UTILIZAÇÃO DE CLASSIFICADOR ESTATÍSTICO MAXVER PARA ANÁLISE DO USO E COBERTURA DA TERRA NO MUNICÍPIO DE VIÇOSA MG* Eixo 1

Transcrição

1 UTILIZAÇÃO DE CLASSIFICADOR ESTATÍSTICO MAXVER PARA ANÁLISE DO USO E COBERTURA DA TERRA NO MUNICÍPIO DE VIÇOSA MG* Eixo 1 Michelle Milanez França - Bacharel e Licenciada em Geografia, UFV. Mestranda em Solos e Nutrição de Plantas, UFV - milanezmichelle@gmail.com Elpídio Inácio Fernandes Filho - Professor Adjunto do Departamento de Solos, UFV - elpidio@ufv.br Bruno Toríbio de Lima Xavier - Engenheiro Agrônomo e Licenciado em Ciências Agrícolas, UFRPE. Mestrando em Solos e Nutrição de Plantas, UFV - brunotoribio@gmail.com Fábio Soares de Oliveira Professor do Instituto Federal de Minas Gerais, Campus de Ouro Preto/MG - fabiosoares@ufv.br INTRODUÇÃO * Extraído da Monografia da primeira autora. O uso e a cobertura do solo caracterizam o estado físico, químico e biológico da superfície terrestre, bem como são responsáveis por definir sua produtividade e estimar a vegetação de uma área. A cobertura do solo é de fundamental importância para apresentar a situação real da vegetação e o estado de degradação da paisagem. Por outro lado, o uso do solo relaciona-se com a finalidade atribuída àquela cobertura, como área de preservação ambiental. Os impactos ambientais e socioeconômicos decorrentes destes usos causam preocupações em escala local, regional e global. Em algumas regiões, a pressão pelo uso da terra leva os agricultores à superutilização desta, causando um esgotamento da capacidade de uso do solo e degradando o ambiente. As relações e interações que se processam no solo são dinâmicas e refletem o atual retrato do uso e apropriação dos espaços. Monitorar e diagnosticar estas áreas para tanto, requer meios que obedeçam este dinamismo. Nesse sentido, o Sensoriamento Remoto torna-se uma importante ferramenta de estudo por ser capaz de espacializar as condições e limitações ao uso da terra. A análise do processo de uso e ocupação da terra permite ainda entender a dinâmica do ambiente e suas relações com a paisagem. Desta forma, é significativo estudar a espacialização de eventos dinâmicos em uma área através de ferramentas que nos permitam entende-los, ao fazer restituições cartográficas, comparando, em épocas diferentes a forma de uso e ocupação destes espaços. Neste contexto, caracterizar, quantificar e qualificar as interações que se processam na pedopaisagem, torna-se relevante a partir da utilização de classificadores supervisionados para produtos do sensoriamento remoto. Para se treinar um classificador a partir do algoritmo de máxima verossimilhança (Maxver) assim como nos classificadores via RNA, deve-se escolher um número de elementos ou amostras representativas das classes a serem analisadas para que seu reconhecimento possa ser processado. O grande problema nesta etapa é obter amostras de pixels puros que sejam representativos de cada classe, já que a resposta espectral nunca é homogênea. Assim, deve-se selecionar amostras de áreas mais representativas possíveis da classe analisada. Com isto, o classificador tem condições de definir um diagrama de dispersão para as classes em torno da média,

