reamostragem em imagens de sensoriamento remoto:...

IV Simpósio Brasileiro de Geomática – SBG2017II Jornadas Lusófonas - Ciências e Tecnologias de Informação Geográfica - CTIG2017

Presidente Prudente - SP, 24-26 de julho de 2017p. 315-322

G. A. Boggione; D. D. Costa ISSN 1981-6251

REAMOSTRAGEM EM IMAGENS DE SENSORIAMENTO REMOTO: UMA ABORDAGEM SOB O PONTO DE VISTA DO MAUP

GIOVANNI DE ARAUJO BOGGIONE DALILA DIAS COSTA

Instituto Federal de Goiás – IFG/GO Coordenação de Geomática

Departamento de Áreas Acadêmicas 03, Goiânia – GO [email protected]; [email protected]

RESUMO - O propósito dessa pesquisa é apresentar a problemática das alterações nos valores de tons de cinza quando são aplicadas técnicas de reamostragem em imagens digitais. Portanto, é feita uma abordagem sobre o problema do MAUP (The Modifiable Areal Unit Problem). Visto muitas vezes como um problema da geografia humana, o MAUP é um problema para todos os estudos quantitativos de fenômenos espaciais na geografia. Envolve duas questões distintas, mas interligadas com a análise de dados: o problema de escala e de agregação. É discutida a representação do pixel e a questão da escala espacial, onde qualquer estatística ou modelo que são baseados em conjuntos de dados espaciais agregados podem ser válidos à escala do conjunto de dados em que foram gerados, mas qualquer tentativa de inferir em resolução superior ou inferior pode produzir resultados inválidos. Foram utilizadas três áreas testes com duas imagens de sensores diferentes para cada área e com diferentes tipos de cobertura do solo. Foram coletados valores de brilho em amostras aleatórias nas imagens reamostradas e de referência de cada teste. O estudo é finalizado com uma análise da escala americana de avaliação e interpretabilidade de imagens (National Imagery Interpretability Rating Scale - NIIRS).

Palavras chave: Escala, Reamostragem, Decimação, Interpolação.

ABSTRACT - This study aims at presenting the issue of the alterations in shades of gray when resampling techniques in digital images are applied. Thus, an approach to the MAUP problem (The Modifiable Areal Unit Problem) has been made. While often viewed as a problem in human geography, the MAUP is an issue for all quantitative studies in geography of spatial phenomena. It encompasses two separate problems, but interrelated to the data analysis: the scale problem and the aggregation problem. The representation of the pixel and the issue of the spatial scale are discussed, in which any statistics or model that are based on special aggregated data sets can be validated by the scale of the data set in which they were generated, but any attempt to use lower or higher resolution can produce invalid results. Three test areas were used with two images obtained from different sensors for each area and with different land cover types. Random samples of pixel values were collected in reference and resampled images from each test. The study is concluded with an analysis from the American Imagery Interpretability Rating Scale (NIIRS).

Key words: Scale, Resampling, Decimation, Interpolation.

1 INTRODUÇÃO

Cada vez mais o sensoriamento remoto e os sistemas de informações geográficas (SIG) estão sendo usados para avaliar a distribuição de fenômenos de grande escala. Esses fenômenos são modelados utilizando unidades de área que podem transformá-los em qualquer forma ou tamanho, resultando em complicações com a análise estatística relacionada a escala e o método utilizado para criar as unidades de área (DARK e BRAM, 2007).

De particular importância para o estudo de fenômenos de grande escala é o problema da unidade de área modificável (Modifiable Areal Unit Problem -MAUP). Embora muitas vezes visto apenas como um problema em geografia humana (especialmente estudos demográficos), o MAUP é um problema para todos estudos quantitativos de fenômenos espaciais na geografia (OPENSHAW e TAYLOR, 1979). O problema da unidade de área modificável aplica-se a duas questões distintas, porém interligadas com a análise de dados espaciais, são elas: o problema da escala e de agregação.



Qualquer estatística ou modelo que são baseados em conjuntos de dados espaciais agregados podem ser válidos à escala do conjunto de dados em que foram gerados, mas qualquer tentativa de inferir em resolução superior ou inferior pode produzir resultados inválidos, como por exemplo, o uso de índices de vegetação derivados de imagens de sensoriamento remoto gerados com grade amostral de 30 metros sendo usados para avaliar padrões regionais de vegetação. As estatísticas e os parâmetros do modelo são diferentes entre os dois níveis de resolução. Se as políticas ecológicas ou sociais são baseadas em tais conclusões, pode haver consequências imprevisíveis (DARK e BRAM, 2007).

