Professional Documents
Culture Documents
INSTITUTO DE GEOCINCIAS
DISSERTAO DE MESTRADO n 45
DENILSON PEREIRA PASSO
Braslia-DF
Maro 2013
UNIVERSIDADE DE BRASLIA
INSTITUTO DE GEOCINCIAS
Braslia-DF
Maro 2013
ii
UNIVERSIDADE DE BRASLIA
Instituto de Geocincias
BANCA EXAMINADORA
_____________________________________________________________
_____________________________________________________________
_____________________________________________________________
AGRADECIMENTOS
RESUMO
vi
ABSTRACT
vii
ENVI
c*
Erro de comisso
o*
Erro de omisso
ep
Exatido do produtor
eu
Exatido do usurio
GEOBIA
Ki
Kappa condicional;
MAX*
MAXVER
Maxima Verossimilhanca
MNF
NDVI
OBIA
OBJ*
PDI
Po
Exatido Global
PPI
Pr
Concordncia esperada
REG*
SAM
SIG
SPRING
UTM
viii
SUMRIO
RESUMO... ................................................................................................................................. vi
ABSTRACT ............................................................................................................................... vii
LISTA DE SIGLAS E ABREVIATURAS ............................................................................... viii
LISTA DE FIGURAS ................................................................................................................. xi
LISTA DE QUADROS ............................................................................................................. xvi
1
INTRODUO ......................................................................................................... 1
OBJETIVOS .............................................................................................................. 3
3.1
3.1.1
3.1.1.1
3.1.2
3.1.2.1
Segmentao .............................................................................................................. 8
3.1.2.2
3.1.2.3
3.1.2.4
3.1.2.5
3.1.2.6
3.1.3
3.1.3.1
3.2
3.2.1
3.2.2
3.2.3
3.2.3.1
3.2.3.2
3.2.3.3
3.2.3.4
3.2.3.5
4.1
4.1.1
reas-teste ............................................................................................................... 29
4.2
Materiais utilizados.................................................................................................. 32
4.3
Mtodos ................................................................................................................... 33
4.3.1
4.3.2
4.3.3
RESULTADOS E DISCUSSO............................................................................. 47
5.1
Segmentaes .......................................................................................................... 47
5.2
5.3
5.4.1
5.4.2
5.4.2.1
Asfalto...................................................................................................................... 76
5.4.2.2
5.4.2.3
5.4.2.4
5.4.2.5
5.4.2.6
5.4.2.7
5.4.2.8
5.4.2.9
Piscina ...................................................................................................................... 89
5.4.2.10
5.4.2.11
Sombra ..................................................................................................................... 91
5.4.2.12
5.4.2.13
6.1
6.2
LISTA DE FIGURAS
Figura 49 - Espectro dos alvos: Cobertura Cermica Clara (linha em preto), Cobertura
Cermica (linha em vermelho) e Solo Exposto (linha em azul) ................................................. 80
Figura 50 - Coeficientes de concordncia para a classe Cobertura Cermica ........................... 81
Figura 51 - Mdia (a) e desvio-padro (b) dos coeficientes de concordncia para a classe
Cobertura de Cermica ............................................................................................................... 81
Figura 52 - Coeficientes de concordncia para a classe Cobertura de Cimento Claro.............. 82
Figura 53 - Mdia (a) e desvio-padro (b) dos coeficientes de concordncia para a classe
Cobertura de Cimento Claro ....................................................................................................... 83
Figura 54 - Espectro dos alvos: Cobertura de Cimento Claro (linha em preto) e Cobertura de
Cermica Clara (linha em vermelho).......................................................................................... 83
Figura 55 - Coeficientes de concordncia para a classe Cobertura de Cimento Escuro ........... 84
Figura 56 - Mdia (a) e desvio-padro (b) dos coeficientes de concordncia para a classe
Cobertura de Cimento Escuro .................................................................................................... 84
Figura 57 - Coeficientes de concordncia para a classe Cobertura de Cimento Mdio ............ 85
Figura 58 - Mdia (a) e desvio-padro (b) dos coeficientes de concordncia para a classe
Cobertura de Cimento Mdio ..................................................................................................... 85
Figura 59 - Espectro dos alvos: Cobertura de Cimento Mdio (linha em preto) e Asfalto (linha
em vermelho). ............................................................................................................................. 86
Figura 60 - Coeficientes de concordncia para a classe Cobertura Cimento Verde ................. 87
Figura 61 - Mdia (a) e desvio-padro (b) dos coeficientes de concordncia para a classe
Cobertura de Cimento Verde ...................................................................................................... 87
Figura 62 - Coeficientes de concordncia para a classe Cobertura Metlica ............................ 88
Figura 63 - Mdia (a) e desvio-padro (b) dos coeficientes de concordncia para a classe
Cobertura Metlica ..................................................................................................................... 88
Figura 64 - Espectro dos alvos: Cobertura de Cimento Mdio (linha em preto) e Cobertura
Metlica (linha em vermelho)..................................................................................................... 89
Figura 65 - Coeficientes de concordncia para a classe Piscina ............................................... 90
Figura 66 - Mdia (a) e desvio-padro (b) dos coeficientes de concordncia para a classe
Piscina......................................................................................................................................... 90
Figura 67 - Coeficientes de concordncia para a classe Solo Exposto...................................... 91
Figura 68 - Mdia (a) e desvio-padro (b) dos coeficientes de concordncia para a classe Solo
Exposto ....................................................................................................................................... 91
Figura 69 - Coeficientes de concordncia para a classe Sombra............................................... 92
xiii
Figura 70 - Mdia (a) e desvio-padro (b) dos coeficientes de concordncia para a classe
Sombra ........................................................................................................................................ 92
Figura 71 - Coeficientes de concordncia para a classe Vegetao Arbrea ............................ 93
Figura 72 - Mdia (a) e desvio-padro (b) dos coeficientes de concordncia para a classe
Vegetao Arbrea ..................................................................................................................... 94
Figura 73 - Coeficientes de concordncia para a classe Vegetao Rasteira ............................ 94
Figura 74 - Mdia (a) e desvio-padro (b) dos coeficientes de concordncia para a classe
Vegetao Rasteira ..................................................................................................................... 95
Figura 75 - Espectro dos alvos: Vegetao Rasteira (linha em preto) e Vegetao Arbrea
(linha em vermelho).................................................................................................................... 95
xiv
LISTA DE TABELAS
xv
LISTA DE QUADROS
xvi
INTRODUO
Uma das principais fontes de dados para mapeamentos de uso e cobertura do solo so
imagens orbitais de sensoriamento remoto. Entretanto, at meados da dcada de 1990 no
existiam imagens com resoluo espacial suficiente para identificar e mapear alvos em
ambientes urbanos. Assim, a fotogrametria foi, por muito tempo, a nica fonte de dados para
este tipo de estudo. Porm, o alto custo para obteno das fotografias areas, aliado as suas
limitaes de resoluo espectral, impediram a produo em larga escala de estudos mais
detalhados de reas urbanas.
O lanamento do satlite Ikonos II, em 1999, deu incio a uma onda de lanamentos de
novos satlites capazes de produzir imagens de alta resoluo espacial com bandas em
diferentes faixas do espectro eletromagntico, o que trouxe grandes inovaes para estudos que
envolvam mapeamentos de espaos urbanos.
As tcnicas de sensoriamento remoto contam, atualmente, com a utilizao de
modernas plataformas areas e orbitais capazes de produzir imagens multi e hiperespectrais de
alta resoluo espacial, temporal e radiomtrica aumentando a capacidade de discriminar, cada
vez melhor, os alvos da superfcie terrestre e ampliando significativamente o leque de
aplicaes, representando um importante suporte para a soluo de problemas em diversas
reas, tais como cadastro urbano, cadastro rural, planejamento e gesto ambiental, entre outros.
Esta evoluo permitiu o aumento da utilizao de dados de sensoriamento remoto em
reas urbanas, o que tem contribudo para pesquisas no tema, acerca da criao de novas
abordagens metodolgicas e melhorias em metodologias j existentes, otimizando a extrao
de informaes de imagens.
Um grupo importante destas metodologias est relacionado com a classificao de
imagens, que consiste no reconhecimento de padres espectrais e espaciais permitindo a
gerao de classes informacionais.
Com a nova gerao de sistemas de sensores, os classificadores tradicionais, tais como
pixel a pixel e por regies, vm sendo alvo de diversos estudos comparativos (Pinho et al.
2005; Arcoverde et al. 2010; Bernardi et al. 2007; Zanardo et al. 2009; Xiaoxia et al. 2005;
AL-Ahmadi & Hames, 2009; Kamagata et al. 2005), pois o elevado grau de detalhes em
imagens de alta resoluo apresenta uma grande confuso espectral causada pela repetio de
alvos naturais e sintticos, pela complexidade e heterogeneidade causadas por tamanho e
formas diversas, e composies variadas. Estas caractersticas tornam a variao espectral um
1
OBJETIVOS
Este trabalho tem como objetivo geral avaliar as potencialidades e a acurcia dos
REVISO BIBLIOGRFICA
3.1
Sensoriamento Remoto
No decorrer das ltimas quatro dcadas, o planeta Terra comeou a ser olhado e
vistoriado por sensores imageadores que, praticamente, capturam tudo que est presente na
superfcie terrestre ou que nela est se modificando. Isso est sendo feito com o explcito
objetivo de se obter imagens peridicas que possibilitem o monitoramento do meio ambiente
em uma escala global e a obteno de melhores informaes acerca dos recursos naturais
renovveis e no renovveis (MENESES & ALMEIDA, 2012).
Shimabukuro (1996) aponta que a necessidade do ser humano de ler o seu entorno,
coletando cada vez mais informaes com maior preciso sobre a relao de suas atividades
socioeconmicas com a natureza, tem motivado o desenvolvimento contnuo do sensoriamento
remoto e de suas ferramentas para mapear e monitorar os recursos naturais.
Segundo Jensen (2000), sensoriamento remoto a arte e a cincia da obteno de
informao sobre um objeto, sem contato fsico direto. A tecnologia cientfica pode ser usada
para medir e monitorar importantes caractersticas biofsicas e atividades humanas. Silva
(2001) afirma que esta tecnologia pode registrar informaes em condies de campo,
aerotransportados ou colocados em plataformas orbitais. Quando colocados em plataformas
orbitais, os dados coletados apresentam algumas vantagens em relao queles coletados no
campo ou aerotransportados. Os sensores orbitais permitem obter uma viso ampla e peridica
da rea imageada.
A grande diversidade de sensores possibilita a obteno de imagens com diferentes
caractersticas, as quais se adaptam s mais diversas aplicaes do sensoriamento remoto. Para
que a dinmica dos alvos terrestres possa ser observada e monitorada adequadamente, um dos
aspectos relevantes do sensoriamento remoto a frequncia temporal com que as imagens so
adquiridas pelos sensores a bordo de satlites. A anlise combinada de imagens adquiridas por
diferentes sensores/satlites em aplicativos de processamento de imagens e em Sistemas de
Informao Geogrfica (SIG) uma alternativa vivel para aumentar a frequncia de
observao dos alvos (MOREIRA et al., 2005).
Meneses & Almeida (2012) afirmam que, atualmente, h em circulao no espao
dezenas de sensores orbitais imageando a superfcie da Terra em todas as faixas espectrais
possveis, com os mais variados parmetros de resolues espacial, espectral, radiomtrica e
4
Coastal
Blue
Comp. de
585-625
Red-Edge
705-745
Infrared 2
Yellow
Near
Caracterstica
onda nm
860-1040
Alm disso, vrios estudos vm encontrando novas aplicaes para as bandas do sensor:
Carvalho (2011), Ribeiro et al. (2011), Souza (2005), Kux e Souza (2012) e Pinho et al. (2005)
realizaram testes com o Worldview II com o objetivo de efetuar mapeamento de cobertura do
solo em reas urbanas. Souza et al. (2005) realizaram estudos verificando a contribuio das
novas bandas espectrais do satlite Worldview II para a classificao de tipos de vegetais em
habitats costeiros. Zengeya et al. (2013) realizaram estudos verificando a contribuio das
novas bandas espectrais do satlite para estimar a qualidade da forragem (concentrao de
nitrognio), afim de explicar a distribuio de gado em uma pastagem. Eckert (2012) e
Mutanga et al. (2012) trabalharam com estimativa de biomassa florestal usando ndice de
vegetao por diferena normalizada (NDVI) e medidas de textura do Worldview II. Mutanga
et al. (2012), Pu & Landry (2012) e Immitzer et al. (2012) utilizaram as novas bandas
espectrais do satlite Worldview II para anlise espectral da vegetao e identificao de
espcies de rvores em reas urbanas.
