Programa Integrado de Monitoria Remota de Fragmentos Florestais e Crescimento Urbano no Rio de Janeiro

Transcrição

1 Programa Integrado de Monitoria Remota de Fragmentos Florestais e Crescimento Urbano no Rio de Janeiro Relatório de atividades mensal Janeiro/Fevereiro/Março de 2010

2 1. Apresentação Em atendimento ao disposto na Cláusula 04ª, item I, do contrato nº09/08, o presente documento apresenta o relatório técnico e de acompanhamento físico e financeiro (disposto em outro encarte) relativo às funções e atividades desenvolvidas pela equipe de execução do Programa Integrado de Monitoria Remota de Fragmentos Florestais e de Crescimento Urbano no Rio de Janeiro, realizado pela Secretaria de Estado do Ambiente (SEA) e pelo Instituto Estadual do Ambiente (INEA) em parceria com a Pontifícia Universidade Católica do Rio de Janeiro (PUC-Rio) através do Núcleo Interdisciplinar de Meio Ambiente (NIMA). As atividades aqui descritas foram realizadas durante o quarto trimestre do projeto (Outubro/ Novembro/ Dezembro). 2. Atividades realizadas 2.1 Processamento Fotogramétrico De início, há que se ressaltar que a metodologia para o processamento fotogramétrico encontra-se detalhadamente descrita no relatório trimestral relativo ao período compreendido entre os meses de Abril a Junho de 2009, razão pela qual não será repetida no presente relatório. O processamento fotogramétrico realizado no primeiro trimestre de 2010 do projeto PIMAR (Janeiro a Março de 2010) consistiu, resumidamente, das atividades descritas a seguir. De início, houve o recebimento do material que restava da equipe de coleta de pontos de controle com um total de 20 novos pontos do Maciço da Pedra Branca e de fotos in loco destes e de outros pontos que estavam faltando. Após o pós-processamento pela equipe, os 20 pontos medidos em campo tiveram suas respectivas alturas elipsoidais transformadas para geoidais através do software Mapgeo do IBGE para interpolação geoidal. Posteriormente as coordenadas geodésicas LAT/LONG, medidas no Sistema Geodésico WGS84 foram convertidas para a projeção UTM e para tal foi utilizado o ProGrid, também um software do IBGE. O prosseguimento do processamento fotogramétrico utilizou os recursos disponíveis no software ERDAS/IMAGINE para medição dos novos pontos e ajustamento da fototriangulação do

3 bloco da área do Parque Estadual da Pedra Branca, seguida da geração do Modelo Digital de Superfície (MDS) e das orto-imagens. Em seguida foram escolhidas as orto-imagems mais adequadas de cada par obtido antes de elaborar o orto-mosaico com o utilitário Mosaic, pertencente ao mesmo software. Após serem executadas as medições para controle de qualidade posicional do ortomosaico gerado. O mesmo orto-mosaico foi entregue a equipe de classificação do LABGIS, que notificou a existência de áreas-problemas. Da análise dos problemas encontrados fez-se a devida delimitação dos polígonos envolventes (shapes) dessas áreas, para excluí-los do processo de classificação das imagens Por último foi processado o MDS com espaçamento de 1,0 metro, sendo este um produto complementar solicitado pelo INEA. 2.2 Classificação da área restante da imagem IKONOS 2009 da Maciço da Tijuca Ao longo dos meses de janeiro, fevereiro e março foram realizadas e finalizadas as classificações da Imagem de 2009 do Maciço na Tijuca da área que não aquela representativa da Imagem de Acervo como demonstrado na Figura 1. Figura 1: Classificação finalizada da área restante da Imagem Ikonos 2009 do Maciço da Tijuca

4 2.3 Finalização da Classificação das Favelas do PAC na Imagem de Foram realizadas e finalizadas as classificações da Imagem de 2009 do Maciço na Tijuca da área das Favelas do PAC como demonstrado na Figura 2. Figura 2: Classificação finalizada da área restante da Imagem Ikonos 2009 do Maciço da Tijuca 2.4 Edição dos polígonos da Comparação da Área de Acervo das Imagens de 2008 e A partir do resultado gerado da alteração planimétrica das imagens da área de Acervo de 2008 e 2009, e da validação dos resultados pela equipe de classificação, foi verificada a necessidade de uma adequação da metodologia. Esta adequação consistia fundamentalmente na edição do arquivo de variação planimétrica com o intuito de aproximar o valor de área detectado na comparação com o valor real da mudança, ou seja, polígonos sobre os quais foram verificadas a mudança planimétrica, mas que possuíam mistura, foram editados para se calcular o valor real de mudança. Depois desta etapa foi elaborado um filtro, estipulado em reuniões anteriores, em que

