II Simpsio Brasileiro de Cincias Geodsicas e Tecnologias da Geoinformao Recife - PE, 8-11 de setembro de 2008 p.

000-000

ENSAIOS DE SEGMENTAO E CLASSIFICAO DIGITAL DE IMAGENS CBERS UTILIZANDO O SISTEMA SPRING EM UMA UNIDADE DE CONSERVAO AMBIENTAL ESTUDO DE CASO: PARQUE NACIONAL DA SERRA DOS RGOS (PARNASO)
ZARGO QUARESMA DA CRUZ1 GILBERTO PESSANHA RIBEIRO2 Universidade do Estado do Rio de Janeiro - UERJ Faculdade de Engenharia Departamento de Engenharia Cartogrfica {zargo.cruz, gilberto.pessanha}@gmail.com RESUMO - Este trabalho consiste na apresentao de resultados dos testes empricos realizados pelo autor para definio dos melhores parmetros de segmentao e classificao (supervisionada e no supervisionada) utilizando imagens CBERS no sistema SPRING. A aplicao dos ensaios foi condicionada para execuo da classificao do uso e cobertura da terra de uma Unidade de Conservao, tendo como objetivo servir de apoio produo de um mapeamento digital para um nvel regional de detalhamento. O Parque Nacional da Serra dos rgos (PARNASO), caracterizado visualmente pela paisagem da sua exuberante floresta de Mata Atlntica e tambm por seus vrios gnaisses protuberantes, possui ainda problemas de invaso urbana no seu entorno, possibilitando assim um ambiente interessante para aplicao dos estudos propostos, tanto pela diversificao das classes temticas envolvidas, como pela representatividade de cada uma delas. ABSTRACT - These papers presents the results of authors empirical tests in way to choose the best parameters for produce segmentation and classification (supervised and unsupervised) using CBERSs image on SPRING system. The application of tests were fit to execution a classification of lands use and cover of one Conservation Unit, within objective will be a base for production a digital mapping with regional level of details. The Parque Nacional da Serra dos rgos (PARNASO), visual characterized for wonderful Mata Atlntica forest and a lot of protuberant gneisses, besides it has urban invasion around its limits, these environments become to be interest to applications of propose study, not only for the lot of kinds of thematic classes but for the representative of each one too.

1 INTRODUO A caracterizao das classes temticas de uma Unidade de Conservao uma ferramenta de vital importncia para auxlio gesto ambiental. Esse processo pode ser acelerado, e muito, pelo uso de tcnicas automatizadas atravs do mapeamento digital. Para sua realizao so utilizados mtodos matemticos de classificao computacional (supervisionada e nosupervisionada). Durante a realizao de um projeto de baixo custo, com utilizao de imagens sensoriais do sistema China-Brazil Earth Resources Satellite (CBERS) e do sistema computacional SPRING, envolvendo a classificao do uso e cobertura da terra de uma Unidade de Conservao (UC), o autor se deparou com o problema da escassez de informaes disponveis na literatura sobre a definio e influncia dos valores atribudos aos parmetros de configurao dos processos de classificao e de segmentao, este ltimo atuando
Z. Q. Cruz; G. P. Ribeiro

como pr-requisito para os mtodos de classificao por regio. Sendo assim, foi desenvolvida uma bateria de ensaios qualitativos, objetivando estudar a amplitude e o comportamento resultante da variao de cada parmetro disponvel no sistema SPRING. Tambm ser abordada no contexto, de forma superficial, a influncia de uma cena adquirida em data diferente sobre os resultados apresentados. Os testes foram realizados utilizando-se como estudo de caso o Parque Nacional da Serra dos rgos (PARNASO), principalmente por esta UC apresentar uma variao interessante das classes temticas e tambm por estar envolvida com problemticas urbanas que demandam por estudo de mapeamento temtico, inclusive com necessidades de atualizao e identificao de detalhes, sendo esses conceitos no abordados no presente trabalho. 1.1 Localizao Geogrfica

II Simpsio Brasileiro de Cincias Geodsicas e Tecnologias da Geoinformao Recife - PE, 8-11 de setembro de 2008 p. 000-000

