classificaÇÃo da vegetaÇÃo por capítulo...

28

Versão 1.0: Março 2015

CAPÍTULO 3 CLASSIFICAÇÃO DA VEGETAÇÃO POR MEIO DA ANÁLISE DE IMAGENS

FERRAMENTAS PARA METODOLOGIA HCSA METODOLOGIA DE ALTA CONCENTRAÇÃO DE CARBONO (HCS): ‘DESMATAMENTO ZERO’ EM PRÁTICA

Classificação da vegetação por meio da análise de imagens

Capítulo 3

P29: Introdução

P30: Seleção das imagens de satélite

P31: Pré-processamento e correção radiométrica de imagens de satélite

P32: Índices de vegetação

P34: Análise de Componentes Principais

P35: Seleção da combinação de bandas para classificação

P36: Determinando o número e tipo de classes

P38: Abordagens para classificação

P39: Classificação não supervisionada

P40: Classificação supervisionada

P43: Classificação visual

P44: Avaliação da exatidão de imagens classificadas

P46: Estatísticas Khat

P47: Controle de qualidade, finalização da classificação inicial de cobertura de terra e próximos passos

P48: Apêndice A: Visão geral das opções de imagens de satélite

P53: Apêndice B: Transformação Tasseled Cap

Por Sapta Ananda Proklamasi, Greenpeace Indonésia; Moe Myint, Mapping and Natural Resources Information Integration; Ihwan Rafina, TFT; e Tri A. Sugiyanto, PT SMART/TFT.

Os autores gostariam de agradecer Ario Bhriowo, TFT; Yves Laumonier, CIFOR; Arturo Sanchez-Asofeifa, University of Alberta; Chue Poh Tan, ETH-Zurich e colegas do Instituto Mundial de Recursos pelos construtivos comentários nas versões anteriores deste capítulo.

CONTEÚDO DO CAPÍTULO

29




Introdução

“A metodologia espera ser aplicável a qualquer floresta tropical úmida em solos minerais”

O objetivo da Fase 1 de uma avaliação HCS é criar um mapa indicativo de potenciais áreas de florestas de alta estocagem de carbono HCS, sendo em áreas de concessão e em suas paisagens de entorno, usando uma combinação de imagens de satélite com dados levantados em nível de campo. Este capítulo concentra-se no primeiro passo da Fase 1: o uso de imagens e conjuntos de dados para classificar a vegetação em categorias padronizadas. Levaremos o leitor a determinar o número de classes de cobertura da terra e a realização da classificação, por meio da metodologia para esta primeira etapa, incluindo a seleção do banco de imagens

A metodologia apresentada neste capítulo foi testada e refinada através de testes-piloto em áreas de concessão na Indonésia, Libéria e Papua Nova Guiné. A metodologia visa ser aplicável a qualquer floresta tropical úmida em solos minerais. Portanto, incluímos algumas variações mais detalhadas na metodologia. Estas podem ser necessárias para lidar com possíveis problemas relacionados com a qualidade das imagens disponíveis e tipos de uso da terra e cobertura da terra em diferentes regiões.

O público-alvo deste capítulo são peritos técnicos com experiência em análise de sensoriamento remoto que possam usar esse documento para orientar o seu trabalho e criar um mapa indicativo de potenciais áreas de floresta de alta estocagem de carbono HCS sem a necessidade de orientações adicionais. Nós, portanto, supomos que o leitor possua um nível de conhecimento avançado em técnicas de análise e normalização, mas fornecemos referências para orientações mais detalhadas, quando necessário.

FASE 1: ETAPAS NO PROCESSO:

Estra�ficar imagens de satélite

em classes devegetação

Es�mar o carbono de cada classe

Medir e coletar dados

Localizar parcelas de amostra

Árvore de Decisão para análise de

fragmentos florestaisHCS

OUTPUT: Potenciais florestas HCS iden�ficadas

Conservação de florestas HCS

FASE 1: CLASSIFICAÇÃO DA

VEGETAÇÃO PARA IDENTIFICAR ÁREAS

DE FLORESTA

FASE 2: ANÁLISE E CONSERVAÇÃO DE FRAGMENTOS FLORESTAIS HCS

Topo: Cortesia USGS ©Esquerda: Corozal Sustainable Future Initiative, Belize ©

30




Seleção das imagens de satélite

A seleção das imagens de satélite a serem usadas no processo de classificação da vegetação deve assegurar uma cobertura de imagens adequada para a área de interesse, dando preferência às resoluções temporais e espaciais relevantes para a avaliação. Especificamente: • Imagens não devem ter mais de 12 meses e devem ter uma resolução

mínima de 30 metros.

• Os dados devem ser de uma qualidade que seja suficiente para a análise, com uma cobertura de nuvens dentro da Área de Interesse menor que 5%, sem ou com a mínima distorção localizada.

• A disponibilidade das bandas espectrais verde, vermelha, infravermelho próximo e infravermelho médio, que ajudam com a determinação da cobertura vegetal, salubridade da cobertura vegetal e densidade da vegetação, devem ser consideradas.

O usuário precisará baixar e avaliar várias imagens quick-look georreferenciada com metadados de diferentes órbitas/pontos dos satélites. Isto ajudará a obter a estratégia para subdividir espacialmente as imagens sem nuvens. Para alcançar esses objetivos, os usuários precisarão achar uma ou mais imagens de satélite e em seguida criar um catálogo de imagens multitemporais para obter um conjunto de imagens de boa qualidade para a análise dentro da Área de Interesse. A aquisição de imagens multitemporais Landsat-8 com datas próximas (com um ou dois períodos de revisita do satélite em uma mesma área) é recomendada. A fim de evitar a influência do ângulo do sol e condições atmosféricas de imagens multitemporais, cada conjunto de imagem deve ser analisada e classificada independentemente.

Há uma grande variedade de tipos e provedores de imagens de satélite que possuem adequadas informações espectrais visíveis, infravermelho e microondas. Uma tabela resumindo as diferentes opções de banco de dados com seus custos e benefícios, bem como novas ferramentas emergentes, tais como veículos aéreos não tripulados, está disponível no Apêndice A. Usuários devem observar que porque o satélite Landsat-7 tem tido problemas de Scan Line Corrector Off desde maio de 2003, o uso de suas imagens após esta data para análise de imagens e classificação não é recomendado devido a problemas de sincronismo do scanner. Embora as faixas do Landsat 7 SLC OFF possam ser preenchidas, isto só deve ser feito para facilitar a visualização e intepretação visual.

Depois que as imagens mais apropriadas são selecionadas, é feito um recorte que envolve apenas a Área de Interesse. A fim de melhor classificar a floresta em concessão, a Área de Interesse deve abranger o máximo possível da paisagem de entorno, uma vez que a classificação é efetuada usando quantidades relativas de cobertura de dossel e cálculos de estoque de carbono dentro do contexto da paisagem. Por exemplo, fragmentos florestais em uma concessão altamente degradada com uma presença mínima de potenciais áreas de florestas de alta estocagem de carbono HCS deverão ser comparados a outras grandes paisagens florestais fora da concessão a fim de colocá-los em contexto.

No mínimo, uma zona de um quilômetro para além das fronteiras da concessão é necessária para garantir que a cobertura florestal na paisagem seja levada em consideração. A melhor prática seria incluir ainda mais da paisagem circundante, por exemplo, ao nível da área de captação de água para a bacia ou hidrografia dentro da área de interesse. O retângulo envolvente da Área de Interesse poderia ser criado e carregado no USGS Earth Explorer para selecionar as imagens a serem baixadas.

31




Redução de ruído: Reduzir a quantidade de ruído em uma camada do raster/imagem. Essa técnica preserva os detalhes sutis em uma imagem, tais como linhas finas, removendo o ruído ao longo das bordas e em áreas planas.

Remoção periódica de ruído: Se o ruído periódico não é um problema de sensor, tais como condições atmosféricas temporárias, o ruído pode ser removido automaticamente das imagens através do filtro da Transformada de Fourier da imagem.

A imagem de entrada é primeiramente dividida em blocos ou máscaras sobrepostos de 128x128 pixels. A Transformada de Fourier de cada máscara é então calculada e as magnitudes de cada máscara pela Transformada Rápida de Fourier (FFT) é ponderada. O ponderamento remove todos os ruídos periódicos, exceto aqueles que estão presentes em cada máscara (qualquer interferência periódica, por exemplo).

O espectro da filtragem ponderada é então usado como um filtro para ajustar a FFT de toda a imagem. Quando a Transformada Fourier inversa é executada, o resultado é uma imagem com o ruído periódico eliminado ou significativamente reduzido. Este método é parcialmente baseado em algoritmos descritos em Cannon, Lehar e Preston (1983) e Srinivasan, Cannon e White (1988).

O nível de Frequência Mínima Afetada deve ser definido o mais alto possível para obter os melhores resultados. Valores mais baixos afetam frequências mais baixas da Transformada de Fourier, que representam as feições globais da cena como brilho e contraste, enquanto que valores muito elevados afetam frequências representando o detalhe na imagem.

Substituição de linhas ruins: Remover linhas ruins ou colunas nas imagens/rasters.

Ajustamento de histograma: Esta função determina matematicamente uma tabela de pesquisa que converte o histograma de uma imagem para assemelhar-se ao histograma de uma outra.

Realce do contraste: Inverter a faixa de intensidade linear e não linear de uma imagem, produzindo imagens que tenham o contraste oposto da imagem original. Detalhes escuros tornam-se claros e detalhes claros tornam-se escuros.

Equalização de histograma: Aplicar uma ampliação de contraste não-linear que redistribui os valores de pixel de modo que haja, aproximadamente, o mesmo número de pixels com mesmo valor dentro de um intervalo.

