estudo comparativo entre as estimativas de áreas ... · agropecuários já estão ... pixels dos...

II Workshop de Tecn. da Inf. aplicada ao Meio Ambiente – CBComp 2004 Sistemas de Informações Geográficas

791

Abstract – The “Parque Indígena do Xingu”, located in one

transition region between the Brazilian Savannah (Cerrado) and the Amazon Forest, is one of the major indigenous parks of Brazil. Transitions between these two biomes present a particular biodiversity. In spite of the importance of this park for the preservation and conservation of its natural resourses and also the maintenance of the quality of life of the indian inhabitants, the increasing disorder in the agricultural and clatter activities around this park, brought a lot of environmental problems. The need of monitoring human activities is necessary, because it allows an environmental intervention policy. This monitoring is already contemplated by the PRODES Project, and its statistics of the deforestation areas area published once a year. However, the human activities happen in smaller intervals making difficult the action of environmental policy, because of the high dimension of the Amazon biome. In recent times, with the increase and improvement of new sensors in new orbital platforms, it is possible to obtain data from the Earth with a moderate spatial resolution practically every day. The aim of this research is to verify the feasibility and the impact of the utilization of the MODIS/EOS-AM1 data as an alternative for the utilization of the TM/Landsat data to map forest and non-forest areas in one area of “Parque Indígena do Xingu”.

Index Terms – Forest map, Amazon Forest, Parque Indígena

do Xingu, MODIS, EOS-AM1.

I. INTRODUÇÃO OM uma superfície aproximada de 28 mil km2, o Parque Indígena do Xingu (PIX) é uma das maiores áreas

indígenas do País. Dentro de seus limites, o parque abriga uma grande diversidade cultural e ambiental. Vivem no parque cerca de quatro mil indivíduos, distribuídos em 14 distintas etnias [1]. Do ponto de vista ambiental, o parque situa-se em uma região de grande biodiversidade, devido à sua localização em uma área de transição entre dois biomas, o Cerrado e a Floresta Amazônica.

A importância do PIX, enquanto unidade de conservação, torna-se evidente diante da atual realidade de seu entorno. O processo de ocupação do solo através das atividades de

Grupo de Estudos em Aplicações de Sensoriamento Remoto em

Ecossistemas Terrestres. Parte da monografia final apresentada na disciplina de Processamento Digital de Imagens do Curso de Mestrado em Sensoriamento Remoto do Instituto Nacional de Pesquisas Espaciais.

V. Liesenberg e A. Lima são alunos de pós-graduação do INPE e bolsistas do CNPq/Brasil. E-mail: {vlberg, andre}@ltid.inpe.br

agricultura e pecuária e a conseqüente degradação do ambiente, através do seu uso extensivo e da abertura de novas fronteiras agrícolas, contribuíram com que a cobertura florestal da região restringisse aos limites do parque [1].

A fim de proteger o PIX do avanço da ocupação, a Associação Terra Indígena Xingu (ATIX), uma organização governamental formada para defender os interesses dos povos indígenas do Xingu, conta com uma estrutura de fiscalização para monitorar a ocupação do parque. Estas estruturas contam atualmente com 11 postos de vigilância, sob a responsabilidade dos órgãos ambientais IBAMA (Instituto Brasileiro de Meio Ambiente) e FEMA (Fundação Estadual do Meio Ambiente). Estes postos estão presentes em algumas áreas que possibilitam o acesso ao Parque, como nas margens dos principais rios e na fronteira com a BR-080. Diante das dimensões territoriais e das pressões externas sofridas pelo parque, fica evidente a debilidade dessa estrutura de fiscalização. Para suprir essa fragilidade, a ATIX firmou uma parceria com o Instituto Sócio-Ambiental (ISA), uma organização ambiental sem fins lucrativos, criando um projeto entitulado “Projeto Fronteiras”.

O Projeto Fronteiras apresenta diversas propostas de atuação, como a manutenção dos marcos dos limites físicos do PIX, a construção de um banco de dados georreferenciados das propriedades adjacentes ao Parque e o mapeamento da dinâmica de desmatamento através da interpretação de imagens orbitais [1]. É importante mencionar que o Projeto Fronteiras, apesar de direcionar as suas atividades na proteção das fronteiras do parque, como o próprio nome do projeto sugere, monitora também todo o entorno do PIX, que compreende a bacia hidrográfica do alto rio Xingu. O monitoramento da área de entorno é importante por possibilitar o acompanhamento da marcha de ocupação (degradação), principalmente nas nascentes dos afluentes do rio Xingu que estão na sua maioria fora do limites do parque.

Este monitoramento da cobertura florestal já é contemplado pelo Projeto PRODES (Programa de Avaliação do Desflorestamento da Amazônia). Entretanto, a divulgação dos seus dados é realizada a cada ano. Conseqüentemente, as ações de intervenção por parte dos órgãos ambientais muitas vezes só são realizadas quando empreendimentos agropecuários já estão estabelecidos. Outro agravante é que a aquisição de imagens dos sensores TM/ETM+ do Landsat

Estudo comparativo entre as estimativas de áreas florestadas a partir de dados TM/Landsat e

MODIS/EOS-AM1 Veraldo Liesenberg & André de Lima

C


792

para grandes extensões territoriais torna qualquer processo de mapeamento uma atividade extremamente onerosa. São necessárias 12 cenas TM/ETM+ para cobrir toda a área do PIX e de seu entorno. Entretanto, a disponibilidade de imagens livres de nuvens é dificultada pela resolução temporal do Landsat que é de 16 dias.

