1. Introdução O ambiente e os recursos terrestres estão sofrendo mudanças constantemente em resposta à evolução natural e às atividades humanas.

Transcrição

1 UTILIZAÇÃO DE ALGORITMOS DE CLASSIFICAÇÃO PARA O MAPEAMENTO DO USO E COBERTURA DA TERRA NA BACIA HIDROGRÁFICA DO RIBEIRÃO SÃO BARTOLOMEU, VIÇOSA-MG, A PARTIR DE UMA IMAGEM DO SENSOR IKONOS II Adelson de Azevedo Moreira Universidade Federal de Viçosa UFV adelsonmoreira@gmail.com Vicente Paulo Soares Universidade Federal de Viçosa UFV vicente@ufv.br José Marinaldo Gleriani Universidade Federal de Viçosa UFV marinaldo@ufv.br Carlos Antonio Álvares Soares Ribeiro Universidade Federal de Viçosa UFV caas.ribeiro@gmail.com RESUMO O presente trabalho teve como objetivo avaliar diferentes algoritmos de classificação para o mapeamento da cobertura e uso da terra na bacia do ribeirão São Bartolomeu, município de Viçosa, Minas Gerais. Foi utilizada uma imagem georreferenciada e fusionada do sensor Ikonos II, com resolução espacial de 1 m. Foram utilizados os seguintes algoritmos de classificação: máxima verossimilhança, redes neurais, Bhattacharya e isoseg. As principais classes presentes na área de estudo foram cobertura florestal, pastagem, área agrícola, área urbana, hidrografia e outros. As imagens resultantes dos processos classificatórios foram avaliadas pelo índice de exatidão kappa. Os resultados encontrados pela utilização deste índice mostraram que os quatros algoritmos de classificação utilizados tiveram performance razoáveis, a saber: máxima verossimilhança (53,4%), redes neurais (63,0%), Bhattacharya (76,0%) e isoseg (50,9%). Palavras-chave: sensoriamento remoto, índice de exatidão Kappa, algoritmos de classificação. ABSTRACT The major objective of this work was to evaluate different classification algorithms for mapping Land Use/Land Cover classes in São Bartolomeu River Watershed, municipality of Viçosa, Minas Gerais State, Brazil. For this purpose, it was used a geo-referenced ikonos image with 1m of spatial resolution. The algorithms used were: maximum likelihood, neural nets, Bhattacharya and isoseg. Six cover classes were mapped in the study area, including forest cover, pasture, agricultural, urban area, hydrography and others. The classified images were evaluated based on the kappa index, and the results found were 53.4%, 63.0%, 76.0% and 50.9%, respectively, for the maximum likelihood, neural nets, Bhattacharya and isoseg algorithms, which were considered reasonable. Key-words: remote sensing, kappa index, classification algorithm. 1

2 1. Introdução O ambiente e os recursos terrestres estão sofrendo mudanças constantemente em resposta à evolução natural e às atividades humanas. Para entender a complexa inter-relação dos fenômenos que causam essas mudanças, é necessário fazer diversas observações com uma série de dados do espaço e escalas no tempo. A observação terrestre feita do espaço é o meio efetivo e econômico de unir os dados necessários para monitorar e modelar esses fenômenos (VIEIRA, 000). O sensoriamento remoto é uma importante ferramenta ligada ao levantamento de recursos naturais e ao monitoramento do meio ambiente, o que contribui para beneficiar o desenvolvimento econômico e social de uma população. No Brasil, um país de proporções continentais, essas técnicas podem e têm sido utilizadas neste sentido (NOVO, 199). Imagens geradas pelos sensores remotos, que caracterizam a superfície terrestre, são cada vez mais utilizadas para a elaboração de diferentes tipos de produtos. Os dados captados pelos sensores remotos são interpretados e transformados em informações, apresentados geralmente em forma de mapas temáticos (FLORENZANO, 00). Imagens de alta resolução trazem consigo, no entanto, um novo conjunto de questões associadas à resolução de elementos individuais da cena, que devem ser consideradas. Essas imagens possuem uma vantagem significativa: identificação de feições espaciais a partir de informação textural. Considerando previamente que imagens com resolução mais grosseira têm sua utilização dificultada sem o conhecimento a priori das feições terrestres, o acréscimo da informação textural disponível em imagens de alta resolução permite melhorar a interpretação, com base na forma da textura dessas feições (RIBEIRO, 003). A alta resolução espacial muda até o modo de se utilizarem as imagens geradas pelos satélites. Se anteriormente um pixel continha vários objetos, agora um objeto é composto por vários pixels, aumentando o nível de detalhamento da cena (MENDONÇA, 006). A análise de uma imagem digital pode ser enquadrada em dois grandes grupos: análise digital e análise visual. Dentro do grupo da análise digital pode ser citada ainda a classificação supervisionada e classificação não-supervisionada (NOVO, 199). Um terceiro método chamado de classificação híbrida pode também ser empregado. Trata-se da associação de algoritmos não-supervisionado e supervisionado. Exige do analista o conhecimento da área de estudo, mesmo que seja no final do processo, permitindo o agrupamento de pixels que podem ser convenientemente tratados como classes distintas (RIBEIRO, 003). Outra técnica empregada é a classificação visual, que consiste na classificação das diferentes feições presentes em uma imagem de satélite, por meio de técnicas qualitativas ou visuais de interpretação, pode variar em função de parâmetros como: experiência do fotointérprete e condições de trabalho (NOVO, 199).