A questão da escala espacial é uma limitação em dados de sensoriamento remoto, embora o uso dessas imagens tem aumentado a compreensão dos componentes espaciais do ambiente natural, é importante reconhecer as limitações destes dados (HAY et al., 2001). Imagens de sensoriamento remoto são coletadas em uma escala pré-definida sem levar em conta os fenômenos específicos que podem ser examinados com elas. Segundo Hay et al. (2001), "imagens de sensoriamento remoto representam um caso em grande parte não reconhecida do MAUP".

Os pixels da imagem são as unidades modificáveis e a resolução espacial de um sensor corresponde ao efeito de escala do MAUP. A unidade de área usada para a amostragem é determinada pela mecânica do satélite em vez de uma escala ecologicamente ou cientificamente significativas (JELINSKI e WU, 1996). Segundo Fisher (1997), o pixel é “imposto como uma divisão do espaço que é imageado, e é muito improvável que coincida com o conteúdo desse espaço”.

Com o aumento do uso e acessibilidade das imagens de sensoriamento remoto, as imagens de alta resolução também estão se tornando uma infraestrutura indispensável, sendo utilizadas em várias aplicações e, com isso, os usuários estão exigindo imagens de boa qualidade. A qualidade das imagens de satélite pode ser expressa, por exemplo, pela Função de Transferência de Modulação (Modulation Transfer Function - MTF), e sinal ruído (Signal to Noise Ratio - SNR), porém são parâmetros usados principalmente nos domínios técnicos, como os fabricantes de satélites e engenheiros. Os usuários podem não entender o significado exato desses parâmetros sobre a qualidade da imagem.

Como uma medida de qualidade da imagem em termos de facilidade de interpretação, tem sido proposta a Escala de Avaliação da Interpretabilidade de Imagens (National Imagery Interpretability Rating Scale - NIIRS) dos Estados Unidos. NIIRS descreve a interpretação das imagens por números que variam de zero a nove (0-9). Os critérios de classificação NIIRS são feitos com a análise da imagem e posteriormente determinar quais critérios podem ser realizados sobre as imagens, se os objetos ou elementos definidos pelos critérios estavam presentes. Em cada nível NIIRS são definidos objetos que devem ser capazes de observar dentro das imagens, alvos antrópicos e naturais. Por exemplo, no nível NIIRS 4, pode-se detectar quadra de basquete, de vôlei, campo de tênis em

áreas urbanas, e no nível NIIRS 5 identificar barracas maiores do que para duas pessoas em áreas de acampamento.

Este trabalho contempla a discussão sobre o efeito do MAUP em imagens de sensoriamento remoto e suas consequências em imagens reamostradas. 2 REVISÃO BIBLIOGRÁFICA

De todas as palavras que têm algum grau de significado científico especializado, a escala é um dos mais ambíguos e sobrecarregados (GOODCHILD e QUATTROCHI, 1997). A importância da escala tem sido reconhecida em ciências relacionadas com a organização espacial das atividades humanas e processos físicos na superfície da Terra há mais de quatro décadas (MARCEAU, 1999).

Segundo Goodchild e Quattrochi (1997), o termo escala é utilizado tanto para referir a magnitude de um estudo (por exemplo, a sua extensão geográfica) como também o grau de detalhe (por exemplo, o seu nível de resolução geográfica). É usado no contexto do espaço (escala geográfica), o tempo (escala temporal), e muitas outras dimensões de pesquisa. Para Marceau (1999), a escala refere-se às dimensões espaciais nas quais as entidades, padrões e processos podem ser observados e caracterizados. Assim, alterar a escala muda os padrões da realidade, o que provoca implicações óbvias para a compreensão da dinâmica de qualquer sistema ambiental.

