COMPARAÇÃO DE MÉTODOS DE MAPEAMENTO DE MANGUEZAL EM GUARATIBA

(RJ) ATRAVÉS DE GEOBIA E RANDOM FOREST UTILIZANDO ORTOFOTOS GERADAS A

PARTIR DE VANT

Douglas Modesto dos Santos1, Andreza de Souza Dias1, Vandré Soares Viégas1,Raquel Fonseca do
Nascimento1, Beatriz de Ramalho Nunes1 e Rafael Silva de Barros1
¹Universidade Federal do Rio de Janeiro - Departamento de Geografia - Avenida Athos da Silveira Ramos, 274, Bloco I, Sala
12. Cidade Universitária, Rio de Janeiro - RJ, douglasmodesto@ufrj.br, andrezasdias@ufrj.br, v.viegas18@gmail.com,
raquelfonseca.nas@gmail.com, bianunes1505@gmail.com, rafaelbarros@igeo.ufrj.br

RESUMO 1. INTRODUÇÃO

A proposta do presente estudo consiste numa análise
comparativa entre duas metodologias de mapeamento de
mangue através da análise de imagens: a primeira, realizada
a partir da utilização da plataforma Google Earth Engine
(GEE) para elaborar uma classificação supervisionada com
base no algoritmo Random Forest; já a segunda, através do
software eCognition com o auxílio do método de Análise de
Imagens Baseada em Objeto Geográfico (GEOBIA) para
classificação utilizando segmentação. O objetivo foi
distinguir e classificar os diferentes tipos fisiográficos de
cobertura vegetal numa área de mangue localizada na Praia
de Araçatiba, Guaratiba-RJ, utilizando o Modelo Digital de
Superfície (MDS), o Índice de Diferença Normalizada do
Verde-Vermelho (NGRDI) e as bandas da câmera RGB
acoplada ao VANT Phantom 4 Pro.
Palavras-chave — Classificação Digital, Mangue,
Drone, eCognition, Google Earth Engine.
ABSTRACT
The proposal of this study consists of a comparative
analysis between two mangrove mapping methodologies
through image analysis: the first one, carried out using the
Google Earth Engine (GEE) platform to introduce a
supervised classification based on the Random Forest
algorithm, and the second, though the eCognition software,
with the assistance of the Geographic Object-Based Image
Analysis (GEOBIA) for segment-based classification. The
objective was to differentiate and classify the different
physiographies of vegetation cover in a mangrove area
located on Araçatiba beach, Guaratiba-RJ, using the
Digital Surface Model (DSM), the Normalized Green-Red
Difference Index (NGRDI) and the RGB camera bands
coupled to the Unmanned Aerial Vehicle (UAV).
A utilização de VANTs (Veículo Aéreo Não Tripulado) em
projetos ambientais tem se tornado uma prática cada vez
mais comum nos dias atuais, fomentada pela constante
evolução tecnológica e subsequente barateamento dessa
tecnologia. Frente a isso, as vantagens apresentadas por esse
método são: altíssima resolução espacial (4 cm) dos seus
produtos; a geração de dados altimétricos; a relativa
facilidade e flexibilidade de utilização; e seu menor custo se
comparado ao uso de imagens orbitais de alta resolução ou
de fotografias aéreas. Além disso, o maior dinamismo e
independência na aquisição aumentam a disponibilidade de
informações sobre a superfície terrestre. As aplicações
variam desde o monitoramento ambiental até a produção de
classificações de vegetação [1, 2, 3].
A classificação supervisionada de uma imagem
multiespectral define-se pelo atrelamento de um
determinado pixel a uma “amostra” que descreve um objeto
real (vegetação, área urbana, solo, etc.). Os valores
numéricos contidos nos pixels são estabelecidos, entre
outras possibilidades, pelos valores de reflectância da
composição dos materiais presentes no objeto observado, e
através da utilização de um conjunto de parâmetros ou
algoritmos, como o Random Forest, são então identificados
em termos de um tipo de cobertura da superfície terrestre
imageada, denominada de “classe”. Neste trabalho, as
classes foram baseadas na fisiografia da vegetação
manguezal [4, 5] sobre a área de estudo, representadas na
Figura 1.

