errors for the four classes studied. The use of methods of supervised classification with the classifiers: Minimum Distance, Mahalanobis Distance, Maximum Likelihood and Spectral Angle Mapper showed significant variations in performance as the use mapping and land use. Palavras-chave: Processamento digital, Índices de Exatidão, Classificação supervisionada, Digital processing, Accuracy Indices, supervised classification. 1. Introdução Existe uma extensa variedade de métodos de classificação digital de imagens através de algoritmos classificadores, com diferentes abordagens. A classificação supervisionada é um procedimento de identificação de áreas espectralmente semelhantes (amostras de treinamento) em uma imagem, na qual o usuário reconhece preliminarmente regiões de interesse conhecidos na superfície terrestre, e cabe ao algorítmo escolhido extrapolar essas características espectrais escolhidas para as outras regiões da imagem, realizando assim a classificação (Castillejo-González et al.,2009). Estes métodos de classificação se dividem principalmente em três categorias, conforme qual regra de decisão eles são embasados: na distância, na probabilidade ou no angular espectral. Os algoritmos classificadores que se baseiam na distância, como por exemplo, os métodos da distância míinima, paralelepípedo e distância de Mahalanobis, utilizam principalmente valores médios espectrais de classes distintas, ignorando valores de variância. Classificadores como o método de Máxima Verossimilhança - MaxVer, incorporam tanto a média como a variância do conjunto de dados coletados para a regra de decisão de classificação. Por fim, classificadores baseados nos ângulos espectrais como o mapeador de ângulo espectral SAM, utilizam os ângulos espectrais formados entre um espectro de referência e um pixel classificado (South et al., 2004). Esses levantamentos oferecem a vantagem de aquisição rápida das informações, proporcionando uma visão sinóptica de áreas, gerando informações mais objetivas e precisas, 8005

2 com um custo relativamente menor do que os métodos convencionais de levantamento de dados (Pal e Mather, 2004). Neste trabalho foi utilizada a imagem oriunda dos componentes espaciais do sistema RapidEye, que é formado por uma constelação de cinco satélites de Sensoriamento Remoto, idênticos e posicionados em órbita síncrona com o Sol, com igual espaçamento entre cada satélite, estes sensores fornecem imagem em cinco diferentes bandas multiespectrais com elevada resolução espacial, ortorretificadas com 5 metros. Diante do exposto, o presente trabalho teve por objetivo comparar quatro métodos de classificação supervisionada e analisar o potencial individual de cada classificador para mapeamento de culturas agrícolas a partir de imagens multi-espectrais do sensor RapidEye. 2. Metodologia de trabalho A área de estudo abrange parte do município de Cascavel, localizada na região Oeste do estado do Paraná com Latitude de S e Longitude de W. O clima na região é classificado como temperado mesotérmico e úmido, com uma precipitação média anual de 1971 mm e uma média de temperatura de 19,6 ºC ao ano a altitude média de 781 metros. O Relevo do Município é suave, predominando as terras planas, com pouca inclinação e amplo potencial para as atividades agrícolas. A Figura 1 ilustra a imagem utilizada, proveniente dos satélites RapidEye, que dispõe de resolução espacial de 5 metros, sendo geradas através de uma composição de três bandas espectrais, no infravermelho próximo com comprimento de onda µm; Red-Edge no comprimento de onda de 690 a730 µm e vermelho no comprimento de onda de 630 a 685 µm. Figura 1. Imagem utilizada para análise na composição colorida RGB-543 do satélite Rapideye 8006

