Sulimar Munira Caparoci Nogueira 1 Carina Regina de Macedo 1

Transcrição

1 Mapeamento de lavouras de café irrigado por pivô central no extremo oeste baiano por meio de imagens do satélite ResourceSat-1 Sulimar Munira Caparoci Nogueira 1 Carina Regina de Macedo 1 1 Instituto Nacional de Pesquisas Espaciais - INPE Caixa Postal São José dos Campos - SP, Brasil {suli, crmacedo}@dsr.inpe.br Abstract. Obtaining the spatial distribution of the areas used for agriculture, is essential for yield prediction and planning crop production. One way of estimating the areas used for crop production, commonly used in Brazil, consists of interviewing crop producers and parties involved with agriculture. However, this method is subjective, which can lead to an increased uncertainty in estimating agricultural areas. Geographic Information System (GIS) and Remote Sensing techniques are powerful tools for mapping agricultural areas and can greatly contribute with objective estimates of crop areas. Therefore, this work aimed at evaluating digital classification algorithms over LISS3/ ResourceSat-1 images to map coffee production areas. Bands LISS3-3, LISS3-4 and LISS3-5 from ResourceSat-1 were used to identify coffee production areas at the cultivated land in the Bahia region of Barreiras, Luís Eduardo Magalhães and São Desidério. This region is of great agricultural interest in Brazil, since the edaphoclimatic conditions in this area favors the highly mechanized and productive coffee farms. Data provided by Cargill were used for validation of the identification methods. The performance of the classifiers used for identification was evaluated through different statistical methods, overall accuracy and kappa index. The Bhattacharya and ISOSEG algorithms were evaluated. The first one was tested by supervised classification by regions and the second by unsupervised classification by region. The algorithm Bhattacharya presented more accurate results, with a global accuracy of 0,99 and kappa of 0,71, while the ISOSEG presented a global accuracy of 0,98 and kappa of 0,31. Palavras-chave: Image processing, classification methods, remote sensing, processamento de imagens, métodos de classificação, sensoriamento remoto. 1. Introdução A agricultura do extremo oeste baiano passou, nos últimos anos, por uma grande expansão, algumas culturas como a soja, o milho e o café foram as que apresentaram crescimentos mais significativos tanto em área quanto em produção. Segundo Sousa et al. (2011), essa região é uma das áreas de maior interesse agrícola do país, visto que as lavouras mecanizadas, com altos índices de produtividade, são favorecidas pelas condições morfológicas, climáticas e pedológicas da área. O cultivo de café irrigado alcança elevados índices de produtividade e, por esse motivo, é considerado um dos mais competitivos do mundo. Apesar de já se ter outros trabalhos, como o desenvolvido por Sousa et al. (2011), sobre a extensão e distribuição do parque cafeeiro do oeste baiano, esses trabalhos são escassos e ainda são necessárias maiores informações sobre a área. Conhecer a distribuição espacial das áreas utilizadas para agricultura, assim como estimálas, é essencial para previsão de safras e planejamento agrícola. Porém, atualmente no Brasil, a estimativa das áreas cultivadas tem sido realizada de maneira subjetiva através de entrevistas com agricultores ou entidades relacionadas ao setor agrícola. Adami (2009) ressalta que essa metodologia, além de subjetiva, não fornece a distribuição espacial das lavouras. De acordo com Pino (2001), é importante que esses métodos subjetivos de estimativa de safra sejam aprimorados de maneira a incluir tecnologias como o Sensoriamento Remoto e o Sistema de Informação Geográfica (SIG). A inclusão dessas tecnologias permite não apenas estimar a área, mas também obter a localização das lavouras. Neste sentido, as técnicas de sensoriamento remoto e do geoprocessamento apresentam-se como uma ferramenta poderosa para o mapeamento das lavouras agrícolas, uma vez que podemos explorar estas imagens no contexto espectral bem como de modo temporal e, assim, 0680

