ISSN 1981-6251, p. 761-765 MAPA DE USO DA TERRA DO MUNICÍPIO DE PARANAGUÁ PARANÁ BRASIL ATRAVÉS DO MÉTODO DE CLASSIFICAÇÃO ORIENTADA A OBJETO MICHELE BEPPLER¹ ALZIR FELIPPE BUFARA ANTUNES² SONY CORTESE CANEPARO³ Universidade Federal do Paraná - UFPR ¹, ²Curso de Pós Graduação em Ciências Geodésicas, Curitiba PR ³Curso de Geografia, Curitiba-PR {michele_beppler, felipe, sony}@ufpr.br ABSTRACT - This paper presents land use map production by means of SPOT 5 image classification. The land use map is also based on the Brazilian environmental and water legislation. The pilot area was the municipality of Paranaguá, and it is related to the village master plan. The multiresolution segmentation was used to detect and discriminate land-use-forms by describing typical characteristics of color, texture, shape and context. The generated segments with topological relationships act as image objects whose physical and contextual characteristic was described by means of fuzzy logic. In the future accuracy assessment procedures will be done so as to evaluate the thematic product. 1 INTRODUÇÃO O surgimento de sensores de alta resolução espacial trouxe desafios para a técnica de processamento de imagens. Esses novos dados exigem um estudo de vizinhança, a eles não cabe a utilização de métodos que considerem apenas o pixel, como era realizado nas imagens multiespectrais de resolução espacial entre 20 e 30 metros. Nesse contexto, pesquisas têm sido realizadas no âmbito da analise de objetos como opção ao pixel. Estas pesquisas salientam as vantagens de se manipular objetos enfocando características topológicas, contextuais e cognitivas. Para tanto se propõe o uso de segmentação de imagem, anterior à fase de classificação, onde se extraem os objetos relevantes para a aplicação desejada. ANTUNES (2003) define orientação a objeto como sendo a análise da relação de um objeto com seus objetos vizinhos, no âmbito da imagem. A análise dos objetos compreende características topológicas e temáticas. Baseando-se na definição de ANTUNES(2003), onde coloca em foco as características topológicas e temáticas, para classificar uma imagem de alta resolução (SPOT 5) através da metodologia orientada a objeto, este trabalho tem como objetivo elaborar um mapa de Uso da Terra do município de Paranaguá-PR, como subsídio à estruturação do Zoneamento Ecológico Econômico e ao Plano Diretor de Desenvolvimento Integrado. A primeira etapa de um planejamento ambiental é compreensão do espaço como um todo e sua materialização a partir da confecção da carta de Uso da Terra. 2 MATERIAIS, MÉTODOS E PROCEDIMENTOS METODOLÓGICOS 2.1 Materias 2. 1. 1 Localização da área da pesquisa O município de Paranaguá encontra-se na planície costeira paranaense que está compreendida entre os paralelos 25 S e 26 S, tendo a Serra do Mar como limite a oeste e o Oceano Atlântico a leste. Paranaguá apresenta como latitude central 25 18 00 Sul e longitude central 48 21 00 W-GR, e dista 91 Km da cidade de Curitiba. Seu território estende-se por 826,65 km², sendo 665,83 km² de área continental e ilhas, e 160,82 km² que correspondem à água. A maior parte do seu território é constituída por planície aluvional de origem marinha, com intrusões de terrenos cristalinos mais antigos. Na cidade de Paranaguá, localiza-se o Porto D. Pedro II, mais conhecido como Porto de Paranaguá, importante na exportação de grãos, sobretudo do sul do país. 2.1.2 Características da Imagem Spot e Software
O satélite SPOT 5 foi lançado em maio de 2002. A imagem SPOT 5, utilizada neste trabalho, é híbrida, composta por 3 bandas e com resolução espacial de 5m. Esta imagem híbrida corresponde a fusão de duas imagens distintas, adquiridas simultaneamente por um instrumento HRG (Alta Resolução Geométrica), uma delas em modo pancromático, com resolução espacial de 5m, e a outra em modo multiespectral com 3 bandas e resolução espacial de 10m.(SPOT, 2007) O software utilizado é o Ecognition 4.0. Este, é aplicado para análise e interpretação de imagens em todas as escalas a partir de estruturas celulares microscópicas das imagens de satélite. (DEFINIENS, 2007) O ArcView 9.0 é outro software utilizado neste trabalho. Nele as informações temáticas geradas no Ecognition 4.0 são manipuladas de forma a gerar um layout apropriado. 