3.1.2.1 Segmentao
A segmentao um importante processo na anlise de imagens de sensoriamento
remoto, este processo consiste em subdividir uma imagem em regies homogneas,
considerando algumas de suas caractersticas intrnsecas, como, por exemplo, o nvel de cinza
dos pixels e a textura que melhor representam os objetos presentes na cena (OLIVEIRA &
SILVA, 2005).
Dlugosz et al. (2005) afirmam que, por meio do processo de segmentao, possvel
obter, de maneira rpida, a discriminao e a delimitao de fragmentos. Os polgonos gerados
8
pela segmentao e posteriormente convertidos para vetor podem ser usados como amostras de
treinamento em futuras classificaes digitais e, ainda, em classificaes visuais por meio de
simples atribuio de classes.
De acordo com Ferreira (2011), os algoritmos de segmentao so geralmente baseados
em uma de duas propriedades bsicas: descontinuidades e similaridades. Na primeira categoria,
a ideia dividir a imagem levando em considerao variaes abruptas na intensidade dos
pixels. Na segunda, a abordagem particionar a imagem em regies que so similares de
acordo com algum critrio. O autor ainda destaca a relevncia do mtodo de segmentao por
regies, j que este produz objetos com bordas bem definidas e mostra-se robusto a imagens
tomadas em condies diversas de iluminao, rudo etc. Os mtodos de segmentao por
regies mais utilizados so: Divisor de guas (Watershed) e Crescimento de Regies.
A escolha do critrio de limiar de similaridade e do tamanho mnimo para os polgonos
que sero gerados est intimamente relacionada com o problema a ser solucionado, com o tipo
de imagem analisada e com a classe de objetos-alvo que se deseja encontrar (FERREIRA,
2011). Segundo Meneses & Almeida (2012), esse processo, inevitavelmente, acaba levando a
procedimentos de tentativa e erro at que se consiga uma configurao apropriada dos
segmentos gerados. Essa tarefa se torna mais complexa na medida em que mais heterognea
for a rea de estudo. Por exemplo, a segmentao de reas urbanas, onde normalmente
pretende-se obter muitas categorias diferentes no processo de classificao, um exemplo da
variedade de possibilidades que se tem para a gerao de polgonos, dependendo, naturalmente,
dos limiares de similaridade estabelecidos.
Muitos critrios podem ser definidos e, na verdade, existe uma gama razovel de
diferentes implementaes disponveis, dentre elas esto as metodologias de homogeneidade
intrarregies adotadas pelo segmentador do software Spring descrito por Bins et al. (1996) e a
metodologia de Segmentao Multirresoluo, proposto por Baatz & Schpe (2000), ambos
segmentadores de Crescimento de Regies.
3.1.2.2 Classificao por pixel Spectral Angle Mapper (SAM)
Classificadores pixel a pixel utilizam apenas a informao espectral do pixel para
encontrar sua classe mais provvel, traando uma probabilidade de um determinado pixel
pertencer ou no a uma determinada classe.
O algoritmo SAM, descrito por Kruse et al. (1993), faz uma classificao espectral
determinando a similaridade entre dois espectros por meio do clculo do ngulo formado entre
9
(3.1)
r = espectros de referncia; e
t = espectro do pixel.
O ngulo , determinado pelo cos-1, apresenta uma variao entre 0 e 90. Carvalho
Jnior & Meneses (2000) mostram que a equao acima pode tambm ser expressa como
cosseno de (Equao 3.2).
(3.2)
De acordo com Lopes (2006), a tcnica Maxver considera a ponderao das distncias
entre mdias dos nveis digitais das classes, utilizando parmetros estatsticos. Para que esta
classificao seja precisa necessrio um nmero razoavelmente elevado de pixels para cada
conjunto de treinamento. A partir dos conjuntos de treinamento pode ser gerado o diagrama de
disperso das classes e estimadas nas distribuies de probabilidade, considerando a
distribuio Gaussiana (distribuio normal) para cada classe do treinamento.
Para duas classes com distribuio de probabilidade distintas, as distribuies
representam a probabilidade de um pixel pertencer a uma ou outra classe, dependendo da sua
posio em relao a esta distribuio. Ocorre uma regio onde as duas curvas sobrepem-se,
indicando que um determinado pixel tem igual probabilidade de pertencer s duas classes.
Nesta situao estabelece-se um critrio de deciso a partir da definio de limiares. A figura 3
representa o limite de aceitao de uma classificao, no ponto onde as duas distribuies se
cruzam. Um pixel localizado na rea em cinza, apesar de pertencer classe 2, ser classificado
como classe 1 (INPE, 2008).
11
Portanto, na classificao Maxver, cada pixel destinado classe que tem a mais alta
probabilidade, isto , a mxima verossimilhana. Isso significa que para um pixel na posio x
do espao multiespectral, um conjunto de probabilidades computado e fornece a
possibilidade relativa do pixel pertencer a cada classe disponvel
| ) (MENESES &
ALMEIDA, 2012).
Segundo Richards & Jia (2006), as classes espectrais para uma imagem ser representada
pelo Teorema de Bayes podem ser expressas pela equao (3.3).
(
| ) i = 1,...M, onde:
(3.3)
: probabilidade;
: classe;
: posio do pixel; e
M: nmero total de classes.
Desta forma, um pixel x pertencer classe i se a probabilidade que associa o pixel a
esta classe for maior do que a probabilidade que associa o pixel a outra classe. Assim,
(
| )
| )
(3.4)
12
segmentao, e, por fim, descrever as classes quanto aos atributos, limiares, funes de
pertinncia Fuzzy e regras de agregao dos valores de pertinncia.
Assim, sistemas de interpretao de imagens baseados em OBIA, como o Definiens
Developer e o InterIMAGE (COSTA et al. 2008; COSTA et al. 2010), se utilizam destas
formas de representao do conhecimento e estratgia de anlise de diferentes maneiras, mas
sob a mesma lgica subjacente. Ou seja, o conhecimento implcito est presente nos algoritmos
de processamento de imagens (segmentao e classificao, basicamente) e o conhecimento
explcito encontra-se na forma de redes semnticas e hierrquicas, no caso do Definiens
Developer, e de redes semnticas e regras de deciso no InterIMAGE (NOVACK, 2009).
a descrio do espao de atributos de uma determinada classe pode ser imprecisa, o que
introduz incertezas na associao de um objeto a determinada classe.
Segundo Pinho (2006), a materializao destas premissas dada pelos procedimentos
QUALIDADES
LIMITAES
livre;
SPRING
GRASS GIS
OpenEv
Faz
anlise espacial,
edio de topologia.
Limitaes no processamento.
livre;
mapas;
Georreferenciamento de imagens.
InterIMAGE
livre;
Anlise OBIA;
Limitaes no processamento;
livre;
MultiSpec
Interface intuitiva;
Processamento hiperespectral;
Limitaes no processamento.
No precisa de instalao.
livre;
gvSIG
Faz
anlise espacial,
edio de topologia.
17
Faz
anlise espacial,
incluindo
edio de topologia;
ArcMap
Interface intuitiva;
proprietrio;
Conjunto
de
ferramentas
abrangente.
Conjunto
muito
abrangente
de
ferramentas;
Envi
proprietrio;
Interface intuitiva;
Processamento hiperespectral;
Visualizador n-dimensional.
Sistemas
ERDAS
especialistas
proprietrio;
Processamento hiperespectral;
Compresso de imagens.
GEODMA
Definiens
Developer
IDRISI Taiga
PCI
Geomatics
livre;
Ferramentas
dados;
minerao
de TerraView.
proprietrio;
Anlise OBIA;
Licena de alto custo;
Extrao de feies com qualidade;
Faz avaliao da preciso do No faz anlise de componentes
resultado.
principais.
Classificadores de redes neurais; proprietrio.
Abordagem multiescala.
Conjunto
de
ferramentas
abrangente;
proprietrio.
Interface intuitiva.
Mosaico automtico inteligente.
ERMapper
ILWIS
livre;
Conexo do banco de dados;
Interface intuitiva.
Limitaes no processamento.
18
19
3.2
Qualidade de dados
Segundo Monico et al. (2009), qualquer medida est sujeita aos mais variados tipos de
d os resultados so precisos porque esto prximos entre si, mas no so acurados porque
esto distantes do valor verdadeiro.
Comparando o alvo d com a situao ideal b, pode-se dizer que os dados de d
seguem um erro sistemtico e que (se fossem tiros no alvo, conclua-se que o atirador bom,
porm a arma deveria estar desregulada). J em no alvo a deduz-se que a mira da arma est
em ordem, mas o atirador no tem habilidade suficiente.
De acordo com Montgomery & Schuch (1993), citado por Antunes (1997), em qualquer
mapa temtico obtido por meio da classificao digital, pode ser efetuada a anlise da acurcia
referente s seguintes componentes:
posicional, que se refere preciso espacial do mapa e que varivel de acordo com a
sua escala; e
Total de
Linhas
i = Linhas (Classificao)
ni+
1
n11
n12
n1k
n1+
n21
n22
n2k
n2+
n2k
n2k
nkk
nk+
n+1
n+2
n+k
Total de Colunas
n+i
22
De acordo com Brites et al. (1996), entende-se por padro de amostragem a maneira,
em termos espaciais, em que as amostras sero tomadas sobre uma dada rea. Em
sensoriamento remoto, estes padres so de fundamental importncia, uma vez que, a depender
deles, poder-se- incorrer na incorporao de amostras com alta correlao espacial.
Dentre os padres de amostragem tm-se: amostragem totalmente casualizada, onde
todos os indivduos possuem igual chance de serem selecionados; a amostragem sistemtica,
onde a amostragem feita por um processo probabilstico no casualizado, seu critrio de
probabilidade se estabelece por meio da aleatorizao da primeira unidade amostral. A
amostragem sistemtica estratificada, que combina propriedades da amostragem sistemtica e
da amostragem estratificada, propiciando a cobertura de toda a rea de interesse e,
simultaneamente, preservando a casualidade do procedimento (BRITES et al., 1996).
Unidades de amostragem so as pores do mapa que sero selecionadas para avaliao
da preciso. Existem quatro escolhas possveis para a unidade de amostragem: (1) um nico
pixel, (2) um conjunto de pixels (muitas vezes um quadrado 3 x 3 pixels), (3) um polgono (ou
objeto) e (4) um conjunto de polgonos (CONGALTON & GREEN, 1999).
De acordo com Torrijos Cadena (2011), normalmente duas estratgias podem ser
usadas no sentido de calcular o nmero de amostras necessrias para computar a acurcia: a
distribuio binomial e a multinomial. O modelo binomial apenas apropriado para computar
o nmero de amostras necessrio para uma nica classe visto que este simplesmente faz a
distino entre classificao correta e incorreta e no leva em conta o conjunto de classes
analisadas. Por outro lado, na distribuio multinomial, o processo de validao no uma
questo apenas de certo ou errado, mas o erro deve ser classificado em relao ao total de
possibilidades (ou conjunto de classes), de modo que o uso dessa distribuio implica no
conhecimento a priori do nmero de classes e suas propores no mapa.
Congalton & Green (1999) afirmam que a criao de uma matriz de erros no
simplesmente uma questo de correto ou incorreto (o caso binomial), e sim uma questo de
qual ou quais categorias de erros esto confusas. Portanto, o uso de uma distribuio binomial
para a determinao do tamanho da amostra para uma matriz de confuso no apropriado e
sim uma distribuio multinomial, j que esta leva em considerao o nmero de classes. Com
base nisso, os autores apresentam a equao 3.5 para determinao do nmero de amostras:
23
(3.5)
N = nmero de amostras;
B = obtido de uma tabela de distribuio qui-quadrado com um grau de liberdade e 1 - / k;
k = nmero de classes;
1 - = grau de confiana;
= proporo da classe com maior rea no mapa; e
b = mximo erro admissvel.
A taxa de acerto ou Exatido Global (Po), proposta por Hellden et al. (1980) (Equao
3.6), calculada dividindo-se a soma dos valores da diagonal principal, que representa o
24
nmero de amostras classificadas corretamente nii, pelo nmero total de amostras coletadas N,
ou seja:
(3.6)
(3.7)
(3.8)
M = nmero de classes;
ni+ = total de elementos classificados para uma categoria i;
25
Desempenho
<0
Pssimo
0 < k 0,2
Ruim
Razovel
Bom
Muito Bom
Excelente
Segundo Brites et al. (1996), o ndice Kappa recomendado como uma medida
apropriada para avaliar a exatido porque no representa apenas os valores que se situam na
diagonal principal da matriz, mas ela por inteiro, sendo esta uma forma padronizada para
reportar erros em locais especficos.