Assim, é evidente que para um acompanhamento contínuo da ocupação do solo, faz-se necessária a utilização de dados provenientes de sensores orbitais que tenham como característica uma melhor resolução temporal.

Como alternativa material-metodológica, o presente estudo propõe a avaliação do produto MOD-9 (250m) que é adquirido diariamente pelo sensor MODIS (Moderate-resolution Imaging Spectroradiometer) no monitoramento do desflorestamento dos limites e entorno do PIX. Este sensor está a bordo do satélite Terra (EOS-AM1). Maiores informações sobre este sensor e dos seus objetivos podem ser encontradas em [2].

O MOD-9 é um produto de reflectância de superfície, realizado a partir das bandas de estudo da superfície terrestre 1, 2, 3, 4, 5, 6 e 7 (com os comprimentos de onda centrados em 648nm, 858nm, 470nm, 555nm, 1240nm, 1640nm, e 2130nm, respectivamente). Este produto é uma estimativa da reflectância espectral de superfície para cada uma das bandas, isto é, corrigidas atmosfericamente. O MOD-9 é ofertado com resoluções espaciais de 250, 500 e 1000m. O produto é oferecido com uma periodicidade de um, dezesseis e trinta dias. A principal diferença desses produtos, nestas diferentes periodicidades, está no seu nível de processamento.

A justificativa de se propor o uso de imagens MODIS encontra-se principalmente nos seguintes aspectos:

a).disponibilidade gratuita na rede mundial de

computadores; b) alta resolução temporal (dois dias para a área em

questão); c) correção geométrica e atmosférica já presentes nos

produtos disponíveis aos usuários e; d) um sistema de avaliação de qualidade (QA), que exclui

pixels dos produtos que sofreram interferência de nuvens; entre outros atributos que tornam os produtos MODIS passíveis de serem avaliados [3-4].

Este trabalho se propõe a avaliar a potencialidade do

produto MOD-9 diário (250m) no monitoramento de desflorestamento em uma área piloto do entorno do PIX, localizada no município de Querência do Norte, em 2 de agosto de 2002. Objetiva-se verificar o impacto da quantificação de áreas florestadas e não-florestadas, utilizando o MOD-9 em comparação aos dados gerados pelo Projeto PRODES.

II. MATERIAL E MÉTODOS

A. Descrição da área de estudo O Parque Indígena do Xingu (PIX) localiza-se na região

nordeste do Estado do Mato Grosso, na porção sul da Amazônia brasileira. A Figura 1 mostra a localização da área de estudo, dentro dos contextos nacional, estadual e do parque.

O clima da região, segundo a classificação de Köppen, é do tipo Am (tropical úmido com estação seca pouco pronunciada), caracteristicamente quente e úmido, com 4 a 5 meses secos (de maio a setembro). As temperaturas anuais variam entre 20º a 26º, de acordo com a altitude e as precipitações anuais, que variam de 1800mm no Alto Xingu até 1200mm a leste e sudeste da área [5].

Segundo [6], a topografia da região é aplainada, mal ultrapassando a cota de 400m, enquanto as planícies largas dos rios têm uma altitude pouco abaixo de 300m. Os rios correm com dificuldade em várzeas amplas e entulhadas de sedimentos, resultando em um padrão meândrico, enquanto as partes elevadas são constituídas de sedimentos argilo-arenosos plio-pleistocênicos [7].

Os solos predominantes ao nível de grande grupo são os Argissolos, juntamente com os solos hidromórficos e aluviais. Constituem-se, na sua grande maioria, solos de baixa fertilidade natural [5].

Segundo [8], a cobertura florestal pode ser classificada em diversas fitofisionomias dos biomas do Cerrado e da Floresta Amazônica e dos seus respectivos ecótones, dando a ela uma peculiaridade especial. Predominam espécies arbóreas de grandes dimensões (15 a 20m) com vários estratos bem definidos, constituídos nos estratos superiores por espécies deciduais e semi-deciduais estacionais. Os estratos inferiores podem perder as suas folhas em parte ou inteiramente, de acordo com a menor ou maior indisponibilidade de água no solo.

Fig. 1. Localização da área de estudo dentro dos contextos nacional e estadual e do Parque Indígena do Xingu.


793

B. Materiais utilizados Neste trabalho foram utilizados os seguintes materiais: a) Mapeamento executado pelo PRODES, usado como

verdade terrestre; b) Radiância aparente do topo de atmosfera dos sensores

TM/ETM+ do Landsat para fins de auxílio na interpretação; c) Reflectância de superfície do produto MOD-9 diário

(250 e 500 m) do sensor MODIS, de onde foram extraídas as estimativas de cobertura do solo; e o

d) Aplicativo SPRING (Sistema de Processamento de Imagens Georeferenciadas) [9], em sua versão 4, onde foram realizados todos os processamentos.

C. Seleção da área de estudo A seleção da área de estudo para este trabalho foi feita em

função dos seguintes fatores: a) a importância estratégica da região de ecótone entre os

biomas do Cerrado e da Floresta Amazônica e também a inserção do Parque no arco do desflorestamento;

b) a importância deste Parque Indígena no Sistema Nacional de Unidades de Conservação, já que é o maior Parque Indígena do Brasil;

c) a necessidade de informações sobre o impacto da resolução espacial na quantificação de áreas florestadas e não-florestadas no monitoramento do Parque Indígena do Xingu.