3 As técnicas de classificação digital implicam a implementação de uma regra de decisão para que o computador possa atribuir uma determinada classe a um certo conjunto de pontos da imagem (pixels). Essas técnicas teriam, dessa forma, o objetivo de tornar o processo de mapeamento ou reconhecimento de características da superfície terrestre menos subjetivo e com maior potencial de repetição em situações subsequentes (NOVO, 199). A distinção e identificação das composições de diferentes materiais superficiais, sejam eles tipos de vegetação, padrões de uso do solo, rochas e outros, tornam-se possíveis devido ao fato de os materiais superficiais terem comportamentos estes que podem, portanto, ser usados para identificá-los (CRÓSTA, 199). O presente trabalho teve como objetivo principal avaliar diferentes algoritmos de classificação, supervisionada ou não-supervisionada, para o mapeamento da cobertura e uso da terra numa bacia hidrográfica.. Material e Métodos.1. Localização e caracterização da área de estudo A região de estudo está localizada entre as coordenadas geográficas de S, O e S, O. Nesta área está inserida a bacia do ribeirão São Bartolomeu, município de Viçosa, Minas Gerais. Esta é uma região representativa da Zona da Mata mineira e importante fornecedora de água para a cidade de Viçosa bem como para o campus da Universidade Federal de Viçosa. A região caracteriza-se por uma topografia fortemente acidentada, apresentando porções reduzidas de área plana. Consta, ainda, de vales cujos fundos correspondem ao leito maior, periodicamente inundável, seguido de terraços assimétricos onde é mais frequente a prática de agricultura e habitações. As vertentes desenvolvem-se seguindo uma linha côncava-convexa-topo e parte íngreme (REZENDE, 1971), com escassos remanescentes florestais nativos, caracterizada por minifúndios com mão-de-obra essencialmente familiar, onde pratica-se a agricultura e pecuária de subsistência. O uso da terra é constituído de pastagens, culturas anuais e perenes e remanescentes florestais em estádio sucessional da tipologia Floresta Estacional Semidecidual, sob o domínio da Floresta Atlântica. 3

4 Figura 1 Localização do Município de Viçosa na Zona da Mata de Minas Gerais... Dados Foi utilizada imagem do sensor IKONOS II com data de aquisição de 9 de outubro de 007, composta por um mosaico georreferenciado, compreendida pelas coordenadas UTM, do canto superior esquerdo N1 = ,00; E1 = ,60 e do canto inferior direito N = ,00 e E = ,60; esta se encontra no sistema WGS 84. A imagem contém as bandas azul (0,45 a 0,5 µm), verde (0,5 a 0,60 µm) e infravermelho próximo (0,76 a 0,90 µm), com resolução de 4 m de resolução e uma banda pancromática de 1 m, com resolução final de 1 m..3. Procedimentos Metodológicos Utilizaram-se os seguintes algoritmos de classificação para a geração das imagens temáticas, com o propósito de mapeamento do uso da terra: máxima verossimilhança, redes neurais, Bhattacharya e isoseg, cujas formulações matemáticas encontram-se a seguir: - Algoritmo Bhattacharya B( pi, pj) 1 ( m1 m) T ( mi mj) 1 ln ( mi mj) em que B = distância de Bhattacharya; Pi e pj = pixels nas classes i e j; mi e mj = médias das classes i e j; T = matriz transposta; ln = logaritmo neperiano; e i e j = classes dentro do contexto i 1 j 1 (1) O classificador de Bhattacharya é um algoritmo de classificação supervisionada, que requer a seleção de áreas de treinamento, podendo utilizar as regiões separadas durante o processo de segmentação ou polígonos representativos das regiões a serem classificadas. Ele utiliza as amostras de 4

