classificaÇÃo orientada a objetos de imagens tm e oli: … · a bacia hidrográfica do rio...
TRANSCRIPT
ISBN: 978-85-7282-778-2 Página 1
CLASSIFICAÇÃO ORIENTADA A OBJETOS DE IMAGENS TM E OLI:
UMA APLICAÇÃO NA BACIA HIDROGRÁFICA DO RIO
CAMANDUCAIA, PARA OS ANOS DE 2007 E 2018
Cassiano Gustavo Messias (a)
, Raul Reis Amorim (b)
(a) Departamento de Geografia, Instituto de Geociências, Universidade Estadual de Campinas (UNICAMP), E-
mail: [email protected]
(b) Departamento de Geografia, Instituto de Geociências, Universidade Estadual de Campinas (UNICAMP), E-
mail: [email protected]
Eixo: GEOTECNOLOGIAS E MODELAGEM APLICADA AOS ESTUDOS AMBIENTAIS
Resumo: O objetivo deste trabalho é realizar o mapeamento do uso da terra na bacia hidrográfica do rio Camanducaia (MG e SP), nos anos de 2007 e 2018. Utilizaram-se imagens Landsat TM e OLI, e o
mapeamento foi realizado através de técnicas de classificação orientada a objetos em Sistema de
Informação Geográfica (SIG). Os resultados mostraram que os usos mais comuns na área em estudo são
pastagens e matas. Os índices Kappa e exatidão global apresentaram valores elevados, comprovando
que a classificação apresentou bons resultados. Contudo, a segmentação teve melhor desempenho no
caso das imagens do sensor OLI, devido à maior resolução radiométrica.
Palavras chave: Classificação de imagens digitais; sensoriamento remoto; uso da terra; bacias
hidrográficas; support vector machine.
1. Introdução
O uso da terra se refere à maneira em que a superfície tem sido usada pelos homens,
geralmente com ênfase no papel funcional de terra para atividades econômicas. O padrão de
uso e cobertura da terra de uma região é um resultado de fatores naturais, socioeconômicos e
sua utilização pelo homem no tempo e no espaço (RAWAT; KUMAR, 2015).
A avaliação de bacias hidrográficas e o desenvolvimento de estratégias de manejo
exigem uma análise precisa do uso da terra. As mudanças de uso da terra são determinantes
nos processos hidrológicos e ecológicos que ocorrem em uma bacia hidrográfica (BUTT et
al., 2015), além de serem uma das principais causas das mudanças ambientais globais, tendo
sua importância nos debates sobre desenvolvimento sustentável (REGAZY; KALOOP, 2015).
ISBN: 978-85-7282-778-2 Página 2
Deste modo, mapas precisos e atualizados de uso da terra são recursos importantes na tomada
de decisões e no planejamento (FORKUOR et al., 2017).
As ferramentas de sensoriamento remoto, que são inovações tecnológicas que surgiram
na década de 1970, têm grande importância para análises ambientais e constituem-se como
principal forma atual de fazer cartografia (ALMEIDA et al., 2018). Neste sentido, o rápido
progresso na tecnologia de sensoriamento remoto na última década, tem favorecido a
obtenção de dados para observação da Terra (CHENG et al., 2017). Um dos avanços recentes
são as técnicas de classificação orientada a objetos, as quais tem se tornado mais populares
(BLASCHKE, 2010).
Este trabalho tem como objetivo realizar o mapeamento do uso da terra da bacia
hidrográfica do rio Camanducaia, localizada entre os estados de São Paulo e Minas Gerais.
Para isto, serão utilizadas técnicas de classificação orientada a objetos, as quais serão
aplicadas em imagens Landsat dos anos 2007 e 2018. Após o processo classificatório será
realizada a avaliação da classificação.
2. Área de estudo
A bacia hidrográfica do rio Camanducaia apresenta aproximadamente área de 1.039,14
km², e a gestão dos seus recursos hídricos se dá através do Comitê de Bacias Hidrográficas
dos rios Piracicaba, Capivari e Jundiaí – PCJ (Figura 1).
