Mapeamento de áreas invadidas por Pinus sp.

a partir de análise de
imagens baseada em objetos geográficos (GEOBIA) utilizando RPAS
(drone) com sensor RGB

Vinicius Paiva Gonçalves a*, Dr. Eduardo Augusto Werneck Ribeiro b, Dr.
Nilton Nobuhiro Imai c

a
Departamento Acadêmico de Saúde e Serviços, Instituto Federal de Santa Catarina,
Florianópolis, Brasil; bCampus São Francisco do Sul, Instituto Federal Catarinense –
IFC, Blumenau, Brasil, c Departamento de Cartografia, Universidade Estadual Paulista
“Júlio de Mesquita Filho” – UNESP, Presidente Prudente, Brasil.

* E-mail: viniciuspg@gmail.com (V.P.G.), eduardo.ribeiro@ifc.edu.br (E.A.W. R.)

Vinicius Paiva Gonçalves trabalha como Analista em Gestão Ambiental no Instituto do

Patrimônio Histórico e Artístico Nacional - IPHAN, lotado na Superintendência de Santa
Catarina. Biólogo formado pela Universidade Federal de Santa Catarina (UFSC,
Florianópolis/SC, 2007), com Especialização em Educação Ambiental (UNICID, São Paulo,
2011). É Técnico em Agrimensura no Instituto Federal de Santa Catarina IFSC (Florianópolis,
2020). Atualmente cursa o Programa de Mestrado Profissional em Clima e Ambiente na mesma
instituição.

Dr. Eduardo Augusto Werneck Ribeiro possui graduação em Geografia pela Universidade
Estadual Paulista Júlio de Mesquita Filho (1999), mestrado em Geografia pela Universidade
Estadual Paulista Júlio de Mesquita Filho (2004) e doutorado em Geografia pela Universidade
Federal do Paraná (2011). Atualmente é professor do Instituto Federal Catarinense (IFC).
Docente permanente dos Mestrados Profissionais: Educação Profissional e Tecnológica -
ProfEPT (Blumenau) e Tecnologia e Ambiente (Araquari) e editor da Revista Metodologias e
Aprendizado.
Mapeamento de áreas invadidas por Pinus sp. a partir de análise de
imagens baseada em objetos geográficos (GEOBIA) utilizando RPAS
(drone) com sensor RGB

Espécies exóticas invasoras causam redução da biodiversidade. No sul do Brasil,

o gênero Pinus é considerado invasor e a distribuição antrópica fez com que
fontes dispersoras chegassem a ecossistemas mais sensíveis e menos aptos ao
cultivo, como é o caso das restingas da Ilha de Santa Catarina. O controle da
invasão demanda um trabalho persistente, a fim de identificar e tratar
prioritariamente cada novo caso de invasão. Nesse trabalho foram estudadas
formas de mapear áreas de invasão por Pinus sp. em restingas, utilizando
imagens captadas a partir de RPAS (drones) para identificar as áreas de invasão
mais recentes, onde o manejo é mais simples, efetivo e menos oneroso. Foi
executada classificação orientada a objetos (GEOBIA) em produtos cartográficos
gerados a partir de câmera RGB convencional embarcada em RPAS, que resultou
em Acurácia Global de 89,56%, índice Kappa médio de 0,86 e F-score referente à
classe Pinus de 0,90. Os processamentos foram conduzidos com softwares de
código aberto para reduzir custos operacionais.

Palavras-chave: Pinus. RPAS. Drone. GEOBIA. Aprendizagem de Máquina.

Mapping of areas invaded by Pinus sp. from geographic object based
image analysis (GEOBIA) using RPAS (drone) with RGB sensor

Invasive alien species cause a reduction in biodiversity. In southern Brazil, the

genus Pinus is considered invasive and anthropogenic distribution has caused
dispersal sources to reach ecosystems that are more sensitive and less suitable for
cultivation, such as the sandbanks of Santa Catarina Island. The control of
invasion demands persistent work, in order to identify and treat each new case of
invasion as a priority. In this work we studied ways to map areas of invasion by
Pinus sp. in restingas, using images taken from RPAS (drones) to identify the
most recent invasion areas, where management is simpler, more effective and less
expensive. Object-oriented classification (GEOBIA) was performed on
cartographic products generated from a conventional RGB camera onboard
RPAS, which resulted in an Overall Accuracy of 89.56%, an average Kappa
index of 0.86 and an F-score for the Pinus class of 0.90. The processing was
conducted with open source software to reduce operational costs.

Keywords: Pinus. RPAS. Drone. GEOBIA. Machine Learning.

Introdução

A invasão por espécies exóticas representa uma das grandes ameaças à conservação da

biodiversidade em nível global (Convenção sobre Diversidade Biológica 2010) , sendo

apontada por especialistas como capazes de comprometer a oferta de serviços

ecossistêmicos em inclusive em áreas protegidas (Ziller et al., 2020). Em função disso, a

proposição de métodos que contribuam com as ações de controle de espécies exóticas é

importante, especialmente para áreas naturais de difícil acesso.

Apesar da reconhecida importância das áreas protegidas na conservação da

biodiversidade in situ, especialistas destacam que são frequentes os casos de invasão.

Isso ocorre mesmo em Unidades de Conservação, que é como no Brasil são chamadas

áreas protegidas sob regime especial de administração, criadas com objetivo de

preservação dos ecossistemas, dotadas de estrutura de gestão e recursos para ações de

manejo, o que representa séria preocupação em todo o mundo (Foxcroft et al. 2013) .

Isso ocorre porque a dispersão está intimamente associada à presença humana, como

demonstrado em avaliação global conduzida por Van Kleunen et al. (2015), que através

do projeto GloNAF (GloNAF 2021) verificaram que seres humanos modificaram a

composição geográfica e a distribuição global de plantas invasoras entre os continentes

do mundo com transporte e acumulação de espécies, principalmente advindas do

Hemisfério Norte.

É o caso dos pinheiros da família Pinaceae, em especial o gênero Pinus, que

foram trazidos do hemisfério Norte para o Sul porque possuem grande importância

econômica, porém já apresentam comportamento invasor em muitos países, acarretando

danos não apenas ecológicos, mas também econômicos e sociais (Nuñez et al. 2017).

No Brasil, o gênero Pinus foi introduzido na década de 50 (Bechara 2003) e na Ilha de

Santa Catarina em 1963 (Dechoum et al. 2019). Os primeiros plantios serviram para
experimentação florestal em iniciativas governamentais e nas décadas seguintes plantios

privados foram impulsionados por leis de fomento florestal e consolidaram a atividade

de reflorestamento no país (Ramos 2015).

Esses aspectos, somados ao fato de que as áreas protegidas constituem refúgios

fundamentais às espécies nativas cada vez mais pressionadas por mudanças climáticas

(Gallardo et al. 2017), representam fortes motivos para que estratégias de manejo e

controle de espécies exóticas sejam aprimoradas para alcançar efetividade, pois diante

da ameaça, os recursos financeiros, humanos e de tempo são por vezes escassos. Nesse

sentido, com mais de 13 anos de expertise em ações práticas, Ziller et al.

(2020) propuseram um esquema de definição de prioridades de controle de espécies

exóticas com potencial invasor. Os autores demonstraram que a implantação de um

controle persistente representa o caminho para contenção da reprodução de espécies

invasoras estabelecidas em áreas protegidas, conforme já preconizado por (Moody and

Mack 1988).

Em geral as áreas protegidas como Unidades de Conservação (UC) no Brasil são

territórios extensos e contam normalmente com equipe reduzida para atividades de

manejo e fiscalização. A área protegida por 334 UCs Federais é de 1.714.241,92 km²,

enquanto que o total de servidores do ICMBio é de 3.603 (Brasil 2019; Brasil 2021a).

Considerando que todos fossem fiscais de campo, cada um responderia por cerca de 470

km², conforme inclusive já foi até veiculado em veículos de imprensa (Soares and Souto

2017). Tal área corresponde a um território maior que a Ilha de Santa Catarina,

Florianópolis-SC, que mede aproximados 421 km² (PMF 2021). Diante desse cenário,

alcançar persistência nas ações de manejo e controle torna-se desafiador. Quando se

trata de espécies vegetais exóticas, a utilização de sensoriamento remoto pode contribuir

na localização, detecção, mensuração ou mesmo na identificação específica, podendo

ser utilizada tanto no planejamento, quanto no monitoramento, em especial em áreas de

difícil acesso.

A missão LANDSAT deu início ao sensoriamento remoto para observação

terrestre em 1972 (Giardino 2011). Desde então diversos sensores orbitais foram

lançados, e atualmente existe boa disponibilidade para utilização livre, porém as

aplicações ficam restritas à compatibilidade com as resoluções espacial e temporal

espectral e radiometrica disponíveis. Nos casos em que os objetivos requerem maior

detalhamento, como é o caso do manejo de espécies vegetais exóticas, o uso de sensores

orbitais pode ser limitado. Uma alternativa complementar são os levantamentos

aerofotogramétricos, que oferecem resolução espacial submétrica, talvez suficiente.

Entretanto, os métodos convencionais apresentam custos de execução, em geral,

incompatíveis.

