anÁlise da classificaÇÃo do uso e...

IV Simpósio Brasileiro de Geomática – SBG2017

II Jornadas Lusófonas - Ciências e Tecnologias de Informação Geográfica - CTIG2017

Presidente Prudente - SP, 24-26 de julho de 2017

p. 186-192

E. A. Guimarães; E. H. Cremon ISSN 1981-6251

ANÁLISE DA CLASSIFICAÇÃO DO USO E COBERTURA DA TERRA

DO CERRADO BASEADO NA COMBINAÇÃO DE IMAGENS ÓPTICAS

E SAR

EDUARDO ALVES GUIMARÃES

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]

RESUMO - A classificação digital de imagens é uma poderosa técnica utilizada para projetos de mapea-

mento em larga escala, uma vez que a sua estrutura otimiza o processamento deixando o trabalho menos

oneroso. Neste contexto, o presente trabalho teve como objetivo avaliar se a combinação de imagens ópti-

cas e de Radar de Abertura Sintética (SAR) podem melhorar a discriminação de classes para fins de uso e

cobertura da terra no bioma Cerrado. Foi realizada uma análise da classificação não-supervisionada base-

ada no algoritmo ISOSEG em uma imagem proveniente do sensor óptico OLI/Landsat-8 e de uma combi-

nação da mesma com uma imagem SAR do Sentinel-1 com os parâmetros de segmentação utilizados no

projeto TerraClass Cerrado. O desfecho desta combinação não propiciou melhores resultados do que o

uso de apenas os dados ópticos. Em linhas gerais, a exatidão global e o índice kappa para classificação na

imagem óptica e combinada foram respectivamente: 0,527-0,396 e 0,480-0,334, com um intervalo de

confiança (95%) do índice kappa onde pode ser considerado que ambas as classificações são estatistica-

mente semelhantes.

Palavras chave: sensor óptico, imagem SAR, combinação de imagem, Cerrado.

ABSTRACT - Digital image classification is a powerful technique for large-scale mapping projects, to

optimize the work and become it with less costly. This work was performed in an analysis of the unsuper-

vised classification based on ISOSEG algorithm in images from the optical sensor OLI/Landsat-8 and a

combination of it with a Synthetic Aperture Radar (SAR) image from Sentinel-1 satellite with the seg-

mentation parameters used in the “TerraClass Cerrado” Project, aiming to verify if the increase of the

SAR image allows an improvement in the classes discrimination of land use and land cover. It was found

that the combination did not provide better results. In general, the overall accuracy (0.527 and 0.480) and

the kappa index (0.396 and 0.334) for evaluation of the optical image and the combined results, respec-

tively, shows close values. Based on the confidence interval (95%) for the kappa index, the classifications

are statistically similar.

Key words: optical sensors, SAR, image combination, Cerrado.

1 INTRODUÇÃO

O Cerrado é o segundo maior bioma da América

Latina representando cerca de 23% do território nacio-

nal. Em função da expansão da fronteira agrícola e da

exploração predatória de seu material lenhoso para

produção de carvão, foi o bioma mais degradado nas

últimas três décadas. É considerado como um dos hots-

pots mundiais de biodiversidade, pois apresenta uma

extrema abundância de espécies endêmicas e vem so-

frendo uma significativa perda de habitat (MMA,

2017).

Diante deste cenário, há iniciativas de se mapear

o uso e cobertura da terra do Cerrado a partir de ima-

gens ópticas orbitais com a finalidade de promover

subsídios para potencializar o monitoramento e a ges-

tão do Cerrado. O mais recente projeto desse porte foi

o TerraClass Cerrado, que faz parte do Programa de

Monitoramento Ambiental dos Biomas Brasileiros

(PMABB), tal projeto foi realizado pela junção dos

esforços da Empresa Brasileira de Pesquisa Agropecu-




ária (Embrapa), do Instituto Brasileiro do Meio Ambi-

ente e dos Recursos Naturais Renováveis (Ibama), do

Instituto de Nacional de Pesquisas Espaciais (Inpe), da

Universidade Federal de Goiás (UFG), da Universidade

Federal de Uberlândia (UFU) que, sob a coordenação

do Ministério do Meio Ambiente (MMA), apresenta-

ram o mapeamento do uso antrópico e da cobertura

vegetal natural do Cerrado, para o ano-base de 2013

(MMA, 2017).

