anÁlise comparativa em imagens oli/landsat-8 e msi...

IV Simpósio Brasileiro de Geomática – SBG2017 II Jornadas Lusófonas - Ciências e Tecnologias de Informação Geográfica - CTIG2017

Presidente Prudente - SP, 24-26 de julho de 2017p. 180-185

D. D. Calixto; F. D. Guimarães; L. D. Calixto; E.H. Cremon ISSN 1981-6251

ANÁLISE COMPARATIVA EM IMAGENS OLI/LANDSAT-8 E

MSI/SENTINEL-2 NO MAPEAMENTO DO USO E COBERTURA DA TERRA

DAIANE DAVID CALIXTO FERNANDA DIAS GUIMARÃES

LEIDIANE DAVID CALIXTO ÉDIPO HENRIQUE CREMON

Instituto Federal de Educação, Ciência e Tecnologia de Goiás - IFG

Grupo de Estudos em Geomática – GEO Rua 75, 46 - Setor Central, CEP 74055-110

Goiânia-GO

[email protected], [email protected] [email protected], [email protected]

RESUMO - Neste artigo propomos analisar qual sensor, entre os sensores ópticos OLI/Landsat-8 e MSI/Sentinel-2, possui melhor separabilidade de classes no mapeamento de uso e cobertura da terra. Foram utilizadas todas as bandas ópticas destes sensores com os dados em reflectância de superfície e também apenas as bandas ópticas do MSI/Sentinel-2 correspondentes às bandas do OLI/Landsat-8 (Eq. OLI) e analisadas por classificação não-supervisionada k-médias, de modo a evitar tendenciosidade com classificadores. A avaliação da classificação foi feita por matriz de confusão, os valores de exatidão global para o OLI/Landsat-8, MSI/Sentinel-2 (Eq. OLI) e MSI/Sentinel-2 foram de 0,867, 0,827 e 0,860; e índice kappa de 0,786, 0,722 e 0,770, respectivamente. Foi verificado que as classificações foram estatisticamente semelhantes, de modo que o incremento da resolução espectral o sensor MSI, para esse experimento e para as classes mapeadas, não representou ganho na separabilidade de classes de uso e cobertura da terra em relação ao OLI.

Palavras chave: Uso e Cobertura da Terra, Imagens ópticas Gratuitas, Classificação não-supervisionada, Landsat-8, Sentinel-2. ABSTRACT - This work focuses on separability analyses of land use and land cover (LULC) classes based in the optical sensors OLI/Landsat 8 and MSI/Sentinel 2, currently important free sensors of medium spatial resolution. It was used all optical bands of these sensors in surface reflectance as well only equivalents bands from MSI/Sentinel-2 related to the OLI/Landsat-8 (Eq. OLI). It was applied to the multispectral images an unsupervised classification based in the K-means algorithm, in order to avoid bias with classifiers. Classification accuracy was then assessed using error matrix analysis, with overall accuracy results of 0,867, 0,827 and 0,860 to OLI/Landsat-8, MSI/Sentinel-2 (Eq. OLI) and MSI/Sentinel-2; and kappa index of 0,786, 0,722 e 0,770, respectively. Statistical significance these results show that the classifications were similar, so the increment of the spectral resolution of the MSI sensor, for this experiment and for the mapped classes, did not represent a gain in the LULC classes separability in relation to OLI.

Key words: Land use and land cover, Free Optical Images, Unsupervised Classification, Landsat-8, Sentinel-2.

1 INTRODUÇÃO

O mapeamento do uso e cobertura da terra constitui em importante instrumento em estudos ambientais, em tomada de decisão é fundamental em políticas públicas, uma vez que faz a ligação entre o meio físico e o socioeconômico (MONTEIRO, 2008). Recursos do sensoriamento remoto para análise e interpretação de fotografias aéreas e imagens orbitais no reconhecimento

de padrões de uso da terra, determinaram uma nova era, um marco nos estudos de Uso da Terra (IBGE, 2013).

