p. 1-6 CLASSIFICAÇÃO DIGITAL DE IMAGENS MODIS PARA MAPEAMENTO DO USO DA TERRA NA BACIA DO MÉDIO E ALTO TELES PIRES-MT. MARCOS ANTONIO DA SILVA¹ PETER ZEILHOFER² LUNALVA MOURA SCHWENK² ADRIANO SEBASTIÃO LUCAS SANTOS¹ ¹ Universidade Federal de Mato Grosso (UFMT), Mestrandos em Geografia Av. F. Corrêa da Costa, s/n - 786-9 - Cuiabá - MT, Brasil masmt@ibest.com.br / geonegro1@yahoo.com.br ² Universidade Federal de Mato Grosso (UFMT), Professores do Departamento de Geografia Av. F. Corrêa da Costa, s/n - 786-9 - Cuiabá - MT, Brasil pitalike@terra.com.br / lunalvaschwenk14@hotmail.com RESUMO - O mapeamento do uso e ocupação da terra através de técnicas de Geoprocessamento se tornou uma ferramenta de extrema importância para planejadores e legisladores, pois permite verificar a utilização do solo com menos custos e tempo de uma determinada área. O presente trabalho tem como objetivo verificar o potencial das imagens do Satélite Terra/Aqua do sensor MODIS no mapeamento de uso e ocupação da Terra, na Bacia do Médio e Alto Teles Pires-MT. A metodologia empregada se baseia na utilização de técnicas de processamento digital de imagens acopladas com amostragens de imagens de alta resolução do Google Earth, sendo utilizado o algoritmo de classificação supervisionada máxima verossimilhança (MAXVER), implementados no software Spring versão 5..2. Os resultados alcançados demonstraram que o classificador apresentou um bom desempenho com exatidão geral de 85,92 %. ABSTRACT - The mapping of land use by GIS techniques has become a important tool for planners and policymakers, as it allows to verify land use with high cost and time efficiency. This study aims to determine the potential MODIS imagery of the Terra / Aqua platform for land use mapping in the upper and middle watershed of the Teles Pires basin-mt. Applied methodology is based on the use of digital image processing technique coupled with sampling from high-resolution imagery available through the Google Earth application, using the maximum likelihood algorithm for supervised classification (MLC), as implemented in Spring 5..2 software. The results showed that the classifier performs well with an overall accuracy of 85.92%. 1 INTRODUÇÃO O mapeamento do uso e ocupação da terra através de técnicas de Geoprocessamento se torna uma ferramenta de extrema importância para planejadores e legisladores, pois permite verificar a utilização do solo com menos custos e tempo para uma determinada área, possibilitando assim a elaboração de políticas de uso da terra mais eficazes para o desenvolvimento de determinada região. O mapeamento da vegetação do território brasileiro em mapas em escalas pequenas e médias iniciou-se através do projeto RADAMBRASIL, projeto que foi responsável pelo levantamento dos recursos naturais, tais como mapeamento geológico, geomorfológico, pedológico, vegetação e potencial de uso da terra, sendo realizado através de uso de radares ativos e levantamento de campo. O avanço das técnicas de Sensoriamento Remoto, na qual permite a utilização de imagens de satélites com resolução espaciais e temporais adequadas para monitoramento da superfície terrestre quase diariamente, pode contribuir para o planejamento e gestão do espaço geográfico em Mato Grosso. Conforme ROSA (199) existe a necessidade de atualização constante dos registros de uso e ocupação do solo, para que suas tendências possam ser analisadas, com o objetivo de fornecer subsídios às ações do planejamento regional. Nesta perspectiva devido ao fato de Mato Grosso se destacar na atividade agropecuária do país (lavoura de grãos, pecuária) e o expressivo dinamismo apresentado por estas atividades, percebem-se atualmente grandes transformações na paisagem do estado, com modificações nos recursos naturais de extrema significância. Com o lançamento da plataforma Terra/Agua (1999 e 22), ambos portando o sensor MODIS (Moderate Resolution Imaging Spectroradiometer), que fornece recobrimento global e contínuo diariamente, com resoluções espaciais variando de 25 a m.