Normalização topográfica (Modelo de Reflexão Lambertiano): Utilizar um modelo de reflexão Lambertiano para reduzir o efeito topográfico em imagens digitais. Efeito topográfico é a diferença na iluminação devido à inclinação e aspecto do terreno em relação à elevação e azimute do sol. O resultado final é uma imagem com o terreno mais uniformemente iluminado. A informação da elevação e do azimute do sol para a normalização topográfica para cada imagem está disponível quando o analista faz o download dos metadados da imagem. O analista deve selecionar como dados de entrada um Modelo Digital de Elevação de boa qualidade para a normalização topográfica.

Pré-processamento e correção radiométrica de imagens de satélite

Um dos grandes desafios na atividade de classificação de cobertura da terra é o processo de normalização, que é realizado antes da análise para garantir resultados de qualidade adequada. A normalização converte imagens de fontes múltiplas com diferentes datas e condições atmosféricas em um conjunto de imagens com propriedades similares que podem ser usadas em conjunto; ela também poderia ser referida como Correção Radiométrica antes do processamento dos dados. Deve-se notar que, mesmo com a normalização, algumas imagens de mesma origem ainda terão limitações, como por exemplo o problema de distribuição de imagens Landsat depois de 2003 observado anteriormente.

A normalização pode incluir várias etapas de pré-processamento digital de imagens. Algumas das funções de padronização no pré-processamento de imagens baseadas no Erdas Imagine Image Processing System são descritas abaixo; outros sistemas de padronização de processamento de imagens deverão incluir funções similares. Não é necessário executar ou seguir todos os procedimentos de pré-processamento de imagens, correção radiométrica ou normalização descritos aqui. O analista deve avaliar a qualidade da imagem e executar o procedimento de pré-processamento somente se necessário para refinar a classificação.

LUT stretch: Transformar os valores digitais (DN) de cada pixel da imagem usando uma tabela existente de pesquisa (LUT), ou seja, associar um valor digital da imagem (pixel) a uma cor de acordo com as bandas do vermelho (R), verde (G) e azul (B).

Alteração da escala: Redimensionar a escala dos dados em qualquer formato de entrada ou de saída. O ajuste de escala é feito em todos os valores do conjunto de dados, preservando o valor relativo do dado original e mantendo a mesma forma de histograma.

Redução de distorção: Efeitos atmosféricos podem fazer com que o imageamento tenha uma abrangência limitada, muitas vezes aparecendo como nebulosidade ou contraste reduzido. A redução de distorção usando o método Tasseled Cap ou Convolução da Dispersão do Ponto melhora a nitidez da imagem. Para imagens multiespectrais, este método baseia-se na transformação Tasseled Cap, que produz um componente que se correlaciona com distorção. Este componente é removido e a imagem é transformada de volta para o espaço RGB. Para imagens pancromáticas, uma Convolução da Dispersão do Ponto inversa é usada.

“Um dos grandes desafios na atividade de classificação de cobertura da terra é o processo de normalização, que é realizado antes da análise para garantir resultados de qualidade adequada”

32




Índices de vegetação

Índices de vegetação são as medidas radiométricas sem dimensão que indicam abundância relativa e atividade de vegetação verde. Isto inclui o índice de área foliar (IAF), percentagem de cobertura verde, teor de clorofila da biomassa verde e radiação ativa fotossinteticamente absorvida (RFAA). De acordo com Running et al. (1994) e Huete and Justice (1999), um índice de vegetação deve:

Índices de vegetação devem ser usados como indicativos de cobertura vegetal, para mostrar a cobertura vegetal e não-vegetal de onde serão usados em classes não supervisionadas de florestas e de cobertura da terra não florestada.

• Maximizar a sensibilidade para os parâmetros biofísicos da planta, preferencialmente com uma resposta linear para que a sensibilidade esteja disponível para uma gama de condições de vegetação e para facilitar a validação e calibração do índice;

• Normalizar efeitos externos modais, tais como o ângulo do sol, ângulo de visão e atmosfera para uma comparação espacial e temporal consistente;

• Normalizar efeitos internos, tais como variações de fundo do dossel, incluindo topografia (declividade e aspecto), variações de solo e diferenças na senescência vegetal ou vegetação lenhosa (componentes de dossel não fotossintéticos); e

• Ser acompanhado de algum parâmetro biofísico mensurável específico, como a biomassa, IAF ou RFAA como parte do esforço de validação e controle de qualidade.

Existem diversos índices de vegetação que poderiam ser usados na análise HCS; estas ferramentas HCS focarão no IVDN e Transformação Tasseled Cap de Kauth-Thomas, que são atualmente os índices recomendados para a Metodologia HCS.

“Índices de vegetação são as medidas radiométricas sem dimensão que indicam abundância relativa e atividade de vegetação verde”

Índice de Vegetação por Diferença Normalizada (IVDN)

O primeiro índice de vegetação verdadeiro era a Razão Simples (SR), que é a razão da reflectância na região do vermelho (Pred) e do infravermelho próximo (Pnir) como descrito em Birth e McVey (1968):

SR = Pred / Pnir

A Razão Simples fornece valiosas informações sobre a biomassa da vegetação ou Índice de Área Foliar (IAF) (Schlerf et al., 2005). Ela é especialmente sensível a variações de biomassa e/ou IAF em vegetações de alta biomassa, tais como florestas (Huete et al., 2002). Rouse et al. (1974) desenvolveu o genérico Índice de Vegetação por Diferença Normalizada (IVDN) como um indicador gráfico que pode ser usado para analisar a cobertura vegetal. O cálculo do IVDN é feito a partir da diferença entre as reflectâncias das bandas (infravermelho próximo – vermelho) e (infravermelho próximo + vermelho):

IVDN = (Pnir – Pred) / (Pnir + Pred)O resultado do IVDN estará entre -1 e +1.

IVDN é funcionalmente equivalente a um método de Razão Simples; é simplesmente uma transformação não linear para a razão simples. Não há dispersão em uma Razão Simples quando comparado a um plote IVDN, e cada valor de Razão Simples possui um valor fixo IVDN.

O IVDN é um importante índice de vegetação porque:

• Mudanças sazonais e interanuais no crescimento e atividade da vegetação podem ser monitorados.

• IVDN reduz muitas formas de multiplicação de ruído (diferenças de iluminação do sol, sombras, alguma atenuação atmosférica e algumas variações topográficas) presentes em imageamento multi-bandas ou dados multitemporais.

No entanto, existem algumas desvantagens do IVDN que o analista deve considerar, incluindo:

• O índice baseado na razão não é linear e pode ser influenciado por efeitos aditivos de ruído, como a radiância atmosférica.

• IVDN está altamente correlacionado ao IAF. No entanto, a relação pode não ser tão forte durante períodos de máximo IAF, aparentemente devido à saturação do IVDN que o IAF é muito alto (Wang et al. 2005). A faixa dinâmica do IVDN é, portanto, aumentado em favor de condições de baixa biomassa e comprimido em regiões florestais com alta biomassa. Florestas de alta densidade e florestas de média densidade são, portanto, difíceis de diferenciar com IVDN. O oposto é verdadeiro para o Método de Razão Simples, em que a maior parte do alcance dinâmico abrange as florestas de alta biomassa com pouca variação reservada para as regiões de biomassa inferiores (como por exemplo pastagens, bem como regiões semiáridas e biomas áridos).

• IVDN é muito sensível a variações de fundo do dossel, por exemplo, se o solo é visível através do dossel. Valores IVDN são muito altos com fundo de dossel escuros.

Todas as fotos: Cortesia do TFT ©

33




Transformação Tasseled Cap de Kauth-Thomas

A transformação Tasseled Cap (TC) é um índice de vegetação global que desagrega a quantidade de brilho do solo e o conteúdo de vegetação e umidade em pixels individuais. Sob este método, cada uma das imagens é transformada usando coeficientes TC específicos do satélite para criar um índice de vegetação. Valores TC são gerados através da conversão das bandas originais de uma imagem para um novo conjunto de bandas com interpretações definidas úteis para o mapeamento da vegetação. A primeira banda TC corresponde ao brilho global da imagem. Áreas urbanizadas são particularmente evidentes no brilho da imagem. A segunda banda TC corresponde ao “greenness” e é tipicamente usada como um índice de vegetação fotossinteticamente ativa – quanto maior a quantidade de biomassa, mais alto é o valor do pixel no greenness da imagem.

A terceira banda TC é frequentemente interpretada como um índice de umidade - wetness (por exemplo, umidade do solo ou da superfície) ou yellowness (por exemplo, a quantidade de vegetação morta/seca). O quarto parâmetro TC é o haze, que se refere aos efeitos causados por partículas de aerossóis. Note que é possível calcular os coeficientes de TC com base nas condições locais; Jackson (1983) oferece o algoritmo e procedimentos matemáticos para essa finalidade. As equações e coeficientes necessários para derivar os Índices de Brightness, Greenness e Wetness das imagens do Landsat MSS, Landsat TM, Landsat 7 ETM + e Landsat 8 estão incluídos no Apêndice B.

“A transformação Tasseled Cap (TC) é um índice de vegetação global que desagrega a quantidade de brilho do solo e o conteúdo de vegetação e umidade em pixels individuais”


34




Para o Landsat MSS os dois primeiros componentes principais (CP1 e CP2) explicam praticamente toda a variância na cena. A dimensionalidade intrínseca dos dados Landsat MSS é referida como sendo efetivamente 2. Da mesma forma, os primeiros três componentes principais (CP1, CP2 e CP3) explicam praticamente toda a variância na cena e dimensionalidade intrínseca dos dados Landsat TM é 3. Portanto, o Landsat TM ou ETM + ou Landsat 8 ou satélites de dados semelhantes pode, muitas vezes, ser reduzido a apenas três imagens componentes principais para fins de classificação.

