Escolar Documentos
Profissional Documentos
Cultura Documentos
artigo
93 4
Anais XIV Simpsio Brasileiro de Sensoriamento Remoto, Natal, Brasil, 25-30 abril 2009, INPE, p. 67-74.
Abstract. The main goal of this study was to apply methods of supervised and unsupervised classification to obtain a
land use map, the methodology was performed in a subset of a Landsat 5/TM image path/row 223/077, located in the
west of Parana State, which is considered a typical agricultural region. Targets such as soybeans and sugar cane
crops, natural vegetation, bare soil and water were selected. Urban areas were masked out due to its high variation of
spectral reflectance. The results show that the merging of the two supervised classifiers, Maximum Likelihood and
Mahalanobis distance gave best response. The first method resulted in a good classification of the selected themes,
except for the natural vegetation; on the other hand, the second method presented good classification that specific
target. The classification accuracies were evaluated through a confusion matrix, with kappa index of 0.82 and overall
accuracy of 89%.
Palavras-chave: remote sensing, Landsat 5/TM, kappa index, overall accuracy, sensoriamento remoto, Landsat
5/TM, ndice kappa, exatido global.
1. Introduo
Uma das aplicaes do sensoriamento remoto distinguir e identificar as composies de
diferentes materiais superficiais sejam eles tipos de vegetao, padres de uso do solo, rochas
entre outros. Esta distino e identificao se tornam possvel, em funo destes materiais
apresentarem comportamentos especficos ao longo do espectro eletromagntico (Crosta, 2002).
A classificao automtica de imagens de satlite diz respeito a associar a cada pixel da
imagem a um rtulo (vegetao, solo, gua, etc.) chamado de temas. Assim, todos os pixels da
imagem so associados a estes temas resultando em um mapa digital temtico da rea de
interesse.
De acordo com Crosta (2002), existem duas abordagens na classificao de imagens
multiespectrais de sensoriamento remoto. A classificao no supervisionada baseia-se no
princpio de que o algoritmo do computador capaz de identificar por si s as classes dentro de
um conjunto de dados. Os mtodos de classificao supervisionada fundamentam-se na
disponibilidade prvia de amostras representativas, identificadas na imagem, para cada classe de
interesse.
Os algoritmos classificadores utilizam, ento, a informao estatstica referente a essas
amostras na classificao dos demais pixels da imagem. Em funo disso, para que a
classificao seja bem sucedida, fundamental que as amostras de treinamento sejam
homogneas e representativas das classes de interesse.
O presente trabalho teve como objetivo aplicar mtodos de classificao supervisionada e
no supervisionada a fim de obter um mapa temtico de uso da terra na regio oeste do Paran.
67
Anais XIV Simpsio Brasileiro de Sensoriamento Remoto, Natal, Brasil, 25-30 abril 2009, INPE, p. 67-74.
2. Material e Mtodos
A aplicao das ferramentas de processamento digital de imagens foi feita em uma imagem
do Estado do Paran, precisamente em parte dos municpios de Alto Piquiri, Brasilndia do Sul,
Formosa do Oeste, Jesutas, Iracema do Oeste e Assis Chateaubriand, que pertence a mesorregio
do Oeste Paranaense e localizada entre as coordenadas geogrficas 5335W - 5320W e 2410S
- 2425S no datum WGS84. Esta uma rea tipicamente agrcola (CUNHA, 1993). A Figura 1
mostra a localizao da regio de interesse para realizao deste trabalho.
Para realizao deste trabalho foram empregadas inicialmente imagens do satlite Landsat5/TM correspondentes s rbitas/pontos 223/077 datada de 04 de fevereiro de 2008 que foi
corrigida geometricamente pela imagem Geocover do satlite Landsat-7/ETM+ com o software
ENVI 4.2, apresentando um RMS de 0,391 abaixo de 0,50 recomendado (Eastman, 1998). Para
esta atividade, foram utilizadas apenas as bandas 4; 5 e 3 para fazer a composio RGB453.
Desta cena, realizou-se um recorte de 1024 x 1024 pixels para posterior classificao de uso do
solo. Foram empregados os softwares ENVI 4.2, ARCGIS 9.2 e IDRISI KILIMANJARO para a
fase de processamento das imagens.