Os sistemas de informações geográficas abriram a possibilidade de representações multiescala e para banco de dados que contém versões digitais do conteúdo de muitos mapas em diferentes escalas. Métodos e técnicas estatísticas foram disponibilizados como funções implementadas nos SIG, e segundo Goodchild e Quattrochi (1997), despertaram o interesse na possibilidade de se aproximar escala como uma “ciência da escala”. A escala apropriada para observações é uma função do tipo de ambiente e de informação desejada. As técnicas utilizadas para extrair informações a partir de imagens também interagem com essas variáveis para influenciar na seleção de uma escala adequada. Assim, o problema da seleção de uma dimensão adequada é complexo (WOODCOCK e STRAHLER, 1987). Para Marceau (1999), a escolha da escala deve estar relacionada com o fenômeno sob observação e as questões colocadas sobre isto. As combinações de escalas (ou resolução espacial), métodos de análises, ambientes e perguntas sobre esses ambientes são infinitos, criando uma tarefa enorme.

Em geografia, por exemplo, as unidades de área modificáveis são utilizadas na análise quantitativa. Estas unidades podem ter qualquer forma ou tamanho, resultando em complicações com análise estatística relacionada tanto com escala e o método utilizado para criar as unidades de área (OPENSHAW e TAYLOR, 1979). Em estudos biogeográficos, grande parte do conhecimento dos fenômenos de grande escala é derivado da agregação de informações baseadas em área obtida a



partir de pequenas áreas (menores de 1 km²) ou a partir de dados coletados em escalas predefinidas específicas, como imagens de sensoriamento remoto (DARK e BRAM, 2007). As estimativas obtidas dentro e um sistema de unidades de área são funções das diversas maneiras que estas unidades podem ser agrupadas, o que pode ocasionar em resultados diferentes apenas alterando as fronteiras destas zonas.

O problema da unidade de área modificável (MAUP) é a variação nos resultados que podem ser obtidos quando os mesmos dados de área para determinado estudo são combinados em conjuntos de unidades de área cada vez maiores de análises (OPENSHAW e TAYLOR, 1979). O MAUP representa a sensibilidade dos resultados analíticos para a definição de unidades de coleta de dados e é ilustrado por dois componentes distintos, mas relacionados: o problema da escala e o problema de agregação (MARCEAU e HAY, 1999). Vários estudos confirmaram que os resultados estatísticos variam com base na escala e agregação, o que é um motivo de preocupação para qualquer realização de pesquisas com dados geográficos (MARCEAU et al.,1994; GOODCHILD e QUATTROCHI, 1997). Para Openshaw e Taylor (1979), o MAUP “é um problema para todos estudos quantitativos de fenômenos espaciais na geografia. ”

Alguns padrões gerais a respeito do MAUP surgiram. Em estatísticas univariadas, quando o MAUP está presente, a média não muda e a variância diminui com o aumento da agregação. Existe uma parcela de informação associada com um efeito de alisamento que ocorre após a agregação. Os efeitos de zoneamento têm resultados menos previsíveis para a média e a variância. Para qualquer determinado número de zonas, há várias maneiras de definir os limites destas zonas. Jelinski e Wu (1996), demonstraram que enquanto o valor médio dos dados não se altera, a variância diminui com o aumento da agregação, em consequência deste efeito de suavização, as informações na heterogeneidade espacial na paisagem é perdido ou distorcido. Na Figura 1 de (a-c) o valor médio não muda com a agregação, mas a variância diminui. Nas partes (d-f) as unidades foram agregadas em zonas com diferentes orientações. Para d-e não há alteração na média, mas a variância muda substancialmente. Ao comparar as partes c, e e f, percebe-se que mesmo quando o número de zonas é mantido constante (N=4), a média e a variância são afetadas. E nas partes b e d mostram uma mudança de variância quando a orientação é alterada, mas o tamanho das unidades permanece fixo (JELINSKI e WU, 1996).

Openshaw e Taylor (1979) estudaram os efeitos do MAUP com experiências relacionadas sob diferentes condições espaciais e estatísticas. Descreveram como obter correlações diferentes entre o comportamento eleitoral e idade no estado de Iowa, Estados Unidos. As unidades de área de base no conjunto de dados foram os 99 municípios do estado. Ao correlacionar o percentual de eleitores idosos com eleitores republicanos em Iowa, eles mostraram que, se os 99 municípios que compõem o

estado fossem agrupados em menos distritos maiores, e todas as combinações possíveis dos distritos de maior escala fossem considerados, as correlações variam de + 0,979 a - 0,811 podendo ser produzido com a variação das estratégias de escala e zoneamento.

Figura 1 – Efeitos da agregação e zoneamento no MAUP. Fonte: Adaptado de DARK e BRAM, 2007.