A área de estudo selecionada é imageada pelo MODIS na

órbita-ponto H12/V10. O sistema adotado para distribuir as imagens MODIS no globo terrestre é semelhante ao WRS (Worldwide Reference System), um sistema utilizado para os dados dos sensores a bordo da série Landsat. Neste sistema, a área de estudo encontra-se na órbita/ponto 224/69. Foram escolhidas as datas de 02 de agosto para a imagem TM/Landsat e de 10 de agosto para a imagem MODIS. A escolha destas datas deve-se ao fato de que as imagens utilizadas pelo Projeto PRODES foram do mesmo período.

D. Obtenção dos dados As imagens TM/Landsat foram obtidas do acervo de

imagens da Divisão de Sensoriamento Remoto (DSR). Este acervo é formado pelas imagens que foram utilizadas pelos pesquisadores da DSR, pelas imagens utilizadas no Projeto PRODES e em outros convênios com Instituições de Ensino ou Pesquisa. O Banco de dados, contendo apenas as cartas temas do Projeto PRODES é disponibilizado na Internet para fins científicos e educacionais. Foram utilizados para este trabalho os bancos de dados referentes ao ano de 2002, da órbita-ponto 224/69. Estes bancos de dados podem ser obtidos mediante cadastro prévio e podem em seguida ser acessados pela Internet [10].

As imagens do sensor MODIS estão disponíveis gratuitamente na Internet [11]. Para efetuar o pedido das

imagens, o usuário pode entrar como convidado ou como usuário cadastrado. O último é aconselhável quando houver interesse na freqüente aquisição de imagens.

Os procedimentos realizados para os pedidos das imagens estão descritos a abaixo:

a) Selecionar o sensor, no presente caso o sensor

MODIS/EOS-AM1. b) Escolher os produtos oferecidos pelo sensor, produto de

superfície MOD-9 diário nas resoluções espaciais de 250 e 500m.

c) Escolher a data da imagem. d) Identificar a órbita-ponto da imagem, no presente caso

H12/V10. e) Acionar a busca das imagens. f) Selecionar a(s) imagem(s) desejada(s). g) Escolher a maneira de como será recebida a imagem. As

opções disponíveis são em CD, DVD e FTP. Devido a maior agilidade no recebimento dos dados, a opção via FTP foi a escolhida.

Para a realização deste trabalho, foram solicitadas duas

imagens do produto MOD-9 diário, nas resoluções espaciais de 250 e 500m, para o ano de 2001. A aquisição de imagens com diferentes resoluções deve-se ao fato de que o produto com resolução de 250m possui apenas duas bandas (vermelho e infravermelho). Já o produto de 500m possui imagens em outras cinco bandas (uma no azul, uma no verde e outras três no infravermelho). Desta forma, complementa-se a informação espectral do MOD-9 250m, sendo que também é possível realizar uma composição colorida RGB. A equivalência das resoluções espaciais foi realizada através do aplicativo MRT (MODIS Reprojection Tools) para as bandas de 500m, reamostrando-as posteriormente para 250m..

E. Processamento digital das imagens TM/Landsat

E.1 Registro das imagens Para o registro das imagens TM do sensor Landsat, foi

utilizado um mosaico realizado com estas imagens contendo as bandas 2, 4 e 7, georeferenciadas e ortorretificadas, com resolução espacial de 28,5 metros e datas aproximadas ao ano de 1990. Estes dados podem ser obtidos para quase todo o globo através de um servidor de imagens na Internet, o MrSID [12]. Estas imagens podem servir como base para novos georeferenciamentos do tipo imagem para imagem.

Inicialmente alguns procedimentos são necessários para a correta utilização destes dados. Os dados são obtidos com extensão *.sid para cada carta de 1:1000000 do Sistema Cartográfico Internacional. Esta extensão precisa ser codificada para um formato compatível ao aplicativo utilizado; no presente caso, o aplicativo SPRING. Um aplicativo capaz de realizar esta conversão é o MrSid Geoviewer. Este aplicativo exporta a extensão original para o formato geotiff, compatível com o aplicativo SPRING. Para que este procedimento seja possível, é necessária a edição dos


794

arquivos que contêm os parâmetros geométricos da área em questão. Isto é realizado para o arquivo *.sdw que contém as coordenadas iniciais da imagem. Em geral, a sua edição nada mais é do que uma simples soma no eixo y do valor de 10000000 à coordenada original. Esta alteração faz com que a referência inicial da coordenada y esteja de acordo com a convenção utilizada para a projeção UTM (Universal Transverse Mercator) no hemisfério sul. Em seguida, realiza-se a exportação dos dados. Na exportação dos dados, serão criados uma imagem Geotiff e um arquivo texto, contendo várias informações de ordem cartográfica. Antes de importar os dados para o aplicativo SPRING, este arquivo precisa ser editado, trocando vírgulas por pontos.

E.2 Correção atmosférica Para fins de exercício, as imagens TM/Landsat foram

submetidas ao processo de correção atmosférica, através do método da subtração do pixel escuro [13]. Este método foi escolhido por apresentar relativa facilidade de uso no aplicativo SPRING, além de não necessitar parâmetros adicionais como os apresentados por [14], nos métodos baseados pela transferência radiativa, como por exemplo o 6S [15].

F. Processamento digital de imagens MODIS

F1. Conversão de dados Após a aquisição dos dados MODIS através de FTP, estas

imagens tiveram a sua projeção cartográfica, projeção Senosoidal, reprojetada para projeção Geográfica. Este procedimento foi realizado porque o aplicativo SPRING não foi capaz de importar as imagens com tal projeção. O aplicativo para realizar essa transformação foi o MRT (Modis Reprojection Tools), desenvolvido especificamente para realizar esta operação. Este aplicativo também foi utilizado para reamostrar os dados de 500m para 250m, exportados em seguida com a extensão Geotiff.