2.2 Métodos A segmentação, ainda segundo ANTUNES (2003), destina-se em dividir uma imagem em grupos de pixel ou objetos de acordo com determinado grau de homogeneidade, a fim de associá-los a uma feição do terreno. É nessa etapa do processo que é determinado o eventual sucesso ou fracasso da análise. As características espectrais, de forma e textura são cruciais na geração de objetos em diferentes níveis. De acordo com ATLAS (2006) a segmentação é o primeiro passo na análise de imagens. É a partir da segmentação que se consegue identificar e agrupar elementos padronizados. ANTUNES (2003) destaca que o processo é essencialmente empírico e, em geral, ajustável aos diferentes tipos de imagem, com limiares definidos face à complexidade dos alvos investigados. O processo de segmentação é baseado em três parâmetros: homogeneidade, estrutura e escala dos objetos. Deve-se destacar ainda que somente pixels adjacentes podem ser agrupados. A segmentação realizada com diferentes níveis de escala forma uma rede hierárquica de objetos. Segundo ESTEVAM(2006) na segmentação multiresolução é possível utilizar dois métodos para gerar a rede hierárquica de objetos: Bottom-up (de baixo para cima), o processo começa por um nível mais detalhado de objetos que são agregados em objetos maiores conforme o nível hierárquico; e Top-down (de cima para baixo), onde o processo inicia com objetos grandes que são subdivididos até obter o nível de escala mais detalhado. BLASCHKE & HAY (2002) apud ANTUNES (2003) afirma que a imagem de sensoriamento remoto pode ser considerada como de natureza fractal, e sugere que a imagem seja segmentada de forma fina e a partir desta seja feita outra segmentação mais grosseira, ou seja, é sugerida a técnica Bottom-up. Este processo dá inicio a escalas de segmentação, onde regiões menores são agrupadas formando assim regiões maiores. Os objetos formados podem então se agrupar em função do tema a ser representado em cada escala de segmentação. A desvantagem da segmentação convencional (pixel) é não levar em conta as características espaciais do pixel. Esta desvantagem fica ainda mais evidente nas imagens de alta resolução, visto que a variação espectral entre os pixels é consideravelmente maior. Como resultado as regiões formadas são diminuídas. Após a etapa de segmentação inicia-se a classificação. Segundo ESTEVAM(2006) classificação é o processo de extração de informação a partir de imagens para reconhecer padrões e objetos homogêneos. ENCARNAÇÃO et al.,(2005) apud ESTEVAM (2006) afirma que a abordagem da classificação orientada a objeto procura classificar a informação presente na imagem a partir do desenvolvimento das relações estabelecidas entre as regiões encontradas. Para as imagens de alta resolução não cabe mais a utilização de classificadores tradicionais, como por exemplo, máxima verossimilhança e mínima distância. Estas imagens requerem classificadores que contemplem a lógica fuzzy, por exemplo, a qual permite segundo ANTUNES(2003) a expressão das incertezas. A justificativa ao fato de não se aplicar os classificadores tradicionais às imagens de alta resolução espacial fundamenta-se no fato de que nestas imagens um pixel sozinho não consegue expressar nenhum contexto espacial. Ainda segundo RICHARDS & JIA (1999) apud ANTUNES(2003) o contexto espacial é definido como a relação de determinado pixel ou região, com os pixels ou região de uma determinada vizinhança. Outra justificativa que fundamenta a utilização da lógica fuzzy é devido ao fato de ocorrem problemas de ambigüidade na classificação dos objetos. A lógica fuzzy determina através de uma função qual o grau de pertinência do objeto em relação a determinado tema. Em outras palavras é possível definir através dela, qual o limite espectral a cada par de classes. No processo de classificação, do mesmo modo que a segmentação, permite a construção de uma estrutura hierárquica. Usualmente as classes pertencentes aos mais altos graus da estrutura hierárquica são denominadas de superclass e são mais genéricas e as demais simplesmente de subclass que são mais específicas. Para este trabalho foi utilizado o método Bottomup para a segmentação e a Top-down para a classificação. Cada objeto guarda e obedece a relação hierárquica estabelecida. A este fato dá-se o nome de hierarquia por herança. O critério de semelhança é usado para definir a uniformidade das regiões. Dois critérios são usados para descrever a separação do objeto da imagem: critério da cor (espectral) e o critério da forma (suavização e compacidade). Estes critérios controlam a homogeneidade dos segmentos e regiões (BAATZ & SHÄPE, 2001 apud ANTUNES & STURM, 2005). 2.3 Procedimentos Metodológicos 2.3.1 A segmentação
