Classificação de Vegetação de Mangue

Prévia do material em texto

AVALIAÇÃO DO USO COMBINADO DE ATRIBUTOS ÓPTICOS E SAR NA 
CLASSIFICAÇÃO DE VEGETAÇÃO DE MANGUE 
 
Vinícius D’Lucas Bezerra e Queiroz 1, Fabio Furlan Gama 1, Ana Lúcia Bezerra Candeias2 
e Sidnei João Siqueira Sant’Anna 1 
 
1Programa de Pós-Graduação em Sensoriamento Remoto - PGSER, Divisão de Observação da Terra e Geoinformática - 
DIOTG, Instituto Nacional de Pesquisas Espaciais - INPE; 
2 Departamento de Engenharia Cartográfica - DeCART, Centro de Tecnologia e Geociências – CTG, Universidade Federal de 
Pernambuco – UFPE 
1vinicius.queiroz@inpe.br, 1fabio.furlan@inpe.br, 1sidnei.santanna@inpe.br, 2ana.candeias@ufpe.br 
 
 
RESUMO 
 
Os manguezais são ecossistemas importantes devido às suas 
contribuições ambientais e serviços ecossistêmicos. 
Entretanto, apresentam-se como ambientes bastante 
vulneráveis, pois sofrem com a pressão das atividades 
antrópicas relacionadas ao crescimento da população 
costeira. Estudos utilizando dados de Sensoriamento Remoto 
avaliam a capacidade de integração de atributos ópticos com 
atributos de radar de abertura sintética (SAR) para melhorar 
o resultado de classificações. Partindo deste ponto, este 
trabalho tem como objetivo analisar a contribuição da 
combinação de dados ópticos com SAR para classificação de 
bosques de mangue em diferentes cenários. Como resultados, 
para o estudo de caso proposto, observa-se um pequeno 
aumento da acurácia global, entretanto as exatidões do 
produtor e do usuário para classe mangue não tiveram 
mudanças significativas. 
 
Palavras-chave — Mangue, Sensoriamento Remoto, 
Óptico, SAR, classificação. 
 
ABSTRACT 
 
Mangroves are important ecosystems due to their 
environmental contributions and ecosystem services. 
However, they are vulnerable, suffering with the pressure of 
anthropic activities related to coastal population growth. 
Studies using Remote Sensing data evaluate the ability to 
integrate attributes of optical and synthetic aperture radar 
(SAR) data to improve the result of classifications. Based on 
this point, this work aims to analyze the contribution of 
combining optical data with SAR for classification of 
mangrove forests in different scenarios. As results, for the 
proposed case study, a small increase in the global accuracy 
is observed, however the producer and user accuracy for 
mangrove class did not have significant changes. 
 
Key words — Mangroves, remote sensing, optical, SAR, 
classification. 
 
