Presidente Prudente - SP, 24-26 de julho de 2017 p. 239-243 CLASSIFICAÇÃO ORIENTADA A OBJETOS PARA MAPEAMENTO DO USO E COBERTURA DO SOLO UTILIZANDO IMAGEM RAPIDEYE ALEX GARCEZ UTSUMI¹ TERESA CRISTINA TARLÉ PISSARRA² DAVID LUCIANO ROSALEN² LUCAS PEREIRA MIRANDA¹ ¹Universidade Federal do Triângulo Mineiro - UFTM Instituto de Ciências Tecnológicas e Exatas - ICTE Departamento de Engenharia Ambiental, Uberaba - MG {alex.utsumi@uftm.edu.br, lucas_pm94@hotmail.com} ²Universidade Estadual Paulista - UNESP Faculdade de Ciências Agrárias e Veterinárias- FCAV Departamento de Engenharia Rural, Jaboticabal - SP {teresap, rosalen}@fcav.unesp.br RESUMO O presente trabalho tem o objetivo de realizar a classificação do uso e cobertura do solo da área de estudo localizada no município de Uberaba, Minas Gerais. Utilizou-se o método da classificação orientada a objetos, a partir de uma imagem Rapideye e o software InterImage. Foram definidas as seguintes classes de uso e cobertura do solo: sombra, sistema viário, corpos d água, pastagem, vegetação arbórea, edificações e solo exposto. Para realizar a classificação automática do uso do solo foram testados vários parâmetros relativos à forma, textura, brilho, tamanho, escala, entre outros. O mapa resultante apresentou exatidão global de 85,8% e índice Kappa de 0,75, demonstrando a eficiência do método empregado. O método da classificação orientada a objetos se mostra como uma poderosa ferramenta para extração de informações detalhadas, principalmente de imagens com alta resolução espacial. Palavras chave: Classificação orientada a objetos, InterImage, Uso e cobertura do solo ABSTRACT The present work aims to perform land use/cover classification of the study area located in Uberaba City, Minas Gerais State. It was used the object-oriented classification, from a Rapideye image and InterImage software. The following land uses classes were proposed: shade, roads, water, forest, pasture, buildings, and bare soil. Several parameters were tested too perform the automatic classification including shape, texture, brightness, size, and scale. The resulting map showed an overall accuracy of 85,8% and a Kappa index of 0,75, demonstrating the efficiency of the proposed method. The object-oriented classification method proved to be a powerful tool for extracting detailed information, specially using images with high spatial resolution. Key words: Object-oriented classification, InterImage, Land use/cover. 1 INTRODUÇÃO O sensoriamento remoto tem passado por grandes avanços tecnológicos nos últimos anos, tornando disponíveis imagens com alta resolução espacial, espectral, radiométrica e temporal. A classificação de imagens é um dos principais produtos oriundos do processamento de imagens, uma vez que pode ser utilizado como base para diferentes estudos. No entanto, apesar dessa evolução, ainda é comum o uso de métodos de classificação baseada em pixel, a qual analisa o espaço multidimensional de atributos (BLASCHKE E STROBL, 2001). Os classificadores pixel-a-pixel utilizam de métodos estatísticos para categorizar cada pixel da imagem, baseado em sua resposta espectral. Para imagens com alta resolução espacial, tais métodos podem não ser satisfatórios devido à alta variância intra-classe (ALENCAR-SILVA, 2009). Nesse contexto, a classificação orientada a objetos- OBIA- surge como um