Com a popularização das aeronaves não tripuladas, popularmente conhecidas

como drones, tornou-se comum a realização de aerolevantamentos com sensores digitais

embarcados, em especial a partir da última década. Cabe, porém, esclarecer que este

tipo de aeronave tem sido formalmente tratado pela denominação RPAS - Remotely

Piloted Aircraft System (Granshaw 2018) em âmbito internacional, bem como pelos

órgãos de controle brasileiros, Agência Nacional de Aviação Civil – ANAC e

Departamento de Controle do Espaço Aéreo – DECEA (Brasil 2021b), motivo pelo qual

optou-se pela utilização desse termo.

A partir de 2015 os equipamentos ficaram mais acessíveis e fáceis de pilotar,

embarcando sensores RGB de alta qualidade, disponibilizados na modalidade “prontos

para voo” (Giones and Brem 2017). Com o advento de tal tecnologia, foi dispensada

necessidade de capacitação em eletrônica ou automação por parte do operador, o que

auxilia na difusão desses equipamentos.

 Em meio à popularização por hobbistas e profissionais do mercado audiovisual,

no mercado “agro” esses equipamentos passaram a ser utilizados no diagnóstico, e

planejamento de ações de manejo em cultivos de diversas espécies, como é o caso dos

trabalhos de Nevalainen et al. (2017) e Miyoshi et al. (2020), o que demonstra

viabilidade de utilização em contexto associado à produção. Isso sugere que a utilização

de RPAS em ações de monitoramento e controle de espécies vegetais exóticas também

possa ser viável.

Nesse sentido, o presente trabalho tem por objetivo propor uma metodologia

para o mapeamento de áreas invadidas por Pinus sp. em ambientes naturais, por um

processo de classificação por regiões geográficas, denominado GEOBIA (Geographic

Object-Based Image Analysis) considerado adequado para classificar imagens de

altíssima resolução, very high resolution – VHR (Radoux and Bogaert 2017; Zhang et

al. 2017). Esse método foi aplicado região da Grande Florianópolis, litoral central de

Santa Catarina, Brasil

A metodologia desse trabalho foi proposta com intuito de facilitar a

replicabilidade. Em função disso, optou-se pela utilização apenas de sensores do tipo

RGB convencionais, assim como fez (Albuquerque et al. 2021), o que torna possível sua

execução com qualquer equipamento que disponha de um sensor de boa qualidade e

permita integração com aplicativos para plano de voo automatizados, o que tornou-se

bastante comum na maioria dos equipamentos atuais.

Optou-se por não utilizar pontos de apoio em solo para a elaboração dos

produtos cartográficos porque a precisão posicional obtida a partir do sensor GNSS de

navegação embarcado no equipamento é suficiente para o propósito. Nesse sentido, a

opção foi pela praticidade de aplicação do método, visto que a utilização de pontos de

apoio pressupõe equipe de campo para coleta de coordenadas precisas com GNSS
geodésico (baseado na fase da onda portadora) em alvos demarcados em solo,

suficientemente visíveis no ortomosaico. Entretanto, essa etapa pode ser incorporada

sem necessidade de alteração do restante do método, bastando processar as fotos com os

pontos de apoio para gerar produtos cartográficos mais acurados.

Além disso, o método prioriza a utilização de softwares de código aberto (open

source) para evitar custos com licenças em todas as etapas, desde a captação das

imagens, até a elaboração de produtos cartográficos, o processamento da classificação

por regiões e a conclusão mediante cálculos de áreas.

O processo de classificação por regiões geográficas, denominado GEOBIA

(Geographic Object-Based Image Analysis) tem sido amplamente utilizado para

classificar imagens de altíssima resolução (very high resolution – VHR), substituindo

para essa aplicação a tradicional abordagem por pixel (Jones et al. 2019), comumente

aplicada a produtos de sensoriamento remoto de média a baixa resolução, conforme

explicado por De Luca et al. (2019):

Recentemente, a análise de imagem baseada em objetos (OBIA) surgiu como um

novo paradigma para gerenciar a variabilidade espectral, e substituiu a abordagem
baseada em pixels [...] trabalha com grupos de pixels homogêneos e contíguos, [...]
objetos geográficos, também conhecidos como segmentos, como unidades base
para realizar uma classificação, por isso difere dos métodos clássicos orientados a
pixels que classificam cada pixel separadamente; assim, a abordagem de
segmentação reduz a variabilidade espectral intra-classe. [...] Considerando que as
técnicas da OBIA são aplicadas em diversas áreas de pesquisa, quando se refere a
um contexto geoespacial, o uso da GEOBIA (OBIA geográfica) tornou-se o
método preferido. A OBIA inclui dois passos principais: (i) identificação,
agrupamento e extração de objetos homogêneos significativos das imagens de
entrada (ou seja, segmentação); (ii) rotular e atribuir cada segmento à classe de
cobertura de destino (classificação).
 A utilização de RPAS1 para o mapeamento permite a geração de produtos em

maior escala, com resolução espacial abaixo de dez centímetros. Feduck et al. (2018),

Lehmann et al. (2017), Samiappan et al. (2017) e Yuan; Hu (2016) são exemplos de

autores que utilizaram RPAS para detecção e mapeamento de aspectos específicos de

vegetação a partir de diferentes metodologias. Todos lograram êxitos, conforme resumo

comparativo apresentado na Tabela 1.

1 Remotely Piloted Aircraft System, sistema composto pela aeronave remotamente pilotada e

seu rádio controle. Esses equipamentos são comumente referidos como “drones”, porém,

nesse trabalho adotou-se a sigla RPAS seguindo denominação internacional utilizada pelos

órgãos de controle da aviação civil (ANAC) e do espaço aéreo brasileiro (DECEA, 2019).
Tabela 1. Exemplos de estudos que utilizaram RPAS para avaliação de vegetação. Medidas de avaliação de acurácia: Kappa Cohen (K), Acurácia
Global (AG), Precision (P), Recall (R), F-score (F).

ALTURA SENSOR/ MÉTODO DE AVALIAÇÃO DE

AUTOR OBJETIVO EQUIPAMENTO
VOO (m) GSD (cm) CLASIFICAÇÃO ACURÁCIA

Classificação da nuvem de
Testar o uso de nuvens de pontos fotogramétricos pontos a partir de
Hiperespectra
de alta resolução juntamente com imagens características espectrais e
(Nevalainen et al. Hexacóptero Tarot l (FPI)/8,6 K = 0,92
hiperespectrais de UAV na detecção e 83-94 3D; melhores resultados
2017a) 960 AG = 95,5%
classificação de árvores individuais em florestas obtidos com Random
RGB/2,3
boreais. Forest e Multilayer
Perceptron (MLP)

Classificação de bosques de carvalho (Quercus

Asa fixa (SpinWorks R, G, NIR/ K = 0,92
De Luca et al. (2019) suber L.) em Portugal pelo método GEOBIA a 100 GEOBIA (QGIS/OTB)
S20) - 2.0 kg 10 AG = 94%
partir de imagens de RPAS

RGB/0,3
Detecção, em fotografias nadirais de RPAS, das Asa rotativa Algoritmo CART
K = 0,81
Feduck et al. (2018) plântulas de pínus em áreas de replantio de (multirrotor) 3DR X8 15 (software da infosalford-
NIR, G, B/: AG = 86%
silvicultura no Canadá. (octacoptero) systems - Minitab)
0,5

Processamento e análise (open soruce) de imagens

de RPAS com ferramenta para manejo de plantas Asa fixa baixo custo
RGB:/3,08 Classificaão por pixel, K = 0,82
Lehmann et al. (2017) invasoras (Acacia mangium) em ambiente de modelo SkWalker 100
CIR:/2,61 QGIS (SCP) AG = 85%
mussunanga, fitofision. da Mata Atlântica do litoral 2014
do Sul da Bahia.

Mapeamento de Phragmites australis,Poaceae, SVM (Suport Vector

Asa fixa de alto custo K = 0,70
Samiappan et al. (2017) utilizando imagens de RPAS, em brejos no sul dos 231 CIR/5 Machines) biblioteca
(Altavian Nova) - 7kg AG = 85%
EUA LIBSVM

Detectar e geolocalizar indivíduos arbóreos de

Quadricóptero Hiperespectral Redes Neurais P = 0,973
Syagrus romanzoffiana em uma floresta tropical,
Miyoshi et al. (2020) UX4 UAV 160 Rikola (Senop Convolucionais R = 0,945
propondo um novo método de deep learning em
(Nuvem UAV) Oy) F = 0,959
imagens hiperespectrais (CNN)
Fonte: Elaborado pelos autores.
Materiais e métodos

Áreas de estudo

Foram selecionadas quatro áreas de interesse (Figura 1) para compor o estudo, todas na

região da Grande Florianópolis, contendo porções do ecossistema de Formações

Pioneiras – Vegetação com Influência Marinha, segundo (IBGE 2012), também

denominadas áreas de restinga.

Figura 1. Mapa de localização das áreas de interesse. Siglas: Sapiens Parque

(SAPIENS), Parque Estadual do Rio Vermelho (PAERVE), Parque Natural Municipal
das Dunas da Lagoa da Conceição (PNMDLC), Parque Estadual da Serra do Tabuleiro
(PEST) e IBGE (Instituto Brasileiro de Geografia e Estatística).

Fonte: Elaborado pelos autores.