(3.9)
T = coeficiente Tau;
Po = exatido global (proporo de unidades que concordam);
Pr = 1/M; e
M = nmero de classes.
Segundo Brites et al. (1996), Tau um ajuste do percentual de concordncia (G) pelo
nmero de categorias. medida que este nmero aumenta, Tau se aproxima da percentagem
de G.
A interpretao do coeficiente Tau ligeiramente diferente do Kappa: ele indica a
percentagem de elementos (pixels) a mais que foi classificada corretamente em relao ao que
seria esperado apenas pela sorte (LEVADA, 2010).
Antunes (2003) afirma que, similarmente como o coeficiente Kappa, o coeficiente Tau
mede o grau de concordncia em escalas nominais, assumindo que: as unidades so
independentes; as classes ou categorias da escala nominal so independentes e mutuamente
exclusivas; o classificador e os pontos de referncia operam de forma independente.
Rosenfield & Fitzpatrick-Lins (1986) propem o Kappa condicional (Ki) como uma
medida de preciso para categoria individual, baseado no ndice K de Cohen (1960). Sendo
calculado pela equao 3.10.
(3.10)
Ki = Kappa condicional;
N = nmero total de amostras;
ni+ = total de elementos classificados para uma categoria i;
n+i = total de elementos de referncia amostrados para uma categoria i; e
M = nmero de classes.
27
A partir dos erros de omisso (o) (amostras de uma classe especfica que foram
classificadas como outras) e de comisso (c) (amostras de outras classes classificadas como
uma classe especfica) so calculadas as exatides do produtor (ep) e do usurio (eu).
A ep calculada a partir dos dados da referncia (verdade), dividindo o nmero total
de amostras corretamente classificadas em uma categoria pelo nmero de amostras que foram
classificadas nessa categoria, ou seja, o total da coluna (STORY & CONGALTON 1986).
calculada pela equao 3.11.
(3.11)
ep = exatido do produtor;
nii = elementos da diagonal, ou seja, elementos classificados corretamente; e
n+i = total de elementos de referncia amostrados para uma categoria i.
J a exatido do usurio eu calculada a partir dos dados da classificao, dividindo o
nmero total de amostras corretamente classificadas em uma categoria pelo nmero de
amostras que foram classificadas nessa categoria, ou seja, o total da linha (STORY &
CONGALTON 1986). calculada pela equao 3.12.
(3.12)
eu = exatido do usurio;
nii = elementos da diagonal, ou seja, elementos classificados corretamente; e
ni+ = total de elementos classificados para uma categoria i.
28
MATERIAL E MTODOS
4.1
rea de estudo
A rea selecionada para este estudo foi a cidade satlite de Sobradinho - DF, regio
administrativa RA V, e parte da cidade satlite de Sobradinho II - DF, RA XXVI, (Figura 7).
A RA V corresponde a cidade satlite de Sobradinho, que foi fundada em 13 de maio de
1960 para abrigar a populao que vivia nos acampamentos de empreiteiras localizadas na Vila
Amauri, no Bananal e nas invases prximas Vila Planalto, inundadas pelas guas do Lago
Parano, e tambm aos funcionrios da NOVACAP e do Banco do Brasil que vieram para a
implantao da nova capital. Em 1964, por meio da Lei n 4.545, de 10 de dezembro de 1964,
Sobradinho tornou-se a RA V e o Decreto n 11.921 fixou os limites da regio (CODEPLAN,
2011).
No incio dos anos 1990 foi criado o Ncleo Habitacional Sobradinho II como parte do
Programa de Assentamento de Populao de Baixa Renda. O objetivo desse programa foi
beneficiar famlias que compartilhavam um lote com outras famlias e tambm fixar os
moradores das invases do Ribeiro Sobradinho. Em 27 de janeiro de 2004, com a Lei n
3.314, Sobradinho II foi separada de Sobradinho e transformada na RA XXVI (CODEPLAN,
2011).
4.1.1 reas-teste
A rea de estudo est dividida em trs reas-teste (Figura 8). Cada rea-teste possui a
dimenso de 700 x 400 metros, ou seja, 280.000 m2. Estas dimenses foram definidas levando
29
30
A rea-teste 2 (Figura 10) faz parte do Setor Oeste da cidade satlite de Sobradinho II
(RA XXVI).
Assim como a rea-teste 1, a rea-teste 2 foi escolhida pela sua riqueza de alvos
urbanos. Diferente das outras reas, ela apresenta uma grande quantidade de pequenas casas
residenciais (rea construda variando de 50 a 100 m2), separadas, geralmente, por um muro,
dificilmente com presena de jardins e quintais, fazendo com que as casas fiquem muito
prximas umas das outras, dando a sensao de continuidade (casas geminadas) quando
utilizam um mesmo tipo de cobertura.
Um diferencial desta rea-teste, que contribuiu para sua escolha, consiste em uma
grande concentrao de alvos especficos, como, por exemplo, coberturas com telhas de
amianto e solo exposto. Estes alvos so importantes, pois so comuns em reas urbanas e suas
identificaes em classificaes geralmente esto sujeitas a grande mistura com outros alvos.
A rea-teste 3 (Figura 11) compreende parte das quadras 3, 4, 5 e 6, inseridas na RA V.
Esta rea foi escolhida por apresentar, alm de caractersticas como casas prximas com
cobertura de mesmo material, casas mais afastadas com jardins, quintais, piscinas e telhados
com materiais diversos, apresentando edificaes com reas construdas variando de 500 a 800
m2 (as medidas de rea foram feitas com a ferramenta Measure an area, no software ArcGIS
9.3) em locais que apresentam caractersticas diferenciadas das reas residenciais, podendo ser
31
entendidas como comerciais (cerca de 500 a 800 m2) de metal, alm de grandes
estacionamentos de asfalto. Existe tambm a presena de locais destinados a jardins e reas
verdes dentro das quadras.
4.2
Materiais utilizados
4.3
Mtodos
MAXVER
Pixel a pixel
Baseada em objetos
Por regio
SAM
Bhattacharya
Clculo para nmero de amostras
Seleo aleatria de pontos para checagem
Checagem por interpretao visual
Verificao da exatido (Matriz de confuso)
Coeficientes de Concordncia (Geral)
Exatido Global
ndice Kappa
ndice Tau
Exatido do usurio
Exatido do produtor
Avaliao da exatido
Resultados
Fase preparatria
Fase de classificaes
Fase de resultados
33
Definio
A
classe
Asfalto
Ocorrncia
refere-se
a Ruas
e
revestimentos asflticos, geralmente de estacionamentos
cor escura, composto por material fora das quadras
cimentante, betume, alcatro, dentre residenciais de
outros metais.
A classe Cobertura de Cermica Clara
refere-se a telhas de cermica com um
tempo menor de cozimento, feitas com
argila com baixo teor de xido de ferro,
apresentando colorao clara.
A classe Cobertura de Cermica referese a telhas de cermica com um tempo
maior de cozimento, feitas com argilas
com alto teor de xido de ferro,
apresentando colorao avermelhada.
todas as reas.
Dentro
das
quadras
residenciais das
reas 1 e 3.
Dentro
das
quadras
residenciais
de
todas as reas.
34
Dentro
das
quadras
residenciais das
reas 2 e 3.
materiais Dentro
das
resultando
em
uma
colorao clara.
A classe Cobertura de Cimento Mdio
refere-se a telhas de amianto novas e
telhas feitas de concreto (areia e
cimento
impermeabilizantes)
materiais
com
colorao
Dentro
das
quadras de todas
as reas.
cinza claro.
A classe Cobertura de Cimento Verde
refere-se a telhas de concreto (areia e
cimento
materiais Dentro
das
resultando
em
uma
colorao esverdeada.
Dentro
das
das
2
fbricas
quadras
35
cobertas).
das
das
lazer.
reas 1 e 3.
Ruas
no
com
pouca
iluminao,
classe
composta
Vegetao
por
rvores
Arbrea
e
arbustos
Sempre ao lado
de edificaes e
grandes rvores.
Presente
todas as reas.
Jardins,
canteiros
centrais
parques.
Presente
em
em
todas as reas.
Jardins,
A
classe
Vegetao
Rasteira
canteiros
centrais
parques.
Presente
em
todas as reas.
36
Essa separao prvia das classes auxiliou a coleta de amostras de treinamento para as
classificaes por pixel e por regio, e tambm para estruturao das redes semnticas de cada
rea-teste, pois, uma vez que se conhece a organizao e a hierarquia das classes, torna-se
possvel a estruturao das mesmas em uma rede semntica que ir subdividir o processo de
interpretao da imagem, tornando a classificao mais simples.
Figura 13 - Amostras de treinamento coletadas sobre a imagem fusionada da rea-teste 1 (classificao Maxver)
A classificao SAM foi realizada no software Envi, onde inicia-se pelo procedimento
de reduo da dimenso espectral, pela metodologia Minimum Noise Fraction (MNF) (GREEN
37
et al., 1988). Esse mtodo, alm de possibilitar a eliminao dos rudos, permite tambm
diminuir a dimensionalidade da imagem em eixos descritos pelos materiais ou feies fsicas
ambientais que constituem a cena, resultando em um novo conjunto de bandas que ordenado
segundo os autovalores de varincia das mesmas.
O prximo passo foi a reduo da dimenso espacial, onde foi utilizado o ndice de
Pureza do Pixel (PPI) (BOARDMAN, 1995; KRUSE, 2003) que registra e contabiliza os
pixels, que so vrtices nas diferentes projees do simplex. Consiste em um mtodo que
objetiva identificar os vrtices de um conjunto convexo que definam uma melhor soluo para
problemas de programao linear. (CARVALHO JUNIOR et al., 2003).
Desta forma, os pontos relativamente mais puros tendem a se repetir nas diferentes
projees, aumentando o seu valor PPI. O nmero de iteraes definido pelo usurio, quanto
maior for o nmero de iteraes estipuladas, mais fidedigna a informao obtida.
(CARVALHO JUNIOR et al., 2003).
Buscando um maior refinamento, o processamento do PPI foi realizado com 10.000
(dez mil) iteraes, visto que este valor representa o nmero de vezes que a reta que define a
pureza do pixel foi disposta para coletar os pixels da extremidade e determinar o nvel de
pureza do mesmo.
Em seguida, foi realizada a identificao dos membros finais pelo visualizador ndimensional, que gerou uma nuvem de pontos referentes aos pixels puros da etapa anterior em
um espao de atributos com n dimenses (n representa o nmero de bandas da imagem).
Esse mdulo permite a manipulao da nuvem de pontos de forma que se obtenha um
posicionamento que melhor discrimine os diferentes grupos de espectros (Figura 14).
(BOARDMAN & KRUSE, 1994).
38
Similaridade
rea
10
15
15
20
Resultado
39
20
25
25
25
25
30
30
35
Asfalto
40
Cobertura de Cermica
Piscina
Solo Exposto
Sombra
Vegetao Arbrea
41
Vegetao Rasteira
A fase final desse processo foi o mapeamento das classes em um modelo temtico, no
qual se associou cada um dos polgonos de treinamento a uma determinada classe de cobertura
do solo identificada na imagem.
As classificaes baseadas em objetos foram feitas no software InterIMAGE v1.27,
iniciando com a estruturao das redes semnticas para cada rea-teste (Figura 15). As classes
que compuseram as redes semnticas foram as mesmas definidas na fase preparatria.
)=
8,051956), i representa a proporo da classe com maior rea na classificao, neste caso de
30,5% (i = 0,305), b o mximo erro admissvel quanto ao nmero apropriado de amostras,
neste caso 5% (b = 0,05). Assim, para esta rea-teste, o tamanho da amostra seria:
(
(
)
)(
(4.1)
) (
A tabela 5 apresenta uma relao dos resultados dos clculos para tamanho de amostra,
para cada classificador aplicado em cada rea-teste.
Legenda: OBJ: classificao baseada em objetos, REG: classificao por regio (Bhattacharyya), MAX:
classificao por pixel (Maxver) e SAM: classificao por pixel (Spectral Angle Mapper).
Desta forma, foram escolhidos os maiores valores de amostras para cada rea-teste a
fim de garantir que as quatro classificaes de cada rea-teste ficassem bem representadas. Os
valores em cinza na tabela representam os maiores valores que foram utilizados para
representar cada rea-teste. Foram coletados 20 amostras a mais para cada rea teste a fim de
alcanar o valor desejado, mesmo descartando algumas amostras que eventualmente cassem
nos limites das classes.
