CAPÍTULO 4 METODOLOGIA. Definição do problema. Revisão Bibliográfica. Seleção das imagens SAR e dos dados auxiliares

Transcrição

1 Na Físca, uma boa resposta vem com trabalho, e uma boa pergunta com nspração Marcelo Gleser CAPÍTULO 4 METODOLOGIA Este capítulo está estruturado da segunte forma (Fgura 4.1): ncalmente, tem-se um descrção dos materas utlzados; em seguda, são detalhados os métodos para seleção dos dados, o processo de tratamento das magens de radar e o cruzamento de dados; por fm, descreve-se o funconamento dos classfcadores utlzados e os métodos de análse dos resultados. Defnção do problema Revsão Bblográfca Seleção das magens SAR e dos dados auxlares Tratamento das magens SAR Cruzamento dos dados auxlares e magens SAR Aplcação dos algortmos de classfcação Conclusões e recomendações Análse dos resultados Fg. 4.1 Fluxograma geral das atvdades do trabalho. 69

2 4.1 Materas Os materas utlzados neste trabalho foram: Quatorze magens do sstema RADARSAT-1/SAR, consstndo em produtos RADARSAT do tpo Imagem Alnhada, no formato CEOS (Commttee on Earth Observaton Satellte) em CD ROM, sendo: Duas magens ceddas pela Petrobrás no modo Wde ascendentes, de 1/09/98 e 3/11/98, posção do fexe W1 e espaçamento de pxel 1.5 m; Três magens ceddas pelo projeto GlobeSAR no modo ScanSAR Wde, sendo uma ascendente de 05/07/98 e duas descendentes de 15/07/97, com posção do fexe SW1 e espaçamento de pxel 50 m; Nove magens ceddas pela RADARSAT Internaconal - THREETEK Ltda, sendo três descendentes no modo Standard de 09 e 16/09/96, duas com posções do fexe S e uma S3, e espaçamento de pxel 1.50 m; e ses no modo Fne nas seguntes datas: 04/06/96 (ascendente) e 06/09/96 (descendente) ambas F4; 11/09/96 (ascendente) 17/10/96 (descendente) ambas F1, com espaçamento de pxel 6.5 m; Três magens AVHRR/NOAA de 06/09/96, 15/07/97 e 06/09/96 ceddas pelo INPE; Dados meteorológcos de altura de onda, dreção e velocdade do vento de superfíce, dsponblzados pelo Projeto Sstema de Prevsão de Ondas, 1999; Imagem SeaWFs (GAC) em formato HDF de 07/07/98, ceddas pelo INPE; Software PCIWorks 6., para sstema UNIX; Software ENVI 3., para sstema UNIX; Software Texture, desenvolvdo no INPE (Rennó et al., 1998); Software SPRING (Vs. SPRING GISAM), para sstema UNIX; Software CAESAR 3.0; Software ERDAS Imagne 8.3.1; Software Seadas

3 4. Métodos 4..1 Seleção das Imagens SAR A análse das magens SAR consttuu-se de três passos: 1) localzação de áreas escuras nas magens, caracterzando a ocorrênca de manchas de óleo (ou seja, análse vsual das característcas morfológcas, texturas e tonas destas regões); ) na presença de tas áreas, recorte e fltragem da magem para uma melhor análse vsual e posteror classfcação; 3) avalação das áreas escuras juntamente com dados de vento e temperatura de superfíce para dscrmnação de manchas de óleo e seus assemelhados. Este procedmento fo efetuado utlzando o software PCIWorks 6.. É mportante ressaltar que para a seleção de uma magem, esta devera apresentar pelo menos uma feção que ndcasse a presença de óleo, não sendo necessára a presença de um ou mas assemelhados. Entretanto, na presença de uma feção semelhante ao óleo, esta era ncluída no recorte da magem para avalação da capacdade dos classfcadores em separar manchas de óleo de seus assemelhados. Foram observados assemelhados na maora das magens analsadas, sendo as zonas de czalhamento de correntes, desvo de correntes de ar pelo relevo, ondas nternas e baxas de vento na superfíce oceânca os de ocorrênca mas freqüente. Fnalmente, após a análse das quatorze magens SAR, foram seleconadas todas as 3 magens ScanSAR Wde (15/07/97 e 05/07/98), e duas magens Fne F4 (04 e 06/09/96). É mportante salentar que as magens de fexe F1 são as mas comumente utlzadas pela ndústra petrolífera para detecção de exsudações, e não as de fexe F4 (Mranda, 000). Apesar de algumas magens não seleconadas possuírem pequenas áreas escuras, estas não foram consderadas relevantes em relação à escala da magem avalada. 71