Três áreas de estudo estão localizadas na Ilha de Santa Catarina, município de

Florianópolis-SC e uma em área continental, no município de Palhoça-SC. No norte da

ilha está o Sapiens Parque (SAPIENS), onde se discute a criação de uma Unidade de

Conservação (UC) de domínio privado na categoria Reserva Particular do Patrimônio

Natural (RPPN) para conservar um mosaico de área úmidas e restingas, no leste o

Parque Estadual do Rio Vermelho – PAERVE, que possui extensas áreas dominadas por

Pinus sp., onde o próprio estado iniciou a silvicultura da espécie em 1962 (Bechara

2003), e no sul o Parque Natural Municipal das Dunas da Lagoa da Conceição –

PNMDLC, área que há mais de dez anos é manejada por iniciativa do terceiro setor para

conter a invasão de Pinus sp. (Dechoum et al. 2019). Na região continental, localiza-se a

Baixada do Maciambu, área do município de Palhoça que pertence ao Parque Estadual

da Serra do Tabuleiro – PEST e representa uma significativa área de restinga

conservada por essa UC. Com isso, buscou-se ampliar a representatividade da

diversidade de situações e, por consequência, dos desafios para o mapeamento das áreas

de invasão.

Em cada área de interesse foram selecionadas regiões específicas para execução

dos voos, que foram planejados para cobrir 300x300m totalizando 9 hectares de

imagens por voo.

Considerando a classificação de Köppen, essa região do estado apresenta clima

mesotérmico úmido (sem estação seca) Cf, compreendendo subtipo Cfa com verão

quente (Back 2020). De acordo com o mapa-múndi atualizado para a classificação

Köppen-Geiger (Peel et al. 2007) fica evidente a similaridade climática com a região

sudeste dos EUA, também Cfa na área de distribuição natural gênero Pinus.

Essa classificação apresenta pouca diferenciação entre as regiões do Estado, em

função de seu caráter global. (Braga and Ghellre 1999) apresentam proposta de

diferenciação climática para SC, caracterizando a região da área de estudo como subtipo

climático 1B, conforme Tabela 2.

Tabela 2. Caracterização climática da região da área de estudo segundo (Braga and
Ghellre 1999)
Domínio Temp. Média Subdomínio Variedade Tipo Subtipo
Climático Mês + Frio Climático Climática Climático Climático
Subquente ³ 15 < 18 °C Superúmido Sem seca Subtropical 1 1A, 1B
Fonte: (Braga and Ghellre 1999)

A região 1B caracterizada pelos autores corresponde ao Litoral de Florianópolis

e Laguna das Zonas Agroecológicas estudadas por Brasil (1999), que avaliou aptidão ao

plantio de Pinus sp. com base em parâmetros pedológicos e climáticos e concluiu que

essa região está entre as que apresentam menores proporções de terras aptas ao plantio

de Pinus elliottii no Estado de Santa Catarina. Do mesmo modo, Higa et al.

(2008) classificou essa região como “não recomendada” para o plantio de Pinus taeda,

também com base em parâmetros climáticos e edáficos. Isso demonstra que silviculturas

não deveriam ser implantadas na região. No entanto, antes que essa inaptidão fosse

declarada, ainda na década de 60 plantios experimentais de Pinus sp. foram conduzidos

na região. Não apresentaram a viabilidade desejada em termos econômicos, porém,

devido à já mencionada similaridade climática, desenvolveram processos de invasão

como os verificados nas áreas selecionadas para o estudo, que felizmente a iniciativa de

Dechoum et al. (2019) demonstrou ser possível controlar com manejo adequado.

Equipamentos e softwares

Os processamentos foram realizados em computador pessoal do tipo notebook, marca

Acer modelo PH315-52 equipado com processador Intel Core i7-950H, 2.60GHz, 32GB

de memória RAM e sistema operacional Windows 10 Home de 64 bits.

Os softwares utilizados nos processamentos foram WebODM 1.8.2

(OpenDroneMap Authors 2020) para o processamento das imagens capturadas por

RPAS. Nas tarefas e processamentos em ambiente SIG, incluindo a execução da

classificação GEOBIA, foi utilizado majoritariamente o software QGIS 3.16.8-

Hannover (QGIS.org 2021) com os algoritmos do complemento Orfeo ToolBox (OTB

Development Team 2021). A extração de atributos foi complementada no plugin

GeoDMA 2.0.3 beta (Brasil 2021c) implementado no software TerraView 5.6.1 (Brasil

2021d) enquanto a seleção de atributos foi realizada no software neozelandês Weka

(Frank et al. 2016), versão 3.8.5. A análise de acurácia foi executada por meio de

planilhas eletrônicas no Libreoffice Calc.

Os voos foram executados com equipamento multirrotor modelo Inspire 1

(T600) fabricado pela empresa DJI, equipado com uma câmera modelo X3 (FC350)

com 12.4 Megapixels (Figura 2). Para execução dos planos de voo utilizou-se a

plataforma proprietária DroneDeploy (DroneDeploy 2021) cujo aplicativo permite

utilização gratuita dessa funcionalidade, além de possuir ótima integração com os

equipamentos da DJI.

Figura 2. Equipamento utilizado para coleta das imagens

 Fonte: Elaborado pelos autores.

Coleta e tratamento dos dados

As áreas de voo foram definidas diretamente no software QGIS a partir da elaboração

de arquivos vetoriais em formato kml com dimensões exatamente definidas para o

propósito, conforme localização desejada. Foram utilizados como referência espacial os

mosaicos de imagens de satélite disponíveis no plugin QuickMapServices. Essa etapa

levou em consideração a proximidade dos alvos em relação aos acessos e local

adequado para decolagem.

O formato kml foi escolhido porque é aceito pela plataforma DroneDeploy em

seu aplicativo utilizado para criação e execução do plano de voo, com base na

localização fornecida, e pode ser utilizado em aplicativo de smartphone para localização

em campo.
 As imagens foram processadas no WebODM, plataforma open source que

permite gerar produtos cartográficos como ortomosaico e modelos digitais de elevação a

partir da nuvem de pontos obtida no processamento (OpenDroneMap Authors 2020). Os

produtos cartográficos gerados foram tratados no QGIS para preparar um empilhamento

das bandas (layer stacking), contendo o ortomosaico RGB, o índice de vegetação VARI

(Visible Atmospherically Resistant Index Green), calculado de acordo com (Henrich et

al. 2021) , e o modelo digital de elevação (MDE), resultante da diferença entre o modelo

digital de superfície (MDS) e o modelo digital de terreno (MDT).

O fluxo de trabalho da classificação GEOBIA foi conduzido no Orfeo Toolbox

(OTB) integrado com QGIS para utilização dos algoritmos que permitem realizar a

segmentação da imagem, extração de atributos, treinamento e validação do

classificador, e por fim, a aplicação da classificação conforme modelo gerado. As

funções do OTB utilizadas nesse processo derivam de algoritmos baseados nas

bibliotecas OpenCV e LibSVM, segundo informado na documentação (OTB

Development Team 2021).

A segmentação, fundamental para condução da classificação GEOBIA foi

realizada a partir do algoritmo LargeScaleMeanShift do OTB, que encadeia quatro

processos sequenciais, MeanShiftSmoothing, LSMSSegmentation,

LSMSSmallRegionsMerging e LSMSVectorization (OTB Development Team 2021). O

primeiro é um algoritmo de suavização de imagem que preserva bordas, o segundo

produz uma imagem rotulada onde os pixels vizinhos são agrupados considerando o raio

de alcance definido, o terceiro realiza a fusão dos segmentos próximos cujo tamanho em

pixels seja inferior ao mínimo definido, e o último realiza a vetorização da imagem

segmentada, gerando um vetor contendo um polígono por segmento da imagem

(objeto).
 Esse algoritmo possui dois parâmetros obrigatórios, “spatial radius (-spatialr)”

ou raio espacial, definido segundo manual do software (OTB Development Team 2021)

como a distância máxima para construir o entorno do objeto a partir da média dos pixels

analisados, e range radius (-ranger)” ou raio de alcance, definido originalmente como o

limite da distância da assinatura espectral entre as feições, expresso em unidades de

radiometria, tendo como base a diferença espectral ou distância euclidiana entre os

valores de pixels da assinatura espectral. Porém, na presente aplicação o raster possui

bandas contendo índice espectral e modelo digital de elevação, portanto o raio de

alcance é melhor definido apenas como uma distância entre atributos. Os valores

utilizados foram 25 e 15 respectivamente, e foram definidos segundo avaliação visual,

conforme indicado por Liau (2014) na Figura 3.

Figura 3. Exemplo de segmentação na área do PNMDLC com os parâmetros 25 (-
spatialr) e 15 (-ranger), definidos por avaliação visual conforme critérios demonstrados
em esquema que indica segmentação ideal para representar um objeto circular,
comparado com a super segmentação (muitos pequenos polígonos), e subsegmentarão
(onde os polígonos são maiores do que as segmentações ideais).

Fonte: Liau (2014), adaptado pelos autores.

A extração de atributos foi complementada pelo GeoDMA, software integrado

ao TerraView (Brasil 2021c) que permite extração de atributos Zonais, Espectrais e

Texturais, importantes para execução da classificação GEOBIA por meio da

aprendizagem de máquina (Zhang et al. 2017).

A seleção de segmentos para treinamento e validação foi realizada no QGIS,

com o algoritmo nativo “Seleção por localização”, conforme demonstrado na Figura 4.