Conhecendo o tamanho da amostra para cada rea-teste, realizou-se uma amostragem
aleatria simples (por meio da ferramenta Hawths Analysis Tools no software ArcGIS v9.3),
utilizando como espao amostral um arquivo de pontos do centroide de cada pixel das imagens
para cada uma das reas-teste (Figura 16 a 18). Em seguida, foram atribudas s amostras suas
respectivas classes, este procedimento foi feito por interpretao visual na tela do computador,
utilizando a imagem como fundo.
44
45
46
5 RESULTADOS E DISCUSSO
5.1
Segmentaes
Exemplo
rea-teste: 1
Similaridade: 25
rea: 30
rea-teste 2
Similaridade: 25
rea: 30
rea-teste 3
Similaridade: 15
rea: 20
47
0.4
0.4
0.4
0.4
0.4
0.2
0.1
0.8
0.4
0.5
110
110
80
110
110
50
80
80
70
80
Asfalto
1,1,1,1,1,1,1,1
0.8
0.4
90
Cobertura de Cermica
Cobertura de Cimento Claro
1,1,1,1,1,1,1,1
1,1,1,1,1,1,1,1
0.8
0.8
0.4
0.4
90
90
1,1,1,1,1,1,1,1
0.8
0.4
90
1,1,1,1,1,1,1,1
0.8
0.4
90
Cobertura Metlica
1,1,1,1,1,1,1,1
0.8
0.4
90
Piscina
1,1,1,1,1,1,1,1
0.8
0.2
50
Solo Exposto
Sombra
1,1,1,1,1,1,1,1
1,1,1,1,1,1,1,1
0.8
0.1
0.1
0.8
80
80
Vegetao Arbrea
1,1,1,1,1,1,1,1
0.4
0.8
70
Vegetao Rasteira
1,1,1,1,1,1,1,1
0.5
0.5
80
No houve necessidade da insero de parmetros para a classe Asfalto, uma vez que o
critrio de separao desta classe no partiu de uma segmentao, e sim da utilizao dos
arquivos vetoriais de quadras e arruamentos no formato ESRI Shapefile, elaborados pela
TERRACAP.
No n Vegetao Rasteira, em todas as classificaes baseadas em objetos, tambm no
foram inseridos parmetros de segmentao, pois estes foram herdados de seu n pai
(Vegetao), j que o n Vegetao Rasteira recebeu o operador holstico Dummy Top-Down.
Quando se emprega este operador em algum n filho, ele utiliza apenas a regio geogrfica de
seu n pai, assim, os parmetros de segmentao da classe Vegetao Rasteira so os mesmos
do n Vegetao na rede semntica.
5.2
apenas nas classes que foram segmentadas, assim, a classe Asfalto no recebeu regras de
deciso. Estas regras foram utilizadas para separar as classes das trs reas-teste.
Figura 19 - Regras de deciso para as classes Cobertura de Cermica Clara (a) e Cobertura de Cermica (b)
Figura 20 - Regras de deciso para as classes Cobertura de Cimento Escuro (a) e Cobertura de Cimento Claro (b)
Figura 21 - Regras de deciso para as classes Solo Exposto (a) e Cobertura de Cimento Verde (b)
50
Figura 23 - Regras de deciso para as classes Cobertura de Cimento Mdio (a) e Cobertura Metlica (b)
Figura 24 - Regras de deciso para as classes Vegetao Arbrea (a) e Vegetao Rasteira (b)
Estas regras foram definidas a partir da anlise dos valores espectrais nas diferentes
bandas da imagem WorldView II e de caractersticas especficas de cada alvo, isso foi feito por
meio das respostas encontradas no recurso Analysis Manager do software InterIMAGE, que
permitiu o refinamento dos resultados por meio da anlise de grficos de histogramas. As
figuras 25 e 26 apresentam exemplos do recurso Analysis Manager, onde se pode observar um
limiar entre duas modas de cada histograma, assim, o recurso permitiu um fatiamento do
histograma separando as classes. No primeiro histograma (Figura 25), com os valores digitais
da imagem, foi calculada a razo da banda 4, onde nota-se que, ao fatiar o histograma entre as
duas modas, a classe Vegetao Rasteira separada das demais. A figura 26 retrata o
fatiamento do histograma dos valores resultantes da diviso dos nmeros digitais da banda 3
pela banda 2, onde a classe Cobertura de Cermica separa-se das demais.
51
Figura 25 - Separao da classe Vegetao Rasteira das demais, atravs do fatiamento de histograma
Figura 26 - Separao da classe Cobertura de Cermica das demais, atravs do fatiamento de histograma
Os limiares entre modas encontrados por meio da anlise dos histogramas foram
inseridos nas regras de decises utilizadas na etapa top-down, onde a cena foi particionada em
sub-regies (segmentos) que gerou hipteses de objetos (atribuir classes aos segmentos), estas
hipteses foram classificadas nas etapas bottom-up. A etapa bottom-up avaliou as hipteses de
objetos, validando-as ou no e resolvendo eventuais conflitos espaciais, cuja resoluo se deu
por meio de atribuies de valores de pertinncia para cada classe. Com os valores de
pertinncia atribuiu-se uma importncia classe em relao s demais, assim, quando houve
conflitos espaciais, ou seja, quando um segmento foi classificado em duas classes diferentes,
este segmento ficou apenas na classe que apresentou uma importncia (pertinncia) maior. Este
valor foi definido para as classes levando-se em considerao a qualidade de separao de cada
uma delas e a quantidade de segmentos classificados de forma errada. A Tabela 9 apresenta os
valores de pertinncia utilizados em cada classe para cada rea-teste.
Tabela 9 - Valores de pertinncia de cada classe para cada rea-teste
Classes
Asfalto
Cobertura Cermica
7
52
5.3
Cobertura Metlica
Piscina
Solo Exposto
Sombra
Vegetao Arbrea
Vegetao Rasteira
Para todas as reas-teste, observou-se uma concentrao do sinal nas quatro primeiras
componentes MNF (Figura 27). Isto pode ser notado, tambm, pela comparao visual entre as
bandas MNF apresentadas na figura 28, para a rea-teste 1, onde a imagem foi submetida a
uma transformao sequencial que ordenou os dados de acordo com a relao sinal/rudo
(SNR) (GREEN et al., 1988), resultando em um novo conjunto de bandas que foi ordenado
segundo os autovalores de varincia das bandas. A ordem crescente das bandas implica em
aumento do nvel de rudo, indicado pela menor varincia. (RUDORFF, 2006).
Figura 27 - Autovalores observados pela transformao MNF para dados do Worldview II na rea-teste 1
53
5.4
Figura 29 - Mapa temtico resultante da classificao por regio (Bhattacharyya) para a rea-teste 1
55
Asfalto
64
26
Cobertura de Cermica
11
3
1
Piscina
2
29 3
Sombra
82
41
96
16
44
1
18
35
Solo Exposto
Total
Vegetao Rasteira
Vegetao Arbrea
1
34
33
35
36
Vegetao Arbrea
Total
34
Vegetao Rasteira
Sombra
Solo Exposto
81 4
Piscina
Classificao
Cobertura de Cermica
Asfalto
Referncia
(Verdade)
74
58 10 3
76
60 5
66
107 116
81 56 85 51 43 18 37 51 65 75 120 682
No mapa temtico resultante da classificao por regio (Bhattacharyya), para a reateste 2 (Figura 30), visualmente nota-se uma boa separao das classes, com destaque para a
classe Cobertura de Cimento Claro que teve poucas misturas e que mais contribuiu para o
aumento das porcentagens dos coeficientes de concordncia total.
Ao analisar a matriz de confuso (Tabela 11) nota-se uma maior mistura da classe
Asfalto com a classe Cobertura de Cimento Escuro, assim como da classe Cobertura de
Cermica com a classe Solo Exposto. Os erros destas classes foram os que mais contriburam
para a reduo das porcentagens dos coeficientes de concordncia de exatido total, isso pode
ser explicado, nesta classificao, pelo fato da semelhana espectral destes alvos.
As porcentagens de exatido total para esta classificao atingiram valores de exatido
global, ndice Kappa e ndice Tau de 84,3%, 82,2% e 82,6%, respectivamente. Kappa com
excelente resultado, segundo Landis e Koch (1977).
56
Figura 30 - Mapa temtico resultante da classificao por regio (Bhattacharyya) para a rea-teste 2
Asfalto
Cobertura de Cermica
Cobertura de Cimento Claro
Cobertura de Cimento Escuro
Cobertura de Cimento Mdio
Cobertura Metlica
Solo Exposto
Sombra
Vegetao Arbrea
Vegetao Rasteira
Total
89
5
1
1
3
89
1
77
13
1
83
23
1
41
2
73
99
1
71
73
29
26
Total
Vegetao Rasteira
2
2
1
14
91
5
22
1
84
1
1
Vegetao Arbrea
14
Sombra
79
Classificao
Solo Exposto
Cobertura de Cermica
Cobertura de Cimento
Claro
Cobertura de Cimento
Escuro
Cobertura de Cimento
Mdio
Cobertura Metlica
Referncia
(Verdade)
Asfalto
9
33
1
43
115
115
78
5 95
15
29
1 46
1 87
3 36
51 53
65 669
57
Visualmente nota-se uma boa separao das classes do mapa temtico resultante da
classificao por regio (Bhattacharyya) para a rea-teste 3 (Figura 31). Analisando a matriz de
confuso (Tabela 12) nota-se que as misturas se comportaram de forma semelhante
classificao por regio para a rea-teste 2, j que suas principais misturas se deram na classe
Asfalto com a classe Cobertura de Cimento Escuro. As classes Cobertura de Cermica e Solo
Exposto foram as que mais contriburam para a reduo das porcentagens dos coeficientes de
concordncia total, essa mistura se deu pelas semelhanas espectrais destes alvos. Em
contrapartida, a classe mais responsvel pelo aumento das porcentagens de exatido total foi a
classe Piscina, j que obteve a melhor separao em relao s demais.
As porcentagens de exatido total para esta classificao atingiram valores de exatido
global, ndice Kappa e ndice Tau de 82,1%, 80,3% e 80,5%, respectivamente. Kappa com
excelente resultado, segundo Landis e Koch (1977).
Figura 31 - Mapa temtico resultante da classificao por regio (Bhattacharyya) para a rea-teste 3
58
Asfalto
Cobertura de Cermica Clara
Cobertura de Cermica
Cobertura de Cimento Claro
Cobertura de Cimento Escuro
Cobertura de Cimento Mdio
Cobertura Metlica
Piscina
Solo Exposto
Sombra
Vegetao Arbrea
Vegetao Rasteira
Total
52
25
2
3
11
4
1
1 18
6
63 1
52
55
1 1
2
4 1
1
16
1 19
3
3
4
2
1
1
21
7
1
1 1
70 31
1
71 63 74
47
64 6
4 52 4
3
6 54
25 20 22 61 70 64 62
Total
Vegetao Rasteira
Sombra
Solo Exposto
Piscina
1
Vegetao Arbrea
Classificao
Cobertura de Cermica
Clara
Cobertura de Cermica
Cobertura de Cimento
Claro
Cobertura de Cimento
Escuro
Cobertura de Cimento
Mdio
Cobertura Metlica
Referncia
(Verdade)
Asfalto
80
34
70
60
70
24
23
21
54
71
60
66
633
Visualmente nota-se uma boa separao das classes do mapa temtico resultante da
classificao baseada em objeto para a rea-teste 1 (Figura 32), com destaque para o formato
dos objetos, que representou com maior proximidade com o formato real do objeto. Isso se deu
pelo fato da utilizao do segmentador desenvolvido por Baatz e Schpe (2000), o qual
permitiu a insero de parmetros especficos para melhorar o formato do objeto.
Ao analisar a matriz de confuso (Tabela 13), nota-se que as classes que mais
contriburam para o aumento das porcentagens dos coeficientes de concordncia total foram
Asfalto, Cobertura de Cimento Verde e Piscina. Em contrapartida, a classe que mais contribuiu
para a reduo das porcentagens dos coeficientes de concordncia total foi a classe Cobertura
de Cermica Clara, o que pode ser explicado pelo fato de sua semelhana espectral com a
classe de Cobertura de Cimento Claro, alm do nmero reduzido de amostras para esta classe,
fazendo com que qualquer erro tenha valor significativo.
As outras classes tambm tiveram algumas misturas, entretanto, a quantidade de acerto
para estas classes foi suficiente para manter as porcentagens em um patamar alto. As
porcentagens de exatido total para esta classificao atingiram valores de exatido global,
ndice Kappa e ndice Tau de 87,5%, 86,0% e 86,3%, respectivamente. Kappa com excelente
resultado, segundo Landis e Koch (1977).