O PARNASO est inserido no Macio da Serra dos rgos e faz parte da Serra do Mar na regio serrana fluminense. Localizado a cerca de 90Km da cidade do Rio de Janeiro e com aproximadamente 106.191 km de rea, o parque engloba parte dos municpios de Mag, Guapimirim, Petrpolis e Terespolis.

como no presente estudo, utilizado o mtodo de crescimento por regies. Uma das principais dificuldades encontradas para a realizao da segmentao por crescimento de regies a falta de informaes para definio dos parmetros que envolvem este processo: similaridade e rea. Segundo a definio do INPE (2007) encontrada na literatura do SPRING:
A medida de similaridade est baseada na distncia Euclidiana entre os valores mdios dos nveis de cinza de cada regio. Assim duas regies so consideradas distintas se a distncia entre suas mdias for superior ao limite de Similaridade escolhido. [Da mesma forma, as] regies com rea menor que o mnimo escolhido so absorvidas pelas regies adjacentes mais similares a estas.

Figura 1- Mapa de localizao do PARNASO 1.2 Caractersticas da unidade de conservao O PARNASO caracterizado pelo relevo de perfil extremamente acidentado e elevado, formado principalmente por gnaisses granitides do perodo PrCambriano e pela cobertura vegetal dominada por exuberante floresta, ambos sob a influncia de um clima tropical supermido. Segundo descrito no site do IBAMA (2008), no interior do PARNASO as formas florestais, apesar de apresentarem aparncia primitiva so na verdade matas secundrias bem evoludas com respeito sucesso florestal. Entretanto alguns trechos do Parque apresentam cobertura original. 1.3 O mapeamento Os ensaios de segmentao e classificao foram realizados durante o mapeamento digital do uso e cobertura da Terra realizado com a escala regional de 1:100.000 e est parcialmente apoiado nas bases cartogrficas digitais do Instituto Brasileiro de Geografia e Estatstica (IBGE) na escala 1/50.000, assim como em imagens sensoriais adquiridas por satlites do programa China-Brazil Earth Resources Satellite (CBERS). Para o processo de classificao digital do uso e cobertura da Terra, foi utilizado como referncia o sistema de classes sugerido pelo IBGE, sendo o mesmo adaptado conforme exigido pelas caractersticas especficas da UC em questo. 2 PROCESSOS DA CLASSIFICAO DIGITAL E SEUS PARMETROS 2.1 Segmentao Processo de separao automatizada da imagem em reas que englobem pixels semelhantes nas direes X e Y do plano cartesiano. Essa etapa essencial para a realizao de uma classificao por regio. Normalmente,
Z. Q. Cruz; G. P. Ribeiro

O funcionamento computacional da segmentao por regies comea com a atribuio automtica do tamanho de um pixel para cada regio, em seguida, essas regies iniciais crescem atravs da aglutinao das regies adjacentes que possuam diferenas de tons de cinza menores que o limite definido para o parmetro similaridade, essa etapa baseada na menor distncia Euclidiana entre as mdias dos tons de cinza das regies envolvidas no processo, aps essa fragmentao inicial, as regies que possuem o nmero de pixels menor ou igual ao valor definido para o parmetro rea, so agregadas s regies adjacentes cujas caractersticas sejam mais prximas, independente da similaridade definida inicialmente. Fica clara, nesse momento, a importncia que a correta definio desses parmetros possui no quesito qualidade da classificao final. Sendo 256 o nmero de tons de cinza passveis de representao em uma imagem de 8bits (28) como o caso das imagens CBERS, sabido que o intervalo de similaridade tem que variar de 1 a 256, sendo que o valor de 256 o limite mximo de aceitao, onde qualquer dupla de pixels, por mais distintos que possam ser, sero agrupados, gerando um polgono nico, independente do valor definido para o parmetro rea. Este, por sua vez, pode variar de 1 at o nmero total de pixels da imagem, sendo esse valor utilizado para definir o tamanho da rea do menor segmento individualizado pelo processo, ou seja, toda regio que contenha o nmero de pixels igual ou menor que o estipulado no parmetro rea ser obrigatoriamente agrupada uma outra regio adjacente mais semelhante. 2.2 Classificao Processo que envolve o processamento computacional da imagem visando aglomerar blocos de pixels que possuam dados com informaes semelhantes, sendo que o nvel de semelhana depende da escolha do mtodo classificador (modelo matemtico), podendo o mesmo ser ainda matematicamente ajustado pelo usurio atravs dos parmetros prprios de cada mtodo, sendo neste artigo tratado somente o limiar de aceitao, que um parmetro comum maioria dos mtodos disponveis no SPRING.