Figura 4. Exemplo seleção de segmentos por localização na área do Sapiens Parque.

 Fonte: Elaborado pelos autores.

A Tabela 3 apresenta o quantitativo de segmentos selecionados para treinamento

e validação em cada área, em relação ao total de segmentos em cada imagem. Não há

parâmetros determinados para a seleção, porém De Luca et al. (2019) consideram

apropriado selecionar um total de segmentos que não desviem de 2% do total de

segmentos da imagem. Nesse caso, adotou-se 2% como valor mínimo de referência a

ser ultrapassada na seleção.

Tabela 3. Quantitativos de segmentos selecionados para treinamento e validação.

  SAPIENS PAERVE PNMDLC PEST
100,00 100,00 100,00 100,00
Total segmentos 45.445 59.589 47.531 119.190
% % % %
Treinamento 794 1,75% 1.078 1,81% 1.587 3,34% 2.157 1,81%
Validação 339 0,75% 464 0,78% 680 1,43% 926 0,78%
SOMA (trein + valid) 1.133 2,49% 1.542 2,59% 2.267 4,77% 3.083 2,59%
Fonte: Elaborado pelos autores.

A seleção de atributos, embora não prevista no fluxo padrão do OTB, foi

adicionada ao processo para buscar incremento em acurácia, sendo necessário buscar

outro software. Optou-se pelo Weka, desenvolvido pela Universidade de Waikato

(Frank et al. 2016) porque também é uma plataforma open source baseada em

bibliotecas embasadas pela literatura científica, amplamente utilizada em pesquisas

acadêmicas, com farta documentação disponibilizada pelos desenvolvedores, e interface

amigável. Foram utilizados dois métodos, o primeiro denominado Correlation-based

Feature Selection (CFS), baseado em correlação, não utiliza algoritmo para minerar

dados, portanto do tipo “Filter”. Segundo Nevalainen et al. (2017), este método se

esforça para subconjuntos que se correlacionam altamente com o valor da classe e

têm uma baixa correlação interna entre recursos únicos, sendo adequado para lidar

com dados espectrais da vegetação porque as características espectrais são

geralmente melhor caracterizadas por uma combinação de mais de uma banda

espectral. O segundo método testado, do tipo “Wrapper”, conforme explicado por

Tiwari and Singh (2010), utiliza algoritmos de machine learning para minerar o

melhor subconjunto e, em teoria, seria capaz de fornecer melhores resultados que os

métodos Filter, ao custo de maior esforço computacional. Apesar de mais demorado,

chegando a consumir 30 minutos de processamento, foi considerado viável neste

trabalho.

As estimativas de acurácia foram realizadas com base na contagem de entidades

espaciais (objetos), conforme indicado por (Radoux and Bogaert 2017). As fórmulas

(Tabela 4) foram implementadas em planilhas eletrônicas do Libreoffice Calc, e os

resultados foram coincidentes com os apresentados nos logs de processamento

fornecido pelo QGIS para acurácia do produtor ou recall, acurácia do usuário ou

precision, F-score, e índice Kappa Cohen (K).

Tabela 4. Fórmulas utilizadas para avaliação de acurácia.

Nome Fórmula Objetivo
aui=xii/xi+
Reflete os erros de comissão que indicam a
Acurácia do Em que: probabilidade de um objeto classificado em
usuário xii = objetos classificados uma determinada classe realmente pertencer
(precision) corretamente para uma classe i;
a essa classe (Story and Congalton 1986).
xi+ = total de objetos classificados
para uma classe i
api=xii/x+i Reflete os erros de omissão, ou seja, a
probabilidade de um objeto ser excluído
Em que: (não classificado) da classe a que ele
Acurácia do
xii = objetos classificados pertence (Story and Congalton 1986).
produtor (recall)
corretamente para uma classe i; Também referido como “sensibilidade”,
x+i = total de objetos de referência
segundo (Sokolova et al. 2006).
para uma classe i
Ag = xi/n

Em que: Medida utilizada na avaliação global da

Acurácia Global xi = total de objetos classificados
classificação (Story and Congalton 1986).
corretamente;
n = total de objetos considerados
na análise
Proporção de unidades para as quais se
Proporção
r
x i+¿∗x espera um acordo por acaso (Cohen 1960).
esperada
Pe=∑ +i
¿
i=1 n2 Utilizada para compor o índice Kappa
Cohen.
Kappa utilizado para a avaliação global da
Ag−Pe classificação. Se diferencia da acurácia
Kappa Cohen K= global por incorporar os elementos fora da
1−Pe
diagonal principal (Cohen 1960).
Medida parametrizada com pesos iguais
para precision e recall permitindo comparar
2∗aui∗api o desempenho dos modelos para cada classe,
F-score F= sendo a medida mais frequentemente
aui +api utilizada em machine learning com dados
desbalanceados entre precision e recall
(Sokolova et al. 2006; He and Ma 2013).
 Fonte: Elaborado pelos autores.

Fluxograma geral do método

A metodologia detalhada e o passo a passo para condução da classificação GEOBIA

desenvolvida nesse trabalho encontra-se descrita em (Gonçalves and Ribeiro 2021). A

Figura 5 apresenta o fluxograma geral contendo as macro etapas, etapas, softwares e

respectivos produtos esperados. O detalhamento dos parâmetros utilizados na seleção de

atributos e classificação encontram-se nos Apêndices A e B respectivamente.

Figura 5. Fluxograma geral das etapas propostas na metodologia.

Fonte: Elaborado pelos autores.

Resultados e discussão

A Tabela 5 apresenta os maiores valores obtidos para a Acurácia Global e índice Kappa,

que representam a acurácia da classificação considerando todas as classes, e do F-Score

referente à Classe 1, representando a qualidade do mapeamento das áreas de invasão por

Pinus sp., alvo nesse trabalho. Destacou-se a predominância do classificador baseado

em Support Vector Machine que foi superior para a classe alvo em todas as áreas.

Tabela 5. Valores mais altos obtidos para acurácia global e índices Kappa e F-Score
referente à classe 1 (Pinus sp.), e respectiva composição de softwares e métodos
utilizados.

ACURÁCIA MAIORES
GLOBAL VALORES CLASSIFICADOR SOFTWARES_E_MÉTODOS
GEODMA+weka_CfsSE_GreedyStepWise_cv10x
SAPIENS 89,97% libsvm 1_80%
PAERVE 91,16% libsvm OTB_E_GEODMA+weka_Wrapper_bd_cv_20%
OTB_E_GEODMA+weka_CfsSE_COMBIN_cv1
PNMDLC 88,68% libsvm 0x1_80%
PEST 88,44% libsvm OTB+weka_Wapper_bd_cv_30%
Média 89,56% - -
KAPPA
GEODMA+weka_CfsSE_GreedyStepWise_cv10x
SAPIENS 0,87 libsvm 1_80%
PAERVE 0,90 libsvm OTB_E_GEODMA+weka_Wrapper_bd_cv_20%
OTB_E_GEODMA+weka_CfsSE_COMBIN_cv1
PNMDLC 0,82 libsvm 0x1_80%
PEST 0,85 libsvm OTB+weka_Wapper_bd_cv_30%
Média 0,86 -
F-SCORE
SAPIENS 0,86 libsvm OTB
GEODMA+weka_CfsSE_GreedyStepWise_cv10x
PAERVE 0,96 libsvm 1_80%
OTB_E_GEODMA+weka_CfsSE_COMBIN_cv1
PNMDLC 0,83 libsvm 0x1_80%
PEST 0,96 libsvm OTB+weka_Wapper_bd_cv_30%
Média 0,90 - -
Fonte: Elaborado pelos autores.
 A Tabela 6 apresenta a referência sugerida por (Landis and Koch 1977) para

interpretação da classificação com base no valor do índice Kappa. De acordo com esse

referencial, as classificações atingiram nível de excelência em todas as áreas.

Tabela 6. Referência para interpretação do desempenho da classificação com base no

valor de Kappa.
Kappa Interpretação Desempenho
<0 insignificante (poor) Péssimo
0 < k ≤ 0,2 fraca (slight) Ruim
0,2 < k ≤ 0,4 razoável (fair) Razoável
0,4 < k ≤ 0,6 moderada (moderate) Bom
0,6 < k ≤ 0,8 forte (substantial) Muito Bom
0,8 < k ≤ 1,0 quase perfeita (almost perfect) Excelente
Fonte: adaptado de (Landis and Koch 1977).

Porém, como a resolução dos ortomosaicos gerados por RPAS é muito alta, de

acordo com (Sharma and Müllerová 2019) os valores considerados aceitáveis segundo

literatura divergem consideravelmente de 70% para acurácia global (Pringle et al. 2009)

a 85% para sensibilidade (recall) e precisão (precision) (Foody 2002). Ainda assim,

pode-se considerar que os resultados alcançados foram satisfatórios.

Na Tabela 7 encontra-se sintetizada a análise de acurácia a partir da

demonstração dos maiores valores obtidos para os índices Kappa global e F-score da

classe alvo (Pinus sp.) para cada classificador testado (RF e LibSVM), em comparação

com a classificação padrão, que utilizou apenas os atributos calculados a partir do

pacote OTB.
Tabela 7. Maiores valores para Acurácia Global, Índice Kappa e F-score da Classe 1 (Pinus sp.) obtidos para cada classificador, em comparação
com a classificação obtida com o software OTB apenas. Em negrito os maiores valores.