método alternativo para classificar imagens de alta resolução, permitindo uma compreensão detalhada do padrão de cobertura do solo, uma vez que torna-se possível identificar um número maior de classes. O método de classificação OBIA tem como unidade de processamento objetos, ou regiões, que possuem características semelhantes tais como: brilho, tamanho, forma, compacidade, textura, vizinhança, entre outros (LIU, 2006). Assim, a adição de parâmetros no processo de decisão do algoritmo de classificação permite melhor eficiência na extração das respectivas classes. O software pioneiro na classificação OBIA foi o ecognition Object-Oriented Image Analysis, desenvolvido pela empresa alemã Definiens. No Brasil, um sistema de código aberto que vem ganhando destaque é o software InterImage, o qual é resultado da parceria entre a Universidade Católica do Rio de Janeiro (PUC- Rio) o Instituto Nacional de Pesquisas Espaciais (INPE) e a Universidade de Hannover. Nesse contexto, o presente trabalho tem por objetivo realizar a classificação do uso e cobertura do solo de uma imagem do sistema Rapideye, a partir da classificação OBIA. 2 MATERIAIS E MÉTODOS A área de estudo está situada no município de Uberaba, Minas Gerais, entre as coordenadas 188.249E 7.834.702N, zona 23S e 190.357E 7.831.840N zona 23S, compreendendo 6,1 km². A Figura 1 apresenta a área de estudos. Os procedimentos adotados para a classificação foram: obtenção da imagem, definição das classes, construção da rede semântica, testes das variáveis e respectivos limiares, classificação, validação da classificação e análise dos resultados. Para a classificação do uso e cobertura do solo utilizou-se o software InterImage 1.43, já os procedimentos de validação e layout final do mapa foram realizados com auxílio do QGIS 2.8.2. Para a confecção do mapa de uso e cobertura do solo foram utilizadas as 5 bandas da imagem Rapideye (MMA, 2017), com resolução espacial de 5m, e resolução radiométrica de 12 bits. Foram definidas as seguintes classes de uso e cobertura do solo: sombra, sistema viário, corpos d água, vegetação arbórea, pastagem, edificações e solo exposto. Assim, para cada classe, atribuiu-se um conjunto de regras, definidas a partir do conhecimento do comportamento espectral dos alvos, da fotointerpretação e dos testes de segmentação e escala. A seguir estão descritas as regras de classificação para cada classe: Tabela 1- Regras para classe sombra Operador TA_Arithmetic Limite min 0 Limite max 2600 Expressão (R0:0 +R0:1 + R0:2 + R0:3 + R0:4 )/5 Tabela 2- Regras para classe vias Pesos das bandas 0.5,1, 0.8,0.4,0.5 Compacidade 0.1 Cor 0.9 Escala 320 Perímetro/área >0,17 brilho >4000 comprimento >150 Tabela 3-Regras para classe água Operator TA_Arithmetic Limite min 0.15 Limite max 1 Expressão ( R0:1 R0:3 ) / ( R0:1 + R0:3 ) Figura 1- Área de estudo
Tabela 4-Regras para classe Vegetação arbórea Pesos das bandas 1,0.5,1,1,1 Escala 40 NDVI >0,11 Média banda 5 <3600 Média banda 1 <2000 Tabela 5- Regras para a classe Pasto Pesos das bandas 1,0.5,1,1,1 Escala 40 NDVI >0.12 Média banda 5 >3600 Média banda 1 >1800 Tabela 6- Regras para a classe Edificações Pesos das bandas 1,1,1,1,1 Escala 400 Media banda 3 >7500 Figura 2- Segmentação com fator de escala 320 Uma vez delimitadas as vias pela segmentação, foi preciso criar regras adicionais com o intuito de classificálas, uma vez que as vias possuem resposta espectral similar à classe solo exposto e edificações. Dessa forma, foram criadas regras de decisão em que a razão perímetro/área dos segmentos fosse maior que 0,17; o brilho fosse maior que 4000 e o comprimento do segmento maior que 150. Para a classe edificações, obteve-se o melhor resultado de segmentação com o fator de escala 400 (Figura 3), e brilho da banda 3 maior que 7500, de modo que não houvesse confusão com o solo exposto. Para a classe solo exposto utilizou-se o operador Dummy topdown, uma vez que essa foi a única classe restante, de modo que todos os pixels não classificados nas regras anteriores foram classificados nessa classe. Para a validação da classificação gerou-se 140 pontos aleatórios no complemento Semi-automatic Classification Plugin para gerar o índice Kappa, utilizando como imagem de referência o Google Earth. 