MAPEAMENTO DIGITAL DE ECOSSISTEMAS COSTEIROS: UMA PROPOSTA APLICADA EM CONDE, LITORAL NORTE DA BAHIA BRASIL.

Transcrição

1 MAPEAMENTO DIGITAL DE ECOSSISTEMAS COSTEIROS: UMA PROPOSTA APLICADA EM CONDE, LITORAL NORTE DA BAHIA BRASIL. Rafael Xavier de Souza Nogueira 1 ; José Maria Landim Dominguez 2 ; 1 Mestrado em Geologia, UFBA (rxsnogueira@yahoo.com.br); 2,1 LEC Laboratório de Estudos Costeiros. CPGG - Centro de Pesquisa em Geofísica e Geologia. Universidade Federal da Bahia (UFBA). Rua Caetano Moura, Federação Salvador BA, Brasil. Abstract. Coastal ecosystems mapping using digital image classification can be an efficient tool to rapidly assess ecosystem status. This study outlines a methodology of digital image processing to get a representative map of coastal ecosystems. A high resolution IKONOS image was used to identify and map 9 different ecosystems of the Conde Coastal Zone, north of Bahia, Brazil. Regions of interest were chosen, each one representing a different class on the image. MAXVER was the algorithm applied with different probabilities for each class. Ground truth images were used to get the error matrixes. For the total area, the global accuracy was 79,95% and kappa coefficient was 69,41%. At a smaller less-diversified sub-area also investigated, the global accuracy was 89.16% and kappa coefficient was 86,07%. Based on the reached accuracy, this methodology was considered very useful to produce a rapid assessment of coastal ecosystems status during environmental studies at the coastal zone. Palavras-chave: ecossistemas costeiros, classificação digital de imagem, IKONOS. 1. Introdução A classificação digital de imagens de Sensoriamento Remoto Orbital (satelital) pode ser uma ferramenta muito útil no mapeamento dos ecossistemas costeiros. A necessidade da realização de levantamentos rápidos para estudos ambientais e/ou perícias técnicas é uma demanda comum no gerenciamento da zona costeira. As informações de interesse a ser extraídas, são caracterizadas em função das propriedades dos objetos ou padrões que compõem a imagem, registrados na resposta espectral de cada alvo (Crósta 1992). A área de estudo está localizada no litoral norte da Bahia, compreendendo uma faixa costeira que se estende do Sítio do Conde (Conde BA) até a porção norte da foz do Rio Itapicuru (Jandaíra BA), estando a maior parte da área inclusa no município de Conde, Bahia Brasil (Fig. 1). Conhecida por Pantanal Baiano, a região é caracterizada por uma alta diversidade fisiográfica, com muita área de zona úmida (Mangues e Brejos) (Dominguez et al 1999). Fig. 1 Localização da área de estudo (seta).

2 A popularização do uso de imagens de satélite de alta resolução é uma tendência atual na área de Sensoriamento Remoto. Elas têm gradativamente substituído aplicações de outros satélites como o LANDSAT e de fotografias aéreas (Sawaya et al 2003). Apesar do avanço observado nas técnicas de processamento digital de imagens, as mesmas precisam ainda ser testadas para avaliar sua pontencialidade. O objetivo do presente estudo consiste em avaliar a aplicação da classificação digital em uma imagem de alta resolução no mapeamento de ecossistemas costeiros. 2. Métodos e Técnicas 2.1. Aquisição da imagem e escolha das classes Foi utilizada uma cena do satélite IKONOS, produto tipo MS já georeferenciado (UTM 24S / SAD69; com 4 bandas multiespectrais: Azul, Verde, Vermelho e Infravermelho próximo, respectivamente bandas 1,2,3 e 4, com 4m de resolução espacial e 256 níveis de cinza de resolução radiométrica), adquirida junto a empresa Engesat. Capturada em 11/01/2003, abrange uma área de aproximadamente 100 km 2 (Área total) situada na faixa costeira que se estende desde o Sítio do Conde até a porção norte da foz do Rio Itapicuru (Fig. 2). Em campo, com auxílio das imagens, os ecossistemas foram primeiramente reconhecidos, identificados e separados em 10 classes (de 0 a 9), a seguir descritas: 0 Não classificado. 1 Brejos: zona úmida com influência de água doce predominantemente colonizada por Ciperáceas (juncos). 2 Recursos hídricos: corpos d água em geral. 3 Manguezal: zona úmida com influência de água salobra colonizada por vegetação de mangue. 4 Restinga: vegetação rasteira e arbustiva presente em algumas dunas, terraços marinhos e leques aluviais de idade quaternária. 5 Capim Alagado: área de brejo colonizada por vegetação herbácea de pequeno porte e de coloração bem esverdeada. 6 Mata paludosa: área de brejo colonizada por uma mata de árvores de grande porte, onde o solo está constantemente saturado ou sofre alagamentos no período de cheia dos rios. 7 Mata de Tabuleiro: vegetação arbórea densa sobre a Formação Barreiras. 8 Queimadas: área rural onde haviam ocorrido incêndios. 9 Dunas e Praias: áreas não vegetadas sobre terraços marinhos Holocênico. Siribinha Poças Barra Nova Sítio do Conde Fig. 2 Área de estudo. Composição 3R2G1B (visível) 2.2. Processamento digital da imagem O software ENVI 3.6 foi utilizado para todo processamento digital da imagem. Foram delimitadas 9 regiões de interesse,