59
Classificao
Asfalto
Cobertura de Cermica Clara
Cobertura de Cermica
Cobertura de Cimento Claro
Cobertura de Cimento Mdio
Cobertura de Cimento Verde
Piscina
Solo Exposto
Sombra
Vegetao Arbrea
Vegetao Rasteira
Total
77
36
8
9
1
80
7
43
1
38
3
15
2
4
1
2
35
3
1
81
2
1
56
3
1
33
85
2
43
51
18
37
11
51
61
2
2
65
Total
Vegetao Rasteira
Vegetao Arbrea
Sombra
Solo Exposto
Referncia
(Verdade)
Asfalto
Cobertura de Cermica
Clara
Cobertura de Cermica
Cobertura de Cimento
Claro
Cobertura de Cimento
Mdio
Cobertura de Cimento
Verde
Piscina
77
46
1 95
53
44
15
35
1 39
1 68
70 8 81
5 109 129
75 120 682
60
61
Total
Vegetao Rasteira
Vegetao Arbrea
Sombra
Solo Exposto
Cobertura Metlica
Classificao
Cobertura de Cermica
Referncia
(Verdade)
Asfalto
Asfalto
89
1
2 2
2 96
Cobertura de Cermica
81
14
1 96
Cobertura de Cimento Claro
82
2
84
Cobertura de Cimento Escuro
2
93 1
96
Cobertura de Cimento Mdio
1 1
26 2
30
Cobertura Metlica
19
19
Solo Exposto
4
3 2 52 1 1 2 65
Sombra
1
5
2 70
78
Vegetao Arbrea
42 8 50
Vegetao Rasteira
2
1
52 55
Total
89 91 83 99 30 25 71 73 43 65 669
A classificao baseada em objeto para a rea-teste 3, visualmente, obteve uma boa
separao das classes (Figura 34), com destaque para a classe Piscina, que foi a que menos se
misturou com as demais. As classes que mais contriburam para o aumento das porcentagens
dos coeficientes de concordncia total foram Asfalto, Cobertura de Cimento Claro e Cobertura
de Cimento Escuro.
A classe que mais se misturou com as demais nesta classificao foi Cobertura de
Cimento Mdio (Tabela 15), que se misturou principalmente com a Cobertura de Cimento
Claro, o que pode ser explicado em funo de seu semelhante material de fabricao,
entretanto, esta classe no teve muita influncia na reduo das porcentagens dos coeficientes
de concordncia total pelo fato de seu reduzido nmero de amostras.
As classes que mais contriburam para a reduo das porcentagens dos coeficientes de
concordncia total foram Cobertura de Cermica e Solo Exposto, a semelhana espectral foi a
causa dessa mistura.
As porcentagens de exatido total para esta classificao atingiram valores de exatido
global, ndice Kappa e ndice Tau de 88,5,%, 87,3% e 87,4%, respectivamente. Kappa com
excelente resultado, segundo Landis e Koch (1977).
62
Total
Vegetao Rasteira
Vegetao Arbrea
Sombra
Solo Exposto
Piscina
Referncia
(Verdade)
Asfalto
Cobertura de Cermica
Clara
Cobertura de Cermica
Cobertura de Cimento
Claro
Cobertura de Cimento
Escuro
Cobertura de Cimento
Mdio
Cobertura Metlica
Classificao
Asfalto
69
4 2
75
Cobertura de Cermica Clara
27 1 2
2
32
Cobertura de Cermica
65
8
73
Cobertura de Cimento Claro
3
49
52
Cobertura de Cimento Escuro
1 68 1
1
2 73
Cobertura de Cimento Mdio
2
5 1 23 1 6 2
1 41
Cobertura Metlica
4
18 2
24
Piscina
14
14
Solo Exposto
1
5
48
1 55
Sombra
70 1 1 72
Vegetao Arbrea
57 7 64
Vegetao Rasteira
1
5 52 58
Total
70 32 71 61 74 26 19 22 61 70 63 64 633
63
Figura 35 - Mapa temtico resultante da classificao por pixel (Maxver) para a rea-teste 1
64
Asfalto
Cobertura de Cermica Clara
Cobertura de Cermica
Cobertura de Cimento Claro
Cobertura de Cimento Mdio
Cobertura de Cimento Verde
Piscina
Solo Exposto
Sombra
Vegetao Arbrea
Vegetao Rasteira
Total
67
1
82
10
40
1
2
4
29
7
6
5
15
37
2
1
2
1
81
56
1
1
85
1
1
51
43
1
33
55
4
18
37
51
65
Total
Vegetao Rasteira
Vegetao Arbrea
Sombra
Solo Exposto
Piscina
5
44
2
6
Classificao
Cobertura de Cermica
Asfalto
Referncia
(Verdade)
75
62
1 93
1 59
36
15
38
7 53
1 59
75 16 97
94 95
75 120 682
Figura 36 - Mapa temtico resultante da classificao por pixel (Maxver) para a rea-teste 2
Classificao
Total
Vegetao Rasteira
Vegetao Arbrea
Sombra
Solo Exposto
Asfalto
Referncia
(Verdade)
Cobertura de Cermica
Cobertura de Cimento
Claro
Cobertura de Cimento
Escuro
Cobertura de Cimento
Mdio
Cobertura Metlica
Asfalto
83
3
3
3 1
1 94
Cobertura de Cermica
1 89
3
23 7
2 125
Cobertura de Cimento Claro
3
86
5 5 1
1 101
Cobertura de Cimento Escuro
90
90
Cobertura de Cimento Mdio 2
1 24 1
28
Cobertura Metlica
19
19
Solo Exposto
2
39
41
Sombra
3
1 63
67
Vegetao Arbrea
42 3 45
Vegetao Rasteira
1 58 59
Total
89 91 86 100 27 25 71 72 43 65 669
66
Figura 37 - Mapa temtico resultante da classificao por pixel (Maxver) para a rea-teste 3
67
28
2
55
5
56
72
8
5
1
1
13
1 1
3
15
1 17
1 24
5
19
1
2
2
36
1
1
64
2 61 4
2
1
2 55
70 32 71 62 74 25 19 24 61 68 63 64
Total
Vegetao Rasteira
Vegetao Arbrea
Sombra
Solo Exposto
1
4
Piscina
Cobertura Metlica
Cobertura de Cermica
55
Asfalto
Cobertura de Cermica Clara
Cobertura de Cermica
Cobertura de Cimento Claro
Cobertura de Cimento Escuro
Cobertura de Cimento Mdio
Cobertura Metlica
Piscina
Solo Exposto
Sombra
Vegetao Arbrea
Vegetao Rasteira
Total
Classificao
Referncia
(Verdade)
Asfalto
57
45
76
61
77
26
18
32
50
64
67
60
633
Os mapas temticos resultantes das classificaes por pixel SAM foram os que
obtiveram as porcentagens dos coeficientes de concordncia total mais baixos para as trs
reas, isso pode ser explicado devido ao grande nmero de pixels isolados em outras classes
(efeito sal e pimenta), causado por mistura espectral.
Na classificao da rea-teste 1 (Figura 38), a classe que obteve a melhor separao das
demais e mais contribuiu para o aumento das porcentagens dos coeficientes de concordncia
total foi Sombra, isso acontece devido ao seu grande nmero de amostras de referncia
classificado corretamente.
Quando se observa a matriz de confuso (Tabela 19), nota-se que a classe que mais
contribuiu para a reduo das porcentagens dos coeficientes de concordncia total foi Solo
Exposto, que se misturou principalmente com as classes Cobertura de Cermica Clara e
Cobertura de Cermica devido semelhana espectral. Outra mistura tambm causada por
semelhana espectral foi da classe Vegetao Arbrea com Vegetao Rasteira.
As porcentagens de exatido total para esta classificao atingiram valores de exatido
global, ndice Kappa e ndice Tau de 72,6%, 69,3% e 69,8%, respectivamente. Kappa com
resultado muito bom, segundo classificao de Landis e Koch (1977).
68
Figura 38 - Mapa temtico resultante da classificao por pixel (SAM) para a rea-teste 1
Asfalto
Cobertura de Cermica Clara
Cobertura de Cermica
Cobertura de Cimento Claro
Cobertura de Cimento Mdio
Cobertura de Cimento Verde
Piscina
Solo Exposto
Sombra
Vegetao Arbrea
Vegetao Rasteira
Total
60
1
1
49
3
13
1
2
67
1
2
14
12
4
1
32
1
9
9
3
3
2
12
36
4
1
2
81
55
11
1
1
86
5
28
51
43
18
37
46
2
51
4
65
Total
Vegetao Rasteira
Sombra
10
18
Vegetao Arbrea
Classificao
Solo Exposto
Referncia
(Verdade)
Asfalto
Cobertura de Cermica
Clara
Cobertura de Cermica
Cobertura de Cimento
Claro
Cobertura de Cimento
Mdio
Cobertura de Cimento
Verde
Piscina
81
79
1 77
25
61
17
41
7 56
1 50
60 20 80
15 91 115
75 120 682
69
O mapa temtico resultante da classificao por pixel SAM, para a rea-teste 2 (Figura
39), tambm teve suas maiores misturas espectrais concentradas nas classes Solo Exposto e
Cobertura de Cermica, o que contribuiu significativamente para a reduo das porcentagens
dos coeficientes de concordncia total, onde mais uma vez a semelhana espectral foi
determinante para que esse fato ocorresse.
Os melhores coeficientes de concordncia total da classificao SAM para a rea-teste
1 em relao da rea-teste 2 deram-se em virtude da melhor separao de classes como
Asfalto, Vegetao Arbrea e Vegetao Rasteira que, consequentemente, contriburam para o
aumento das porcentagens.
Ao analisar a matriz de confuso (Tabela 20), nota-se que a classe que obteve a pior
separao das demais foi Cobertura de Cimento Mdio, que, devido semelhana espectral, se
misturou principalmente classe Asfalto.
As porcentagens de exatido total para esta classificao atingiram valores de exatido
global, ndice Kappa e ndice Tau de 73,5%, 70,2% e 70,6%, respectivamente. Kappa com
resultado muito bom, segundo classificao de Landis e Koch (1977).
Figura 39 - Mapa temtico resultante da classificao por pixel (SAM) para a rea-teste 2
70
Classificao
Asfalto
Cobertura de Cermica
Cobertura de Cimento Claro
Cobertura de Cimento Escuro
Cobertura de Cimento Mdio
Cobertura Metlica
Solo Exposto
Sombra
Vegetao Arbrea
Vegetao Rasteira
Total
50
1
16
1
52
1
2
21
1
76
93
4
38
89
2
96
15
3
8
2
98
1
66
69
73
38
5
43
3
60
65
Total
Vegetao Rasteira
1
1
1
1
33
2
25
Vegetao Arbrea
26
4
31
Sombra
2
6
13
1
83
Solo Exposto
Asfalto
Referncia
(Verdade)
Cobertura de Cermica
Cobertura de Cimento
Claro
Cobertura de Cimento
Escuro
Cobertura de Cimento
Mdio
Cobertura Metlica
61
80
117
99
40
16
73
73
41
69
669
Figura 40 - Mapa temtico resultante da classificao por pixel (SAM) para a rea-teste 3
Classificao
Asfalto
Cobertura de Cermica Clara
Cobertura de Cermica
Cobertura de Cimento Claro
Cobertura de Cimento Escuro
Cobertura de Cimento Mdio
Cobertura Metlica
Piscina
Solo Exposto
Sombra
Vegetao Arbrea
Vegetao Rasteira
Total
54
24 1 12
1
2 45
4
40
1
4
1
71 2
10
2 8 1 20 1
2 1
18
8
25
4
1
2
1
18
2
1
22
24
2
66
1
45 7
1
3
16 50
70 32 71 62 75 24 19 22 65 66 63 64
Total
Vegetao Rasteira
Vegetao Arbrea
Sombra
Solo Exposto
Piscina
Referncia
(Verdade)
Asfalto
Cobertura de Cermica
Clara
Cobertura de Cermica
Cobertura de Cimento
Claro
Cobertura de Cimento
Escuro
Cobertura de Cimento
Mdio
Cobertura Metlica
55
46
76
45
88
44
21
18
48
70
52
70
633
72
5.4.1
Exatido Global 0,81 0,88 0,84 0,73 0,84 0,91 0,89 0,74 0,82 0,88 0,85 0,75
ndice Kappa
0,78 0,86 0,82 0,69 0,82 0,89 0,87 0,70 0,80 0,87 0,83 0,72
ndice Tau
0,79 0,86 0,82 0,70 0,83 0,90 0,87 0,71 0,81 0,87 0,84 0,73
Legenda: REG: classificao por regio (Bhattacharyya), OBJ: classificao baseada em objetos, MAX:
classificao por pixel (MAXVER) e SAM: classificao por pixel (Spectral Angle Mapper).