Fonte: Elaborado pelos autores.

 A comparação foi realizada tendo como referência a classificação executada

apenas utilizando o pacote OTB implementado no QGIS, porque a utilização desse

único software implica em menos etapas de processamento, além de maior praticidade.

Logo, para que fosse possível considerar vantajosa a inclusão de outros atributos

computados e selecionados nos demais softwares, foi necessário verificar se houve

melhoria na classificação.

A Tabela 8 apresenta as médias, em percentuais, das melhorias obtidas nos

índices Kappa e F-Score obtidos mediante inclusão de atributos adicionais, calculados

com GEODMA, e a seleção de atributos por machine learning com os métodos

WrapperSubsetEval (Wrapper) e classificador J48, e CfsSubsetEvaluation (CfsSE)

com os métodos de busca GeneticSearch, BestFirst e GreedyStepWise, ambos

implementado no software Weka.

Tabela 8. Média da melhoria obtida nos índices Kappa e F-score da Classe 1 (Pínus sp.)
com a utilização das técnicas empregadas para melhoria da classificação.
PERCENTUAL MÉDIO DE MELHORIA
CLASSIFICADOR ACURÁCIA GLOBAL KAPPA F-SCORE DA CLASSE 1 (Pinus sp.)

rf 3,74% 5,40% 6,26%

libsvm 4,70% 6,14% 7,37%
Média 4,22% 5,77% 6,81%
Fonte: Elaborado pelos autores.

Os resultados apontaram uma melhoria consistente na classificação, em

comparação com a utilização apenas do pacote OTB para classificação por regiões

(GEOBIA), com incremento médio de 4,22% na Acurácia Global, 5,77% para o índice

Kappa e 6,81% F-score da classe alvo (Pinus sp.).

A melhoria na classificação buscada com a inclusão de atributos adicionais

calculados com o GEODMA, e depois com a seleção de atributos conduzida com o

Weka, não foi progressiva em função dos métodos, apresentando aleatoriedade

conforme demonstra Figura 6.

Figura 6 Gráficos relativos ao percentual de melhoria obtido a partir de cada método,

em cada área de interesse.

De acordo com a Tabela 7, verificou-se que apenas para a área SAPIENS o valor

de F-score da classe referente a Pinus sp. ficou mais elevado quando utilizado apenas o

conjunto de atributos do OTB na classificação. Nos demais casos, a seleção de atributos

melhorou consistentemente a qualidade das classificações.

Isso demonstrou que selecionar apenas os melhores conjuntos de atributos pode

não ser efetivo, como foi observado por Nevalainen et al. (2017) que apostou apenas na

escolha dos atributos 80% mais frequentes, segundo seu método, porém a seleção de

recursos não melhorou a precisão da classificação, sendo, naquele estudo, o melhor

desempenho alcançado ao usar todos os recursos.

 Diferente do trabalho de Nevalainen et al. (2017), que obteve os melhores

resultados utilizando todos os atributos, nesse estudo verificou-se uma aleatoriedade nos

resultados, pois o incremento na quantidade de atributos não necessariamente se refletiu

em melhoria na classificação. Do mesmo modo, nem sempre a escolha dos atributos

indicados como os mais relevantes melhorou a acurácia. Acredita-se que isso se deve ao

fato de que atributos indicados como pouco relevantes isoladamente, podem funcionar

bem quando em conjunto. Nesse sentido, de acordo com os resultados observados nesse

estudo, para que seja possível melhorar os resultados de classificação a partir da seleção

de atributos, sugere-se testar as possibilidades de combinação de atributos segundo

diferentes métodos de seleção e ranquear os resultados de classificação, com base nos

valores de acurácia. Nesse sentido, a automação desse processo tende a possibilitar a

testagem de uma ampla gama de possibilidades.

Cabe observar que Nevalainen et al. (2017) classificou a nuvem de pontos, não

um raster como nesse trabalho, uma vez que seu objetivo era a contagem e

individualização de árvores, não estimativa de área total ocupada. Nesse sentido, o

trabalho de De Luca et al. (2019) é o que mais se aproxima da metodologia aqui

utilizada. Seus resultados de acurácia, AG 94% e Kappa 0,92 foram superiores, porém o

método valeu-se da banda NIR, em um contexto ambientalmente menos diversificado.

O trabalho de Feduck et al. (2018) foi o que mais se aproximou dos objetivos, detecção

de coníferas, sendo o método capaz de detectar os menores indivíduos, porém a partir de

fotografias tomadas em voo a 15 metros de altura a partir do solo, adequado para

estimativas por amostragens em clareiras, mas impraticável para execução de planos de

voo para a geração de ortomosaicos em ambientes florestais.

SAPIENS

A Tabela 9 apresenta a matriz de confusão para a melhor classificação obtida para a

área do Sapiens Parque. Essa classificação foi obtida a partir do classificador SVM com

os atributos computados pelo GEODMA selecionados com Weka utilizando o método

CfsSubsetEvaluation executado com o método de busca GreedyStepWise. Isso

melhorou o K em 4,02% em relação ao OTB (Tabela 7).

A Figura 7 apresenta a imagem da área do SAPIENS e a melhor classificação

obtida. Os resultados numéricos da avaliação de acurácia são corroborados pela

coerência verificada a partir de análise visual.

Tabela 9. Matriz de confusão da classificação para a área SAPIENS. As linhas

representam o mapa referência e as colunas o mapa classificado. As classes são 1-Pinus
sp. (PI), 2-Vegetação Arbórea (VA), 3-Vegetação Herbácea (VH), 4-Banhados (BA) e
5-Sombras. A tabela também inclui as medidas de acurácia do produtor ou recall (AP),
acurácia do usuário ou precision (AU), F-score, Acurácia Global (AG) e índice Kappa
Cohen (K).

CLASSIFICADO
1 2 3 4 5 SOMA AP

REFERÊNCIA PI VA VH BA SB (recall)
1 PI 75 7 0 0 8 90 0,83
2 VA 8 71 0 2 0 81 0,88
3 VH 0 0 66 0 0 66 1,00
4 BA 2 3 0 49 0 54 0,91
5 SB 4 0 0 0 44 48 0,92
SOMA 89 81 66 51 52 339
AU (precision) 0,84 0,88 1,00 0,96 0,85
F-Score 0,84 0,88 1,00 0,93 0,87
AG 89,97%
K 0,872983
 Fonte: Elaborado pelos autores.

Figura 7. Área SAPIENS e classificação (maior Kappa), com 65% de transparência.

Fonte: Elaborado pelos autores.

Em geral o classificador conseguiu distinguir a classe Pinus sp. em relação à

vegetação arbórea, em um contexto bastante desafiador. A classe melhor representada

foi a vegetação herbácea, o que já era esperado em função de sua homogeneidade e

diferença de tonalidade. As sombras, apesar de não representarem uma feição em campo

propriamente, foram tratadas como uma classe em função da dificuldade em definir os

objetos encobertos. Apesar disso, notou-se que as sombras são mais abundantes onde há

indivíduos de Pinus sp. em função de seu maior porte comparado às demais tipologias

vegetacionais, o que também pode servir como um indicador de sua ocorrência.

PAERVE

O PAERVE foi a área com maior número de classes (9). Além de Pinus sp. foram

classificadas também Eucaliyptus sp. e Casuarina sp. na condição de espécies exóticas.

A matriz de confusão (Tabela 10) indica poucos erros, o que reflete a maior acurácia

alcançada em comparação com as demais áreas classificadas. Isso demonstra que a

diversificação de classes, não representou impeditivo para a classificação, que

funcionou até para classes pouco representativas como Casuarina sp., Antrópico e

Água.

Tabela 10. Matriz de confusão da classificação para a área PAERVE. As linhas

representam o mapa referência e as colunas o mapa classificado. As classes são 1-Pinus
sp. (PI), 2-Eucaliyptus sp. (EU), 3-Casuarina sp. (CA), 4-Restinga Herbácea (RH), 5-
Restinga Arbustiva (RA), 6-Sombras(SB), 7-Solo exposto (SL), 8-Água (A) e 9-
Antrópico (AN). A tabela também inclui as medidas de acurácia do produtor ou recall
(AP), acurácia do usuário ou precision (AU), F-score, Acurácia Global (AG) e índice
Kappa Cohen (K).

CLASSIFICADO
REFERÊNCI 1 2 3 4 5 6 7 8 9 SOMA AP

A PI EU CA RH RA SB SL A AN (recall)
1 PI 110 5 0 1 1 2 0 0 0 119 0,92
2 EU 1 69 0 0 4 0 0 0 0 74 0,93
3 CA 0 0 9 1 0 0 1 0 0 11 0,82
4 RH 0 1 1 17 4 0 2 0 0 25 0,68
5 RA 0 4 0 0 68 0 0 0 0 72 0,94
6 SB 0 1 0 0 0 34 0 0 0 35 0,97
7 SL 0 0 1 1 0 0 32 0 0 34 0,94
8 A 0 0 0 0 0 0 0 59 2 61 0,97
9 AN 0 0 2 0 0 0 3 3 25 33 0,76
SOMA 111 80 13 20 77 36 38 62 27 464
AU
0,99 0,86 0,69 0,85 0,88 0,94 0,84 0,95 0,93
(precision)
F-Score 0,96 0,90 0,75 0,76 0,91 0,96 0,89 0,96 0,83
AG 91,16%
K 0,895904
Fonte: Elaborado pelos autores.
 A Figura 8 apresenta a imagem da área do PAERVE e a melhor classificação

obtida. Essa área também apresentou coerência visual, pois é possível notar uma boa

distinção entre Pinus sp. e Eucaliyptus sp. Porém, alguns segmentos foram classificados

como Restinga Arbustiva em meio à vegetação de Eucaliyptus sp., o que não

corresponde à realidade. O mesmo ocorreu com a classe Casuarina sp., que representou

um desafio adicional ao classificador em função das poucas amostras na imagem, além

da baixa densidade das copas que torna visíveis o solo e objetos como pessoas e

veículos abaixo das árvores.