Contudo, quando se procura analisar fenômenos

espacialmente distribuídos, a escala em que as medições foram coletadas é, portanto, uma preocupação, uma vez que controla o conteúdo informativo dos dados relacionados com o fenômeno de interesse. Não há um método a prova de falhas para determinar a priori a melhor escala de medição, a seleção de uma escala é feita muitas vezes com a aplicação de uma grade de amostragem fixa e arbitrária para dividir a área geográfica em estudo em unidades de área de tamanho e forma uniforme. Esse método de aquisição é responsável pela escala e agregação espacial (MARCEAU et al., 1994).

Embora a questão da escala tenha sido amplamente examinada em vários aspectos da geografia física, o MAUP tem sido ignorado apesar de estar presente em vários tipos de análise de dados espaciais em larga escala. Com o aumento do uso de imagens de sensoriamento remoto, que são inerentemente agregados, a fim de criar camadas de dados SIG, as preocupações sobre agregação devem se tornar cada vez mais importantes (DARK e BRAM, 2007).

Uma das características fundamentais de uma imagem oriunda do sensoriamento remoto é a resolução espacial. Assim, a escala corresponde a resolução espacial, que é uma função do campo de visada instantânea (Instantaneous Field of View - IFOV) do sistema, e, segundo Boggione (2003), “corresponde à área sobre o terreno que é vista por cada um dos detectores do sistema sensor a uma dada altitude num certo instante de tempo”. De acordo com Woodcock e Strahler (1987), o pesquisador seleciona a escala em que as observações foram recolhidas, mas quando se usa imagens remotamente detectadas por sensores espaciais, estas estão limitadas a escalas específicas de observações.

As imagens de sensoriamento remoto representam uma grade de amostragem arbitrária sobre a superfície da terra, e estão propensas ao problema do MAUP porque os



dados do mundo real são agregados com base no tamanho da grade sobreposta e não subjacente aos processos naturais (DARK e BRAM, 2007).

No estudo realizado por Marceau et al., (1994) para verificar o impacto da resolução espacial e nível de agregação na precisão da classificação de dados florestais indicou que as precisões por classe foram consideravelmente afetadas pela mudança de escala e nível de agregação, onde omitir “... o nível de escala e agregação ao classificar imagens de sensoriamento remoto pode produzir resultados aleatórios com pouca correspondência com as entidades geográficas da cena”.

O efeito de agregação ocorre quando as imagens são reamostradas e seus valores brilho calculados ou matematicamente combinados para suavizar ou filtrar dados, podendo resultar em dados errados, quando extraídos para análise estatística.

Portanto, o problema em questão são as técnicas de reamostragem, normalmente interpolações e decimações que alteram o tamanho do pixel levando em consideração a sua vizinhança e suas relações espaciais. Reamostragem é um processo que possibilita estimar valores de amostras de uma imagem em pontos de uma grade desejada a partir de amostras da grade original (BOGGIONE, 2003). Com isso, os níveis de cinza que comporão a imagem corrigida sofrem influência da imagem de entrada. 2.1 Escala de Avaliação da Interpretabilidade de Imagens (NIIRS)

A Escala de Avaliação da Interpretabilidade de Imagens dos Estados Unidos, elaborada e mantida pelo Comitê da Administração Americana (Imagery Resolution Assessments and Reporting Standards - IRARS), descreve e quantifica a interpretação das imagens por números que variam de zero a nove (0-9).

O NIIRS foi criado no início de 1970 para servir de utilidade para o planejamento de missões militares, na avaliação do desempenho de novos sistemas. Tinha o objetivo de desenvolver uma escala percentual que relacionava a capacidade de realizar tarefas de interpretação, como a qualidade das imagens. A necessidade de uma escala como o NIIRS surgiu do fato que medidas físicas de qualidade das imagens como, por exemplo, a escala, sua resolução, medidas mais complexas, como a função de transferência de modulação (MTF), não foram bem-sucedidas na comunicação de informações aos analistas de imagens e não forneciam informações úteis sobre o conteúdo informativo da imagem (IRARS, 1996). Com isso, o NIIRS foi revisto, atualizado e expandido ao longo do tempo. Foi apresentado oficialmente a comunidade de inteligência em 1974, com a criação de novas escalas adaptadas a imagens multiespectrais, pancromáticas, infravermelhas e RADAR, denominadas, respectivamente, NIIRS Visível, NIIRS Civil, NIIRS Infravermelho e NIIRS RADAR.

