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 Trimestral de Atividades Abril / Maio / Junho de 2010

2 Índice 1. Apresentação Fotogrametria Classificação Visual Classificação do Parque Estadual da Pedra Branca Elaboração de Projetos Científicos Atividades em Desenvolvimento Classificação Automática Introdução Atividades Desenvolvidas Referências Bibliográficas

3 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). 3

4 2. Fotogrametria As atividades realizadas no trimestre incluíram revisões de processamentos anteriores. Somente ao final do segundo trimestre (abril até junho) de 2010 deu-se o recebimento e o processamento de novas imagens. Foi recebido um conjunto com cinco novas imagens monoscópicas obtidas no mês de maio de 2010 para a geração de novas ortoimagens das áreas do Maciço da Tijuca e do Maciço da Pedra Branca. Três das imagens recebidas estão localizadas sobre o Maciço da Tijuca (figuras 1, 2 e 3) e duas situam-se na vertente Norte do Maciço da Pedra Branca (figuras 4, 5, 6). Figura 1. Três cenas monoscópicas sobre o Maciço da Tijuca (Maio 2010) 4

5 Figura 2. Modelo Digital de Superfície extraído a partir de um estereopar IKONOS2 (2009) Figura 3. Visão hibrida das imagens monoscópicas sobre o modelo digital de superfície 5

6 Figura 4. Duas cenas monoscópicas sobre a vertente Norte do Maciço da Pedra Branca (Maio 2010) Figura 5. Modelo Digital de Superfície extraído a partir de um estereopar IKONOS2 (Jan 2010) Figura 6. Visão hibrida das imagens monoscópicas sobre o modelo digital de superfície 6

7 De maneira similar à reportada em relatórios técnicos anteriormente remetidos ao INEA, a metodologia empregada para o processamento fotogramétrico foi similar à utilizada em projetos anteriores, com a ressalva de que, uma vez que as cinco imagens recebidas são monoscópicas, foi necessário utilizar os Modelos Digitais de Superfície anteriormente gerados em outros projetos fotogramétricos, a fim de proceder à orto-retificação dessas imagens. O uso dos Modelos Digitais de Superfície encontra-se ilustrado nas figuras 3 e 6 acima. Uma vez terminado o processamento fotogramétrico, as ortoimagens foram remetidas para a equipe de classificação do LabGIS. 7

8 3. Classificação Visual 3.1. Classificação do Parque Estadual da Pedra Branca 2009 Foi realizada ao longo destes três meses a classificação da vertente norte do Maciço da Pedra Branca. Conforme dito no relatório anterior, os mesmos níveis de segmentos foram adotados: e 30. Na figura 7 está o resultado da classificação da imagem IKONOS do Maciço da Pedra Branca. Figura 7. Classificação da Imagem de 2009 do Parque Estadual da Pedra Branca (Vertente Norte). Pode-se ver abaixo, a tabela de distribuição das classes identificadas e levantadas conforme a porcentagem de cada uma em relação ao total. Tabela 1. Porcentagem das classes levantadas no Maciço da Pedra Branca (Vertente Norte). CLASSES % Afloramento Rochoso 1,52 Campo 22,50 Solo Exposto 1,63 Vegetação 70,85 Sombra 0,08 Água 0,02 Área Edficada 1,18 Não classificada 2,17 Nuvem 0,05 TOTAL 100 8

9 3.2. Elaboração de Projetos Científicos A partir dos dados levantados, os integrantes da equipe de classificação visual iniciaram pesquisas individuais sobre os seguintes temas: Análise multitemporal da cobertura do solo Impactos do crescimento urbano sobre o Maciço da Pedra Branca Definição e conceituação de classes Análise do processo de segmentação Análise da classificação automática das classes vegetação e área edificada É importante destacar que todos os trabalhos estão sendo desenvolvidos utilizando como base as imagens IKONOS adquiridas pelo Projeto PIMAR e visam o aprimoramento das metodologias já implantadas. 3.3 Atividades em Desenvolvimento Atualmente, a partir da entrega das imagens monoscópicas que foram programadas em Maio de 2010, a equipe de classificação iniciou a classificação da imagem referente a área do Maciço da Pedra Branca e está em processo de edição da imagem referente ao Maciço da Tijuca. 9

10 4. Classificação Automática 4.1. 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 Atividades Desenvolvidas Ao passo que nos relatórios anteriores mostramos um potencial modelo de interpretação automática formatado para o sistema InterIMAGE (InterIMAGE, 2010) e que consistia em procedimentos de segmentação e classificação destes segmentos pelo algoritmo de árvore de decisão C4.5 (Quinlan, 1993), neste relatório será mostrado uma estratégia alternativa a esta que está sendo testada neste momento. Esta estratégia de interpretação automática está sendo testada utilizando os sistemas InterIMAGE e Definiens (Definiens, 2010) de classificação de imagem e está estruturada em forma de uma rede semântica expressa na Figura 8. Como o objetivo principal do Projeto PIMAR é detectar a supressão de Mata Atlântica à custa, na maioria dos casos, de expansão urbana, o mais crucial no que tange a exatidão do modelo de interpretação automática é a detecção da 10