O Rio Camanducaia nasce a aproximadamente 1.500 metros de altitude a noroeste do
município de Toledo no Estado de Minas Gerais e tem sua foz no Rio Jaguari na cidade de
Jaguariúna (SP). Esta bacia hidrográfica drena além do município de Toledo (MG), os
municípios de Amparo, Holambra Jaguariúna, Monte Alegre do Sul, Pedra Bela, Pedreira,
Pinhalzinho, Santo Antônio de Posse, Serra Negra e Socorro, todos no estado de São Paulo. O
Rio Camanducaia é um dos principais tributários do Rio Jaguari, que ao confluir com o Rio
Atibaia, forma o Rio Piracicaba (MARTINS, 2011, p. 27).
ISBN: 978-85-7282-778-2 Página 3
Figura 1 – Localização da área de estudo em escala nacional (A), estadual (B) e municipal (C).
A referida bacia hidrográfica é caracterizada por ser uma área com a predominância de
morros e baixos morros, em substrato Pré-Cambriano, típico dos domínios da província
geomorfológica do Planalto Atlântico (MARTINS, 2011, p. 35). Tal configuração da litologia
e modelado, faz com que a bacia hidrográfica apresente uma alta densidade de drenagem.
ISBN: 978-85-7282-778-2 Página 4
3. Materiais e métodos
Foram utilizadas imagens obtidas pelos sensores multiespectrais Thematic Mapper
(TM) e Operation Land Imager (OLI), dos satélites Landsat 5 e 8, respectivamente. O sensor
TM operou com sete bandas espectrais, resolução espacial de 30 m, resolução temporal de 16
dias e resolução radiométrica de 8 bits. Já o sensor OLI possui nove bandas, resolução
espacial de 30 m, resolução temporal de 16 dias e resolução radiométrica de 12 bits.
Foram selecionadas imagens que abrangem a bacia hidrográfica do rio Camanducaia,
para os anos de 2007 e 2018, através do portal Earth Explorer (USGS, 2018) (Tabela I). Estas
imagens foram solicitadas com correções geométrica e atmosférica (reflectância na superfície)
e reprojetadas para o hemisfério Sul.
Tabela I: Produtos Landsat utilizados no mapeamento de uso da terra.
Órbita / ponto ID Data
220/76 LT05_L1TP_220076_20070823_20161111_01_T1 23/08/2007
219/76 LT05_L1TP_219076_20070816_20161112_01_T1 16/08/2007
220/76 LC08_L1TP_220076_20180821_20180829_01_T1 21/08/2018
219/76 LC08_L1TP_219076_20180814_20180828_01_T1 14/08/2018
O software ENVI 5.3 foi utilizado no processo de classificação. As imagens foram
importadas e foi feito o mosaico das duas cenas, para cada ano, e foi realizado o recorte da
área que abrange a bacia hidrográfica do rio Camanducaia. Foram geradas composições
coloridas falsa-cor (5R/4G/6B no caso de produtos OLI e 4R/3G/5B para TM) e cor
verdadeira (4R/3G/2B para OLI e 3R/2G/1B para TM). Foi aplicado o contraste linear 2%,
com a finalidade de melhorar a qualidade visual das imagens.
O mapeamento de uso do solo foi feito a partir de técnicas de classificação orientada a
objetos, que é dividida em duas etapas iniciais: segmentação das imagens e a construção de
amostras de treinamento. No processo de segmentação, foi utilizado o algoritmo Edge e o
valor 20 no Segment Setting, e Full Lambda Schedule e o valor 80 no Merge Setting. Os
ISBN: 978-85-7282-778-2 Página 5
valores foram escolhidos por tentativa e erro, através de uma avaliação visual da segmentação
das imagens aplicando diferentes números.
Antes da seleção de amostras de treinamento, foram escolhidas as classes a serem
identificadas no processo classificatório. Foram criadas quantas classes fossem necessárias
para um melhor desempenho do classificador. O quadro I apresenta as chaves de interpretação
para a seleção de amostras de treinamento das 12 classes selecionadas.
Quadro I: Chaves de interpretação e classes identificadas no processo classificatório.