No TerraClass Cerrado foram utilizadas ima-

gens ópticas do sensor OLI (Operational Land Image)

do satélite Landsat-8. Para a extração das classes temá-

ticas aplicou-se uma segmentação e posteriormente

uma classificação não-supervisionada, os parâmetros

foram estimados com base na escala de mapeamento de

1:250.000. O mapeamento de uso da terra do Cerrado

por meio de imagens ópticas orbitais apresenta-se co-

mo um grande desafio devido à similaridade espectral

entre certas classes temáticas, a expressiva área que o

mesmo ocupa e a dinâmica acentuada da ocupação

humana (SANO et al., 2008).

Os dados ópticos relacionam-se com as caracte-

rísticas químicas, físicas e biológicas dos alvos da

superfície terrestre em função dos processos de absor-

ção, transmissão e reflexão, enquanto que os dados de

micro-ondas como os adquiridos por Radar de Abertura

Sintética (SAR) interagem e podem ser relacionados

com a forma, textura, estrutura e propriedades dielétri-

cas dos alvos. Sendo assim, pode-se notar que os dados

ópticos e de micro-ondas são complementares e, por-

tanto, a integração dos mesmos pode resultar em me-

lhorias na extração de informações acerca dos alvos

imageados, tendo como consequência a melhora na

qualidade das classificações de feições de interesse

(HUANG et al., 2010).

Pereira (2012) realizou experimentos visando

avaliar diferentes formas de integrar dados (fusão e

combinação) de sensores imageadores ópticos e SAR

para identificar qual a mais adequada para o mapea-

mento de uso e cobertura da terra de uma região de

fronteira agrícola da Amazônia brasileira. Concluiu-se

que várias classificações resultantes das imagens fusio-

nadas ou combinadas apresentaram valores do índice

kappa estatisticamente superiores quando comparadas

as imagens ópticas.

Devido a abrangente ou até mesmo divergente

conceituação que o termo “fusão de imagens ou dados”

pode trazer, cabe aqui destacar a diferença entre fusão e

o uso combinado de imagens. Fusão: qualquer método

que integre duas ou mais imagens com objetivo de

formar uma nova, a qual conterá informações das ima-

gens originais. Combinação: não forma uma nova ima-

gem, portanto, não passa por processos de fusão (PE-

REIRA, 2012). Nesse contexto, o presente trabalho tem

por objetivo avaliar se a combinação de imagens ópti-

cas e SAR podem melhorar a discriminação de classes

para fins de uso e cobertura da terra no bioma Cerrado.

2 MATERIAIS E MÉTODOS

2.1 Área de estudo

A área selecionada para o experimento corres-

ponde a região Centro-Sul do estado de Goiás (Figura

1). O retângulo envolvente da área de estudo abrange

os municípios de Acreúna, Bom Jesus de Goias, Edea-

lina, Edéia, Goiatuba, Indiara, Jandaia, Joviânia, Mau-

rilândia, Paraúna, Pontalina, Porteirão, Santa Helena de

Goiás, Santo Antônio da Barra, Turvelândia, Vicenti-

nópolis e Rio Verde. A região é caracterizada por uso e

cobertura da terra antrópica e natural como: Agricultu-

ra, Pastagem, Água, Vegetação Natural e Área Urbana.

Figura 01 – Área de estudo. Imagem OLI/Landsat-8 em

composição colorida R(6)G(5)B(4).

2.2 Materiais

Os materiais utilizados foram uma imagem óp-

tica e outra SAR. A imagem óptica é referente ao sen-

sor OLI/Landast-8, o mesmo insumo para o projeto

TerraClass Cerrado, e a imagem SAR foi do satélite

Sentinel-1 (Figura 2). As duas imagens datam do mês

de junho de 2016. Para o Sentinel-1 foi escolhido a

imagem em GRD (Groud Range Detection) nível L1

de processamento, gerada a partir do modo de aquisi-

ção IW (Interferometric Wide swath). A tabela 1 des-

creve as características básicas do sensor SAR e a tabe-

la 2 a do sensor OLI.