As tarefas de análise de imagens que compõem as NIIRS se concentraram principalmente nos equipamentos

militares, embora atualmente existem estudos centrados em escalas compostas de tarefas de exploração de imagem civis ou ambientais.

O NIIRS consiste em dez níveis (0-9) com várias tarefas de interpretação ou critérios que formam cada nível. Estes critérios indicam o nível de informação que pode ser extraído a partir de uma imagem de um determinado nível de facilidade de interpretação. Possui uma estrutura comum para discutir o potencial de interpretação ou informações de imagens de modo a informar sobre a utilidade de uma imagem e especificar requisitos para uma imagem, apoiar o projeto e disponibilidade de futuros sistemas de aquisição de imagens, avaliar a performance de sistemas sensores e dispositivos de exploração de imagens (IRVINE, 1997). Os critérios NIIRS Civil são calibrados para os NIIRS Visível. O Anexo A apresenta os níveis NIIRS Civil. Os critérios estão divididos em três categorias em função do tipo de exploração que se pretende realizar na imagem (IRARS, 1996):

• Natural: vegetação, rochas, linhas de água, relevo; • Agrícola: identificação de culturas agrícolas, ou

pecuária; • Urbano/Industrial: construções não militares,

como por exemplo, vias de comunicação, edifícios.

No âmbito do NIIRS, as tarefas de interpretação

dos níveis de escala baseiam-se nas seguintes noções (IRARS, 1996):

• Detecção: capacidade de encontrar ou descobrir a presença de uma instalação, objeto ou atividade baseado na sua configuração ou outra informação contextual;

• Distinguir entre: capacidade de determinar que dois objetos detectados são de tipos diferentes baseado em características distintas;

• Identificar: capacidade de nomear um objeto pelo seu tipo ou classe baseado na sua configuração ou observação de detalhes na imagem. A identificação depende da observação dos detalhes na imagem e não por meio de informações de outras fontes. Para atribuir uma classificação NIIRS a uma

imagem, os analistas são convidados a julgar quais tarefas e funcionalidades que podem ver e realizar na imagem. Ao fazer tais julgamentos, o analista deve levar em conta o conteúdo da cena e condições de aquisição da imagem. É claro que nem toda a imagem contém os itens específicos mencionados nos níveis NIIRS que podem ser conferidos no Anexo A e, mesmo quando os recursos referenciados nos critérios não estiverem presentes, o analista deve imaginar esses objetos e fazer um palpite sobre qual critério poderá ser realizado na imagem. Desta forma, o analista de imagens julga o potencial de informação da imagem, ao invés de fazer julgamentos sobre o que era ou não era na verdade nas imagens (IRARS, 1996).



3 MATERIAIS E METODOLOGIA 3.1 Materiais

Para analisar os efeitos que as técnicas de reamostragem geram nas imagens, foram escolhidas imagens obtidas pelos sensores/satélites RapidEye (RE) (5 m), WorldView (WV) (3,75 m), QuickBird (QB) (3,75 m), CCD – CBERS 2B (20 m) e TM- Landsat -5 (30 m), adquiridas em dias próximos, para evitar possíveis alterações nas feições no período de aquisição. Foram utilizadas três áreas testes com duas imagens de sensores diferentes para cada área e com diferentes tipos de cobertura do solo. O Quadro 1 apresenta informações sobre as datas, sensores e a área de cobertura das imagens utilizadas para os testes. Essas áreas foram selecionadas de forma que apresentassem diferentes tipos de cobertura, e os métodos de reamostragem fossem testados para diferentes alvos (como por exemplo, rios, área urbana, agricultura, etc.). A Figura 2 apresenta a banda 3 das áreas escolhidas.

Quadro 1 – Imagens utilizadas nos testes. Figura 2 – Imagens utilizadas nos testes: (a) Sudoeste Goiano, (b) Luís Eduardo Magalhães/ BA, ( c) Itabirito/ MG. 3.2 Metodologia

Os procedimentos adotados para a execução deste trabalho estão apresentados na Figura 3. A metodologia proposta consiste em reamostrar as imagens pelos processos de decimação e interpolação para depois comparar os valores encontrados com a imagem de referência analisando os efeitos produzidos. Para todos os testes, foram utilizadas as bandas azul, verde e vermelho de cada sensor.