 
1. INTRODUÇÃO 
 
O manguezal pode ser definido como um ecossistema de 
transição entre os ambientes terrestre e marinho, onde ocorre 
o encontro de águas de rios com a água do mar [1], se 
apresentando como um continuum de feições distintas, sendo 
elas: (1) O lavado, (2) O mangue - que é sua vegetação 
característica - e (3) o apicum [2, 3, 4]. 
Seu mapeamento é importante por causa do seu valor 
ambiental e socioeconômico. Ele desempenha papel de 
exportador de matéria orgânica para os estuários, além de 
reter sedimentos e servir como berço e refúgio para várias 
espécies de animais [5]. Além disso, seu valor 
socioeconômico está relacionado com as comunidades que 
tiram seu sustento por meio da pesca artesanal e autoconsumo 
[6]. 
Dentre suas feições características, os bosques de 
mangue possuem uma contribuição fundamental para o meio 
ambiente, aprisionando sedimentos entre suas raízes e troncos 
(além de poluentes, prevenindo contaminação das águas), 
atenuando efeitos de tempestades (protegendo a linha de 
costa), transformando nutrientes minerais em matéria 
orgânica vegetal, sendo assim um importante produtor 
primário do ambiente marinho e gerando bens e serviços para 
as comunidades [4]. 
Em contraste com sua importância, os manguezais são 
ambientes vulneráveis, sofrendo pressão devido ao aumento 
da população costeira e suas atividades como: desmatamento 
e aterro, lançamento de esgoto e lixo e intensa exploração dos 
seus recursos naturais (principalmente relacionados a 
extração de madeira, a fauna e o desmatamento para criação 
de áreas de cultivo de camarão) [1]. 
Nessa perspectiva, em razão da sua relevância e 
fragilidade, verifica-se a importância do uso de técnicas que 
tenham a finalidade de monitorar esse ecossistema [7]. 
Assim, as imagens de Sensoriamento Remoto (SR) podem ser 
um recurso para adquirir informações sobre esse ambiente, 
permitindo auxílio na tomada de decisão para mitigação de 
problemas e gerenciamento ambiental. 
Historicamente, o mapeamento da extensão e tipos de 
vegetação de mangue teve foco na utilização de dados ópticos 
pois eles permitem uma boa distinção de áreas de mangue e 
https://proceedings.science/p/164721?lang=pt-br 2565
https://proceedings.science/p/164721?lang=pt-br
não-mangue [8]. Entretanto, estudos mostram que imagens 
SAR podem ser utilizados de maneira complementar [9, 10], 
sendo capazes de fornecer melhor desempenho em 
classificações desse ecossistema [11]. 
Dessa forma, e levando em consideração a aplicação de 
dados SAR na classificação de manguezais, este artigo tem 
como objetivo avaliar a contribuição de atributos 
polarimétricos banda-L em combinação com atributos 
ópticos no desempenho da classificação de bosques de 
mangue utilizando Random Forest. 
 
2. MATERIAL E MÉTODOS 
 
A área de estudo engloba os manguezais do estuário do Rio 
Paraíba, localizado entre os municípios de Bayeux, Cabedelo, 
Lucena, João Pessoa e Santa Rita, no Estado da Paraíba, 
coordenadas aproximadas do retângulo envolvente de 
279521mE, 9237812mN; 306259mE, 9202230mN 
[EPSG:31985]. 
Segundo [12], este estuário possui uma extensa área de 
manguezais (5500 ha) que sofre grande pressão das 
atividades antrópicas, pois se localiza em uma região 
metropolitana com grande adensamento populacional e de 
intensa atividade social. [12] ainda citam as principais 
atividades que impactam esse ambiente estuarino: comércio, 
estradas de ferro, depósito de combustíveis, indústrias, 
atividades turísticas, empreendimentos imobiliários e de 
carcinicultura, além da presença de populações tradicionais 
que residem em regiões limítrofes e utilizam o ecossistema 
para autoconsumo e subsistência. Desta forma, é possível 
observar a pressão existente sobre o ecossistema o que 
justifica o seu monitoramento e a busca por alternativas para 
melhorar a acurácia das classificações. 
A metodologia do trabalho consistiu na classificação de 
3 cenários diferentes de atributos, utilizando imagem óptica 
do sensor TM/Landsat-5 coleção-2, level-2, datada de 
08/10/2010 e uma imagem de Radar de Abertura Sintética 
(SAR) do sensor PALSAR/ALOS, modo full-polarimetric, 
datada de 14/04/2009. Os procedimentos metodológicos 
executados podem ser observados na figura 1. 
 
 
Figura 1. Fluxograma geral dos procedimentos metodológicos 
 
A diferença temporal entre as imagens está relacionada 
com a disponibilidade nos catálogos e a presença de nuvens 
nas imagens ópticas. Foram coletados também dados 
maregráficos da área de estudo para as datas de aquisição 
citadas pela tábua de marés fornecida pela Diretoria de 
Hidrografia e Navegação (DHN) da marinha brasileira. 
Observou-se que, para ambas as imagens, a maré se 
encontrava baixa (em vazante). 
As imagens foram pré-processadas de forma 
independente e, posteriormente, os atributos de classificação 
foram calculados. Para os dados ópticos, no pré-
processamento foram realizadas as etapas de: conversão 
radiométrica, empilhamento, recorte e reprojeção. Os 
atributos utilizados foram os valores de reflectância de 
superfície por banda e os índices físicos NDVI e NDWI. Já 
para os dados SAR, foram executadas as etapas de: 
multilooking, calibração, filtragem speckle e correção do 
terreno para obter os valores retroespalhamento em cada 
polarização; e multilooking e filtragem polarimétrica para 
gerar as decomposições polarimétricas de Freeman-Durden 
(FD) (double-bounce-dbl,volumétrico-vol e superficial-surf) 
e H-A-alpha (HA), dados esses corrigidos geometricamente 
e reamostrados para mesmo tamanho de pixel da imagem 
óptica. 
Os cenários de classificação criados utilizando a 
combinação desses atributos, pode ser observado na tabela 1. 
 