Figura 8. Área PAERVE e classificação (maior Kappa), com 65% de transparência.

Fonte: Elaborado pelos autores.

PNMDLC

Nessa área o resultado geral da classificação também foi satisfatório, com índice Kappa
alcançando 0,82, apesar da complexidade apresentada pelo mosaico de ambientes

representado pelas diversas classes. Novamente as classes de vegetação melhor

representadas são as herbáceas, que apresentam maior diferenciação, tanto em aspectos

espectrais quanto texturais em especial na altura em relação às demais tipologias

vegetacionais.

Tabela 11. Matriz de confusão da classificação para a área PNMDLC. As linhas

representam o mapa referência e as colunas o mapa classificado. As classes são 1-Pinus
sp. (PI), 2-Restinga Herbácea (RH), 3- Restinga Arbustivo-arbórea (RAA), 4- Restinga
Arbórea (RA), 5- Sombras (SOM), 6- Solo exposto (SOL), 7- Vegetação Herbácea
(VA). A tabela também inclui as medidas de acurácia do produtor ou recall (AP),
acurácia do usuário ou precision (AU), F-score, Acurácia Global (AG) e índice Kappa
Cohen (K).
CLASSIFICADO
1 2 3 4 5 6 7 SOMA AP

REFERÊNCIA PI RH RAA RA SB SL VH (recall)

1 PI 63 0 0 13 1 0 0 77 0,82
2 RH 0 31 0 0 0 1 0 32 0,97
3 RAA 1 0 65 27 0 0 0 93 0,70
4 RA 10 1 10 345 5 0 0 371 0,93
5 SB 1 0 0 6 38 0 0 45 0,84
6 SL 0 0 0 0 0 55 1 56 0,98
7 VH 0 0 0 0 0 0 6 6 1,00
SOMA 75 32 75 391 44 56 7 680
AU (precision) 0,84 0,97 0,87 0,88 0,86 0,98 0,86
F-Score 0,83 0,97 0,77 0,91 0,85 0,98 0,92
AG 88,68%
K 0,824535
Fonte: Elaborado pelos autores.

A Figura 9 apresenta a classificação obtida para o PNMDLC, que em geral

apresenta-se coerente com a imagem, segundo avaliação visual.

Figura 9. Área PNMDLC e classificação (maior Kappa), com 65% de transparência.

Fonte: Elaborado pelos autores.

PEST
A área do PEST também apresentou um contexto bastante desafiador em função

da diversidade de espécies e ambientes presentes no mosaico, refletida na diversidade

de classes necessárias para a classificação. Nessa área a classe alvo Pinus sp. também

obteve F-score excelente (Tabela 12). Nessa área a maior confusão ocorreu entre as

classes Restinga Arbórea e Restinga Arbustivo-arbórea, que naturalmente são difíceis

de discernir até mesmo em campo.

Tabela 12. Matriz de confusão da classificação para a área PEST. As linhas representam
o mapa referência. As classes são 1-Pinus sp. (PI), 2-Restinga Herbácea (RH), 3-
Restinga Arbustivo-arbórea (RAA), 4- Restinga Arbórea (RA), 5- Sombras (SB), 6-
Solo exposto (SL), 7- Troncos e galhos (TG) e 8-Banhados (BA). A tabela também
inclui as medidas de acurácia do produtor ou recall (AP), acurácia do usuário ou
precision (AU), F-score, Acurácia Global (AG) e índice Kappa Cohen (K).
CLASSIFICADO
1 2 3 4 5 6 7 8 SOM AP

REFERÊNCIA PI RH RAA RA SB SL TG BA A (recall)

1 PI 141 0 3 1 0 0 0 0 145 0,97
2 RH 0 62 11 0 0 0 0 7 80 0,78
3 RAA 1 4 303 22 1 0 0 0 331 0,92
4 RA 6 0 40 36 1 0 1 0 84 0,43
5 SB 0 0 1 0 30 0 0 0 31 0,97
6 SL 0 0 0 0 0 17 0 0 17 1,00
7 TG 0 0 0 0 0 0 41 0 41 1,00
8 BA 0 7 1 0 0 0 0 189 197 0,96
SOMA 148 73 359 59 32 17 42 196 926
AU (precision) 0,95 0,85 0,84 0,61 0,94 1,00 0,98 0,96
F-Score 0,96 0,81 0,88 0,50 0,95 1,00 0,99 0,96
AG 88,44%
K 0,850954
Fonte: Elaborado pelos autores.

A Figura 10 apresenta o resultado da classificação. É possível notar que a

diversidade do mosaico de ambientes formado por espécies majoritariamente de porte

herbáceo foi bem representada na classificação, o que demonstra possibilidade de

utilização do método também nesse contexto.

Figura 10. Área PEST e classificação (maior Kappa), com 65% de transparência.

Fonte: Elaborado pelos autores.

Apesar disso, em avaliação visual alguns segmentos classificados como Pinus

sp. na realidade representam palmeiras jerivá Syagrus romanzoffiana, que assim como o

Pinus sp. normalmente se destacam da vegetação do entorno em função de sua altura.

Miyoshi et al. (2020) utilizou método de deep learning com imagens hiperespectrais, o

que representa o estado da arte em sensoriamento remoto para detectar e classificar

indivíduos de S. romanzoffiana, pois a espécie ocorre majoritariamente em florestas

secundárias iniciais, servindo como um indicador ecológico de florestas em

regeneração.

Como o raster de altimetria compõe o empilhamento de bandas utilizado na

classificação, é provável que esse fator tenha contribuído para a confusão. Diferente das
imagens multiespectrais utilizadas por Miyoshi et al. (2020) o espectro RGB pode não

apresentar amplitude suficiente para permitir uma distinção adequada.

Figura 11. Detalhe da classificação no PEST que demonstra diferenciação entre espécies
arbustivas e herbáceas em um contexto de mosaico, e palmeiras jerivá Syagrus
romanzoffiana , classificadas equivocadamente como Pinus sp.

Fonte: Elaborado pelos autores.

Entretanto, observou-se que nas áreas de estudo a frequência de ocorrência de S.

romanzoffiana é baixa, contabilizados manualmente, em 9 hectares, 32 indivíduos no

PNMDLC, 8 no PEST, 7 no SAPIENS e nenhum no PEST, podendo ser manualmente

ajustada a classificação, caso necessário. Desse modo, os resultados das classificações

foram considerados satisfatórios considerando a tecnologia empregada.

 Outra informação obtida a partir da classificação são as estimativas de área por

classe, conforme Tabela 13. Essas áreas calculadas a partir dos vetores permitem

verificar a representatividade de cada classe na paisagem representada pela imagem.

Tabela 13. Cálculos de área por tipologia classificada.

AOI Tipologia Área (m²) Área (ha) %
1-Pinus sp. 40.273,377 4,027 44,76%
2-Restinga Arbórea 22.914,420 2,291 25,47%
3-Vegetação Herbácea 10.817,774 1,082 12,02%
SAPIENS
4-Banhados 2.919,212 0,292 3,24%
5-Sombras 13.042,063 1,304 14,50%
Total 89.966,846 8,996
1-Pinus sp. 42.583,091 4,258 47,33%
2-Eucaliyptus sp. 14.589,845 1,459 16,21%
3-Casuarina sp. 1.868,936 0,187 2,08%
4-Restinga Herbácea 8.295,598 0,830 9,22%
5-Restinga Arbustiva 7.256,411 0,726 8,06%
PAERVE
6-Sombras 10.289,606 1,029 11,44%
7-Solo exposto 4.320,588 0,432 4,80%
8-Água 264,970 0,026 0,29%
9-Antrópico 510,185 0,051 0,57%
Total 89.979,230 8,998
1-Pinus sp. 6.444,565 0,644 7,16%
2-Restinga Herbácea 5.481,469 0,548 6,09%
3-Restinga Arbustivo-arbórea 14.529,664 1,453 16,15%
4-Restinga Arbórea 56.572,321 5,657 62,87%
PNMDLC
5-Sombras 4.781,252 0,478 5,31%
6-Solo exposto 1.774,236 0,177 1,97%
7-Vegetação Herbácea 399,328 0,040 0,44%
Total 89.982,835 8,997
1-Pinus sp. 4.654,108 0,465 5,17%
2-Restinga Herbácea 18.393,586 1,839 20,44%
3-Restinga Arbustivo-arbórea 35.376,910 3,538 39,32%
4-Restinga Arbórea 8.173,890 0,817 9,09%
PEST 5-Sombras 1.528,963 0,153 1,70%
6-Solo exposto 221,288 0,022 0,25%
7-Troncos e galhos 5.299,039 0,530 5,89%
8-Banhados 16.323,355 1,632 18,14%
Total 89.971,139 8,996
Fonte: Elaborado pelos autores.
Considerações finais
A partir dos resultados da classificação, foi possível mapear as áreas invadidas

por Pinus sp. nas áreas de interesse. Com isso, acredita-se que o método empregado

possa contribuir, tanto na interpretação do fenômeno, quanto no planejamento das ações

necessárias ao manejo e controle do Pinus sp. enquanto espécie invasora.

