RBGeo 15 Colaresetal
RBGeo 15 Colaresetal
RBGeo 15 Colaresetal
net/publication/280676427
CITATIONS READS
0 610
4 authors, including:
4 PUBLICATIONS 12 CITATIONS
Federal Rural University of Rio de Janeiro
46 PUBLICATIONS 90 CITATIONS
SEE PROFILE
SEE PROFILE
SEE PROFILE
Some of the authors of this publication are also working on these related projects:
GEOTECNOLOGIAS E CARTOGRAFIA HISTÓRICA NO AUXÍLIO À ANÁLISE DA ORGANIZAÇÃO ESPACIAL DA ÁREA GÊNESE DE PETRÓPOLIS - RJ View project
All content following this page was uploaded by Gustavo Mota de Sousa on 04 August 2015.
RESUMO – O Parque Nacional do Itatiaia é a primeira Unidade de Conservação do Brasil e faz parte do bioma Mata
Atlântica e do Mosaico de Unidades de Conservação da Serra da Mantiqueira. O objetivo do estudo é a elaboração de
um mapa de cobertura da terra através da Análise de imagens baseada em objetos geográficos – GEOBIA utilizando o
software de código aberto InterIMAGE. A metodologia utilizou uma imagem AVNIR-2/ALOS e Modelo Digital de
Elevação – DEM e realizou a classificação através de dois projetos elaborados em conjunto. As classes foram
identificadas como auxlío de uma rede semântica que utilizou operadores baseados no Índice de Vegetação da
Diferença Normalizada – NDVI; segmentadores Baatz e crescimento de regiões. Os resultados foram observados
através da construção de uma matriz de confusão que indicou o índice kappa de 0.76; a exatidão global de 79% e; o
índice de exatidão por classe que apontou diferenças de resultados entre 68,4% a 100%, mostrando uma
heterogeneidade de respostas para cada classe. A classificação de modo geral teve bons resultados e é indicada para
aplicação em outras Unidades de Conservação, a fim de fornecer subsídios para controle e monitoramento dessas áreas
protegidas.
Palavras-chave: Análise de Imagens Orientada a Objeto, NDVI, Rede Semântica.
ABSTRACT – The Itatiaia National Park is the first of Brazil Conservation Unit and is part of the Atlantic Forest and
the Mosaic of the Serra da Mantiqueira Protected Areas. The objective is the development of a land cover map by
GEographic Objects-Based Image Analysis - GEOBIA using the open source software InterIMAGE. The methodology
used a AVNIR-2/ALOS image and Digital Elevation Model - DEM and performed the classification through two
projects jointly prepared. The classes were identified as aid of a semantic network that used operators based Normalized
Difference Vegetation Index - NDVI; Baatz and region growing segmenters. The results were observed through the
construction of a confusion matrix that indicated the kappa index of 0.76; the overall accuracy of 79% and; the accuracy
index for class that showed differences in results between 68.4% and 100%, showing a diversity of responses for each
class. The general classification had good results and is suitable for application in other protected areas in order to
provide a basis for control and monitoring of these protected areas.
Keywords: Object-Based Image Analysis, NDVI, Semantic Net.
24
Rev. Bras. Geom., v.3, n. 1, p.24-31, 2015 ISSN 2317-4285
Universidade Tecnológica Federal do Paraná, Pato Branco, PR, Brasil
25
Rev. Bras. Geom., v.3, n. 1, p.24-31, 2015 ISSN 2317-4285
Universidade Tecnológica Federal do Paraná, Pato Branco, PR, Brasil
A segmentação e classificação da imagem foram imagem, vetores (GIS) e Modelo Digital de Elevação
realizadas no InterIMAGE que é um software gratuito (DEM). Em seguida, a classificação se divide no controle
desenvolvido pelo Laboratório de Visão Computacional – do sistema em duas etapas definidas por operadores e
LVC/PUC-Rio em conjunto com a Divisão de regras top-down e bottom-up. Os operadores top-down
Processamento de Imagens – DPI/INPE e Divisão de realizam a segmentação da imagem e geram hipóteses de
Sensoriamento Remoto – DSR/INPE. O método de objetos que foram identificados, e os operadores bottom-
funcionamento do software pode ser observado na Fig. 4. up confirmam (ou validam) tais hipóteses e concluem na
A entrada de dados no InterIMAGE se dá a partir da classificação final. A saída indica mapas temáticos de
definição da rede semântica, em que a rede hierárquica diversas áreas do conhecimento ambiental que podem ser
(nó pai e nó filho) opera através do relacionamento entre inseridas dentro da modelagem que o software oferece.