5 treinamento para estimar a função densidade de probabilidade das classes apontadas no treinamento. Em seguida, avalia, em cada região, a distância de Bhattacharya entre as classes, conforme Equação 1 (MOREIRA, 005). - Algoritmo isoseg D 1 C 1 i T ( X m ) i ( X m j ) em que D = distância de Mahalanobis; T = matriz transposta; C i = matriz de covariância; m i e m j = vetor de média das classes i e j; e X = região de análise. () O Isoseg é um algoritmo de agrupamento de dados não-supervisionado, aplicado sobre conjunto de regiões que foram caracterizadas por seus atributos estatísticos (média e matriz de covariância) na fase de extração de regiões. Em outras palavras, é uma técnica para classificação que procura agrupar regiões, a partir de uma medida de similaridade entre elas. A medida de similaridade utilizada consiste na distância de Mahalanobis (Equação ) entre a classe e as regiões candidata à relação de pertinência com esta classe (MOREIRA, 005). - Algoritmo backpropagation E 1 i T i O i em que T i = vetor de saídas desejadas para o conjunto de treinamento i; e O i = vetor de saída da rede para o conjunto de treinamento dado. (3) O modelo backpropagation é o algoritmo mais utilizado em modelos de redes neurais. Este é de classificação supervisionada que, minimiza interativamente uma função de erro através das saídas da rede e de um conjunto de saídas desejadas derivadas de um conjunto de dados de treinamento. O processo continua até o erro convergir para um nível baixo aceitável (VIEIRA, 000). - Algoritmo máxima verossimilhança T 1 0,5 log ) 0,5 X X Pc e Det (Vc Mc Vc Mc em que X = vetor de medidas dos pixels desconhecidos; P c = probabilidade de o vetor X ser assinalado na classe c; V c = matriz de covariância da classe c contemplando todas as bandas (K,..., L); Det (V c ) = determinante da matriz de covariância V c ; M c = vetor das médias para cada classe c; e T = matriz transposta. (4) O algoritmo da máxima verossimilhança avalia a variância e a covariância das categorias de padrões de resposta espectral quando classifica um pixel desconhecido. Para isto, assume-se que a 5

6 distribuição da nuvem de pontos que forma a categoria dos dados de treinamento é Gaussiana (distribuição normal). Assumida essa suposição, a distribuição de um padrão de resposta espectral da categoria pode ser complemente descrita por um valor de média e a matriz de covariância. Com estes parâmetros é possível calcular a probabilidade estatística de um dado valor de pixel pertencente a uma classe particular de cobertura da terra (LILLESAND; KIEFFER, 004). Os dados foram processados no programa Spring 4.3, para a geração das imagens temáticas, com a exceção do algoritmo de redes neurais, que foi processado no programa computacional Idrisi The Andes Edition. Foram identificadas, após várias visitas à área de estudo, seis classes predominantes dentro da imagem, cujos temas encontram-se descritos no Quadro 1. Quadro 1 Relação de classes temáticas utilizadas nas classificações Item Classe Cor Descrição 1 Florestal Áreas de reflorestamento e de floresta nativa (mata e capoeira) Agricultura Áreas composta por lavouras de café, culturas de milho, feijão, etc. 3 Pastagem Áreas cobertas de gramíneas, utilizada para o pastorio 4 Urbana Áreas urbanas 5 Hidrografia Corpos d água 6 Outros A própria moldura (fundo da imagem) e nuvens Para os algoritmos de classificação por máxima verossimilhança e redes neurais por pixel e Bhattacharya por região, onde foi aplicado o método supervisionado, que envolve a coleta de amostras para treinamento dos algoritmos de classificação. As amostras foram coletadas de regiões representativas de cada classe. O algoritmo isoseg é por região e aplicado o método não supervisionado. O algoritmo Battacharya utiliza, além das amostras de treinamento, uma imagem segmentada para gerar a imagem classificada. O limiar de aceitação utilizado foi de 100%. O limiar dado em percentagem define uma distância de Mahalanobis, de forma que todas as regiões pertencentes a uma dada classe por uma distância inferior a esta (INPE, 004). Quanto maior o limiar, maior esta distância e consequentemente menor será o número de classes detectadas pelo algoritmo. Os dados de similaridade, área e limiar de aceitação foram escolhidos com base nas imagens geradas, pela técnica visual. O classificador por regiões isoseg foi implementado em conjunto com a imagem segmentada pelos índices de similaridade de área (pixels), além de utilizar um limiar de 75%. De acordo com Bins et al. (1996), o segmentador implementado no programa computacional Spring é baseado nas técnicas de segmentação tradicionais, com algumas modificações que parcialmente resolvem o problema da dependência na ordem de unir as regiões. 6