Para aplicao dos classificadores foi feito um recorte de 1024 x 1024 pixels na cena
Landsat-5/TM. Foram utilizados os classificadores: no supervisionado (IsoData) e
supervisionados (Paraleleppedo, Mnima Distncia, Mxima Verossimilhana, Distncia de
Mahalanobis).
Com base na identificao dos temas sob a composio RGB453, foram definidos os sete
alvos que so: Vegetao natural, gua, cana-de-acar, soja, solo, cidades, rodovias.
Os temas cidades e rodovias foram criados para serem usados como mscara na imagem
RGB453 e no inclu-las quando aplicados os classificadores, uma vez que poderiam ser
confundidos com outros alvos.
Um mapeamento de uso do solo apoiado pelo Sensoriamento Remoto necessita ser utilizado
com exatido, quando se deseja que as informaes obtidas neles sejam adequadas,
(MANGABEIRA et al, 2003). As anlises dessas informaes foram realizadas atravs da
obteno de matrizes de confuso ou matrizes de erros, calculando assim, o ndice de exatido
68
Anais XIV Simpsio Brasileiro de Sensoriamento Remoto, Natal, Brasil, 25-30 abril 2009, INPE, p. 67-74.
global (Equao 1) e ndice kappa (Equao 2) dos resultados obtidos. Segundo Congalton
(1991), uma matriz de erro pode ser usada como ponto de partida para aplicao de uma sria de
tcnicas estatsticas, tanto descritiva quanto analtica. A Tabela 1 que apresenta a avaliao da
qualidade da classificao proposta por Landis e Koch (1977) e Foody (2002), sugerem nveis
recomendados para mtricas de exatido global e do ndice kappa em torno de 0.85.
Tabela 1. Qualidade de classificao associada aos valores do ndice kappa.
ndice kappa
0
0,01 a 0,20
0,01 a 0,40
0,41 a 0,60
0,61 a 0,80
0,81 a 1,00
Fonte: Landis e Koch (1977).
EG =
A
*100
n
Qualidade
Pssima
Ruim
Razovel
Boa
Muito Boa
Excelente
(1)
r
r
n * x ij (x i . * x. j )
i =1
i =1
K =
r
2
n (x i . * x. j )
i =1
(2)
3. Resultados e Discusso
A Figura 2 mostra o recorte de 1024 x 1024 pixels da cena Landsat-5/TM. Para uso dos
classificadores, aplicou-se a mscara dos temas cidade e rodovia apresentado na Figura 3, sobre o
recorte da composio RBG453.
69
Anais XIV Simpsio Brasileiro de Sensoriamento Remoto, Natal, Brasil, 25-30 abril 2009, INPE, p. 67-74.
3.1 Classificadores
IsoData: Na anlise desse classificador (no supervisionado) identificou-se 18,90% de rea
como sendo soja, um percentual de 26,60% de cana-de-acar, um total de 23,24% de solo,
apenas 2,53% de gua e a maior parte (28,73%) como vegetao, conforme Tabela 1. A
visualizao da Figura 4 mostra que o resultado no foi bom, pois a maior parte da rea
caracteriza-se como reas de solo exposto e soja, o que para o classificador esto apenas em 3 e
4 lugares, respectivamente.
Paraleleppedo: O resultado da aplicao do mtodo de classificao supervisionado de
paraleleppedo mostrado na Figura 5. Verifica-se que grande parte da imagem ficou na cor
preta, ou seja, muitos pixels da imagem no foram classificados em nenhum dos temas propostos.
Observou-se que o classificador teve dificuldade na avaliao de todos os temas da imagem. Este
mtodo apresenta algumas limitaes, pelo fato de alguns pixels no se enquadrarem dentro dos
valores que definem os paraleleppedos.
Mnima Distncia: Analisando a Figura 6 nota-se que nenhum pixel da imagem deixou de
ser classificado. Entretanto as reas (rodovias e cidades) especificadas como mscara foram
equivocamente contabilizadas como gua (cor azul). Dentre os dois ltimos temas,
principalmente a cana-de-acar ficou com um percentual de rea muito maior que na realidade
existe, provavelmente em funo da confuso que o classificador fez com reas de soja e solo
exposto. De forma geral, o resultado deste classificador ficou razoavelmente bom havendo
apenas algumas confuses nas classificaes dos temas.