II Simpsio Brasileiro de Cincias Geodsicas e Tecnologias da Geoinformao Recife - PE, 8-11 de setembro de 2008 p. 000-000

O conceito do parmetro limiar de aceitao extremamente importante para a correta qualificao do resultado final do processo de classificao. possvel defini-lo como sendo o percentual, de uma distncia ou da quantidade de pixels, que ser utilizado para refinar a classificao atravs da rejeio de dados discrepantes, ou melhor, com baixa probabilidade de pertencer ao conjunto desejado. Quando o limiar de aceitao baixo, mais itens so desconsiderados e deixam de ser classificados, ao contrrio, um limiar de 100% no descarta nenhuma informao por mais duvidosa que possa ser. Normalmente o intervalo de aceitao varia de 75% a 99.9% de uma distribuio normal de probabilidade para um segmento/pixel pertencer a uma determinada classe. 2.3 Treinamento Para realizar um processo de classificao multiespectral, ou seja, que utiliza mais de uma faixa espectral, como o caso em estudo, preciso realizar o reconhecimento da assinatura espectral das classes de interesse, esse procedimento chamado de treinamento, no contexto do SPRING. Pode ser supervisionado ou nosupervisionado, sendo o primeiro caso caracterizado quando o engenheiro responsvel possui informaes que possibilitem a identificao de uma ou mais classes de interesse atravs da definio de reas representativas na imagem. Os desenvolvedores do SPRING recomendam o uso de 10 a 100 pixels representativos de cada classe para se obter uma classificao estatisticamente confivel. Tambm importante salientar que a utilizao da ferramenta de anlise estatstica das amostras (disponvel no SPRING) um procedimento de grande valia para a qualidade final do processo de classificao supervisionada, permitindo eliminar as amostras discrepantes. 3 MTODOS CLASSIFICADORES Os mtodos classificadores dividem-se em dois grandes grupos de acordo com o item elementar envolvido na anlise, o mais simples o classificador pixel a pixel, ou por pixel, que considera apenas as informaes de nvel de cinza de cada pixel para agruplos em padres homogneos, baseando-se em conceitos de probabilidade (mtodo estatstico) ou no (mtodo determinstico). O classificador por regio define o outro grupo de mtodos que alm do nvel de cinza considera tambm a situao espacial de um conjunto de pixels semelhantes (regio) em relao aos pixels que cercam esse conjunto. A classificao por regio depende obrigatoriamente de um processo prvio de segmentao da imagem para realizar o processamento. J a classificao por pixel, no faz uso do processo de segmentao, pois utiliza a evoluo dos pixels para produzir os resultados. Os modelos matemticos utilizados pelo autor para a classificao no sistema
Z. Q. Cruz; G. P. Ribeiro

SPRING sero descritos a seguir (com destaque), existem outros modelos disponveis no sistema, porm no sero tratados nesse estudo. Tabela 1 - Classificadores disponveis no SPRING 5

3.1 Maxver (Mxima Verossimilhana) Esse classificador baseia-se no modelo estatstico de Mxima Verossimilhana e, atualmente, um dos mais utilizados em trabalhos de mapeamento temtico, seja utilizando o SPRING ou outro sistema equivalente. Aps obter a mdia dos nveis digitais de cada classe e estabelecer sua distribuio de probabilidade normal, o algoritmo passa a considerar a distncia ponderada entre as mdias das classes para classificar o pixel de acordo com sua posio em relao distribuio normal. Em determinados casos, que ocorrem com freqncia significativa, um mesmo pixel pode ser atribudo a duas classes distintas (efeito da sobreposio das distribuies normais das classes), sendo assim, necessrio estabelecer um limiar de aceitao para refinar a classificao conforme seu propsito. Para reduzir o efeito da sobreposio no processo de classificao necessrio um conjunto de treinamento supervisionado com uma quantidade significativa de pixels de alvos distintos, permitindo um trabalho estatstico mais eficiente e um resultado mais prximo da realidade. 3.2 Distncia Euclidiana um processo de baixo custo computacional e que depende de um treinamento supervisionado onde a mdia de cada classe gerada atravs das amostras, em seguida cada pixel atribudo quela classe cuja distncia euclidiana entre o valor do pixel e a mdia da classe for menor, ou seja, a classe da qual a mdia o pixel est mais prximo. 3.3 Isoseg Trabalhando com o conceito de clustering (agrupamento) esse algoritmo caracteriza-se por requerer uma mscara de micro-regies pr-definada (segmentao) e por no depender das amostras de cada classe. Tais regies so agrupadas (aumentadas) em reas homogneas de acordo com a distncia de Mahalanobis entre a classe e a regio a ser classificada. O processamento ocorre desprezando-se as informaes probabilsticas da imagem, e, em seu lugar,