Classe Cor Textura Forma Imagem (5R/4G/6B)
Solo exposto 1 Ciano Lisa Geométrica
Solo exposto 2 Verde Lisa Geométrica
Solo exposto 3 Branco Lisa Geométrica
Pastagem 1 Azul claro Média Irregular
Pastagem 2 Roxo Média Irregular
Cultura 1 Rosa claro Lisa Geométrica
ISBN: 978-85-7282-778-2 Página 6
Classe Cor Textura Forma Imagem (5R/4G/6B)
Cultura 2 Rosa escuro Lisa Geométrica
Cultura 3 Vermelho Lisa Geométrica
Mata densa Vermelho
escuro Rugosa Irregular
Mata ciliar Vermelho
escuro Média Irregular
Silvicultura Vermelho
brilhante Lisa Geométrica
Água Verde escuro Lisa Irregular
Após a escolha das classes, foi realizado o processo de seleção de amostras de
treinamento. A partir do vetor de segmentação da imagem, associado com as composições
coloridas, foram selecionadas entre 50 e 100 amostras para classe, a depender da
disponibilidade de áreas representativas dentro da imagem. A classificação foi feita pelo
algoritmo Support Vector Machine, que para a grande maioria das classes, permitiu obter
maior precisão dos resultados. Os procedimentos de classificação orientada a objetos no
ENVI podem ser encontrados com maior detalhe em Messias e Ayer (2017).
Após obter os resultados, a classificação foi exportada em formato vetorial. Este arquivo
foi importado no ArcGIS 10.2, onde buscou-se, visualmente, identificar possíveis erros de
ISBN: 978-85-7282-778-2 Página 7
classificação, os quais foram editados. Além disto, os polígonos associados a áreas urbanas
foram definidas manualmente, visto que após testes realizados, percebeu-se que a
classificação automática não gerou bons resultados. Foi feita a junção das subclasses em
grandes classes (por exemplo, mata densa e mata ciliar foram reclassificadas como mata).
Por fim, avaliou-se a acurácia da classificação. O número de amostras utilizadas foi
selecionado proporcionalmente à quantidade de polígonos obtidos em cada classe. Foram
amostrados, aleatoriamente, 3 % dos polígonos gerados para cada classe (porém considerou-
se um valor mínimo de 5 amostras no caso de classes com pouca expressividade). Estas
amostras foram avaliadas com base em imagens de alta resolução, disponíveis no Google
Earth, nas próprias composições coloridas e também pelo conhecimento da área de estudo.
Foi construída uma matriz de confusão e foram gerados os índices Kappa e exatidão global.
4. Resultados e discussão
4.1 Uso da terra
O resultado da classificação mostrou que, no ano de 2007, o uso mais comum estava
associado às áreas de pastagem, que ocupava 42,44% da área (Figura 2; Tabela II). Na
sequência, as matas tinham grande representatividade, já que matas ciliares e fragmentos de
mata ocupavam 40,84% da área de estudo.
Os cultivos agrícolas, que abrangem culturas temporárias e culturas permanentes,
representavam 7,37%. As áreas de solo exposto, que na maioria das vezes eram terrenos que
estavam sendo preparados para o cultivo, representavam 3,69%. A silvicultura na área,
relacionada ao cultivo de eucalipto, abrangia 2,89%. As áreas urbanas representavam 2,04%,
e enquanto os corpos d’água 0,73%.
ISBN: 978-85-7282-778-2 Página 8
Figura 2: Mapa de uso do solo da bacia hidrográfica do rio Camanducaia em 2007.
Tabela II: Área ocupada pelas diferentes classes de uso do solo no ano de 2007
Classe Área (km²) Área (%) Cultivos agrícolas (CA) 76,57 7,37 Mata (MA) 424,34 40,84 Água (AG) 7,64 0,73 Silvicultura (SI) 30,01 2,89 Solo exposto (SE) 38,37 3,69 Área urbana (AU) 21,18 2,04 Pastagem (PA) 441,04 42,44 Total 1039,14 100,00
No ano de 2018, o uso predominante foram também as pastagens, que ocupavam
46,70% da área. Em relação à classe mata, houve queda no percentual identificado, pois no
ano em questão esta classe apareceu com 33,02%. Esta queda expressiva se deu devido ao
processo de segmentação da imagem de TM não ter sido tão eficiente como na imagem OLI.
A imagem OLI possui maior resolução radiométrica, o que permitiu melhor a definição das
bordas entre uma classe e outra. Deste modo, no processo de segmentação das imagens TM,
houve dificuldade maior do algoritmo em perceber os limites entre as classes (Figura 3 e
Tabela III).