Além do mapeamento da espécie alvo nesse trabalho, o método também se

demonstrou útil para a classificação de imagens em geral, podendo ser utilizado no

manejo de outras espécies vegetais exóticas, ou até em outras aplicações ambientais.

O principal diferencial metodológico desse trabalho foi o esforço para

incrementar a gama de atributos e selecioná-los mediante aplicação de diferentes

métodos, com posterior ranqueamento segundo avaliação de acurácia, em vez de

predefinir a seleção dos melhores apenas com base em aspectos teóricos. Isso

possibilitou alcançar melhorias substanciais na classificação, em todas as quatro áreas

avaliadas.

Apesar dos resultados alcançados, é provável que classificações mais acuradas

possam ser obtidas mediante ajustes na técnica empregada. Nesse sentido, sugere-se

investigar a possibilidade de utilização de outros índices de vegetação em substituição,

ou em conjunto com VARI, bem como a utilização de algoritmos para extração de

atributos texturais pelo OTB e outras técnicas de seleção de atributos que possam ser

programadas sob medida em scrips utilizando a linguagem Python, por exemplo.

Em relação à aplicação da técnica em áreas maiores, sugere-se investigar

possibilidades de escalabilidade, visto que a capacidade computacional pode representar

um gargalo. Uma alternativa pode ser a divisão em subáreas com dimensões adequadas,

bem como uma divisão do fluxo de segmentação em etapas, podendo-se estudar

eliminação da primeira, que é opcional, conforme proposto por De Luca et al. (2019).

Outra possibilidade é o desenvolvimento do modelo em uma área restrita que contemple

suficientemente todas as classes, e a sua aplicação para classificação de toda a cena

segmentada.
Apêndice A

Parâmetros usados no software Weka para de seleção de atributos:

Método WrapperSubsetEval (Wrapper)

• Na aba Select Attributes, selecionar método “WrapperSubsetEval”;

• Selecionar o campo do tipo string do dataset para ser utilizado como “classe”;
• Clicar em “WrapperSubsetEval” para abrir as opções, clicar em Choose para no
campo classifier selecionar J48 que fica na aba trees e alterar folds de 5 para 10,
e treshhold para -1;
• Clicar OK para aceitar as configurações;
• Em Search Method escolher BestFirst, clicar para abrir as opções, em direction
escolher Bi-diretcional e ajustar, searchTermination para 5;
• Clicar OK para aceitar as configurações;
• Em Attribute Selection Mode selecionar a opção Cross-validation e ajustar para
10 Folds 1 Seed.

Método CfsSubsetEvaluation (CfsSE)

• Na aba Select Attributes, selecionar método “CfsSubsetEval”;

• Selecionar o campo do tipo string do dataset para ser utilizado como “classe”;
• Escolher o Search Method conforme desejado. Parâmetros utilizados segundo
Nevalainen et al. (2017) com as opções padrão fornecidas pelo Weka:
◦ BestFirst (direction Forward, por padrão)
◦ GeneticSearch
◦ GreedyStepWise
• Em Attribute Selection Mode selecionar a opção Cross-validation e ajustar para
10 Folds 1 Seed.
Apêndice B

Parâmetros utilizados no Qgis/OTB para classificação:

TrainVectorClassifier

• Classificador Support Vector Machine (libsvm)

◦ SVM Kernal Type:linear
◦ SVM Model Type: csvc
◦ Cost parameter C: 1,0
◦ Cost parameter Nu: 0,5
◦ Parameters optimization [opcional]: no
◦ Probability estimation [opcional]: no
◦ User definied input centroids: 0
◦ Statistics file [opciona]: not used
◦ Random seed [opcional]: 0

• Classificador Random Forest (rf)

◦ Maximum depth of the tree [opcional]: 5
◦ Minimum number of samples in each node [opcional]: 10
◦ Termination Criteria for regression tree [opcional]: 0
◦ Cluster possible values of a categorical variable into K<= cat clusters to
find a suboptimal split [opcional]: 10
◦ Size of the randomly selected subset of each tree node [opcional]: 0
◦ Maximum number of trees in the forest [opcional]: 100
◦ Sufficient accuracy (OOB error) [opcional]: 0,0
◦ User definied input centroids: 0
◦ Statistics file [opciona]: not used
◦ Random seed [opcional]: 0
Referências

Albuquerque RW, Ferreira ME, Olsen SI, Tymus JRC, Balieiro CP, Mansur H, Moura
CJR, Costa JVS, Branco MRC, Grohmann CH. 2021. Forest Restoration Monitoring
Protocol with a Low-Cost Remotely Piloted Aircraft: Lessons Learned from a Case
Study in the Brazilian Atlantic Forest. Remote Sensing. 13(12):2401.
https://doi.org/10.3390/rs13122401

Back ÁJ. 2020. Informações climáticas e hidrológicas dos municípios catarinenses (com
programa HidroClimaSC). Florianópolis: EPAGRI.

Bechara FC. 2003. Restauração Ecológica De Restingas Contaminadas Por Pinus No

Parque Florestal Do Rio Vermelho, Florianópolis, Sc. Universidade Federal de Santa
Catarina. 108(3):136.

Braga HJ, Ghellre R. 1999. Proposta de Diferenciação Climática para o Estado de Santa
Catarina. In: Congresso Brasileiro de Agrometeorologia, 11, Reunião Latino-Americana
de Agrometeorologia. Florianópolis: Epagri.

Brasil. 1999. Zoneamento Pedoclimático para Pinus elliotti no Estado de Santa

Catarina. Documentos [Internet]. [accessed 2021 Jul 25] 9:20.
https://ainfo.cnptia.embrapa.br/digital/bitstream/item/88391/1/P-elliotti.pdf

Brasil. 2019. Dados Gerais UC. Instituto Chico Mendes de Conservação da

Biodiversidade - ICMBIO [Internet]. [accessed 2021 Jul 20].
https://www.icmbio.gov.br/portal/images/stories/servicos/geoprocessamento/DCOL/
dados_tabulares/DadosGerais_UC_julho_2019.pdf

Brasil. 2021a. Onde Estamos. Instituto Chico Mendes de Conservação da

Biodiversidade - ICMBIO [Internet]. [accessed 2021 Jul 20].
https://www.icmbio.gov.br/portal/ondeestamos

Brasil. 2021b. DECEA esclarece normas para voos de drones no Brasil. Força Aérea
Brasileira - FAB [Internet]. [accessed 2021 Jul 22].
https://www2.fab.mil.br/cenipa/index.php/ultimas-noticias/871-decea-esclarece-normas-
para-voos-de-drones-no-brasil

Brasil. 2021c. GeoDMA - Geographic Data Mining Analyst. Divisão de Processamento

de Imagens - Instituto Nacional de Pesquisas Espaciais - Inpe [Internet]. [accessed 2021
Jul 22]. http://wiki.dpi.inpe.br/doku.php?id=geodma

Brasil. 2021d. TerraLib and TerraView Wiki Page. Divisão de Processamento de

Imagens - Instituto Nacional de Pesquisas Espaciais - Inpe [Internet]. [accessed 2021 Jul
22]. http://www.dpi.inpe.br/terralib5/wiki/doku.php?id=start

Cohen J. 1960. A coefficient of agreement for nominal scales. Educational and

Psychological Measurement. 20(1):37-46 ST-A coefficient of agreement for nominal.
https://doi.org/10.1177/001316446002000104
Convenção sobre Diversidade Biológica. 2010. Panorama da Biodiversidade Global.
[place unknown]. https://doi.org/10.1007/s00740-010-0229-z

De Luca G, Silva JMN, Cerasoli S, Araújo J, Campos J, Di Fazio S, Modica G. 2019.

Object-based land cover classification of cork oak woodlands using UAV imagery and
Orfeo Toolbox. Remote Sensing. 11(10). https://doi.org/10.3390/rs11101238

Dechoum M de S, Giehl ELH, Sühs RB, Silveira TCL, Ziller SR. 2019. Citizen
engagement in the management of non-native invasive pines: Does it make a
difference? Biological Invasions. 21(1):175–188. https://doi.org/10.1007/s10530-018-
1814-0

DroneDeploy. 2021. DroneDeploy [Internet]. [accessed 2021 Jul 22].

https://www.dronedeploy.com/

Feduck C, McDermid GJ, Castilla G. 2018a. Detection of coniferous seedlings in UAV

imagery. Forests. 9(7):1–15. https://doi.org/10.3390/f9070432

Feduck C, McDermid GJ, Castilla G. 2018b. Detection of coniferous seedlings in UAV

imagery. Forests. 9(7):1–15. https://doi.org/10.3390/f9070432

Foxcroft LC, Pyšek P, Richardson DM, Genovesi P. 2013. Plant invasions in protected
areas: Patterns, problems and challenges. Plant Invasions in Protected Areas: Patterns,
Problems and Challenges.(November):1–656. https://doi.org/10.1007/978-94-007-7750-
7

Frank E, Hall MA, Witten IH. 2016. The WEKA Workbench. Online Appendix for
“Data Mining: Practical Machine Learning Tools and Techniques.” Fourth Edi.
Hamilton, New Zeland: Morgan Kaufmann.