7 3. Avaliação da exatidão da classificação Para avaliar-se a exatidão da classificação torna-se necessário comparar o mapa obtido através da classificação dos dados de sensor com dados de referência (JENSEN, 1996) ou verdade de campo. A relação entre estes dois conjuntos informacionais geralmente é resumida em uma matriz de confusão ou tabela de contingência (LILLESAND; KIEFFER, 1994). A matriz de erros ou de confusão identifica o erro global da classificação para cada categoria, mostrando também como se deram as confusões entre as categorias (BRITES, 1996). O exame da matriz de erros revela, para cada categoria, erros de omissão e de comissão. Erros de omissão podem ser descritos como a omissão no mapa de uma determinada feição constatada em campo, e, erros de comissão são descritos como atribuição no mapa de determinada feição a uma classe a qual a mesma não pertence, segundo levantamento de campo (CAMPBELL, 1987). Gong e Howard (1990), citados por Brites (1996), sugerem o índice kappa como um dos procedimentos mais utilizados para mensurar a exatidão das classificações temáticas por representar inteiramente a matriz de confusão, conforme Quadro. Quadro Representação esquemática de uma matriz de erros Floresta Agrícola Pasto Urbano Água Outros Totais Erro de omissão Floresta Agrícola Pasto Urbano Água outros Totais Erro de Comissão Imagem a ser avaliada Imagem de referencia Linhas marginais Colunas marginais Diagonal mostra os pixels classificado corretamente Somatório da diagonal mostra o número total de pixels classificados corretamente Colgaton (1991) relata que o uso do coeficiente kappa (K) é satisfatório na avaliação da precisão de uma classificação temática, pelo fato de levar em consideração toda a matriz de confusão no seu cálculo, inclusive os elementos de fora da diagonal principal, os quais representam as discordâncias na classificação, diferentemente da exatidão global, por exemplo, que utiliza somente os elementos diagonais (concordância real). 7

8 A exatidão global é definida pela soma dos elementos da diagonal da matriz dividida pelo número total da a mostra. O cálculo do índice kappa é efetuado por meio da seguinte relação (CONGALTON; GREEN, 1998): (5) em que X = elemento da matriz de erros; R = número de categorias presentes na matriz de erros; X ii = elementos da diagonal principal; X i+ = total da linha para uma dada categoria informacional; e X +i = total da coluna para uma dada categoria informacional. De acordo com Congalton e Green (1998), as classificações das imagens geradas em sensoriamento remoto são classificadas em determinados intervalos de valores, conforme os níveis de aceitação no Quadro 3. Quadro 3 Intervalo de aceitação dos resultados do índice Kappa Índice Kappa (K) Características K < 0,4 Pobre 0,4 < K < 0,8 Razoável K > 0,8 Excelente 4. Resultados e Discussão Após a realização das classificações e obtidos os dados de referência, procedeu-se à validação das imagens temáticas geradas, com a obtenção das matrizes de erros e o cálculo dos índices kappa para cada método empregado, através da equação (5). O Quadro 4 apresenta os resultados dois índices de exatidão kappa e global para os quatro algoritmos de classificação testados. Quadro 4 Os algoritmos de classificação com seus respectivos valores dos índices kappa e global Método Kappa (%) Exatidão Global (%) Battacharya 76,8 80,34 Isoseg 50,91 60,69 Máxima Verossimilhança 53,40 61,64 Rede Neural 63,70 69,66 8

9 As imagens temáticas geradas pelos algoritmos de classificação são mostradas a seguir. Análise visual das imagens mostra que a imagem gerada pelo algoritmo Battacharya apresentou uma melhor discriminação das classes de uso e cobertura da terra presentes na área de estudo, principalmente a classe urbana. Tal fato é confirmado pela análise quantitativa resultante dos índices de exatidão kappa (76,8%) e global (80,34%), valores estes bem superiores aos demais índices gerados pelos demais classificadores, conforme explicitado no Quadro 4. A imagem temática gerada pelo algoritmo da máxima verossimilhança mostrou-se bastante salpicada, característica esta apresentada em imagens de alta resolução, devido á grande variação de objetos em pequenas áreas. No geral, as imagens que são segmentadas antes do processo de classificação geram resultados superiores. Figura Mapa Temático gerado pelo algoritmo Battacharya. 9