A segmentação foi realizada em dois níveis hierárquicos distintos, baseados em parâmetros de homogeneidade espacial e espectral. Estes parâmetros são determinados de forma empírica uma vez que cada cena possua características espectrais específicas. A criação de níveis hierárquicos é produto da re-segmentação destes objetos. A figura 01 ilustra a imagem segmentada. Figura 02: Amostras coletadas Figura 01: Imagem segmentada com fator de escala 50 Faz-se necessário uma análise criteriosa da imagem segmentada, pois se o fator de escala utilizado na generalização da segmentação for muito elevado ter-se-á como resultado a união de regiões com grande diferença espectral. Este fato certamente ocasionará erros no processo de classificação. Os fatores de forma e cor também contribuem ao processo de classificação. Alternando os valores destes fatores pode-se priorizar a segmentação por forma ou cor. Esta escolha dependerá do objetivo da classificação. Neste trabalho priorizou-se a cor, devido ao objetivo ser a geração de um mapa de uso do solo. A escala do mapeamento deve ser compatível com a resolução da imagem, o grau de detalhe dos objetos da imagem e objetivo do mapa. Portanto, a escala final do mapa gerado é de 1:50.000, compatível com a resolução espacial da imagem. Deve-se ter em mente que a resolução espacial da imagem não é o único fator determinante na geração dos objetos, a resolução espectral e informações temáticas podem ter um papel igualmente relevante. Os objetos identificados e associados visualmente à determinada categoria podem servir de amostras para a classificação automatizada dos objetos. Assim como na classificação convencional as características espectrais dos objetos são em geral o fator mais preponderante (se tratando de imagem spot) para a classificação orientada a objeto. A classificação pode ser realizada por meio de funções fuzzy, a partir das quais, o limite entre classes pode ser melhor definido levando-se em consideração as características espectrais de cada classe. A figura 03 ilustra a aplicação de funções fuzzy onde o limite espectral das classes Baia e Mangue são melhor definidos. Ainda em relação a figura 03, a função em azul é referente a classe Baia e a função em preto é referente a classe Mangue. Analisando-se a figura fica mais evidente a função da lógica fuzzy no processo de separação das regiões formadas, a partir das amostras coletadas. 2.3.2 Interpretação e Classificação dos Segmentos O processo de analise visual dos objetos permitiu identificar 11 categorias que são: afloramento rochoso, agropecuária, área urbanizada, baia, baixios, espraiado, florestas, lagos, mangues, mineração e silvicultura. Após a segmentação e a análise visual da imagem foram coletadas amostras das classes identificadas para se efetuar a classificação, conforme ilustra a figura 02. Figura 03: Funções Fuzzy 3. RESULTADOS E DISCUSSÕES Após a execução dos processos de segmentação da imagem, análise e definição das classes, coleta de amostras, definição das funções fuzzzy e classificação obtem-se a imagem temática. Esta, encontra-se ilustrada na figura 04. A imagem temática resultante, conforme citado no item 2.3.2, apresenta 11 categorias. Por ser produto de uma imagem SPOT5 atende as especificações para o mapeamento em escala 1:50.000. Em seguida ao processo de classificação, o software Ecognition 4.0
permite se necessário, que correções manuais, a partir da intervenção do profissional, sejam feitas. Figura 04: Imagem temática resultante da classificação A imagem resultante é de suma importância para análises ambientais. Através dela é gerado o mapa de uso da terra, o qual proporciona a visão do conjunto integrado do ambiente ou separado nas diferentes categorias. Esse fato é muito importante. Segundo PACHECO(1998) os sensores hiperespectrais, que registram grande quantidade de informações, aparecem atualmente como uma alternativa extraordinária à análise e monitoramento do uso da terra. A etapa seguinte consiste na exportação das classes geradas para arquivos Shape. Nesta etapa é elaborado o layout final do mapa, conforme ilustra a figura 05. inexistência de informações. Outra fonte de erro foi