CLASSIFICAÇÃO SUPERVIONADA DE IMAGENS DE SATÉLITE

QGIS - SCP – Semi-Automatic Classification Plugin

ROTEIRO

CASO GERAL

• Definir sua área de interesse ou de estudos.

• Definir as características das imagens, de modo a escolher sistema
satélite/sensor adequado às suas necessidades.
• Realizar o download das imagens, adicionando-as a uma pasta em seu
computador.
• Escolher o ambiente de software de geoprocessamento para a
realização do processamento digital das imagens.

CASO ESPECÍFICO DESTE ROTEIRO

• Abrir o programa QGIS

• Criar e salvar um Projeto Novo
• Em propriedades do projeto (arquivo – propriedades), definir o Sistema
de Referência de Coordenadas (SRC): SIRGAS 2000 / UTM zona 25S
(EPSG: 31985).
• Adicionar ao projeto as imagens (bandas) – produtos raster - que serão
utilizadas no processo de classificação.

OBS.: Para este exemplo de roteiro, as imagens utilizadas foram:

Landsat-7/ETM+, bandas 1, 2, 3 (visível), 4 (infravermelho próximo), 5
e 7 (infravermelho de ondas curtas).

Uma das maneiras de inserir os arquivos de imagens no ambiente do

QGIS é através da função “Gerenciador de fontes de dados livres”.
• No menu principal do QGIS, verificar se o plugin SCP – Semi-
Automatic Classification Plugin está instalado/habilitado. Caso não
esteja, acessar o menu Complementos – Gerenciar e instalar
complementos.
• Acessar o plugin SCP, no menu principal do QGIS, e clicar na função
Band Set (primeira opção).

Na janela aberta, devem ser listadas as imagens já carregadas no

programa. Clicar no ícone “Refresh list” (seta curva), na caixa “Single
band list”, onde serão listadas as imagens individualizadas, por banda.
Com a barra de rolagem vertical da mesma caixa, verificar se estão
listadas as bandas B1, B2, B3, B4, B5 e B7. Clicar no ícone “Select all
/ Unselect all” (todas as bandas devem ficar selecionadas). Em
seguida, clicar em “+” (Add band to Band set), para adicioná-las ao
Band set, na caixa inferior.
Atenção: Observar os comprimentos de ondas centrais de cada banda
(na aba “Center wavelength”). Como os comprimentos de ondas
centrais mostrados não correspondem àqueles referentes às bandas
do ETM+/Landsat-7, deve-se selecionar o satélite e sensor corretos
para que o plugin “reconheça” o sistema cujas imagens estão listadas.
Clicar na seta de Wavelength quick settings e selecionar Landsat 7
ETM+.
OBS.: As faixas de comprimentos de ondas das bandas de um
determinado sensor podem ser encontradas, facilmente, nas
publicações referentes à temática de satélites/sensores.
Observar que a nova lista apresenta os valores corretos.

Pode-se executar, clicando na função RUN.

Há outra forma para finalizar esta etapa, podendo-se, inclusive, fechar

a janela do SCP, mesmo sem clicar em RUN.
Assim, na barra de ferramentas, digitar na caixa RGB= qualquer
sequência de 3 bandas, lembrando que as cores associadas seguem a
sequência R-G-B. No exemplo mostrado a seguir, digitou-se 543,
significando que a banda 5 foi associada ao R (Red - Vermelho), a
banda 4, associada ao G (Green - Verde) e a banda 3, associada ao B
(Blue - azul). A partir desse ponto, o plugin já cria o Band set virtual,
como pode ser visualizado na caixa de camadas. A composição
digitada (543) é desenhada na tela.

- Exercitar a visualização de outras composições coloridas.

 PROCESSO DE CLASSIFICAÇÃO SUPERVISIONADA

• Clicar com o botão direito do mouse em qualquer área vazia da

barra de ferramentas para que se exiba a janela Painéis. Nela,
habilitar (marcar) a função SCP Dock Painel, que representa a
caixa exclusiva para gerenciar os procedimentos da classificação.
Esta função também pode ser habilitada pelo “caminho”: Exibir (ou
Visão) – Painéis - SCP Dock.
• Clicar na aba Training Input – para realizar a fase de treinamento
do algoritmo, fornecendo-lhe amostras das classes de interesse.
Na janela do SCP Dock:
MC_ID = Identificador da Macroclasse
MC_Name = Nome da Macroclasse
C_ID = Identificador da Classe
C_Name = Nome da Classe

Como definir as Macroclasses e as Classes?