Uma descrição detalhada do procedimento estatístico usado para derivar a transformação do componente principal está além do escopo deste manual, mas é bem descrita nas páginas 60 a 65 do Classification Methods for Remotely Sensed Data (2001) de Brandt Tso e Paul M. Mather. Finalmente, é importante notar que a ACP deve ser calculada a partir dos canais azul, verde, vermelho, infravermelho próximo, infravermelho de ondas curtas I e infravermelho ondas curtas II ou bandas de resolução espacial semelhante (por exemplo Landsat 8), com essas bandas contêm informações redundantes semelhantes com relação à vegetação e cobertura da terra.

A Análise de Componentes Principais (ACP) é mais uma ferramenta geral para identificar dados redundantes e gerar um novo conjunto de informações onde dados correlacionados são combinados. O conjunto de dados de componentes principais resultante é comumente menor que o conjunto de dados original, acelerando assim o tempo de processamento. No entanto, ao contrário da Tasseled Cap, os novos eixos formados pela ACP não são especificados pela definição prévia do analista da matriz de transformação, mas sim derivados da variância-covariância ou matriz de correlação calculada a partir da análise dos dados.

Correlação entre bandas é um problema frequentemente encontrado na análise de dados de imagens multiespectrais – em outras palavras, imagens geradas por dados digitais a partir de bandas de comprimentos de onda diferentes muitas vezes possuem uma aparência semelhante e transmitem essencialmente a mesma informação. As transformações das componentes Principal e Canônica são duas técnicas destinadas a reduzir tais redundâncias nos dados multiespectrais. Estas transformações podem ser aplicadas como uma operação de refinamento antes da interpretação visual dos dados, ou como um procedimento de pré-processamento para classificação digital de dados. Se estas técnicas são empregadas para o último contexto, as transformações geralmente aumentam a eficiência computacional do processo de classificação, devido à redução no número de dimensões do conjunto de dados original. O objetivo desses procedimentos é concentrar toda a informação contida no conjunto de dados n-bandas original a um número menor de n novas bandas. As novas bandas são usadas no lugar dos dados originais.

O procedimento geral de ACP pode ser dividido em três passos:

1. Cálculo da matriz de variância-covariância (ou correlação) de imagens multibanda (por exemplo, no caso de uma imagem de seis bandas, a matriz de variância-covariância tem dimensão 6 por 6)

2. A extração dos valores e vetores próprios da matriz, e

3. A transformação das coordenadas de feição espacial utilizando estes vetores próprios.

Em suma, os valores de dados da imagem dos componentes principais são a combinação linear simples dos valores de dados originais multiplicados pelos coeficientes de transformação adequados conhecidos como vetores próprios. Portanto, uma imagem de componente principal resulta da combinação linear dos dados originais e vetores próprios numa base pixel a pixel ao longo da imagem.

A característica importante das imagens componentes ACP é que a primeira imagem de componentes principais (CP1) inclui o maior percentual da variância total da cena e imagens componentes sucessivas (CP2, CP3, CP4 ...... CPN) contêm, cada uma, um percentual decrescente da variação da cena. Além disso, porque os componentes sucessivos são escolhidos por ser ortogonais a todos os anteriores, os dados que eles contêm não estão correlacionados.

Análise de Componentes Principais


35




Diversas opções de combinação de bandas podem agora ser selecionadas a partir das bandas originais, usando vários resultados de transformação (IVDN, ACP e Tasseled Cap) para criar um novo conjunto de dados de bandas. O analista escolherá ou modificará combinações apropriadas de canais com base na área de estudo, características de cobertura do solo e suas propriedades espectrais. Por exemplo, um modelo digital de elevação pode ser opcionalmente incluído dentro do novo conjunto de bandas para fornecer a informação topográfica. Isso pode evitar classificações errôneas como terras agrícolas no topo de montanhas. Processadores modernos de computadores (multicore) podem processar dados multiespectrais sem a necessidade de muito mais tempo, mesmo se bandas adicionais foram incluídas na classificação.

As seguintes opções fornecem algumas ideias gerais para os analistas sobre a seleção de combinações de bandas para a classificação.

Opção 1

Banda1 = Canal Espectral Azul

Banda2 = Canal Espectral Verde

Banda3 = Canal Espectral Vermelho

Banda4 = Canal Espectral Infravermelho próximo

Banda5 = Canal Espectral Infravermelho médio I

Banda6 = Canal Espectral Infravermelho médio II

Banda7 = Brilho Tasseled Cap

Banda8 = Verdor Tasseled Cap

Banda9 = Umidade Tasseled Cap

Banda10 = IVDN (Redimensionar para o formato de bits dos canais acima mencionados)

Banda11 = SR (Redimensionar para o formato de bits dos canais espectrais acima mencionados - opcional)

Banda12 = Modelo Digital de Elevação (opcional)

Opção 2

Banda1 = Componente Principal 1 (CP1)



Banda4 = Brilho Tasseled Cap

Banda5 = Verdor Tasseled Cap

Banda6 = Umidade Tasseled Cap

Banda7 = IVDN (Redimensionar para o formato de bits dos canais acima mencionados)

Banda8 = SR (Redimensionar para o formato de bits dos canais espectrais acima mencionados – opcional)

Banda9 = Modelo Digital de Elevação (opcional)

Opção 3

Dados por microondas, tais como dados do Sentinel-1, podem ser incluídos como as bandas adicionais da opção 1 e opção 2. Embora os dados da opção 1 e 2 sejam excelentes para a detecção com base nas características químicas dos objetos espaciais, dados por microondas poderiam fornecer as características físicas dos objetos espaciais, tais como rugosidade da superfície (estrutura da vegetação), constante dielétrica (teor de água) e orientação espacial dos objetos espaciais em relação à direção do ângulo de visada do sensor. Dados do Sentinel-1 podem ser baixados gratuitamente para fins de pesquisa científica e sem fins lucrativos.

Seleção da combinação de bandas para classificação

36




KLASIFIKASI SKT

Determinando o número e tipo de classes

“O processo final de negociação e renúncia de quaisquer direitos comunitários ao uso de florestas HCS ocorre uma vez que o processo de classificação HCS está completo”

Uma vez que as imagens foram selecionadas e padronizadas, o próximo passo é agrupar a cobertura da terra em classes homogêneas a fim de indicar possíveis áreas de floresta de alta estocagem de carbono HCS. O principal objetivo do exercício é diferenciar:

• Florestas de baixa, média e alta densidade (LDF, MDF, HDF));

• Floresta em estágio inicial de regeneração (YRF);

• Antigas florestas desmatadas e degradadas, incluindo vegetação arbustiva (S) e Área Aberta/Pastagem Aberta (OL); e

• Áreas não-HCS, tais como estradas, corpos d’água e assentamentos.

Como mostrado no diagrama abaixo, o ponto de corte de potenciais florestas HCS fica entre as categorias de vegetação arbustiva e florestas em estágio inicial de regeneração, onde YRF, LDF, MDF e HDF são considerados potenciais florestas HCS e S e OL não são considerados florestas HCS. Na fase dois da metodologia haverá ajustes nas categorias YRF e S seguindo o método de análise de manchas florestais por Árvore de Decisão hierárquica HCS e planejamento de conservação.

Durante este exercício de classificação baseado em imagens, outras áreas florestais não-HCS com cobertura vegetal significativa podem ser identificadas, como por exemplo, áreas utilizadas pelas comunidades para o cultivo agroflorestal, que pode consistir de uma mistura de vegetação natural, árvores frutíferas, culturas de produção de látex, café, cacau ou dendê; e culturas alimentares. Tais áreas normalmente já foram identificadas por meio do mapeamento participativo e processos CLIP descritos no Capítulo 2. Se tais áreas são indicadas nas imagens de satélite, mas não foram incluídas no mapa de áreas comunitárias, a qualidade do mapeamento participativo da cobertura e uso da terra deve ser questionada e aquele passo poderá ser refeito. As classes de cobertura terrestre definidas por este processo variarão de acordo

com a paisagem e tipo de cobertura terrestre na concessão. Uma descrição das classificações mais comumente utilizadas é incluída na tabela na próxima página. Categorias incluídas na categoria HCS são indicadas em verde - note que a tabela inclui fatores qualitativos que só serão evidentes após o levantamento terrestre for concluído. Como um lembrete, florestas HCS podem sobrepor áreas de uso comunitário, como por exemplo, florestas utilizadas para coleta de produtos florestais não-madeireiros ou caça. O processo final de negociação e renúncia de quaisquer direitos comunitários ao uso de florestas HCS ocorre uma vez que o processo de classificação HCS estiver completo.

FLORESTA COM ALTA CONCENTRAÇÃO DE CARBONO (HCS) ÁREAS DEGRADADAS (ANTIGAS FLORESTAS)

LIMIAR HCSu

FLORESTA DE MÉDIA DENSIDADE (MDF)

FLORESTA DE ALTA DENSIDADE (HDF)

FLORESTA EM ESTÁGIO INICIAL DE REGENERAÇÃO

(YRF)

FLORESTA DE BAIXA DENSIDADE (LDF) ARBUSTO (S) ÁREA ABERTA (OL)


37




Quando espécies únicas ou florestas quase monoespecíficas são identificáveis e mapeáveis, por exemplo, Gelam (Melaleuca spp.) na Indonésia, deve-se considerar se a área deve ser tratada como uma classe de cobertura vegetal separada (não-padrão). Se for tomada a decisão de separar uma área de espécie única, a metodologia usual HCS de estratificar a vegetação da área em classes de alto e baixo teor de carbono ainda se aplica.

Deve-se notar que à medida que a faixa relativa da Razão Simples (SR) é estendida em favor das condições de elevada biomassa, tais como regiões de florestas, e compactada em condição de baixa de biomassa, zonas de regeneração natural e florestas naturais poderiam ser detectadas utilizando este método. Além disso, dados por microondas do Sentinel-1 também poderiam ser incluídos para detectar as regiões de floresta natural e zonas de regeneração natural, como as estruturas dinâmicas de povoamento são diferentes e podem ser inferidas a partir da rugosidade da superfície.

