FACULDADE ÚNICA DE IPATINGA

WENDELL SANTANA FAGUNDES

CLASSIFICAÇÃO SUPERVISIONADA DE IMAGENS DO SATÉLITE

SENTINEL-2 PARA OBETENÇÃO DE CARTA DE USO E COBERTURA DO
SOLO

CORONEL FABRICIANO - MG
2019
 FACULDADE ÚNICA DE IPATINGA
WENDELL SANTANA FAGUNDES

CLASSIFICAÇÃO SUPERVISIONADA DE IMAGENS DO SATÉLITE

SENTINEL-2 PARA OBETENÇÃO DE CARTA DE USO E COBERTURA DO
SOLO

Artigo Científico Apresentado à Faculdade Única

de Ipatinga - FUNIP, como requisito parcial para
a obtenção do título de Especialista em
Geoprocessamento e georreferencaimento.

CORONEL FABRICIANO - MG
2019
 CLASSIFICAÇÃO SUPERVISIONADA DE IMAGENS DO SATÉLITE
SENTINEL-2 PARA OBETENÇÃO CARTA DE USO E COBERTURA DO
SOLO

Wendell Santana Fagundes ¹

RESUMO
A obtenção de informações acerca da superfície terrestre já foi bem mais dispendiosa. Atualmente, com a
popularização das técnicas de geoprocessamento juntamente com a disponibilização gratuita de dados de
sensoriamento remoto os estudos e mapeamentos da superfície terrestre tornaram-se processos de baixo
custo. Desta forma, o presente estudo visa a extração de informações de dados abertos em sensoriamento
remoto, mais especificamente da missão Sentinel-2, por meio da técnica de classificação supervisionada
com o algoritmo da Máxima Verossimilhança (MAXVER), com finalidade de gerar carta de uso e cobertura
do solo. Para atingir este objetivo, procedeu-se o trabalho com auxílio do plugin SCP presente no SIG QGIS
2.14, e avaliando-se os resultados através do fator kappa e matriz de confusão, que utilizados em conjunto
indicam a acurácia do mapeamento. Os resultados apresentados refletiram num mapa classificado de uso e
cobertura do solo com as classes água, vegetação densa, vegetação esparsa, área antropizada e solo exposto,
mas também na matriz de erro e fator Kappa cujo limiar de 0,894 indicou um excelente nível de acurácia.
Por fim, as conclusões apontam para grande viabilidade em se utilizar as técnicas e os dados empregados
neste trabalho, pois além de um baixo custo, trouxeram também resultados de excelente acurácia.

Palavras-chave: Sentinel-2. Classificação supervisionada de imagens. Sensoriamento

Remoto.

Introdução
Dados orbitais da superfície terrestre têm auxiliado no desenvolvimento de
atividades das mais diversas áreas, a exemplo da cartografia, climatologia, gestão
ambiental, territorial e governamental, na agricultura, produção energética, saúde,
segurança, entre outros. O aparato tecnológico para captação destes dados é
demasiadamente dispendioso, ficando sob o tentame de grandes empresas com fins
comerciais ou da união de entidades públicas, que algumas das vezes disponibilizam estas
informações sem custos ao usuário.
Imagens de sensoriamento remoto em alta resolução espacial são encontradas
mais facilmente no âmbito comercial. Entretanto, os dados abertos vêm ganhando em
qualidade. Bons exemplos disto são a já consagrada missão Landsat e o recente programa
Copernicus, o qual pretende lançar até 2030 sete satélites cujas imagens, de alta resolução,
estão sendo fornecidas gratuitamente à sociedade mundial.
A classificação de imagens é o método mais comum para o mapeamento do uso e
ocupação do solo de uma área. Este processo extrai as principais categorias de utilização
e cobertura do território, por meio da aplicação de operações probabilísticas ou
determinísticas em dados multiespectrais e/ou variáveis de superfície, de forma semi-
automatizada, reduzindo custos e tempo. De acordo Piroli et al. (2002),
____________________________________________________________________________________
¹ Graduado em Engenharia de Agrimensura Pela Universidade Federal de Alagoas e graduado em Engenharia Civil
pela Faculdade de Tecnologia de Alagoas
os recursos para este tipo de análise estão, principalmente, no uso de técnicas e
ferramentas oferecidas pelos Sistemas de Informações Geográficas (SIG’s), o que facilita
a identificação de alterações ocorridas em função dos avanços antrópicos sobre áreas de
cobertura natural.
A elaboração de mapas de uso e cobertura do solo, cada vez mais, tem se
propagado, muito porque auxilia no entendimento da dinâmica espaço temporal de uma
dada região. Schlindwein et al. (2007) apontam que o conhecimento do uso e cobertura
do solo facilita a aplicação de medidas adequadas à realidade, as quais garantem a gestão
do espaço, bem como preservação e manutenção do meio ambiente.
Isto posto, fica evidenciado a importância em mapear uma área buscando-se
alternativas de baixo custo, diante da atual escassez de recursos. Assim, este estudo
centrou-se na busca por novas tecnologias que fossem eficazes, também, para atualização
cartográfica com vistas à identificação de alterações na cobertura terrestre, algo intrínseco
ao planejamento territorial.
Objetivos
a) Gerais
Aplicar o processo de classificação supervisionada de imagens em dados
provenientes do sensor MSI do satélite Sentinel-2.