p. 2-6 Segundo Coura (27), dados do sensor MODIS, supervisionada a partir de algoritmo Maxver e a validação pode ser usados no monitoramento espectral da vegetação da classificação pó tabulação cruzada. a nível regional, e para o mapeamento efetivo das classes de uso do solo. 3.1 Delimitação da Bacia e pré-processamento de Estudos utilizando imagens do sensor Modis para Imagens de Satélite de mapeamento de uso da terra Segundo Hansen et al (22), o mapeamento da cobertura uso da terra mostra-se de extrema importância, pois, existe um esforço por parte da comunidade científica em melhorar a acurácia destes estudos. O presente trabalho tem como objetivo principal verificar o potencial das imagens MODIS, subsidiada por imagens de alta resolução para o mapeamento de uso e ocupação da Terra, na Bacia do Médio e Alto Teles Pires- MT. 2. ÁREA DE ESTUDO A área de estudo localiza-se no estado de Mato Grosso, na Bacia Hidrográfica do Médio e Alto Teles Pires-MT, entre as coordenadas geográficas 14º57 58 e 1º 9 de latitude sul e 56 38 18 e 53º47 3 de longitude oeste. Compreende municípios que desenvolvem atividade econômica pautada na agropecuária, tais como: Nova Brasilândia, Vera, Nova Mutum, Planalto da Serra, Rosário Oeste, Santa Rita do Trivelato, Nova Ubiratã, Paranatinga, Sorriso, Sinop, Tapurah, Claudia, Itaubá, Nova Santa Helena, Tabaporã, Nova Canaã do Norte, Colider, Carlinda, e Alta Floresta. A delimitação da bacia hidrografica do Rio Teles Pires foi elaborada com base de um modelo numérico de terreno da Shuttle Radar Topography Mission (SRTM), disponibilizado pela NASA e pelo plano de informação da rede hidrográfica do estado, fornecida pela SEPLAN-MT (Secretaria de Estado de Planejamento e Coordenação Geral do Estado de Mato Grosso). Para o processamento de imagens de satélite foi adquirida uma imagem do sensor Modis, produto MOD13, da data de 25/5/27, com resolução espacial de 25 metros. O produto MOD13 se refere às imagens índices de vegetação (NDVI e EVI), incluindo as bandas utilizadas para a geração destes índices: azul (#3), vermelho (#1), infravermelho próximo(#2), e uma banda localizada na faixa do infravermelho médio (#5). Deve-se ressaltar que para o mapeamento foram utilizadas apenas as quatro bandas originais. A imagem foi obtida através do site da NASA: http://edcimswww.cr.usgs.gov/. Para o processo de conversão do formato da imagem hdf ( Hierarchy Data Format ) para o formato geotif, foi utilizado o software ENVI, versão 4.. 3.2 Amostragem para Classificação Multiespectral Figura 1 Localização da Área de Estudo 3 METODOLOGIA O procedimento empregado para o desenvolvimento desta pesquisa foi dividido em três etapas. A primeira etapa corresponde à definição do projeto assim como a seleção dos materiais. A segunda etapa foi o pré-processamento dos dados, no qual foram efetuadas transformações de formato, re-ajuste geométrico e coleta de amostras de imagens de alta resolução do Google Earth. A terceira etapa compreende os processos da análise das assinaturas espectrais das amostras das classes de interesse, a classificação Foram utilizadas as imagens de alta resolução do google earth do ano de 27, para coletas das amostras das classes a ser mapeadas, sendo retiradas 2 amostras de cada classe. Conforme ANTUNES e LINGNAU (21) a extração de feições geográficas de imagens orbitais de alta resolução já se configura como uma das principais fontes de dados em Sistema de Informação Geográfica (GIS), por sua acurácia e atualidade. Após de delimitados nas imagens de alta resolução esses polígonos foram exportados do Google Earth para a extensão KML e posteriormente transformados pelo software arcgis versão 9.2 para o formato shapefile, sendo este formato importado para o software spring versão 5..2 para realização do processo de amostragem da classificação da imagem de satélite. 3.3 Classificação Multiespectral da Imagem Modis O processo de classificação foi realizado com base na análise das assinaturas espectrais dos alvos que devem ser obtidas a partir de conjuntos de amostras, considerando a variabilidade espectral possível para uma mesma classe. De acordo com Almeida (), a caracterização e análise das assinaturas consistem em um aspecto importante para o sucesso da classificação. Para o mapeamento do uso da terra foi realizado processo de classificação digital supervisionado.