Tabela 01 - Características do produto GRD Sentinel 1

Modo de aquisição IW

Resolução Espacial

alcance x azimute

20 × 22 m

Tamanho do pixel 10 × 10 m

Polarização VV/VH

Fonte: Adaptado ESA (2017).




Figura 02 – Amostra da área de estudo. a) Imagem

OLI/Landsat-8 em composição colorida R(6)G(5)B(4);

b) Imagem SAR do satélite Sentinel-1 em composição

colorida R(VH)G(VV)B(VH).

Tabela 02 - Características do satélite Landsat-8.

Resolução

Espacial

30 m

Resolução

Espectral

(m)

0,43 - 0,45 (Aerosol Costeiro)

0,45 - 0,51 (Azul)

0,53 - 0,59 (Verde)

0,64 - 0,67 (Vermelho)

0,85 - 0,88 (Infravermelho próximo)

1,57 - 1,65 (SWIR - 1)

2,11 - 2,29 (SWIR -2)

Resolução

radiométrica

12 bits

Resolução

temporal

16 dias

Fonte: Adaptado USGS (2017).

2.3 Métodos

As imagens adquiridas inicialmente passaram

por técnicas de pré-processamento. Na imagem óptica,

os números digitais foram convertidos para reflectância

aparente a partir dos coeficientes de calibração das

bandas espectrais. Na imagem SAR, foi realizada a

calibração radiométrica, aplicação de filtro adaptativo

para redução do ruído Speckle e a ortorretificação por

meio do insumo SRTM (Shuttle Radar Topography

Mission) de 30m já incorporado no pacote de ferramen-

tas do SNAP (Sentinel Application Platform). Para

padronizar as unidades de grandezas das imagens, os

dados da imagem SAR (sigma nougth) foram normali-

zados, ficando dentro de um intervalo de valores cor-

respondentes com os da imagem óptica (reflectância)

entre 0 e 1. Por fim, a imagem SAR foi reamostrada

para 30m para que ficasse com mesmo tamanho de

pixel da imagem óptica. De posse dos dados pré-

processados, realizou-se o empilhamento das bandas

espectrais 4, 5 e 6 do sensor OLI e o empilhamento das

mesmas bandas do sensor OLI mais as bandas VH e

VV das polarizações do Sentinel-1 (Figura 3).

Figura 03 – Fluxo metodológico para classificação.

Como método de classificação, optou-se por uti-

lizar a classificação não-supervisionada ISOSEG. Tal

abordagem é interessante, pois é baseada em regiões,

assim como foi abordado parte do projeto TerraClass

Cerrado. O algoritmo ISOSEG é um classificador que

busca agrupar regiões a partir de atributos estatísticos

de média, matriz covariância e área, conforme o limiar

de similaridade entre elas (KÖRTING, 2006). A ado-

ção por um método não-supervisionado neste trabalho

visa evitar tendenciosidade no processo de classifica-




ção e discriminação de classes de uso e cobertura da

terra. Para fins de comparação, foram realizadas duas

classificações, ambas com os mesmos parâmetros de

segmentação e classificação. A primeira executada

apenas com as bandas multiespectrais 4, 5 e 6 do sen-

sor OLI/Landsat-8 e a segunda na imagem combinada

com as imagens SAR (Figura 3).

O classificador ISOSEG, por ser baseado em

regiões pressupõe de um processo de segmentação

preliminar. Quanto a segmentação, foi adotado o méto-

do de crescimento de regiões com limiar de similarida-

de de 0,015 e de área mínima de 70 pixels (aproxima-

damente 6,25 ha), os mesmos parâmetros do projeto

TerraClass Cerrado (MMA, 2015). Para o algoritmo

ISOSEG deve também ser definido o limiar de aceita-

ção, que varia de 75% a 99,9%, quanto menor for o

limiar de aceitação, mais classes o algoritmo irá criar

automaticamente (NARVAES; SANTOS, 2007). O

limiar de aceitação utilizado foi de 99%.