as classes que vão desde uma classe geral até chegar a
classes mais específicas. A inserção de dados podem ser
26
Rev. Bras. Geom., v.3, n. 1, p.24-31, 2015 ISSN 2317-4285
Universidade Tecnológica Federal do Paraná, Pato Branco, PR, Brasil
A classificação se deu na construção de dois projetos entre esses dois tipos de floresta ombrófila densa dentro
(Projeto 1 e Projeto 2) com o objetivo de otimizar os da área do PNI.
processamentos no software que demonstrou outra
versatilidade que indica a possibilidade de elaboração de
diferentes estratégias para a geração do modelo de
conhecimento (Fig. 5). O Projeto 1 apresentou uma rede
semântica com três classes gerais denominadas vegetação,
não vegetação e sombra, sendo as duas primeiras com
subdivisões.
As classes gerais de vegetação e não vegetação
foram divididas por meio do operador de segmentação
baseado no Índice NDVI (Índice de Vegetação da
Diferença Normalizada) denominado Terra Aida NDVI
Segmenter. Esse operador realiza a identificação das áreas
verdes vegetadas pelo “verdor” das folhas através das
bandas 3 (vermelho) e 4 (infravermelho próximo) da
imagem AVNIR-2/ALOS. As áreas com valor de NDVI
acima de 0.09 conseguiram identificar a vegetação
existente na imagem e abaixo desse valor, as áreas foram
denominadas como não vegetação.
A classe que identificou as áreas sombreadas na
imagem realizou esta classificação por meio do operador
de aritmética de bandas que é denominado por Terra Aida
Arithmetic. Esse operador realizou a classificação de
sombra através de limiares mínimo e máximo de 0 e 13,
respectivamente, que foram adquiridos pela soma das
quatro bandas do AVNIR-2/ALOS divididas por quatro,
atingindo a média aritmética. Figura 5 - Rede semântica elaborada para o estudo
O nó referente à vegetação foi dividido em duas
classes denominadas de floresta e campo através do A altitude também foi determinante para dividir as
segmentador baseado no NDVI, em que a primeira foi classes de vegetação denominadas: Campo de Altitude e
identificada pelo valor acima de 0.35. Essa divisão tornou Herbácea. As áreas acima de 2350 metros observados
visível as áreas de vegetação com características de porte durante as idas à campo foram determinadas para campo
mais alto (floresta) e mais baixa (campo). As áreas de de altitude e abaixo foram identificadas como herbácea.
floresta foram divididas em Alto Montana (acima de 1700 Nos casos de utilização da altitude observada pelo DEM
metros) e Montana através do DEM que apresenta a com o objetivo da divisão de classes foi utilizado o
altimetria da área. A altitude em 1700 metros é baseada operador de segmentação Baatz (Terra Aida Baatz
nos estudos de Brade (1956) que percebeu a transição Segmenter) com os seguintes parâmetros: escala 50;
27
Rev. Bras. Geom., v.3, n. 1, p.24-31, 2015 ISSN 2317-4285
Universidade Tecnológica Federal do Paraná, Pato Branco, PR, Brasil
compacidade 0.9, cor 0.8; distância euclidiana 20, de um gráfico de dispersão (Scatter Plot), para
conforme pode ser observado pela Tab. 2. identificação de água.
O gráfico de dispersão está disponível no módulo
Tabela 2 - Operadores e atributos utilizados para a classificação Analysis Manager existente no InterIMAGE que
Atributos/ possibilitou o uso de atributos como média de bandas,
Classe Dados Operadores
Parâmetros entropia, brilho e outras operações booleanas que
NDVI indicaram a separação das classes que possibilitaram um
Vegetação AVNIR-2 Limiar: 0.09
Segmenter
refinamento visual Esses atributos foram extraídos das
NDVI
Floresta AVNIR-2 Limiar: 0.35 bandas da imagem AVNIR-2 e propiciaram a simulação
Segmenter
Alto AVNIR-2; Baatz Escala: 50; de diversas condições de classificação.
Montana MDE Segmenter DEM > 1700
Dummy Não foi inserida 3. RESULTADOS E DISCUSSÃO
Montana AVNIR-2
Topdown nenhuma regra.