3 Utilizou a composição de imagem falsa cor RGB-543. Nesta composição, como a vegetação, tem maior refletância na faixa espectral do infravermelho próximo assume tonalidades de vermelho, o que facilita uma maior diferenciação dos alvos de interesse. Com base na identificação dos temas sob a composição RGB-543, foram identificados os alvos: soja e milho, a partir de padrões de cores, texturas e formas, coletando amostras das respectivas regiões de interesse. Na sequência foram executadas as classificações digitais supervisionadas no software ENVI 4.5. Para isso utilizou-se os classificadores supervisionados baseados na distância, métodos de Mínima Distância e Distância de Mahalanobis, e os que utilizam a probabilidade e o ângulo espectral que são os métodos de Máxima Verossimilhança e o mapeador de Ângulo Espectral, respectivamente. Para realizar a avaliação do desempenho dos classificadores, adotou-se a metodologia chamada de painel amostral que, resumidamente, caracteriza-se pela distribuição aleatória de pontos amostrais dentro do limite do município, com o objetivo de se realizar um levantamento das classes de uso do solo de cada ponto (LUIZ et al., 2002). Foram utilizados 100 pontos amostrais espalhados de forma aleatória na imagem, servindo esses de referência terrestre. A avaliação dos pontos para se determinar a qual classe eles eram pertencentes, foi realizada por inspeção visual na imagem composição colorida RGB-543. Com isto foram determinadas as matrizes de erros de cada algoritmo de classificação. A partir da matriz de erros, foram calculados, a Exatidão Global (Equação 1) que expressa o total de acertos em relação ao total de amostras da imagem classificada e o Coeficiente Kappa (Equação 2). (1) Em que: EG = exatidão global; A= pontos amostrais com acerto; n = número de pontos amostrais. (2) Em que: K = Índice de exatidão Kappa; r = número de linhas na matriz; x ii = número de observações na linha [i] e coluna[i]; x i+ e x +i = totais marginais da linha[i] e coluna[i]; N = número total de observações respectivamente Foram utilizados ainda, como forma de avaliação das classificações, os valores da acurácia do produtor (AP), apresentado na Equação 3, o qual refere-se a probabilidade de um pixel de referência ter sido corretamente classificado. E a acurácia de usuário (AU), Equação 4, que indica a probabilidade que um pixel classificado na imagem de fato representa aquela categoria no campo (Congalton 1991). xij (3) AP x j AU x x ij i (4) 8007

4 Além dos índices de exatidão global e Kappa, procedeu-se a avaliação de exatidão por meio do índice Tau, que fornece uma medida quantitativa relativamente precisa e intuitiva sobre a acurácia da classificação. O índice Tau é similar ao índice Kappa, sendo calculado conforme a (Equação 3), em que P k indica a probabilidades a priori para cada classe. (5) Quando as probabilidades a priori para as classes forem iguais, ou seja, pi=1/k, onde k representa o número de classes da matriz de erros. 3. Resultados e Discussões A Figura 2 mostra os mapas temáticos com os respectivos resultados das classificações supervisionadas por: Distância de Mahalanobis (A), mapeador de ângulo espectral - SAM (B), Distância Mínima (C), MaxVer (D), cada mapa temático é apresentado em três diferentes classes de classificação que são soja, milho e outros. A classe soja compreende as áreas com plantio, representadas no mapa temático pela cor vermelha e a classe milho está representada pela cor verde no mapa temático apresentado na Figura 2. Figura 2. Resultado dos métodos de classificação: Mahalanobis (A); SAM (B); Mínima Distância (C); MaxVer (D). 8008