4 4.. Seleção das Imagens AVHRR/NOAA Uma vez escolhdas as magens de radar com ocorrênca de óleo, foram seleconadas magens AVHRR/NOAA para geração mapas de temperatura da superfíce do mar obtdas nas seguntes datas: 06/09/96, 15/07/97 e 05/07/98. A escolha das magens fcou determnada pela dsponbldade de dados e pela cobertura de nuvens. Assm, quando não fo possível obter as magens AVHRR na mesma data de sua respectva SAR, optou-se pela data mas próxma (anteror ou posteror). A seleção das magens fo realzada no software ENVI 3.. Os dados AVHRR não foram utlzados somente para avalação da temperatura da superfíce oceânca, mas também para verfcação de ocorrênca de chuvas fortes com presença de nuvens convectvas. Normalmente, grandes tempestades com chuvas ntensas estão assocadas a células convectvas profundas, que atngem grandes alttudes e apresentam temperaturas de topo extremamente baxas. Para a geração das cartas de TSM, utlzou-se uma faxa de valores de temperatura que englobasse o ntervalo acetável de temperaturas da superfíce oceânca para a magem consderada (0 C a no máxmo 30 C, por exemplo). As áreas onde as temperaturas encontravam-se fora deste ntervalo aparecem com valores nulos na magem resultante. Para a obtenção da magem com nformações sobre temperatura do topo de nuvens (06/09/96), realzou-se um procedmento nverso, sto é, determnou-se uma faxa de valores acetáves para o topo de nuvens (-10 a -50 C). As nuvens convectvas são normalmente assocadas a temperaturas de topo nferor a -50 C. Assm, as cartas, de temperaturas de topo de nuvens foram construídas, atrbundo valor nulo para regões que se encontravam com temperaturas fora destes lmtes. Desta forma, analsando as magens de radar em conjunto com produtos AVHRR, fo possível o cruzamento de nformações, evtando nterpretações errôneas e propcando maor compreensão das feções da magem. Esta metodologa tem sdo utlzada por Lorenzzett (1999). As cartas de TSM foram geradas no software ERDAS Imagne

5 Os chamados flmes naturas podem ser consderados como mcro camadas contendo substâncas orgâncas como proteínas, lpídos, ácdos orgâncos, sacarídeos, e metas assocados com a matéra orgânca em suspensão. Tas mcro camadas podem formar extensas áreas unformes em regões de alta atvdade bológca e condções relatvamente calmas do estado do mar (Johannessen et al., 1994). Segundo Espedal et al. (1996), os flmes naturas podem ocupar extensas áreas na superfíce do mar em regões onde ocorrem processos de convecção, dfusão e ressurgênca, desde que a atvdade bológca seja ntensa. Assm as magens AVHRR também foram útes na dentfcação de fenômenos de ressurgênca, como ocorre na regão de Cabo Fro RJ Determnação dos Dados Meteorológcos Segundo Lchtenegger (1994), a superfíce oceânca geralmente aparece escura em magens ERS-1 SAR se a velocdade do vento for nferor a 3 m/s. Em regões de velocdades de vento mas altas, onde as magens anda se mantêm escuras, exste a possbldade da ocorrênca de algum tpo de flme de superfíce. Entretanto, não tem sdo observado o efeto de amortecmento de ondas por manchas de óleo ou flmes naturas nos eventos onde as velocdades do vento excedem 10 m/s. Portanto, o montoramento de manchas de óleo se lmta à faxa de 3 a 10 m/s para a velocdade do vento. Entretanto a experênca tem mostrado que, na prátca, este ntervalo é reduzdo para 3 a 8 m/s (Mranda, 000). Em vrtude dsso e da necessdade de dados meteorológcos para uma análse mas detalhada das feções das magens, foram utlzados dados meteorológcos dsponblzados pelo projeto Sstema de Prevsões de Ondas, que é resultado de um projeto da FAPESP ncado em Estes dados são orgnados a partr de modelos desenvolvdos pela Agênca Meteorológca Japonesa (modelo atmosférco), pelo Insttuto Max Plank (modelo de ondas de tercera geração), e por pesqusadores do INPE e UNESP (modelo de ondas de segunda geração), com colaboração de pesqusadores do IEAPM e do projeto SISPECA. Os modelos são almentados com 73

6 dados meteorológcos do CPTEC e prevsões dos satéltes NOAA e dsponblzados na Internet pelo Projeto Sstema de Prevsões de Ondas (1999). Os produtos do projeto são almentados com dados de vento a cada 3 horas, e a prevsão de ondas e ventos pode ser efetuada por uma smulação a partr de modelos de prevsão. Este procedmento fo utlzado para smular o provável estado do mar nas horas de passagem do satélte RADARSAT-1 (em hora GMT aproxmadamente 8:00h para órbta descendente e 1:00h para a ascendente). O produto fnal utlzado fo construído da segunte forma: foram utlzados os dados dsponíves nas datas de passagem do satélte (ou dados da véspera conforme a dsponbldade), e a partr daí o modelo fo executado nformando-se o número de horas necessáras para se obter a smulação no momento da passagem. Dessa forma foram utlzados dados das seguntes datas: 03/09/96 (+33h),14/07/97 (+h) e 05/07/98 (+18h), onde o acréscmo entre parêntess corresponde ao número de horas solctadas para ao sstema para a smulação em cada caso Seleção dos Dados SeaWFs Mudanças súbtas na cor do oceano podem ndcar a ocorrênca de dferentes abundâncas de ftoplâncton marnho devdo à absorção da radação em determnados comprmentos de onda pelos pgmentos fotossntetzantes destes seres. Componentes da água como substâncas orgâncas e norgâncas, dssolvdas e partculadas, também nteragem com a radação, sendo também responsáves pela cor dos oceanos (Mobley, 1994). Sabendo que o sensor SeaWFs, lançado em 1 O de agosto de 1997, fo projetado para prover nformações sobre a cor dos oceanos (NASA, 1999), fo utlzada uma magem de 07/07/98, com processamento de nível, contendo portanto nformações sobre concentração de clorofla. A magem fo seleconada nesta data vsto que as magens dsponíves nas datas mas próxmas de 05/07/98 se encontravam com presença de nuvens sobre a regão de nteresse. Esta avalação fo realzada na tentatva de 74