II Simpsio Brasileiro de Cincias Geodsicas e Tecnologias da Geoinformao Recife - PE, 8-11 de setembro de 2008 p. 000-000

utilizando as informaes estatsticas da mdia e da varincia das regies para estimar o valor central que ser atribudo como referencial de cada classe. 3.4 Bhattacharya Mtodo baseado no ndice de probabilidade das classes desejadas. Sempre trabalhando com um par de classes de cada vez, o mtodo depende diretamente do treinamento supervisionado para organizar os segmentos de acordo com a menor distncia de Bhattacharya encontrada com determinada classe, associando-o mesma. 4 CONTEXTO AMBIENTAL O Brasil possui uma imensa biodiversidade, cujas amostras esto espalhadas de forma desigual e por vezes isoladas ao longo de toda a vasta extenso territorial de nosso pas. 4.1 Unidade de Conservao Uma das melhores alternativas conhecidas para a preservao desta biodiversidade so os sistemas de Unidades de Conservao que, embora por si s no representem uma soluo definitiva, constituem-se peas fundamentais na luta pela preservao do patrimnio ambiental do pas. (Agenda 21 Brasileira, 2002). Definio pela Lei n. 9985/2000
O espao territorial e seus recursos ambientais, incluindo as guas jurisdicionais, com caractersticas naturais relevantes, legalmente institudo pelo poder pblico, com objetivos de conservao e limites definidos, sob regime especial de administrao, ao qual se aplicam garantias adequadas de proteo (art. 2, inciso I).

restrito de seus recursos naturais, salvo algumas excees ainda mais restritivas, j o segundo grupo engloba as unidades que zelam pelo uso sustentvel de parte de seus recursos naturais sem abrir mo da conservao da natureza como um todo. Tabela 2 - Categorias de Unidade de Conservao

Fonte: Lei 9985/2000, art. 8 e 14 5 METODOLOGIA E DESENVOLVIMENTO O procedimento de caracterizao da cobertura e uso da Terra pode ser acelerado pelo processo de anlise computacional das reflectncias espectrais das bandaschave atravs da correlao entre as assinaturas espectrais e as caractersticas fsico-qumicas de um determinado tipo de alvo (adaptado de LIU, p. 123). 5.1 Lista de Materiais Notebook AMD AthlonX2 DualCore 1.7Ghz, 1.5Gb RAM e HD 120Gb Bases cartogrficas vetoriais digitais do IBGE na escala 1:50.000: Itabora (MI )2746-1 Terespolis (MI 2716-3) Petrpolis (MI 2745-2) Itaipava (MI 2715-4) Arquivos no formato shapefile do limite atual e do limite da ampliao do PARNASO integrantes do SIG existente no parque Imagens sensoriais do sistema CBERS Cena 151/125 adquirida para as datas de 07-072007 e 23-09-2007. Sistema computacional SPRING (4.3.3 e 5beta)

Alm de preservar a natureza e as espcies em extino, as UC so capazes de garantir s populaes tradicionais o uso sustentvel dos recursos naturais e ainda permitem que as comunidades do entorno desenvolvam atividade econmicas sustentveis. Estas reas esto sujeitas normas e regras especiais. Constam hoje no Cadastro Nacional de Unidades de Conservao 379 unidade(s) de conservao validadas pelos rgos gestores, sendo 290 sob gesto federal, 83 unidade(s) estadual(is) e 6 unidades municipal(is). Existem outras unidades de conservao em processo de validao, cujo os dados sero disponibilizados em breve (fonte: http://sistemas.mma.gov.br/portalcnuc/index.php Acessado em 21-07-08). 4.2 Tipos de UC As unidades de conservao dividem-se em dois grandes grupos com caractersticas especficas: as Unidades de Proteo Integral e as Unidades de Uso Sustentvel, sendo a primeira direcionada totalmente para a proteo natureza, permitindo apenas o uso indireto e
Z. Q. Cruz; G. P. Ribeiro