5 seriam adotados novos parâmetros para deteccção da variação planimétrica da vegetação para a classe área edificada. O parâmetro adotado e utilizado foi o parâmetro de área mínima estipulado em 50 metros quadrados. Desta maneira, obtivemos um resultado de 260 polígonos de variação e que consistia em uma área total de 4,148 hectares de variação (anteriormente, sem a utilização do filtro havia sido obtido o resultado de 5,69 de hectares). No entanto, a pedido do INEA, o mesmo arquivo está sendo verificado mais uma vez fazendo-se utilizar das ortofotos de 2009 do IPP. Além disto, foi entregue no dia 18 de março o shapefile de Reflorestamento da SMAC para alterações da classificação de cobertura da área do Maciço da Tijuca. 2.5 Segmentação e Classificação do Parque Estadual do Pedra Branca 2009 Com a entrega da ortoimagem da vertente norte do Maciço da Pedra Branca foram realizadas as segmentações da imagem que possibilitaria a futura classificação, sendo adotados os mesmos níveis já adotados anteriormente para outras áreas de estudo: 200, 100 e 30. Após a realização da segmentação da imagem foi efetuado um corte a partir da cota 100, uma vez que as áreas classificadas correspondem àquelas acima desta cota. Na figura 3 estão apresentados os resultados das segmentações utilizadas para a classificação da imagem IKONOS do Maciço da Pedra Branca. Figura 3: Segmentações realizadas sobre a Imagem de 2010 do Parque Estadual da Pedra Branca (Vertente Norte).

6 Posteriormente a esta etapa, foi iniciado o procedimento de classificação. Atualmente já foram classificadas os três níveis gerados pelo software Definiens Developer 7.0, no entanto, os polígonos que continuaram a ser misturados em 2 ou mais classes diferentes, estão sendo editados. 3. Elaboração do Modelo de Interpretação Automática 3.1 Introdução Este eixo de atividades do projeto PIMAR se dedica a elaboração de um modelo de interpretação automática das imagens utilizadas no projeto PIMAR através de técnicas de classificação de imagens por análise orientada a objeto. Para tal tarefa está sendo utilizado o sistema de livre acesso e código aberto para a interpretação automática de imagens InterIMAGE (InterIMAGE, 2009). Tal modelo de interpretação automática estará, ao final do projeto, formalizado em uma interface gráfica através da qual o usuário poderá coletar amostras das classes de interesse sobre a imagem e, com base nestas amostras, o modelo realizará a criação de regras de classificação e a interpretação da imagem propriamente dita. Ao final do processo o usuário obterá um mapa temático das classes de interesse (com exatidão temática do mapa estimada) para a área e data de aplicação do modelo. O objetivo é que o modelo de interpretação por fim elaborado obtenha resultados com grau de exatidão e precisão temática igualmente para todas as datas de análise do projeto e que possa eventualmente ser aplicado em outras áreas de estudos para monitoramento de supressão de vegetação e expansão urbana utilizando imagens de sensoriamento remoto de alta resolução espacial. Esta parte do relatório de atividades do Projeto PIMAR está organizada da seguinte maneira. No tópico 2 é exibido, a título de revisão, o cronograma metodológico proposto. Neste tópico são discutidas em qual etapa do cronograma as atividades que estão sendo realizadas podem ser situadas e qual os problemas e soluções encontrados até o momento. Nos tópicos seguintes são reportados as atividades e resultados obtidos nas etapas do cronograma que as atividades sendo realizadas se encontram. Por fim, as atividades que serão realizadas e os resultados esperados para o próximo mês de projeto são discutidos na seção 6.

7 3.2 Cronograma metodológico Com vistas à elaboração de um modelo consistente, ou seja, estável e preciso, de interpretação automática das imagens e que obtenha para todas as datas de análise e áreas de estudo uma precisão e exatidão temática igualmente satisfatória, o cronograma metodológico exibido na Tabela 1 foi estabelecido. Em tal cronograma constam as seguintes atividades: 1. Familiarização com a área alvo, legenda e chave de interpretação visual; 2. Definição de uma estratégia básica de interpretação automática dispondo das potencialidades da classificação por análise orientada a objeto; 3. Elaboração de um modelo protótipo para teste sobre a área-piloto do projeto; 4. Avaliação da exatidão do modelo de interpretação tendo como base a interpretação visual da área; 5. Aplicação e ajuste do modelo protótipo sobre a área de acervo (imagens do ano de 2008); 6. Avaliação da exatidão do modelo de interpretação tendo como base a interpretação visual da área; 7. Abstração da formatação do modelo de interpretação até então elaborado para o sistema InterIMAGE; 8. Calibração dos parâmetros de segmentação do algoritmo disponível no sistema InterIMAGE; 9. Implementação de eventuais operadores no InterIMAGE para que seja possível a aplicação do modelo; 10. Aplicação do modelo de interpretação automática utilizando o sistema InterIMAGE na área-piloto; 11. Avaliação da exatidão do modelo de interpretação tendo como base a interpretação visual da área;