2 bem como suas distribuições de probabilidades, levando-se em consideração uma distribuição normal. (CARVALHO JUNIOR, 2005). O Maxver é o método de classificação, que considera a ponderação das distâncias entre médias dos níveis digitais das classes, utilizando parâmetros estatísticos. Semelhante ao funcionamento das RNA s, deve ser fornecido ao sistema um conjunto de dados ou amostras que representam bem as classes de interesse para que o classificador tenha condições de definir um diagrama de dispersão em torno da média, bem como a distribuição das probabilidades dos pixels pertencerem ou não à determinada classe. O objetivo principal deste trabalho consistiu na análise do uso e cobertura da terra no município de Viçosa, a partir de classificador estatístico supervisionado Maxver. Foram testadas, com objetivo de melhorar a metodologia supervisionada, variáveis discriminantes, como as classes de declividade, altitude e faces de radiação solar, dentre outros, na contribuição deste tipo de classificação. MATERIAIS E MÉTODOS A imagem utilizada neste trabalho foi é do sensor CBERS e foi adquirida no site do INPE (Instituto Nacional de Pesquisas Espaciais). A área foi visitada pelo sensor no dia 08 de julho de A composição R (red) G (green) e B (blue) foi processada com as bandas 2, 4 e 3, respectivamente, no software ENVI. O georreferenciamento foi feito a partir da hidrografia municipal, obtida nas cartas topográficas do IBGE (2001), uma vez que esta feição é facilmente discernível na imagem. O sistema de projeção utilizado neste georreferenciamento foi a Projeção Universal Transversa de Mercator, fuso 23 sul. Foi elaborado um mapa com a imagem georreferenciada, a hidrografia e as estradas, na escala 1: para auxiliar as visitas a campo. Realizaram-se três visitas a campo com a finalidade de obter pontos com o GPS de navegação nas principais classes de uso e cobertura da área, que foram: área urbana, café, mata/capoeira, pastagem conservada e pastagem degradada. Nestas visitas, procurou-se identificar os principais tipos de uso e cobertura do solo e foram coletados pontos em locais com diferentes usos próximos uns dos outros, como pastagens conservadas e degradadas, café e pastagem degrada, da mata e eucalipto, por exemplo, com o objetivo de solucionar as possíveis confusões feitas pelo classificador. Os pontos foram obtidos dentro das áreas, evitando-se o entorno, pois o GPS de navegação possui erro médio de 10 metros e, desta forma, é importante que não se obtenha pontos muito próximos a borda das classes de uso. No software ArcGIS, coletaram-se amostras das classes de uso citadas acima. Depois, estas foram transformadas em polígonos, que foram utilizados no software ERDAS para capturar a

3 assinatura espectral das classes. Os polígonos foram identificados com o nome da classe de uso e cobertura a qual eles pertencem. Com o propósito de melhorar a classificação supervisionada, procurou-se incorporar variáveis aleatórias, como as classes de declividade, a orientação da face de exposição da radiação solar, o modelo digital de elevação e o índice NDVI. O NDVI é sensível em captar resposta espectral da vegetação, que possui alta reflectância na banda do infravermelho próximo. Este índice foi gerado a partir da imagem CBERS, utilizando-se a equação: NDVI=(ρ(IVP) ρ(vermelho))/(ρ(ivp)+ρ(vermelho),onde: NDVI= Normalized Difference Vegetation Index; ρ(vermelho)= fator de reflectância bidirecional na banda do vermelho; ρ(ivp)= fator de reflectância bidirecional na banda do infravermelho próximo. Além do índice NDVI, foram testados outros atributos como a altitude da área, a declividade, o Aspecto e a combinação de todos estes, junto com a composição RGB. A declividade foi gerada a partir da extensão Spatial Analyst no ArcView. O Aspecto contém a orientação (N, S, E, W, NW, NE, SW, SE). Em seguida, todas as variáveis discriminantes, três bandas da imagem CBERS-2 e o índice NDVI foram importados para o software ERDAS Imagine, onde seus valores foram reescalados para o intervalo de 0 a 1, que é uma exigência para o bom funcionamento da rede neural. Desta forma, foram coletadas amostras usando os polígonos das amostras de treinamento. Dentro de cada polígono foram extraídas todas as informações relativas às variáveis discriminantes e estes dados foram gravados em arquivos no formato texto. Para o processamento das informações e a resposta acerca da utilização das variáveis empregadas, foi feito uma classificação por vez e depois todas em uma única composição multibandas. Todas as composições multi-bandas foram processadas no software ERDAS. Ao final de cada composição, os valores dos níveis digitais de cinza da imagem foram reescalados de 0 a 255 para o intervalo de 0 a 1, que é um parâmetro exigido para o melhor funcionamento do algoritmo estatístico de máxima verossimilhança. A partir das amostras de treinamento criadas no ArcGIS, foram extraídas todas as informações relativas às variáveis discriminantes nas diferentes classes de uso e cobertura do solo. Estes arquivos foram salvos em domínio ASC no ERDAS. Assim, foram importados em planilhas EXCEL, onde foram selecionadas 400 amostras para cada classe de uso e cobertura, tanto para os arquivos de treinamento quanto para os de validação. O arquivo final foi salvo em formato texto.