73
74
5.4.2
Os valores dos coeficientes de concordncia por classe deram suporte para a realizao
de uma anlise da qualidade da separao dos alvos para cada classificao, discutidos a partir
do item 5.3.3.1, para cada classe. Foram utilizados os coeficientes de concordncia Kappa
condicional (BISHOP et al., 1975) e exatido do usurio e do produtor (STORY &
CONGALTON, 1986), extrados da matriz de confuso (Tabelas 23 a 25).
Classes
Asfalto
Cob. Cer.Clara
Cob. Cermica
Cob. Cim.Escuro
Cob. Cim.Claro
Cob. Cim.Mdio
Cob. Cim.Verde
Cob. Metlica
Piscina
S. Exposto
Sombra
Veg. Arbrea
Veg. Rasteira
Classes
0,88
0,75 1
0,60 0,76 0,68
0,82 0,82 0,86
0,80 0,65
1
0,73 0,85 0,79
1
0,89 1
1
0,97
1
0,44 0,83 0,59
0,74 0,89 0,93
0,90 0,85 0,75
0,91 0,81 0,99
0,87
0,67
0,83
1
0,85
1
0,79
0,59
0,60
0,93
0,16
0,81
0,95
0,93
0,93
0,98
0,87 -
0,61
0,72
0,89
0,85
0,76
0,65
0,82
1
0,91
0,84
0,88
0,94
0,92
0,54
0,74
1
0,96
0,60
0,69
0,91
0,93
0,56
0,94
0,74
0,98
0,50
0,54
0,88
0,78
0,43
0,85
1
0,44
0,94
0,85
0,68
Asfalto
Cob. Cer.Clara
Cob. Cermica
Cob. Cim.Escuro
Cob. Cim.Claro
Cob. Cim.Mdio
Cob. Cim.Verde
Cob. Metlica
Piscina
S. Exposto
Sombra
Veg. Arbrea
Veg. Rasteira
REG OBJ MAX SAM REG OBJ MAX SAM REG OBJ MAX SAM
0,78
0,63
0,84
1
0,75
0,89
1
0,49
0,76
0,91
0,92
1
0,78
0,84
0,81
0,86
1
1
0,89
0,71
0,88
0,68
0,81
1
0,97
0,85
0,90
0,86
0,84
0,62
0,93
0,77
0,99
0,74
0,62
0,87
0,56
0,52
0,71
0,88
0,50
0,92
0,75
0,79
0,69
0,77
0,99
0,88
0,93
0,79
0,89
0,84
0,92
0,96
0,93
0,84
0,98
0,97
0,87
1
0,80
0,90
0,88
0,71
0,85
1
0,86
1
0,95
0,94
0,84 0,93
0,95 0,98
0,82
0,65
0,65
0,94
0,20
0,81
0,45
0,95
0,65
0,74
0,90
0,87
0,79
0,67
0,83
1
0,87
0,90
0,93 0,87
0,87 0,82
0,92
0,84
0,89
0,94
0,93
0,56
0,75
1
0,87
0,97
0,89
0,90
0,96
0,62
0,72
0,92
0,94
0,58
0,94
0,75
0,72
1
0,91
0,92
0,98
0,52
0,59
0,89
0,81
0,45
0,86
1
0,50
0,94
0,87
0,71
75
Classes
Asfalto
Cob. Cer.Clara
Cob. Cermica
Cob. Cim.Escuro
Cob. Cim.Claro
Cob. Cim.Mdio
Cob. Cim.Verde
Cob. Metlica
Piscina
S. Exposto
Sombra
Veg. Arbrea
Veg. Rasteira
REG OBJ MAX SAM REG OBJ MAX SAM REG OBJ MAX SAM
0,79
0,46
0,95
0,67
0,77
0,89
0,95
0,71
0,89
0,80
0,89
0,95
0,64
0,94
0,84
0,90
0,79
0,95
0,65
0,94
0,93
0,91
0,83
0,79
0,96
0,78
0,69
0,79
1
0,65
0,85
1
0,78
0,74
0,89
0,78
0,27
0,74
0,67
0,97
0,55
0,71
0,80
0,76
0,89
0,98
0,93
0,85
0,48
0,88
0,58
1
0,77
0,78
1
0,89
0,99
0,94
0,87
0,76
0,73
0,96
0,98
0,80
0,93
0,98
1
0,90
0,89
0,76
0,55
0,88
0,98
0,89
0,56
0,54
0,92
0,95
0,26
0,52
0,50
0,95
0,88
0,92
0,74
0,81
0,89
0,83
0,74
0,64
0,95
0,95
0,77
0,91
0,81
0,87
0,99
0,84
0,92
0,80
0,92
0,88
0,95
0,64
0,79
1
0,90
0,81
0,79
0,88
0,77
0,90
0,97
0,60
0,89
1
0,59
0,94
0,97
0,86
0,77
0,75
0,63
0,65
0,95
0,83
0,95
0,82
0,37
1
0,71
0,78
Analisando as Tabelas 23, 24 e 25, nota-se que as classes que alcanaram coeficientes
de concordncia total mais elevados esto concentradas nas classificaes baseadas em objetos
e por pixel (Maxver), representando uma melhor separao das classes. Cada uma das treze
classes pertencentes s trs reas-teste foi analisada com o objetivo de explicar os resultados
obtidos para cada uma.
5.4.2.1
Asfalto
mistura espectral. A classificao que obteve as mdias dos coeficientes de concordncia mais
baixas foi por regio (Bhattacharyya), onde aconteceram tanto erros de comisso como de
omisso, refletindo diretamente em seus coeficientes de concordncia referentes exatido do
usurio e produtor. Isso ocorreu nesta classificao porque a classe Asfalto misturou-se com a
Cobertura de Cimento Escuro, o que pode ser explicado pela semelhana espectral dos dois
alvos (Figura 46).
Analisando o grfico b da figura 45, que representa o desvio-padro dos trs
coeficientes de concordncia para cada classificao, nota-se que a classificao baseada em
objetos obteve baixos percentuais, alm de uma regularidade nas trs reas-teste, mostrando
um equilbrio dos trs coeficientes de concordncia. Nas outras classificaes, os valores de
desvio-padro no mantiveram a mesma regularidade devido aos diferentes valores de
coeficientes de concordncia em uma mesma classificao, alm de diferentes resultados para
cada rea-teste.
Figura 45 - Mdia (a) e desvio-padro (b) dos coeficientes de concordncia para a classe Asfalto
77
Figura 46 - Espectro dos alvos: Asfalto (linha em preto) e Cobertura de Cimento Escuro (linha em vermelho)
5.4.2.2
79
Figura 48 - Mdia (a) e desvio-padro (b) dos coeficientes de concordncia para a classe Cobertura Cermica
Clara
Figura 49 - Espectro dos alvos: Cobertura Cermica Clara (linha em preto), Cobertura Cermica (linha em
vermelho) e Solo Exposto (linha em azul)
5.4.2.3
Cobertura Cermica
como outras, e altos valores de erros de comisso, ou seja, amostras de outras classes, neste
caso Solo Exposto, classificadas como Cobertura de Cermica.
A classificao por pixel (SAM) na rea-teste 2 obteve as piores porcentagens dos
coeficientes de concordncia, em virtude da mistura espectral com a classe Solo Exposto, o que
causou altos valores de erros de comisso e omisso resultando em baixos coeficientes de
concordncia.
Apesar da classificao por objeto no ter tido as melhores mdias dos coeficientes de
concordncia, esta foi a que obteve a melhor regularidade de desvio-padro, mantendo os
valores das trs reas-teste mais baixos em relao aos demais.
Figura 51 - Mdia (a) e desvio-padro (b) dos coeficientes de concordncia para a classe Cobertura de Cermica
81
5.4.2.4
82
Figura 53 - Mdia (a) e desvio-padro (b) dos coeficientes de concordncia para a classe Cobertura de Cimento
Claro
Figura 54 - Espectro dos alvos: Cobertura de Cimento Claro (linha em preto) e Cobertura de Cermica Clara
(linha em vermelho)
5.4.2.5
Figura 56 - Mdia (a) e desvio-padro (b) dos coeficientes de concordncia para a classe Cobertura de Cimento
Escuro
5.4.2.6
erros de omisso, j que parte dos alvos pertencentes classe Cobertura de Cimento Mdio
foram classificados como Asfalto, resultando em um baixo ndice de Exatido do Produtor.
Esse fato pode ser explicado pela sua semelhana espectral com a classe Asfalto (Figura 59).
Na figura 61 apresentada a semelhana dos espectros destas classes, a linha preta representa o
espectro da classe Cobertura de Cimento Mdio e a linha vermelha representa a classe Asfalto.
De forma geral, percebe-se que nas classificaes que utilizam somente informaes
espectrais como forma de separao, a classe Cobertura de Cimento Mdio sofreu maior
mistura espectral e que as maiores misturas ocorreram com a classe Asfalto.
Figura 58 - Mdia (a) e desvio-padro (b) dos coeficientes de concordncia para a classe Cobertura de Cimento
Mdio
85
Figura 59 - Espectro dos alvos: Cobertura de Cimento Mdio (linha em preto) e Asfalto (linha em vermelho).
5.4.2.7
A classe Cobertura de Cimento Verde est presente apenas na rea-teste teste 1. Por ter
uma resposta de cobertura diferente das demais, j que representa um alvo constitudo por
telhas de cimento de cor esverdeada, esta classe apresentou uma boa separao das demais nas
quatro classificaes. Observando-se a figura 60, os coeficientes de concordncia das
classificaes baseadas em objetos e Maxver atingiram um Kappa condicional e exatido do
usurio mximos, o que significa que houve uma excelente separao dela em relao s
demais, ou seja, no houve erros de comisso. Em nenhum momento, nesta classe, os
classificadores classificaram outros alvos erroneamente como Cobertura de Cimento Verde, j
erros de omisso aconteceram em menor proporo, quando o classificador deixou de
classificar alguns dos alvos desta classe e estes alvos acabaram incorporando-se em outras,
neste caso, a maioria incorporou-se na classe Cobertura de Cimento Mdio, j que so
semelhantes devido ao material de origem.
Analisando o grfico a da figura 61, que apresenta as mdias dos trs coeficientes de
concordncia por classe, percebe-se que, das quatro classificaes, a que obteve o pior ndice
foi a classificao por pixel SAM, que apresentou mistura espectral, principalmente, com a
classe Cobertura de Cimento Mdio, que pode ser explicada pelo material de origem, pois os
dois alvos tm cimento em sua composio.
No grfico b da figura 61 percebe-se que a classificao baseada em objetos e por
pixel (Maxver) possui valores de desvio-padro dos coeficientes de concordncia mais
elevados, nos dois casos ocorreram poucos erros de omisso, ou seja, poucas amostras da
86
classe Cobertura de Cimento Verde foram classificadas como outras, e muitos erros de
comisso, ou seja, amostras de outras classes, neste caso, Cobertura de Cimento Mdio, foram
classificadas como Cobertura de Cimento Verde.
Ainda analisando o grfico b da figura 61, nota-se que a classificao que obteve,
alm de altos valores de coeficiente de concordncia, maior regularidade entre os trs
coeficientes foi a classificao por regio (Bhattacharyya), com um valor de desvio-padro
bem prximo de zero, mostrando um equilbrio nos erros de omisso e comisso que refletiu
nos valores semelhantes calculados para os trs coeficientes de concordncia. Estes fatos
ocorreram devido a pouca mistura desta classe com as demais.
Figura 61 - Mdia (a) e desvio-padro (b) dos coeficientes de concordncia para a classe Cobertura de Cimento
Verde
87
5.4.2.8
Cobertura Metlica
Figura 63 - Mdia (a) e desvio-padro (b) dos coeficientes de concordncia para a classe Cobertura Metlica
88
Figura 64 - Espectro dos alvos: Cobertura de Cimento Mdio (linha em preto) e Cobertura Metlica (linha em
vermelho)
5.4.2.9
Piscina
A classe Piscina est presente apenas nas reas 1 e 3. Observando-se a figura 65, os
89
Figura 66 - Mdia (a) e desvio-padro (b) dos coeficientes de concordncia para a classe Piscina
84%. Este valor reflete a realidade, pois o desvio-padro dos coeficientes de concordncia,
apresentado no grfico b da figura 68, reflete uma baixa variao dos valores.