devido às espécies de vegetação de baixo porte acabarem se confundindo com regiões de agropecuária, devido à alta correlação espectral. A alta correlação espectral é também responsável por outros erros observados como os ocorridos: em regiões urbanas que apresentam solo exposto, pois estas áreas acabaram, em alguns casos, também sendo classificadas como agropecuária; e em regiões de mangue que em determinadas regiões foram classificados como baia, onde a água apresenta uma tonalidade mais escura devido à alta concentração de sedimentos. Por esses fatores observados, acredita-se que uma das causas de erros ocorridos na classificação é devida à complexidade de separabilidade entre as classes existentes na imagem. A segmentação também nem sempre gera objetos que refletem a feição no terreno, deve-se ter em mente que a segmentação é uma forma de generalização da imagem, ou seja, sempre existe uma perda de informação espectral, que de uma forma ou de outra é compensada pelo contexto. Como recomendação sugere-se a utilização de informações temáticas que possam ser utilizados como parâmetros para a classificação de determinadas regiões. E também, a verificação criteriosa da qualidade da imagem classificada. Uma alternativa seria efetuar uma avaliação amostral e sequencialmente a comparação destas amostras com informações verdadeiras provenientes de outras fontes. Estas informações aceitas como verdadeiras podem ser provenientes de fotos aéreas ou aferições em campo. Após a conclusão do mapa de uso do solo será realizada a análise da acurácia da classificação. Se a acurácia for considerada suficiente, então, o mapa gerado será disponibilizado a Prefeitura Municipal de Paranaguá para que possa complementar as informações necessárias para um planejamento municipal eficiente. AGRADECIMENTOS Figura 05: Mapa de uso do solo gerado 4. CONCLUSÕES E RECOMENDAÇÕES Apesar da ainda não ter sido realizado de um estudo a respeito da qualidade dos mapas gerados, verificou-se visualmente que a classificação atende os objetivos do mapeamento proposto. Determinados erros foram identificados no processo de análise visual da classificação. A região localizada na Serra do Mar apresentou problemas devido à ocorrência de sombras, ocasionando a não classificação das áreas atingidas. Estas regiões caracterizam-se pela Ao curso de Pós Graduação em Ciências Geodésicas da UFPR pela disponibilização do software; Plano Diretor de Paranaguá pela disponibilização de informações; PRODIG, Uni. Paris I Pantheon Sorbonne, por ceder a imagem SPOT 5. REFERÊNCIAS ANTUNES, A. F. B. Classificação de ambiente ciliar baseada em orientação a objeto em imagens de alta resolução espacial. Curitiba: Editora da UFPR, 2003. 145p. ANTUNES, A. F. B; STURM, ULRIKE. Segmentação orientada a objeto aplicado ao monitoramento de
ocupações irregulares em áreas de proteção ambiental. Anais XII Simpósio Brasileiro de Sensoriamento Remoto, Goiânia, Brasil, 16-21 abril 2005, INPE, p. 2019-2026. ATLAS Disponível em : http://atlas.ucpel.tche.br/~vbastos/segmenta.htm#1. Acesso em 24/06/2006. BAATZ, M & SCHÄPE, A. Mutiresolution segmentation: an optimization approach for high quality multiscale image segmentation. München. Disponível em www.definiens.com Acesso em março 2001. BLASCHKE, T.; HAY G. Object-oriented image analysis and scale-space: theory and methods for modeling and evaluating multiscale landscape structure. Disponível em: www.definiens.com/publication.pdf Acesso em janeiro 2002. DEFINIENS - Disponível em: http://www.definiens.com. Acesso em 19/04/2007. ENCARNAÇÃO, S. A.; TENEDÓRIO, J.A.; ROCHA, J. Segmentação multiresolução e classificação orientada a objeto de imagens SPOT. Disponível em: www.igeo.pt/igeo/portugueses/servicos/cdi/biblioteca/pub licacoesigp_files/esig_2004 /p068. Acesso em: 23 de junho de 2005. ESTEVAM, E. A. Classificação de imagens de favela a partir de imagens Ikonos: Viabilidade do uso de uma abordagem orientada a objetos. Presidente Prudente: Editora da UNESP, 2006. 127p. PACHECO, A. P.; RIBAS, N. S. Sensoriamento remoto aplicado ao uso da terra. Geodésia on line, Florianópolis, abril de 1998. Disponível em: www.geodesia.ufsc.br/geodesiaonline/arquivo/1998/04/pacheco.htm Acesso em 19/04/2007. RICHARDS, J & JIA, X. Remote Sensing Image Analysis, an Introduction. Spring-Verlag. Berlim. 1999. SPOT - Disponível em: http://www.spotimage.fr. Acesso em 19/04/2007.