b) Específicos
1. Aplicar o algoritmo Máxima Verossimilhança para classificação
supervisionada das imagens supracitadas, por meio do aplicativo Semi Automatic
Classification no sistema de informação geográfica QGIS 2.14;

2. Utilizar a matriz de confusão e ao fator Kappa para avaliar acurácia dos

mapas de uso e cobertura do solo oriundos das imagens do satélite Sentinel-2;

3. Tirar conclusões acerca dos resultados encontrados, com vistas a acurácia final
do trabalho, avaliada por meio da matriz de confusão e fator Kappa.
Desenvolvimento
a) Sensoriamento Remoto

O sensoriamento remoto, como uma geociência, é uma importantíssima

ferramenta de captação de dados necessários a análises ambientais. Sob a forma de
matrizes georreferenciadas contento algum atributo do terreno, os dados de
sensoriamento remoto (SR) dinamizam as formas de enxergar um ambiente, permitindo
conclusões mais precisas e rápidas nos monitoramentos realizados. Ao empregá-lo num
determinado trabalho, é extremamente necessário entender como os dados são coletados,
deste modo, alguns conceitos mais recentes já trazem esta informação. Para Florezano
(2007, p. 9) o sensoriamento remoto “é a tecnologia que permite obter imagens e outros
tipos de dados, da superfície terrestre por meio da captação e registro da energia refletida
ou emitida pela superfície”. Nas palavras de Novo:
 Sensoriamento remoto consiste na utilização conjunta de sensores,
equipamentos para processamento de dados, equipamentos de
transmissão de dados a bordo de aeronaves, espaçonaves, ou outras
plataformas, com o objetivo de estudar eventos, fenômenos e processos
que ocorrem na superfície do planeta partir do registo e da análise das
interações entre radiação eletromagnética e as substâncias que o
compõem em suas mais diversas manifestações. (NOVO, 2007, p. 4).

Desde os anos 60 o número de publicações científicas voltadas ao SR cresce

exponencialmente, há o surgimento constante de associações, institutos e centros de
excelência, criações de novas revistas especializadas, avanços tecnológicos relevantes,
tudo isso marca uma fase jovial do sensoriamento remoto como ciência. Autores como
Robert Green da NASA (National Aeronautic and Space Administration) sugerem o
termo “medição remota” em vez de sensoriamento remoto, usando o argumento de que
os novos sensores hiperespectrais fazem medições muito precisas (JENSEN, 2009).