Keywords — Digital image Classification, Mangrove,

Drone, Google Earth Engine, eCognition. Figura 1: Esquema de zoneamento horizontal em manguezais.
Fonte: Adaptado de Schaeffer-Novelli, 1999.

https://proceedings.science/p/164743?lang=pt-br 2645
 Já na abordagem GEOBIA, o método tradicional de
classificação pixel a pixel dá lugar a um processo executado
a partir de modelagem, ou descoberta de conhecimento,
considerando os segmentos. Desta forma, os pixels passam a
ser agrupados em objetos ou segmentos orientados de
acordo com suas propriedades comuns, não só espectrais,
mas também sua textura, orientação, localização, topologia
e brilho, que passam a ser utilizadas como unidades
primitivas para a classificação. [6]
No Google Earth Engine (GEE) as possibilidades são
diversas, podendo-se realizar tanto classificações
pixel-a-pixel quanto por regiões, baseando-se em diferentes
classificadores, dependendo do algoritmo escolhido. As
informações geradas sobre a cobertura e uso da terra de uma
área, principalmente na zona costeira, são importantes para
avaliação de mapeamento do desmatamento e aterro de
manguezais, avaliação do risco de erosão, migração de
dunas, identificação e análise da expansão urbana. [7]
2. MATERIAL E MÉTODOS
As imagens utilizadas neste estudo foram obtidas a partir de
um trabalho de campo na área da Praia de Araçatiba, em
Guaratiba-RJ, no qual utilizou-se o VANT multirotor
Phantom 4 Pro, equipado com uma câmera RGB. O voo foi
realizado a uma altura de 120 metros, com linhas de voo
perpendiculares, com sobreposições de 85% e 70% ao longo
e entre as linhas, respectivamente, gerando um total de 656
fotos. Foram utilizados 6 GCPS (Pontos de Controle no
Terreno) cujas coordenadas foram determinadas a partir de
levantamento GNSS com rastreadores de 2 frequências (L1
e L2), no modo cinemático. Os dados foram processados no
software Pix4D, sendo gerados um Ortofotomosaico e um
Modelo Digital de Superfície (MDS), ambos com 4 cm de
resolução espacial [8].
Figura 2: Cobertura de mangue na área de estudo e conjunto de
dados trabalhados na classificação pelo Google Earth Engine
O primeiro passo para a elaboração dos produtos foi o
processamento das imagens utilizando o Google Earth
Engine através de um algoritmo. Pode-se observar na Eq. 1
https://proceedings.science/p/164743?lang=pt-br
a operação aritmética utilizada para obter o índice de
vegetação NGRDI (Índice de Diferença Normalizada do
Verde e do Vermelho). Para gerar este índice, foram
dispostas as bandas do Verde e do Vermelho. O NGRDI é
uma alternativa ao índice de vegetação da diferença
normalizada (NDVI), que demanda a disponibilidade de
dados no infravermelho [9].
(Eq. 1)
Durante a elaboração do algoritmo para o
processamento, tanto as bandas R, G e B, quanto o MDS e o
NGRDI foram utilizados, a fim de se obter dados de altura e
reflectância de cobertura vegetal. Após a interpretação
conjunta de todos os dados, foi feita a coleta de amostras
das classes de cobertura presentes na área de estudo. Foram
definidas como classes: franja, bacia, zona de transição e
solo exposto.
Conseguinte a isso, efetuou-se uma classificação
supervisionada a partir do algoritmo Random Forest (RF),
considerando as informações do ortofotomosaico, que gerou
um mapa temático expondo as classes pré-determinadas.
Com o objetivo de determinar quais foram os melhores
parâmetros para diferenciar as faixas de manguezal, foram
comparados quatro diferentes combinações do conjunto de
dados disponíveis para a classificação: uso somente do
ortofotomosaico, com as bandas R, G e B; bandas R, G e B
com o NGRDI; bandas R, G e B com o MDS e bandas R, G
e B com o MDS e com o NGRDI.
Na abordagem GEOBIA, foi feita uma segmentação
num primeiro nível com parâmetro de escala de 1.000,
deixando peso apenas para o ortofotomosaico. Num
segundo nível foi feita uma nova segmentação com
parâmetro de escala de 200 a partir dos segmentos maiores
gerados no parâmetro de escala de 1.000, mantendo shape e
compactness de 0,1 e 0,5, respectivamente. Na modelagem
do conhecimento foram utilizados diferentes descritores
referentes ao manguezal e limiares para cada classe,
adaptados das bibliografias [4, 10] para a área de estudo,
visando posteriormente realizar análises comparativas entre
os mapeamentos:
- Franja: utilizou-se o MDS como descritor, com limiar
de média entre 8,1 - 18;
- Bacia: modelado como “Not Franja”, e limiar de média
entre 3,1 e 8 para o MDS;
- Solo exposto: descritor “Média da Banda R” com