Outra transformação aplicada aos produtos MODIS para a sua operacionalização no aplicativo SIG foi a conversão de seus níveis de quantização. O aplicativo SPRING trabalha apenas com um nível de quantização de no máximo 8 bits. Entretanto, os produtos do MODIS são fornecidos com o nível de quantização de 16 bits. Para esta conversão, foi utilizado o aplicativo ConvGeottif, que aplica uma reamostragem linear para este procedimento.

Após as transformações mencionadas anteriormente, as imagens MODIS foram importadas para um banco de dados do aplicativo SPRING. Após a importação, foi criada uma imagem sintética com a composição colorida 1 (R), 2 (G), 3 (B). Tal imagem foi amplamente utilizada para comparação com os produtos das classificações digitais descritas posteriormente. Esta composição é mostrada na Figura 2.

Fig. 2. Imagem MODIS (MOD-9) da área de estudo em composição 1 (R), 2 (G), 3 (B).

F2. Aplicação do Modelo de Mistura Linear O modelo linear de mistura espectral foi utilizado para

fazer a caracterização geral inicial dos componentes de cena. Optou-se pelo uso de um modelo linear de mistura espectral simples [16]. Este modelo é baseado na seleção de três membros de referência (vegetação, solo e sombra). O modelo de mistura foi gerado a partir das sete bandas da imagem MODIS, sendo criadas a partir destas, três novas imagens. Estas imagens correspondem às componentes: o solo, a sombra e/ou a água e a vegetação. Para tanto, buscou-se identificar pixels que melhor representassem o comportamento espectral de tais componentes. Os pixels que melhor representam cada uma destas classes (solo, sombra e/ou água e vegetação) são encontrados na literatura como pixels puros.

A amostra do componente solo apresentou a maior diferença no seu comportamento espectral, quando comparada ao comportamento espectral esperado do solo. Devido às características da área, que não apresentava áreas significativas de solo exposto, a curva da reflectância espectral apresentou uma contaminação por vegetação. Isto pode ter sido ocasionado por causa das práticas culturais empregadas na região. Outra hipótese é que, por se tratar de um período de estiagem, a área escolhida como pixel puro era coberta por pastagens no período das chuvas.

F3. Segmentação A segmentação de imagem é uma técnica que subdivide a

imagem em pequenas áreas homogêneas, através de um


795

processo de agrupamento de dados. Esse processo inicia-se com a rotulação de cada “pixel” para uma dada região. Em seguida, é utilizado um critério de similaridade para cada par de regiões espacialmente adjacente, baseando-se em um teste de hipótese estatístico de média entre regiões analisadas. Finalmente, a imagem é dividida em um conjunto de sub-regiões e então se realiza a união entre elas, segundo um limiar de similaridade. Para realizar a segmentação, é necessário definir dois limiares: a) o limiar de similaridade é valor mínimo abaixo do qual duas sub-regiões são consideradas similares e agrupadas em uma única região; e b) o limiar de área é o número digital mínimo para que uma região seja individualizada. Maiores detalhes sobre segmentação de imagens encontram-se bem descritos em [17].

F4. Classificação A classificação multiespectral é o processo de seleção de

pixels em um número finito de classes individuais, ou categorias de dados, baseada nos valores dos dados. Se um pixel satisfaz um determinado conjunto de critérios, o pixel é atribuído à classe correspondente [18]. A classificação pode ser divida em dois grupos: a supervisionada e a não-supervisionada. A escolha do método mais adequado é dependente do conhecimento prévio do intérprete da área de estudo.

F4a. Classificação não-supervisionada Para realizar a classificação não-supervisionada, é

necessário criar um arquivo de contexto, onde são armazenadas as informações do tipo de classificação por regiões, das bandas ou imagens utilizadas; e a imagem segmentada. A extração de regiões é um procedimento em que o algoritmo extrai os atributos estatísticos (médias e matrizes de co-variância) do conjunto de regiões definido pela segmentação.

Existem diversos algoritmos de agrupamento que são utilizados para efetuar o processo de classificação não-supervisionada [18]. Um destes algoritmos é o Isoseg que usa a matriz de co-variância e o vetor das médias das regiões para estimar o centro das classes. Em geral, deve-se atribuir um limiar de aceitação que é a máxima distância de Mahalanobis, em que o valor digital médio das regiões pode estar afastado do centro de uma classe para ser considerada como pertencente a esta classe.

O classificador Isoseg considera os polígonos segmentados como elementos no terreno a serem classificados, isto é, um polígono é uma área individual que será considerada para efeito de rotulação das classes. Em outras palavras, mesmo que o polígono contenha subclasses de uso do solo, ele será classificado como uma única classe temática, uma vez que o agrupamento em classes temáticas dos polígonos é realizado segundo a homogeneidade de níveis de cinza considerada pelo segmentador.

F4b. Classificação supervisionada A classificação supervisionada é realizada selecionando-se

na imagem as classes de interesse, que são descritas por parâmetros e critérios de interpretação. Através de amostras coletadas na imagem são realizados conjuntos de treinamentos, onde se utilizam os parâmetros descritos anteriormente, para a decisão de classificação de um determinado “pixel” ou uma determinada região [19].