TABELA: CATEGORIAS GENÉRICAS DE COBERTURA DO SOLO

DA COBERTURA VEGETAL CATEGORIAS

HDF, MDF, LDF Floresta de Alta Densidade, Floresta de Média Densidade e Floresta de Baixa Densidade

Floresta natural densa variando de floresta de alta densidade para

floresta baixa densidade. Dados de inventário indicam a presença de

árvores com diâmetros > 30 cm e dominância de espécies clímax.

YRF Floresta em estágio inicial de regeneração Floresta altamente perturbada ou áreas florestais em regeneração para

sua estrutura original. Distribuição de diâmetro dominada por árvores de

10-30cm e com maior frequência de espécies pioneiras em comparação

com LDF. Essa classe de cobertura do solo pode conter pequenas áreas

de agricultura familiar.

Nota: Plantações abandonadas com menos de 50% da área basal

consistindo de árvores plantadas pode cair nessa categoria ou acima.

Concentrações de área basal >50% não seriam consideradas florestas

HCS, mas sim plantações e devem ser classificadas separadamente.

S Vegetação arbustiva Áreas de terra que antes eram floresta, mas foram recentemente

desmatadas. Dominadas por arbustos baixos com cobertura de

folhagem limitada. Inclui áreas de grama alta e samambaias com

espécies arbóreas pioneiras dispersas. Fragmentos ocasionais de

floresta mais antiga podem ser encontrados nessa categoria.

OL Área aberta ou Pastagem aberta Terra recentemente desmatada. Possui principalmente grama ou

lavouras. Poucas plantas lenhosas.

EXEMPLOS DE OUTRAS CATEGORIAS DE COBERTURA DO SOLO NÃO-HCS

FP Florestas plantadas Grande área de árvores plantadas (exemplo, látex, Acácia)

AGRI Propriedades agrícolas Por exemplo, propriedades de óleo de dendê de grande escala

sobrepondo em áreas de concessão.

MINE Área de mineração Estas podem ser diferenciadas entre áreas de mineração licenciadas

e transbordo, áreas de mineração não regulamentadas/ilegais

SH Agricultura familiar (agricultura de pequeno porte) Estas podem ser diferenciadas entre jardins florestais mistos/sistemas

agroflorestais que poderiam potencialmente servir de corredores

ecológicos, roça/sistemas de jardinagem rotacional para produção de

alimentos para subsistência, etc.

(Outro) Corpos d’água, como rios e lagos. Áreas construídas, assentamentos,

estradas, etc.


38




Abordagens para classificação

“A escolha do método utilizado para interpretar imagens é geralmente determinada pelo nível de conhecimento do intérprete e familiaridade com a paisagem em questão”

Uma vez que a imagens tenham sido selecionadas e refinadas, a cobertura da terra é agrupada em classes relativamente homogêneas descritas acima, a fim de delinear florestas HCS de florestas não-HCS. O processo consiste basicamente em analisar as imagens de satélite usando programas de Sensoriamento Remoto e Sistemas de Informação Geográfica (SIG), que fornecem ferramentas para a interpretação da cobertura da terra. Vários pacotes de programas de computação fornecem as ferramentas para apoiar a classificação de cobertura do solo, incluindo Erdas Imagine, ENVI, ESRI Image Analysis e Open Source (Quantum GIS).

A Classificação da cobertura da terra é aplicada por várias razões:

1. Ela permite a identificação de diferentes classes de cobertura da terra com várias condições florestais e não florestais que podem ser capturadas na análise da imagem (por exemplo, cor, cobertura do dossel e rugosidade da camada de dossel).

2. A condição da floresta é muitas vezes (mas nem sempre) correlacionada com o estoque de carbono florestal e biodiversidade. Por exemplo, uma floresta densa bem conservada é geralmente associada com altos estoques de carbono (e normalmente maior biodiversidade) do que uma floresta degradada, pouco conservada.

3. Separar a cobertura da terra em classes permite uma concepção da amostra mais eficiente para o levantamento de campo (ver Capítulo 4) e uma revisão mais simples dos resultados do inventário florestal e levantamento aéreo.

Estudos HCS geralmente usam uma combinação de várias fases metodológicas para garantir uma representação precisa da cobertura da terra, ou seja, a análise baseada em pixels usando métodos não supervisionados e supervisionados, bem como métodos visuais em outras fases. Independentemente das técnicas de classificação de imagens aplicadas, o conhecimento de campo local do uso da terra, coberturas da terra, tipos de floresta e sua composição de espécies, tipos de culturas agrícolas e fenologia da vegetação em relação à assinatura espectral do selecionado conjunto de dados de imagens é essencial.

A escolha do método utilizado para interpretar imagens é geralmente determinada pelo nível de conhecimento do intérprete e familiaridade com a paisagem em questão e área de cobertura da terra que está sendo analisada. Por exemplo, se o intérprete tem compreensão suficiente de técnicas sofisticadas de sensoriamento remoto e bom conhecimento da área de amostragem, recomenda-se utilizar a técnica de classificação supervisionada e/ou árvore de decisão hierárquica, usando ferramentas semelhantes ao ‘Engenheiro do Conhecimento’ e ‘Conhecimento do Classificador’. Para uma área sem nenhuma informação de cobertura do solo pré-existente, o intérprete ou o analista pode iniciar a análise usando a técnica de classificação não-supervisionada, a fim de ver os objetos ou fenômenos espaciais espectralmente semelhantes e espacialmente contíguos.

Em geral, a classificação não-supervisionada, técnicas de classificação supervisionada e árvores de decisão hierárquicas serão complementares para determinar as classes de cobertura do solo na área de estudo.


39




Classificação não-supervisionada

A classificação não-supervisionada usa programas de processamento de imagem para agrupar pixels por características gerais sem o uso de qualquer classe de amostra pré-determinada. A classificação não-supervisionada aplica o algoritmo de segmentação de imagem K-Médias ou um algoritmo ISODATA (Técnica de Análise de Dados por Auto-Organização Interativa) para determinar quais pixels são espectralmente semelhantes a outros pixels e agrupá-los em várias classes homogêneas. O usuário pode especificar qual algoritmo o software usará e o número desejado de classes, mas fora isso não intervém no processo de classificação. No entanto, o usuário deve ter conhecimento da área sendo classificada, como os agrupamentos de pixels com características comuns produzidos pela classificação não-supervisionada tem que estar relacionados com características reais (tais como zonas úmidas, áreas desenvolvidas, florestas de coníferas, etc.)

As classes resultantes da classificação não-supervisionada são classes espectrais. Uma vez que estas são baseadas unicamente no agrupamento natural nos valores de imagem, a identidade das classes espectrais não será inicialmente conhecida. O analista deve comparar as classes espectrais classificadas com algum dado de referência, tais como mapas já existentes ou visitas de campo, para determinar a identidade e valor informativo ou classes de informação das classes espectrais.

Depois que o analista tiver determinado as classes espectralmente distintas e definido sua informação usual, as classes espectrais podem ser agregadas no conjunto menor de categorias desejadas pelo analista. Às vezes, analistas podem achar que várias classes espectrais se relacionam com mais de uma categoria de informações. Por exemplo, a classe espectral 3 poderia corresponder a florestas em estágio inicial de regeneração em alguns locais e florestas de baixa densidade em outros. Da mesma forma, a classe espectral 6 poderia incluir tanto florestas de média densidade quanto florestas de alta densidade. Isto significa que estas categorias de informação são espectralmente semelhantes e não podem ser diferenciadas em um dado conjunto de dados. Neste caso, o analista pode considerar incluir bandas adicionais ao conjunto de dados, como discutido anteriormente.

No geral, a qualidade de uma classificação não-supervisionada dependerá da compreensão do analista sobre os conceitos por trás do classificador disponível e conhecimento sobre os tipos de cobertura da terra em análise. Ao usar a classificação não-supervisionada no processo HCS, 16 classes serão, normalmente, suficientes para determinar as classes florestais e não florestais, que são então combinadas com cobertura vegetal e podem ser uma referência para localizar terrenos no campo (ver Capítulo 4).


40




Classificação supervisionada

“A classificação supervisionada é baseada no conceito de que um usuário pode selecionar pixels de amostra em uma imagem que são representativos de classes específicas. Isto pode ser tornar referências para a classificação de todos os outros pixels na imagem”

A classificação supervisionada é baseada no conceito de que um usuário pode selecionar pixels de amostra em uma imagem que são representativos de classes específicas e, em seguida, direcionar o programa de processamento de imagens a usar estas áreas de treinamento como referências para a classificação de todos os outros pixels na imagem. Áreas de treinamento (também conhecidas como amostras de treinamento ou classes de entrada) são selecionadas com base no conhecimento do usuário. O usuário também define os limites para o quão similar outros pixels devem ser para agrupá-los. Estes limites são muitas vezes criados com base nas características espectrais da amostra de treinamento, mais ou menos um certo incremento (muitas vezes baseado no “brilho” ou na reflexão em faixas espectrais específicas). O usuário também designa o número de classes em que a imagem é classificada.

Cada uma dessas etapas é descrita em detalhes nas páginas seguintes.

1. Na etapa de treinamento, o analista identifica amostras de treinamento representativas e desenvolve uma descrição numérica dos atributos espectrais de cada tipo de cobertura da terra de interesse na cena.

2. Na etapa de classificação, cada pixel no conjunto de dados da imagem é classificado na classe de cobertura da terra que se assemelha. Se o pixel não é suficientemente semelhante a qualquer conjunto de dados de treinamento, é geralmente classificado ou rotulado como desconhecido.

3. Depois que todo o conjunto de dados foi categorizado, os resultados são apresentados no estágio de saída. O resultado classificado torna-se um dado de entrada no SIG (GIS).