limiar entre 168 e 210 e MDS entre 0 e 3,1;
- Zona de transição: modelado como “Not Solo
Exposto”.
.
3. RESULTADOS
O primeiro produto gerado foi o NGRDI, que reunido com o
MDS e o Ortofotomosaico, constituíram o conjunto de
dados que baseiam as classificações realizadas no Google
2646
 Figura 3: À direita: Resultados das classificações baseadas em diferentes conjuntos de dados: A - Bandas RGB; B - Bandas RGB e
NGRDI; C - Bandas RGB e MDS; D - Bandas RGB, NGRDI e MDS; À esquerda: Resultado da classificação pelo GEOBIA na área de
estudo.
Earth Engine. Esses dados, assim como a área de estudo, são
expostos na Figura 2. A partir da combinação deste conjunto
de elementos, foram elaborados mapas de classificação
através do Random Forest, conforme pode ser visto na
Figura 3, que apresenta quatro cartogramas: o primeiro (A)
apresenta uma classificação baseada apenas nos valores das
bandas RGB; no segundo (B), foram mantidos os valores
das bandas, mas foi incluído o índice NGRDI; no terceiro
(C), combinou-se os valores das bandas com os valores do
MDS; por fim, no último (D), todas as variáveis foram
consideradas (as bandas, o NGRDI e o MDS).
A variação destas combinações justificou-se pelo
objetivo de analisar o tipo e nível de influência que cada
variável apresenta sobre o processo de classificação, além
de comparar seus resultados. Para isso foram gerados os
valores de acurácia e do índice Kappa com base na matriz
de erro para cada uma das classificações.
A Figura 3 apresenta o resultado da classificação
através de GEOBIA, usando o eCognition, na qual foram
considerados como Descritores as bandas RGB do
ortofotomosaico, a Média da banda R e o MDS para a
montagem da árvore de decisões. Nesta abordagem optou-se
por não utilizar o NGRDI pois houve menos diferenciação
com este descritor.
4. DISCUSSÃO
4.1. Algoritmo Random Forest com a plataforma
Google Earth Engine
Considerando os resultados gerados através do Random
Forest expostos na Figura 2, nota-se que a classificação A
gerou resultados insatisfatórios ao expor uma mesclagem
exagerada dentre os diferentes tipos fisiográficos do
manguezal, que não é observada em campo. Um dos
https://proceedings.science/p/164743?lang=pt-br
principais aspectos que contribuiu para tal resultado foi a
utilização apenas dos valores das bandas do espectro visível
como variáveis para a diferenciação da cobertura vegetal, o
que se mostrou insuficiente.
A classificação B, com o acréscimo do NGRDI,
apresentou uma grande conformidade com a classificação
elaborada somente com o RGB. Contudo, a classificação
mostrou-se capaz de distinguir as áreas cobertas com solo
exposto de forma um pouco mais criteriosa. A Tabela 2
apresenta as áreas ocupadas pelas classes e nela pode ser
observado que a classe Solo Exposto cresceu para 926m²
nesta classificação. Nota-se, portanto, que o índice de
vegetação, permitiu distinguir com mais eficiência as áreas
sem vegetação.
Na classificação C, realizada associando os valores do
MDS juntamente ao RGB, a classificação está mais ajustada
com o observado em campo, possibilitando observar uma
maior diferenciação da fisiografia da cobertura de mangue:
a maior densidade ocupa as partes do terreno mais próximas
à água, onde predomina a ocorrência da espécie de mangue
conhecida como Mangue-Vermelho, do gênero Rhizophora.
Nessa classificação, percebe-se a importância do MDS no
processo. Há uma redução, porém, da área coberta por solo
exposto, conforme a Tabela 2.
Por fim, na classificação D, contendo todos os dados
disponíveis, observou-se o melhor resultado. A inserção do
NGRDI foi fundamental para a diferenciação das respostas
espectrais dos alvos presentes, já o MDS, contribuiu para a
diferenciação com base nas alturas dos diferentes tipos de
cobertura. Nesse cenário, tanto a acurácia quanto o índice
Kappa apresentaram os maiores valores dentre todos os
demais cenários usando o GEE (Tabela 1), e a classificação
demonstrou-se a mais próxima da realidade observada em
campo.
2647
 GEOBIA Pixel-a-pixel mesmo usando ortofotomosaico de altíssima resolução (4
cm).
Kappa 0,9053 0,8588 Como estudos futuros, objetiva-se comparar o
Acurácia Total 0,9375 0,9063 mapeamento através de classificação de dados de VANT
(ortofotomosaico RGB e MDS) com um mapeamento feito
Tabela 1: Kappa e Acurácia total das classificações com imagem orbital de alta resolução (50 cm) e bandas no
infravermelho próximo na região de manguezal em
4.2. Método GEOBIA com eCognition Guaratiba-RJ.
A classificação pelo método GEOBIA apresentou uma boa 6. AGRADECIMENTOS
