Escolar Documentos
Profissional Documentos
Cultura Documentos
CORONEL FABRICIANO - MG
2019
FACULDADE ÚNICA DE IPATINGA
WENDELL SANTANA FAGUNDES
CORONEL FABRICIANO - MG
2019
CLASSIFICAÇÃO SUPERVISIONADA DE IMAGENS DO SATÉLITE
SENTINEL-2 PARA OBETENÇÃO CARTA DE USO E COBERTURA DO
SOLO
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.
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;
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
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
d) Classificação de Imagens
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.
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”.
g) Avaliação da acurácia
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.