Programa Integrado de Monitoria Remota de Fragmentos Florestais e Crescimento Urbano no Rio de Janeiro Relatório Trimestral de Atividades Abril / Maio / Junho de 2010
Índice 1. Apresentação...3 2. Fotogrametria...4 3. Classificação Visual...8 3.1. Classificação do Parque Estadual da Pedra Branca 2009...8 3.2. Elaboração de Projetos Científicos...9 3.3 Atividades em Desenvolvimento...9 4. Classificação Automática... 10 4.1. Introdução... 10 4.2. Atividades Desenvolvidas... 10 4.3. Referências Bibliográficas... 15 2
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
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
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
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
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
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: 200 100 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
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
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. 4.2. 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
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
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
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
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
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. 4.3. Referências Bibliográficas CONGALTON, R. G.; GREEN, K. Assessing the accuracy of remotely sensed data principles and practices. Boca Raton: Lewis Publishers, 1999. 137 p. ISBN: 0-87371-986-7. INTERIMAGE. InterIMAGE Interpreting images freely. Desenvolvido por Laboratório de Visão Computacional da Pontifícia Universidade Católica do Rio de Janeiro. Rio de Janeiro, Brasil, 2009. Disponível em: http://www.lvc.ele.puc-rio.br/projects/interimage/. Acesso em: 15 jul. 2009. QUINLAN, J.R. C4.5: programs for machine learning. San Francisco: Morgan Kaufmann, 1993. 15