Cada uma dessas etapas é descrita em detalhes nas páginas seguintes.

Etapa de treinamento

O objetivo geral da etapa de treinamento é montar um conjunto de estatísticas que descreva o padrão de resposta espectral para cada tipo de cobertura da terra a ser classificada em uma imagem. É importante notar que todas as classes espectrais constituindo cada classe de informação devem ser adequadamente representadas nas estatísticas do conjunto de amostras de treinamento usadas para classificar uma imagem. É incomum adquirir dados de 100 ou mais áreas de treinamento para representar adequadamente a variabilidade espectral de uma imagem. O resultado do histograma de cada amostra de treinamento é particularmente importante quando é utilizado um classificador de Máxima Verossimilhança, uma vez que ele fornece uma verificação visual da normalidade da distribuição da resposta espectral. O livro Remote Sensing and Image Interpretation de Lillesand e Kiefer (Quinta Edição, 2004) fornece informações detalhadas e exemplos sobre como identificar amostras de treinamento estatisticamente válidas.

A seção de amostra de treinamento e avaliação das estatísticas é demorada, mas é um passo importante para uma classificação de boa qualidade. O analista deve gastar uma boa quantidade de tempo para criar amostras de treinamento estatisticamente representativas e estatisticamente separáveis que apresentem as classes de informação. Uma matriz de erro de classificação (descrita posteriormente neste capítulo) pode ser criada nos conjuntos de treinamento de pixels e nos resultados da classificação supervisionada.

Todas as fotos: Cortesia do USGS ©

41




Etapa de classificação

Embora muitas técnicas possam ser usadas para a fase de classificação supervisionada, estas ferramentas focam em detalhes no classificador de máxima verossimilhança Gaussiana1 e também descreve brevemente o uso de árvores de decisão para classificação supervisionada hierárquica.

O Classificador de máxima verossimilhança Gaussiana avalia quantitativamente a variância e covariância dos padrões de resposta categorial (a partir de estatísticas de amostras de treinamento) ao classificar um pixel desconhecido. Uma suposição é feita de que a distribuição de uma nuvem de pontos que formam os dados de treinamento da categoria é gaussiana, isto é, normalmente distribuídos. Partindo deste pressuposto, a distribuição de um padrão de resposta de cada categoria pode ser completamente descrita pelo vetor médio e matriz de covariância. Tendo em conta estes parâmetros, o classificador calcula a probabilidade estatística de um dado valor de pixel ser um membro de uma determinada classe de cobertura terrestre ou classes HCS. Depois de avaliar a probabilidade de cada categoria, o pixel será atribuído à classe mais provável (com o valor mais elevado de probabilidade) ou rotulado como “desconhecido” se os valores de probabilidade são todos abaixo de um limiar definido pelo analista.

“Muitos analistas usam uma combinação de métodos de classificação supervisionados e não-supervisionados para desenvolver análises finais e classificações para os mapas indicativos”

1. Páginas 271-277 do Resource Management Information Systems: Remote Sensing, GIS and Modelling (2nd edição) por Keith R. McCloy oferece mais detalhes sobre a Classificação de Máxima Verossimilhança.

Uma extensão da abordagem de máxima verossimilhança é a classificação Bayesiana, que aplica dois fatores ponderados a estimativa de probabilidade. Em primeiro lugar, o analista determina a “probabilidade a priori” ou a probabilidade de ocorrência esperada para cada classe em uma determinada cena ou imagem. Em segundo lugar, um peso associado com o custo de erro de classificação é aplicado a cada classe. Em conjunto, estes fatores atuam para minimizar o custo de erros de classificação, resultando em uma classificação teoricamente ideal. Na prática, a maioria das classificações de máxima verossimilhança são realizadas assumindo igual probabilidade de ocorrência e custo de erros de classificação para todas as classes.

A classificação de máxima verossimilhança é computacionalmente intensiva para classificar cada pixel, especialmente quando um grande número de bandas espectrais está envolvido ou um grande número de classes espectrais deve ser diferenciado, mas modernos processadores de computador multi-core processam a classificação com bastante rapidez. Outra forma de otimizar a classificação de máxima verossimilhança é usar componentes principais (CP1, CP2 e CP3) em vez de canais originais para realizar a classificação.

Uma alternativa para classificador de máxima verossimilhança é o uso de árvores de decisão, que aplicam uma classificação estratificada ou em camadas para simplificar os cálculos de classificação e manter a precisão da classificação. Estes classificadores são aplicados em uma série de etapas, com certas classes sendo separadas durante cada passo da maneira mais simples possível. Por exemplo, água pode ser separada da banda do infravermelho próximo por um simples limiar de valor. Certas classes podem exigir a combinação de duas ou três bandas para categorização utilizando um algoritmo de classificação simples, tais como o classificador de distância mínima para média ou classificador paralelepípedo. O uso de mais bandas ou classificador de máxima verossimilhança só seria aplicado para aquelas categorias de cobertura da terra onde exista ambiguidade residual entre as classes que se sobrepõem no espaço de medição. Por último, a regressão logística multinominal poderia ser aplicada com estatísticas de amostragem de treinamento para obter a probabilidade de cada pixel para as classes de informação em vez de usar a classificação de máxima verossimilhança.

Muitos analistas usam uma combinação de métodos de classificação supervisionados e não-supervisionados para desenvolver análises finais e classificações para os mapas indicativos.

Estudo de caso: Kalimantan Ocidental

No seguinte exemplo de caso do Kalimantan Ocidental, na Indonésia, imagens de satélite do Landsat 8 processadas com ArcGIS 10.1 com a extensão de Análise de imagens foram utilizadas para classificar a cobertura da terra. As imagens de satélite foram primeiramente pré-processadas como necessário para produzir a imagem da Área de Interesse à direita.

Com as ferramentas existentes no programa de processamento de imagens, seis amostras de treinamento foram selecionadas, representando as seis classes HCS de cobertura da terra, como ilustrado na imagem do meio.

Após as amostras de treinamento terem sido consideradas suficientes e representativas, uma classificação supervisionada usando a abordagem de classificação de máxima verossimilhança foi executada através do programa de processamento. O resultado preliminar do mapeamento da vegetação é apresentado na imagem logo abaixo.

42




ETAPAS DA ESTRATIFICAÇÃO VISUAL DA VEGETAÇÃO

43

Um processo avançado de classificação visual ou digitalização manual pode ser realizado por um analista experiente, com excelente conhecimento das condições de cobertura da terra na área. O analista é capaz de determinar cada classe de cobertura da terra por meio de análise de imagens de satélite. As imagens são comumente realçadas para auxiliar na identificação de classes. O intérprete deve ter o conhecimento das chaves de interpretação da cobertura da terra da área de estudo, o valor da integridade, experiência profissional e domínio da área de estudo.

A classificação visual é usada depois que a imagem foi calibrada e padronizada, quando várias imagens em um mosaico estão sendo usadas. Quando usada como uma técnica isolada, a classificação visual é tipicamente mais exata quando o usuário conhece bem a área. No entanto, esta exatidão tem um custo, já que esta técnica requer uma grande quantidade de digitalização. Ela também pode ser tendenciosa. Por conseguinte, deve ser usada apenas como um processo autônomo com dados de imagem de alta resolução e quando o usuário conhece bem a área.

Alternativamente, a classificação visual também pode ser usada para complementar ambos os processos supervisionados e não-supervisionados, como estes podem gerar um erro ou viés, especialmente em áreas com qualidade de imagem inadequada devido a neblina, fumaça, sombras de relevo, sombras de nuvens ou nuvens. Este erro ou viés pode ser minimizado através de um controle de qualidade visual pelo intérprete. Para áreas com interpretação incorreta, correções são feitas para combinar condições conhecidas. Nesta fase, os resultados da interpretação não-supervisionada ou supervisionada (se aplicável) são combinados com outros elementos, tais como informações do tipo de solo e precipitação. Uma compreensão das condições do local torna-se chave para gerar uma classificação boa e precisa. Assim, quanto mais informações específicas do local um intérprete possuir, menor o viés ou erro. As fases de estratificação visual da vegetação são apresentadas no diagrama à direita.

Informações numéricas adicionais, tais como temperatura, precipitação, umidade, radiação solar, grades de velocidade do vento, modelos digitais de elevação e modelos digitais de terreno podem ser adicionadas como as bandas adicionais para a classificação apenas se estes dados fornecem informações de valor agregado para separar entre as classes espectrais. Informações categóricas adicionais, tais como tipos de solo, geologia, geomorfologia e locais de vegetação poderiam ser aplicadas para refinar a interpretação sem viés.

Para estudos HCS, os autores recomendam que a estratificação visual não seja usada por profissionais de sensoriamento remoto até que uma considerável experiência seja adquirida a partir de estudos da metodologia HCS usando a classificação supervisionada ou não-supervisionada em combinação com a análise de campo definida no próximo capítulo.

Classificação visual

Digitalização para delimitação de classes

de vegetação (seis classes de vegetação)

Reclassificação para controle de qualidade

Classificação supervisionada ou não-supervisionadaAvaliação da exa�dão

Pré-processamento e transformação de imagens

Imagens de satélite

Informações �sicas• Tipo de solo

• Clima• Ecossistema

Informações sobre o local• Localização da vegetação• Condição da vegetação

• Estrutura da vegetação, etc.

“Uma compreensão das condições do local torna-se chave para gerar uma classificação boa e precisa. Assim, quanto mais informações específicas do local um intérprete possuir, menor o viés ou erro”




CONJUNTO DE DADOS DE TREINAMENTO (TIPOS DE COBERTURA CONHECIDOS)

44




Avaliação da exatidão das imagens classificadas

Esta seção descreve a avaliação da exatidão a ser realizada para verificar a classificação. Para mais informações sobre as avaliações de exatidão, Remote Sensing Thematic Accuracy Assessment: A Compendium (1994) pelo ASPRS e Assessing the Accuracy of Remotely Sensed Data: Principle and Practices (Congalton and Green, 1999) são excelentes referências.