b) Missão Sentinel-2
Sentinel-2 é a segunda missão de uma série de sete que serão efetivadas até 2030
relativas ao programa Copernicus, cujos dados orbitais têm como finalidades a melhoria
na gestão do ambiente, o entendimento e mitigação dos efeitos e alterações climáticas e
garantia da segurança civil. Financiado pela ESA (European Space Agency) e EU
(European Union), o programa Copernicus busca oferecer dados e produtos em seis
categorias: gestão territorial, do ambiente marinho, da atmosfera, alertas de emergência,
de segurança e de alterações climáticas (ESA, 2012).
O Sentinel-2 está esquipado com o sensor MSI (MultiSpectral Instrument), que
foi desenvolvido com base na tecnologia Push-broom pela empresa europeia Airbus
Defence and Space. Um sensor Push-broom funciona recolhendo linhas de imagem em
toda a faixa orbital e ao avançar da nave ao longo do trajeto da órbita, faz aquisição de
novos dados (ESA, 2015).
O MSI pesa 290 kg e tem um telescópio de espelho triplo (Three-Mirror
AnastigmaticTMA) os quais são feitos de carboneto de silício, proporcionando maior
estabilidade óptica e diminuindo a deformação termoelástica (ESA, 2012). O MSI capta
dados em 13 bandas espectrais entre os comprimentos de onda 443 nm e 2190 nm, das
quais três são Red-Edge, bandas 5, 6 e 7. A largura da faixa imageada é de 290 km, a
resolução radiométrica é de 12 bits, já o tamanho de pixel varia de acordo com a faixa
espectral, sendo quatro bandas a 10 metros, seis bandas a 20 metros e três bandas a 60
metros. Demais dados técnicos do Sentinel-2 estão dispostos na Tabela 3:
Tabela 3 – Informações técnicas do sistema Sentinel-2
10 m nas bandas 2, 3, 4 e 8; 20 m nas bandas
Resolução Espacial
5, 6, 7, 8a, 11 e 12; 60 m nas bandas 1, 9 e 10
Resolução Radiométrica 12 Bits
10 dias no equador com um satélite e 5 dias com dois
satélites;
Resolução Temporal
Em condições livres de nuvens resulta em
2 a 3 dias nas latitudes médias (45o).
Bandas Espectrais (Intervalos em B1: 433 a 453 ; B2: 457,5 a 522,5; B3: 542,5 a 577,5;
nm) B4: 650 a 680; B5: 697,5 a 712,5; B6: 732,5 a 747,5;
 B7: 773 a 793; B8: 784,5 a 899,5; B8a: 855 a 875;
B9: 935 a 955; B10: 1365 a 1395; B11: 1565 a 1655;
B12: 2100 a 2280.
Datum Horizontal WGS-84
Projeção Universal Transversa de Mercator (UTM)
Órbita Heliossíncrona com 786 km de altitude
Passagem pelo Equador +/ - 10 : 30 h em hora local
Tipo do Sensor Imageador multiespectral (MSI) Push-broom
Expectativa de tempo de vida do
7,25 anos
satélite
Fonte: Elaborada pelo autor com informações de ESA (2015)
Os dados Sentinel-2 também são categorizados de acordo com o tipo de
processamento aplicado. Produtos nível 0 possuem um processamento em tempo real dos
dados coletados pelo MSI, estão comprimidos e não são disponibilizado aos usuários;
Produtos nível 1A são resultantes da descompactação do nível 0, também não estão
disponíveis a usuários comuns; em nível 1B os dados têm correções radiométricas e
podem ser acessados por utilizadores, preferencialmente que tenham conhecimento em
ortorretificação; no nível 1C são aplicadas correções geométricas e ortorretificação, bem
como interpolações radiométricas até chegar a medidas de reflectâncias, convertidas em
valores inteiros através da aplicação de um coeficiente fixo; O processamento nível 2
consiste em correções atmosféricas dos produtos nível 1C, tendo como saídas adicionais
mapas de vapor de água (WV), de espessura óptica de aerossóis (AOT) e classificação de
Cena (SCM)(ESA, 2012).
c) As geotecnologias

Um programa SIG, segundo Rocha (2000), é um sistema capaz de adquirir,

armazenar, tratar, integrar, processar, transformar, manipular, modelar, atualizar, analisar
e exibir informações digitais georreferenciadas, topologicamente estruturadas. O SIG é
uma das principais ferramentas para o geoprocessamento, que por sua vez pode ser
conceituado como todo processo que abarca as técnicas de captação, tratamento, análise,
armazenamento e representação de dados georreferenciados, no intuito de tomar decisões
de ordem gerencial. A conjuntura das ferramentas supracitadas em consonância com as
ciências de captação de dados geoespaciais (Topografia, SR, aerofotogrametria, GNSS,
etc) são conhecidas como geotecnologias.

Os dados de SR têm muita aplicabilidade, e para alcançar esta premissa, devem

ser processados. A principal ferramenta para este fim é o Sistema de Informação
Geográfica (SIG), onde são aplicadas técnicas de geoprocessamento, oferecendo recursos
eficientes para agilizar e dar melhor precisão ao estudo de um espaço geográfico. Diante
disso, percebe-se a ligação que o SR tem com outras geotecnologias, criando uma
interdependência mútua: o SIG é desenhado para receber dados de Sensoriamento
Remoto, que por sua vez depende de técnicas de geoprocessamento para interpretar seus
produtos e de outras ciências voltadas a localização espacial.