Mxima Verossimilhana: A Figura 7 apresenta um bom resultado desse classificador
quando comparado aos mtodos anteriores. Entretanto, observou-se alguma confuso na
classificao do tema vegetao que foi subestimado e tambm apresentou alguns pixels no
classificados, entretanto, o restante dos alvos est bem definido.
70
Anais XIV Simpsio Brasileiro de Sensoriamento Remoto, Natal, Brasil, 25-30 abril 2009, INPE, p. 67-74.
Distncia de Mahalanobis: Este classificador conseguiu uma melhor avaliao de reas com
vegetao. Todos os pixels da imagem foram classificados em algum tema, como verificados na
Figura 8. De forma geral, houve diferenas significativas de rea entre o mtodo de Mxima
Verossimilhana e o mtodo de Mahalanobis. Entretanto, deste ltimo mtodo utilizou-se apenas
o tema vegetao, que neste caso representou 22,58% da imagem e os demais temas utilizou-se o
mtodo Mxima Verossimilhana, gerando assim, um classificador em que se juntaram os
melhores resultados destes dois mtodos que ser apresentado na seqncia.
Fuso do classificador supervisionado de Mxima Verossimilhana e Distncia de
Mahalanobis: O resultado da fuso dos classificadores supervisionados de Mxima
Verossimilhana e Distncia de Mahalanobis mostrado na Figura 9. Ao fazer uma comparao
visual entre a rea original e o classificador observa-se que o resultado ficou satisfatrio, uma vez
que maior parte das reas de solo exposto, vegetao, soja, gua e cana-de-acar observadas na
Figura 2 correspondem realmente a estes temas.
A Tabela 2 apresenta os resultados estatsticos da imagem, segundo aplicao dos
classificadores. De modo geral, verificou-se que o mtodo paraleleppedo no mostrou um bom
resultado, uma vez que pouco mais de 70% da imagem no foi classificada. Nos outros mtodos
todos os pixels foram classificados, sendo alguns de forma confusa para a compreenso de um
mapa, com exceo do classificador Mxima Verossimilhana que no conseguiu classificar
4,20% dos pixels da imagem e classificou apenas 5,67% de vegetao, porm para outros alvos
sua classificao est de acordo com a imagem real.
71
Anais XIV Simpsio Brasileiro de Sensoriamento Remoto, Natal, Brasil, 25-30 abril 2009, INPE, p. 67-74.
17,49%
26,85%
0,00%
4,20%
72
Anais XIV Simpsio Brasileiro de Sensoriamento Remoto, Natal, Brasil, 25-30 abril 2009, INPE, p. 67-74.
Tabela 3. Anlise da rea da imagem fusionada pelos dois classificadores supervisionados de Mxima
Verossimilhana e Distncia de Mahalanobis.
Porcentagem
rea
rea
rea
Temas
Porcentagem
Acumulada
Imagem (m2)
Imagem(Km2)
Imagem (ha)
Vegetao
21,53%
21,53%
203.224.500
203,22
20.322,45
gua
0,85%
22,38%
8.001.000
8,00
800,10
Cana-de-acar
1,63%
24,01%
15.391.800
15,39
1.539,18
Soja
44,94%
68,95%
424.122.300
424,12
42.412,23
Solo
26,85%
95,80%
253.358.100
253,36
25.335,81
No classificado
4,20%
100,00%
39.620.700
39,62
3.962,07
(cidades/rodovias)
TOTAL
100%
943.718.400
943,72
94.371,84
Total
geral
2
2
91
59
46
200
-
Erro de
Incluso
0,00%
0,00%
0,00%
8,47%
36,96%
-
Do total das 200 amostras, pela soma da diagonal principal da matriz de erros observou-se
que 178 amostras foram classificadas corretamente. Com base nisto, obteve-se o ndice de
exatido global (EG) de 89%. Ou seja, 89% das amostras foram corretamente identificadas pelo
classificador quando comparada com a do recorte da imagem RGB453, mostrando um bom
resultado do classificador.
J o ndice kappa (K) foi determinado para avaliar a exatido dos dados permitindo uma
visualizao dos resultados da classificao temtica em relao ao recorte da imagem RGB453.
O resultado indicou um coeficiente kappa de 0.8278.
73
Anais XIV Simpsio Brasileiro de Sensoriamento Remoto, Natal, Brasil, 25-30 abril 2009, INPE, p. 67-74.
74