4 Através do simulador estatístico Funcpow (Vieira, 2000) o banco de dados em formato texto foi adicionado ao software e assim, através de uma matriz, foram calculados. A validação deste modelo foi dada índices de exatidão global e kappa. O índice kappa varia de 0 a 1, onde k 0,2: péssimo; 0,2 < k 0,4: razoável; 0,4 < k 0,6: bom; 0,6 < k 0,8: muito bom e 0,8 < k 1: excelente. RESULTADOS E DISCUSSÃO A geração das matrizes de confusão para o classificador estatístico Maxver indicaram um conflito entre os pixels das classes de pastagem conservada, pastagem degradada e área urbana. Isso porque estes pixels possuem resposta espectral semelhante e, além disso, o padrão de cobertura entre as pastagens, por ser muito semelhante, mostrou-se pouco eficaz para ser diferenciado por uma imagem com baixa resolução espectral. Já entre as classes área urbana e pastagem degrada, os pixels confundem-se pois ambas áreas apresentam solo exposto. Nas matrizes de confusão exibidas a seguir, a classe 1 representa a área urbana, a 2 o café, a 3 para mata/capoeira, 4 para pastagem conservada e 5 para pastagem degradada. Na tabela 1 foi desenvolvida uma matriz de confusão para o Maxver a partir de um conjunto amostral de 400 pixels. As variáveis discriminantes utilizadas foram apenas a composição RGB da imagem de referência. O treinamento de amostras apenas com a composição RGB objetivou avaliar o quanto estas bandas espectrais auxiliam no reconhecimento das classes em questão. Este consistiu no treino mais importante de amostras, porque analisou o potencial das bandas espectrais isolado. A partir dos resultados apresentados por ele, pôde-se tomar decisões proporcionando a melhora da classificação. Os resultados do classificador estatístico Maxver, embora apresentem índices de exatidão kappa e overall maiores que em classificações mediadas por redes neurais artificiais, possuem muita confusão interna de pixels e quando estes resultados são espacializados em mapas de uso e cobertura do terreno, o resultado apresentado não casa bem com a realidade. Este dado mostrou-nos que não deve-se confiar exclusivamente nos índices de exatidão para garantir boa eficácia de classificação. Tabela 1. Matriz de confusão obtida por Maxver e composição espectral RGB Classe Total Usuário Total

5 Produtor Kappa: Exatidão Global: 92.3 Devido ao fato deste classificador não utilizar algoritmos de retropropagação do erro, não há ajuste de pesos que se adaptam a diferentes estímulos, como ocorre em classificações supervisionadas com Redes Neurais Artificiais. A Tabela 2 foi processada com a composição espectral RGB e o índice NDVI. Quando comparado com a classificação anterior, os índices de exatidão global e kappa mostraram-se maiores. Devido ao fato deste índice ser sensível em captar os comprimentos de onda da vegetação, emitidos pelas bandas vermelho e infra-vermelho, a cobertura mata (classe 3) obteve 100% dos pixels classificados corretamente. A porcentagem de pixels classificados corretamente na pastagem degradada (classe 5) apresentou melhora significativa (92% dos pixels classificados). Tabela 2 Matriz de confusão obtida por Maxver a partir de composição espectral RGB e índice NDVI Classe Total Usuário Total Produtor Kappa: Exatidão Global: 93.2 Ao compararmos a tabela acima com a anterior, nota-se um incremento significativo entre as classes que anteriormente haviam apresentado confusão interna de pixels. Este resultado pode ser explicado pelo fato que o índice NDVI separa muito bem as classes de vegetação. No caso da pastagem degradada, ele pode classificar melhor seus pixels, mas ainda assim, devido a esta classe apresentar solo exposto, o índice acabou separando esses usos e confundindo-os com os pixels de área urbana. Em trabalho utilizando metodologia de Redes Neurais, França (2007) também não conseguiu separar bem as classes de pastagem conservada, pastagem degradada e área urbana. Este mesmo trabalho, apontou através de teste de significância (teste z) que o classificador de Redes Neurais é estatisticamente superior ao algoritmo de máxima verossimilhança.

