classificaÇÃo orientada a objetos para...

$: CLASSIFICAÇÃO ORIENTADA A OBJETOS PARA …docs.fct.unesp.br/departamentos/cartografia/eventos/2017_IV_SBG/... · Departamento de Engenharia Rural, Jaboticabal - SP {teresap, rosalen}@fcav.unesp.br$
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. 239-243

A.G.Utsumi;T.C.T.Pissarra;D.L.Rosalen;L.P.Miranda ISSN 1981-6251

CLASSIFICAÇÃO ORIENTADA A OBJETOS PARA MAPEAMENTO

DO USO E COBERTURA DO SOLO UTILIZANDO IMAGEM

RAPIDEYE

ALEX GARCEZ UTSUMI¹

TERESA CRISTINA TARLÉ PISSARRA²

DAVID LUCIANO ROSALEN²

LUCAS PEREIRA MIRANDA¹

¹Universidade Federal do Triângulo Mineiro - UFTM

Instituto de Ciências Tecnológicas e Exatas - ICTE

Departamento de Engenharia Ambiental, Uberaba - MG

{[email protected], [email protected]}

²Universidade Estadual Paulista - UNESP

Faculdade de Ciências Agrárias e Veterinárias- FCAV

Departamento de Engenharia Rural, Jaboticabal - SP

{teresap, rosalen}@fcav.unesp.br

RESUMO – O presente trabalho tem o objetivo de realizar a classificação do uso e cobertura do solo da

área de estudo localizada no município de Uberaba, Minas Gerais. Utilizou-se o método da classificação

orientada a objetos, a partir de uma imagem Rapideye e o software InterImage. Foram definidas as

seguintes classes de uso e cobertura do solo: sombra, sistema viário, corpos d’água, pastagem, vegetação

arbórea, edificações e solo exposto. Para realizar a classificação automática do uso do solo foram

testados vários parâmetros relativos à forma, textura, brilho, tamanho, escala, entre outros. O mapa

resultante apresentou exatidão global de 85,8% e índice Kappa de 0,75, demonstrando a eficiência do

método empregado. O método da classificação orientada a objetos se mostra como uma poderosa

ferramenta para extração de informações detalhadas, principalmente de imagens com alta resolução

espacial.

Palavras chave: Classificação orientada a objetos, InterImage, Uso e cobertura do solo

ABSTRACT – The present work aims to perform land use/cover classification of the study area located

in Uberaba City, Minas Gerais State. It was used the object-oriented classification, from a Rapideye

image and InterImage software. The following land uses classes were proposed: shade, roads, water,

forest, pasture, buildings, and bare soil. Several parameters were tested too perform the automatic

classification including shape, texture, brightness, size, and scale. The resulting map showed an overall

accuracy of 85,8% and a Kappa index of 0,75, demonstrating the efficiency of the proposed method. The

object-oriented classification method proved to be a powerful tool for extracting detailed information,

specially using images with high spatial resolution.

Key words: Object-oriented classification, InterImage, Land use/cover.

1 INTRODUÇÃO

O sensoriamento remoto tem passado por grandes

avanços tecnológicos nos últimos anos, tornando

disponíveis imagens com alta resolução espacial,

espectral, radiométrica e temporal. A classificação de

imagens é um dos principais produtos oriundos do

processamento de imagens, uma vez que pode ser

utilizado como base para diferentes estudos. No entanto,

apesar dessa evolução, ainda é comum o uso de métodos

de classificação baseada em pixel, a qual analisa o espaço

multidimensional de atributos (BLASCHKE E STROBL,

2001).

Os classificadores pixel-a-pixel utilizam de

métodos estatísticos para categorizar cada pixel da

imagem, baseado em sua resposta espectral. Para imagens

com alta resolução espacial, tais métodos podem não ser

satisfatórios devido à alta variância intra-classe

(ALENCAR-SILVA, 2009). Nesse contexto, a

classificação orientada a objetos- OBIA- surge como um

mailto:%[email protected]




método alternativo para classificar imagens de alta

resolução, permitindo uma compreensão detalhada do

padrão de cobertura do solo, uma vez que torna-se

possível identificar um número maior de classes.

O método de classificação OBIA tem como

unidade de processamento objetos, ou regiões, que

possuem características semelhantes tais como: brilho,

tamanho, forma, compacidade, textura, vizinhança, entre

outros (LIU, 2006). Assim, a adição de parâmetros no

processo de decisão do algoritmo de classificação permite

melhor eficiência na extração das respectivas classes.