ISBN: 978-85-7282-778-2 Página 9
Figura 3: Mapa de uso do solo da bacia hidrográfica do rio Camanducaia.
Tabela III: Área ocupada pelas diferentes classes de uso do solo no ano de 2018.
Classe Área (km²) Área (%) Cultivos agrícolas (CA) 62,35 6,00 Mata (MA) 343,08 33,02 Água (AG) 3,99 0,38 Silvicultura (SI) 59,74 5,75 Solo exposto (SE) 48,64 4,68 Área urbana (AU) 36,11 3,47 Pastagem (PA) 485,23 46,70 Total 1.039,14 100,00
Houve o crescimento da silvicultura, que passou a representar 5,75%. Os cultivos
agrícolas e os solos expostos passaram a ocupar, respectivamente, 6,0% e 4,68%. As áreas
urbanas expandiram, ocupando 3,47%. Por sua vez, os corpos d'água apresentaram volume
abaixo, representando 0,38%.
4.2 Avaliação da classificação
Para o mapa de 2007, o processo segmentou um total de 6.393 polígonos e, para o
cálculo da acurácia, 3% dos polígonos foram avaliados, ou seja, 195 polígonos. O número de
polígonos avaliados em cada classe foi proporcional ao total de polígonos observados nelas.
Através da matriz de confusão (Quadro II), foi possível constatar que a classificação da bacia
ISBN: 978-85-7282-778-2 Página 10
hidrográfica do rio Camanducaia apresentou índice de exatidão global de 0,9128, que
significa que 91,28% dos polígonos amostradas foram classificadas corretamente. O valor de
índice Kappa foi de 0,89, considerado excelente por Congalton e Green (1999).
Quadro II: Matriz de confusão da classificação realizada pelo algoritmo SVM em 2007.
Verificação em campo e por imagem de maior resolução CA MA PA SI SE AG AU Total EC
Imagem
classificada CA 17 2 1 20 0,15 MA 3 45 5 53 0,15 PA 2 53 3 58 0,09 SI 10 10 0,00 SE 1 33 34 0,03 AG 15 15 0,00 AU 5 5 0,00
Total 22 45 56 15 37 15 5 195
EO 0,23 0,00 0,05 0,33 0,11 0,00 0,00
Constatou-se que os maiores erros de classificação estão associados a coberturas
vegetais. 15% dos polígonos de cultivos agrícolas pertentes a outros usos, sendo eles
pastagem ou solo exposto. As matas também tiveram erro de comissão de 15%, sendo que
polígonos atribuídos a esta classe pertencem a cultivos agrícolas e silvicultura. Os erros de
comissão das pastagens foi de 9%, pois houve confusão com solo exposto e cultivos agrícolas.
Os erros de comissão de solo exposto foram de 3%, pois houve confusão com pastagem.
Em relação aos erros de omissão, 33% dos polígonos associados a silvicultura foram
classificados como mata. Além disto, 23% dos polígonos de cultivos agrícolas foram
atribuídos a matas e pastagem. 11% do solo exposto foi classificado como cultivos agrícolas e
pastagem. Por fim, 5% das pastagens foram atribuídas a cultivos agrícolas e solo exposto. As
classes água e áreas urbanas não tiveram erros na amostragem.
No mapeamento do ano de 2018 foram segmentados 7.265 polígonos e, para o cálculo
da acurácia do mapa, 220 polígonos foram avaliados. A matriz de confusão (Quadro III)
mostra que o índice de exatidão global foi de 0,9318, ou seja, 93,18 % dos polígonos
ISBN: 978-85-7282-778-2 Página 11
amostradas foram classificadas corretamente. O valor de índice Kappa foi de 0,914, valor
excelente na visão de Congalton e Green (1999).
Quadro III: Matriz de confusão da classificação realizada pelo algoritmo SVM.