O método de decimação apresentado na Figura 3(a) é utilizado quando se transforma um pixel de uma imagem para uma escala pior, degradando o mesmo. Nesse trabalho, as imagens de melhor resolução foram reamostradas pelos métodos de agregação de pixel e/ou vizinho mais próximo (VMP), utilizando a relação do tamanho do pixel menor/tamanho do pixel maior, o

resultado encontrado é o fator de escala para a reamostragem. No caso da interpolação, as imagens são transformadas dividindo o pixel existente em pixels menores conforme Figura 8(b). As imagens de média resolução foram reamostradas pelos processos de interpolação por convolução cúbica, bilinear e vizinho mais próximo para analisar os efeitos produzidos. Cada imagem produzida pelos reamostradores foi comparada com a imagem de referência. Foram coletadas 30 amostras em cada teste e calculada a porcentagem de diferença entre os valores.

Um teste final foi realizado usando o classificador de k-medias não supervisionado para comparar os valores de áreas encontrados para cada classe na imagem de referência e nas imagens reamostradas.

(a)

(b)

Figura 3 – Fluxograma metodológico do trabalho. (a) Decimação. (b) Interpolação.



4 RESULTADOS E DISCUSSÕES

Embora este trabalho tenha feito diversos testes, como apresentado no Quadro 1, será apresentado apenas o resultado de um teste de decimação e um teste de interpolação. 4.1 Teste 1 – Luís Eduardo Magalhães/BA

A área do teste é o município de Luis Eduardo Magalhães no Estado da Bahia e as imagens utilizadas são dos sensores CCD – CBERS 2B (20m) e RapidEye (5m). Decimação

Os métodos utilizados foram: agregação de pixel e vizinho mais próximo. A Figura 4 apresenta a banda 3 da imagem de referência do sensor CCD e as reamostradas pelo processo de decimação do RE. Figura 4 – (a) Imagem de referência (Cbers/CCD), imagens RapidEye reamostradas: (b) Vizinho mais próximo e ( c) Agregação de pixel.

Nesse teste, o fator de escala utilizado para reamostragem por decimação foi de 0,166. De acordo com os valores apresentados nos Quadros 2 e 3 percebe-se que as bandas mais afetadas foram a banda 1 e 3 no método de decimação por vizinho mais próximo, e na agregação de pixel as bandas 1 e 2 tiveram alterações consideráveis em relação a imagem de referência. A área escolhida é plana e as resoluções das imagens podem ter contribuído para que não houvesse grandes alterações nos dados estatísticos. E quanto a análise visual, percebe-se que mesmo degradando o tamanho do pixel das imagens do RapidEye, permanecem com mais detalhes de bordas por exemplo, enquanto a imagem de referência apresenta aparência borrada.

Médias dos valores de brilho por banda Média B1 B2 B3 Cbers 2B - referência 117,8 100,8 101,96 RapidEye – Vizinho Mais 110,2 102,5 94,5 Próximo

RapidEye – Agregação de 112,26 107,4 98,5 Pixel

Quadro 2 – Médias dos valores de brilho por bandas das imagens reamostradas por decimação.

Porcentagem de diferença entre a Cbers 2B referência e

RapidEye degradada. (Em valores absolutos) Média B1 B2 B3 VMP 6,45% 1,69% 7,32 % Agregação de 4,70% 6,55% 3,40% Pixel

Quadro 3 – Diferença em valores absolutos da média

dos pixels reamostrados por banda. Interpolação

Os métodos de interpolação realizados foram: vizinho mais próximo, bilinear e convolução cúbica. A Figura 5 apresenta a banda 3 das imagens de referência do RapidEye e as reamostradas do CCD pelo processo de interpolação. Figura 5 – (a) Imagem de referência (RapidEye), imagens Cbers/CCD reamostradas: (b) Vizinho mais próximo, ( c) Bilinear e (d) Convolução Cúbica.

Após os métodos de interpolação desse Teste, percebe-se que a banda mais afetada foi a banda 2 em relação a imagem de referência como pode ser visto nos Quadros 4 e 5, e mesmo redimensionando os pixels da imagem Cbers 2B para tamanho de pixel menor, o aspecto de borrado permanece nas imagens.

Médias dos valores de brilho por banda Média B1 B2 B3 RapidEye (referência) 112,8 113,8 112,03 Cbers 2B - VMP 117,4 107,8 112,1 Cbers 2B - Bilinear 116,93 107,63 111,26 Cbers 2B - Convolução 116,96 107,66 111,2 Cúbica

Quadro 4 – Média dos valores de brilho por bandas das imagens reamostradas por interpolação.