8 12. Aplicação do modelo de interpretação automática utilizando o sistema InterIMAGE na área de acervo; 13. Avaliação da exatidão do modelo de interpretação tendo como base a interpretação visual da área; 14. Repetição das etapas 5 a 13 sobre as imagens de 2009; 15. Ajustes finais (eventualmente necessários); 16. Definição da interface de aplicação do modelo; 17. Desenvolvimento da interface de aplicação do modelo; 18. Elaboração da documentação.

9 Tabela 1 Cronograma de passos metodológicos para a obtenção do modelo final de interpretação automática. Cronograma de elaboração do modelo de interpretação automática Atividades/Meses 09/ / / / / / / / / / fffffffffffff 2. fffffffffffff fffffffffffff 3. fffffffffffff 4. fffffffffffd 5. fffffffffffd fffffffffffd 6. fffffffffffd fffffffffffd 7. fffffffffffd 8. fffffffffffd 9. fffffffffffd fffffffffffd fffffffffffd 10. fffffffffffd fffffffffffd 11. fffffffffffd 12. fffffffffffd 13. fffffffffffd 14. fffffffffffd fffffffffffd 15. fffffffffffd fffffffffffd 16. fffffffffffd fffffffffffd fffffffffffd fffffffffffd 17. fffffffffffd fffffffffffd fffffffffffd 18. fffffffffffd fffffffffffd fffffffffffd

10 Presentemente, a atividade do cronograma que está sendo realizada é a etapa 13. A exatidão do modelo de interpretação automática está sendo testada sobre três áreas-testes contidas no Maciço da Tijuca. Os resultados da análise quantitativa da exatidão das interpretações automáticas geradas pelo modelo serão exibidos no tópico 5. Durante o mês de fevereiro, quatro outras atividades foram realizadas com o intuito de se elaborar um modelo de interpretação automática que seja eficaz e amigável de se operar, são elas: (1) readequação dos parâmetros de segmentação, (2) esboço do protocolo de coleta de amostras, (3) comparação de diferentes configurações do modelo de interpretação e (4) definição da estratégia de correção de erros de classificação. Neste relatório cada um destes tópicos será abordado. 3.3 Readequação dos parâmetros de segmentação Ao longo dos testes realizados, percebeu-se que a utilização de uma ao invés de duas diferentes parametrizações do algoritmo de segmentação gerava resultados bem mais estáveis e precisos, o que, ao mesmo tempo em que aumentou a exatidão das classificações geradas, também simplificou o modelo e sua reprodução. A utilização de mais de uma parametrização de segmentação para se realizar a classificação da imagem é um atributo do sistema InterIMAGE que tem grande potencial para classificações de alvos bem diferentes entre si. No entanto, no caso da aplicação do Projeto PIMAR, em que os alvos são relativamente homogêneos em termos de tamanho e forma, a utilização de uma única parametrização de segmentação é mais recomendável, como os próprios testes confirmaram. A Tabela 2 exibe os parâmetros de segmentação aplicados para a obtenção de segmentos para cada uma das classes de interesse do projeto. Tabela 2 Parâmetros de segmentação utilizados nos testes deste mês. Classes Parâmetros de segmentação Sombra, Campos, Florestas, Solo Exposto, Corpos d Água, Áreas Edificadas Afloramentos Rochosos * ---- Escala 20 Cor 0.9 Forma 0.3 Compacidade 0.5 Assimetria 0.5 Peso das bandas (B1, B2, B3, B4) 1,1,1,1