6 Na tabela 3, foi adicionada à composição espectral RGB, além do índice NDVI, que se mostrou satisfatório na classificação anterior, a variável discriminante altimetria. Acreditava-se que esta variável ajudaria diminuir a separar a o uso café (classe 2) da cobertura mata (classe 3). Embora poucos pixels foram classificados erroneamente da classe 2 para a 3, o parâmetro utilizado não foi significativo, uma vez que o numero de pixels classificados corretamente não melhorou a proporção de classificação, se comparado com os resultados expressos na tabela 1. Tabela 3 Matriz de confusão obtida por Maxver a partir de composição espectral RGB e altitude Classe Total Usuário Total Produtor Kappa: Exatidão Global: 91.9 Na tabela 4, a classificação supervisionada foi processada com a composição espectral RGB, a altitude, as classes de declividade e as faces de exposição à radiação solar, além do índice NDVI. Tanto o índice kappa quanto o exatidão global diminuíram. Porém, nota-se que o uso pastagem conservada (classe 4) apresentou menos pixels confundidos, proporcionando um percentual de 93% dos pixels classificados corretamente. Em compensação, o uso pastagem degradada (classe 5) obteve a pior classificação, visto que seus pixels se confundiram com pastagem conservada, fato este que pode ter elevado a porcentagem de classificação deste uso, bem como apenas 79% dos pixels desta classe foram corretamente classificados. Tabela 4 Matriz de confusão obtida por Maxver a partir de composição espectral RGB, índice NDVI, altitude, slope e faces de exposição à radiação solar Classe Total Usuário U Total Produtor Kappa: 0.899

7 Exatidão Global: 91.9 De forma geral, o Maxver apresentou uma boa classificação e sua validação pode ser observada através dos bons índices kappa e exatidão global. Mas ao analisarmos a confusão interna entre os pixels, esta é principalmente dada entre os usos de pastagem. Em virtude deste problema, decidiu-se adicionar uma variável a mais para tentar discriminar melhor estes usos. Esta variável foi o Índice NDVI e o resultado desta classificação pode ser observado na matriz de conflito apresentada na tabela 2. Na Tabela 5 está expresso a abrangência de cada classe de uso e cobertura utilizado na classificação. As pastagens ocupam grande proporção no município, seguido da classe de Mata/Capoeira. O café, consiste numa cultura perene de grande significância para os pequenos agricultores da região, uma vez que na zona da mata mineira esta cultura é amplamente empregada nas pequenas propriedades rurais. A classe de área urbana apresenta um tamanho reduzido em relação ao tamanho real, pois muitos de seus pixels foram alocados para as classes de pastagem degradada, fazendo com que esta classe aumentasse sua real proporção. Tabela 5 Distribuição das classes de uso do solo Classe Área (m 2 ) Área (ha) Área Urbana ,3311 Café ,5837 Mata/Capoeira ,6671 Pastagem Conservada ,4276 Pastagem Degradada ,4905

8 CONCLUSÃO Apesar de obter bons índices kappa e exatidão global (overall) nota-se a confusão de pixels em algumas classes, como na pastagem conservada, na área urbana e na pastagem degradada. Porém, a confusão entre estas classes não é considerada ruim porque de certa forma estes pixels apresentam semelhança entre si na resposta espectral. O que se poderia fazer, em se tratando de imagens de baixa resolução espectral como a CBERS, seria utilizar classes mais gerais de padrões de uso e cobertura do solo. E a nível de melhor detalhamento de uso e cobertura de solo, utilizar imagens com maior resolução espectral, uma vez que o algoritmo estatístico se utiliza da resposta espectral para poder classificar toda a imagem. O NDVI de fato foi um bom separador entre os pixels de vegetação e até mesmo para com os pixels de pastagem, visto que a confusão entre suas subclasses não foram conflitantes. Mas utilizá-lo apenas como único critério na separação dos pixels confusos de pastagem não foi suficiente para a solução deste problema.