Há várias definições do uso da terra, no geral estão ligadas as atividades antrópicas, relativamente a um trecho de terra ou um ecossistema. O uso da terra atende às necessidades humanas, isto é, que o uso da terra tem um determinado propósito, socioeconômico (agricultura, habitação, proteção ambiental) (BIE et al., 1996). Os significados dados a cobertura e uso da terra mantém uma



relação muito próxima e são utilizados muitas vezes de maneira alternada, mas é importante ressaltar que no sensoriamento remoto são adquiridas as características inerentes à cobertura, no qual os sensores possibilitam registrar. Os tipos de uso da terra podem ser múltiplos, levando em consideração que nem sempre a cobertura está relacionada ao uso da terra, por exemplo, em casos de extração mineral em terras florestais, nesse caso dados suplementares são necessários para a interpretação a partir de modelos, tonalidades, texturas, formas, arranjos espaciais das atividades e localização do terreno.

Atualmente há uma disponibilidade de imagens multiespectrais ópticas gratuitas de sensoriamento remoto orbital de média resolução espacial disponíveis. Nesse contexto, é possível destacar o sensor OLI/Landsat-8 e o MSI/Sentinel-2 que possuem grande potencial de aplicações ambientais no Brasil, incluindo mapeamento de uso e cobertura da terra, e com características de resolução espacial, radiométrica, e espectral diferentes entre si.

Desta forma este trabalho tem como objetivo analisar o potencial de separabilidade de classes de uso e cobertura da terra dos sensores citados, avaliando se o incremento da resolução espectral e radiométrica melhora a separabilidade de classes na distinção dos alvos da superfície terrestre e se a impacto da resolução espacial dos sensores no processo de classificação.

2 MATERIAIS E MÉTODOS

2.1 Área de estudo

Para atingir os objetivos propostos, foi escolhida

como área de estudo um quadrante abrangido na divisa dos estados de São Paulo e Minas gerais, nos municípios de Frutal-MG, Guaraci-SP e Colômbia-SP com área 467,490539 km² (Figura 1).

Figura 1 - Mapa de Localização

Fonte: Autores

Essa região foi escolhida devido a sobreposição das imagens, onde não há cobertura de nuvens e as datas são próximas entre os sensores analisados, além de uso e cobertura da terra diversificada com presença de classes naturais e antrópicas.

2.2 Materiais

Foram utilizadas imagens dos sensores

OLI/Landsat-8 e MSI/Sentinel-2 do mês de julho de 2016. A imagem Landsat-8 é disponibilizada pela USGS (Serviço Geológico Americano) no endereço: http://earthexplorer.usgs.gov/; e a imagem Sentinel-2 pela ESA (European Space Agency), no endereço eletrônico: https://scihub.copernicus.eu/dhus/#/home. As descrições dos sensores OLI/Landsat-8 e MSI/Sentinel-2 com as respectivas bandas do espectro óptico utilizadas são apresentados nas Tabelas 1 e 2. Para a manipulação e processamento digital dessas imagens, foram usados os softwares livres QGIS 2.14.4 e SNAP. Tabela 1 – Descrições das bandas multiespectrais do sensor OLI/Landsat-8.

OLI/LANDSAT-8

Bandas Comprimento

de onda central (nm)

Banda 1- Aerosol 443 Banda 2 - Azul 483 Banda 3 - Visível Verde 561 Banda 4 - Visível Vermelho 654 Banda 5 - Infravermelho Próximo 864 Banda 6 - Infravermelho Médio 1609 Banda 7 - Infravermelho Médio

2201

Resolução Espacial 30 m Largura da Faixa Imageada

185 km

Revisita

16 dias

Quantificação

16 bits

Ponto/Orbita 221/74 Data da Imagem 21/07/2016

Fonte: USGS (Science for a Changing World)



Tabela 2 – Descrições do MSI/Sentinel-2.