11 3.4 Esboço do protocolo de coleta de amostras Apesar da elaboração do protocolo final de coleta de amostras estar previsto para o final do projeto, algumas constatações foram apreendidas durante a realização dos primeiros testes com o classificador C4.5 (Quinlan, 1993) usado como heurística para a definição de limiares. Estas constatações serviram para a definição de diretrizes gerais que deverão ser adotadas quando o modelo for operado por usuários que não os especialistas que estão se dedicando a construção do modelo. Estas diretrizes são: A coleta de amostras, quanto ao número destas, deverá ser feita de forma estratificada, porém não em relação à área, mas sim em relação à diversidade dos alvos de cada classe. Ou seja, as classes mais heterogêneas deverão conter um maior número de amostras de treinamento. Isto faz com que a ordem decrescente do número de amostras para cada classe seja: Área Urbana, Vegetação (Floresta e Campos), Solo Exposto, Sombra; Apesar de estarmos estudando a aplicabilidade da fórmula proposta por Congalton e Green (1999), utilizada freqüentemente para a definição de amostras de validação, para a definição do número total de amostras de treinamento, os testes realizados mostraram que em duas horas (o que é um tempo relativamente curto), pode-se coletar em torno de 250 amostras de Área Urbana, 100 de Vegetação, 35 de Solo Exposto e 50 de Sombra, o que é suficiente para garantir uma classificação satisfatória, pelo menos nos testes realizados. Como mencionado, o protocolo final de coleta de amostras será elaborado nos últimos meses de projeto e será exibido na forma de um texto claro e detalhado sobre como proceder durante a coleta de amostras para garantir uma classificação automática a mais precisa e exata o possível. 3.5 Comparação de diferentes configurações do modelo de interpretação Como também foi mencionado nos relatórios passados, três configurações do modelo de classificação foram testadas e comparadas quanto a exatidão das classificações geradas. Estas configurações diferem quanto a heurística para a seleção de atributos e definição de limiares para elaboração de regras de classificação e também quanto à rede semântica que estrutura o modelo. A Figura 4 mostra estes três modelos. O modelo número 3 difere do modelo número 1 apenas no fato deste utilizar o algoritmo C4.5 para a definição de limiares e seleção de atributos, enquanto mo Modelo 3 utiliza a heurística que estava sendo testada nos primeiros meses de projeto (vide relatórios dos meses de dezembro e janeiro).

12 Figura 4 Diferentes configurações dos modelos testadas. Estes modelos foram avaliados quanto à exatidão das classificações da classe Vegetação e das outras classes como um todo a partir dos índices Exatidão Global, Índice Kappa, Exatidão do Usuário e Exatidão do Produtor. A Figura 5 mostra a Exatidão Global e o Índice Kappa para as três classificações realizadas nas três áreas testes. A Figura 6 mostra a Exatidão do Usuário e a Exatidão do Produtor calculados para a classe Vegetação, principal classe de interesse do Projeto PIMAR nas três áreas em que os testes foram realizados.

13 Figura 5 Índices de exatidão calculados para as classificações de forma geral. Percebe-se que as classificações geradas têm bons índices de exatidão. Todas as classificação geradas pelos três modelos (aqui nomeados de Rede 1, 2 e 3) nas três áreas testes apresentou Exatidão Global acima de 75% e Indice Kappa acima de 0.55, o que é satisfatório.

14 Figura 6 Índices de exatidão calculados para as classificações de forma geral. Percebe-se que as classificações geradas tem bons índices de exatidão para a classe Vegetação. Todas as classificação geradas pelos três modelos (aqui nomeados de Rede 1, 2 e

15 3) nas três áreas testes apresentou Exatidão do Usuário acima de 85% e Exatidão do Produtor acima de 75%, o que é satisfatório. Finalmente, com base nos resultados e na viabilidade computacional, escolheu-se o Modelo 1 para ser utilizados nos próximos testes 3.6 Tarefas a serem realizadas As próximas tarefas consistirão em testar o modelo de classificação 1 nas áreas-teste da área de acervo, porém nas imagens de Isto será feito com a finalidade de se analisar a estabilidade deste modelo de interpretação automática quanto aos resultados de exatidão temática das classificações geradas. Antes disto, o protocolo de coleta de amostras deverá através de testes empíricos ser formalmente elaborado a partir destes experimentos. 4. Referências Bibliográficas CONGALTON, R. G.; GREEN, K. Assessing the accuracy of remotely sensed data principles and practices. Boca Raton: Lewis Publishers, p. ISBN: INTERIMAGE. InterIMAGE Interpreting images freely. Desenvolvido por Laboratório de Visão Computacional da Pontifícia Universidade Católica do Rio de Janeiro. Rio de Janeiro, Brasil, Disponível em: Acesso em: 15 jul QUINLAN, J.R. C4.5: programs for machine learning. San Francisco: Morgan Kaufmann, 1993.