similaridade com as classificações pixel a pixel realizadas
no GEE que utilizaram o MDS como um dos parâmetros. Os autores agradecem a FUNBIO pelas bolsas de graduação
Notou-se grande conformidade da área da classe Franja, e custeio do trabalho de campo e ao CNPq pela bolsa de
correspondente à faixa próxima d’água, onde há mestrado.
predominância de Rizophoras (Mangue-Vermelho). Dentre
as classes propostas, esta apresentou maior paridade entre os 7. REFERÊNCIAS
resultados de ambos os métodos, ocupando uma área 8,01%
menor quando comparada à mesma classe obtida pela [1] C. N. Francisco; C. M. Almeida. Interpretação de imagens
classificação D, feita com o GEE, como mostra a Tabela 2. orbitais por meio de sistema especialista para o mapeamento de
Por outro lado, o resultado da comparação da classe Bacia cobertura da terra em região montanhosa. Sociedade & Natureza,
apresentou um área 17% maior quando comparado ao valor v. 24, p. 283-302, 2012.
obtido através do GEE. Tanto as classes Zona de Transição [2] L. F. S. G. Carvalho; R. F. Barros. O uso de VANT como
quanto Solo Exposto indicaram resultados menores quando ferramenta para estimativa de altura de dossel em manguezal: um
estudo investigativo em Guaratiba, Rio de Janeiro, Brasil. Revista
comparadas às suas correspondentes, tendo a primeira
Tamoios, v. 16, n. 3, 2020.
apresentado 13,63%, e a segunda 30,31% do valor obtido [3] C. L. Boa Morte, R. S. Barros. Análise de vegetação através de
através do GEE. Os valores de Acurácia Global e Kappa índices gerados a partir de dados obtidos com VANT, 10ª Semana
foram de 0,9375 e 0,9053, respectivamente. de Integração Acadêmica, Caderno de Resumos: Centro de
As diferenças em geral são maiores do que o esperado, Ciências Matemáticas e da Natureza: pp. 206, 2019
mas mantém-se uma coerência na distribuição espacial. Tais [4] A. E. Lugo, S. C. Snedaker. The Ecology of Mangroves.
discrepâncias de áreas justificam-se também pelo efeito de Annual review of ecology and systematics, p. 39-65, 1974.
salpicamento nas imagens, que é comum em classificações [5] Menghini, R. P. (2004). Ecologia de manguezais: grau de
feitas com o método pixel-a-pixel [11]. perturbação e processos regenerativos em bosque de mangue da
Ilha Barnabé, Baixada Santista, São Paulo, Brasil (Doctoral
dissertation, Universidade de São Paulo).
Área de Solo [6] K. Navulur. Multispectral Image Analysis Using the
Franja Bacia Transição Exposto Object-Oriented Paradigm. CRC Press, Boca Raton, 2006
[7] A. M. B. Machado, T. C. S. Rodrigues. Comparação de
A 16450,87 3138,12 7883,19 773,32
métodos de classificação para o mapeamento da cobertura da terra
B 13281,67 6468,71 7568,8 926,32 no setor norte da ilha do maranhão. Revista Geociências, v. 39, n.
04, p. 1129-1140, 2020..
C 11590,71 7888,34 7975,99 790,46 [8] R. F. Nascimento, 2022. Estudo comparativo de modelos
digitais de elevação gerados por LIDAR e por VANT em uma área
D 11584,46 7942,40 7813,93 904,71
de manguezal. (No prelo)
GEOBIA 11574,23 9290,54 6749,19 630,45 [9] R. Jannoura et al. Monitoring of crop biomass using true colour
aerial photographs taken from a remote controlled hexacopter.
Tabela 2. Área das classes obtidas pelos métodos propostos(em m²).
Biosystems Engineering, v. 129, p. 341-351, 2015.
[10] P. M. M. Almeida. Na rede do mapeamento: Uma análise da
5. CONCLUSÕES resposta espectral da floresta de mangue e do mapa como actante
no espaço científico. Tese de Doutorado. PGG-MA/UERJ. 2015
Pode-se concluir que o MDS é um dado importante no [11] G. F. B. Arcoverde et al. Mapeamento de citros: avaliação de
mapeamento de manguezais, reforçando o observado por classificações por árvore de decisão. Revista Brasileira de
[12] em área de restauração de Mata Atlântica de baixada. Cartografia. v. 62, n.1, p. 91-102, 2010.
Utilizando estes dados, os mapeamentos por GEOBIA ou [12] R. C. Souza. Investigação de Parâmetros de Correlação entre
pelo Random Forest/GEE mostram muito mais Dados Físicos e Espectrais em subsídio à Análise Espacial aplicada
semelhanças, principalmente ao destacar a faixa marginal a plantios de reposição ambiental na Reserva Biológica de Poço
onde predomina o Mangue-Vermelho (Rhizophora). Sem o das Antas, RJ: uma aplicação utilizando VANT. Dissertação de
uso destes dados e sem o infravermelho, o mapeamento do Mestrado. IGEO/UFRJ. 2019.
mangue não se aproxima do que é observado em campo,

https://proceedings.science/p/164743?lang=pt-br 2648
Powered by TCPDF (www.tcpdf.org)