7 dentfcar possível ocorrênca de flmes naturas podendo estes ser confunddos com manchas de óleo pelos classfcadores utlzados. Esta magem, utlzada como dado auxlar para a nterpretação da magem SAR de 05/07/98, fo ncalmente processada no software Seadas 4.0, e posterormente vsualzada no ENVI 3.. O objetvo deste procedmento fo avalar as regões da magem onde a cor do oceano ndcasse áreas de maor atvdade bológca Tratamento das Imagens Fg. 4. Esquema da área de abrangênca das magens SAR utlzadas, sendo 1 e as magens ScanSAR Wde de 15/07/97, 3 a magem ScanSAR Wde de 05/07/98, 4 a magem Fne de 06/09/96 e 5 a magem Fne de 04/09/96. A área cnza representa a regão da Baca de Campos. 75

8 Incalmente, as magens SAR seleconadas foram analsadas ndvdualmente, observando-se as regões de ocorrênca de pontos escuros, e avalando a possbldade de recorte da magem analsada para mnmzação do tempo de processamento. As Fguras 4. e 4.3 esquematzam a área de abrangênca das magens seleconadas e os recortes realzados em cada uma delas, respectvamente. Fg. 4.3 Esquema do recorte realzado nas magens SAR utlzadas, sendo que magem Fne (4) fo recortada em duas partes, 4a e 4b. Uma das prncpas preocupações nesta fase fo preservar ao máxmo os dados radométrcos das magens, com a tomada de algumas decsões: 1) realzação do regstro das magens somente após a sua classfcação; ) comparação dos valores dos pxels das magens orgnas com as obtdas na mnmzação das dstorções radométrcas: ruído speckle e efeto do padrão da antena, os quas são dscutdos a segur. 76

9 Padrão da Antena O efeto de padrão da antena ocorre devdo às varações de baxa frequênca no brlho das magens na dreção de range, e estas são causadas pela perda de potênca relaconada com a geometra de vsada lateral. Entretanto, esta dstorção é bastante sgnfcatva para SAR s aerotransportados e pratcamente desprezível no caso de magens orbtas, sendo que a perda de potênca é corrgda no nstante da aqusção de cada pulso. Apesar dsso, os resíduos podem persstr em algumas magens, tornando-se necessára a aplcação de um algortmo de correção baseado na méda das colunas da magem. Consderando a possbldade de resíduos decorrentes deste efeto, fo aplcado em uma magem ScanSAR Wde o algortmo de correção de efeto de padrão da antena contdo no software PCIWorks Ruído Speckle e as Técncas de Fltragem Consderando a problemátca da presença do ruído speckle nas magens de radar descrta na seção.1.1, fo utlzada a técnca de fltragem espacal. Uma boa fltragem deve preservar os valores médos de retroespalhamento, além de manter bordas bem defndas entre campos adjacentes, e anda preservar a varabldade espacal (nformação textural) relaconada à cena. Para aplcações com radar, é comum a utlzação dos chamados fltros adaptatvos, que são assm denomnados pos reduzem o speckle e preservam a nformação radométrca e textural (Kux, 1998). Os fltros utlzados neste trabalho são descrtos a segur: Fltros de Medana: é um fltro do tpo não-adaptatvo. Seu prncípo básco consste em uma janela móvel que substtu o pxel central pelo valor de nível de cnza da Medana do subconjunto consderado. Este fltro possu a tendênca de melhor preservar as nformações de textura, entretanto não preserva a assnatura de alvos pontuas; 77

10 Fltro MAP (Maxmum a Posteror) Gama: é um fltro adaptatvo. O fltro Gama é baseado em um modelo que utlza as propredades estatístcas da cena consderada. O prncípo básco deste fltro é que se supõe que os valores de ntensdade da cena provém de uma dstrbução Gama se a magem não fosse nfluencada pelo ruído speckle. O fltro Gama mnmza a perda de nformação textural de forma mas efcaz em relação aos fltros de Frost e Lee, desde que o retroespalhamento da cena sga uma dstrbução Gama (Projeto GlobeSAR, 1998). É aproprado para uma grande quantdade de aplcações como áreas de floresta, áreas de planto e oceanos. Transformada de Fourer : Consste na aplcação da transformada de Fourer sobre toda a magem, para análse de uma das componentes resultantes a componente de ampltude. A análse desta componente propca a remoção de componentes de ruídos peródcos, uma vez que a ampltude tende a localzar nformações sobre padrões anterormente globalzadas na magem (Schowengerdt, 1997). Estas nformações então elmnadas ou reformuladas através da manpulação dreta da componente de ampltude ou da aplcação de fltros em geral não-adaptatvos, e realza-se, por fm, a transformada nversa de Fourer utlzando a ampltude já modfcada. Em geral, este procedmento tem se mostrado muto útl para remoção de ruídos expressvos da magem. Todos os fltros lstados acma foram aplcados em magens consderadas teste, ou seja, foram escolhdas para teste algumas magens que melhor representassem o conjunto de magens utlzado. Assm, as magens utlzadas para teste foram: Fne de 04/09/96 e ScanSAR 05/07/98, nas quas foram aplcadas os fltros da Medana com uma janela de amostragem 7x7 e Gama com janelas de amostragem 7x7 e 9x9. A utlzação da transformada de Fourer fo dreconada somente às magens ScanSAR, na tentatva de mnmzar problemas de mageamento ntrínsecos deste modo. Os melhores fltros conforme o modo de mageamento foram escolhdos através de uma análse vsual dos resultados, então, estes foram aplcados nas demas magens. Todos os procedmentos de aplcação de fltros foram realzados no software PCIWorks