Campo de AVNIR-2; Baatz Escala: 50; A classificação da cobertura da terra realizada no
Altitude MDE Segmenter DEM > 2350 InterIMAGE resultou no mapa temático que pode ser
Dummy Não foi inserida observado na Fig. 5 e os relacionamentos entre as classes
Campo AVNIR-2
Topdown nenhuma regra. podem ser verificados na Tab. 3.. A realização da
Dummy Não foi inserida classificação em dois projetos propiciou uma separação
Herbácea AVNIR-2
Topdown nenhuma regra.
visual satisfatória das classes de cobertura da terra
Não Shapefile
Vegetação
Shapefile
Import
Nome do atributo existentes na imagem AVNIR-2/ALOS.
Region A divisão entre as áreas de vegetação e não
Média banda 4 < vegetação através do segmentador baseado no NDVI
Água AVNIR-2 Growing
23.386576 indicaram resultados iniciais importantes para o processo
Segmenter
Banda 4 / Banda de classificação que agilizaram a identificação das classes
3 < (média banda mais específicas que foram apresentadas no mapa final.
Region
Área 4- - O processo de divisão de classes mais generalizadas
AVNIR-2 Growing
Urbana 16.819151)/99.1 para classes mais específicas com o auxílio da rede
Segmenter
46139; Brilho > semântica, seguindo o padrão de hereditariedade,
76.780341
trouxeram um refinamento ao conhecimento de geração
Dummy Não foi inserida
Nuvem AVNIR-2 de cada classe de cobertura da terra seguindo uma
Topdown nenhuma regra.
Entropia banda 4 metodologia mais didática e cuidadosa.
Region As classes referentes às áreas de vegetação tiveram o
> 3.593647;
Queimada AVNIR-2 Growing auxílio do operador Baatz com atributo de altitude, obtido
Brilho <
Segmenter por meio do DEM que buscou indicar as áreas de
58.166002
Escala: 20; transição entre a “floresta ombrófila densa montana” e a
DEM > 2000m; “floresta ombrófila densa alto montana” seguindo a
Brilho > proposta de Brade (1956). Essa divisão foi mais complexa
44.370479; se comparada ao uso da altitude para identificar as áreas
Baatz Razão banda 3 > de “campo de altitude” e “vegetação herbácea”sendo que,
Rocha AVNIR-2
Segmenter 0,244658;
neste caso, são áreas que não possuem muita proximidade
Entropia MDE >
(media banda 4 - se verificarmos as partes baixa e alta do PNI.
35.128227) / - As áreas não vegetadas que foram inseridas no
1.143965) projeto 2 se apresentam como de maior complexidade
Média aritimetica conforme se observou na Tab. 2, em que os atributos
Sombra AVNIR-2 Arithmetic
das 4 bandas e utilizados necessitaram de combinação com o auxílio de
limiar entre 0 e um gráfico de dispersão para identificação das classes de
13 água, rocha, nuvem, área urbana e queimada.
A classe de sombra foi identificada a partir da
O projeto 2 inicia-se a partir da importação do utilização do operador Aritmético em que foi inserida a
resultado de não vegetação extraído do projeto 1 em média aritmética das quatro bandas do sensor AVNIR-2
vetor. A rede semântica do projeto 2 foi dividida nas através de um limiar mínimo e máximo que resultou na
classes de área urbana, queimada, nuvem, rocha e água extração dessas áreas.
conforme se verifica na Fig. 4. Para este projeto foi usado A matriz de confusão apresentada na Tab. 3
os operadores de segmentação Baatz e crescimento de propiciou a construção dos índices Kappa e de exatidão
regiões (Terra Aida Region Growing) conforme é global que resultaram em 0.76 e 79%, respectivamente. A
observado na Tab. 2. A classe rocha utilizou o operador elaboração da matriz de confusão se deu através do
Baatz, com atributos de brilho, média da banda 4 e auxílio de um fotointérprete que identificou manualmente
entropia do DEM. Para a classe água usou-se o um conjunto de amostras com base na imagem AVNIR-2
segmentador de crescimento de regiões com atributos de e em experiências de campo.