Gallardo B, Aldridge DC, González-Moreno P, Pergl J, Pizarro M, Pyšek P, Thuiller W,

Yesson C, Vilà M. 2017. Protected areas offer refuge from invasive species spreading
under climate change. Global Change Biology. 23(12):5331–5343.
https://doi.org/10.1111/gcb.13798

Giardino MJ. 2011. A history of NASA remote sensing contributions to archaeology.

Journal of Archaeological Science. 38(9):2003–2009.
https://doi.org/10.1016/j.jas.2010.09.017

Giones F, Brem A. 2017. From toys to tools: The co-evolution of technological and
entrepreneurial developments in the drone industry. Business Horizons. 60(6):875–884.
https://doi.org/10.1016/j.bushor.2017.08.001

GloNAF. 2021. Global Naturalized Alien Flora [Internet]. [accessed 2021 Jul 19].
https://glonaf.org/

Gonçalves V, Ribeiro E. 2021. Metodologia de análise de imagens baseada em objetos

geográficos (GEOBIA) utilizando RPAS (drone) com sensor RGB. Estrabão. 2:32–77.
https://doi.org/10.53455/re.v2i.6

Granshaw SI. 2018. RPV, UAV, UAS, RPAS … or just drone? Photogrammetric
Record. 33(162):160–170. https://doi.org/10.1111/phor.12244
He H, Ma Y. 2013. Imbalanced learning: foundations, algorithms, and applications.

Henrich V, Krauss G, Götze C, Sandow C. 2021. Index DataBase: A database for

remote sensing indices.

Higa RCV, Wrege MS, Radin B, Braga H, Caviglione JH, Bognola I, Rosot MAD,
Garrastazu MC, Caramori PH, Oliveira YMM de. 2008. Zoneamento Climático: Pinus
taeda no Sul do Brasil. Embrapa Florestas.:17.

IBGE. 2012. Manual Técnico da Vegetação Brasileira. 2nd ed. Rio de Janeiro: Instituto
Brasileiro de Geografia e Estatística. https://doi.org/ISSN 0103-9598

Jones T, Marzen L, Mitra C, Barbour M. 2019. Identification and classification of

geographically isolated wetlands in North Alabama using geographic object based
image analysis (GeOBIA). Geocarto International. 34(7):769–784.
https://doi.org/10.1080/10106049.2018.1438527

Van Kleunen M, Dawson W, Essl F, Pergl J, Winter M, Weber E, Kreft H, Weigelt P,

Kartesz J, Nishino M, et al. 2015. Global exchange and accumulation of non-native
plants. Nature. 525(7567):100–103. https://doi.org/10.1038/nature14910

Landis JR, Koch GG. 1977. The Measurement of Observer Agreement for Categorical
Data. Biometrics. 33(1):159. https://doi.org/10.2307/2529310

Lehmann JRK, Prinz T, Ziller SR, Thiele J, Heringer G, Meira-Neto JAA, Buttschardt
TK. 2017. Open-source processing and analysis of aerial imagery acquired with a low-
cost Unmanned Aerial System to support invasive plant management. Frontiers in
Environmental Science. 5(JUL):1–16. https://doi.org/10.3389/fenvs.2017.00044

Liau YT. 2014. Hierarchical segmentation framework for identifying natural vegetation:
A case study of the Tehachapi Mountains, California. Remote Sensing. 6(8):7276–7302.
https://doi.org/10.3390/rs6087276

Miyoshi GT, Arruda M dos S, Osco LP, Marcato Junior J, Gonçalves DN, Imai NN,
Tommaselli AMG, Honkavaara E, Gonçalves WN. 2020. A Novel Deep Learning
Method to Identify Single Tree Species in UAV-Based Hyperspectral Images. Remote
Sensing. 12(8):1294. https://doi.org/10.3390/rs12081294

Moody ME, Mack RN. 1988. Journal of Applied Ecology (1988), 25, 1009-1021.
Controlllng the spread of plant invasions: the importance of nascent foci. 25(3):1009–
1021. https://doi.org/10.2307/2403762

Nevalainen O, Honkavaara E, Tuominen S, Viljanen N, Hakala T, Yu X, Hyyppä J,

Saari H, Pölönen I, Imai N, Tommaselli A. 2017a. Individual Tree Detection and
Classification with UAV-Based Photogrammetric Point Clouds and Hyperspectral
Imaging. Remote Sensing. 9(3):185. https://doi.org/10.3390/rs9030185

Nevalainen O, Honkavaara E, Tuominen S, Viljanen N, Hakala T, Yu X, Hyyppä J,

Saari H, Pölönen I, Imai N, Tommaselli A. 2017b. Individual Tree Detection and
Classification with UAV-Based Photogrammetric Point Clouds and Hyperspectral
Imaging. Remote Sensing. 9(3):185. https://doi.org/10.3390/rs9030185
Nuñez MA, Chiuffo MC, Torres A, Paul T, Dimarco RD, Raal P, Policelli N, Moyano J,
García RA, van Wilgen BW, et al. 2017. Ecology and management of invasive Pinaceae
around the world: progress and challenges. Biological Invasions. 19(11):3099–3120.
https://doi.org/10.1007/s10530-017-1483-4

OpenDroneMap Authors. 2020. ODM – A command line toolkit to generate maps, point
clouds, 3D models and DEMs from drone, balloon or kite images.

OTB Development Team. 2021. OTB CookBook Dcumentation [Internet]. [accessed

2021 Jun 20]. https://www.orfeo-toolbox.org/CookBook/

Peel MC, Finlayson BL, A. MT. 2007. Updated world map of the Köppen-Geiger
climate classification. Hydrology and Earth System Sciences. 11:1633–1644.
https://doi.org/10.1002/ppp.421

PMF. 2021. Geoportal, Prefeitura de Florianópolis [Internet]. [accessed 2021 Jul 25].
http://geoportal.pmf.sc.gov.br/downloads/camadas-em-sig-do-mapa

Pringle RM, Syfert M, Webb JK, Shine R. 2009. Quantifying historical changes in
habitat availability for endangered species: Use of pixel- and object-based remote
sensing. Journal of Applied Ecology. 46(3):544–553. https://doi.org/10.1111/j.1365-
2664.2009.01637.x

QGIS.org. 2021. QGIS Geographic Information System.

Radoux J, Bogaert P. 2017. Good practices for object-based accuracy assessment.

Remote Sensing. 9(7). https://doi.org/10.3390/rs9070646

Ramos M. 2015. Universidade de São Paulo Escola Superior de Agricultura “ Luiz de

Queiroz ” Disseminação e presença de Pinus elliottii Engelm . nas áreas ripárias da
Floresta Nacional de Capão Bonito - SP , Brasil Marli Ramos Piracicaba.

Samiappan S, Turnage G, Hathcock L, Casagrande L, Stinson P, Moorhead R. 2017.

Using unmanned aerial vehicles for high-resolution remote sensing to map invasive
Phragmites australis in coastal wetlands. International Journal of Remote Sensing.
38(8–10):2199–2217. https://doi.org/10.1080/01431161.2016.1239288

Sharma JB, Müllerová J. 2019. UAS for Nature Conservation – Monitoring Invasive
Species. Applications of Small Unmanned Aircraft Systems.(October 2019):157–178.
https://doi.org/10.1201/9780429244117-8

Soares J, Souto L. 2017. Brasil tem só um fiscal a cada 470 km2 de parques e florestas.
O Globo, País, p 6 [Internet]. [accessed 2021 Jul 20]. https://nuestrosparques.info/pt-
br/noticia/184401

Sokolova M, Japkowicz N, Szpakowicz S. 2006. Beyond accuracy, F-score and ROC: A

family of discriminant measures for performance evaluation. AAAI Workshop -
Technical Report. WS-06-06(c):24–29. https://doi.org/10.1007/11941439_114

Story M, Congalton RG. 1986. Remote Sensing Brief Accuracy Assessment: A User’s
Perspective. Photogrammetric Engineering and Remote Sensing. 52(3):397–399.
Tiwari R, Singh MP. 2010. Correlation-based Attribute Selection using Genetic
Algorithm. IJCA. 4(8):28–34. https://doi.org/10.5120/847-1182

Zhang X, Chen G, Wang W, Wang Q, Dai F. 2017. Object-Based Land-Cover

Supervised Classification for Very-High-Resolution UAV Images Using Stacked
Denoising Autoencoders. IEEE Journal of Selected Topics in Applied Earth
Observations and Remote Sensing. 10(7):3373–3385.
https://doi.org/10.1109/JSTARS.2017.2672736

Ziller SR, Dechoum M de S, Duarte Silveira RA, Marques da Rosa H, Mello Oliveira
BC, Zenni RD, Motta MS, Filipe da Silva L. 2020. A priority-setting scheme for the
management of invasive non-native species in protected areas. NeoBiota.
62(October):591–606. https://doi.org/10.3897/neobiota.62.52633