Verificação em campo e por imagem de maior resolução CA MA PA SI SE AG AU Total EC
Imagem
classificada CA 28 3 2 33 0,15 MA 1 70 2 73 0,04 PA 38 3 41 0,07 SI 1 1 26 28 0,07 SE 1 29 1 31 0,06 AG 9 9 0,00 AU 5 5 0,00
Total 30 74 41 28 32 9 6 220
EO 0,07 0,05 0,07 0,07 0,09 0,00 0,17
Os maiores erros de comissão foram de cultivos agrícolas, pois 15% dos polígonos
atribuídos a esta classe são, na realidade, pertencentes a matas e pastagens. O erro das classes
pastagem e silvicultura foi de 7%, pois polígonos classificados são, na verdade, pertencentes
no primeiro caso a solo exposto, e, no segundo, a cultivos agrícolas e mata. 6% dos polígonos
classificados como solo exposto são pastagens ou área urbana. O erro na classe mata, neste
caso, foi menor que no mapeamento anterior, pois somente 4% dos polígonos de mata
pertencem a cultivos agrícolas ou silvicultura. No que se refere aos erros de omissão, as classes
que mais tiveram áreas excluídas da classificação foram as áreas urbanas (17%) e solo exposto
(9%), seguidas por cultivos agrícolas (7%), pastagem (7%), silvicultura (7%) e mata (5%).
5. Considerações finais
As técnicas de classificação orientada a objetos em SIG, associadas a imagens Landsat
TM e OLI, permitiram obter de mapas de uso da terra com excelentes índices Kappa e
exatidão global. Contudo, a segmentação mostrou-se mais eficiente no produto OLI, visto que
a maior resolução radiométrica permitiu uma definição mais detalhada das bordas entre uma
classe e outra. Apesar disto, os produtos gerados nesta pesquisa permitem perceber a
ISBN: 978-85-7282-778-2 Página 12
frequência e distribuição dos diferentes usos da terra em 2007 e 2018, e poderão ser utilizados
no planejamento e na gestão bacia hidrográfica do rio Camanducaia.
6. Agradecimentos
Agradecimentos à Fundação de Amparo à pesquisa do Estado de São Paulo pelo
financiamento do projeto de Pesquisa. Processo nº. 2018/09401-1.
7. Referências bibliográficas
ALMEIDA, R. T. S.; MOREIRA, A. N. H.; GRIEBELER, N. P.; SOUZA, S. B. Influência de
dados e métodos no mapeamento do uso e da cobertura da terra. Ra’e Ga, v. 43, 2018.
BLASCHKE, T. Object based image analysis for remote sensing. ISPRS Journal of
Photogrammetry and Remote Sensing, v.65, n.1, p.2-16, 2010.
BUTT, A.; SHABBIR, R.; AHMAD, S. S. AZIZ, N. Land use change mapping and analysis
using Remote Sensing and GIS: A case study of Simly watershed, Islamabad, Pakistan. The
Egyptian Journal of Remote Sensing and Space Science, v. 18, n. 2, p. 251-259, 2015.
CHENG, G.; HAN, J.; LU, X. Remote sensing image scene classification: benchmark and
state of the art. Proc. IEEE, v. 99, p. 1-19, 2017.
CONGALTON, R.G.; GREEN, K. Assessing the accuracy of remotely sensed data: principles and practices. Boca Raton: CRC Press, 1999.
FORKUOR, G.; DIMOBE, K.; SERME, I.; TONDOH, J. E. Landsat-8 vs. Sentinel-2:
examining the added value of sentinel-2’s red-edge bands to land-use and land-cover mapping
in Burkina Faso. GIScience & Remote Sensing, p. 1-24, 2017
HEGAZY, I. R.; KALOOP, M. R. Monitoring urban growth and land use change detection
with GIS and remote sensing techniques in Daqahlia governorate Egypt.
International Journal of Susteinable Built Environmental, v. 4, p. 117-124, 2015.
MARTINS, S. C. Caracterização geoambiental como subsídio ao planejamento urbano e
turístico em Amparo (SP). 2011. 121 f. Dissertação - (mestrado) - Universidade Estadual
Paulista, Instituto de Geociências e Ciências Exatas, 2011.
MESSIAS, C. G.; AYER, J. E. B. Classificação de imagens digitais LANDSAT 8 no software
ENVI: material teórico-prático. In: PEREZ FILHO, A.; AMORIM, R. R.. (Org.). Os Desafios
da Geografia Física na Fronteira do Conhecimento. Campinas: UNICAMP, 2017.
RAWAT, J. S.; KUMAR, M. Monitoring land use/cover change using remote sensing and
GIS techniques: A case study of Hawalbagh block, district Almora, Uttarakhand, India. The
Egyptian Journal of Remote Sensing and Space Science, v. 18, p. 77-84, 2015.