MSI/SENTINEL-2

Bandas Comprimento de

onda central (nm)

Banda 1 - Aerosol 443 Banda 2 - Azul 490 Banda 3 - Visível Verde 560 Banda 4 - Visível Vermelho 665 Banda 5 - Vermelho 705 Banda 6 - Vermelho 740 Banda 7 - Vermelho 783 Banda 8 - Infravermelho Próximo

842

Banda 8a - Vermelho 865 Banda 9 - Vapor de Água 945 Banda 10 - Cirrus 1375 Banda 11- Infravermelho Médio 1610 Banda 12* Infravermelho Médio 2190 Resolução Espacial 10, 20 e 60 m Largura da Faixa Imageada

290 km

Revisita

10 dias

Quantificação

12 bits

Data da Imagem 19/07/2016 Fonte: https://earth.esa.int/web/sentinel/user-guides/sentinel-2-msi/resolutions/radiometric.

2.3 Métodos

Os processamentos das imagens orbitais

OLI/Landsat-8 e MSI/Sentinel-2 estão sintetizados na Figura 2. Como pré-processamento, as imagens passaram por calibração radiométrica com os valores convertidos de número digital (ND) para reflectância aparente e em seguida para reflectância de superfície com base na correção atmosférica usando o método DOS (Dark Object Subtraction), método no qual a interferência atmosférica é estimada diretamente a partir da imagem de satélite, sendo ignorada a absorção atmosférica. Para a aplicação desta técnica não há a necessidade de se obter dados sobre as condições atmosféricas na data de obtenção das imagens.

Com as imagens em reflectância de superfície, foi feito o empilhamento das bandas multiespectrais de cada sensor. No sensor OLI/Landsat-8 de resolução espacial de 30m foram utilizadas as bandas 2, 3, 4, 5, 6 e 7, e no MSI/Sentinel-2 foi feito uma reamostragem das bandas de resolução espacial de 20m (bandas 5, 6, 7, 8a, 11 e 12) para a resolução espacial das bandas de melhor resolução espacial (10 m, ou seja, as bandas 2, 3, 4 e 8) por vizinho mais próximo, de modo a não alterar a estatística das bandas de pior resolução espacial e compatibilizar os

dados no mesmo grid para o empilhamento de todas as bandas no processo de classificação não-supervisionada (descrita a seguir). Para fins de comparação, foi feito o empilhamento das bandas do MSI/Sentinel-2 que possuem equivalência com as bandas do OLI/Landsat-8, sendo assim foram selecionadas as bandas 2, 3, 4, 8a, 11 e 12. Esses procedimentos de pré-processamento foram realizados no aplicativo QGIS 2.14.4.

Com as imagens pré-processadas, os três conjuntos de bandas empilhadas passaram por análise comparativa baseada em classificação não-supervisionada, no caso com o algoritmo K-médias, visando a não tendenciosidade no processo de classificação e separabilidade de classes de uso e cobertura da terra. Na classificação não-supervisionada o analista tem pouco contato com o processo, o que é relevante para este tipo de abordagem já que se trata de uma análise comparativa. Nesse tipo de classificação o algoritmo através de iterações baseadas na formação de grupos de pixels, tem como parâmetros a similaridade, dissimilaridade e distância mínima.

Figura 2 - Fluxograma metodológico Com o propósito de analisar o melhor alcance na

classificação não-supervisionada entre os sensores citados neste trabalho, foi definido para gerar 15 classes (conjuntos homogêneos de pixels) para cada conjunto de imagens, essas classes foram posteriormente interpretadas e associadas em classes de uso e cobertura da terra, sendo elas: agricultura, água, pastagem e vegetação nativa. Dados auxiliares como série temporal de índice de vegetação (http://maps.lapig.iesa.ufg.br/lapig.html) e imagens de melhor resolução espacial do aplicativo Google Earth foram utilizadas para auxiliar na determinação dessas classes.