Matriz de erro de classificação com base no conjunto de dados de amostras de treinamento

Preparar uma matriz de erro de classificação, matriz de confusão ou tabela de contingência é um método comum de expressar a exatidão da classificação. Matrizes de erro comparam, por categoria, a relação entre a informação de referência conhecida (verdade de campo) e os resultados correspondentes da classificação da imagem.

A tabela abaixo é um exemplo de matriz de erro com base em amostras de treinamento e resultados classificado de Lillesand e Kiefer (2004). Ela fornece um exemplo do quão bem uma classificação categorizou um subconjunto representativo de pixels utilizados no processo de classificação supervisionada de amostras de treinamento. Esta matriz decorre da classificação de amostras classificadas nas categorias adequadas de cobertura de terra localizadas ao longo da diagonal (destacada de amarelo) da matriz de erro. Todos os elementos não diagonais da matriz representam erros de omissão (exclusão) ou erros de comissão (inclusão).

Os erros de omissão correspondem aos elementos não-diagonais de cada coluna, por exemplo, 16 pixels que foram classificados como “S” para a classe areia foram omitidos da categoria. As acurácias do produtor são calculadas dividindo o número de pixels corretamente classificados em cada categoria (na diagonal) pelo número de pixels de treinamento usados para essa categoria (o total da coluna). A acurácia do produtor varia de 51% a 100% neste caso, é uma medida de erro de omissão e indica o quão bem os pixels de treinamento de um determinado tipo de cobertura são classificados. Erros de comissão são representados por elementos não-diagonais de cada linha, por exemplo 38 pixels urbanos (U) e 79 pixels de forragem (H) foram indevidamente incluídos na categoria do milho (C). As exatidões do usuário são calculadas dividindo o número de pixels corretamente classificados pelo número total de pixels que foram classificados nessa categoria (o total da linha). A exatidão do usuário é uma medida de erro de comissionamento e indica a probabilidade de que um pixel classificado em uma determinada categoria realmente represente essa categoria em campo. A exatidão do usuário, neste caso, varia de 72% a 99%.

A exatidão global é calculada dividindo o número total de pixels corretamente classificados (a soma dos elementos ao longo da diagonal) pelo número total de pixels de referência. A exatidão global no exemplo de tabela de contingência é 84%.

É importante notar que a matriz de erro de exemplo é baseada em dados de treinamento, e tais procedimentos apenas indicam como as estatísticas extraídas dessas áreas podem ser utilizadas para classificar as mesmas áreas. Se os resultados são bons, significa que as áreas de treinamento são homogêneas, as classes de treinamento são espectralmente separáveis e que a estratégia de classificação sendo empregada funciona bem na área de treinamento. Eles indicam pouco sobre como o classificador executa em outras partes da cena. Exatidões da área de treinamento não devem ser utilizadas como uma indicação de exatidão global.

Conjunto de dados de treinamento (Tipos de cobertura conhecidos) W S F U C H Total da LinhaClassesW 480 0 5 0 0 0 485S 0 52 0 20 0 0 72F 0 0 313 40 0 0 353 U 0 16 0 126 0 0 142C 0 0 0 38 342 79 459H 0 0 38 246 60 359 703Total da Coluna 480 68 356 470 402 438 2214

Exatidão global = (480 + 52 + 313 +126 + 342 +359) / 2214 = 76%

Acurácia do produtor:W = 480/480 = 100%S = 52/68 = 76%F = 313/356 = 88%U = 126/248 = 27%C = 342/402 = 85%H = 359/438 = 82%

Acurácia do usuário W = 480/485 = 99%S = 52/72 = 72% F = 313/353 = 89% U = 126/142 = 89% C = 342/459 = 75% H = 359/481 = 51%

MATRIZ DE ERRO COM BASE NOS PIZELS DE TESTE

45




Consideração de amostragem de áreas de teste

Para avaliar as exatidões da classificação para a cena, áreas de teste representativas com cobertura da terra uniforme devem ser selecionadas. As áreas de teste podem ser selecionadas através da abordagem de amostragem aleatória, estratificada aleatória ou sistemática. Áreas de teste podem ser selecionadas durante a etapa de seleção de amostra de treinamento, deixando de lado algumas amostras de treinamento, como as áreas de teste que não serão utilizadas como parte dos conjuntos de amostras de treinamento. A unidade de amostragem apropriada pode ser pixels individuais, grupos de pixels ou polígonos. A amostragem de polígono é a abordagem mais comum.

Normalmente, um mínimo de 50 amostras como áreas de teste para cada categoria de vegetação ou cobertura da terra deve ser incluído na matriz de erro para a avaliação da exatidão de classificação de toda a cena. Se a área é extensa (por exemplo, mais de um milhão de acres) ou a classificação tem um grande número de categorias de cobertura e uso da terra (mais de 12 categorias) o número mínimo de amostras deve ser aumentado para 75 a 100 amostras por categoria (Congalton e Green, 1999, p.18). Mais amostras devem ser selecionadas para as categorias mais importantes ou categorias mais variáveis.

“Normalmente, um mínimo de 50 amostras como áreas de teste para cada categoria de vegetação ou cobertura da terra deve ser incluído na matriz de erro para a avaliação da exatidão de classificação de toda a cena

Avaliando a matriz de erro da classificação com base em áreas de teste ou pixels de teste

Depois que os dados de exatidão são recolhidos com base em áreas de teste (seja na forma de pixels, conjunto de pixels ou polígonos) e resumidos em uma matriz de erro, eles são normalmente sujeitos a interpretação detalhada e mais análises estatísticas. A matriz de erro abaixo foi criada com base em pixels de teste selecionados aleatoriamente, novamente a partir de Lillesand e Kiefer (2004).

A exatidão global é de apenas 65%. Se a finalidade do mapeamento é localizar floresta (F), a acurácia do produtor está muito boa em 84%. Pode-se concluir que, embora a exatidão global é pobre (65%), ela é adequada para efeitos de mapeamento de florestas. O problema com esta conclusão é que a acurácia do usuário para floresta é de apenas 60%. Ou seja, apesar de 84% das áreas de floresta terem sido corretamente identificadas como floresta, apenas 60% das áreas identificadas como floresta dentro da classificação são verdadeiramente dessa categoria. O usuário desta classificação acharia que uma área identificada como floresta pelo processo de classificação revelar-se-á floresta em uma visita ao local em apenas 60% do tempo.

Uma inspeção mais cuidadosa da matriz de erro mostra que existe uma confusão significativa entre floresta e urbana (U). Nesta matriz de exemplo, a única categoria de confiança associada a essa classificação da perspectiva do produtor e do usuário é água (W).

Dados de Referência para Pixels teste aleatoriamente selecionados W S F U C H Total da Linha Dados da classificaçãoW 226 0 0 12 0 1 239S 0 216 0 92 1 0 309F 3 0 360 228 3 5 599 U 2 108 2 397 8 4 521C 1 4 48 132 190 78 453H 1 0 19 84 36 219 359Total da coluna 233 328 429 945 238 307 2480

Exatidão global = (226 + 216 + 360 + 397 + 190 + 219) / 2480 = 65%

Erro de omissão:W = 226/233 = 97%S = 216/328 = 66%F = 360/429 = 84%U = 397/945 = 42%C = 190/238 = 80%H = 219/307 = 71%

Erro de comissão: W = 226/239 = 95%S = 216/309 = 70% F = 360/599 = 60% U = 397/521 = 76% C = 190/453 = 42% H = 219/359 = 61%

46




Estatísticas Khat

A estatística Khat é uma medida da diferença da concordância real entre dados de referência e um classificador automatizado e a concordância devido ao acaso entre os dados de referência e um classificador aleatório. Ela é conceitualmente definida como:

Khat = (exatidão observada – concordância devido ao acaso)/ (1 – concordância devido ao acaso)

Esta estatística serve como um indicador do grau em que a percentagem de valores corretos de uma matriz de erro são devido a exatidão “verdadeira” versus concordância “ao acaso”. À medida que a exatidão verdadeira (observada) se aproxima de 1 e a concordância devido ao acaso se aproxima de 0, o índice Khat tende para 1. Na realidade, o índice Khat varia entre 0 e 1. Por exemplo, um valor Khat de 0,67 pode ser interpretado como uma indicação de que a classificação realizada é 67% melhor que efetuada ao acaso. Um valor Khat de zero sugere que o resultado da classificação em análise não é melhor que uma classificação aleatória dos pixels. Se a concordância devido ao acaso for bastante elevada, o Khat pode tomar valores negativos – uma indicação de uma classificação com um desempenho muito pobre.

O valor Khat é calculado como se segue:

Khat =

Onde:

r = número de linhas na matriz de erro

xii = jvnúmero de observações na linha i e coluna i (ao longo da diagonal da matriz)

xi+ = j número total de observações na linha i (mostrado como o total marginal à direita da matriz)

x+i = número total de observações na coluna i (mostrado como o total marginal na parte inferior da matriz)

N = jnúmero total de observações incluídas na matriz

Para a matriz de erro acima, o valor Khat é calculado tal como:

∑i=1xii = 226 + 216 + 360 + 397 +190 + 219 = 1608

∑i=1(xi+*x+i) = (239 * 233) + (309 * 328) + (599 * 429) + (521 * 945) + (453 * 238) + (359 * 307) = 1,124, 382

Khat = (2480 (1608) - 1124382) 24802 - 1124382)

Khat = 0.57

O valor Khat (0,57) é menor do que a exatidão global (0,67) calculada anteriormente. Como um lembrete, a exatidão global apenas utiliza os dados que se encontram ao longo da diagonal da matriz, excluindo os erros de omissão e comissão. O índice Khat incorpora os elementos diagonais e os elementos não diagonais da matriz de erro como um produto dos valores marginais das linhas e colunas. Uma das vantagens de calcular estatísticas Khat é a capacidade de utilizar esse valor como a base para determinar a significância estatística de qualquer matriz ou as diferenças entre as matrizes.