11 4..6 Cruzamento dos Dados Após a fase de tratamento das magens SAR, deu-se níco à fase de cruzamento dos dados auxlares (TSM, Meteorológcos e SeaWFs) com as magens SAR. Este cruzamento fo realzado com caráter qualtatvo, ou seja, sem a degradação dos dferentes dados para alcançar uma escala comum. A partr da observação dos dados em coordenadas geográfcas comuns às magens SAR e aos dados auxlares, foram delmtados os temas para cada magem, defnndo assm se áreas escuras correspondam a manchas de óleo ou a assemelhados. É mportante salentar que, apesar de se trabalhar com dferentes resoluções, procurouse respetar lmtes nos quas a comparação qualtatva dos dados fosse coerente. Por exemplo, apesar das magens Fne e ScanSAR Wde possuírem resoluções espacas de 8 e 100 m, respectvamente, e os dados de TSM possuírem resolução espacal de mas de 1 km, as nformações de nteresse nos mapas de TSM ocorrem numa escala de méda a grande, sendo esta comparação anda coerente Algortmos de Classfcação A determnação dos algortmos de classfcação fo baseada em dos fatores prncpas: dsponbldade de utlzação do sstema, e dreconamento das ferramentas à classfcação de magens de radar de abertura sntétca. Dessa forma, foram escolhdos os seguntes classfcadores: Classfcador Textural por Semvarograma (CTS), e o Classfcador Texture. Ambos baseam-se em meddas texturas, possuem aplcação comprovada para magens SAR e estão dsponblzados pelo INPE (Fretas, 1999). A classfcação de magens é o processo responsável por assocar elementos de magens (pxels) a classes, as quas seram regões formadas por pxels que tenham característcas semelhantes ou comuns. Os classfcadores podem ser supervsonados ou nãosupervsonados (Slva, 199). 79

12 Os classfcadores supervsonados são aqueles que, em determnado momento, necesstam da nterferênca do usuáro, pos dependem de nformações externas para que dêem contnudade ao processo de classfcação. Os não-supervsonados, ao contráro, não necesstam desta nterferênca, e por sso, são mutas vezes chamados de automátcos. Dentre os supervsonados, exstem os classfcadores por pxel que baseam-se na utlzação da nformação de cada pxel soladamente para localzar regões homogêneas. Dentre os mas comuns, tem-se o de máxma verossmlhança, dstânca mínma e método do paralelepípedo. Exstem anda os classfcadores contextuas, que consderam não apenas as nformações relatvas ao pxel a classfcar, mas também consderam as nformações contdas nos pxels vznhos. Neste trabalho ambos os classfcadores utlzados são do tpo supervsonados e contextuas O Classfcador Textural por Semvarograma (CTS) O CTS é um classfcador supervsonado, que emprega o crtéro do paralelepípedo (veja detalhes em Schowengerdt, 1997), que possblta a combnação de nformações radométrcas e texturas. A nformação textural é obtda através da estrutura espacal das dferentes feções na magem, que é traduzda pelo semvarograma (descrto adante). A nformação radométrca é provenente do valor médo de níves de cnza das dferentes feções na magem que correspondem às classes consderadas (Mranda e Carr, 1994). O classfcador CTS é almentado por um fltro da Medana adaptatvo (onde são defndos os parâmetros rao e nível de rejeção), bandas texturas, também chamadas de bandas varográfcas e que dependem dos parâmetros do fltro, e por nformações das amostras de trenamento. A Fgura 4.4 esquematza o funconamento da classfcador CTS. 80

13 Análse das funções semvarograma Geração das bandas de textura Fltro da medana adaptatvo Amostras de trenamento CTS Classfcação da magem segundo o crtéro do paralelepípedo Imagem classfcada Fg. 4.4 Esquema básco de funconamento do CTS. FONTE: INPE (1998). A fase ncal envolve a escolha de amostras na magem para geração da função semvarograma para cada classe. O estmador da função de semvarograma é defndo pela segunte equação: γˆ ( ) ( h) [ Z( x ) Z( )] N ( h ) 1 h = x + h (4.1) N = 1 onde Z(x ) é o valor do nível de cnza do pxel localzado em x, e N(h) é o número de pares Z(x ) e Z(x + h ) separados pelo vetor dstânca h (ou lag). A utlzação desta função para classfcadores é aproprada quando se deseja consderar os valores de níves de cnza dos pxels em conjunto com seus vznhos mas próxmos. A forma do semvarograma está relaconada ao grau de correlação entre os níves de cnza (Mranda e Carr, 1994). A Fgura 4.5 apresenta um semvarograma com característcas próxmas do deal. Na orgem ocorre uma descontnudade denomnada 81

14 efeto pepta. O efeto pepta pode ser explcado pela varabldade de pequena escala não detectada na amostragem ou smplesmente pela aleatoredade espacal do conjunto de dados. A curva então cresce suavemente e a partr de um dado valor de h se torna constante. O valor da varável h onde a curva se torna constante é denomnado alcance, e o valor correspondente da função γ(h) é chamado patamar. Consdera-se que a partr do alcance não há mas dependênca espacal entre os pxels da amostragem. γ(h) C Alcance (a) Patamar (C) C o 0 Efeto pepta (C o ) a h Fgura 4.5 Semvarograma expermental. FONTE: Adaptada de Mranda e Carr (1996). O processo de classfcação engloba uma fase de trenamento e a classfcação em s, sendo que são tomadas amostras de trenamento tanto para o cálculo do semvarograma quanto para a classfcação. A janela de amostragem para o cálculo do semvarograma depende do lag, o qual pode ser determnado pelo usuáro de forma que o tamanho da janela respete os lmtes da classe na magem. Além dsso, para se obter o semvarograma para cada classe, deve-se defnr a forma desejada do cálculo e os parâmetros em cada caso. 8