Para avaliar a classificação foi utilizada a matriz de confusão e a determinação da exatidão global e índice



kappa (k) para comparação das classes. O índice kappa é um subproduto da matriz de confusão e facilita na avaliação do classificador. Um dos fatores considerados relevantes é que ele inclui a informação dos pixels mal classificados e dos pixels bem classificados, assim como a exatidão global (JENSEN, 1986). Para evitar tendenciosidade na validação, distribuímos 150 pontos aleatórios no retângulo envolvente da área de estudo, onde fotointérprete diferente daquele que associou as classes da classificação não-supervisionada a classes de uso e cobertura da terra, analisou esses pontos um a um baseado na própria imagem e eventualmente nos mesmos dados auxiliares anteriormente descritos para determinar a “verdade”, com o que foi classificado nos sensores OLI/Landsat-8 e MSI/Sentinel-2.

3 RESULTADOS E DISCUSSÕES

Os resultados das classificações com a respectiva

associação das classes ao uso e cobertura da terra (agricultura, água, pastagem e vegetação nativa) tiveram resultados ligeiramente semelhantes para o conjunto de imagens formado pelos sensores OLI/Landsat-8 (Figura 3), MSI/Sentinel-2 (Figura 4) e MSI/Sentinel-2 com bandas equivalentes ao sensor OLI (Figura 5).

Figura 3 - Imagem classificada do sensor OLI/Landsat-8.

Fonte: Autores.

Observa-se que de acordo com as matrizes de confusão geradas a partir da classificação não-supervisionada de cada sensor (Tabelas 3, 4, 5 e 6), há

pequenas variações em relação a classificação geral das imagens e quando os dados são analisados classe por classe. De modo geral, todos os conjuntos de imagens foram úteis para separar a classe relacionada a corpos d’água. Para as demais classes houve sutis variações de aproveitamento em relação aos sensores, por exemplo, o conjunto de bandas multiespectrais do sensor OLI/Landsat-8, para este experimento, teve melhor desempenho na discriminação da classe agricultura em relação ao MSI/Sentinel-2, por sua vez este último teve melhor desempenho nas classes pastagem e vegetação nativa.

Figura 4 - Imagem classificada do sensor MSI/Sentinel-2

Fonte: Autores.

Ao analisar a exatidão global, observa-se que a classificação da cena usando dados do sensor OLI/Landsat-8 teve aproveitamento pouco superior (0,867) ao MSI/Sentinel-2 (0,860) e o MSI/Sentinel-2 com bandas equivalentes ao sensor OLI (0,827). Tal fato poderia evidenciar que o aumento da resolução espectral do sensor MSI não foi mais efetiva para a discriminação das classes mapeadas neste experimento. Porém, mesmo com a exatidão global do sensor OLI tenha sido pouco superior ao MSI, o índice kappa das classificações mostra que todas são estatisticamente semelhantes com o intervalo de confiança de 95%, sendo assim não é possível afirmar se um sensor foi mais efetivo ou não na discriminação de classes de uso e cobertura da terra. Vale destacar que a comparação do sensor MSI com as bandas equivalentes ao OLI foi uma estratégia válida nesse sentido, pois pode ser avaliado se o aumento do número



de bandas pode ser mais eficiente na discriminação de classes de cobertura da terra.

Figura 5 - Imagem classificada MSI/Sentinel-2 com bandas equivalentes ao OLI.

Fonte: Autores.

Como pode ser observado, a melhoria de resolução

espectral do sensor MSI em relação ao OLI, para este experimento, não foi eficiente. Entretanto isso não desqualifica o potencial deste sensor em relação ao OLI. Embora não tenha sido analisado nesse trabalho, a melhoria da resolução espacial do MSI ao OLI pode ser um fator favorável, potencializando o aumento de escalas de mapeamento. Ademais, o tempo de revisita maior também o potencializa, principalmente na questão de mapeamentos multitemporais.