O software pioneiro na classificação OBIA foi o

eCognition Object-Oriented Image Analysis,

desenvolvido pela empresa alemã Definiens. No Brasil,

um sistema de código aberto que vem ganhando destaque

é o software InterImage, o qual é resultado da parceria

entre a Universidade Católica do Rio de Janeiro (PUC-

Rio) o Instituto Nacional de Pesquisas Espaciais (INPE) e

a Universidade de Hannover.

Nesse contexto, o presente trabalho tem por

objetivo realizar a classificação do uso e cobertura do solo

de uma imagem do sistema Rapideye, a partir da

classificação OBIA.

2 MATERIAIS E MÉTODOS

A área de estudo está situada no município de

Uberaba, Minas Gerais, entre as coordenadas 188.249E

7.834.702N, zona 23S e 190.357E 7.831.840N zona 23S,

compreendendo 6,1 km². A Figura 1 apresenta a área de

estudos.

Figura 1- Área de estudo

Os procedimentos adotados para a classificação

foram: obtenção da imagem, definição das classes,

construção da rede semântica, testes das variáveis e

respectivos limiares, classificação, validação da

classificação e análise dos resultados. Para a classificação

do uso e cobertura do solo utilizou-se o software

InterImage 1.43, já os procedimentos de validação e

layout final do mapa foram realizados com auxílio do

QGIS 2.8.2.

Para a confecção do mapa de uso e cobertura do

solo foram utilizadas as 5 bandas da imagem Rapideye

(MMA, 2017), com resolução espacial de 5m, e resolução

radiométrica de 12 bits. Foram definidas as seguintes

classes de uso e cobertura do solo: sombra, sistema viário,

corpos d’água, vegetação arbórea, pastagem, edificações e

solo exposto.

Assim, para cada classe, atribuiu-se um conjunto

de regras, definidas a partir do conhecimento do

comportamento espectral dos alvos, da fotointerpretação e

dos testes de segmentação e escala. A seguir estão

descritas as regras de classificação para cada classe:

Tabela 1- Regras para classe sombra

Parâmetro Especificações

Operador TA_Arithmetic

Limite min 0

Limite max 2600

Expressão (R0:0 +R0:1 + R0:2 + R0:3 + R0:4 )/5

Tabela 2- Regras para classe vias


Operador TA_Baatz_segmenter

Bandas de entrada 0,1,2,3,4

Pesos das bandas 0.5,1, 0.8,0.4,0.5

Compacidade 0.1

Cor 0.9

Escala 320

Perímetro/área >0,17

brilho >4000

comprimento >150

Tabela 3-Regras para classe água


Operator TA_Arithmetic

Limite min 0.15

Limite max 1

Expressão ( R0:1 – R0:3 ) / ( R0:1 + R0:3 )




Tabela 4-Regras para classe Vegetação arbórea




Pesos das bandas 1,0.5,1,1,1

Compacidade 0.3

Cor 0.7

Escala 40

NDVI >0,11

Média banda 5 <3600

Média banda 1 <2000

Tabela 5- Regras para a classe Pasto




Pesos das bandas 1,0.5,1,1,1

Compacidade 0.3

Cor 0.7

Escala 40

NDVI >0.12

Média banda 5 >3600

Média banda 1 >1800

Tabela 6- Regras para a classe Edificações




Pesos das bandas 1,1,1,1,1

Compacidade 0.3

Cor 0.7

Escala 400

Media banda 3 >7500

Para a classe solo exposto utilizou-se o operador

Dummy topdown, uma vez que essa foi a única classe

restante, de modo que todos os pixels não classificados

nas regras anteriores foram classificados nessa classe.

Para a validação da classificação gerou-se 140 pontos

aleatórios no complemento Semi-automatic Classification

Plugin para gerar o índice Kappa, utilizando como

imagem de referência o Google Earth.

3 RESULTADOS E DISCUSSÃO

Para a confecção do mapa final de uso e cobertura

do solo foi necessário um conjunto de testes com alguns

parâmetros para cada classe, com o objetivo de evidenciá-

las individualmente. Uma vez definidos os parâmetros,

procederam-se os testes com os respectivos limiares. Para

as classes que utilizaram o operador TA_Baatz_Segmenter

foi necessário definir, entre outros parâmetros, o valor da

escala para segmentação da imagem. Dessa forma, a

Figura 2 apresenta uma porção da área de estudo

segmentada no fator de escala 320, o qual foi mais eficaz

para a classe vias.