2 quantificar e especializar áreas cultivadas. Com relação ao mapeamento de lavouras cafeeiras, alvo deste trabalho, essa afirmação pode ser constatada no trabalho desenvolvido por Moreira et al. (2004). O autor comenta que mesmo havendo variações no comportamento espectral entre e intra lavoura de café é possível mapear esta cultura por meio da classificação híbrida, em que há uma participação interativa e direta do interprete sobre os resultados obtidos de uma classificação supervisionada ou não supervisionada. O objetivo do presente trabalho foi avaliar o desempenho de dois classificadores (Bhattacharya e ISOSEG) para mapear as lavouras de café e as demais áreas agrícolas dos municípios de Barreiras, Luís Eduardo Magalhães e São Desidério, localizados no Oeste Baiano. 2. Materiais e Métodos A área de estudo compreende os municípios baianos de Barreiras, Luís Eduardo Magalhães e São Desidério, localizados entre as coordenadas S a 13 37' 04" S e 44 03' 12" O a O, com área de aproximadamente km² (Figura 1). Segundo a classificação de Koppen o clima é Aw - Clima tropical com estação seca. Apresenta temperatura anual média de 24.3º e pluviosidade anual média de 1018 mm, com período chuvoso de novembro a janeiro. A vegetação predominante é o cerrado arbórico aberto sem florestas de galeria. Os solos apresentam textura média e arenosa, sendo predominante o Latossolo Vermelho Amarelo-célico. Figura 1. Localização geográfica da área de estudo, ilustrada com a imagem LISS3/ResourceSat-1, na composição RGB/453. Para realizar este projeto foram utilizadas imagens LISS3/ ResourceSat-1 das bandas 3, 4 e 5, de três datas de aquisição, das órbitas/ponto 329/85 e 86, 330/85 e 86, 331/85 e 86, conforme é mostrado na Tabela 1. Tabela 1. Órbita/ponto e data de aquisição das imagens LISS3/ResourceSat-1. Órbita Pontos Data de aquisição /07/ /07/ /07/

3 O processamento digital das imagens foi realizado no software SPRING 5.2. O fluxograma das etapas metodológicas é mostrado na Figura 2. Figura 2. Fluxograma da metodologia utilizada para mapeamento de café. As imagens originais com tamanho de pixels de 23,5 x 23,5 m foram georreferenciadas no aplicatico ENVI 4.7 por meio do registro de imagem-imagem. A imagem base foi baixada da Universidade de Maryland através do endereço eletrônico que possue um banco de dados de imagens ortorretificadas de todo o Brasil e de outras partes do mundo. Para o processo de registro utilizou-se o interpolador vizinho mais próximo. Após o georreferenciamento, foi construído um mosaico das imagens LISS3/ResourceSat-1 utilizando o método de reamostragem por vizinho mais próximo, posteriormente, fez-se o recorte no limite da área de estudo. No banco de dados criou-se um projeto na projeção UTM/WGS84. As imagens foram importadas como categoria imagem para o banco de dados geográfico do Spring. Para classificar as imagens foram utilizados dois classificadores: o Bhattacharya, classificador supervisionado por regiões, que utiliza a distância de Bhattacharya para medir a separabilidade estatística entre as classes espectrais; e o ISOSEG, classificador não supervisionado por regiões, que agrupa regiões de acordo com seus atributos estatísticos (média e matriz de covariância) e área. Foram testados diversos limiares de aceitação e, dentre eles, os que se mostraram mais adequados para o proposto trabalho foram o de 95% e 99% para os classificadores ISOSEG e Bhattacharya, respectivamente. A realização do processo de classificação envolveu a prévia segmentação das imagens; esse procedimento foi realizado utilizando-se o Segmentador Crescimento por Regiões implementado no SPRING. O valor de similaridade escolhido foi 13 e número pixel 18, o que equivale a 0,99ha. A escolha adequada desses parâmetros garante a qualidade da segmentação. O passo posterior foi realizar o treinamento do classificador Bhattacharya, que consistiu na amostragem representativa das três classes pré-determinadas para classificação (Café, Áreas Agrícolas e Outros Usos). Os resultados da classificação foram expressos em mapas temáticos com a distribuição espacial das três classes. A avaliação do desempenho desses classificadores foi realizada por meio de abordagens estatístias, exatidão global, índice kappa, erros de omissão e inclusão 0682