15 Para o classfcador utlzado, dos tpo de procedmento para o cálculo do semvarograma são possíves: crcular e tradconal. No caso crcular, os pares são formados em relação ao centro da amostra (Fgura 4.6a). No caso tradconal, consderam-se todos os pares de pxels separados pelo vetor dstânca h dentro do círculo de rao lag. A Fgura 4.6b lustra a organzação de alguns pares para h =. (a) (b) Fg. 4.6 (a) Dstrbução dos pares de pxels no caso crcular para h= e (b) Organzação de pares de pxels no caso tradconal para h=. FONTE: INPE (1998, p.8-9). Além de se caracterzar em termos da forma, o cálculo do semvarograma pode ser defndo em termos da dreção. No caso de não haver uma dreção preferencal, tem-se o cálculo omndreconal, e quando exste uma dreção preferencal, tem-se o cálculo dreconal. No caso omndreconal, consdera-se todos os pares de pxels dentro do círculo de rao lag e, no caso dreconal, somente os pxels stuados sob o cone formado pela dreção e abertura (INPE, 1998). As Fguras 4.6a e 4.6b lustram os procedmentos de cálculo do semvarograma para os casos crcular omndreconal e tradconal omndreconal, respectvamente. 83

16 Para o caso dreconal, novos parâmetros são defndos: a dreção e a abertura. As Fguras 4.7a e 4.7b lustram os procedmentos de cálculo do semvarograma para os casos tradconal dreconal e crcular dreconal, respectvamente. (a) (b) Fg. 4.7 (a) Organzação de pares de pxels consderando a dreção e a abertura para o caso tradconal e (b) Organzação de pares de pxels consderando a dreção e abertura para o caso crcular. FONTE: INPE (1998, p.9). Após a análse dos semvarogramas determna-se o parâmetro de lag, e aplca-se na magem o fltro de Medana adaptatvo. Conforme o dreconamento das feções na magem defne-se a abertura e dreção (no caso dreconal). Para a geração das bandas varográfcas são utlzados os parâmetros para aplcação do fltro, o lag defndo na análse dos semvarogramas, e os parâmetros conforme o procedmento de cálculo escolhdo. A partr da aplcação de uma janela de tamanho lagxlag na magem orgnal, são gerados um número de bandas correspondente ao número de lag escolhdo (sendo a banda 1 relatva ao lag=1 e assm por dante). Além dsso, é gerada uma banda relatva à varânca e outra relatva ao coefcente de varação para amostragem realzada na magem. O próxmo passo é a determnação das amostras de trenamento para a classfcação. Neste trabalho, estas amostras foram escolhdas na mesma regão das amostras para 84

17 geração dos semvarogramas, na tentatva de manter os padrões entre as duas fases de amostragem. Para a classfcação nforma-se todos os parâmetros defndos anterormente (lag, parâmetros do fltro da Medana e do tpo de cálculo), e escolhe-se vsualmente as bandas varográfcas que melhor representarem o conjunto para que estas sejam a base de nformações para pxels que não foram possíves de serem classfcados pelo crtéro geral. Em geral, a escolha do parâmetros de lag, abertura, dreção e parâmetros do fltro da Medana adaptatvo, é de caráter empírco. Deve-se portanto, avalar o resultado dos semvarogramas e, se necessáro, realzar novos testes até alcançar um padrão de comportamento acetável para os semvarogramas (Camargo, 1999). Deve-se anda dspensar especal atenção à fase de amostragem para evtar contamnações das amostras (Mranda e Carr, 1996). Mranda et al. (1998) realzaram uma classfcação textural por semvarograma (CTS) de magens do radar JERS-1, na regão da Floresta Amazônca, contendo áreas com vegetação densa, vegetação aberta, áreas alagadas e água. Os resultados encontrados foram comparados com a mesma magem classfcada por Máxma Verossmlhança (MV). A matrz de confusão, para a classfcação por CTS, mostrou uma precsão total sgnfcatvamente maor em relação ao classfcador MV. Além dsso, o classfcador MV apresentou uma maor confusão para as classes separadamente, enquanto o CTS apresentou maor confusão apenas para as classes de vegetação, uma vez que os semvarogramas destas classes apresentaram-se bastante semelhantes. Concluu-se que, para a regão de estudo, de acordo com os dados utlzados, a classfcação por CTS mostrou melhores resultados e, portanto, maor utldade para o estudo em relação a classfcação por MV. Neste trabalho, a escolha dos parâmetros para o CTS fo feta utlzando-se o recorte da magem ScanSAR Wde de 15/07/97 (magem 1 veja fgura 4.3). Esta magem fo classfcada com um lag 5, o qual fo escolhdo após a análse dos semvarogramas das 85