Um método de classificação supervisionado é a distancia Battacharya. Segundo [19] este algoritmo de classificação é utilizado para classificar regiões, para medir a separabilidade estatística entre um par de classes espectrais. Ou seja, ele mede a distância média entre as distribuições de probabilidades de classes espectrais.

O princípio é análogo ao utilizado para o classificador Isoseg, mencionado anteriormente, porém a medida de distância usada é a distãncia de Battacharya [19]. O classificador Battacharya, ao contrário do Isoseg que é automático, requer interação do usuário, através de amostras de treinamento. Neste caso, as amostras de treinamento serão as regiões formadas através do processo de segmentação de imagens.

É importante salientar que na fase de mapeamento, que é uma operação realizada após a classificação, muitas áreas são agrupadas em uma mesma classe. Nesta etapa, o interprete interfere nos resultados da classificação. Em palavras simples, é realizado nesta etapa um reagrupamento em novas classes referentes aos temas da legenda predefinida. Todavia, ainda ocorrem erros de classificação, principalmente relacionados com a poligonização. Um exemplo pode ser dado com os limites entre duas classes consecutivas. Para solucionar este erro faz-se necessária uma edição matricial que será abordada mais adiante.

F5. Edição Matricial A edição matricial é muito importante para assegurar a

qualidade do produto final gerado, ou seja, o mapa temático. Nesta etapa, o intérprete, com base na sua experiência e com o suporte logístico de informações complementares, como por exemplo fotografias aéreas, mapas anteriores e experiências de campo, pode corrigir os erros de inclusão e de omissão gerados pelo classificador, além de melhorar as áreas de contato entre as classes temáticas.

A edição matricial parte da premissa que os classificadores digitais são falhos, sendo necessária a correção dos erros decorrentes desta classificação. Tais erros ocorrem porque muitos classificadores não levam em conta uma série de atributos que ocorrem espacialmente e naturalmente com os alvos terrestres. A edição matricial foi realizada através do módulo de edição matricial disponível no aplicativo SPRING. Foi usada como referência a imagem sintética das bandas 2(R), 6(G) e 1(B) do MODIS.

A edição matricial foi realizada em módulos, fixando-se a escala para assegurar alguma fidedignidade cartográfica e uma posterior auditoria das classificações digitais. Para uma


796

correta edição matricial, foram utilizados o mapa temático correspondente ao Projeto PRODES e também uma composição colorida das imagens TM/Landsat nas áreas onde pairavam dúvidas.

G. Análise estatística da exatidão de mapeamento Com a classificação do uso do solo e as posteriores edições

matriciais, foram realizadas algumas análises estatísticas dos mapas temáticos produzidos com os mapas temáticos gerados pelo PRODES. Isto foi realizado a fim de se verificar a influência da utilização do sensor MODIS no mapeamento e na estimativa de áreas florestadas e não-florestadas.

A exatidão de mapas temáticos é avaliada a partir de matrizes de erros ou de contingência. Estas são constituídas por áreas de igual dimensão, ou com um número igual de linhas de colunas. Uma representa o resultado da classificação e outra, a verdade terrestre. A tabulação é realizada através de um procedimento amostral, no qual um certo número de pontos ou pixels pertencentes a uma dada classe (tema) é verificado em campo ou em outro mapa. Estes são considerados como referência, no sentido de comprovar ou não a atribuição correta destas classes às classes em questão do produto gerado.

Com os dados da matriz de erros, várias são as possibilidades para a estimativa da exatidão de um mapa temático. Dentre elas destaca-se a estimativa do parâmetro KAPPA (k), fundamentado em critérios da análise multivariada discreta, que é utilizado como medida de concordância entre o mapa e a referência. Assim, o valor de k expressaria a concordância entre a interpretação ou a classificação dos dados contidos nos produtos de sensoriamento remoto considerados e a realidade de campo.

Para o caso desta referência ser um outro mapa temático, o valor de k expressaria então o grau de concordância entre estes dois mapas. O parâmetro k é uma medida de concordância geral, calculada para cada matriz, e é baseada na diferença entre a concordância real da classificação e a concordância por puro acaso. A concordância real corresponde à concordância entre os dados da classificação efetuada e os dados de referência ou de verdade terrestre, sendo indicada pelos elementos da diagonal. A concordância por puro acaso é dada pelo produto dos valores marginais das linhas e colunas. O parâmetro k é um coeficiente de concordância que considera toda a matriz de erro.

Para tanto, os mapas produzidos pelo PRODES foram considerados como sendo a verdade terrestre. As informações então consideradas como verdade terrestre foram inseridas e analisadas dentro dos índices de Exatidão Global, Kappa [20] e também as exatidões e os respectivos erros de inclusão e omissão (Consumidor e Produtor).

Para a realização das análises estatísticas procedeu-se a uma reamostragem dos mapas temáticos gerados a partir do sensor MODIS a fim de possibilitar a tabulação cruzada.

O cálculo da estimativa do parâmetro k é feito segundo a seguinte expressão:

( )1

1

2

11

∑

∑∑

=

==

++−

++−= r

i

r

i

r

i

ixxiN

ixxixiiNk

onde: r = número de linhas e de colunas das matrizes de erros; Xii = número de classes na linha i e coluna i; Xi+ = total marginal da linha i; X+i = total marginal da coluna i; e N = número total de observações.

Quando todos os elementos da matriz de confusão fora da diagonal possuem valor nulo, o coeficiente Kappa possui valor 1, o que significa um desempenho excelente. O coeficiente Kappa também pode assumir valores negativos, indicando que o desempenho foi péssimo. A tabela abaixo apresenta o desempenho da classificação em relação ao valor de Kappa obtido.