Porcentagem de diferença entre a RapidEye referência e Cbers interpolada (Em valores absolutos)

Média B1 B2 B3 VMP 4,08% 5,27% 0,06% Bilinear 3,66% 5,45% 0,68% Convolução Cúbica 3,69% 5,42% 0,74% Quadro 5 – Diferença em valores absolutos da média dos pixels reamostrados por banda. 4.2 Classificação

Para comparar as técnicas de reamostragem em relação à imagem de referência, alguns testes de classificação não supervisionada k-medias para as imagens CBERS 2B/CCD (20 m) e RapidEye (20 m) de Luís Eduardo Magalhães – BA foram realizados. De acordo com a interpretação visual da imagem, foram definidas cinco classes. A Figura 6 apresenta o resultado da classificação da imagem de referência CBERS 2B e as reamostradas RapidEye. O Quadro 6 apresenta os valores de área em hectares encontrados para cada classe.

Figura 6 – Classificação não supervisionada K-médias, 5 classes: (a) imagem de referência - Cbers 2B, (b) VMP, (c) agregação de pixel e (d) RapidEye original.

Para esse teste não houve grandes alterações ao se comparar os valores de áreas por classe das imagens RapidEye reamostradas por VMP e agregação de pixel com a RapidEye original, isso porque a área escolhida para o teste é plana, não há muita variação de tipos de cobertura. Ao comparar as áreas das imagens reamostradas com a imagem de referência Cbers 2B percebe-se alteração nas classes 3, 4 e 5. Por conta da reamostragem, os pixels foram agrupados, o que influenciou nos valores das áreas. A resolução espacial

dos sensores utilizados no teste contribuiu para que não houvesse diferenças consideráveis. Área (ha) Imagem Classe Classe Classe Classe Classe 1 2 3 4 5

Cbers 2B - 120,29 215,62 151,15 116,42 57,44 referência VMP 116,92 216,56 144,64 106,88 70,36 Agregaçã 119,12 218,40 135,00 110,96 71,88 o de pixel

RapidEye 117,63 216,12 144,14 107,26 70,22 - original

Quadro 6 – Diferença em valores absolutos da média dos pixels reamostrados por banda. 4.3 Interpretação dos níveis de escala do NIIRS

Para classificar as imagens de referência e reamostradas quanto à qualidade em termos de facilidade de interpretação, foram determinados os critérios de acordo com a escala NIIRS. Estes critérios indicam o nível de informação que pode ser extraído a partir de uma imagem de um determinado nível de facilidade de interpretação. São dez níveis de classificação distribuídos de 0 a 9, e quanto maior a numeração, mais objetos são definidos dentro das imagens, alvos antrópicos e naturais. A análise identificou que o nível de interpretação das imagens reamostradas diminuiu até dois níveis quando comparadas à imagem de referência. As análises referentes as imagens do Teste estão demonstradas nas Figuras 7 e 8.

Figura 7 – Classificação NIIRS das imagens reamostradas por decimação.

Nível

Nível

Nível

Classificação NIIRS CivilTeste 2 - Luis Eduardo Magalhães/ Método 1: Reamostragem por decimação

Imagem referência: Cbers 2B/CCD (20m) - RGB (312)

1

Distingue entre as principais classes de uso do solo (por exemplo, urbano, agrícola,

floresta, água).

Identifica padrões de grandes áreas de drenagem.

Identifica padrões de propriedade de terrenos longos ao longo das

principais vias.

Decimação vizinho mais próximo: RapidEye (20m) - RGB (312)

2

Identifica grandes áreas (superior a 60 hectares) de pivô centrais,

campos irrigados.

Identifica padrões de estrada, como por exemplo trevos, sobre

os principais sistemas rodoviários.

Detecta linhas de árvores entre os campos.

Agregação de pixel: RapidEye (20m) - RGB (312)

2

Identifica grandes áreas (superior a 60 hectares) de pivô centrais,

campos irrigados.

Identifica padrões de estrada, como por exemplo trevos, sobre

os principais sistemas rodoviários.

Detecta linhas de árvores entre os campos.