Cenário Nome Atributos 
n° de 
atributos 
1 
Dataset 
Óptico 
TM1-6,7; NDVI, 
NDWI 
8 
2 
Dataset 
SAR 
ALOS/PALSAR 
HH, HV, VH, VV; 
HH/HV; DF_bdl; 
DF_vol; DF_surf; 
HA_entropia 
9 
3 
Dataset 
Híbrido 
TM1-6,7; NDVI, 
NDWI 
+ALOS/PALSAR 
HH, HV, VH, V V; 
HH/HV; DF_bdl; 
DF_vol; DF_surf; 
HA_entropia 
17 
Tabela 1. Descrição dos atributos dos cenários de classificação 
 
A classificação foi realizada por meio do algoritmo 
Random Forest, executada por meio de script confeccionado 
na linguagem de programação R. Uma das vantagens desse 
algoritmo é fornecer estimativas de quais variáveis são 
importantes na classificação por meio do índice de Gini. 
Foram coletadas 320 amostras, distribuídas em 11 classes na 
forma de polígonos, sendo elas: mangue, outras formações 
florestais, área urbana, área antropizada, areia, solo exposto, 
corpos hídricos, Oceano e nuvens e sombras (para dados 
ópticos). As amostras foram particionadas em amostras de 
treinamento (70%) e validação (30%) para avaliação do 
https://proceedings.science/p/164721?lang=pt-br 2566
https://proceedings.science/p/164721?lang=pt-br
modelo preditivo. Em relação aos hiperparâmetros do 
random forest, para todas as classificações foram utilizadas 
500 árvores de classificação (Ntree) e a raiz quadrada do 
número de variáveis (Mtry). Por fim, realizou-se a etapa de 
pós-classificação, em que as imagens classificadas foram 
filtradas para redução de erros de classificação e 
generalização das classes, utilizando filtro da moda. 
Para a avaliação da acurácia, foi construída uma matriz 
de confusão utilizando 275 amostras de validação para cada 
classificação, coletadas de forma aleatória estratificada e 
independente na área de estudo. A validação foi feita 
utilizando as classes de uso e cobertura da terra do 
MapBiomas em conjunto com a séries históricas de imagens 
do Google Earth Pro. 
 
3. RESULTADOS E DISCUSSÕES 
 
Os resultados das classificações podem ser observados na 
figura 2. Esses resultados foram discutidos separadamente 
por cenário. 
A classificação do dataset óptico apresentou acurácia 
77%. Visualmente é possível perceber uma grande confusão 
existente entre as classes Área Urbana e Solo Exposto, e 
mesmo com a filtragem com o filtro da moda, ainda se 
verificam vários erros de classificação. As bandas que foram 
mais efetivas para separabilidade das classes no modelo 
preditivo foram as do SWIR2 (B07), SWIR1(B05) e logo em 
seguida os índices NDWI e NDVI. 
Já para a classificação do dataset SAR, percebe-se uma 
grande quantidade de erros de classificação e confusões em 
todas as classes. Isso é corroborado pelo valor da acurácia 
global de 48%. Apesar disso, é possível perceber que algumas 
regiões de mangue que estão próximas do rio Paraíba ainda 
assim foram classificadas corretamente e que outras 
formações florestais foram confundidas com o manguezal. O 
ranking de importância de variáveis para este modelo mostra 
que as variáveis mais importantes para separação das classes 
foram o espalhamento volumétrico e a entropia, que também 
se mostrou sendo a variável que traz a maior acurácia para 
este modelo. 
Por fim, a classificação do dataset híbrido foi a que 
trouxe os melhores resultados visuais e estatísticos com 
acurácia global de 80%. Percebe-se ainda confusões entre 
área urbana e solo exposto, entretanto, os atributos de Radar 
parecem ajudar a separar melhor as classes em relação as 
outras classificações. Apesar de ser o melhor resultado, 
observa-se que as variáveis mais importantes para separação 
das classes ainda foram as dos dados ópticos (B07, B05, 
NDWI e NDVI). 
Analisando o desempenho das classificações apenas para 
a classe mangue, por meio da tabela 2, é possível notar que 
mesmo com um pouco de ganho de acurácia global na 
classificação, as métricas de acurácia do usuário e do 
produtor entre o dataset óptico e o híbrido não possuem 
grandes alterações. Sugere-se, portanto, um estudo cuidadoso 
sobre os mecanismos de interação da energia eletromagnética 
com os bosques de mangue para entender os motivos pelos 
quais, nesse caso, os atributos SAR sozinhos não foram 
capazes de discriminá-los. 
 