4 obtidos dos mapas temáticos e um mapa de referência elaborado por técnicos da Cargill, disponibilizado em formato vetorial resultante de um trabalho de campo realizado em maio de Os dados de verdade terrestre fornecidos pela empresa Cargill apresentavam somente a localização dos pivôs de café, nesse contexto, para uma melhor avaliação dos classificadores quanto à classe de interesse, as classes nomeadas como área agrícola e outros usos foram agrupadas à classe denominada não café. 3. Resultados e discussão Conforme descrito por Sousa et al. (2011), o cafezal cultivado no sistema de pivô central diferencia-se por apresentar círculos concêntricos formados pelo espaçamento entre as fileiras do plantio. As áreas de cultivo do café irrigado apresentam um padrão espectral característico, ou seja, na imagem colorida (LISS3-4(R), LISS3-5(G) e LISS3-3(B)) uma tonalidade marrom mais escuro no sentido Nordeste-Sudeste e amarelada no sentido Nordeste-Sudoeste (Figura 3). Este efeito está associado a forma de plantio que é circular e também ao sobreamento Nordeste-Sudeste. Figura 3. Recorte da imagem (composição colorida RGB/453) do LISS3/ ResourceSat-1 da microrregião de Barreiras, para mostrar o padrão espectral típico de lavouras de café irrigado. Outro importante recurso auxiliar utilizado na identificação das lavouras de café foi a verdade terrestre (Figura 4) fornecida pela empresa Cargill. A fase de reconhecimento do alvo desejado é decisivo para a etapa de coleta de amostras de treinamento, procedimento base para a aplicação do algoritmo Bhattacharya. Os resultados das aplicações dos métodos Bhattacharya e ISOSEG podem ser observados nas Figuras 5 e 6. A análise visual permite notar que, embora ambos os algoritmos utilizem uma abordagem por regiões (imagem segmentada), os resultados obtidos pelas duas abordagens foram consideravelmente distintos. Verificou-se que ambos os classificadores apresentaram erros de inclusão e omissão. Na classificação supervisionada a classe café foi considerada semelhante a classe áreas agrícolas, enquanto que a classificação não supervisionada confundiu a classe café com as classes área agrícola e outros usos. 0683

5 Figura 4. Localização das lavouras de café irrigado por pivô central. Figura 5. Classificação das imagens LISS3/ResourceSat-1 utilizando o classificador Bhattacharya. 0684

6 Figura 6. Classificação das imagens LISS3/ResourceSat-1 utilizando o classificador ISOSEG. A análise dos erros de omissão no mapa temático obtido da classificação feito pelo classificador Bhattacharya, conforme observado na Tabela 2, indica que 15% das áreas de café foram mapeados como não-café, enquanto que 85% foram classificadas corretamente. Entretanto observou-se que a classe café foi considerada semelhante à outra classe, resultando em erro de inclusão de 39%. Esse classificador apresentou exatidão global de 99% e sua estatística kappa resultou em um valor de 0,71 (Tabela 2). Para Landis e Koch (1977), esse valor de Kappa enquadra a classificação como muito boa. Os valores de Kappa condicional obtidos foram de 0,61 para a classe café e de 0,85 para a classe denominada não-café. Fazendo as mesmas análises para o classificador ISOSEG, foi possível verificar que os erros de omissão observado na classificação por este classificador indicam que 26% das áreas de café foram mapeados como não-café, enquanto 74% foram classificadas corretamente (Tabela 2). Entretanto, o erro de inclusão chegou a aproximadamente 80%. O classificador ISOSEG apresentou exatidão global de 98% e um kappa de 0,31 (Tabela 2); valor que, para Landis e Koch (1997), enquadra o resultado da classificação como razoável. Os valores de Kappa condicional obtidos foram: 0,19 para a classe café e de 0,73 para a classe não-café. 0685