4.2 Banco de Dados Geogrficos Foi criado no sistema SPRING um banco de dados geogrficos, nomeado como PARNASO, com a finalidade de armazenar os dados para a execuo do trabalho. Em seguida criou-se o projeto denominado Projeto_PARNASO com os seguintes parmetros: -Sistema de projeo cartogrfica: UTM - Meridiano central: 45WGr - Zona: 23 -Datum: SAD 69 (South American Datum de 1969) - Coordenadas: Planas - Hemisfrio: Sul - Coordenadas do Retngulo envolvente: E 678.000m, N 7.428.000m (Canto Inferior Esquerdo) E 733.000m, N 7.538.000m (Canto Superior Direito)

II Simpsio Brasileiro de Cincias Geodsicas e Tecnologias da Geoinformao Recife - PE, 8-11 de setembro de 2008 p. 000-000

Em seguida foram criadas as categorias integrantes do modelo de dados, conforme mostrado no fluxograma a seguir:

Figura2: Composio RGB342 da cena de 23-09-07 (esq.) e de 07-07-07 (dir.)

Aps essa etapa o sistema SPRING passou a estar pronto para receber os dados atravs da criao dos Planos de Informao (PI), o que permite que os dados sejam manipulados em busca da produo do mapeamento proposto. 4.3 Aquisio de imagens sensoriais atualizadas Foi realizado um acesso ao catlogo on-line das imagens do sistema CBERS disponvel na internet atravs do site http://www.cbers.inpe.br/, foi identificado o ponto 125 da rbita 151 como o local das cenas que atenderiam ao projeto. Aps filtragem e analise visual da qualidade de nitidez das imagens e tambm da ausncia de cobertura de nuvens sobre a rea desejada dentro da cena em questo, foram ento selecionadas as cenas adquiridas para as datas de 07-07-2007 e 23-09-2007. Segundo as especificaes do catlogo de imagens, ambas so fornecidas com correes de Nvel 2 (ou Preciso), que indica calibrao radiomtrica e geomtrica. A cena mais recente (23-09-07) apresenta uma cobertura por neblina densa ou efeito de poluio atmosfrica acumulada (figura 2), porm, tal caracterstica no atinge o recorte da rea do projeto e, em contrapartida, apresenta uma quantidade de sombreamento muito menor do que a cena do ms de julho, conforme destacado pelas figuras 3 e 4.

Figuras 3 e 4 - Efeito de sombra menor na cena de 23-0907 (no alto) em relao cena de 07-07-07 (acima) 5.2 Georreferenciamento Para realizar o georreferenciamento das imagens (bandas), foram ativados no SPRING os planos de informao das bases vetoriais do IBGE e ento realizado diversos testes com a criao de 10 pontos de controle, utilizando a ferramenta registro do menu arquivo, associando pontos notveis na imagem com seus correspondentes nas bases vetoriais. Refinamentos foram executados at que se obtivesse um erro residual menor que 1 pixel. A banda base de georreferenciamento foi a banda 4, sendo tambm utilizadas as bandas 2 e 3. Ficando o estudo restrito s bandas 2, 3 e 4 na composio RGB342.

Z. Q. Cruz; G. P. Ribeiro

II Simpsio Brasileiro de Cincias Geodsicas e Tecnologias da Geoinformao Recife - PE, 8-11 de setembro de 2008 p. 000-000

5.4 Ensaios de Segmentao Similaridade 35 x rea 1200 pixels Como mais de 90% da rea do PARNASO envolve vegetao de Mata Atlntica, foi escolhida a banda 4 (NIR), que possui maior captao da reflectncia caracterstica desse alvo, como base para todo o processamento de segmentao e classificao. A seguir sero mostrados destaques ampliados de reas especficas de algumas combinaes de parmetros de segmentao executadas pelo mtodo emprico, seguidas de comentrio do autor. Similaridade 60 x rea 1200 pixels
Figura 8: Permanncia da confuso de agrupamento