Ao executar as segmentações e classificações no

conjunto de imagens, os dados resultantes foram con-

vertidos para vetor. Feito isto, iniciou-se o processo de

nomeação das classes por meio da interpretação visual

na imagem multiespectral do OLI/Landsat-8 (bandas 4,

5 e 6) e na combinada (bandas 4, 5 e 6 e as bandas VH

e VV).

Os algoritmos de classificação são avaliados

comumente por meio da matriz confusão e índice Kap-

pa. Neste processo, deve ser realizado a comparação

entre a verdade terrestre e os dados resultantes da clas-

sificação digital, com isso, pode-se observar se os

pixels foram corretamente classificados, bem como os

erros de comissão e de omissão (MATSUKUMA,

2002).

O índice kappa é uma das variáveis que podem

ser quantificadas após construir a matriz de confusão,

sendo um índice que retrata o grau de concordância dos

dados, gerando, assim, um aspecto de confiabilidade e

precisão dos dados classificados (PERROCA;

GAIDZINSKI, 2003). Os valores do índice kappa

variam de 0 a 1, quanto mais próximo de 1, significa

que melhor foi o grau de concordância entre o dado

classificado e o de referência.

A avaliação dos dados classificados consistiu na

coleta de 150 amostras aleatórias numa imagem de

referência de melhor resolução espacial, assumindo

serem representativas da verdade terrestre. As amostras

foram confrontadas em relação as duas classificações,

gerando-se a matriz confusão. De posse destes dados

obteve-se o índice kappa.

2.4 Resultados e discussões

A segmentação do conjunto de imagens apenas

com as bandas ópticas 4, 5 e 6 do sensor OLI e com a

adição das bandas VV e VH, geraram segmentos com

geometria e quantidades diferentes. Foram 18200 seg-

mentos para as bandas ópticas e 17497 com a adição

das bandas SAR (Figura 4).

Figura 04 – Amostra da segmentação do conjunto de

imagens; a) Segmentação (linhas pretas) das bandas

ópticas 4, 5 e 6 do sensor OLI; b) segmentação (linhas

amarelas) das bandas 4, 5, 6 (óptico), VV e VH (SAR).

Figura 05 – Exemplo do processo de nomeação de

classes a classificação não-supervisionada; a) resultado

da classificação ISOSEG; b) Nomeação das classes.




A classificação ISOSEG para o conjunto de

bandas ópticas gerou 31 classes, enquanto para a com-

binação das bandas ópticas mais as bandas com as

polarizações da imagem SAR geraram 19 classes. Es-

sas classes constituem grupos homogêneos de regiões

pelos critérios definidos na metodologia.

Para a área de estudo, foi possível constatar a

presença das seguintes classes: Agricultura, Vegetação

Natural, Pastagem, Água, Área Urbana e Silvicultura.

As classes resultantes da classificação ISOSEG passa-

ram por renomeação (reclassificação) atribuindo então

a classes de uso e cobertura da terra (Figura 5).

Nesse processo de nomeação das classes não-

supervisionadas, algumas classes de uso e cobertura da

terra observadas nas imagens orbitais da área de estudo

não foram relacionadas, isso porque nesse processo

sempre se optou por nomear a classe com maior abran-

gência. Por exemplo, uma classe denominada com a

numeração 12 na classificação ISOSEG corresponde a

área urbana e agricultura para toda a imagem, como

houve um predomínio de agricultura, optou-se por

identificar essa classe 12 como agricultura ao invés de

área urbana, fato que ao gerar a matriz de confusão

causou a ausência de correspondência entre o dado de

referência e a classificação (Tabela 03 e 04).

Tabela 03 – Matriz confusão OLI/Landsat 8.

Referência

Cla

ssif

ica

ção

Agricultura Pastagem Agua Vegetação Natural Área Urbana Silvicultura

Agricultura 34 27 2 7 20 9

Pastagem 1 5 0 1 0 2

Agua 0 0 19 1 0 0

Vegetação Natural 0 0 1 21 0 0

Área Urbana 0 0 0 0 0 0

Silvicultura 0 0 0 0 0 0

Fonte: Elaborado pelo autor.

Tabela 04 – Matriz confusão OLI/Landsat 8 + SAR Sentinel 1.