 Dataset OA PA (mangue) UA (mangue) 
Óptico 0,76 0,91 0,94 
SAR 0,48 0,59 0,52 
Híbrido 0,80 0,89 0,93 
Tabela 2. Acurácia Global (AO) e acurácias do produtor (PA) e 
usuário (UA) para classe mangue. 
Figura 2. Classificações dos datasets óptico (esquerda), SAR (Centro) e híbrido(direita). 
https://proceedings.science/p/164721?lang=pt-br 2567
https://proceedings.science/p/164721?lang=pt-br
4. CONCLUSÕES 
 
Diferentes técnicas, combinações de dados, classificadores e 
metodologias vem sendo estudadas para aprimorar a detecção 
e mapeamento do ecossistema manguezal. A literatura mostra 
que os dados SAR podem fornecer informações 
complementares importantes sobre a paisagem, 
principalmente quando se tratam de atributos polarimétricos 
- resultando numa maior probabilidade de melhora da 
separabilidade das classes e, consequentemente, da acurácia 
da classificação das florestas de mangue. 
Entretanto, após toda a execução das etapas de pré-
processamento, classificação e validação, a classificação 
resultante da união de dados ópticos com radar não alterou 
significativamente o resultado da classificação apenas com 
dados ópticos. Apesar do aumento em acurácia global, as 
acurácias do produtor e do usuário não tiveram uma mudança 
significativa, o que corrobora o fato de que o dado óptico já é 
suficientemente independente para classificação do mangue. 
Entretanto, há de se notar que foram realizados vários pré-
processamentos que influenciam no dado utilizado. Sugere-
se aqui que se realizem outros estudos com diferentes pre-
processamentos: diferentes filtros e tamanhos de máscara, 
avaliação de corregistro, outros índices físicos incorporados 
no dataset, outras decomposições polarimétricas, utilização 
de um modelo digital de elevação de melhor qualidade, a 
construção de diferentes cenários de classificação mais 
heterogêneos. Além disso, seria importante a aplicação de 
classificações com diferentes alturas de marés, verificando 
sua influência na classificação. Também é importante a 
utilização de dados com datas próximas, visto a dinâmica de 
regiões agrícolas o que pode trazer mudanças no sinal 
registrado pelos sensores. Um outro tópico importante é 
analisar os dados pluviométricos da região no período da 
aquisição das imagens, pois isso pode impactar a resposta 
espectral dos alvos. 
Por fim, mesmo com todas as ressalvas, percebe-se uma 
melhora visual nos resultados com dados de diversas fontes. 
E incentiva-se aqui o estudo de diferentes metodologias e 
classificadores que possam entregar resultados melhores. 
 
AGRADECIMENTOS 
 
Os autores agradecem a Coordenação de Aperfeiçoamento 
de Pessoal de Nível Superior (CAPES). 
 
5. REFERÊNCIAS 
 
[1] L. A. Krug, C. Leão, S. Amaral. Dinâmica espaço temporal de 
manguezais no Complexo Estuarino de Paranaguá e relação entre 
decréscimo de áreas de manguezal e dados sócio-econômicos da 
região urbana do município de Paranaguá – Paraná. In: SIMPÓSIO 
BRASILEIRO DE SENSORIAMENTO REMOTO, 13., 2007, 
Florianópolis. Anais eletrônicos... São José dos Campos: INPE, pp. 
2753-2760, 2007. 
 