Normalmente é desejável calcular e analisar tanto a exatidão global quanto estatísticas Khat. O analista deve fornecer a matriz de erro com base na amostra de treinamento, a matriz de erro das áreas de teste ou pixels de teste, a exatidão global, a acurácia do produtor, a acurácia do usuário e estatísticas Khat das matrizes de erros fornecidas para a garantia de qualidade das classificações HCS.

Atas: Foto hak cipta USGS ©Kiri: Foto hak cipta TFT ©

47




Controle de qualidade, finalização da abordagem inicial de classificação de cobertura de terra e próximos passos

Os passos para finalizar a abordagem inicial de classificação de cobertura da terra são descritos abaixo.

Conversão imagem/raster para vetor Converter a imagem/raster para um formato de vetor, a fim de facilitar a edição dos limites das classes de cobertura da terra.

Eliminação de pequenas manchas/polígonos Eliminação de pequenos polígonos (4 pixels e menores) é feita através da sua fusão com o polígono maior com propriedades de similaridade de vizinhança de pixels; eliminação dos polígonos estreitos (área poligonal estreita e alongada) é feita usando a relação área/perímetro. A área mínima de mapeamento ou unidades devem ser definidas de forma a remover fragmentos de polígonos.

Incorporando outras informações de cobertura da terra Na finalização do mapa preliminar, informações a respeito do uso atual da cobertura da terra é incorporado na análise. Por exemplo, terras já desenvolvidas são removidas de potenciais áreas de floresta HCS.

Editando as classes de vegetação usando a composição de bandas 6, 5 e 4 de imagens Landsat 8 (LDCM - Landsat Data Continuity Mission – Missão de continuidade de dados Landsat) Nesta etapa, o vetor classificado de cobertura da terra é sobreposto com a composição de bandas 6, 5 e 4 de imagens Landsat e é feita uma comparação visual, tal como a edição manual.

Edição e controle de qualidade de vetores, resultando na reclassificação para classes de alta estocagem de carbono HCS. O conjunto ou estrato de dados de cobertura da terra são reclassificados em seis classes padronizadas de alta estocagem de carbono HCS: OL – Open Land – solo exposto/áreas abertas, S – Scrub – vegetação arbustiva, YRF – Young Regenerating Forest – florestas em estágio inicial de regeneração, LDF - Low Density Forest – florestas de baixa densidade, MDF - Medium Density Forest – florestas de média densidade, e HDF - High Density Forest – florestas de alta densidade.

‘Edge matching’ ou preenchimento de bordas de dados vetoriaisSe mais do que uma imagem Landsat é utilizada, o resultado da classificação de dados vetoriais devem ser combinados com base no processo de preenchimento de bordas - ‘edge matching’.

Realizar levantamento aéreo se possívelLevantamentos aéreos deve ser realizado ao longo de extensas áreas contíguas de floresta natural sempre que possível. Um banco de dados georreferenciado poderá então ser criado para permitir a visualização de fotos em Sistemas de Informações Geográficas. Isto permite um fácil cruzamento de classificação de cobertura da terra.

Prepare um projeto preliminar do mapa de cobertura da terraUm projeto preliminar do mapa de cobertura da terra, categorizado pelas várias classes identificadas no processo descrito acima é preparado para uso no planejamento e execução de trabalhos de campo, incluindo o levantamento aéreo e o inventário florestal.

“O próximo passo é comparar os resultados da interpretação de imagens com as medidas tomadas em campo, permitindo o cálculo de valores aproximados de carbono para cada classe”

Próximos passos

A próxima etapa no processo da abordagem de classificação de categorias/classes de alta estocagem de carbono HCS é testar a exatidão dos resultados de interpretação, como a exatidão influenciará fortemente a confiança do usuário nos dados e métodos de análise. O relatório inicial da exatidão da classificação de imagens de satélite para estratificação da vegetação HCS a partir da perspectiva da tabela de contingência (matriz de erro ou matriz de confusão), a exatidão do produtor, exatidão do usuário, exatidão global, as estatísticas Khat e interpretação do relatório de avaliação de exatidão foram discutidos aqui. O próximo passo é comparar os resultados da interpretação de imagens com as medidas tomadas em campo. Isso também nos permite calcular valores aproximados de carbono para cada classe.

O próximo capítulo explicará como coletar os dados de campo necessários para estimar a biomassa e estoque de carbono de superfície, atribuir níveis médios de carbono para cada categoria (embora salientando que o objetivo não é calcular um número exato de carbono, mas sim diferenciar tipos de cobertura da terra através de valores estimados de carbono) e refinar ainda mais a classificação, a fim de criar o mapa de cobertura da terra em que as potenciais áreas de floresta HCS são delineadas.

48




Anexos

Landsat 8

ALOS (AVNIR-2, PRISM)

IKONOS

http://landsat.usgs.gov/landsat8.php

http://www.alos-restec.jp/en/

http://geofuse.geoeye.com/landing/

http://glcf.umd.edu/data/

30m

10 m

4 m

16 dias

46 dias

14 dias

Fev 2013 – Pre-sente

Jan 2006 – Maio 2011

2000 –

Gratu-ito

$16-56/Km2

11 Bandas:1. 0.433–0.453 30 m

2. 0.450–0.515 30 m3. 0.525–0.600 30 m4. 0.630–0.680 30 m5. 0.845–0.885 30 m6. 1.560–1.660 30 m

1270 MHz (Banda-L) Polarização HH+VV

1 (Azul)2 (Verde)3 (Vermelha)4 (IV próximo)

185 km x 180 km

14 km x 14 km

Apêndice A: Visão geral das opções de imagens de satélite

Landsat 7 Missões de observação da Terra por satélite do Governo dos EUA, geridas conjuntamente pela NASA e pelo US Geological Survey. Os sensores ópticos incluem:

• Multi-spectrum Scanner (MSS)

• Thematic Mapper (TM)

• Enhanced Thematic Mapper Plus (ETM+)

http://landsat.gsfc.nasa.gov/


Desde 2003, as imagem do Landsat 7 tem sido afetadas por um problema de ruído nas cenas que reduz a qualidade das imagens.

30 m 16 dias Abril 1999 – Pre-sente

Gratu-ito

8 Bandas:1. 0.45 - 0.515 30 m2. 0.525 - 0.605 30 m3. 0.63 - 0.69 30 m4. 0.75 - 0.90 30 m5. 1.55 - 1.75 30 m6. 10.40 - 12.5 60 m 7. 2.09 - 2.35 30 mPan Band. 0.52 - 0.90 15 m

170 km x 183 km

Nom

e do

saté

lite

Visã

o ge

ral

Reso

luçã

o es

pacia

l (m

)

Reso

luçã

o te

mpo

ral

Data

de

capt

ura

das

imag

ens

Cust

o po

r cen

a (U

SD)

Band

as d

ispo

níve

is

Com

prim

ento

da

faix

a

Com

entá

rios

49




Landsat 8

Quickbird

Radarsat 2

http://www.digitalglobe.com


http://www.asc-csa.gc.ca/eng/satellites/radarsat2/

Embora o radar não possua uma banda infravermelha, ele possui outras importantes informações de retroespalhamento. O radar é capaz de penetrar a cobertura de nuvens e operar dia e noite. No entanto, o processamento de dados é mais tedioso em comparação com os dados ópticos.

2.4m

3m – 100m*

4 dias

24 dias

2001 - Pre-sente

Dez 2007 - Pre-sente

$5,000 -11, 500/ cena $16-45 /km2

$3,300 – $7,700

7. 2.100–2.300 30 m8. 0.500–0.680 15 m9. 1.360–1.390 30 m10. 10.6-11.2 100 m11. 11.5-12.5 100 m

•Multiespectral1=Azul2=Verde3=Vermelha4=IV próximo•Pancromática

Banda C Antena SAR –Canal de Emissão e Recepção: 5405.0000 MHz (banda atribuída 100,540 kHz)

16.5 km x 16.5 km

Dados do radar não possuem uma banda infravermelha e portanto, requerem cuidados adicionais para classificar diferentes classes de vegetação.


RapidEye http://www.rapideye.de/ 5m 5.5 dias

2009 $1.5 / km2

1) 440 – 510 nm (Azul)2) 520 – 590 nm (Verde)3) 630 – 685 nm (Vermelha)4) 690 – 730 nm (Red Edge)5) 760 – 850 nm (IV próximo)

25 km x 25 km

Nom

e do

saté

lite

Visã

o ge

ral

Reso

luçã

o es

pacia

l (m

)

Reso

luçã

o te

mpo

ral

Data

de

capt

ura

das

imag

ens

Cust

o po

r cen

a (U

SD)

Band

as d

ispo

níve

is

Com

prim

ento

da

faix

a

Com

entá

rios

50




Worldview-1

Worldview-2

http://www.alos-restec.jp/en/

http://www.satimagingcorp.com/satellite-sensors/worldview-2/

0.50 metros GSD no Nadir

0.55 metros GSD 20˚ off-nadir

Ground Sample Distance (GSD) Pan-cromáti-ca: 0.46 metros GSD no Nadir, 0.52 metros GSD 20° Off-NadirMulti espectral: 1.84 metros GSD no

1.7 dias a 1 metro GSD ou menos

5.9 dias 20˚ off-nadir ou menos 0.51 metros GSD

1.1 dias a 1 metro GSD ou menos

3.7 dias 20° off-nadir ou menos (0.52 metros GSD)

Sept 2007 - Pre-sente

Out-ubro 2009 - Pre-sente

Pancromático

Pancromático 8 Multiespectrais (4 cores padrão: vermelho, azul, verde, infra-vermelho 1), 4 novas cores: red edge, coastal, amarela, infra-vermelho 2

17.6 KM no Nadir

17.6 km X 14 Km ou 246,4 KM2 no Nadir

16,4 km no nadir

Ângulo de visada máxima ou Faixa de Terra Acessível

60Km por 110 Km

Ou

30 km por 110 Km Aquisição de imagens par-estéreo

Angulo máxima de visada ou Faixa Acessível de Terra

Capacidade máxima de coleta: 96 x 110 km mono,

48 x 110 km estéreo

SPOT-5 Rede do satélite gerida pela Agência Espacial Francesa.

http://www.satimagingcorp.com/satellite-sensors/other-satellite-sensors/spot-5/

2.5 m – 10 m

24 dias

1986 - Pre-sente

$1,500 - $2,500

5 bandasPancromático (450 – 745 nm)Azul (450 – 525 nm)Verde (530 – 590 nm)Vermelha (625 – 695 nm)IV próximo (760 – 890 nm)

60 km x 60 km

Lanjut ...