9 REFERÊNCIAS BIBLIOGRÁFICAS ARONOFF, S. Geographic Information Systems: a management perspective. Otawa, WDL Publications. ATKINSON, P.M. & TATNALL, A.R.L. Neural Networks in Remote Sensing. International Journal of Remote Sensing, v.18, p , BENEDIKTSSON, J.A.; SWAIN, P.H. & ERSOY, O.K. Conjugate-Gradient Neural Networks in Classification of Multisource and Very-High-Dimensional Remote Sensing Data. International Journal of Remote Sensing, v. 14, p , BURROUGH, P.A.; VAN RIJN, R. & RIKKEN, M. Spatial Data Quality and Error analysis Issues: GIS functions and environmental modeling. In: GOODCHILD, M.F.; STEYERT, L.T.; PARKS, B.O.; JOHNSTON, C.; MAIDMENT, D.; CRANE, M. & GLENDINNING, S. (eds.). GIS and environmental modeling: progress and research issues. Fort Collins, CO: GIS World books, p CARVALHO JÚNIOR, W. Classificação supervisionada de pedopaisagens do domínio dos mares de morros utilizando redes neurais artificiais. Viçosa, MG, (Tese de doutorado) CHAGAS. C. da S. Mapeamento digital de solos por correlação ambiental e redes neurais em uma bacia hidrográfica no domínio dos mares de morros. Viçosa, MG, (Tese de doutorado) CHRISTOFOLETTI, A. A modelagem de Sistemas Ambientais. IGCE. Unesp. Ed. Edgard Blücher Ltda, FRANÇA, M.M. Avaliação de classificações supervisionadas com Redes Neurais Artificiais e Maxver para caracterização do uso da terra no município de Viçosa-MG. Universidade Federal de Viçosa, 2007 (Monografia de conclusão de curso). FELICÍSIMO, A.M. Parametrical statistical method for error detection in digital elevation models. ISPRS Journal of Photogrametry and Remote Sensing, v.49. p.29-33, GREGORY, R.L. Eye and brain: The Psychology of Seeing. 5 th edition. Oxford: Oxford University Press: GUYOT, G. & GU, X. Effect of radiometric corrections on NDVI determined from SPOT/HRV and Landsat/TM data. Remote Sensing of Environment. V p , HAYKIN, S. Redes Neurais: princípios e prática. trad. Paulo Martins Engel. 2ª ed. Porto Alegre: Bookman, HUTCHINSON, M.F. & GALLANT, J.C. Digital elevation models and representation of terrain shape. In: WILSON, J.C. & GALLANT, J.C. (eds.). Terrain Analyses: principles and applications. New York: John Wiley & Sons, p INPE. Instituto Nacional de Pesquisas Espaciais. São José dos Campos, SP. Disponível em: << 12/09/2006 MATHER, P.M. Computer processing of remote sensed images: an introduction. Chichester: Wiley, 1987.

10 MOREIRA, M.A. Fundamentos do Sensoriamento Remoto: metodologias de aplicação. 2ª ed. Viçosa: UFV, NOVO, E.M.L.M. Sensoriamento Remoto: Princípios e Aplicações. São Paulo, Edgard Blucker, ROSA, R. Introdução ao Sensoriamento Remoto. Uberlândia, MG, Editora UFU (EDUFU), SCHALKOFF, R.J. Pattern Recognition: Statistical, Structural and Neural Approaches. New York: John Wiley & Sons, SILVA, E.P da. Geoprocessamento na discriminação de pastagens degradadas utilizando rede neural artificial em imagens IKONOS II. Viçosa, MG, (Tese de doutorado) VALENTE, E.L. Caracterização da intensidade de degradação do solo e da cobertura vegetal de uma área no médio rio Doce, utilizando imagens IKONOS II. Viçosa, MG, (Dissertação de mestrado) VIEIRA, C.A.O. Accuracy of remotley sensing classification of agricultural crops: a comparative study. University of Nottingham, (Tese de doutorado)