3 representadas por diversos polígonos (áreas de treinamento) sobre cada uma das classes na imagem. Desta forma o software foi treinado a reconhecer a resposta espectral de cada uma das classes, servindo como uma assinatura espectral (Fig. 3) 2 40%; 3 80%; 4 92%; 5 96%; 6 96%; 7 98,5%; 8 96% e 9 98,5%. Toda informação espectral presente nas 4 bandas da imagem foi aproveitada. A edição da imagem classificada, complementada pelos dados de campo, permitiu obter a imagem verdade de campo. A partir da matriz de erros obtida, a acurácia global e por classe e o coeficiente kappa foram calculados para avaliar o método. O mesmo procedimento foi aplicado para uma sub-área de 12 km 2 nas imediações da foz do Rio Itapicuru a fim de realizar uma comparação entre resultados (Fig. 4). Fig. 3 Definição das regiões de interesse para cada classe descrita no texto. Para avaliar a separação espectral das classes, foi utilizado o do índice de Jeffries Matusita (J-M), o qual varia entre 0 e 2. Quanto mais próximo de 2, melhor é a separação, sendo que abaixo de 1 é considerada muito baixa. (Richards 1999, apud Guia do ENVI). Problemas com a separação espectral de alguns pares de classes principalmente, 3 e 6 e 4 e 7, levaram à utilização filtros digitais de suavização e textura. Foram utilizados 3 filtros nesta sequência: Sigma Local (9x9), Mediana (3x3) e Textural (Critério Ocorrência Média 3x3). O método da Máxima Verossimilhança foi aplicado com as seguintes probabilidades para cada classe: 0 todos os pixels que não se encaixaram em qualquer classe: 1 83%; Fig. 4 Foz do Rio Itapicuru: sub-área. O software ArcView 3.2 foi utilizado para saída gráfica. 3. Resultados Para a área total, a acurácia global atingida foi de 79,95% e kappa = 69,41%. Para a sub-área, a acurácia global atingida foi de 89,16% e kappa = 86,07%. Por classe, as acurácias atingidas nas diferentes áreas classificadas são apresentadas na Tabela 1.