Similaridade 5 x rea 200 pixels

Figura 5: Confuso grave de tema dentro de uma regio

Similaridade 10 x rea 200 pixels

Figura 9: Regies bem definidas tematicamente e agrupadas adequadamente

Similaridade 3 x rea 200 pixels

Figura 6: Regies bem definidas, mas com algumas falhas de generalizao

Similaridade 5 x rea 1200 pixels

Figura 10: Regies bem definidas tematicamente mas com excessivo nmero de regies similares no agrupadas

5.5 Definio das classes A definio das classes de interesse foi realizada de forma a se manter compatvel com o nvel de detalhamento permitido pela resoluo espacial das cenas CBERS.
Figura 7: Confuso de vrios temas dentro da mesma regio Z. Q. Cruz; G. P. Ribeiro

II Simpsio Brasileiro de Cincias Geodsicas e Tecnologias da Geoinformao Recife - PE, 8-11 de setembro de 2008 p. 000-000

grande quantidade de segmentos intermedirios de difcil identificao (separao) na cena, e da classe afloramento rochoso com campos de altitude, sendo este ltimo um procedimento temporrio. Posteriormente a classe campos de altitude foi definida manualmente, porm, em virtude da ausncia de visitas ao campo, este processo teve como base informaes de outros mapeamentos existentes no parque e das curvas hipsomtricas. c) Desativao da visualizao do PI da segmentao para um melhor resultado no processo de seleo das amostras, evitando assim a tendenciosidade do operador durante a atribuio da amostra. 5.7 Resultados do classificador Bhattacharya Figura 11: Resumo da definio de classes Para caracterizar a cor de cada classe foram utilizados como base os padres de cores do Manual Tcnico do IBGE, sendo que algumas classes tiveram suas cores adaptadas ou atribudas de forma a melhorar a clareza das informaes. Os elementos sem classificao (no-classificados) foram representados pela cor branca. A ttulo de esclarecimento vale destacar que na cena de 27-09-07 apesar da camada nebulosa concentrada prxima Baia de Guanabara e da fumaa de um incndio ao norte do parque, o recorte da rea do projeto praticamente no sofre influncia desses eventos. Diferentemente, a cena do dia 07-07-07, possui algumas poucas nuvens na parte norte do PARNASO, porm a cena como um todo possui uma tima qualidade geral, sendo ento criada a classe Nuvens somente para atender a cena adquirida nesta data. 5.6 Treinamento supervisionado A realizao de amostras com um nvel de confiabilidade aceitvel, mostrou-se um processo extremamente exaustivo, tanto em termos de tempo como em termos da checagem visual dos resultados. Uma das preocupaes iniciais foi o de garantir uma quantidade significativa de amostras para cada tema, ou seja, pelo menos 10 regies, de forma a ter cerca de 100 pixels representativos conforme recomendado na literatura do SPRING. O mtodo Bhattacharya foi utilizado de forma inicial para efeito de teste da amostragem, sendo a amostragem refinada por diversas vezes para que fosse possvel eliminar erros grosseiros identificados visualmente. Para reduzir os efeitos limitantes da confuso de temas ocasionados pela resoluo espacial limitada do sistema CBERS, foram adotadas as seguintes medidas metodolgicas: a) Eliminao da classe Corpo de gua no processo automtico, pois houve o impedimento da obteno da variedade amostral necessria b) Utilizao do recurso agrupar da janela de Treinamento do SPRING para realizar o agrupamento da classe floresta mdia com floresta avanada devido a
Z. Q. Cruz; G. P. Ribeiro

Na classificao pelo mtodo Bhattacharya, percebeu-se que com a reduo da incerteza do pixel atravs da definio do limiar de aceitao a quantidade de informaes no classificadas atingiu nveis crticos como mostrado na figura 12 (cor de fundo branca) para o limiar mximo em termos de certeza (75%), ou seja, ao optar-se por somente considerar as regies que tivessem alta garantia de coincidncia com o tema, perdia-se a possibilidade de classificar reas importantes.