5 Na Tabela 1, podem ser visualizados os resultados da exatidão global, coeficiente Kappa e coeficiente Tau, obtidos para os métodos de classificação realizados. Dos quatro métodos utilizados, apenas dois obtiveram índice de exatidão global maior do que 85% sendo: Distância de Mahalanobis (A); MaxVer (D), com exatidão global de 88% e 91% respectivamente. Landis e Koch (1977) e Foody (2002) sugerem que valores do coeficiente Kappa acima de 0,8 indicam que o nível de exatidão de uma classificação é excelente, ou seja, se aproxima muito da verdade terrestre. Sendo assim, dos métodos estudados os que atingiram estes níveis de exatidão foram: Mahalanobis (A) e MaxVer (C) com 0,81 e 0,86 respectivamente. Para o índice Tau, que segue a mesma qualidade de classificação proposta por Landis e Koch (1977), os melhores valores para os classificadores foram encontrados novamente para (C) Maxver e (A) Mahalanobis e com 0,88 e 0,84 respectivamente. O menor nível de exatidão da classificação realizada foi obtido pelo método SAM, onde se obteve os valores de 74% para a exatidão global com 0,61, para o índice Kappa e 0,65 para o índice Tau. Tabela1. Valores da exatidão global, Índice Kappa e Índice Tau Classificadores Exatidão Global Índice Kappa Índice Tau SAM 74% 0,61 0,65 Mahalanobis 88% ,84 Mínima Distância 78% ,70 MaxVer 91% 0,86 0,88 Com a utilização do classificador por Máxima Verossimilhança, os valores obtidos para a classificação temática realizada foram considerados excelentes, por meio dos índices de Exatidão Global e Índice Kappa. Tabela 2. Valores de acurácia do produtor e acurácia do usuário Mahalanobis SAM Mínima Distância MaxVer AP(%) AU(%) AP(%) AU(%) AP(%) AU(%) AP(%) AU(%) Soja 97,06 82,50 96,88 77,50 82,61 95,00 90,48 95,00 Milho 100,00 87,50 87,50 70,00 100,00 60,00 100,00 87,50 Outros 64,52 100,00 41,67 75,00 53,33 80,00 78,26 78,26 Onde: AP: Acurácia do produtor; AU: Acurácia do usuário. A acurácia de produtor (AP) refere-se à probabilidade de um pixel de referência ter sido corretamente classificado. E a acurácia de usuário (AU) indica a probabilidade que um pixel classificado na imagem de fato representa aquela categoria no campo. Por exemplo, na classe soja para a classificação pelo método da distância de mahalanobis obteve a acurácia do produtor de 97,06% e a acurácia de usuário de 82,5%. Estes valores, indicam que 97,06% dos pixels de soja foram realmente classficados como soja, mas apenas 82,5% realmente representa esta classe em campo ou no caso do trabalho do pontos que representavam a classe soja na imagem na composição colorida RGB-543 de referência. A explicação do sucesso do método de classificação por ângulo espectral reside na capacidade de técnicas de mapeamento que levam em conta efeitos de brilho e iluminação. Pois os vetores de ambos os pixels não classificados e os espectros de referência estendem-se através de todas as possibilidades em níveis de brilho (South et al., 2004). 8009

6 A exatidão da classificação temática realizada pode ser verificada por meio das métricas de Exatidão Global (Bishop, Fienberg e Holland, 1975) tendo sido obtido um coeficiente de concordância equivalente a 91%. O classificador por MaxVer apresentou demonstrou excelente resultado da classificação, contribuindo no processo e identificação e classificação do comportamento espectral dos alvos (Wrublack et al. 2012) em classificação supervisionada. 4. Conclusões A utilização dos métodos de classificação supervisionada com os classificadores: Mínima Distância, Distância de Mahalanobis, Máxima Verossimilhança e Mapeador de Ângulo Espectral, apresentaram variações significativas quanto aos desempenhos no mapeamento de uso e ocupação do solo. O classificador por Máxima Verossimilhança apresentou excelente resultado através dos índices de Exatidão Global, Índice Kappa e Índice Tau, seguido do classificador pela distância de Mahalanobis. 5. Agradecimentos Os autores agradecem a Secretaria de Agricultura e Abastecimento do Paraná - SEAB- PARANÁ, Fundação Araucária e CNPq. 6. Referências Bibliográficas Bishop, Y.; Fienberg, S.; Holland, P. Discrete multivariate analysis: theory and practive. Cambridge: MIT, 575 p., Castillejo-González I. L.; López-Granados F.; García-Ferrer A.; Peña-Barragán J. M.; Jurado-Expósito M.; Orden M. S.; González-Audicana M. Object - and pixel-based analysis for mapping crops and their agroenvironmental associated measures using QuickBird imagery. Computers and Electronics in Agriculture. v. 68, p , Landis, J.; Koch, G. The measurement of observer agreement for categorical data, Washington, USA. Biometrics, v. 33, n. 1, p Pal, M.; Mather, P. M. Assessment of the effectiveness of support vector machines for hyperspectral data. Future Generation Computer Systems, vol. 20, p , South S.; Qi J.; Lusch D. P. Optimal classification methods for mapping agricultural tillage practices. Remote Sensing of Environment. v. 91, p , Wrublack, S. C.; Mercante, E.; Vilas Boas, M. A. Utilização de técnicas de geoprocessamento para caracterização de áreas aptas á irrigação por gotejamento no município de Salto do Lontra Paraná. Revista de estudos ambientais (online) v. 14, n. 2 esp., p.6-13,