11 classe Vegetação, independentemente se esta vegetação é de gramínea ou arbórea. Por isso, até o momento, diferentemente dos modelos testados nos meses anteriores, temos testado uma forma de calibração, ou seja, definição do limiar que separa Vegetação de Não-Vegetação, ao passo que anteriormente os limiares, assim como o próprio atributo usado nesta separação, eram definidos pelo algoritmo C4.5 com base em amostras coletadas pelo usuário. Presentemente, está definido que a separação de Vegetação e Não-Vegetação será feita utilizando-se o atributo Divisão da média da banda do infravermelho próximo pela média da banda do vermelho (daqui em diante referiremos a este atributo pelo nome B4/B3) para cada segmento gerado no processo de segmentação com parâmetros já reportados nos relatórios anteriores. Da mesma forma, ficou definido que o atributo Brilho (que é a soma das médias dos pixels em cada uma das quatro bandas do sensor IKONOS dividido por 4) será utilizado na separação de Sombra e Não-Sombra. A seguir, explicaremos como que provavelmente será feita a detecção de Sombra e de Vegetação, ou seja, como será feita a definição do valor-limiar nestes dois casos. Figura 8. Rede semântica testada na elaboração do modelo de interpretação automática. No caso da detecção de Sombra e de Não-Sombra (operador inserido no nó Segmentação) isto se dará da seguinte forma: o operador segmentará a imagem e ordenará estes segmentos crescentemente considerando o valor do atributo Brilho de cada segmento; o usuário então navegará por esta lista e, através de uma tela, conseguirá visualizar o segmento na imagem com 11

12 valor de Brilho imediatamente acima e abaixo deste limiar. Ou seja, ficará a cargo do usuário definir, de forma supervisionada e utilizando o recurso da lista de valores e da tela mostrando os segmentos-limiares, o valor do limiar. Os segmentos com valor abaixo do limiar passam a pertencer à classe Sombra, enquanto os com valor acima passam a pertencer à Não-Sombra. É sobre a área geográfica de Não-Sombra que o operador para a separação de Vegetação e Não- Vegetação irá ser processado. A definição do limiar para a separação de Vegetação e Não-Vegetação será feita por uma de duas alternativas, de acordo com a conveniência/necessidade do usuário, a saber: por definição da área máxima de pós-edição ou por definição da probabilidade de não se detectar desmatamento. Ambas as alternativas exigem que para os segmentos classificados como Não- Sombra, seja calculado o atributo B4/B3, assim como a classe (Vegetação ou Não-Vegetação) a qual pertencia este segmento na imagem da data anterior. De forma similar a separação de Sombra e Não-Sombra, uma lista dos segmentos (contendo a informação de classe no ano anterior) ordenados pelo valor do atributo B4/B3 é gerada pelo operador e disponibilizada ao usuário através da interface gráfica do sistema. No caso do usuário decidir definir o limiar através da definição da área máxima a ser editada pelos foto-intérpretes, é feito o seguinte: (1) Constrói-se uma lista dos segmentos que na data anterior pertenciam a Vegetação, (2) ordenam-se os segmentos desta lista pelos valores do atributo B4/B3 e (3) defini-se o limiar L tal que a proporção dos polígonos da lista com B4/B3 <T seja mais próxima possível da área relativa máxima da imagem a ser analisada pelos fotointérpretes. No caso do usuário decidir definir o limiar através da definição da probabilidade de não detectar desmatamento, é feito o seguinte: (1) constrói-se uma lista dos segmentos que na data anterior pertenciam a #vegetação, (2) ordenam-se os segmentos desta lista por B4/B3 e (3) defini-se o limiar L tal que a proporção dos polígonos da lista com B4/B3 > L seja mais próxima possível da probabilidade de não se detectar desmatamento definida pelo usuário. A Figura 9 exibe graficamente o que foi dito. 12

13 Figura 9. Esquema de definição de limiares. Antes da definição desta estratégia acima explicada, o gráfico da Figura 10 foi elaborado com vistas a avaliar a separabilidade das classes em relação ao atributo B4/B3. A área ínfima de intersecção entre as curvas corrobora a assertiva de que este de fato é um atributo bom para a separação das classes de interesse do Projeto PIMAR. A Figura 11 mostra um gráfico elaborado em que se mostra a relação entre as duas alternativas que o usuário tem para a definição do limiar para a separação de Vegetação e Não-Vegetação com base no ano de 2008 (linha azul) e no ano de 2009 (linha vermelha). Apesar do fato de que se fosse definido uma probabilidade de 0,5% de não se detectar desmatamento a área relativa de pós-edição seria de aproximadamente 40%, definindo-se uma probabilidade de não se detectar desmatamento de 1% ou mais, a área a ser pós-editada seria de menos de 15%. Estes dois gráficos expressam com clareza tanto a separabilidade das classes Vegetação e Não-Vegetação pelo atributo B4/B3, quanto a relação área de pós-edição/probabilidade de não detectar desmatamento para todos os possíveis limiares do atributo B4/B3. 13

14 Figura 10. Gráfico de distribuição das classes em relação ao atributo B4/B3. Figura 11. Gráfico de distribuição das classes em relação ao atributo B4/B3. Quanto aos outros nós da rede semântica, estes serão detectados na imagem da mesma forma adotada para a classificação de Sombra, ou seja, lista-se crescentemente os valores do atributo associado às classes e, com este recurso junto com a visualização na tela dos segmentos imediatamente antes e depois do limiar, defini-se o limiar mais apropriado. Assim para a 14

15 separação entre Solo Exposto e Área Urbana, o atributo Divisão da média da banda do vermelho próximo pela média da banda do azul (B3/B1) será usado. Para a separação entre as classes Floresta e Campo, o atributo Brilho será novamente usado. Assim finaliza-se a etapa Top-Down do modelo de classificação (ver relatório anterior). Na etapa Bottom-Up será feita apenas a reclassificação de segmentos erroneamente classificados através de regras contextuais já reportadas nos relatórios anteriores 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,