Figura 12 - Classificao Bhattacharya 75%(23-09-07)

Figura 13 - Classificao Bhattacharya 99.9% (23-09-07) 5.8 Resultados do classificador ISOSEG

II Simpsio Brasileiro de Cincias Geodsicas e Tecnologias da Geoinformao Recife - PE, 8-11 de setembro de 2008 p. 000-000

Como se trata de um mtodo no-supervisionado, os resultados da opo de similaridade para o mtodo ISOSEG resumem-se quantidade de classes geradas, porm, nesse mtodo nenhuma regio deixou de ser classificada. O limiar de 75% gerou um nmero muito maior de classes distintas do que no limiar de aceitao mxima (99.9%) conforme ilustrado nas figuras 14 e 15 para a data de 23-09-07.

5.7 Resultados do Classificador Dist.Euclidiana O mtodo Distncia Euclidiana mostrou-se como sendo o mais simples entre os mtodos supervisionados, porm, o mesmo no possui nenhuma opo de ajuste, produzindo sempre um nico resultado, o que em alguns casos pode at servir para evitar erros acidentais.

Figura 17 Classificao Dist.Euclidiana (23-09-07) 6 VALIDAO DOS RESULTADOS No intuito de suprir, mesmo que de forma superficial, a ausncia de visitas ao campo para realizao de identificao, reambulao e validao dos resultados encontrados no processo de classificao, o autor realizou procedimentos de comparao visual com os seguintes produtos: - Mapas do plano de ampliao do PARNASO (2006) - Base vetorial de transporte e hipsometria do IBGE - Mapa de cobertura da Terra Fundao CIDE (1994) - Mapa de vegetao da APA Petrpolis (2005) Tal procedimento no visa, de forma alguma, a classificao qualitativa ou quantitativa dos resultados. Mas apenas teve o objetivo de funcionar como alternativa para identificar possveis erros grosseiros cometidos pelo processo computacional. dito possvel neste momento porque as prprias fontes de comparao podem conter informaes imprecisas ou principalmente e tambm inevitavelmente desatualizadas. As comparaes realizadas foram utilizadas somente para confirmao das reas cujos resultados foram idnticos, ou seja, para efeito de validao positiva. 7 CONCLUSES E SUGESTES Os procedimentos metodolgicos de classificao utilizados at aqui para as cenas do dia 23-09-07 (DIA23) foram replicadas para realizao de ensaios comparativos para as cenas adquiridas na data de 07-0707 (DIA-07). Ao final dos ensaios foi possvel destacar as seguintes concluses relevantes:

Figuras 14 e 15 Clas. ISOSEG 99.9% (alto) e 75% (acima) (23-09-07)

5.6 Resultados do classificador MaxVer Foram realizados testes utilizando classificadores por pixel com treinamento supervisionado, mas teve-se o cuidado de garantir a mesma amostragem utilizada nos mtodos anteriores.

Figura 16 Classificao MaxVer 100% (cena 23-09-07)

Z. Q. Cruz; G. P. Ribeiro

II Simpsio Brasileiro de Cincias Geodsicas e Tecnologias da Geoinformao Recife - PE, 8-11 de setembro de 2008 p. 000-000

