classificaÇÃo orientada a objetos para...
TRANSCRIPT
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
IV Simpósio Brasileiro de Geomática – SBG2017
II Jornadas Lusófonas - Ciências e Tecnologias de Informação Geográfica - CTIG2017
A.G.Utsumi;T.C.T.Pissarra;D.L.Rosalen;L.P.Miranda ISSN 1981-6251
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
Parâmetro Especificações
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
Parâmetro Especificações
Operator TA_Arithmetic
Limite min 0.15
Limite max 1
Expressão ( R0:1 – R0:3 ) / ( R0:1 + R0:3 )
IV Simpósio Brasileiro de Geomática – SBG2017
II Jornadas Lusófonas - Ciências e Tecnologias de Informação Geográfica - CTIG2017
A.G.Utsumi;T.C.T.Pissarra;D.L.Rosalen;L.P.Miranda ISSN 1981-6251
Tabela 4-Regras para classe Vegetação arbórea
Parâmetro Especificações
Operador TA_Baatz_segmenter
Bandas de entrada 0,1,2,3,4
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
Parâmetro Especificações
Operador TA_Baatz_segmenter
Bandas de entrada 0,1,2,3,4
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
Parâmetro Especificações
Operador TA_Baatz_segmenter
Bandas de entrada 0,1,2,3,4
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.
Figura 3- Segmentação com fator de escala 400
A geração de segmentos com fator de escala
grande para as classes pasto e vegetação arbórea
aumentaram a confusão entre as demais classes no mapa
final. Por esse motivo, utilizou-se o fator de escala 40
para essas duas classes, adicionando regras baseadas nos
valores de NDVI e médias dos ND’s das bandas 4 e 5,
IV Simpósio Brasileiro de Geomática – SBG2017
II Jornadas Lusófonas - Ciências e Tecnologias de Informação Geográfica - CTIG2017
A.G.Utsumi;T.C.T.Pissarra;D.L.Rosalen;L.P.Miranda ISSN 1981-6251
para classificação automática dos segmentos. A Figura 4
apresenta a segmentação com o fator de escala 40.
Figura 4- Segmentação com fator de escala 40
Para as classes sistema viário e corpos d’água utilizou-se
o operador TA_arithmetic, que não necessita de escolha
do fator de escala, por criar uma regra de decisão baseada
na razão de bandas. Dessa forma, para a classificação da
água gerou-se um índice baseado na razão das bandas 2 e
4, e para a classe vias utilizou-se um limiar referente à
resposta média das bandas. A Figura 5 apresenta a
classificação final do uso e cobertura do solo ao habilitar
no software todas as regras de decisão
concomitantemente.
A classe solo exposto ocupa 42,64% da área,
seguida pela classe pasto (30,54%) e pela classe
vegetação arbórea (24,60%). As demais classes somadas
não correspondem a 3% da área total. A presença de
argissolos juntamente com o solo exposto torna a área
propensa ao desenvolvimento de ravinas e voçorocas.
A Tabela 7 apresenta a Matriz de Confusão, a qual
resultou no índice de exatidão global de 85,8 e índice
Kappa de 0,75. Nota-se que houve confusões entre a
classe solo exposto, vegetação arbórea e pasto.
.
Figura 5- Mapa de uso e cobertura do solo
4 CONCLUSÕES
A utilização da classificação orientada a objetos
permite uma classificação semi-automática com alto grau
de acerto. Isso se deve ao fato da possibilidade de
acrescentar elementos de reconhecimento que são comuns
na fotointerpretação de uma imagem. Além disso,
diferentes objetos e fenômenos são perceptíveis nas mais
variadas escalas e, por esse motivo, a possibilidade de
escolha da escala para cada classe corrobora para a
eficiência do método empregado. Assim, é possível
extrair informações detalhadas de imagens com alta
resolução espacial de modo satisfatório e sem a
necessidade de grande demanda de tempo.
Tabela 7- Matriz de Confusão
Classe Solo exposto Veg arbórea Pasto Sombra Vias Edificações Água Total
Solo exposto 53 7 4 0 0 0 0 64
Veg arbórea 2 24 0 0 0 0 0 26
Pasto 7 1 27 0 0 0 0 35
Sombra 0 2 0 4 0 0 0 6
Vias 0 0 0 0 5 0 1 6
Edificações 0 0 0 0 0 2 0 2
Água 0 0 0 0 0 0 1 1
Total 62 34 31 4 5 2 1 140
IV Simpósio Brasileiro de Geomática – SBG2017
II Jornadas Lusófonas - Ciências e Tecnologias de Informação Geográfica - CTIG2017
A.G.Utsumi;T.C.T.Pissarra;D.L.Rosalen;L.P.Miranda ISSN 1981-6251
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.