7 Tabela 2. Matriz de confusão, Índice Kappa e Exatidão Global dos classificadores Bhattacharya e ISOSEG (Áreas em km²). Classificador Bhattacharya Classificador ISOSEG Referência Classes Café Não-café Total E Inclusão Café 81,68 52,08 133,75 38,93% Não café 14, , ,8 0,05% Total 96, , ,5 E Omissão 15,07% 0,20% Referência Classes Café Não-café Total E Inclusão Café 70,87 290,31 361,32 80,38% Não café 25, , ,4 0,10% Total 96, , ,5 E Omissão 26,31% 1,09% Índice Kappa Exatidão Global 0,71 0,99 Índice Kappa Exatidão Global 0,31 0,98 Analisando as áreas classificadas como café por ambos os algoritmos de classificação, conforme abordado anteriormente, o algoritmo Bhattacharya conseguiu identificar 85% do café presente na área, tendo, assim, um melhor desempenho que o classificador ISOSEG, que mapeou 74% (Tabela 2). Além disso, o erro de inclusão do primeiro classificador foi consideravelmente menor que o erro do segundo. Dado que os erros de omissão e inclusão dos classificadores foram consideravelmente distintos, o classificador considerado como o mais eficiente foi o Bhattacharya, pois apresentou menores erros de inclusão e omissão, melhores valores de exatidão global e índice Kappa condicional para a classe café. 4. Conclusão O emprego da exatidão global e índice Kappa condicional permitiu analisar o grau de concordância entre os resultados obtidos e esperados (verdade terrestre). Segundo a análise visual e estatística, o classificador que apresentou melhor resultado para a área de estudo foi o Bhattacharya, entretanto, houve casos de confusão devido à similaridade das respostas espectrais dos alvos, o que resultou em erro de inclusão. Dessa forma, com base nos resultados das classificações das imagens LISS3 constatou-se que é possível mapear áreas com café irrigado por pivô central, porém a edição matricial é uma etapa essencial para correção de erros de inclusão e omissão. Referências Bibliográficas Adami, M.; Moreira, M. A.; Barros, M. A.; Martins, V. A.; Rudorf, B. F. T. Avaliação da exatidão do mapeamento da cultura do café no Estado de Minas Gerais. In: Simpósio Brasileiro de Sensoriamento Remoto, 14., 2009, Natal. Anais... São José dos Campos: INPE, Artigos, p CD-ROM, On-line. ISBN Disponível em: < metadatarepository=>. Acesso em: 22 jul Landis, J. R.; Koch, G. G. The measurement of observer agreement for categorical data. Biometrics, v.33, n.1, p , Moreira, M. Análise espectral e temporal da cultura do café em imagens Landsat. Pesquisa Agropecuária Brasileira, v.39, p ,

8 Pino, F.A. Estimação subjetiva de safras agrícolas. Informações Econômicas, v.31, p.55-58, Sousa, A. O.; Souza, A. L.; Piffer, T. R.; Amaral, G.M.; Santos, E. C.; Souza, L.M.M.; Oliveira, C.C. Geoprocessamento e sensoriamento remoto como subsídio à previsão de safra de café no Extremo Oeste Baiano. In: Simpósio Brasileiro de Sensoriamento Remoto, 15., 2011, Curitiba. Anais... São José dos Campos: INPE, Artigos, p CD-ROM, On-line. ISBN Disponível em: < Acesso em: 20 jul