De acordo com Bastistella e Moran (2008), o uso de geotecnologias possibilita o

encontro de soluções para problemas ambientais, bem como mitigações para os efeitos
negativos incidentes sobre as populações e os recursos naturais. Assim, o entendimento
da geotecnologia, como tudo que engloba coleta, tratamento, análise, armazenamento,
processamento de dados geoespaciais, evidencia o potencial desta ferramenta em
qualquer tipo de estudo relativo ao espaço geográfico. Noutra ótica, partindo do
pressuposto de que se uma ferramenta oferece resultados concisos sobre os atores de um
problema, é lógico dizer que este meio é um apoiador das tomadas de decisão.

d) Classificação de Imagens

Segundo Novo (2008, p. 289), classificação de imagens é o termo genérico dado

“ao processo de atribuir significado a um pixel em função de suas propriedades
numéricas”. De modo mais aprofundado, Richards e Jia (1999 apud SARTORI, 2006)
conceituam a classificação como uma técnica para rotular pixels de uma imagem em
função das suas particularidades espectrais, dentro de um programa computacional capaz
de reconhecer a similaridade espectral dos pixels. O principal objetivo da classificação é
o mapeamento de classes de uso e cobertura do solo de uma determinada região, de forma
rápida e automatizada, por meio dos dados de sensores orbitais. Para atingir tal meta com
qualidade, conforme Florenzano (2011), é primordial a interação do intérprete com o
processamento automatizado.

A classificação supervisionada é uma das alternativas de classificação de imagens

mais difundidas para se extrair informações de padrões a partir de dados de sensoriamento
remoto. Esta técnica se baseia nas características espectrais das amostras de classes, no
intuito de decidir em qual das classes de uso e cobertura se enquadra cada pixel da cena
a ser avaliada. Dentre os algoritmos da classificação supervisionada, destaca-se o Máxima
Verossimilhança, o qual está embasado no cálculo da probabilidade condicional através
do Teorema de Bayes (SANTOS et al, 2003). O princípio básico para utilização do
classificador MAXVER é o conhecimento a priori da região estudada, no sentido de
indicar áreas de treinamento que forneçam a informação mais verossímil da classe
atribuída, para assim, por meio do Teorema de Bayes, estimar a região ou regiões
pertencentes a tal classe.

A última etapa do trabalho classificatório é a avaliação da verossimilhança das

classes temáticas do mapa gerado. Meneses et al. (2012) ressaltam que a acurácia temática
de uma classificação está ligada a diversos fatores, dentre os quais destacam-se a
complexidade do terreno, as resoluções espaciais e espectrais do sistema sensor, o
algoritmo classificador utilizado, o conjunto amostral que descreve a verdade terrestre,
entre outros. A avaliação da qualidade do raster de uso e cobertura do solo se dá,
principalmente, por meio da matriz de confusão e do índice Kappa. A matriz de confusão,
é uma matriz quadrada de números que expressam unidades de amostragem (ou seja,
pixels, aglomerados de pixels, ou polígonos) atribuídas a uma determinada classe,
correlacionada à classe verificada em solo. Esta matriz é recomendada para representar a
acurácia de classificações de imagem, pois a mesma pode ser usada como um ponto de
partida para uma série de indicadores estatísticos descritivos e analíticos (CONGALTON,
1991). Um destes indicadores é o índice Kappa, o qual “pode ser definido
como uma medida de associação usada para descrever e testar o grau de concordância
(confiabilidade e precisão) na classificação” (KOTZ; JOHNSON, 1983 apud PERROCA;
GAIDZINSKI, 2003, p. 74).

Segundo Figueiredo e Vieira (2007) a estimação do Kappa é amplamente usada

na avaliação de acurácia temática, caracterizando-se como uma técnica multivariada
discreta que usa todos os elementos da matriz de erro em seu cálculo. Para auxiliar na
interpretação de valores de Kappa, Landis e Koch (1977) estabeleceram uma relação
destes valores com grau qualitativo de uma classificação, a qual pode
ser visualizada na Tabela 4:

Tabela 1 – Concordância de uma classificação associados aos valores de Kappa

Índice Kappa Concordância
0,00 Péssima
0,01 a 0,020 Ruim
0,21 a 0,40 Razoável
0,41 a 0,60 Boa
0,61 a 0,80 Muito Boa
0,81 a 1,0 Exelente
Fonte: Adaptado de Landis e Koch (1977).

