Análise de Artigo Geoprocessamento

Prévia do material em texto

UNIVERSIDADE ESTADUAL DO OESTE DO PARANÁ – UNIOESTE
Campus – Cascavel
TRABALHO DE GEOPROCESSAMENTO
“ANÁLISE DE ARTIGO CIENTÍFICO”
<Alan Deluan Gust>
<>
Trabalho destinado a disciplina de GEOPROCESSAMENTO do Curso de Eng. Agrícola, como requisito para compor a nota semestral.
CASCAVEL – PR
2017
1.0 INTRODUÇÃO
	
	 O artigo analisado foi: “Análise comparativa de classificadores digitais em imagens do Landsat8 aplicados ao mapeamento temático”, que teve o objetivo principal de avaliar o desempenho dos classificadores digitais para classificação orientada a objeto em imagens do Landsat- 8, aplicado ao mapeamento do uso e ocupação do solo na região da Alta Bacia do Rio PiracicabaJaguari, MG.
A execução de projetos de levantamento e mapeamento da superfície terrestre têm-se beneficiado do avanço nas áreas de sensoriamento remoto e geoprocessamento. Com o advento dos sensores orbitais, principalmente a partir da série de satélites Landsat
Em atividade há mais de 40 anos, a série Landsat conta atualmente com o satélite Landsat8, mas ainda há carência de estudos que visem avaliar comparativamente a acurácia de classificadores digitais, aplicados a classificações orientadas a objetos, a partir de imagens Landsat8 adquiridas em ambientes tropicais. Em geral, o processo de classificação pode ser feito por interpretação visual ou por classificação digital. 
O processamento digital de imagem se divide em fases (aquisição da imagem; pré-processamento; processamento digital; extração da informação).
Pré-processamento: consiste na calibração radiométrica, correção atmosférica, correção geométrica ou georeferenciamento (corrige possíveis distorções da imagem com a realidade), atividade de realce e a filtragem.
Processamento digital: a utilização de software para trabalhar as informações a serem extraída. 
	O NC de uma imagem pode variar bastante com a distância, com isso os limites da área da imagem podem se distorcer devido às respostas em relação energia eletromagnética. Para corrigir e melhorar a imagem a filtragem é opção de ferramenta para oferecida pelos softwares. Existe uma gama de técnicas de filtragem, entre elas destacamos: Filtros passa baixas, Filtros passa altas e Filtros direcionais.
Filtros passa baixa: Elimina as altas frequências da imagem, deixando “passar” as baixas frequências. Problema: Desfoca a imagem.
Filtro de Média: o NC do pixel original é substituído pela média aritmética do pixel e seus vizinhos.
Filtro de Média Ponderada: uma média ponderada é utilizada nos pesos são definidos em função de sua distância do peso central.
Filtro de Moda: pixel central é substituído pelo valor de NC mais comum dentro da janela.
Filtro de Mediana: pixel central da máscara é substituído pela mediana dos seus vizinhos.
Filtros de passa altas (ou de Realce de Bordas): Elimina as baixas frequências da imagem, deixando “passar” as altas frequências.
Imagens de SR são multi- espectral, isso da subsidio para trabalhar-se com uma infinidade de composições coloridas em uma mesma imagem apenas variando as três bandas (RGB) do espectro eletromagnético. O satélite LANDAST 8 oferece uma gama variada de bandas, como apresentado na Tabela.
As imagens avaliadas no artigo analisado foram tratadas em um SIG denominado ENVI, e os classificadores digitais comparados foram SVM e KNN, com base nos dados supracitados em uma composição falsacor (R5G4B6) e inspeções de campo, foram definidas 15 classes de uso e cobertura do solo. 
Os remanescentes florestais foram divididos em quatro classes distintas, de acordo com suas características fisiológicas e estruturais: capoeira, Floresta Estacional Semidecídua, Floresta Ombrófila Densa e Floresta Ombrófila Mista. 
As áreas de uso antrópico foram divididas em oito classes: mancha urbana, cultivos agrícolas temporários, pastagem com baixo teor de fitomassa, pastagem com alto teor de fitomassa, eucalipto, pinus, solo exposto destinado à agricultura e solo exposto destinado à silvicultura. Outras três classes foram definidas: afloramento de rocha, corpos d’água e sombra.
2.0 DESENVOLVIMENTO
	Para o desenvolvimento da pesquisa, utilizou-se uma imagem do sensor OLI/LDCM (Landsat8), órbita/ ponto 219/76, com data de passagem do satélite em 1º. de setembro de 2013. O sensor OLI, em órbita no LDCM, tem resolução temporal de 16 dias, resolução radiométrica de 12 bits, escalonados posteriormente para 16 bits, e apresenta nove diferentes bandas espectrais que têm diferentes características espectrais e espaciais 
No trabalho, foram empregadas oito das nove bandas espectrais.
	
