Uso de técnicas de segmentação de imagens SAR JERS-1 na Floresta Amazônica. Gerardo Kuntschik 1 Luciano V. Dutra 1 Pedro Hernandez Filho 2

Transcrição

1 Uso de técnicas de segmentação de imagens SAR JERS-1 na Floresta Amazônica Gerardo Kuntschik 1 Luciano V. Dutra 1 Pedro Hernandez Filho 2 Instituto Nacional de Pesquisas Espaciais INPE Av. dos Astronautas 1758 Caixa Postal São José dos Campos SP Brasil 1 [gerardo, 2 pedro@ltid.inpe.br Resumo A Floresta Amazônica, devido aos intensos processos de antropização ocorridos nos últimos anos que implicam mudanças no ambiente devido a modificações radicais na cobertura do solo, recebe uma grande atenção por parte da comunidade científica mundial. As imagens de radar a bordo de plataformas orbitais, como o JERS, tem se apresentado como uma alternativa interessante para contornar o problema da cobertura de nuvens, embora o processo de extração de atributos delas seja muito diferente ao usado nas imagens ópticas devido à resposta dos alvos nas distintas faixas espectrais em que operam ambos sistemas. A segmentação mediante algoritmos desenvolvidos especificamente para imagens SAR, visa separar alvos distintos para sua posterior identificação. Neste trabalho são apresentados os resultados de segmentações de imagens JERS-1 de um módulo da Floresta Amazônica no estado de Pará, Brasil, com os algoritmos MUM e RWSEG, do software CAESAR específico para imagens SAR. Os resultados dos processamentos são comparados com segmentações de imagens ópticas TM Landsat da mesma região mediante algoritmos específicos para elas. 1. Introdução As florestas tropicais têm sido assinaladas freqüentemente como elementos de grande importância no tocante a sua função como reserva de biodiversidade, ciclo do O 2, do carbono e, devido a isso, têm se tornado objetos de estudo nos processos de mudança global. Estes ecossistemas têm sofrido ao longo das ultimas décadas, importantes processos de antropização que provocam mudanças profundas, fundamentalmente na cobertura e uso do solo. Estas mudanças acarretam conseqüências no solo, pela rápida liberação de nutrientes edáficos através das queimadas da

2 biomassa e sua conseqüente perda. Também provocam alterações no ar, devido à liberação de gases de combustão, e na água, pelo aumento de sedimentos que são transportados aos rios quando o solo fica exposto à ação da chuva após a retirada da biomassa que o cobria. Estes processos de antropização são importantes na Floresta Amazônica e têm despertado interesse no estudo e monitoramento do uso do solo e da expansão das áreas ocupadas, bem como da regeneração da floresta nas áreas abandonadas após a ocupação pelo homem. O sensoriamento remoto fornece ferramentas que, devido a sua natureza sinóptica e de periodicidade, as tornam adequadas para esta tarefa de observação da superfície terrestre, repetida ao longo do tempo. Diversos sensores têm sido utilizados para esta tarefa no decorrer dos anos, com distintos resultados. O Programa do Desmatamento da Amazônia (PRODES), (Barbosa, 1996), coordenado pelo Instituto Nacional de Pesquisas Espaciais, (INPE), é seguramente a maior tentativa de monitorar as mudanças no uso do solo na Amazônia Legal Brasileira, e tem fornecido dados de grande valia para o conhecimento do processo de ocupação e de regeneração da floresta na região. Este programa, assim como a grande maioria dos trabalhos que utilizam sensoriamento remoto na região, é realizado com imagens do sensor Thematic Mapper a bordo do satélite Landsat. Este sensor gera imagens em sete bandas espectrais correspondentes à região óptica e infravermelho próximo, médio e termal do espectro eletromagnético. O número mencionado de bandas permite a correta discriminação de alvos da superfície da terra que tem distinto comportamento espectral, porém nenhuma delas têm capacidade de atravessar as nuvens nem a fumaça decorrente das freqüentes queimadas que acontecem na região. As sombras das nuvens também constituem-se num problema para as imagens deste sensor, já que a informação da superfície da terra, sob estas, se perde. A cobertura de nuvens na Floresta Amazônica é uma situação muito freqüente devido á grande evapotranspiração deste tipo de vegetação, resultando que em muitas regiões só se obtenham imagens úteis para o monitoramento da cobertura terrestre em intervalos de tempo muito longos, as vezes anos. Em algumas poucas regiões ainda não se obteve nenhuma imagem totalmente livre de nuvens. Este fato tem levado à comunidade científica a estudar a viabilidade do uso de imagens de radar as quais são obtidas em distintas faixas espectrais correspondentes à zona das microondas. Nesta faixa do espectro a radiação eletromagnética é transmitida sem grandes alterações através de nuvens e fumaça. Devido à energia utilizada para a geração das imagens ser independente da iluminação solar, ela não é influenciada pela sombra das nuvens e permite obter imagens tanto durante o dia quanto a noite. Estas características tornam as imagens geradas por radares a bordo de plataformas orbitais, úteis no que diz respeito à sua capacidade de depender pouco das condições climáticas (Boyd et al., 1996). Devido às caraterísticas intrínsecas a estas imagens, o processo de extração de informações delas é distinto daquele usado em imagens ópticas. Os algoritmos desenvolvidos para as imagens ópticas geralmente, requerem várias bandas espectrais, porém os satélites imageadores que operam na região das microondas só operam em uma banda (L ou C). Também os algoritmos usados para