Material e Métodos

a) Área de estudo
O agreste Alagoano se constitui numa área de transição entre os biomas Mata
Atlântica e Caatinga, apresentando diversas feições naturais relevantes em estudos do
ambiente. Deste modo, escolheu-se esta região do Brasil como área de estudo, mais
especificamente, um recorde de aproximadamente 190km2, circunscrito pela folha em
desdobro sistemático SC-24-X-D-III-3-NO (escala 1:25.000), a qual abarca as cidades
Quebrangulo e Paulo Jacinto no Estado de Alagoas e um pequeno trecho no município
de Lagoa do Ouro-PE, nordeste Brasileiro. As coordenadas UTM do centro da folha são
781498,46m W e 8969579,41m S referentes ao Datum SIRGAS 2000, o mapa de
localização está presente na Figura 1.
Por ser uma zona de transição, esta parte do Agreste de Alagoas e Pernambuco
possui resquícios de floresta Atlântica em meio ao bioma predominante, a Caatinga, com
algumas áreas de agropecuária. A precipitação média anual na região está na faixa de
1400 mm a 1600 mm, enquanto que a temperatura média anual varia de 22o C a 24o C,
caracterizando um clima tropical com chuvas de outono-inverno e uma estação seca bem
definida (EMBRAPA, 2012). De acordo com Seplande (2014), a geomorfologia
predominante é o Planalto da Borborema, com altitudes variando entre 316 e 630 metros.

Figura 1 – Mapa de localização da área de estudo

Fonte: elaborado pelo autor.

b) Aquisição dos dados orbitais

As imagens Sentinel-2 usadas no presente trabalho são do nível 1C, a aquisição
data de 11 de fevereiro de 2016 e foram obtidas junto a ESA pelo catálogo on-line
<https://cophub.copernicus.eu/dhus>. O arquivo completo é constituído de 13 cenas.
Deste modo, foi necessário averiguar em qual das cenas se apresentava a área pesquisada,
para posteriormente executar um recorte segundo os limites geoespaciais estabelecidos.
Existem também diversos arquivos auxiliares contendo informações inerentes aos
parâmetros da imagem, os quais são necessários em alguns processamentos.
c) Software Utilizado (Plugin Semi-Automatic Classification - SCP do
QGIS)
Nesta pesquisa fez-se uso do sistema de informação geográfica (SIG) QGIS 2.14.
Este software é gratuito e possui diversas ferramentas de geoprocessamento, dentre elas
o Plugin SCP (Semi-Automatic Classification) voltado a classificação de imagens
multiespectrais. Implementado por Congedo (2016), o SCP dispões várias
funcionalidades direcionadas à classificação supervisionada, oferecendo ao usuário três
algoritmos de classificação: O Mínima Distância ou Distância Euclidiana, Mapeador de
Ângulo Espectral (Spectral Angle Mapper – SAM) e o Máxima Verossimilhança
(MAXVER), este último foi aplicado na classificação das imagens Sentinel-2.
d) Cálculo das reflectâncias
Antes de iniciar o processo de classificação decidiu-se calcular os valores de
reflectância das bandas, com o intuito de gerar as curvas espectrais de cada classe. Assim,
é importante observar o coeficiente de calibração radiométrica do sensor, fornecido
pela instituição que controla o sistema orbital. Os cálculos foram efetuados com a
“calculadora raster” do QGIS 2.14, adicionando-se fórmulas e parâmetros manualmente,
em seguida foi utilizada a função “band set” do plugin SCP para formar o conjunto de
classificação. Na composição deste conjunto, a sequência dos canais ficou assim definida:
Banda 1 (Azul), Banda 2 (Verde), Banda 3 (vermelho), Banda 4 (infravermelho próximo).
O cálculo de reflectância das imagens do Sentinel-2 nível 1C, foi efetuado com o
Equação 1:
 𝐷𝑁
𝑅𝐸𝐹 = (1)
𝑄

Onde REF é o valor de reflectância; DN é número digital do pixel; Q (quantification

value) é o coeficiente fixo para converter os números digitais em valores de reflectância,
sendo Q = 10000.

e) Definição das classes de uso e cobertura do solo

Salientando-se que a classificação supervisionada demanda o conhecimento
preambular do uso e cobertura do terreno, foi necessária uma análise visual prévia de
imagens orbitais em alta resolução espacial da região estudada, observando e
identificando os tipos de cobertura de maior destaque. Num segundo momento,
examinando os dados do Sentinel-2, procurou-se ponderar quais classes de uso e
cobertura melhor se enquadrariam no presente caso, tendo em vista a resolução espacial
do sensor, cujas dimensões influenciam diretamente na mistura de sinal dos alvos e,
consequentemente, na qualidade da classificação. Por conseguinte, ficaram definidas
cinco classes de uso e cobertura do solo para aplicação neste trabalho. Estas classes estão
dispostas a seguir juntamente com respectivos critérios para serem consideradas como
tal:
(a) Água: Massas de água concentradas, como por exemplo lagos, leitos de rios, açudes,
entre outros;
(b) Vegetação densa: áreas com grande concentração de vegetais arbóreos, como matas
e bosques;
(c) Vegetação esparsa: Vegetação mais arbustiva, e com algumas árvores pontuais,
pastagem também foi enquadrada nesta classe;
(d) Área antropizada: áreas com alta interferência e presença humana, como cidades e
vilas, edificações, estradas e rodovia;
(e) Solo exposto: Solo nu, com pouca ou nenhuma cobertura.
f) Classificação com o SCP

O plugin SCP foi implementado para classificação supervisionada de imagens.