Tabela 3 – Resultados comparativos

Dado

Exatidão global

Índice kappa

Intervalo de confiança (95%)

Limite inferior

Limite superior

OLI/Landsat-8

0,867 0,786 0,698 0,874

MSI/Sentinel-2 (Eq. OLI)

0,827 0,722 0,624 0,820

MSI/Sentinel-2

0,860 0,770 0,678 0,862

Fonte: Autores

Tabela 4 – Matriz de Confusão e Índice Kappa, OLI/Landsat-8

OLI/LANSAT-8 Matriz de confusão Índice Kappa das classes Classificadas

Classes Classificadas Classes Verdade

Água Agricultura Pastagem Vegetação Nativa Kappa Var (Kappa)

Agua 20 0 0 0 1,0000 0 Agricultura 0 74 2 3 0,8444 0,004029482 Pastagem 0 13 12 0 0,4265 0,010049168

Veg. Nativa 0 2 0 24 0,9062 0,00394236 Fonte: Autores

Tabela 5 - Matriz de Confusão e Índice Kappa, MSI/Sentinel-2

MSI/SENTINEL-2 Matriz de confusão Índice Kappa das classes

Classificadas Classes Classificadas Classes Verdade






Tabela 6 - Matriz de Confusão e Índice Kappa, MSI/Sentinel-2 bandas equivalentes ao OLI/Landsat-8

MSI/SENTINEL-2 BANDAS EQUIVALENTES AO OLI/LANDSAT-8

Matriz de confusão Índice Kappa das classes Classificadas Classes Classificadas

Classes Verdade




4 CONCLUSÕES

A análise dos dados revelou que não há grande

diferenciação na distinção de classes de uso e cobertura da terra entre os sensores ópticos OLI/landsat-8 e MSI/sentinel-2. A comparação baseada em classificação não-supervisionada buscou evitar tendenciosidades nessa análise e mostrou-se eficiente nesse sentido. A opção por classes generalistas pode ter influenciado nos valores estatisticamente semelhantes dos sensores analisados. Espera-se que com a adoção de sub-classes diferenciando tipos de culturas agrícolas e vegetação nativa, é possível que haja maior diferença do desempenho dos sensores da diferenciação dos alvos da cobertura terrestre. Com o desempenho semelhante em relação à resolução espectral, a melhor resolução espacial do MSI pode torná-lo mais interessante para fins de mapeamento de uso e cobertura da terra com escala de maior detalhamento em relação ao OLI.

AGRADECIMENTOS

Os autores deste trabalho agradecem à Agência Espacial Europeia (ESA) e ao Serviço Geológico Americano (USGS) pelo acesso gratuito das imagens multiespectrais orbitais utilizadas.

REFERÊNCIAS

BIE, C. A. J. M. de; LEEUWEN, J. A. van; ZUIDEMA, P. A. The land use database: a knowledge-based software program for structured storage and retrieval of userdefi ned land use data sets: user’s reference manual. Version 1.04 for MS-DOS. [S.l.]: ITC: FAO: UNEP: WAU,1996. Disponível em: <http://ces.iisc.ernet.in/energy/HC270799/LM/SUSLUP/Luse/Manual/chap2.pdf>. Acesso em: março 2007. GONÇALVES, MÁRCIO LEANDRO. Métodos de Classificação Não-supervisionada de Imagens de Sensoriamento Remoto usando Mapas Auto-organizáveis de Kohonen. Campinas, SP. 2009

INSTITUTO BRASILEIRO DE GEOGRAFIA E ESTATÍSTICA – IBGE. Manual Técnico de Uso da Terra. 3º edição, Rio de Janeiro. 2013. Disponível em: http://biblioteca.ibge.gov.br/visualizacao/livros/liv81615.pdf. Acesso: março 2017. JENSEN, J. R. Introductory Digital Image Processing, Prentice-Hall, Englewood Cliffs, New Jersey, p. 379, 1986. MONTEIRO, CÉSAR LUÍS SOARES. Proposta de Classificação do Uso e da Cobertura da Terra e sua Representação Cartográfica na Escala 1:10.000. Florianópolis, julho 2008. Disponível em < https://repositorio.ufsc.br/bitstream/handle/123456789/91679/257948.pdf?sequence=1>. Acesso: março 2017.

anÁlise comparativa em imagens oli/landsat-8 e msi...

Documents