a) Tendo por base a zona de sombra da cena do DIA-07, ficou claro que a definio de similaridade com valores altos (30 a 60) como sugerido em alguns trabalhos baseado em imagens IKONOS no atende os propsitos do mapeamento desejado com o sistema CBERS, da mesma forma o valor da rea acima de 500 pixels tambm no atende os propsitos. A seleo da melhor composio para o projeto em questo foi a segmentao com similaridade 5 e rea 200 pixels, que permitiu uma tima coerncia dos contornos gerados. b) A mancha urbana detectada pelos mtodos Dist.Euclidiana e MaxVer para o DIA-23 foi muito maior do que a esperada para o local, principalmente ao norte e sudeste do recorte, o mtodo Bhattacharya apresentou o mesmo problema mas de forma mais sutil. Na aplicao ao DIA-07 os mtodos apresentaram resultados adequados com as informaes de referncia, porm todos classificaram excessivamente as bordas das manchas urbanas como afloramento rochoso, o que no por si s totalmente estranho, porm no condiz totalmente com as curvas de nvel e com o aspecto visual do local analisado. c) A qualidade da cena no que tange aos fatores fsico-qumicos e, principalmente, climticos do momento do imageamento, essencial para a interpretao dos resultados e tambm para a produo de um resultado cartograficamente confivel. O fator temporal ou a simples configurao de cobertura percentual de nuvens, no podem ser considerados suficientes para a seleo de uma cena capaz de produzir resultados satisfatrios. A utilizao de uma segunda cena, mesmo que de data mais antiga, foi fator primordial para a crtica dos resultados e eliminao de dvidas importantes tanto na interpretao de classes como na avaliao do desempenho dos classificadores. d) Tambm foi possvel perceber a influncia da forte incidncia solar na cena do DIA-07 atravs das grandes reas classificadas como sombra ou ainda pela textura uniforme entre algumas reas elevadas que intercalavam as duas classes de Floresta Ombrfila utilizadas no processo, podendo ser a intensidade e inclinao do sol, um fator de complexibilidade para a correta identificao das assinaturas espectrais e) Comparando os resultados de 75% com os outros at 99.9% do mtodo Bhattacharya, foi possvel identificar que houve um aumento significativo e progressivo na quantidade de reas classificadas sem que houvesse um erro qualitativo significativo a nvel visual. Na opo mxima de aceitao (99.9%) possvel perceber que nenhuma rea deixou de ser classificada. f) Uma concluso secundria do presente estudo, porm no por isso menos importante, foi o testemunho do amadurecimento da verso 5 do sistema SPRING. Alm da renovao da interface, que passou a incluir conceitos que j eram utilizados na maioria dos softwares comerciais da mesma categoria, mostrou-se muito mais estvel e com funes mais intuitivas. Porm, possvel destacar que algumas funes ainda esto necessitando claramente de aprimoramento, incluindo o mdulo SCARTA que continua com os mesmos recursos
Z. Q. Cruz; G. P. Ribeiro

limitadssimos das verses anteriores. Um recurso ausente e que fez muita falta a converso ou importao das bases vetoriais do IBGE no formato padro utilizado por este rgo, ou seja, DGN. Essa limitao obrigou o uso de um software comercial (ArcGIS 9.2) somente para realizao desse processo. De maneira geral, possvel concluir que os trs mdulos do sistema SPRING (IMPIMA, SPRING e SCARTA) permitem ao usurio com certa facilidade de operao de softwares e razovel conhecimento cartogrfico e de PDI, a elaborao de todas as etapas da produo de um mapa. g) Em nvel de anlise estatstica e tambm de custo computacional, sugerida a realizao de testes mais exaustivos de classificao, tanto para avaliao dos demais classificadores existentes, tal qual K-medias, Clatex e Histograma (todos disponveis no SPRING), como para a comparao refinada com os resultados dos mtodos clssicos, inclusive com anlise do ndice Kappa, sendo que este ltimo depende obrigatoriamente de investidas em campo. Esses testes so considerados pelo autor como primordiais para a definio do melhor classificador a ser utilizado num possvel (e recomendado) monitoramento sistemtico da UC. REFERNCIAS CRUZ, Zargo Quaresma da. Mapeamento Digital Regional do Uso e Cobertura da Terra em Unidade de Conservao a partir de imagens CBERS para apoio Gesto Ambiental. Estudo de Caso: Parque Nacional da Serra dos rgos (PARNASO). Monografia. Rio de Janeiro: UERJ, jul. 2008. DLUGOSZ, Fernando Luis; et al. Avaliao Quantitativa da Segmentao por Crescimento de Regies...em imagens Ikonos. In: XIII Simpsio Brasileiro de Sensoriamento Remoto, Florianplis. Anais. abr. 2007. IBGE. Manual Tcnico de Uso da Terra. Rio de Janeiro: Ed. IBGE, 2001 LIU, William Tse Horng. Aplicaes de Sensoriamento Remoto. Ed. Uniderp, 2006. MINISTRIO DO MEIO AMBIENTE. Agenda 21 Brasileira: Resultado da Consulta Nacional. Braslia: MMA/PNUD, 2002. NETTO, Jos da Silva Madeira; MENESES, Paulo Roberto. Sensoriamento Remoto: Reflectncia dos Alvos Naturais. Braslia: Ed. UnB, Empraba Cerrados, 2001. NOVO, Evlyn M.L. de Moraes. Sensoriamento Remoto: Princpio e Aplicaes. Ed. Edgard Blucher Ltda, 1992. SPRING. Apresenta as informaes sobre o sistema SPRING. Disponvel em: http://www.dpi.inpe.br/SPRING Acesso em: 15 jul. 2008.