p. 3-6 Conforme CAMARA et al. (1996) a classificação é o processo de extração de informação em imagens para 4.2 Análise das Assinaturas Espectrais reconhecer padrões e objetos homogêneos. Foram definidas na fase do treinamento do processo classificatório cinco classes do uso da terra: Água, Cerrado, Vegetação, e, sendo adquiridos 2 polígonos amostrais para cada classe. Foi utilizado como classificador o algoritmo de máxima verossimilhança (Maxver), que realiza uma classificação supervisionada com base no valor espectral de cada pixel. De acordo com CAMARA et al, (1996) MAXVER considera a ponderação das distâncias entre médias dos níveis digitais das classes, utilizando parâmetros estatísticos. 3.4 Validação das Classificações Para o processo de validação da classificação foi realizada análise quantitativa do resultado da classificação a partir de tabulação cruzada. Esta análise levou em consideração as amostras de aquisição do processo de classificação. Conforme Pereira et al (1998), a partir das extrações das amostras é gerada uma matriz de confusão representando a distribuição dos valores de pixels classificados corretamente e erroneamente, demonstrando dessa forma, a confusão média entre as classes mapeadas e o cálculo de índices gerais de exatidão. As figuras 3 à 6 apresentam o comportamento espectral das cinco classes de uso da terra, compreendendo as bandas, Azul, Vermelho, NIR (Infravermelho próximo) e MIR (Infravermelho médio) do sensor MODIS. São apresentados a media aritmética +/- desvio padrão (DP) dos valores de reflectâncias de cada classe definida. Verifica-se na figura 3 que as classes apresentam valores espectrais baixos no intervalo de a 5 níveis de cinza (NC). As classes Água e Vegetação densa foram as que apresentaram os valores de refletância mais baixos. Nesta faixa as classes apresentam valores bem próximos possibilitando assim uma maior confusão no mapeamento dos alvos. 5 4. RESULTADOS 4.1 Delimitação da área de estudo O Modelo Numérico de Terreno (SRTM) e o mosaico da rede hidrográfica permitiram a delimitação da bacia hidrográfica conforme mostra a figura 2. Agua Cerrado Vegetação Figura 3 Assinaturas espectrais na Banda 3 do Modis (faixa azul;,459-,479 μm). A figura 4 demonstra que as classes de uso apresentam valores espectrais no intervalo de 15 a 11 NC, identificando que as classes água e vegetação densa ficaram com intervalos mais baixos apresentando valores espectrais entre o intervalo de 15 a 4 NC, enquanto que as outras 3 classes apresentaram valores espectrais no intervalo de 5 a 11 nc. Conclui-se, portanto que esta faixa permite uma diferenciação confiável das classes água e vegetação densa das demais outras três classes. Figura 2 Delimitação da Bacia do Médio e Alto Teles Pires-MT. Na delimitação escolhida, o exutório da bacia encontra-se na confluência do rio Teles Pires com o rio Peixoto de Azevedo, localizada na divisa dos municípios de Carlinda e Nova Guarita. 5 Agua Cerrado Vegetação Figura 4 - Assinaturas espectrais na Banda 1 (Faixa do Vermelho;,62-,67 μm)
p. 4-6 Visualiza-se na figura 5 que as classes a serem outras classes apresentam valores espectrais próximos, mapeadas apresentam valores espectrais médios de assim possibilitando uma confusão entre elas. refletância no intervalo de a 33 NC. A classe Água é a que apresentam valor espectral mais baixo com 4.2 Classificação Multiespectral intervalo de a 16 NC, ficando bem diferenciada das outras classes. A classe com valores O processo de classificação resultou no intermediários com intervalo de 17 a 24 NC mapeamento das classes, água, cerrado, vegetação densa, demonstra uma boa diferenciação em relação com as lavoura e pastagem conforme exposto na figura 7. outras classes. As classes Cerrado, Vegetação e apresentam valores espectrais altos em um intervalo de 22 a 33 NC, porém estão com valores espectrais bem próximos uma das outras, fazendo com que ocorra maior probabilidade de confusão entre estas classes. Assim nesta faixa a classe água e lavoura sediferenciam bem das outras classes, podendo apresentar melhor resultado na classificação. 5 Agua Cerrado Vegetação Figura 5 - Assinaturas espectrais na Banda 2 NIR (Faixa do Infravermelho Próximo,,841 -,876 μm) Visualiza-se na figura 6 que os valores espectrais estão inserindo no intervalo de a 21 NC. As classes água e vegetação densa apresentaram valores espectrais mais baixos no intervalo de a 8 NC, enquanto que as classes Cerrado, e ficaram no intervalo espectral médio de a 21 NC. Figura 7 - Mapa de uso da terra da Bacia do Alto e Médio Teles Pires-MT. O resultado foi considerado bom de acordo com a matriz do erro de confusão das classes mapeadas (Tabela 1). 5 Agua Cerrado Vegetação Figura 6 - Assinaturas espectrais na Banda 5- MIR (Faixa do Infravermelho Médio - 1,23 1,25 μm) Fica claro que nesta faixa as classes de Água e Vegetação ficam bem definidas enquanto que as