3 imagens ópticas pressupõem que a distribuição estatística dos dados é gaussiana, o que no caso das imagens de radar nem sempre é válido, prejudicando o resultado destes para seu uso com dados de radar. Neste trabalho se apresentam os resultados de processamento de imagens do satélite japonês JERS-1, o qual opera na banda L, obtidas na região da Floresta Nacional de Tapajós (FLONA Tapajós) no estado do Pará, norte do Brasil, região compreendida dentro da Amazônia Legal Brasileira. Foram feitas segmentações para tentar discriminar alvos distintos, como passo prévio para a classificação da cobertura do solo. 2. Objetivos O objetivo do presente trabalho consiste na avaliação do desempenho de dois segmentadores em separar distintos tipos de coberturas do solo em imagens de radar JERS/1 e comparar o resultado destas segmentações com a que se pode obter de imagens TM da mesma região e época. Os segmentadores de imagens de radar utilizados neste estudo são: Merge Using Moments (MUM) e RWSEG que estão implementados no software Caesar (NASoftware Ltd., 1994). Para segmentar as imagens ópticas (Landsat TM), foi usado um algoritmo por crecimento de regiões que está implementado no software Spring (INPE, 1993). 3. Materiais Foi utilizada a imagem do satélite JERS-1 correspondente à órbita ponto 405/307 da data 27/07/94. Também foi utilizada, como referencia, interpretação visual e a segmentação da imagem TM Landsat, bandas 3, 4 e 5, da mesma área, órbita ponto 227/62, da data 23/05/93. O software usado para a segmentação da imagem JERS, Caesar foi desenvolvido especificamente para produtos de radar. Inclui vários programas, dentre os quais foram utilizados o RWSEG e o MUM, ambos segmentadores. Este software é executado em estações de trabalho RISC que operam sob o ambiente UNIX. Para este trabalho foi utilizada uma estação SUN, Sparc 20, com 128 Mb de memória RAM, devido aos grandes requerimentos de memória do software quando realiza este tipo de processamento. O Caesar só processa os dados, não possuindo capacidade de visualizar as imagens. Para isto foi utilizado o software ENVI - The Environment for Visualizing Images (Better Solutions, Consulting, 1997), também com capacidade de processamento de imagens, embora durante este trabalho só foi utilizado para visualização. As imagens TM Landsat foram também submetidas a um processo de segmentação no software Spring desenvolvido pelo INPE. Foram feitas duas visitas a campo previamente à realização deste trabalho para auxiliar na verificação do tipo de cobertura do solo. 4. Métodos A imagem JERS foi lida e visualizada no software ENVI. A seguir selecionouse uma área que apresentasse suficiente variação na cobertura do solo e que tivesse sido visitada, de modo tal que se dispusesse de informação relativa ao uso. Assim, a eleição foi feita por uma área próxima à colônia São