TABELA I

TABELA DE INTERPRETAÇÃO E CONCEITO DE DESEMPENHO DOS ÍNDICES KAPPA

Índice Kappa Conceito do desempenho

k < 0 péssimo 0 < k ≤ 0,2 mau

0,2 < k ≤ 0,4 razoável 0,4 < k ≤ 0,6 bom 0,6 < k ≤ 0,8 muito bom 0,8 < k ≤ 1,0 excelente

III. RESULTADOS E DISCUSSÕES

A. Processamento digital de imagens A qualidade da fração solo do modelo de mistura foi

totalmente comprometida pela dificuldade de se obter uma amostra de um pixel puro, capaz de traduzir o comportamento espectral do solo. Isso se deve ao fato de a área de estudo não conter grandes áreas sem solo exposto. Os demais componentes, como a vegetação e a sombra, não tiveram sua qualidade comprometida, devido à presença de grandes maciços florestais e pela presença de um grande número de açudes.

A análise da curva espectral da fração solo demonstra a contaminação por vegetação, pois este alvo, assim como a vegetação, apresenta um pico na sua reflectância na região do verde. Por se tratar de um período de estiagem num local coberto por extensas pastagens, supõe-se que a amostra do componente solo tenha sido tomada em um local de pastagem, que por causa da estacionalidade deixou transparecer alguma informação do solo, induzindo ao erro na coleta.

Devido ao não-comprometimento das imagens frações de vegetação e de sombra, optou-se por não descartar tal produto. Realizando uma análise visual, visando a melhor separabilidade de floresta, optou-se por escolher a componente vegetação para efetuação dos processos posteriores de segmentação e de classificação.

O processo de segmentação da imagem realizado sobre a imagem fração vegetação com os limiares 4-4, 4-6, 6-8, e 8-


797

10, respectivamente limiar de similaridade e área, apresentou as seguintes respostas:

a) os limiares 4-4 e 4-6 geraram um número excessivo de

segmentos, gerando diversas subclasses, dentro de um mesmo alvo;

b) o limiar 8-10 identificou de forma satisfatória os maciços de floresta de grande porte; no entanto, os fragmentos menores não foram isolados das áreas não-florestadas;

c) o limiar que apresentou o melhor desempenho foi o 6-8, identificando tanto os grandes, quanto os pequenos fragmentos de floresta. As classificações posteriores, portanto, basearam-se nos dados gerados desta segmentação.

A Figura 3 demonstra os produtos da segmentação 4-4

(similaridade e área) que gerou uma grande subdivisão de classes, a 8-10 que ignorou os pequenos fragmentos florestais e a 6-8, a mais adequada para o propósito do trabalho. A mata de galeria não foi bem segmentada em nenhum dos valores propostos anteriormente. Diante disso, decidiu-se delimitar esta classe através da edição matricial. Esta mesma dificuldade é encontrada pelo manuseio de imagens TM/Landsat, levando a crer que a não-delimitação desta classe não pode ser atribuída somente aos dados MODIS.

Fig. 3. Imagens segmentadas a partir da componente vegetação ao fundo em limiares de 4/4, 6/8 e 8/10.

As classificações realizadas através do classificador

supervisionando Battacharya se basearam na imagem fração vegetação e nos dados gerados pela segmentação 6-8. Dos três limiares de aceitação testados, 75, 90, 95 e 99%, o limiar de 95% de aceitação produziu visualmente o melhor resultado, quando comparado como o mapa produzido pelo Projeto PRODES. A comparação visual do mapa gerado e do mapa do PRODES é mostrada na Figura 4. Para fins de visualização, apenas são mostradas as áreas florestadas (verde) e não-florestadas (amarelo).

Apesar da existência de uma coerência visual, muitas áreas ainda necessitam de uma intervenção manual. Sem esta intervenção não é possível realizar qualquer análise sobre a capacidade de identificação do sensor MODIS nas diferentes classes de desflorestamento. Isto é devido porque intervenções manuais através da edição matricial também são realizadas pelo Projeto PRODES.

Fig. 4. Comparação entre o mapa gerado pelo MODIS através da classificação supervisionada Batacharrya e o mapa temático do PRODES.

A imagem contendo a espacialização das áreas florestadas

e não-florestadas, após a edição matricial, é mostrada na Figura 5. A qualidade visual deste produto foi considerada positiva, sendo possível de ser analisada estatisticamente.

Fig. 5. Comparação entre o mapa gerado pelo MODIS já editado matricialmente e o mapa temático do PRODES.

B. Análise estatística de mapeamento A Exatidão global da classificação digital expressa a razão

entre os pontos corretamente classificados e o total de pontos de referência. Observando os valores da Tabela I, observa-se que os valores encontrados da Exatidão Global estão de acordo com os valores preconizados pela literatura (~85%). Os valores Kappa encontrados foram considerados muito bons para o mapeamento realizado no ano de 2001, indicando que o sensor MODIS pode obter informações sobre a superfície terrestre com uma boa confiabilidade. Os valores da exatidão global são maiores do que os valores encontrados pelos Índices Kappa, que também são preconizados pela literatura. Isto ocorre porque este Índice considera todas as células da matriz de erros.