brilho e média da banda 4, que foram associados através
28
Rev. Bras. Geom., v.3, n. 1, p.24-31, 2015 ISSN 2317-4285
Universidade Tecnológica Federal do Paraná, Pato Branco, PR, Brasil
29
Rev. Bras. Geom., v.3, n. 1, p.24-31, 2015 ISSN 2317-4285
Universidade Tecnológica Federal do Paraná, Pato Branco, PR, Brasil
Campo de Altitude
Fotointérprete
Alto Montana
Área Urbana
Queimada
Herbácea
Montana
Sombra
Nuvem
Rocha
Água
Classificação
Queimada 6 0 0 0 4 0 0 0 0 0
Área Urbana 1 27 0 0 2 0 0 0 0 0
Montana 0 0 20 12 3 0 0 0 0 0
Alto Montana 0 0 1 26 1 3 0 0 0 0
Herbácea 0 4 0 0 36 2 0 4 1 0
Sombra 0 0 0 0 5 42 0 0 1 0
Campo de Altitude 0 0 0 0 2 4 27 0 4 0
Nuvem 0 0 0 0 3 0 3 42 0 0
Rocha 0 1 0 0 0 0 7 0 26 0
Água 0 0 0 0 0 0 0 0 0 7
Exatidão por classe (%) 85,7 84,4 95,2 68,4 75,0 82,3 79,4 91,3 83,9 100
A matriz de confusão (Tab. 3) indica os acertos na que está localizada a Rodovia Presidente Dutra e as
classificação e a confusão apresentada entre algumas quadras da área urbana do município de Itatiaia.
classes que são observadas além do índice Kappa As classes de sombra apresentaram confusão com
registrado com o valor de 0,76, considerado muito bom outras classes que estavam representadas próximas, ou
por Landis e Koch (1977) e, a exatidão global de 79%. que possuem alguma representatividade espectral como é
Os resultados de exatidão por classe verificados na o caso de áreas de floresta alto montana e de campo de
Tab. 3 apontam excelente classificação para a classe água altitude que são localizadas em área com grande
(100%) que não apresentou confusão com nenhuma outra declividade registradas por áreas sombreadas. Além da
classe. Esse fato ocorreu devido a facilidade de detecção classe de sombra, é importante ressaltar que as áreas com
de grandes corpos d´água localizados na Represa do nuvem durante o registro da imagem do AVNIR-2
Funil, próximos à Rodovia Presidente Dutra. A disposição poderão ser incorporadas por meio de outra passagem do
desse alvo facilitou o uso da média da banda 4 sensor que irão facilitar a classificação, apesar do
(infravermelho próximo) para identificação, mesmo sendo excelente resultado de 91,3% de exatidão por classe.
uma classe pertencente à áreas não vegetadas.
A utilização do DEM como parâmetro de separação 4. CONCLUSÕES
de classes em conjunto com o NDVI foi importante para
as áreas de floresta e campo. No caso de floresta Montana A classificação de cobertura da terra realizada por
e alto Montana, esse parâmetro indicou melhor resultado GEOBIA com o auxílio do software InterIMAGE
para a primeira que atingiu a exatidão de 95,2. Já em apresentou resultados promissores. Para a definição de
relação a classe de alto Montana, o resultado se mostrou vegetação mostrou-se resultados satisfatórios, podendo
diferente demonstrando confusão com Montana em melhora-los mais, pois o segmentador baseado no NDVI,
algumas áreas e apresentando a exatidão por classe em se mostrou eficaz mas indicou a necessidade de outros
68,4%, a menor registrada entre todas as classes. A parâmetros. Os conflitos observados entre as classes de
vegetação de campo de altitude e herbácea mostraram áreas vegetadas podem ser refinados com outros ajustes e
resultados de exatidão semelhantes de 79,4 e 75%, inserção de outras variáveis ambientais.
respectivamente. A classificação de modo geral teve um bom
As classes de rocha e campo de altitude indicaram resultado, podendo esse tipo de estudo ser aplicado para
exatidão de 83,9% e 79,4% respectivamente e, outras Unidades de Conservação, a fim de fornecer
apresentaram confusão por se localizarem na Parte Alta subsídios para controle e monitoramento dessas áreas
do PNI em que são predominantes. Apesar do uso do protegidas.
NDVI para identificação da vegetação de campo de Em trabalhos futuros pretende-se ampliar a
altitude, a classe de rocha apresentou melhor resultado na abordagem com imagens de média resolução disponíveis
comparação. dos sensor OLI/Landsat 8 e dados RapidEye, com alta
As áreas urbanas apresentaram confusão com as resolução espacial, já adquiridos pelo PNI através do
classes de vegetação herbácea e rocha que possuem Ministério do Meio Ambiente.
características realmente semelhantes espectralmente Além disso, é importante ressaltar que o software
além de proximidade espacial na Parte Baixa do PNI em InterIMAGE encontra-se em desenvolvimento para novos
30
Rev. Bras. Geom., v.3, n. 1, p.24-31, 2015 ISSN 2317-4285
Universidade Tecnológica Federal do Paraná, Pato Branco, PR, Brasil
31