10 Figura 3 Imagem Temática gerada pelo algoritmo Isoseg. Figura 4 Imagem temática gerada pelo algoritmo de Máxima Verossimilhança. 10

11 Figura 5 Imagem temática gerada pelo algoritmo de Redes Neurais. 5. Conclusão - A região de estudo é caracterizada por minifúndios, onde se a pratica agricultura familiar e a pecuária de subsistência; desta forma, possuindo uma cobertura do uso da terra bastante heterogenia, provocando com isso uma miscelânea nos valores de pixel, dificultando os algoritmos de classificação. - O algoritmo de classificação Battacharya foi o que gerou a imagem temática com melhor discriminação das classes de uso e cobertura da terra presente na área de estudo, o que foi comprovado pelos índices de exatidão Kappa e Global, superiores aos demais avaliados. Referências Bibliografias BINS, L. S.; FONSECA, L. M. G.; ERTHAL, G. J.; MITSUO, F. Satellite imagery segmentation: a region growing approach. In: SIMPÓSIO DE SENSORIAMENTO REMOTO, 8. (SBSR), Salvador. Anais... São José dos Campos: INPE, 004. p CD-ROM. BRITES, R. S. Verificação de exatidão em classificação de imagens digitais orbitais: efeito de diferentes estratégias de amostragem e avaliação de índices de exatidão f. Tese (Doutorado em Ciência Florestal) Universidade Federal de Viçosa, Viçosa, CAMPBELL, J. B. Introduction to remote sensing. New York: The Guilford Press, p. 11

12 COLGATON, R. G. A review of assessing the accuracy of classifications of remotely sensed data. Remote Sensing of Environment, v. 49, n. 1, p , CONGALTON, R. G.; GREEN, K. Assessing the accuracy of remotely sensed data: principles and practices. New York: Lewis Publishers, p. COSTA, T. C. C. Avaliação de estratégias para classificação de imagens orbitais em mapeamento de uso e cobertura da terra f. Tese (Doutorado em Ciência Florestal) Universidade Federal de Viçosa, Viçosa, COUTINHO, A. C. Segmentação e classificação de imagens LANDSAT TM para o mapeamento dos usos da terra na região de Campinas, SP f. Dissertação (Mestrado em Ciências) Universidade de São Paulo, São Paulo, CRÓSTA, A. P. Processamento digital de imagens de sensoriamento remoto. Campinas: IG/UNICAMP, p. FLORENZANO, T. G. Imagens de satélite para estudos ambientais. São Paulo: Oficina de Texto, 00. INPE Instituto Nacional de Pesquisas Espaciais. Spring: sistema de processamento de informações georreferenciadas. 004 (manual de ajuda). JENSEN, J. R. Introductory digital image processing: a remote sensing perspective.. ed. New Jersey: Prentice Hall, p. LILLESAND, T. M.; KIEFER, R. W. Remote sensing and image interpretation.. ed. Chichester: John Wiley & Sons, p. MENDONÇA, L. E. R. Utilização de algoritmos de classificação em imagens IKONOS para mapeamento de feições terrestre: um estudo de caso f. Dissertação (Mestrado em Ciência Florestal) Universidade Federal de Viçosa, Viçosa, 006. MOREIRA, M. A. Fundamentos do sensoriamento remoto e metodologias de aplicação.. ed. Viçosa: UFV, p. NOVO, E. M. L. M. Sensoriamento remoto: princípios e aplicações. Ed. São Paulo: Edgard Blücher Ltda., p. REZENDE, S. B. Estudo de crono-toposequência em Viçosa Minas Gerais f. Dissertação (Mestrado em Fitotecnia) Universidade Federal de Viçosa, Viçosa, RIBEIRO, R. M. P. Avaliação de métodos de classificação de imagens IKONOS II para o mapeamento da cobertura terrestre f. Dissertação (Mestrado em Ciência Florestal) Universidade Federal de Viçosa, Viçosa, 003. SANTOS, J. C. Extração de atributos de forma e seleção de atributos usando algoritmos genéticos para classificação de regiões f. Dissertação (Computação aplicada) INPE, São José dos Campos, 007. Disponível em: < Acesso em: 6 jul

13 SHIMABUKURO, Y. E.; DUARTE, V.; SANTOS, J. R.; MELLO, E. M. K.; MOREIRA, J. C. Levantamento de áreas desflorestadas na Amazônia através de processamento digital de imagens orbitais. Floresta e Ambiente, v. 6, n. 1, p , VIEIRA, C. A. O. Accuracy of remotely sensing classification of agricultural crops: a comparative study f. Thesis (Ph. D.) University of Nottingham, Nottingham,