Figura 2- Segmentação com fator de escala 320

Uma vez delimitadas as vias pela segmentação, foi

preciso criar regras adicionais com o intuito de classificá-

las, uma vez que as vias possuem resposta espectral

similar à classe solo exposto e edificações. Dessa forma,

foram criadas regras de decisão em que a razão

perímetro/área dos segmentos fosse maior que 0,17; o

brilho fosse maior que 4000 e o comprimento do

segmento maior que 150. Para a classe edificações,

obteve-se o melhor resultado de segmentação com o fator

de escala 400 (Figura 3), e brilho da banda 3 maior que

7500, de modo que não houvesse confusão com o solo

exposto.


A geração de segmentos com fator de escala

grande para as classes pasto e vegetação arbórea

aumentaram a confusão entre as demais classes no mapa

final. Por esse motivo, utilizou-se o fator de escala 40

para essas duas classes, adicionando regras baseadas nos

valores de NDVI e médias dos ND’s das bandas 4 e 5,




para classificação automática dos segmentos. A Figura 4

apresenta a segmentação com o fator de escala 40.


Para as classes sistema viário e corpos d’água utilizou-se

o operador TA_arithmetic, que não necessita de escolha

do fator de escala, por criar uma regra de decisão baseada

na razão de bandas. Dessa forma, para a classificação da

água gerou-se um índice baseado na razão das bandas 2 e

4, e para a classe vias utilizou-se um limiar referente à

resposta média das bandas. A Figura 5 apresenta a

classificação final do uso e cobertura do solo ao habilitar

no software todas as regras de decisão

concomitantemente.

A classe solo exposto ocupa 42,64% da área,

seguida pela classe pasto (30,54%) e pela classe

vegetação arbórea (24,60%). As demais classes somadas

não correspondem a 3% da área total. A presença de

argissolos juntamente com o solo exposto torna a área

propensa ao desenvolvimento de ravinas e voçorocas.

A Tabela 7 apresenta a Matriz de Confusão, a qual

resultou no índice de exatidão global de 85,8 e índice

Kappa de 0,75. Nota-se que houve confusões entre a

classe solo exposto, vegetação arbórea e pasto.

.

Figura 5- Mapa de uso e cobertura do solo

4 CONCLUSÕES

A utilização da classificação orientada a objetos

permite uma classificação semi-automática com alto grau

de acerto. Isso se deve ao fato da possibilidade de

acrescentar elementos de reconhecimento que são comuns

na fotointerpretação de uma imagem. Além disso,

diferentes objetos e fenômenos são perceptíveis nas mais

variadas escalas e, por esse motivo, a possibilidade de

escolha da escala para cada classe corrobora para a

eficiência do método empregado. Assim, é possível

extrair informações detalhadas de imagens com alta

resolução espacial de modo satisfatório e sem a

necessidade de grande demanda de tempo.

Tabela 7- Matriz de Confusão

Classe Solo exposto Veg arbórea Pasto Sombra Vias Edificações Água Total

Solo exposto 53 7 4 0 0 0 0 64

Veg arbórea 2 24 0 0 0 0 0 26

Pasto 7 1 27 0 0 0 0 35

Sombra 0 2 0 4 0 0 0 6

Vias 0 0 0 0 5 0 1 6

Edificações 0 0 0 0 0 2 0 2

Água 0 0 0 0 0 0 1 1

Total 62 34 31 4 5 2 1 140




AGRADECIMENTOS

Agradecimentos à Universidade Estadual Paulista “Júlio

de Mesquita Filho”- FCAV e à Universidade Federal do

Triângulo Mineiro pelo apoio.

REFERÊNCIAS

Alencar-Silva, T.; Maillard, P. Segmentação de imagens

de alta resolução utilizando o programa SMAGIC. In:

Simpósio Brasileiro de Sensoriamento Remoto (SBSR),

Natal, 2009.

Blaschke, T.; Strobl, J. What's wrong with pixels? Some

recent developments interfacing remote sensing and

GIS. GeoBIT-GIS, n. 6, p. 12-17, 2001.

Liu, Y.; Li, M.; Mao, L.; Xu, F.; Huang, S.Review of

Remotely Sensed Imagery Classification Patterns

Based on Object-oriented Image Analysis. Chinese

Geographical Science. n. 16, p. 282-288, 2006.

MMA-Ministério do Meio Ambiente. Imagens

Rapideye- Geocatálogo. Disponível em < http://

geocatalogo.ibama.gov.br/ > Acesso em 10 mar. 2017.

classificaÇÃo orientada a objetos para...

Documents