Logo, este complemento do QGIS oferece várias ferramentas que facilitam o processo,
contemplando etapas de pré-processamento como a composição de set’s e cortes de
imagens. Toda a parte da classificação, desde o treinamento do algoritmo, plotagem de
curvas espectrais e scatter plot para verificar a correlação entre as bandas, opcional de
três algoritmos classificadores, cálculo de acurácia dos resultados, entre outras funções.

Desta forma, após todas as etapas de pré-processamento, partiu-se para o

procedimento classificatório iniciado com a seleção das amostras de classe para treinar o
algoritmo. Foram coletadas 200 áreas amostrais na cena Sentinel-2, com cada amostra
tendo em média 43 pixels. De acordo com Fonseca (1988, apud CAVALCANTE et al,
2013) uma amostra de treinamento deve ter de 10 a 100 pixels para ser tida como
estatisticamente confiável, em contrapartida, que contemple todo intervalo da classe. Este
autor destaca ainda que a quantidade de pixels deve aumentar conforme a ampliação da
variabilidade da referida classe.
 Assim sendo, cada classe no presente estudo teve número de pixels amostrais dentro
do limiar sugerido, umas mais outras menos, a depender da singularidade da sua
assinatura espectral. Por exemplo, para água coletou-se menos amostras pois o
comportamento espectral deste alvo é bem característico e homogêneo (baixa
variabilidade), não tendo problemas de conflito com outra classe; já para o caso de solo
exposto e área antropizada recolheu-se uma maior quantidade de amostras pelo fato destas
classes conflitarem entre si em consequência do alto desvio padrão de seus conjuntos
amostrais.

O SCP armazena as amostras num arquivo shapefile que é previamente salvo num
ficheiro do computador. Assim, o usuário vai adicionando amostra por amostra com as
respectivas informações (nome da classe e ID da classe), podendo verificar, de tempos
em tempos, a consistência do conjunto por meio de ferramentas como a geração da
assinatura espectral junto ao desvio padrão das amostras. Todo este processo de
treinamento do algoritmo é feito numa janela específica do plugin, denominada “SCP:
ROI creation”.

Quando o conjunto amostral manifestar suficiência, todas as amostras são

selecionadas e dar-se o comando para adicioná-las à lista de assinaturas (Add to
signature), isto implica no cálculo da curva espectral de cada classe, por intermédio das
amostras, é possível também verificar a correlação de bandas com o comando “show
scartter plot”. Feito isso, o usuário deve acessar uma nova janela do plugin, a “SCP:
Classification”, onde poderá observar as classes pré-estabelecidas, neste caso foram 6, as
quais são legendadas com cores aleatórias que podem ser alteradas pelo usuário. Ainda
nesta janela, mais abaixo, há ferramentas para visualizar e manipular as assinaturas
espectrais. Numa outra seção, o usuário seleciona o algoritmo de classificação, no
presente estudo optou-se pelo Máxima Verossimilhança (Maximum Likelihood), assim é
necessário indicar também o limiar de aceitação para o algoritmo. Aqui foi adotado 100%,
deste modo não foi descartado nenhum pixel “confuso”. Por fim, é dado o comando
“Perform classification” e um raster contendo as classes de uso e cobertura do solo é
gerado.

g) Avaliação da acurácia

Como é feito uso da probabilidade para escolher a classe de um determinado pixel,

na classificação de imagem não existe extrema perfeição, sendo que alguns pixels são
atribuídos erroneamente a uma dada classe. Deste modo, avalia-se a acurácia temática de
um trabalho classificatório através de análises estatísticas de amostras da imagem
confrontando-as com o mapa temático classificado.