18 dferentes classes, e utlzando-se todos os procedmentos de cálculo (crcular, tradconal, dreconal e omndreconal). Os resultados foram avalados em termos vsuas e da matrz de confusão ( a qual avala o grau de confusão entre as classes com base nas amostras de trenamento). Após a escolha do melhor procedmento para o cálculo dos semvarogramas, este fo aplcado às demas magens. O procedmento então escolhdo fo aplcado às magens Fne. Estabeleceu-se que todos os métodos seram testados também para as magens Fne, caso a matrz de confusão ou o valor do coefcente de concordânca kappa (o qual mede a efcênca da classfcação, ver Seção 4..8) mostrassem resultados de qualdade nferor aos das classfcações realzadas nas magens ScanSAR Wde O Classfcador Texture Rennó et al. (1998) desenvolveram um sstema para classfcação por regões utlzando meddas de textura, denomnado Texture. Este algortmo de classfcação possu uma nterface de fácl acesso, desenvolvda em lnguagem IDL, para extrar e analsar meddas texturas de magens. O prmero passo para efetuar a classfcação é a tomada de amostras de trenamento a partr da magem que se deseja classfcar. A partr de então, o sstema calcula as meddas texturas das áreas de trenamento escolhdas, como: 1) meddas de prmera ordem, as quas são calculadas sem a consderação da dstrbução espacal dos dados; ) meddas dstrbuconas que são estmadores de parâmetros estatístcos de dstrbuções; 3) meddas de Haralck, que são baseadas na matrz de co-ocorrênca; 4) meddas de autocorrelação espacal, que podem ser defndas por lags nas dreções de lnha e coluna; 5) meddas morfológcas, que relaconam os parâmetros área e perímetro das amostras. São descrtas a segur as meddas utlzadas neste trabalho. As meddas de textura de prmera ordem não consderam a dstrbução espacal dos níves de cnza de uma regão da magem (Rennó, 1995). Consderando P() a 86

19 frequênca com que o nível de cnza ocorre na amostra, M é a méda e V a varânca dos níves de cnza na magem (ver eq. 4.5 e 4.6), as meddas de prmera ordem utlzadas foram: a) coefcente de varação V CV = (4.) M b) Medana O valor da Medana é aquele que separa ao meo o conjunto de pxels consderado, com 50% do pxels abaxo da Medana e 50% acma (Schowengerdt, 1997). c) assmetra AS 3 ( M) P() = 3 (4.3) V d) curtose K 4 ( M) P( ) = (4.4) V As meddas dstrbuconas utlzadas foram: a) méda () M = P (4.5) 87

20 b) varânca V = [ M] P() (4.6) c) desvo padrão ( M) P( ) DP = (4.7) d) méda da dstrbução log-normal () MLN = P log (4.8) e) desvo padrão da dstrbução log-normal ( log MLN) P( ) DPLN = (4.9) As meddas de Haralck baseam-se no uso de estatístcas dervadas a partr da matrz de co-ocorrênca dos níves de cnza de uma amostra. Cada elemento P(,j) da matrz de co-ocorrênca representa a frequênca com que dos pxels vznhos (separados por uma dstânca x colunas e y lnhas) ocorrem na magem, sendo um com o nível de cnza e o outro com o nível de cnza j. Entretanto, o uso de meddas texturas baseadas na matrz de co-ocorrênca exge grande quantdade de memóra e tempo computaconal. Como alternatva trabalha-se com vetores soma e dferença de níves de cnza (Rennó, 1995). Os vetores soma e dferença são defndos da segunte forma: 88

21 Vetor soma ( k) P(, j) S P x y = j = k j + (4.10) Vetor dferença ( k) P(, j) D P x y = j = k j (4.11) Consderadas as defnções dos vetores soma e dferença, as meddas de Haralck utlzadas foram: a) energa x y = j (, j) E P (4.1) b) entropa (, j) log P(, j) Ent = P (4.13) j c) homogenedade (, j) x ( j) P y H = (4.14) 1 + j 89

22 d) dssmlardade (, j) D = jp (4.15) j e) méda do vetor soma ( k) S MS x y = kp (4.16) k f) méda do vetor dferença ( k) D MD x y = kp (4.17) k g) varânca do vetor dferença D ( k MD ) P ( k) VD = (4.18) k h) contraste do vetor dferença ( k) D CD x y = k P (4.19) k ) entropa do vetor dferença D ( k) log P ( k) D EntD = P (4.0) j 90

23 j) cluster shade 3 ( + j ML ).P(, j) CS = (4.1) j onde ML é a méda da lnha dada por: (, j) ML = j.p (4.) j k) energa do vetor dferença ( k) D ED x y = P (4.3) k Por fm, as meddas morfológcas utlzadas foram a área (A) das amostras e a complexdade dada por: P CP = (4.4) A onde P é o perímetro da área consderada. O cálculo de A representa a área correspondente a cada pxel dentro do polígono de amostragem. Apesar de não se consderar a área real do pxel, ambos os resultados são proporconas, ou seja, não nterferem na dscrmnação das classes. O procedmento para o cálculo do perímetro conta o numero de pxels que se encontram na borda do polígono amostrado (Rennó, 000). Após o cálculo da meddas de textura sobre as amostras de trenamento, é feta uma análse das melhores meddas, ou seja, avala-se quas meddas apresentaram um melhor resultado na separação de duas ou mas classes. Esta análse permte elmnar valores 91