3 RESULTADOS E DISCUSSÃO Para a confecção do mapa final de uso e cobertura do solo foi necessário um conjunto de testes com alguns parâmetros para cada classe, com o objetivo de evidenciálas individualmente. Uma vez definidos os parâmetros, procederam-se os testes com os respectivos limiares. Para as classes que utilizaram o operador TA_Baatz_Segmenter foi necessário definir, entre outros parâmetros, o valor da escala para segmentação da imagem. Dessa forma, a Figura 2 apresenta uma porção da área de estudo segmentada no fator de escala 320, o qual foi mais eficaz para a classe vias. Figura 3- Segmentação com fator de escala 400 A geração de segmentos com fator de escala grande para as classes pasto e vegetação arbórea aumentaram a confusão entre as demais classes no mapa final. Por esse motivo, utilizou-se o fator de escala 40 para essas duas classes, adicionando regras baseadas nos valores de NDVI e médias dos ND s das bandas 4 e 5,
para classificação automática dos segmentos. A Figura 4 apresenta a segmentação com o fator de escala 40. Figura 4- Segmentação com fator de escala 40 Para as classes sistema viário e corpos d água utilizou-se o operador TA_arithmetic, que não necessita de escolha do fator de escala, por criar uma regra de decisão baseada na razão de bandas. Dessa forma, para a classificação da água gerou-se um índice baseado na razão das bandas 2 e 4, e para a classe vias utilizou-se um limiar referente à resposta média das bandas. A Figura 5 apresenta a classificação final do uso e cobertura do solo ao habilitar no software todas as regras de decisão concomitantemente. A classe solo exposto ocupa 42,64% da área, seguida pela classe pasto (30,54%) e pela classe vegetação arbórea (24,60%). As demais classes somadas não correspondem a 3% da área total. A presença de argissolos juntamente com o solo exposto torna a área propensa ao desenvolvimento de ravinas e voçorocas. A Tabela 7 apresenta a Matriz de Confusão, a qual resultou no índice de exatidão global de 85,8 e índice Kappa de 0,75. Nota-se que houve confusões entre a classe solo exposto, vegetação arbórea e pasto.. Figura 5- Mapa de uso e cobertura do solo 4 CONCLUSÕES A utilização da classificação orientada a objetos permite uma classificação semi-automática com alto grau de acerto. Isso se deve ao fato da possibilidade de acrescentar elementos de reconhecimento que são comuns na fotointerpretação de uma imagem. Além disso, diferentes objetos e fenômenos são perceptíveis nas mais variadas escalas e, por esse motivo, a possibilidade de escolha da escala para cada classe corrobora para a eficiência do método empregado. Assim, é possível extrair informações detalhadas de imagens com alta resolução espacial de modo satisfatório e sem a necessidade de grande demanda de tempo. Tabela 7- Matriz de Confusão Classe Solo exposto Veg arbórea Pasto Sombra Vias Edificações Água Total Solo exposto 53 7 4 0 0 0 0 64 Veg arbórea 2 24 0 0 0 0 0 26 Pasto 7 1 27 0 0 0 0 35 Sombra 0 2 0 4 0 0 0 6 Vias 0 0 0 0 5 0 1 6 Edificações 0 0 0 0 0 2 0 2 Água 0 0 0 0 0 0 1 1 Total 62 34 31 4 5 2 1 140
AGRADECIMENTOS Agradecimentos à Universidade Estadual Paulista Júlio de Mesquita Filho - FCAV e à Universidade Federal do Triângulo Mineiro pelo apoio. REFERÊNCIAS Alencar-Silva, T.; Maillard, P. Segmentação de imagens de alta resolução utilizando o programa SMAGIC. In: Simpósio Brasileiro de Sensoriamento Remoto (SBSR), Natal, 2009. Blaschke, T.; Strobl, J. What's wrong with pixels? Some recent developments interfacing remote sensing and GIS. GeoBIT-GIS, n. 6, p. 12-17, 2001. Liu, Y.; Li, M.; Mao, L.; Xu, F.; Huang, S.Review of Remotely Sensed Imagery Classification Patterns Based on Object-oriented Image Analysis. Chinese Geographical Science. n. 16, p. 282-288, 2006. MMA-Ministério do Meio Ambiente. Imagens Rapideye- Geocatálogo. Disponível em < http:// geocatalogo.ibama.gov.br/ > Acesso em 10 mar. 2017.