Referência

Cla

ssif

ica

ção

Agricultura Pastagem Agua Vegetação Natural Área Urbana Silvicultura

Agricultura 29 16 2 0 20 8

Pastagem 4 14 0 1 0 3

Agua 0 0 0 0 0 0

Vegetação Natural 2 2 20 29 0 0

Área Urbana 0 0 0 0 0 0

Silvicultura 0 0 0 0 0 0


Observando-se os valores da diagonal principal

das duas matrizes, percebe-se que para as classes pas-

tagem e vegetação natural classificadas com a combi-

nação de imagens de sensor óptico com micro-ondas

ocorre um maior número de acertos. A constatação do

incremento dos dados SAR do Sentinel-1 ao OLI tam-

bém demonstrou um incremento no acerto em classifi-

cações em estudo em Portugal, principalmente para a

classe pastagem (SARAIVA, 2015). Entretanto, para

este trabalho esses acertos acabaram sendo comprome-

tidos no cômputo geral devido ao grande número de

erros com a inclusão de elementos da classe água na

classe de vegetação natural. Tal discordância pode ser

explicada pelo fato da relação de vizinhança entre as

classes, uma vez que os cursos d’água são revestidos

nas bordas por vegetação natural. A técnica de segmen-

tação por crescimento de regiões agrupa regiões espa-

cialmente adjacentes, inicialmente cada pixel é rotula-

do como uma região distinta e através do fator de simi-

laridade que se baseia em um teste de hipótese estatís-

tico, cada região vai se agrupando a partir de um limiar

de agregação definido.

Então a classe Água na imagem combinada não

ofereceu informações espectrais satisfatórias para o

segmentador separar com melhor distinção água de

vegetação natural e consequentemente confundido o

classificador ISOSEG na geração automática das clas-

ses, fazendo com que o analista escolhesse no processo

nomeação das classes a feição de maior predominância

dentro das regiões, omitindo assim, a classe Água. A

normalização inicialmente efetuada na imagem SAR

pode ter afetado a quantização dos dados e posterior-

mente não potencializando o desempenho do classifi-

cador.

Apesar do maior número de acertos para Agri-

cultura na imagem óptica o classificador apresentou um

somatório de erros consideravelmente maior que em

relação imagem combinada. Em ambas as imagens,




nem Área Urbana, nem Silvicultura foram discrimina-

das corretamente pelo classificador. A tabela 6 apresen-

ta os valores do índice kappa e exatidão global para as

duas classificações.

Figura 06 – Classificação OLI/Landsat -8.

A figura 6 e 7 apresenta o resultado das classifi-

cações. Visualizando os mapas percebe-se como a

delimitação da classe Água não foi distinguida na clas-

sificação da imagem combinada, demonstrando o que

já foi mencionado. Analisando isoladamente a qualida-

de estatística das classes identificadas (Tabela 05) nota-

se que na imagem combinada as classes Agricultura e

Pastagem tiveram maiores valores de índice kappa,

porém na imagem óptica, as classes Água e Vegetação

natural foram discriminadas com maior confiabilidade.

Figura 07 – Classificação OLI/Landsat - 8 + SAR Sen-

tinel-1.

Tabela 05 – Índice Kappa por classe.

Classes Kappa condicional

OLI OLI + SAR

Agricultura 0,144 0,200

Pastagem 0,435 0,538

Agua 0,941 -

Vegetação Natural 0,943 0,434

Area Urbana - -

Silvicultura - -

Fonte: Elaborado pelo Autor.

Tabela 06 – Características da validação do sensor OLI e sua combinação com o sensor SAR do Sentinel-1.

Dado Exatidão global Índice kappa Intervalo de confiança (95%)

Limite inferior Limite superior

OLI/Landsat-8 0,527 0,396 0,307 0,486

OLI + SAR/Sentinel-1 0,480 0,334 0,249 0,419


De acordo com o intervalo de confiança (95%)

do índice kappa, ambas classificações podem ser con-

sideradas estatisticamente semelhantes. Vale reiterar

que os erros relacionados a não distinção da classe

Água na imagem combinada teve grande peso no côm-

puto do kappa geral, já que a mesma possui um número

considerável de amostras. Fato comprovado ao con-

frontar os resultados das matrizes de confusão.