p. 5-6 Tabela 1 - Matriz de erro de confusão da classificação pelo algoritmo MAXVER (%). A validação apresentada refere-se ao desempenho de classificação das áreas de treinamento. Classes Água Cerrado Vegetação densa Água 12,5, 87,5,, Cerrado, 67,21 1,64 8,2 22,95 Vegetação densa, 1,99 98,1,,, 11,79, 8,79 7,42, 6,2, 9,64 84,34 Os valores em negrito na diagonal principal representam o percentual de acerto dos pixels classificados corretamente, enquanto que os valores fora desta diagonal correspondem aos grupos de pixels que foram classificados erroneamente em outras classes. Conforme CAMARA (1996) uma matriz de classificação ideal deve apresentar os valores da diagonal principal próximos a 1%, indicando que não houve confusão entre as classes, porém, esta é uma situação difícil a ser obtida em imagens com alvos de características espectrais semelhantes. Neste sentido observa-se que as classes Vegetação, e apresentam um percentual de acerto acima de 8 %, sendo a classe Vegetação a que alcançou o melhor resultado com 98,1%. Foi realizada uma analise das classes de forma individual com propósito de verificar quais as limitações dos alvos mapeados. A classe Água apresentou um percentual de acerto muito baixo, de 12,5 %, tendo grande parte desta classe confundida com Vegetação, de 87,5%. Supõe-se que este fato pode ser explicado pela resolução espacial limitada do sensor MODIS (25 m), pois a classe Água na área de estudo é representada quase exclusivamente por elementos lineares ou pequenos (rede hidrográfica, pequenas represas). Desta forma o sensor MODIS apresenta limitações para mapear objetos que possuem baixa extensão areal. Na classe de Cerrado obteve-se uma taxa de acerto de 67,21% apresentando um médio desempenho, tendo parte dos cerrados confundida com a classe (22,95%). Este fato pode ser explicado devido o cerrado em determinada fase apresentar características espectrais próximas das Pastagens, tendo como conseqüência pixels classificados erroneamente. A classe de Vegetação demonstrou taxas de acertos de 98,1%, apresentando apenas uma pequena porção das áreas sendo confundida com a classe Cerrado (1,99%). Este resultado apresenta uma classificação excelente conforme bibliografia citada anteriormente, e que pode ser explicada devido esta classe apresentar uma boa diferenciação espectral quando comparada com as outras classes. Já na classe de obteve-se um acerto de 8,79%, tendo confusão com as classes de Cerrado e, com valor de 11,79 e 7,42 % respectivamente. Estas classificações errôneas podem ter ocorridas devido alguns tipos de lavoura apresentarem em determinado processo de desenvolvimento características espectrais próximas desta classe. A classe alcançou um acerto de 84,34 % dos pixels classificados, tendo também uma confusão com as classes Cerrado (6,2%) e (9,64 %). Supõe-se que isto ocorreu pelas características espectrais destas classes que em determinado momento de desenvolvimento apresentarem similaridade espectral. A tabela 2 demonstra o desempenho geral da classificação multiespectral realizada pelo algoritmo MAXVER. Tabela 2 Desempenho da Matriz de erro de confusão da classificação pelo algoritmo MAXVER(* pré-definido no classificador). Desempenho Geral 85.92 % Confusão Média 14.8 % Abstenção Média*,% Com base nos dados verifica-se que o classificador apresentou um bom desempenho geral de 85,92 %, isto significa que o mapeamento obtido tem a probabilidade de 85,92 % de ter mapeado as classes corretamente. A boa classificação está relacionada com a boa qualidade e quantidade das amostras de aquisição retiradas a partir de imagens de alta resolução do Google Earth, possibilitando assim um bom resultado no mapeamento do uso da terra da área de estudo. Espera-se, porém uma diminuição expressiva do resultado da validação, se forem escolhidas amostras independentes. 5 CONCLUSÕES Através dos resultados obtidos no presente trabalho, fica visível que as técnicas de geoprocessamento com auxilio de imagens de alta resolução do Google Earth para coleta das amostras apresentou bom desempenho geral para o mapeamento do uso da terra na Bacia do Médio e Alto Teles Pires MT. A utilização do software Spring Versão 5..2 demonstrou eficácia para trabalhar com as imagens do sensor Modis com resolução radiométrica de 16 bits, isto é considerado um grande avanço para o software, pois as versões anteriores a versão 5. eram limitadas a trabalhar com esta resolução, ou seja, era necessário utilizar outros procedimentos para conversão para 8 bits de resolução radiométrica.