Figura 8 – Classificação NIIRS das imagens reamostradas por interpolação. 5 CONCLUSÕES

Essa pesquisa apresentou uma abordagem a respeito das alterações nos valores de tons de cinza quando aplicados a técnicas de reamostragem em imagens digitais com atenção ao problema. As imagens de sensoriamento remoto são inerentes ao problema do MAUP porque os dados do mundo real são agregados com base no tamanho da grade sobreposta para imagear.

Os testes realizados abordando técnicas de reamostragem comprovam que ao reamostrar as imagens, os valores de níveis digitais são agregados e modificados na imagem de saída, resultando em dados estatísticos alterados. Quanto ao aspecto visual, as imagens de média resolução reamostradas para uma grade mais fina apresentam um aspecto borrado em relação a imagem de alta resolução.

Estudos sobre MAUP iniciaram há mais de 40 anos e ainda não existe uma solução para análise espacial. Muitos cientistas testaram técnicas para lidar com o

problema de unidade de área modificável o que pode contribuir para estudos futuros. Trata-se de um grande desafio conceitual para qualquer estudo geográfico, pois é de grande importância que os efeitos do MAUP sensoriamento remoto seja compreendido para evitar resultados analíticos arbitrários e errôneos. AGRADECIMENTOS

Os autores agradecem aos professores do IFG/GO, Elaine Reis e Hostílio Maia, que contribuíram para a melhoria do documento e do conteúdo deste trabalho. REFERÊNCIAS BOGGIONE, G. A. Restauração de imagens do satélite LANDSAT-7. 160 p. Dissertação (Mestrado em Sensoriamento Remoto) – Instituto de Pesquisas Espaciais. São José dos Campos. 2003. DARK, S. J.; BRAM, D. The modifiable areal unit problem (MAUP) in physical geography. Progress in Physical Geography, v. 31, n. 5, p. 471-479, 2007. FISHER, P. The pixel: a snare and a delusion. International Journal of Remote Sensing, v. 18, n. 3, p. 679-685, 1997. GOODCHILD, M. F.; QUATTROCHI, D. A. Scale in Remote Sensing and GIS. Boca Raton: Lewis Publishers, 1997, Fl.1-11. HAY, G. J. et al. A Multi-scale framework for landscape analysis: Object-specific analysis and upscaling. Landscape Ecology, v.16, p. 471-490, 2001. IRARS, 1996. Civil NIIRS Reference Guide. Imagery Resolution Assessment and Reporting Standarts Committee. Disponível em: < https://fas.org/irp/imint/niirs_c/app3.htm> Acesso em: dezembro, 2016. IRVINE, J. M. National Interpretability Rating Scales (NIIRS): Overview and Methodology. Proceedings SPIE, v. 3128, p. 93-103, 1997. JELINSKI, D. E.; WU, J. The modifiable areal unit problem and implication for landscape ecology. Landscape Ecology, v. 11, n.3, p. 129-140, 1996. MARCEAU, D. J. The scale issue in social and natural sciences. Canadian Journal of Remote Sensing, v. 25, n. 4, p. 347 – 356,1999. MARCEAU, D. J.; HAY, G. J. Remote sensing contributions to the scale issue. Canadian Journal of Remote Sensing, v. 25, n. 4, p. 357-366,1999. OPENSHAW, S.; TAYLOR, P.J. A million or so correlation coefficients: three experiments on the modifiable areal unit problem. Statistical applications in spatial sciences, p. 127– 144, 1979. WOODCOCK, C. E.; STRAHLER, A. H. The factor of scale in remote sensing. Remote sensing of Environment, v. 21, n. 3, p. 311-332, 1987.

Nível

Nível

Nível

Nível

1

Distingue entre as principais classes de uso do solo (por exemplo, urbano,

agrícola, floresta, água).



principais vias.

Interpolação vizinho mais próximo: Cbers 2B/CCD (5m) - RGB (312)

1





principais vias.

Interpolação bilinear: Cbers 2B/CCD (5m) - RGB (312)

1





principais vias.

Interpolação Convolução cúbica: Cbers 2B/CCD (5m) - RGB (312)

Classificação NIIRS CivilTeste 2 - Luis Eduardo Magalhães/Método 2: Reamostragem por interpolação

Imagem referência: RapidEye (5m) - RGB (312)

3

Detecta grandes áreas (superior a 60 hectares)

de contorno de lavouras.

Detecta entre terras de cultivo e pastagens.

Detecta operações mecanizadas de colheita

de grãos.

Distingue entre florestas naturais e pomares.

reamostragem em imagens de sensoriamento remoto:...

Documents