Anexos

Nom

e do

saté

lite

Visã

o ge

ral

Reso

luçã

o es

pacia

l (m

)

Reso

luçã

o te

mpo

ral

Data

de

capt

ura

das

imag

ens

Cust

o po

r cen

a (U

SD)

Band

as d

ispo

níve

is

Com

prim

ento

da

faix

a

Com

entá

rios


51




Worldview-2

Worldview-3 http://www.satimagingcorp.com/satellite-sensors/worldview-3/

Nadir, 2.4 metros GSD 20° Off-Nadir

Pan-cromáti-ca Nadir: 0.31 m GSD no Nadir

0.34 m 20° Off-Na-dir

Multi espec-tral Nadir: 1.24 m no Nadir,


SWIR Nadir: 3.70 m no Nadir,


CAVIS Nadir: 30.00 m

m GSD: <1.0 dia

4.5 dias 20° off-nadir ou menos

Agosto de 2014 - Pre-sente

Pancromático @ 450-800nm8 Bandas Multiespectrais @ 400 – 1040 nm8 Bandas SWIR @ 1195 – 2365 nm12 Bandas CAVIS @405 – 2245 nm

No nadir: 13.1 km

Capacidade máxima de coleta in a Single Pass (30° off-nadir)

Mono: 66.5 km x 112 km (5 faixas)

Estéreo: 26.6 km x 112 km (2 pares)

Nom

e do

saté

lite

Visã

o ge

ral

Reso

luçã

o es

pacia

l (m

)

Reso

luçã

o te

mpo

ral

Data

de

capt

ura

das

imag

ens

Cust

o po

r cen

a (U

SD)

Band

as d

ispo

níve

is

Com

prim

ento

da

faix

a

Com

entá

rios


Sens

or

Web

site

/Not

as

Reso

luçã

o es

paci

al

Reso

luçã

o te

mpo

ral

Data

de

capt

ura

da

s im

agen

s

Cust

o da

imag

em

Band

as d

ispo

níve

is

Faix

a

52




Dados LiDAR

LiDAR – Aero-transportado [LiDAR - Light Detection And Ranging]

Veículos aéreos não tripulados (VANTs)

Microondas ou SAR – Radar de Abertura Sintética - Synthetic Aperture RadarERS, ENVISAT (finalizado) e Sentinel-1, lançado em abril de 2014

http://www.lidarbasemaps.org/

Para mapeamento de topografia, Modelo Digital de Elevação, criação de contornos, mapeamento de cobertura e uso da terra. Não é uma ferramenta ideal para o mapeamento de mudanças de cobertura e uso da terra

www.sensefly.com

Para mapeamento de topografia, uso do solo, cobertura do solo e mudanças em uma resolução muito alta

É uma ótima ferramenta para monitorar as mudanças de uma área.

Note que em algumas áreas apenas pilotos certificados podem usar essa tecnologia.

Alguns Veículos Aéreos Não Tripulados tipo multi-rotores drones de asa fixa devem ser avaliados pelos analistas, já que a tecnologia dos VANTs tem avançado rapidamente.

https://earth.esa.int/web/guest/missions/esa-future-missions

https://earth.esa.int/web/guest/missions/esa-future-missions/sentinel-1

https://sentinel.esa.int/web/sentinel/sentinel-data-access

Arquivos antigos de ERS e ENVISATS estão disponíveis até 2012

Menos de 1 metro até 5 metros

Ver website

30000 pontos por segundo com uma precisão de 15 metros

Senti-nel-1

Res-olução de 20m

Qualquer dia e hora com tempo bom

Ver website

Qualquer dia com tempo bom

Sentinel-1

Revisita de 12 dias

Qualquer data que a equipe selecionar para voar

Ver website

Escolha do analista

Sentinel-1

Desde Abril 2014

35 USD por km2 para aquisição de imagens estéreo

700 imagens por vôo

10 km2 por 45 minutes por vôo

Tempo de proces-samento é 12 horas por 100 imagens @ ~800 USD por dia útil

Ver website

Sentinel-1

Download gratuito com registro

Visível (azul, verde e ver-melho) com câmera no visível

Infravermelho próximo, com uma câmera no infravermel-ho próximo

Ver website

Sentinel-1

C-Band SAR

10 km por 10 km

Ver website

Senti-nel-1

Largu-ra da faixa de imagea-mento de 250 km

Anexos


53




Kauth and Thomas (1976) produziram uma transformação ortogonal do espaço de dados bidimensional, original do Landsat MSS, para um novo espaço de quatro dimensões. Ela foi chamada de Tasseled Cap ou Transformação de Kauth-Thomas. O nome ‘Tasseled Cap’ vem da combinação de parâmetros que representam a plotagem do verdor – (área verde) Greenness (no eixo Y), e do brilho - Brightness (no eixo X) Foi então criado 4 novos eixos: o índice de bilho do solo – soil brightness index (B), índice de brilho da vegetação – greenness vegetation index (G), índice de material amarelo – yellow stuff index (Y) e sem índice – none such (N). Os nomes associados a cada novo eixo indicam as características que os índices pretendem medir.

Os coeficientes para o Landsat MSS são (Kauth et al., 1979):

B = 0.322*MSS1 + 0.603*MSS2 + 0.675*MSS3 + 0.262*MSS4

G= - -0.283*MSS1 -0.660*MSS2 + 0.577*MSS3 + 0.388*MSS4

Y = -0.899*MSS1 + 0.428*MSS2 + 0.076*MSS3 – 0.041*MSS4

N = -0.061*MSS1 +0.131*MSS2 - 0.452 * MSS3 + 0.882 * MSS4

Crist e Kauth (1986) derivaram os coeficientes visíveis, infravermelho próximo e infravermelho médio para transformar as imagens do Landsat Thematic Mapper (TM) em variáveis de brightness (B), greenness (G) e wetness (W).

B = 0.2909*TM1 + 0.2493*TM2 + 0.4806*TM3 + 0.5568*TM4 + 0.4438*TM5 + 0.1706*TM7

G = -0.2728*TM1 – 0.2174*TM2 – 0.5508*TM3 +0.7221*TM4 + 0.0733*TM5 – 0.1648*TM7

W = 0.1446 * TM1 + 0.1761*TM2 +0.3322*TM3 +0.3396*TM4 – 0.6210*TM5 – 0.4186*TM7

Os coeficientes Tasseled Cap para o Landsat 7 Enhanced Thematic Mapper Plus (ETM+) são (Huang et al., 2002):

B = 0.3561*TM1 + 0.3972*TM2 + 0.3904*TM3 + 0.6966*TM4 + 0.2286*TM5 + 0.1596*TM7

G = -0.334*TM1 – 0.354*TM2 -0.456*TM3 + 0.6966*TM4 – 0.24*TM5 – 0.263* TM7

W = 0.2626*TM1 + 0.2141*TM2 + 0.0926*TM3 + 0.0656*TM4 – 0.763*TM5 – 0.539*TM7

Keempat = 0.0805*TM1 – 0.050*TM2 + 0.1950*TM3 – 0.133*TM4 + 0.5752*TM5 – 0.777*TM7

Kelima = -0.725*TM1 – 0.020*TM2 + 0.6683*TM3 + 0.0631*TM4 - 0.149*TM5 – 0.027*TM7

Keenam = -0.400*TM1 – 0.817*TM2 + 0.3832*TM3 + 0.0602*TM4 – 0.109*TM5 + 0.0985*TM7

Os coeficientes Tasseled Cap para a transformação de imagens do Landsat 8 (Baig et al., 2014) são:

B = 0.3029*TM2 + 0.2786*TM3 + 0.4733*TM4 + 0.5599*TM5 + 0.508*TM6 + 0.1872*TM7

G = -0.2941*TM2 – 0.243*TM3 – 0.5424*TM4 + 0.7276*TM5 + 0.0713*TM6 – 0.1608*TM7

W = 0.1511*TM2 + 0.1973*TM3 + 0.3283*TM4 + 0.3407*TM5 - 0.7117*TM6 - 0.4559*TM7

Keempat = -0.8239*TM2 + 0.0849*TM3 + 0.4396*TM4 - 0.058*TM5 + 0.2013*TM6 - 0.2773*TM7

Kelima = -0.3294*TM2 + 0.0557*TM3 + 0.1056*TM4 + 0.1855*TM5 - 0.4349*TM6 + 0.8085*TM7

Keenam = 0.1079*TM2 - 0.9023*TM3 + 0.4119*TM4 + 0.0575*TM5 - 0.0259*TM6 + 0.0252*TM7

Apêndice B: Transformação Tasseled Cap

classificaÇÃo da vegetaÇÃo por capítulo...

Documents