3 CONCLUSÕES

Os resultados foram afetados pelos motivos já

elucidados, com isso por meio da metodologia empre-

gada pode-se concluir que a combinação de bandas

ópticas e SAR para este experimento com classificador

não-supervisionado ISOSEG não melhorou significati-

vamente o desempenho da classificação de uso e cober-

tura da terra no Cerrado, contudo, tais resultados po-

dem ser melhorados ao se optar para classificação da

classe Água a análise somente nas bandas ópticas.

Um processo que pode ser abordado em etapas

vindouras com os mesmos procedimentos deste traba-

lho acrescido de algumas adaptações é a adição de

imagens híbridas provenientes de técnicas de fusão

entre imagens ópticas e SAR.

REFERÊNCIAS

MMA. O Bioma Cerrado. Disponível em:

http://www.mma.gov.br/biomas/cerrado. Acesso: 27 de

março 2017.




SANO, E. E. et al. Mapeamento semidetalhado do

uso da terra do Bioma Cerrado. Pesquisa Agropecu-

ária Brasileira, Brasília, v. 43, n. 1, p.153-156, jan.

2008.

SARAIVA, C.S.A. Avaliação do Potencial das Ima-

gens Sentinel-1 para Identificação de Culturas

Agrícolas. 2015. 75 f. Dissertação (Mestrado em En-

genharia Geográfica) - Universidade de Lisboa, Lisboa,

2015.

PEREIRA, L.O. Avaliação de métodos de integração

de imagens ópticas e de radar para a classificação

do uso e cobertura da terra na região amazônica.

2012. 212 f. Dissertação (Mestrado) - Instituto Nacio-

nal de Pesquisas Espaciais, São José dos Campos,

2012.

JENSEN, J. R. Sensoriamento remoto do ambiente:

uma perspectiva em recursos terrestres. São José

dos Campos: Parêntese, 2009. 598 p.

HUANG, S.; POTTER, C.; CRABTREE,R .L.;

HAGER,S.;GROSS, P. Fusing optical and radar data to

estimate sagebrush, herbaceous, and bare ground cover

in Yellowstone. Remote Sensing of Environment, v.

114, p. 251-264, 2010.

USGS, United States Geological Survey. Frequently

Asked Questions about the Landsat Missions. Dis-

ponível em:

<http://landsat.usgs.gov/band_designations_landsat_sat

ellites.php>. Acesso em 26 mar. 2017.

ESA, European Space Agency. Level-1 Ground

Detected.Range Disponível em:

<https://sentinel.esa.int/web/sentinel/user

guides/sentinel-1-sar/resolutions/level-1-ground-range-

detected>. Acesso em 26 mar. 2017.

KÖRTING, T. S: Divisão de Processamento de Ima-

gens, INPE. Classificação de Imagens por Regiões, São

José dos Campos, 2006.

MATSUKUMA, C. K. Análise comparativa de algo-

ritmos de classificação não-supervisionada, no ma-

peamento do uso e cobertura do solo. 2002. 84 p.

Dissertação (Mestrado) – Escola Superior de Agricul-

tura Luiz de Queiroz, Piracicaba. 2002.

MMA. Mapeamento do Uso e Cobertura do Cerra-

do: Projeto TerraClass Cerrado 2013. Brasília:

MMA, 2015.

NARVAES, I. S.; SANTOS, J. R. Avaliação de algo-

ritmos de classificação supervisionada para imagens do

Cbers-2 da Região do Parque Estadual do Rio Doce-

MG. In: Simpósio Brasileiro de Sensoriamento Remo-

to, 13., 2007, Florianópolis. Anais... São José dos

Campos: INPE, 2007. p. 6223-6228. Disponível em:

<http://marte.sid.inpe.br/col/dpi.inpe.br/sbsr@80/2006/

11.15.20.25/doc/6223-6228.pdf>. Acesso em 25 mar.

2017.

PERROCA, M. G.; GAIDZINSKI, R. R. Avaliando a

confiabilidade interavaliadores de um instrumento para

classificação de pacientes: coeficiente Kappa. Revista

da Escola Enfermagem da USP, v. 37, n. 1, p. 72-80,

2003.

anÁlise da classificaÇÃo do uso e...

Documents