24 dscrepantes (outlers). Para esta análse, o Texture oferece algumas ferramentas bastante efcentes. A Fgura 4.8 lustra a dstrbução das dferentes classes para a medda de textura seleconada para análse (no caso seleconou-se a méda ). Fg. 4.8 Gráfco de dstrbução das classes 1 (óleo), (baxa de vento), 3 (água) e 4 (embarcação) em relação à méda. A partr desta análse, é possível elmnar os pontos extremos de cada classe, quando necessáro. Além desta ferramenta, é possível analsar juntamente os resultados de duas meddas de textura a partr de uma gráfco em duas dmensões, conforme lustra a Fgura 4.9 para as meddas da méda e da varânca do vetor dferença. A análse vsual das meddas de textura é um processo mportante, porém não mprescndível. Isto pode ser explcado porque o Texture permte dos tpos de classfcação: padrão e árvore. Na classfcação padrão, o usuáro tem duas opções: 1) seleconar as meddas para classfcação prevamente avaladas na etapa de análse vsual, ou; ) optar por um método dsponível no sstema que nforma quas as meddas que melhor separam cada par de classes. Este método é baseado em uma dstânca que consdera as varações entre e ntra-classes. 9

25 Fg. 4.9 Gráfco de dspersão entre as meddas méda e varânca do vetor dferença para as classes óleo, baxa de vento, água e embarcação. A análse vsual das meddas de textura é um processo mportante, porém não mprescndível. Isto pode ser explcado porque o Texture permte dos tpos de classfcação: padrão e árvore. Na classfcação padrão, o usuáro tem duas opções: 1) seleconar as meddas para classfcação prevamente avaladas na etapa de análse vsual, ou; ) optar por um método dsponível no sstema que nforma quas as meddas que melhor separam cada par de classes. Este método é baseado em uma dstânca que consdera as varações entre e ntra-classes. Apesar do sstema possur este método, o mesmo não é garanta de que o usuáro obterá a melhor classfcação possível, uma vez que o sstema classfca toda a magem utlzando todas as meddas escolhdas. Assm, uma medda escolhda que maxmza a separação das classes A e B pode prejudcar a separação das classes A e C, e assm por dante. Dessa forma, neste trabalho foram adotadas tanto a análse vsual un e bdmensonal, quanto o método de separação por cada par de classes, de forma que estes procedmentos se complementassem. 93

26 No classfcador por árvore, é possível separar as classes em grupos, de forma que estes grupos sejam classfcados ndvdualmente pela(s) medda(s) que melhores separarem as classes neles contdas. Após a escolha do classfcador, é necessára a utlzação de uma magem segmentada a partr da magem orgnal, a qual deseja-se classfcar. A segmentação de magens consste no processo de separação de regões vznhas que possuam característcas espacas e/ou espectras semelhantes entre s, sendo que estas regões podem ser separadas de váras formas como detecção de bordas, crescmento de regões, agrupamento, entre outros (detalhes veja Schowengerdt, 1997). Por fm, as regões da magem segmentada são classfcadas segundo as meddas de textura seleconadas, utlzando como crtéro de decsão a dstânca de Mahalanobs. O uso da dstânca de Mahalanobs como crtéro de decsão, normalmente oferece resultados melhores do que o método comumente utlzado, a dstânca Eucldana. Isto se deve em vrtude da dstânca de Mahalanobs consderar a dstânca eucldana, a méda, a varânca e a covarânca entre as varáves envolvdas (Rennó, 1995). A segmentação das magens fo feta pelo software CAESAR 3.0 pelo fato deste ter sdo desenvolvdo especfcamente para o processamento de magem SAR. Dentre os três segmentadores contdos no CAESAR 3.0, fo seleconado o segmentador RWSEG. A prmera etapa na segmentação pelo RWSEG consste em um processo nteratvo envolvendo os passos de detecção de bordas e crescmento de regões, e a segunda etapa consste no agrupamento de regões semelhantes entre s (Lucca, 1999). Dentre os segmentadores contdos no CAESAR 3.0, o RWSEG é mas recomendável para detecção de pequenas feções na magem (NASoftware, 1997). 94

27 No processamento de magens SAR pelo RWSEG, são requerdos dos parâmetros: j e e. O parâmetro e permte especfcar a probabldade para detecção de bordas, e o parâmetro j permte especfcar a probabldade de agrupamento das regões. A magem fnal consste em regões com o nível de cnza médo dos pxels nelas contdos. Utlzando uma metodologa desenvolvda por Lucca (1999), foram realzados 9 testes em um recorte de 51 por 51 pxels da magem ScanSAR Wde de 05/07/98 com dferentes valores para e e j esquematzados na Tabela 4.1. TABELA 4.1 VALORES UTILIZADOS PARA OS PARÂMETROS DO SEGMENTADOR RWSEG NOS TESTES REALIZADOS Parâmetros Teste 1 Teste Teste 3 Teste 4 Teste 5 Teste 6 Teste 7 Teste 8 Teste 9 e j Após efetuar as 9 segmentações, realzou-se a classfcação no Texture do recorte com cada uma das magens rotuladas, utlzando-se as seguntes meddas de textura: Medana, méda, méda do log-normal e méda do vetor soma. Através de uma análse vsual e dos kappas para cada classfcação teste, avalou-se qual a melhor classfcação, e portanto a melhor segmentação Métodos de Análse das Classfcações Após o térmno de cada classfcação, esta fo avalada em termos vsuas e estatístcos. Para a análse vsual, observou-se a fdeldade das classes pela comparação com a magem orgnal através de recursos de junções de janela dsponíves no ENVI 3.. Para a análse estatístca, foram utlzadas as ferramentas matrz de confusão e coefcente de concordânca kappa, obtdos sobre as amostras de teste, tomadas em regões dferentes das amostras de trenamento. 95