Figura 68 - Mdia (a) e desvio-padro (b) dos coeficientes de concordncia para a classe Solo Exposto
5.4.2.11 Sombra
Como a classe Sombra representa reas mais escuras da imagem, ou seja, reas com
mdias de valores espectrais mais baixas, sua identificao foi feita basicamente pela ausncia
de brilho das bandas da imagem, assim, as classes que apresentaram confuso em relao a ela
foram aquelas com menores valores de brilho, como a classe Asfalto, Cobertura de Cimento
Mdio, Cobertura de Cermica e Vegetao Arbrea.
Figura 70 - Mdia (a) e desvio-padro (b) dos coeficientes de concordncia para a classe Sombra
93
Figura 72 - Mdia (a) e desvio-padro (b) dos coeficientes de concordncia para a classe Vegetao Arbrea
94
Figura 74 - Mdia (a) e desvio-padro (b) dos coeficientes de concordncia para a classe Vegetao Rasteira
Figura 75 - Espectro dos alvos: Vegetao Rasteira (linha em preto) e Vegetao Arbrea (linha em vermelho)
95
CONCLUSES E RECOMENDAES
a)
b)
c)
d)
Quanto separao das classes, conclui-se que os melhores resultados para Asfalto,
Cobertura Cermica Clara, Cobertura Cimento Claro, Cobertura Metlica, Piscina,
Solo Exposto e Sombra pertenceram a abordagem baseada em objetos, enquanto que
os melhores resultados para Cobertura Cermica, Cobertura Cimento Escuro,
Vegetao Arbrea e Vegetao Rasteira pertenceram a abordagem por pixel
(Maxver), j as classes Cobertura de Cimento Mdio, Cobertura Cimento Verde
obtiveram resultados idnticos para as duas abordagens.
f)
g)
h)
6.1
Recomendaes e sugestes
6.2
98
99
REFERNCIAS BIBLIOGRFICAS
AL-AHMADI, F. S.; HAMES, A. S. Comparison of four classification methods to extract land use and land cover
from raw satellite images for some remote arid areas. Journal of King Abdulaziz University - Earth
Sciences, Kingdom of Saudi Arabia, v. 20(1), p. 167-191, 2009.
ALMEIDA, W. S.; SOUZA, N. M. Avaliao das informaes espectrais dos dados WorldView 2/Digital Globe
para classificao temtica de uso e cobertura do solo. In: Anais XV Simpsio Brasileiro de Sensoriamento
Remoto
(SBSR).
Curitiba: INPE,
p.
1043-50,
2011.
Disponvel
em:
<http://urlib.net/3ERPFQRTRW/39UFC7E>. Acesso em: 31/12/2012.
ANTUNES, A. F. B. Classificao de ambiente ciliar baseada em orientao a objeto em imagens de alta
resoluo espacial. Tese (Doutorado em Cincias Geodsicas) - Universidade Federal do Paran, Curitiba.
2003.
ANTUNES, A. F. B.; LINGNAU, C. Uso dos ndices de acurcia para avaliao de mapas temticos obtidos por
meios de classificao digital. In: Congresso e feira para usurio de geoprocessamento. 3. ed. Curitiba:
Sagres, 1997.
ARCOVERDE, G. F. B.; EPIPHANIO, J. C. N.; MARTINS, V. A.; MAEDA, E. E.; FONSECA, L. M. G.
Mapeamento de citrus: avaliao de classificaes por rvore de deciso. Revista Brasileira de Cartografia,
v. 62, n. 1, p. 91-102, mar/ 2010.
BAATZ, M.; SCHPE, A. Multiresolution segmentation: an optimization approach for high quality multi-scale
image segmentation. In: XII Angewandte Geographische Informationsverarbeitung, AGIT Symposium.
Proceedings... Karlsruhe, Alemanha: Herbert Wichmann Verlag, Salzburg - ustria, p. 12-23, 2000.
BENZ U.; HOFMANN P.; WILLHAUCK G.; LINGENFELDER I.; HEYNEN M. Multi-resolution, objectoriented fuzzy analysis of remote sensing data for GIS-ready information. ISPRS Journal of
Photogrammetry & Remote Sensing, 58: 239258. 2004.
BERNARDES, T. Caracterizao do ambiente agrcola do Complexo Serra Negra por meio de sensoriamento
remoto e sistemas de informao geogrfica. Dissertao (Mestrado). Universidade Federal de Lavras, Minas
Gerais,
2006,
119p.
Disponvel
em:
<http://www.epamig.br/geosolos/MaterialSite/Teses/Tiago/Tiagodissertacao.pdf>. Acesso em: 05 de outubro de 2011.
BERNARDES, T.; ALVES, H.M.R.; VIEIRA, T.G.C. Classificao automtica de imagens de satlite no
mapeamento da regio cafeeira de Patrocnio, MG. In.: Simpsio de Pesquisa dos Cafs do Brasil, 5,2007,SP.
Anais... Minas Gerais:EPAMIG,2005.
BERNARDI, H. V. F.; DZEDZEJ, M.; CARVALHO, L. M. T.; ACERBI JR, F. W. Classificao digital do uso
do solo comparando os mtodos pixel a pixel e orientado ao objeto em imagem QuickBird. Universidade
Federal de Lavras - UFLA. In: Anais XIII Simpsio Brasileiro de Sensoriamento Remoto (SBSR).
Florianpolis: INPE, p. 5595-5602, 2007.
BIAS, Edilson de Souza ; BAPTISTA, Gustavo Macedo de Mello ; LOMBARDO, Magda Adelaide .
Potencialidades e Limitaes das Imagens de Alta Resoluo Ikonos II Para Estudos de Planejamento
Urbano. Geografia (Rio Claro. Impresso), v. 34, p. 329-346, 2009.
BICAS, H. E. A. Mensuraes em cincia. Arquivos brasileiros de oftalmologia. v. 66, n. 4, p. 531-37, 2003.
BINIS, L. S.; FONSECA, L. M. G.; ERTHAL, G. J.; II, F. M. Satellite imagery segmentation: a region growing
approach. Anais VIII Simpsio Brasileiro de Sensoriamento Remoto, Salvador: INPE, p. 677-80, 1996.
BISHOP, Y. M.; FEINBERG, S. E. & HOLLAND, P. W. Discrete Multivariate Analysis - Theory and Practice.
Cambrige, Mass., the mit press, 357 p., 1975.
100
BOARDMAN, J. W.; KRUSE, F. A.; GREEN, R. O. Mapping target signatures via partial unmixing of AVIRIS
data. In: JPL Airborne Earth Science Workshop, 5, Pasadena-USA. Proceedings: Jet Propulsion
Laboratory, p. 23-26, 1995.
BRITES, R.S.; SOARES, P.S.; RIBEIRO, C. A. A. S. Comparao de desempenho entre trs ndices de exatido
aplicados a classificao de imagens orbitais. In: Anais Simpsio Brasileiro de Sensoriamento Remoto, 8,
Salvador: INPE, 1996.
BRITES, R.S.; SOARES,V.P.; RIBEIRO, C.A.A.S. Efeitos da estratgia de amostragem na exatido reportada
pelo ndice de kappa na classificao de imagens orbitais. In: Anais Simpsio Brasileiro de Sensoriamento
Remoto, 8, Salvador: INPE, 1996.
BCKNER, J.; PAHL, M.; STAHLHUT, O.; LIEDTKE, C.-E. GEOAIDA A knowledge-based automatic
image data analyzer for remote sensing data. In: ICSC Congress on Computational Intelligence Methods
and Applications. Bangor, Wales-UK. Proceedings of the Congress on Computational Intelligence
Methods and Applications - CIMA 2001.
CARVALHO JR, O. A.; GUIMARES, R. F.; MARTINS, E S.; CARVALHO, A. P. F.; GOMES, R. A.
T. Anlise comparativa do processo de identificao automatizada de membros finais a partir de imagens
com diferentes resolues espectrais para a regio de Niquelndia (AVIRIS, ETM + e
ASTER). Revista Brasileira de Geografia, v. 23, n. 1, p. 39-50, 2005.
CARVALHO JR, O. A.; MENESES, P. R. Spectral Correlation Mapper (SCM): an improving Spectral Angle
Mapper. In: Annual JPL Airborne Earth Science Workshop, 9, Pasadena-USA, Proceedings - JPL
Publication, 00-18, p. 65-74, 2000.
CARVALHO, M. V. A. Classificao da cobertura e uso do solo com imagens Worldview II utilizando minerao
de dados e anlise baseada em objetos. [Dissertao de mestrado em sensoriamento remoto - Instituto
Nacional de Pesquisas Espaciais]. So Jos dos Campos, p. 201, 2011.
Disponvel em:
<http://urlib.net/8JMKD3MGP7W/3ACT3BL>. Acesso em: 31/12/2012.
CARVALHO, M. V. A.; Kux, H. J. H.; Florenzano, T G.; MOREIRA, M. A. Fuso de imagens aplicada a estudos
urbanos: avaliao de diferentes tcnicas em imagens WorldView-2. In: Simpsio brasileiro de
Sensoriamento Remoto, 15. (SBSR), 2011, Curitiba. Anais ... So Jos dos Campos: INPE, 2011. p. 941948. DVD, Internet. ISBN 978-85-17-00056-0 (Internet), 978-85-17-00057-7 (DVD). Disponvel em: <
http://urlib.net/3ERPFQRTRW/39UR8JP >. Acesso em: 10/02/2013.
CODEPLAN - Companhia de Planejamento do Distrito Federal. Pesquisa Distrital por Amostra de Domiclios.
Sobradinho PDAD 2011. Braslia-DF, out./2011.
CONEL, J. E; HOOVER, G; NOLIN, A; ALLEY, R; MARGOLIS, J. Emperical Relationships Among SemiArid Landscape Endmembers Using the Spectral Angle Mapper (SAM) Algorithm, Summaries of the 4nd
Annual JPL Airborne Geoscience Workshop, JPL Pub-92-14, AVIRIS Workshop. Jet Propulsion
Laboratory, Pasadena, CA, pp. 150-151. 1992.
CONGALTON, R. A Review of Assessing the Accuracy of Classification Remotely Sensed Data. Remote
Sensing of Environment, USA, No 37, p. 35-36, 1991.
CONGALTON, R. G.; GREEN, K. Assessing the accuracy of remotely sensed data: principles and practices. New
York: Lewis Publisher. p. 137, 1999.
CORREIA, V. R. M.; MONTEIRO, A. M. V.; CARVALHO, M. S.; WERNECK, G. L. Uma aplicao do
sensoriamento remoto para a investigao de endemias urbanas. Cadernos de Sade Pblica. Rio de
Janeiro, v. 23, n. 5, p. 1015-28, 2007.
COSTA, G. A. O. P.; FEITOSA, R. Q.; FONSECA, L. M. G.; OLIVEIRA, D. A. B.; FERREIRA, R. S.;
CASTEJON, E. F. Knowledge-Based Interpretation of Remote Sensing Data with the Interimage System:
Major Characteristics and Recent Developments. In: Proceedings of the 3rd International Conference on
101
Disponvel
em:
DEMATTE, J. A. M.; TOLEDO, A. M. A.; SIMOES, M. S. Metodologia para reconhecimento de trs solos por
sensores: laboratorial e orbital. Revista Brasileira de Cincia do Solo., vol.28, n.5, pp. 877-889, 2004.
DIGITAL GLOBE. Spectral response for Digital Globe WorldView 1 and WorldView 2 Earth imaging
instruments. 2012b. Disponvel em: <http://www.satimagingcorp.com/media/pdf/WV1_WV2_SpectralResponse.pdf>.
DIGITAL GLOBE. Worldview II. 2012. Disponvel em: <http://www.digitalglobe.com/downlo-ads/WorldView2DS-WV2-Web.pdf> Acesso em: 13/08/2012.
DLUGOSZ, F. L.; ROSOT, N. C.; ROSOT, M. A. D.; OLIVEIRA, Y. M. M. ndice para a avaliao de
segmentao de imagens. Revista Floresta, Curitiba, v. 39, n. 1, p. 131-43, jan./mar. 2009.
ECKERT, S. Improved forest biomass and carbon estimations using texture measures from Worldview II satellite
data. Remote Sensing, n. 4, p. 810-29, 2012.
EHLERS, M. Sensoriamento remoto para usurios de SIG sistemas e mtodos: as exigncias e a realidade. In:
BLASCHKE, T.; KUX, H. (ed.) Sensoriamento remoto e SIG avanados. So Paulo: Oficina de Textos,
cap. 2, p. 20-32, 2005.