[2] Y. Schaeffer-Novelli. Manguezal: ecossistema que ultrapassa 
suas próprias fronteiras. In: CONGRESSO NACIONAL DE 
BOTÂNICA, 53., 2002, Recife. Anais...pp. 34-37. 2002. 
 
[3] Y. schaeffer-Novelli, C. C. Vale, G Cintrón. Monitoramento do 
ecossistema manguezal: estrutura e características funcionais. In: A. 
Turra, M.R. Denadai., orgs. Protocolos para o monitoramento de 
habitats bentônicos costeiros – Rede de Monitoramento de Habitat 
Bentônicos Costeiros – ReBentos [online]. São Paulo: Instituto 
Oceanográfico da Universidade de São Paulo, pp. 62-80, 2015. 
 
[4] Y. Schaeffer-Novelli. A diversidade do ecossistema manguezal. 
In: Instituto Chico Mendes de Conservação da Biodiversidade - 
ICMBio (Ed.). Atlas dos manguezais do Brasil. Brasília: Instituto 
Chico Mendes de Conservação da Biodiversidade- ICMBio, pp. 21-
35, 2018. 
 
[5] M. V. A. de Carvalho, G. F. da Silva, C. B. M. Cruz, P. M. M. 
de Almeida. Avaliação do mapeamento de manguezais na Região 
Metropolitana do Rio de Janeiro através da integração entre 
GEOBIA e Mineração de Dados. In: SIMPÓSIO BRASILEIRO DE 
SENSORIAMENTO REMOTO, 17., 2015, João Pessoa. Anais 
eletrônicos... São José dos Campos: INPE, pp. 3580-3587, 2015. 
 
[6] J. B. Silva. Territorialidade da pesca no estuário de Itapessoca-
PE: técnicas, petrechos, espécies e impactos ambientais. 2006. 103 
f. Dissertação (Mestrado em Geografia), Universidade Federal de 
Pernambuco, Recife, 2006. 
 
[7] C. A. de Araújo. Aplicações de técnicas de Sensoriamento 
Remoto na análise multitemporal do ecossistema manguezal na 
Baixada Santista, SP. Orientador: Dr. Luis Américo Conti. 2010. 
113 f. Dissertação (Mestrado em Oceanografia Química e 
Geológica), Universidade de São Paulo, São Paulo, 2010. 
 
[8] R. M. Lucas, P. J. Bunting, D. Clewley, C. Proisy, et 
al. Characterisation and Monitoring of Mangroves Using ALOS 
PALSAR Data; The ALOS Kyoto & Carbon Initiative Science Team 
Reports Phase 1 (2006–2008), v. 1, pp. 158-169, JAXA: Ibaraki, 
Japan, 2009. 
 
[9] P. A. Townsend. Estimating Forest structure in wetlands using 
multitemporal SAR. Remote Sensing of Environment, v. 79, n. 2-3, 
pp. 288–304, 2002. 
 
[10] R. M. Lucas, A. L. Mitchell, A. Rosenqvist, C. Proisy, et al. The 
potential of L-band SAR for quantifying mangrove characteristics 
and change: case studies from the tropics. Aquatic Conservation: 
Marine and Freshwater Ecosystems, v. 17, n. 3, pp. 245–264, 2007. 
 
[11] C. Kuenzer, A. Bluemel, S. Gebhardt, T. V. Quoc, S. Dech. 
Remote Sensing of Mangrove Ecosystems: A Review. Remote 
Sensing, v. 3, n. 5, pp. 878-928, 2011. 
 
[12] D. S. de Araújo, R. S. Bezerra. Mapeamento dos manguezais 
do estuário do Rio Paraíba. Revista Principia – Divulgação 
Científica e tecnológica do IFPB, n. 40, 2018. 
https://proceedings.science/p/164721?lang=pt-br 2568
Powered by TCPDF (www.tcpdf.org)
https://proceedings.science/p/164721?lang=pt-br
http://www.tcpdf.org