4 Jorge, na qual observam-se as classes de cobertura de solo floresta densa (FD), solo nu (SN), regeneração aberta (RA), regeneração jovem (RJ), pasto limpo (PL) e pasto sujo (PS). Uma vez escolhida a área de estudo procedeuse o seu recorte dentro do ENVI e criou-se uma nova imagem. O mesmo foi feito com a imagem TM de modo que as imagens provenientes dos dois sensores abrangeram praticamente a mesma área. O software Caesar só processa imagens em um formato próprio. Os arquivos deste formato possuem extensão isr. Portanto, o programa raster2isr foi utilizado para a transformação da imagem em formato bruto para o formato do Caesar. O RWSEG tem como parâmetros que devem ser fornecidos pelo operador, o e que é o fator que determina o número mínimo de segmentos e o j que determina as dimensões mínimas de cada segmento. O MUM tem como parâmetro a ser fornecido pelo operador o p, o qual determina o tamanho das regiões que serão segmentadas. Desta forma, foram realizadas várias segmentações com cada algoritmo, a fim de se determinar os valores ótimos para cada segmentador. Vale ressaltar que para esta determinação dos valores ótimos foi utilizado um critério visual (qualitativo). Os valores escolhidos para o RWSEG foram: e = 3,29 e j = 3,00 e o valor para o MUM foi p = 10. Para visualizar as imagens resultantes do processo de segmentação elas foram reconvertidas do formato isr para o formato original novamente, já que o primeiro é só para processamento e não é possível sua visualização. Este passo foi feito com o programa isr2raster integrante do software Caesar. Uma vez no formato RAW as imagens resultantes foram visualizadas no ENVI. No caso das imagens TM foi criado um projeto dentro do Spring no qual foram inseridas a seguir. Após isso foram submetidas ao processo de segmentação por crescimento de regiões, utilizando-se vários limiares tanto de área (define o número de pixels mínimo que conterá uma região) quanto de similaridade (define o grau de similaridade que dois pixels vizinhos deverão ter para serem considerados pertencentes à mesma região). Tanto no Spring quanto no ENVI foram feitos os processamentos necessários para conseguir superpor os resultados das segmentações (mapa de bordas) com as imagens originais a fim de conseguir avaliar mais precisamente a qualidade do desempenho do segmentador via comparação das áreas delimitadas com o que era possível observar nas imagens. Duas regiões das imagens segmentadas foram escolhidas para realizar uma análise quantitativa do desempenho dos distintos algoritmos segmentadores. Para isto foram delimitados dois módulos em cada imagem processada correspondente às mesmas localizações geográficas e contou-se o número de segmentos delimitados por cada um dos segmentadores utilizados. A seguir compararam-se os resultados das segmentações pelos algoritmos RWSEG e MUM com o número de segmentos delimitados na imagem óptica TM Landsat, a que foi usada como referência. 5. Resultados