O SCP em sua janela principal, no menu “post processing”, oferece a ferramenta

“accuracy” cuja função é computar a matriz de erro e estimar o fator Kappa de forma
automática. Para tal, se faz necessário adicionar como dados de entrada o mapa temático
de uso e cobertura e um arquivo shapefile contendo amostras de pós processamento. Estas
amostras devem ser coletadas na mesma aba em que é feito o treinamento do algoritmo
para a classificação, com base na imagem orbital, em áreas que não deixam dúvidas sobre
o tipo de uso e cobertura do solo. O usuário deve apontar a classe e seu respectivo ID, o
qual é extremamente necessário para construção da matriz de erro. Assim, o algoritmo
compara as amostras de pós processamento, consideradas condizentes com a realidade,
com a imagem temática verificando quais áreas foram classificadas corretamente e o
contrário. Nesta pesquisa foram levantadas 95 áreas amostrais na imagem.
Resultados

Como é sabido, o resultado de uma classificação de imagens é o mapa temático

que traz as principais classes de uso e cobertura do solo, desta maneira, são mostrados,
na Figura 2 o mapa classificado das imagens Sentinel-2, referentes a
região circunscrita pela folha SC-24-X-D-III-3-NO, localizada da região Agreste do
estado de Alagoas e Pernambuco, no Nordeste do Brasil.
Através deste mapa é possível ter um melhor conhecimento da área de estudo.
Pode-se notar na porção norte da região uma forte presença de vegetação densa, que
neste caso é floresta Atlântica, há alguns resquícios também na parte central da carta.
Há presença de vegetação esparsa por toda carta, e, evidente, a existência de corpos
d’água, com mais destaque para dois grandes lagos que, possivelmente, são resultantes
da construção de barragens, um localiza-se na parte leste destacado pela elipse A e outro
a oeste da folha, destacado pela elipse B. Na análise da ocorrência de área antropizada é
possível identificar três grandes áreas urbanas, destacadas pelas elipses C, D e E, além de
estradas, rodovias, e algumas intervenções antrópicas pontuais. Uma observação
importante é que foram descartadas duas pequenas regiões no sudeste da carta, pois estas
estavam cobertas por nuvens, que por sua vez, não se encaixam em nenhuma categoria
da classificação.
Figura 2 – Mapa de uso e cobertura do solo, oriundo de imagens Sentinel-2 cuja data é 11/02/2016

Fonte: elaborado pelo autor.

Na matriz de erro da classificação dos dados Sentinel-2 não há grandes

discrepâncias. Na categoria água, apenas 6,67% do conjunto amostras foi excluso da sua
verdadeira classe, indo parar na categoria área antropizada. Vegetação densa também teve
apenas uma amostra classificada erroneamente dentro da classe vegetação esparsa, esta
última, por sua vez, apresentou dois pixels exclusos para a classe vegetação densa. A
classe área antropizada apresentou dois pixels exclusos, um incluso na categoria água e
outro na categoria solo exposto. Esta última teve dois pixels inclusos oriundos das classes
água e área antropizada, e dois exclusos para área antropizada. No geral, a acurácia do
Sentinel-2 teve um Kappa de 0,894, e de acordo aos limiares estabelecidos por Landis e
Koch (1977) o desempenho da classificação da imagem Sentinel-2 pode ser considerada
“excelente”.
Conclusões
Diante dos resultados que este estudo apresentou, foram tiradas as seguintes
conclusões:
• As imagens Sentinel-2 apresentaram bons resultados dentro das condições do presente
estudo. Deste modo, buscando-se economia em aquisição de imagens num determinado
estudo de uso e cobertura do solo de uma região, pode-se adotar imagens Sentinel-2 com
vistas a sua gratuidade;
• A matriz de erro e o Kappa tiveram importante papel na avaliação da acurácia
temática da classificação. A análise da matriz de erro possibilitou identificar quais
classes de uso e cobertura do solo foram mais e menos acuradas, o que poderia facilitar
uma possível investigação dos fatores que influenciaram os resultados. O Kappa, por sua
vez, retratou o nível geral de acurácia do trabalho classificatório, que neste caso foi
considerado “excelente”;
• O complemento Semi-automatic Classification do QGIS demonstrou bom desempenho
na classificação supervisionada de imagens, oferecendo ferramentas eficientes para o
pré-processamento, classificação e avalição de acurácia temática;