p. 6-6 A metodologia utilizada de coleta das amostras dos of MODIS tree cover validation data set for alvos a ser mapeados através de imagens de alta resolução Western Province, Zambia.. Remote do Google Earth permitiu melhor confiabilidade das Sensing of Environment, v. 83, n. 1-2, p. 195- amostras coletadas, diminuindo custos de levantamento de campo, possibilitando assim subsidiar a analise do 213, 22. comportamento espectral dos das amostras coletadas. Sendo assim demonstrou melhor desempenho no processo MOREIRA, M. A. Fundamentos do de validação da classificação do uso da terra na área de Sensoriamento Remoto e metodologias de estudo. Espera-se, porém, uma diminuição expressiva do aplicação. 2 ed. Viçosa: UFV, 23. resultado da validação, se forem escolhidas amostras independentes. Fica evidenciado que a metodologia utilizando NOVO, Evlyn M. L. Sensoriamento Remoto: princípios dados de imagens de alta resolução do Google Earth para e aplicações. 2 ed. São Paulo: Edgard Blucher, 1992. subsidiar coleta das amostras, acoplada com imagens do Modis, de alta resolução temporal que permite o ROSA, R.A. Utilização de imagens TM/LANDSAT em acompanhamento do desenvolvimento fenológico dos levantamento de uso do solo. In: VI SIMPÓSIO alvos a ser mapeados, permite uma melhoria no processo BRASILEIRO DE SENSORIAMENTO REMOTO. classificatório, se comparado com um uso exclusivo de Manaus, 199, Anais... São José dos Campos, INPE, v.2, imagens de maior resolução espacial (Landsat TM, p.419-425, 199. CBERS etc), porem com baixa resolução temporal. Neste sentido recomenda-se para trabalhos futuros o uso ROSA, R. Introdução ao sensoriamento remoto. 5 ed., complementar de imagens de baixa e média resolução Uberlândia: EDUFU, p. 228, 23. espacial, com alta e baixa resolução temporal, respectivamente. RUDORFF, B. F. T.; SHIMABUKURO Y. E.; CEBALLOS Juan C. O Sensor Modis e suas aplicacoes REFERÊNCIAS no Brasil. São Jose dos Campos, São Paulo: A. Silva Vieira Ed., 27. ANTUNES, Alzir Felippe Buffara;LINGNAU, Christel. Classificação Digital de Imagem de Alta Resolução Espacial. GIS BRASIL 7º Show de Geotecnologias, 21. Disponível em: <http://www.geomatica.ufpr.br/docentes /felippe/pessoal/fuzzy.pdf>, aceso em 15/1/28. Almeida, R. N. T. Paralelização de um classificador contextual de imagens. Jun.. (INPE-8534- TDI/785). Dissertação (Mestrado em Computação Aplicada) - Instituto Nacional de Pesquisas Espaciais, São José dos Campos.. Disponível na biblioteca digital l URLib: <http://iris.sid.inpe.br:195/rep/dpi.inpe.br/lise /22/3.28.19.46>. Acesso em: 11 jul. 28. CÂMARA, G.; SOUZA, RCM.; FREITAS, UM.;GARRIDO, J. Computers & Graphics. SPRING: Integrating remote sensing and GIS by object-oriented data modelling. 2: (3) 395-43, May-Jun 1996. COURA, Samuel Martins da Costa. MAPEAMENTO DE VEGETAÇÃO DO ESTADO DE MINAS GERAIS UTILIZANDO DADOS MODIS. Dissertação de Mestrado, INPE, São José dos Campo, 27. Disponível: <http://mtcm17.sid.inpe.br/rep/sid.inpe.br/mtc-m13@8/26/ 12.21.13.36>. Acesso em: 1 Out. 28. Hansen, M.C.; DeFries, R.S.;Townshed, J.R.G.;marufu,L.; Sohlberg, R. Development