5 As imagens resultantes dos processamentos a que foi submetida a imagem JERS, foram comparadas visualmente objetivando a escolha daquelas em que os segmentadores apresentaram melhor desempenho. O resultado da segmentação pelo algoritmo MUM (Figura 1) foi o que mostrou melhor desempenho. Separou adequadamente as classes floresta densa (FD) de solo nu (SN), regeneração aberta (RA), regeneração jovem (RJ), pasto limpo (PL) e pasto sujo (PS), embora tenha havido lugares onde as classes antropizadas (SN, RJ, PL e PS) se misturaram entre si e não se obteve a separação adequada. As áreas definidas para a avaliação quantitativa foram o extremo direito e a parte central das imagens. No primeiro módulo a cobertura vegetal apresenta um alto grau de antropismo, pelo que é de se esperar a delimitação de mais segmentos que no segundo. Assim, (Tabela 1), para a área da extrema direita foram delimitados 37 regiões com o segmentador MUM, enquanto com o RWSEG (Figura 2) foram separadas 47. Na imagem TM foram identificadas 78 regiões. Na área central, que apresenta menos antropismo, o MUM delimitou 11 regiões, enquanto o RWSEG separou 49 e o Spring segmentou 78 na imagem TM (Figura 3). Figura 1: resultado da segmentação da imagem JERS pelo segmentador MUM no software Caesar. O limiar usado foi 10 para o parâmetro p. No caso da segmentação pelo algoritmo RWSEG, todas as classes foram excessivamente segmentadas, especialmente a FD.

6 Figura 2: resultado da segmentação da imagem JERS pelo segmentador RWSEG no software Caesar. O número de segmentos separados pelo Spring na imagem TM, embora maior que o separado pelo RWSEG na imagem JERS, mostrou maior coerência com a realidade. Na imagem SAR, o algoritmo separou mais regiões, mas elas não correspondem a classes distintas de cobertura do solo porque em muitos casos segmentou áreas homogêneas. Figura 3: resultado da segmentação da imagem TM pelo segmentador por crescimento de regiões no software Spring. Os limiares usados foram 10, para área e 8, para similaridade. Como conclusão pode se observar que nenhum dos segmentadores usados para imagens JERS mostrou um desempenho ótimo já que criaram segmentos em áreas que apresentam um grau de homogeneidade elevado, de acordo com as informações derivadas a partir das imagens TM e das visitas a campo, e mesmo da observação da imagem JERS original, ou deixaram de separar áreas que apresentam discontinuidades marcantes, podendo se observar estas inclusive visualmente na imagem JERS. Parte deste comportamento dos segmentadores pode ser atribuída à geometria de aquisição das imagens JERS, com visada lateral ou off nadir, o que provoca uma eloqüente amplificação do efeito do relevo quando comparado com as imagens TM obtidas com geometria de aquisição vertical ou nadir. Utilizandose o segmentador implementado no Spring, após varias combinações dos limiares, obteve-se um resultado que considerou-se adequado, com os

7 valores 10 para o limiar de área e 8 para o de similaridade. Este resultado, com a imagem original por fundo, é apresentado na Figura 3. Número de segmentos Direita Centro MUM RWSEG Spring Tabela 1: Número de segmentos separados por cada algoritmo. 6. Considerações finais Embora os resultados das segmentações das imagens JERS não tenham atingido a acurácia pretendida, foram o suficientemente bons para uma primeira delimitação das unidades de cobertura do solo. É de se esperar que utilizando mais dados, como bandas com outras freqüências (banda C) e diversas polarizações (VV, HV e VH) tanto na banda L quanto C o desempenho dos segmentadores apresente resultados mais satisfatórios. Este trabalho foi parcialmente financiado pelo CNPq atraves dos auxilios /93-6 e /94-0 (GeoTec). Os autores agradecem a colaboração do pesquisador Sidnei João Siqueira Sant Anna, do INPE, no referente a apoio computacional e revisão do trabalho. 7. Referências bibliográficas Barbosa, M. N Deforestation Assessment and the Detection Programs in Brazil. The Amazon and Sustainable Development Workshop, Bonn, Alemanha. Setembro, 11, Better Solutions Consulting, ENVI User s Guide. V 2.6. Research Systems, Inc., Boulder, USA. Janeiro, Boyd, D. S., Foody, G. M., Curran, P. J., Lucas, R. M., Honzak, M. An assessment of radiance in Landsat TM middle and thermal infrared wavebands for the detection of tropical forest regeneration. International Journal of Remote Sensing, 17 (2) : , INPE Manual do Spring, São José dos Campos. NASoftware Ltd. Caesar SAR Image Processing User Guide, 2.1. NASoftware, 1994, Liverpool, UK.