Antes de qualquer procedimento de coleta de amostras para

classificação, faz-se necessário a realização de análise e interpretação
cuidadosas das imagens visando ao entendimento dos alvos nelas
representados, para que se possa definir as classes de interesse, que
comporão, por exemplo, um mapa de cobertura do solo.
Um exemplo é apresentado no quadro abaixo.

MC_ID MC_Name C_ID C_Name

1 agua 1 agua
1 agua 2 agua
1 agua 3 agua
1 agua 4 agua
2 vegetacao 5 vegetacao
2 vegetação 6 vegetação
2 vegetação 7 vegetação
2 vegetacao 8 vegetacao
3 soloexposto 9 soloexposto
3 soloexposto 10 soloexposto
3 soloexposto 11 soloexposto
3 soloexposto 12 soloexposto
4 urbano 13 urbano
4 urbano 14 urbano
4 urbano 15 urbano
4 urbano 16 urbano

Neste exemplo:
- as macroclasses correspondem às próprias classes, no entanto, as
classes podem ser particularizações das macroclasses.
- existem 4 amostras de cada macroclasse/classe. Para uma classificação
mais precisa é necessário um número bem maior de amostras de cada
classe. Cada amostra é um polígono. Cada polígono contém vários pixels.
- a numeração do MC_ID é sequencial, mas igual para a mesma
macroclasse.
- a numeração do C_ID é sequencial e contínua, que vai sendo gerada
automaticamente.
 Início do processo

• Criar um arquivo para salvar as amostras de treinamento.

• No SCP Dock, clicar em Create a new training input e salvar numa

pasta do computador (pode ser dado o nome “treinamento”).

Na aba Camadas, visualiza-se a camada criada, “treinamento”, que

servirá para armazenar as amostras coletadas. Esta camada deve
permanecer habilitada (selecionada/ativa).
Em seguida, iniciar a coleta de amostras.

Primeira amostra: macroclasse/classe “água”

MC_ID = 1 MC_Name = agua
C_ID = 1 C_Name = agua
Para delimitação dos polígonos das amostras, utilizar o ícone Create a
ROI polygon (ROI = regiões de interesse) indicado na figura acima pela
seta.
Sempre utilizar a ferramenta de “zoom” na imagem, destacando uma
região de uma classe. Clicar com o botão esquerdo do mouse para
formar os pontos de contorno de cada polígono de amostra e clicar com
botão direito para finalizar a digitalização. Ao criar o polígono, ter a
atenção de não adquirir pixels de borda, o que pode comprometer os
resultados futuros da classificação, já que ele pode não representar um
pixel puro da classe de interesse.

• Clicar em Save Temporary ROI to training input.

Seguir adquirindo amostras de treinamento para a macroclasse/classe

“água”.
• Concluída a aquisição das amostras para a macroclasse/classe “água”,
iniciar a coleta de amostras de treinamento para a macroclasse/classe
“vegetação”.
macroclasse/classe - vegetacao

Como foram adquiridas 4 amostras para a macroclasse/classe “agua”, a

primeira amostra para a macroclasse/classe “vegetacao” tem as
seguintes descrições:
MC_ID = 2 MC_Name = vegetacao
C_ID = 5 C_Name = vegetacao

E assim por diante.

• Adquirir amostras para macroclasse/classe “vegetação”, para a

macroclasse/classe “soloexposto” e para a macroclasse/classe
“urbano” (ver exemplos nas próximas figuras).

vegetacao
soloexposto

urbano

Visualização de todas as amostras obtidas na área (polígonos em

vermelho) – selecionar a camada “treinamento”.
Mudando as cores das macroclasses.

• Analisar as cores das 4 macroclasses. Caso decida pela alteração da

cor, na janela SCP Dock, dar duplo clique sobre a cor de cada uma das
4 macroclasses e escolher nova cor. Pode-se, também, digitar
macroclass list na caixa indicada na figura abaixo e realizar as
alterações.
 CLASSIFICAÇÃO

A função Classification pode ser acessada no menu principal do QGIS,

acessando SCP – Band Processing – Classification.
Na nova janela, marcar as opções indicadas na figura abaixo e clicar em
RUN. Salvar a classificação com um nome.

Na aba de camadas, pode-se observar o nome salvo para a Imagem

Final da Classificação Supervisionada (ClassMinDist), para lembrar
que é uma imagem classificada e que foi usado o algoritmo de distância
mínima.
Observar que a imagem classificada apresenta muitos erros, tendo
classes classificadas erroneamente, como as áreas urbanas, em
vermelho, cuja distribuição geográfica real difere da apresentada na
classificação.