Observa-se que a Exatidão do Produtor (Omissão) ocorreu um menor acerto (maior erro) para a classe de uso contendo a Mata de Galeria. Esta ocorrência é justificada pela delimitação desta classe de uso por uma resolução de 250m, o que acaba comprometendo a adequada delimitação deste alvo, já que a sua forma é estreita e alongada, sendo muitas vezes inferior à


798

dimensão de um pixel do MODIS. Uma alternativa para minimizar ou até eliminar esta fonte de “erro”, é enquadrar este alvo como sendo floresta ou não floresta. Entretanto como esta classe é considerada pelo Projeto PRODES, manteve-se este alvo para fins estatísticos. Os menores erros de Exatidão do Produtor (Omissão) estão associados às classes não-floresta e floresta. Em geral, estes alvos possuem, na sua grande maioria, grandes dimensões, sendo facilmente detectados pelo MODIS. Este comportamento evidentemente não foi evidenciado em áreas que continham um grande número de fragmentos de menores dimensões.

Outras situações foram encontradas. A distância entre os fragmentos de menores dimensões era uma fator limitante para a formação de fragmentos maiores. Outro aspecto que merece destaque é o desaparecimento de alguns fragmentos devido à contaminação dos alvos adjacentes com maior destaque para as classes de floresta e de mata de galeria. Isto se torna mais evidente quando os fragmentos são estreitos e alongados.

Para a Exatidão do Consumidor (Inclusão), o melhor desempenho foi observado para as classes floresta e mata de galeria. Apesar de as classes não-floresta e de mata de galeria apresentarem os menores valores, estes ainda podem ser classificados como sendo bons resultados, de acordo com a Tabela I.

A estimativa da área Florestal na área de estudo mapeada pelo MODIS é bem similar à área mapeada pelo Projeto PRODES. As diferenças percentuais, embora sejam próximas ou inferiores a 10%, indicam uma boa estimativa do sensor MODIS para o mapeamento da cobertura florestal. A Tabela II, mostra a matriz de confusão obtida entre os mapeamentos realizados com dados obtidos dos sensores TM/Landsat (Projeto PRODES) e do MODIS/EOS-AM1.

TABELA II COMPARATIVO ENTRE AS ESTIMATIVAS DE ÁREAS FLORESTADAS E NÃO-

FLORESTADAS (KM2), ENTRE OS DADOS DO PRODES, GERADOS A PARTIR DE IMAGENS DOS SENSORES TM/LANDSAT E DO MODIS/EOS-AM1

Floresta Mata de

galeria Não-

floresta Total

Floresta 2393,2296 40,7574 176,7546 2610,7416 Mata de galeria

7,8084 272,4300 8,8290 289,0674

Não Floresta

164,3355 8,5275 1456,0002 1628,8632

Total 2565,3735 321,7149 1641,5838 4528,6722

IV. CONSIDERAÇÕES FINAIS Mesmo ocorrendo problemas com a fração solo gerada

pelo modelo de mistura, tal transformação multiespectral se mostrou útil para o desenvolvimento deste trabalho. Isto foi devido às frações vegetação e sombra que não foram aparentemente comprometidas, servindo, portanto de base para a realização das segmentações e classificações.

Os erros resultantes das classificações mostraram-se mais ligados aos limites de discriminação dos classificadores utilizados do que propriamente ao modelo de mistura. No entanto, o problema ocorrido com a geração da fração solo

serve de diagnóstico para a ineficácia da aplicação do modelo de mistura em imagens MODIS de locais com grande heterogeneidade de paisagem, sendo, portanto, mais indicado aplicá-lo em áreas homogêneas.

Os erros de classificação resultantes das classificações digitais demonstraram a necessidade da intervenção do intérprete humano para agregar qualidade à imagem classificada. Tal metodologia de classificação de imagens orbitais se mostra extremamente adequada, pois alia a agilidade computacional dos classificadores digitais com a qualidade de interpretação de um intérprete.

Foi observado que o índice Kappa apresentou uma maior consistência na avaliação dos dados do que a Exatidão Global, pois o primeiro considera todas as células da matriz de erros. O mapeamento de áreas florestadas pelo sensor MODIS apresentou uma boa confiabilidade na estimativa destas classes e estes erros foram próximos ou inferiores a 10%, mostrando o seu potencial para o monitoramento PIX.

Os maiores erros associados ao mapeamento tanto na classificação quanto na edição matricial foi a dificuldade de encontrar polígonos com uma forma alongada e de pequenas dimensões. Devido à resolução grosseira do sensor MODIS, a maior exatidão estatística foi observada para as classes que continham grandes fragmentos, enquanto que a menor exatidão foi encontrada para as classes que continham um maior número de fragmentos de menores dimensões.

Não é objetivo deste trabalho esgotar o assunto relativo à capacidade do sensor MODIS de estimar áreas florestadas e não-florestadas. É encorajado o desenvolvimento de outros trabalhos envolvendo métricas de paisagem, além de repetir o mesmo experimento para uma série temporal e para outras áreas com diferentes padrões de uso.

V. AGRADECIMENTOS Os autores expressam especial agradecimento ao programa

EOS (Earth Observing System) da NASA (National Aeronautics and Space Administration) pelo fornecimento das imagens MODIS utilizadas neste trabalho.

VI. LITERATURA CITADA [1] Instituto Sócio-Ambiental (2003, Dez.). O Xingu na mira da Soja.

[Online]. Available: http://www.socioambiental.org/ [2] Justice, C. O.; Vermote, E.; Townshend, J. R. G.; Defries, R.; Roy, D.