REFERÊNCIAS
BATISTELLA, M.; MORAN, E. F. (Org.). Geoinformação e monitoramento ambiental
na América Latina. São Paulo: Editora Senac São Paulo, 2008. 283 p.
CAVALCANTE, L. B.; INáCIO, A. S.; GOMES, H. B. Utilização de imagens do satélite
world view-2 e do sensor aster para análise de bacias hidrográficas – estudo de caso:
bacia do tabuleiro do martins, maceió/al. SIMPÓSIO BRASILEIRO DE RECURSOS
HÍDRICOS, 2013, Bento Gonçalves. Anais., ABRH, São Paulo, v. 1, p. 1–8, 2013.
CONGALTON, R. G. A review of assessing the accuracy of classifications of remotely
sensed data. Remote Sensing of Environment, v. 49, n. 12, p. 1671–1678, 1991.
CONGEDO, L. Semi-automatic classification plugin documentation. release 5.0.2.1.
Research Gate, v. 5, n. 0.2.1, p. 201, 2016.
EMBRAPA. Boletim de Pesquisa e Desenvolvimento: Climatologia do Estado de
Alagoas. 2. ed. Recife: Embrapa Solos, 2012.
ESA. ESAs Optical High-Resolution Mission for GMeS Operational Services.
Noordwijk: ESA Communications, 2012. 70 p. Disponível em:
<https://sentinel.esa.int/documents/ 247904/349490/S2_SP-1322_2.pdf>. Acesso em: 12
jun 2016.
ESA. SENTINEL-2 User Handbook. Paris: ESA, 2015. 54 p. Disponível em:
<https://sentinel.esa.int/documents/247904/685211/Sentinel-2_User_Handbook>.
Acesso em: 20 maio 2016.
FIGUEIREDO, G. C.; VIEIRA, C. A. O. Estudo do comportamento dos índices de
exatidão global, kappa e tau, comumente usados para avaliar a classificação de imagens
do sensoriamento remoto. Simpósio Brasileiro de Sensoriamento Remoto (SBSR), 13,
2007, Florianópolis. Anais., INPE, São José dos Campos, p. 5755–5762, 2007.
FLORENZANO, T. G. Iniciação em sensoriamento remoto. 2. ed. [S.l.]: Oficina de
textos, 2007.
FONSECA, L. Restauração de imagens do satéite Landsat por meio de técnicas de
projeto de filtros FIR. 1988. 148 f. Tese (Doutorado) — Dissertação (Mestrado em
Engenharia Eletrônica)-Instituto Tecnológico de Aeronáutica, São José dos Campos/SP,
1988.
JENSEN, J. Sensoriamento remoto do ambiente: uma perspectiva em recursos terrestres.
2. ed. São José dos Campos: Parêntese Editora, 2009. ISBN 9788560507061.
KOTZ, S.; JOHNSON, N. L. Encyclopedia of statistical sciences. New York: John Wiley
e Sons, 1983. v. 4. 352 p.
LANDIS, J.; KOCH, G. The measurement of observer agreement for categorical data.
Biometrics, v. 33, n. 1, p. 159–174, 1977.
MENESES, P. R. et al. Introdução ao Processamento de Imagens de Sensoriamento
Remoto. [S.l.]: Universidade Federal de Brasília, 2012. 276 p.
NOVO, E. M. L. D. M. Sensoriamento Remoto: Pincípios e aplicações. 3. ed. São Paulo:
BLUCHER, 2008.
PERROCA, M. G.; GAIDZINSKI, R. P. Avaliando a confiabilidade interavaliadores de
um instrumento para classificação de pacientes: coeficiente kappa. Revista da Escola de
Enfermagem da USP, v. 37, n. 1, p. 72–80, 2003.
PIROLI, E. L. et al. Análise do uso da terra na microbacia do arroio do meio – santa
maria rs, por sistema de informações geográficas e imagem de satélite. Ciência Rural,
v. 32, p. 407–412, 2002.
ROCHA, C. H. B. Geoprocessamento: Tecnologia transdisciplinar. Do autor, p. 220,
2000.
RICHARDS, J. A.; JIA, X. Remote sensing digital image analysis. [S.l.]: Springer, 1999.
v. 3.
SANTOS, R. L.; OHATA, A. T.; QUINTILHA, J. A. A análise bayesiana na classificação
supervisionada de imagens: Aplicação na determinação de classes de uso do solo (mogi
das cruzes – sp). Simpósio Brasileiro de Sensoriamento Remoto (SBSR), 11, 2003, Belo
Horizonte. Anais., INPE, São José dos Campos, p. 2119 – 2122, 2003.
SARTORI, L. R. Métodos para extração de informaões a partir de imagens
multiespectrais de escalas grandes. Presidente Prudente: Dissertação de metrado.
Universidade Estadual Paulista (UNESP), 2006.
SEPLANDE. Alagoas em Mapas. 2. ed. Maceió: SEPLANDE, 2014
SCHLINDWEIN, J. R. et al. Mapeamento do uso e cobertura do solo do município
de caxias do sul (rs) através de imagens do satélite cbers. Simpósio Brasileiro de
Sensoriamento Remoto (SBSR), 13, 2007, Florianópolis. Anais., INPE, São José dos
Campos, p. 1103–1107, 2007.