ENVIRONMENTAL SYSTEMS RESEARCH INSTITUTE (ESRI). ArcGIS Professional GIS for the desktop,
verso 9.3, 2008.
FEITOSA, R. Q.; MATTOS, C.; SANTOS, R. V.; REGO, L. F. G.; PEREIRA, A. A. C. Impacto de tcnicas
baseadas em conhecimento na anlise de imagens de mdia resoluo para mapeamento do
desflorestamento na Amaznia. In: Anais Simpsio Brasileiro de Sensoriamento Remoto, 12, Goinia:
INPE, p. 4065-72, 2005.
FERNANDES, R. E. F.; SANTOS, A. P.; COSTA, M. F.; COSTA, F. F. Avaliao da acurcia em levantamentos
cinemticos em tempo real aplicando a tcnica RTK. Anais do III Simpsio Brasileiro de Geomtica,
Presidente Prudente-SP, v. 1. p. 240-45, 2012.
FERREIRA, R. S. Uma Abordagem multiescalar, multicritrio para a segmentao de imagens. [Dissertao de
mestrado de engenharia eltrica - Pontifcia Universidade Catlica do Rio de Janeiro, Departamento de
Engenharia Eltrica]. Rio de Janeiro, 2011.
FIGUEIREDO, G. C.; VIEIRA, C.A.O. Estudo do comportamento dos ndices de exatido global, Kappa e Tau,
comumente usados para avaliar a classificao de imagens de sensoriamento remoto. In: Anais Simpsio
Brasileiro de Sensoriamento Remoto, 13, Florianpolis: INPE, p. 5755-62, 2007.
102
GREEN, A. A.; BERMAN, M.; SWITZER, P.; CRAIG, M. D. A transformation for ordering multispectral data in
terms of image quality with implications for noise removal. IEEE Transactions on Geoscience and Remote
Sensing, v. 26, n.1, p. 65-74, 1988.
GREEN, K. The potential and limitations of remote sensing and GIS in providing ecological information. In:
SAMPLE, V. A. (ed). Remote sensing and GIS in ecosystem management. Washington: Island Press, part.
4, cap. 19, p. 327-36, 1994.
IMMITZER, M.; ATZBERGER, C.; KOUKAL, T. Tree species classification with random forest using very high
spatial resolution 8-band Worldview II satellite data. In: Remote Sensing, v. 4(9), p. 2661-93, 2012.
INSTITUTO NACIONAL DE PESQUISAS ESPACIAIS (INPE) - Manuais: tutorial de geoprocessamento
SPRING, 2008.
JENSEN, J. R. Remote sensing of vegetation. In: Remote sensing of the environment, an Earth resource
perspective. Upper Saddle River-NJ: Prentice Hall, p. 333-377, 2000.
KAMAGATA, N.; AKAMATSU, Y.; MORI, M.; QING LI, Y.; HOSHINOY, Y.; HARA, K. Comparison of
pixel-based and object-based classifications of high resolution satellite data in urban fringe areas. In:
Proceedings of the 26th Asian Conference on Remote Sensing. Hanoi, Vietnam. Nov./2005.
KLECKA, W. R. Discriminant Analysis. SAGE Publications, Inc., Beverly Hills, California, 71 p., 1980.
KRTING, T. S. Classificao de imagens por regies. So Jos dos Campos, 2006.
KRUSE, F. A.; BOARDMAN, J. W.; HUNTINGTON, J. F. Comparison of airborne hyperspectral data and EO-1
Hyperion for mineral mapping. IEEE Transactions on Geoscience and Remote Sensing, v. 41, n.6, p. 13881400, 2003.
KRUSE, F. A.; BOARDMAN, J. W.; LEFKOFF, A. B.; HEIDEBRECHT, K. B.; SHAPIRO, A.T.; BARLOON,
P. J.; GOETZ, A. F. H. The spectral image processing system (SIPS) interactive visualization and
analysis of imaging spectrometer data. Remote Sensing of Environment, v. 44, p.145-163, 1993.
KURY, E. B.; VIEIRA , C. A. O. Classificao automtica de imagens de alta resoluo. Viosa-MG, Disponvel
em: <http://www.ufv.br/nugeo/ufvgeo2002/resumos/9-eduardo.pdf> acesso em: 06 de maro de 2013.
KUX, H. J. H.; SOUZA, U. D. V. Object-based image analysis of Worldview II satellite data for the classification
of mangrove areas in the city of So Lus, Maranho State, Brazil. ISPRS Annals of the Photogrammetry,
Remote Sensing and Spatial Information Sciences, v. I-4, n. 2012, p. 95-100, 2012.
LANDIS, J. R; KOCH, G. G. The measurement of observer agreement for categorical data. Biometrics, v.33,
n.1,p. 159-174, 1977.
LEONARDI, F. Abordagens cognitivas e minerao de dados aplicadas a dados pticos orbitais e de laser para a
classificao de cobertura do solo urbano. (sid.inpe.br/mtc-m19@80/2010/03.17.11.42-TDI). [Dissertao
de mestrado em sensoriamento remoto - Instituto Nacional de Pesquisas Espaciais]. So Jos dos Campos,
p. 162, 2010. Disponvel em: <http://urlib.net/8JMKD3MGP7W/376H8M2>. Acesso em: 30/12/2012.
LEVADA, A. L. M. Combinao de modelos de campos aleatrios markovianos para classificao contextual de
imagens multiespectrais. 146p. Tese (Doutorado) - Instituto de Fsica de So Carlos, Universidade de So
Paulo, So Carlos, 2010.
LIOTTE, S.V; MACEDO, A. B. Utilizao de tcnicas de geoprocessamento para apoio ao planejamento fsicoterritorial do municpio de Pariquera-Au. Universidade de So Paulo. So Paulo, 2000.
LUIZ, N. B.; ANTUNES, A. F. B.; TAVARES JR, J. B. Segmentao multirresoluo e classificao orientada a
objetos aplicados a imagens Spot-5 para o mapeamento do uso da terra. Revista Floresta, Curitiba-PR, v.
40, n. 2, p. 429-46, abr./jun. 2010.
103
104
PRADO, F. A. Sistema hierrquico de classificao para mapeamento da cobertura da terra nas escalas regional e
urbana. [Dissertao de mestrado da Universidade Estadual Paulista, Campus de Presidente Prudente]. So
Paulo, p. 164, 2009.
PU, R.; LANDRY, S. A comparative analysis of high spatial resolution IKONOS and Worldview II imagery for
mapping urban tree species. In: Remote Sensing of Environment, v. 124, p. 516533, 2012.
RIBEIRO, B. M. G. Avaliao das imagens Worldview II para o mapeamento da cobertura do solo urbano
utilizando o sistema InterIMAGE. INPE-16761-TDI/1689. [Dissertao de mestrado em sensoriamento
remoto - INPE - Instituto Nacional de Pesquisas Espaciais]. So Jos dos Campos, p. 177, 2010.
Disponvel em: <http://urlib.net/sid.inpe.br/mtc-19@80/2010/08.03.12.52.20>. Acesso em: 31/12/2012.
RIBEIRO, S. R. A; SANTOS, D. R.; CENTENO, J. A. S. Aplicao da metodologia de dados orientada a objeto
na classificao de uma rea urbanizada, utilizando uma imagem digital obtida por meio da tecnologia do
laser scanner. In: Anais em CD-ROM do Simpsio Brasileiro de Geomtica, Presidente Prudente, 2002.
RICHARDS, J. A.; JIA, X. Remote sensing digital image analysis: an introduction. 4. ed. New York: Springer, p.
476, 2006.
RUDORFF, C. M. Estudo da composio das guas da Plancie Amaznica por meio de dados de reflectncia do
sensor Hyperion/EO-1 e de espectrmetro de campo visando compreenso da variao temporal dos seus
constituintes opticamente ativos / C. M. Rudorff. So Jos dos Campos: INPE, 2006.
SHIMABUKURO, M. T. Avaliao de classificadores espectrais de imagens Lansat-TM em reas rurais
densamente ocupadas: o caso da regio de Brotas e Torrinha - So Paulo. [Dissertao de mestrado em
biologia vegetal - Universidade Estadual de Campinas]. Campinas, p. 193, 1996.
SILVA, A. F. Geoeststica e sensoriamento remoto na classificao de imagens em reas cultivadas com citros.
[Dissertao de mestrado em agronomia - Faculdade de Cincias Agronmicas, Universidade Estadual
Paulista]. Botucatu, p. 83, 2011.
SOUZA, U. D. V. Classificao da cobertura e do uso do solo urbano de So Lus (MA), com imagens Worldview
II utilizando minerao de dados e o sistema Interimage. (sid.inpe.br/mtc-m19/2012/10.17.17.34-TDI).
[Dissertao de mestrado em sensoriamento remoto - Instituto Nacional de Pesquisas Espaciais]. So Jos
dos Campos, p. 112, 2012. Disponvel em: <http://mtc-m19.sid.inpe.br/col/sid.inpe.br/mtcm19/2012/10.17.17.34/doc/publicacao.pdf>. Acesso em: 02/01/2013.
SOUZA, U. D. V.; ALFAYA, F. A. V. S.; KUX, H. J. H. Contribuio das novas bandas espectrais do satlite
Worldview II para a classificao de tipos vegetais em habitats costeiros: resultados iniciais. In: Anais do
Simpsio Brasileiro de Sensoriamento Remoto (SBSR), 15, Curitiba: INPE, p. 9040-47, 2011. DVD,
Internet. ISBN 978-85-17-00056-0 (Internet), 978-85-17-00057-7 (DVD). Disponvel em:
<http://urlib.net/3ERPFQRTRW/3A58J35>. Acesso em: 31/12/2012.
SPRING. (1996) - Sistema de Processamento de Informaes Georeferenciadas, Instituto Nacional de Pesquisas
Espaciais, INPE Disponvel em, Disponvel em <http://www.inpe.br/spring> Acesso em: 02/01/2013.
STORY, M.; CONGALTON, R. G. Accuracy assessment: a users perspective. Photogrammetric Engineering and
Remote Sensing, v. 52: p. 397-99, 1986.
TORRIJOS CADENA, G. Classificao dos tipos de pavimentos das vias urbanas a partir de imagem de alta
resoluo espacial por meio de anlise orientada a objeto. [Dissertao de mestrado em cincias
cartogrficas, Universidade Estadual Paulista - Faculdade de Cincias e Tecnologia]. So Paulo, 2011.
Disponvel em: <http://www4.fct.unesp.br/pos/cartografia/docs/teses/d_cadena_gt.pdf> Acesso em:
02/01/2013.
VIEIRA, M. A. Anlise de imagem orientada a objeto e minerao de dados aplicadas ao mapeamento da cultura
da cana-de-acar. (sid.inpe.br/mtc-m19@/2010/04.08.17.43-TDI). [Dissertao de mestrado em
sensoriamento remoto - Instituto Nacional de Pesquisas Espaciais]. So Jos dos Campos, p. 110, 2010.
Disponvel em: <http://urlib.net/8JMKD3MGP7W/37A6SQ8>. Acesso em: 02/01/2013.
105
XIAOXIA, S.; JIXIAN, Z.; ZHENGJUN, L. A comparison of object-oriented and pixel-based classification
approachs using quickbird imagery. Proceedings ISPRS - International Society of Photogrammetry and
Remote Sensing, 2005.
YUHAS, R. H; GOETZ, AFH; BOARDMAN, J. W. Discrimination Among Semi-Arid Landscape Endmembers
Using Spectral Angle Mapper (SAM) Algorithm, Summaries of the 4th Annual JPL Airborne Geoscience
Workshop, JPL Pub-92-14, AVIRIS Workshop. Jet Propulsion Laboratory, Pasadena, CA, pp. 147-150.
1992
ZANARDO, F. H.; SILVA, H. R.; ZOCOLLER, J. V. S.; MAGALHES, N. A. Avaliao e comparao de
mtodos de classificao de imagens de satlites, utilizados pelo software Spring no estudo da microbacia
hidrogrfica do Crrego Acampamento, em Dirce Reis (SP). In: XXI Congresso de Iniciao Cientfica
(CIC) - UNESP, So Jos do Rio Preto, 2009.
ZENGEYA, F. M.; MUTANGA, O.; MURWIRA, A. Linking remotely sensed forage quality estimates from
Worldview II multispectral data with cattle distribution in a savanna landscape. In: International Journal of
Applied Earth Observation and Geoinformation, v. 21, p. 513-24, 2013.
106