P.; Hall, D. K.; Salomonson, V. V.; Privete, J. L.; Riggs, G.; Strahler, A.; Lucht, W.; Mynemi, R. B.; Knyazikhin, Y.; Running, S. W.; Nemani, R. R.; Wan, Z.; Huete, A. R.; van Leeuwen, W.; Wolfe, R. E.; Giglio, L.; Muller, J-P.; Lewis, P.; Barnsley, M. J. The Moderate Resolution Imaging Spectroradiometer (MODIS): Land Remote Sensing for Global Change Research. IEEE Transactions on Geoscience and Remote Sensing, 36 (4), pp.1228-1249, 1998.

[3] Hansen, M.C.; DeFries, R.S.; Townshend, J.R.G.; Marufu, L.; Sohlberg, R. Development of MODIS tree cover validation data set for Western Province, Zambia. Remote Sensing of Environment, 83 (1-2), pp. 320-335, 2002.

[4] Justice, C. O.; Townshend, J.R.G.; Vermote, E.F.; Masuoka, E.; Wolfe, R.E.; Saleous, N.; Roy, D.P.; Morisette, J.T. An overview of MODIS


799

Land data processing and product status. Remote Sensing of Environment, 83 (1-2), pp. 3 –15, 2002.

[5] RADAM-BRASIL. Departamento Nacional de Produção Mineral. Folha SC. 21 - Juruena. Geologia, geomorfologia, pedologia, vegetação e uso potencial da terra. v.20. Rio de Janeiro: DNPM, 1980. 456p.

[6] Setzer, J. Impossibilidade do uso racional do solo no Alto Xingu, MT. Revista Brasileira de Geografia, 29 (1), pp.102-109, 1967.

[7] Braun, E. H. G. Ocorrências singulares na fitofisionomia da região do Alto Xingu. Revista Brasileira de Geografia, 31 (4), pp.129-140, 1969.

[8] IBGE Instituto Brasileiro de Geografia e Estatística. Geografia do Brasil – Região Centro-Oeste. Rio de Janeiro, 1977.

[9] Câmara, G; Souza, R.C.M.; Freitas, U.M.; Garrido, J. SPRING: Integrating remote sensing and GIS by object-oriented data modelling. Computers & Graphics,20 (3), pp.395-403, 1996.

[10] Instituto Nacional de Pesquisas Espaciais (2003, Dez.). Monitoramento da Amazônia por Satélite. [Online]. Available: http://www.obt.inpe.br/prodes

[11] MODIS (2003, Dez.). Moderate Resolution Spectroradiometer (MODIS). [Online]. Available: http://redhook.gsfc.nasa.gov/

[12] MRSID (2003, Dez.). Earth Science Applications Directorate. [Online]. Available: https://zulu.ssc.nasa.gov/mrsid/

[13] Chavez, P. S. An improved dark-object subtraction technique for atmospheric scattering correction of multispectral data. Remote Sensing of Environment. 24 (3), pp.459-479, 1988.

[14] Lu, D.; Mausel, P.; Brondizio, E.; Moran, E. Assessment of atmospheric correction methods for Landsat TM data applicable to Amazon basin LBA research. International Journal of Remote Sensing. 23 (13), pp.2651-2671, 2002.

[15] Vermote, E.F.; Tanré, D.; Deuzé, J.L.; Herman, M.; Morcrette, J. Second Simulation of the Satellite Signal in the Solar Spectrum, 6S: an overview. IEEE International Geoscience and Remote Sensing. 35 (3), pp. 675-686, 1997.

[16] Shimabukuro, Y.E.; Smith, J.A. The least-squares mixing models to generate fraction images derived from remote sensing multispectral data. IEEE Transactions on Geoscience and Remote Sensing, 29 (1), pp.16-20, 1991.

[17] Bins, L. S.; Fonseca, L. M. G.; Erthal, G. J.; II, F. M. Satellite imagery segmentation: a region growing approach. In: VII Simpósio Brasileiro de Sensoriamento Remoto, 8., 1996, Salvador. Anais… São José dos Campos: INPE, 1996. p. 315-325.

[18] Schowengerdt, R. Remote Sensing: models and methods for image processing. 2ed. San Diego, USA: Academic Press, 1997. 522p.

[19] Mather, P. M. Computer processing of remotely sensed images: an introduction. 2ed. Great Britain: John Wiley & Sons, 1999. 292p.

[20] Congalton, R. G.; Oderwald, R. G.; Mead, R. G. Assessing Landsat classification accuracy using discrete multivariate statistical techniques. Photogrammetric Engineering and Remote Sensing, 49 (12), pp.1671-1678, 1983.

VII. BIOGRAFIA

Veraldo Liesenberg Graduado em Engenharia Florestal pela FURB e Especialista em Ciência do Solo pela UFLA. Atualmente é candidato a Mestre em Sensoriamento Remoto no INPE e bolsista do CNPq/Brasil. Interesses no desenvolvimento de trabalhos incluem aplicações de Sensoriamento Remoto e SIGs em Ecossistemas Terrestres, Manejo e Conservação dos solos, Comportamento Espectral de Alvos e Planejamento Ambiental em Bacias Hidrográficas.

André de Lima Bacharel e Licenciado em Geografia pela UEL. Atualmente é candidato a Mestre em Sensoriamento Remoto no INPE e bolsista do CNPq/Brasil. Interesses no desenvolvimento de trabalhos incluem aplicações de Sensoriamento Remoto e SIGs em Ecossistemas Terrestres, Ecologia de Paisagens e na Conservação da Biodiversidade.

estudo comparativo entre as estimativas de áreas ... · agropecuários já estão ... pixels dos...

Documents