	
As bandas multiespectrais e pancromática foram inicialmente convertidas em radiância (W×m2×sr1×nm1), por meio do uso de valores de ganho fornecidos com os metadados da imagem. A minimização dos efeitos atmosféricos, nas imagens Landsat8, foi feita com filtros de sensitividade espectral das bandas multiespectrais e pancromática, visibilidade de 85 km, coluna d’água de 3,288 g cm2, altitude média da área de 1.530 m.
Após a correção atmosférica, a fusão das bandas multiespectrais, com resolução espacial de 30 m, à banda pancromática com resolução espacial de 15 m foi realizada.Como produto final, bandas multiespectrais com resolução espacial de 15 m foram obtidas.
Para a geração dos produtos finais da pesquisa, usou-se o módulo “Envi feature extraction” (Envi FX), que possibilita a extração de informações e classificação de imagens com base em características espectrais, espaciais e de textura.
Inicialmente, aplicou-se a segmentação da imagem em regiões homogêneas. Nesse processo, as bandas multiespectrais do Landsat8 fusionadas à banda pancromática foi utilizada.
A segmentação é um método que reparte uma imagem em inúmeros segmentos. Por meio de parâmetros de entrada predefinidos, é feito o agrupamento de pixels circunvizinhos que apresentam semelhança em suas feições como textura, forma, cor etc.
A partir do arquivo segmentado, sobreposto à composição R5G4B6, 100 polígonos, ou seja, regiões de interesse (ROI), foram extraídos para cada uma das classes de forma visual e usados como dados de treinamento. 
Foram feitas então as classificações (95% signicância), com aplicação dos algoritmos SVM e KNN, que estão disponíveis no Envi FX. 
Nesta etapa, cada feição do arquivo gerado na segmentação é classificada com base nas características espectrais, de forma e de textura de cada classe.
A acurácia dos mapas temáticos gerados foi calculada, a fim de constatar qual classificador gerou os melhores resultados, os dois métodos utilizados tratam da exatidão global.
Foram delineadas 20 amostras de referência para cada uso, compostas por 50 pixels cada, por inspeção e interpretação visual por meio do Google Earth.
Assim, na primeira etapa, avaliou-se o desempenho das classificações, a partir dos valores Kappa.
O teste é significativo, e a hipótese de nulidade é rejeitada, portanto, podemos concluir que há diferença estatística entre as classificações.
 Por fim, analisou-se as áreas em discordância entre os resultados gerados, com o propósito de avaliar se tais diferenças entre classificadores derivam não somente da confusão espectral, mas também de influências das características fisiográficas locais como a densidade da drenagem.
 Para tanto, subtraímos a classe A, classificada pelo SVM, da classe A classificada pelo KNN e, posteriormente, subtraímos a classe A, classificada pelo KNN, da classe A, classificada pelo SVM. Os produtos das subtrações foram somados e, como resultado, as áreas em discordância para a classe:
Uma análise desses perfis espectrais, mostra que uma classificação pautada apenas nas características espectrais dos objetos tenderia a apresentar inconsistências entre classes com perfis espectrais semelhantes. Evidencia-se, portanto, a importância de também serem considerados os atributos referentes à forma e à textura dos objetos analisados. 
A partir da segmentaçãorealizada, foram obtidos diferentes resultados nos mapas temáticos gerados, de acordo a aplicação de cada algoritmo utilizado na classificação.
Os classificadores SVN e KNN obtiveram desempenho excelente (Z=5,68) segundo o teste Z, contudo, os valores obtidos pelo teste Z evidenciam uma diferença sutil entre as classificações SVM/KNN a 95% de probabilidade.
Uma análise mais qualitativa entre as diferenças apresentadas entre as classificações obtidas pelos métodos SVM e KNN foi possibilitada pela espacialização das áreas em discordância entre os resultados gerados.
Os pixels corretos (sejam no SVM e KNN) são ilustrados na cor branca.
Os pixels que apresentaram discordância estão representados na cor preta.
Grandes manchas de discordância na porção sudeste da bacia, relacionadas a áreas de remanescentes florestais classificados diferentemente entre os classificadores SVM e KNN foram observados.
FLUXOGRAMA DE REFERÊNCIA
3.0 CONCLUSÃO
Os resultados evidenciam a potencialidade da classificação orientada a objetos, pelos métodos SVM e KNN, como subsídio ao planejamento socioambiental de bacias hidrográficas, bem como do setor agropecuário, e ampara decisões de gestores públicos e privados. Mapas acurados de uso e cobertura do solo são importantes para uma correta gestão territorial, por representar resultados fidedignos à realidade da área em estudo. Diminuem, assim, as inconsistências relacionadas à estimativa de áreas das classes mapeadas
Podemos observar que os mapas gerados possuem alta complexidade de informações atribuídas a uma zona com vários alvos a serem determinados, a partir disto faz-se necessário então a utilização de bandas com uma melhor resolução espectral, para melhor diferenciação de alvos que possuem refletância em comprimentos de onda próximos.
A segmentação das imagens Landsat8 e as classificações pelos métodos SVM e KNN são plenamente satisfatórias na diferenciação de 15 regiões homogêneas, previamente definidas, e viabilizam a obtenção de resultados precisos para a caracterização de uso e cobertura do solo.
REFERÊNCIAS BIBLIOGRÁFICAS
D.F.T. Garofalo et al,” Análise comparativa de classificadores digitais em imagens do Landsat8 aplicados ao mapeamento temático”, Universidade Estadual de Campinas-SP, Pesq. agropec. bras., Brasília, v.50, n.7, p.593-604, jul. 2015, DOI: 10.1590/S0100-204X2015000700009.
Vianna.S.B “Introdução ao Processamento Digital de Imagens”- Instituo Brasileiro de Geografia e Estátistica (IBGE). (Rio 2001).
Soares.C.B.S.S. “Aplicação de técnica de fusão em imagens Landsat 8/ OLI” (Anais XVII Simpósio Brasileiro de Sensoriamento Remoto - SBSR, João Pessoa-PB, Brasil, 25 a 29 de abril de 2015, INPE)