28 A matrz de confusão ou matrz de erro é construída através da nformação de verdade das amostras. Supõe-se verdade que todos os pxels das amostras tomadas pertencem às classes a que foram atrbuídos. Esta verdade é então comparada com as classes atrbuídas aos demas pxels da magem na etapa de classfcação. Cada elemento x j da matrz de confusão representa o número de amostras que, sendo de fato da classe, foram atrbuídas à classe j. Pode-se obter então o total margnal, sendo x + o número total de amostras da classe e x +j o total de amostras da classe j. A dagonal prncpal da matrz ndca as amostras classfcadas corretamente e N o número total de amostras. TABELA 4. MATRIZ DE CONFUSÃO Resultados da Classfcação 1... n Total V 1 x 11 x 1... x 1n x 1+ E x 1 x... x n x + R D A D n x n1 x n... x nn x n+ E Total x +1 x +... x +n N Para avalar o resultado da classfcação como um todo, utlzou-se o coefcente de concordânca kappa, o qual tem a vantagem de levar em consderação todos os elementos da matrz de confusão, e não somente aqueles da dagonal prncpal. Este coefcente supõe que parte do acerto total podera ser devdo ao acaso e portanto o coefcente kappa estma a porção de acerto que efetvamente ocorre (Foody, 199; Rennó, 1995). O estmador do coefcente de concordânca kappa é dado por: onde: θ θ ^ 1 κ = (4.5) 1 θ 96

29 θ n = x 1 N = 1 n ( ) (4.6) e θ = x + x + N = 1 (4.7) O coefcente kappa pode assumr valores menores ou guas a 1, e nclusve valores negatvos. Se todas as amostras forem classfcadas corretamente, então o valor de kappa será 1. Valores de kappa pequenos ndcam que a classfcação não fo satsfatóra. O estmador da varânca de κˆ é dado por: θ1( 1 θ1 ) ( 1 θ ) ( θ1 )( θ1θ θ3 ) 3 ( 1 θ ) ( 1 θ ) ( θ 4θ ) VAR κˆ = (4.8) N ( 1 θ ) onde: θ ( x x ) n = x N = 0 (4.9) e θ ( x x ) n n x + + = + j j 4 N = 0 j= 0 (4.30) A partr de κˆ e de VAR κˆ, é possível realzar comparações entre dferentes kappas, através da suposção de normaldade de κˆ (Hudson e Ramm, 1987) Teste de Hpótese Para se realzar a comparação entre duas classfcações com valores ˆκ 1 e ˆκ, realzouse um teste blateral de gualdade destes coefcentes. Este teste consdera duas hpóteses H o e H 1 sendo que: 97

30 H o : κ 1 = κ (4.31) H 1 : κ 1 κ O procedmento adotado para se decdr entre a acetação de H o e H 1 é denomnado procedmento do teste, ou smplesmente teste. Defne-se então um procedmento do teste, que consste em dvdr o espaço amostral em dos subconjuntos: um deles consste nos valores de ˆκ 1 e ˆκ para os quas H o é aceta, e o outro consste nos valores tas que H o é rejetada. A regão para a qual H o é rejetada, denomna-se regão crítca (Fretas, 1998). Quando se estabelecem os procedmentos do teste, pode-se ncorrer em dos tpos de erros: 1) Erros tpo I : ao se rejetar H o quando ela é de fato verdadera. A probabldade α deste tpo de erro ocorrer pode ser controlada, e é denomnada nível de sgnfcânca do teste. ) Erros tpo II: ao se acetar H o quando H 1 é verdadera. A probabldade β deste erro ocorrer é denomnada poder do teste. Assm, quando se aceta ou rejeta H o, pode-se estar ncorrendo em um dos dos tpos de erro acma descrtos. Portanto, para efetuar o teste deve-se estabelecer o valor do nível de sgnfcânca consderado. Por exemplo, consderando que H o fo rejetada ao nível de sgnfcânca de 0.05, equvale a dzer que exste 5% de probabldade de se estar rejetando H o, quando de fato ela é verdadera (Spegel, 1971). Para se efetuar o teste de gualdade blateral (eqs. 4.31), consdera-se a estatístca z, dada por: 98

31 z = κˆ VAR 1 ^ κ 1 κˆ + VAR ^ κ (4.3) Supondo-se a normaldade de ˆκ 1 e ˆκ, a dstrbução de z será uma normal padronzada, representada pela Fgura z α/ z α/ Fg Dstrbução normal da estatístca z, onde a regão crítca corresponde às extremdades da curva delmtadas, ou seja, menor que -z α/ e maor que z α/. Observando a Fgura 4.10, vê-se que H o é rejetada ao nível de sgnfcânca de α, quando z >z α/. Neste caso, consdera-se que os kappas são dferentes entre s; logo o kappa de maor valor equvale à melhor classfcação. Neste trabalho, fo adotado o valor de sgnfcânca de Cálculo do p-valor Uma vez obtda a estatístca z, pode-se calcular chamado p-valor correspondente, o qual é defndo por: 99

32 p = 1 Φ(z) (4.33) onde Φ(z) é a área sob a curva de densdade Normal padrão de até z, sto é Φ(z) = P (Z<z), sendo Z é uma varável aleatóra com dstrbução Normal padrão (Vera, 1996). O p-valor ndca o máxmo nível de sgnfcânca para o qual a hpótese nula H o é aceta. Quanto maor for o p-valor, maor a segurança na acetação da hpótese nula. Se o nível de sgnfcânca α, para o teste unlateral, for prevamente especfcado, a hpótese nula Ho será aceta se o p-valor obtdo for superor a α/. 100