4 Tabela 1 Acurácias por classes nas duas áreas. CLASSE ACURÁCIA (%) ÀREA TOTAL SUB-ÁREA 0 85,44 82, ,44 90, ,30 99, ,61 99, ,90 79, ,43 24, , , , ,27 90,05 As matrizes de erros para as duas áreas são apresentadas nas Tabelas 2 e 3. Os números na diagonal da matriz representam a quantidade de pixels classificada corretamente. Os produtos (imagens) da classificação para as duas áreas são mostrados ao lado das suas respectivas verdades de campo na figuras 5 e Discussões A acurácia por classes variou de 26,90 a 95,61 na área total e de 24,95 a 99,59% na sub-área. Levando em conta a acurácia global, o método atingiu uma melhor performance para a sub-área. Tanto a acurácia por classe como a global representam a razão entre os pixels classificados corretamente pelo total de pixel assumidos como verdade de campo. A classe 4 (Restinga) pode ser bem melhor mapeada na sub-área do que na área total, uma vez que a classe 7 (Mata de Tabuleiro) estava ausente para não causar os erros de classificação observados para a área total. A ausência das classes 6, 7 e 8 contribuiu para o aumento da acurácia global na sub-área. Os resultados para o coeficiente kappa indicam o mesmo acima discutido. Uma das vantagens alegadas para o uso do kappa é de que ele incorpora a informação dos pixels mal classificados, e não apenas dos bem classificados como na determinação da acurácia global (Guia do ENVI) Os valores de kappa encontrados (69,41% para a área total e 86,07% para a sub-área), indicam que as classificações podem ser consideradas de boas a excelentes (Landis and Koch 1977 apud Campos et al 2003). Os filtros aplicados mostraram uma boa eficácia para atenuar o problema da separação estatística entre os pares de classes. Para a área total, o índice J-M (que varia de 0 a 2) para o par das classes 3 e 6 pôde ser elevado de 0,52 (imagem nãofiltrada) para 1,40 (imagem filtrada). O mesmo sucesso não foi possível para o par de classe 4 e 7, onde a elevação do índice foi de 0,36 para 0,79, ainda um valor baixo. Os filtros Sigma Local e Mediana são filtros que suavizam ruídos ao longo da imagem, analisando a resposta espectral dentro de uma célula, substituindo ou não os pixels em função dos parâmetros estatístico dele e de sua vizinhança. (Elianson e MacEwen 1990; Guia do ENVI). Para o filtro Textural, o parâmetro avaliado é a textura espectral, obtida da transformação da resposta espectral em unidades texturais, sendo analisada em termos de frequência de ocorrência para que a média prevaleça, homogeneizando a textura de um pixel em relação a sua vizinhança na imagem (He e Wang 1991). A separação estatística ideal foi obtida com maior facilidade para a sub-área, uma vez que nesta estavam ausentes classes que apresentaram similaridades nas assinaturas espectrais. Neste fragmento da imagem, só foi preciso utilizar o filtro Mediana. 5. Conclusões A técnica de classificação de imagem utilizada se mostrou capaz de estimar com uma boa acurácia a área ocupada pelos ecossistemas na faixa costeira do Município do Conde. Essa metodologia pode auxiliar

5 na obtenção de informações rápidas sobre os ecossistemas na zona costeira. 6. Referências CRÓSTA AP Processamento digital de imagens de sensoriamento remoto., Campinas, SP: IG/UNICAMP 170 p. DOMINGUEZ JML, MARTIN L, BITTENCOURT ACSP, TESTA V, SILVA, CC e LEÃO, ZMAN Atlas Geo- Ambiental da Zona Costeira do Estado da Bahia Conde. Convênio SICM / SGM / UFBA / FAPEX. Painel. ELIASON EM. and MCEWEN AS Adaptive Box Filters for Removal of Random Noise from Digital Images. Photogrammetric Engineering & Remote Sensing, April, V56, No. 4, p Guia do ENVI, Sulsoft, HE D, and WANG L Textural Filters Based on the Texture Spectrum. Pattern Recognition, Vol. 24, No. 12, pp Landis JR and Koch GG The measurement of observer agreement for categorical data. Biometric, v.33, n.1, p apud CAMPOS RC, LUIZ AJB, ADAMI M, SANCHES ID, FORMAGGIO AR Anais XI SBSR, Belo Horizonte, Brasil, abril, INPE, p RICHARDS, JA Remote Sensing Digital Image Analysis, Springer-Verlag, Berlin, p. 240 apud Guia do ENVI, Sulsoft. SAWAYA KE; OLMANSON, LG, HEINERT NJ, BREZONIK, PL, BAUER, ME Extending satellite remote sensing to local scales: land and water resource monitoring using high-resolution imagery. Remote Sensing of Enviroment 88, Tabela 2. Matriz de erros para a área total. Células cinzas representam nº de pixels classificados corretamente. Classes TOTAL TOTAL Tabela 3. Matriz de erros para a sub-área. Células cinzas representam nº de pixels classificados corretamente. Classes TOTAL TOTAL

6 Fig. 5 Comparação entre a imagem digitalmente classificada e verdade de campo (ground truth) para a Área total. Fig. 6 Comparação entre a imagem digitalmente classificada e verdade de campo (ground truth) para a sub-área.