Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
Maro 2011
ii
iii
AGRADECIMENTOS
O processo evolutivo de uma tese desde a concepo da ideia ltima linha tem
uma vida turbulenta. De facto, o entusiasmo com o qual se acompanha as primeiras
linhas vai sendo posto prova medida que o trabalho decorre. sem dvida uma
prova de resistncia em todo o esplendor, onde o Norte nunca pode deixar de ser
vislumbrado, mesmo que muitas vezes tenhamos que caminhar de olhos fechados na
incerteza do caminho. Contudo, esta prova nunca foi uma caminhada solitria. Foi
sempre acompanhada por pessoas que souberam sempre fazer-se presentes, com a sua
palavra, com o seu conhecimento, com os conselhos e a quem quero prestar a minha
homenagem e dirigir o meu agradecimento sincero.
Quero aqui deixar o meu profundo agradecimento ao Professor Doutor Jos
Antnio Tenedrio, por ter aceite a orientao desta tese, e pelo apoio ao longo do seu
desenvolvimento, e acima de tudo pelo estmulo intelectual das nossas conversas. Um
agradecimento tambm ao Mestre Srgio Freire, pela sempre atenta observao e
crtica, e pela motivao constante.
Agradeo aos meus pais pela educao que me deram, pelos valores, orientaes e
oportunidades, sem as quais seria com certeza humanamente mais pobre. Aos Amigos,
pelo apoio e exemplo que me do e continuam a dar e que de tanto me valem.
Em ltimo lugar um sentido agradecimento minha esposa Snia, sem a qual esta
tarefa teria um peso indubitavelmente maior. Agradeo a sua constante solicitude, nos
conselhos, na crtica, e na correco do texto. Mas acima de tudo pela sua presena, pela
sua motivao e pelo seu sorriso. Tambm deixo um pequeno grande obrigado minha
filha Madalena, com a qual posso parar e reaprender a beleza das coisas.
iv
RESUMO
ABSTRACT
The constant changes in urban land cover and land use require timely and
accurate geographic information with an increasingly higher urgency, making the
expedite production of digital maps at scales compatible with the requirements of
municipalities a key element for better management of urban areas.
The complex and heterogeneous relationship between the elements in urban
areas represent, in satellite images, an increased difficulty because of the enormous
range of spectral responses with various shapes and textures resulting in complex
patterns which make accurate classification a difficult task.
The advent of satellite imagery of high spatial resolution represented a new
opportunity in the use and exploration of such images, making it possible to study new
and previously existing methods of classification, and analyzing the spatial variability
and spectral richness of these images.
Using a high spatial resolution image from the QuickBird satellite, this thesis
aims to contribute to the development of more effective classification processes and
lead to greater accuracy in results, proposing two classification methods, in a stratified
analysis by thematic levels based on a pre-established hierarchy of classes.
The use of pixel to pixel classifiers intended to mitigate limitations in the use of
these types of classifiers in such high spatial resolution images. Among pixel to pixel
classifiers, we used only supervised ones, for they allow the selection of training areas
spectrally representative of the classes to sort.
vi
NDICE
INTRODUO .............................................................................................................................. 1
CAPTULO I:
CAPTULO II:
II.2
II.3
II.3.1
II.3.2
II.4
II.4.1
II.4.2
CAPTULO III:
III.1
III.2
METODOLOGIA .................................................................................................................. 45
III.2.1
III.2.2
CAPTULO IV:
RESULTADOS E DISCUSSO.............................................................................. 55
IV.1
IV.2
IV.3
IV.4
DISCRIMINANTES
70
CAPTULO V:
CONCLUSES ................................................................................................... 75
vii
viii
IFOV
SIG
LIDAR
NDVI
PIXEL
Picture Element
EG
Exactido Global
EU
Exactido do Utilizador
MV
Mxima Verosimilhana
MD
Mnima Distncia
MAHA
Mahalanobis
PARA
Paraleleppedo
PCN
PCC
CDCD
ix
Introduo
As alteraes ao uso e ocupao do solo nos centros urbanos so hoje
constantes, de forma que a produo de cartografia adequada que ajude os decisores na
tomada de deciso no as acompanha.
Com efeito, o desenvolvimento dos centros urbanos, em particular das grandes
cidades, no planeamento de grandes infra-estruturas, na reclassificao de solos
agrcolas em solos urbanizveis, etc., leva a uma urgente necessidade, por parte dos
gestores e planeadores, de informao apropriada e em tempo til para responder com
solues adequadas e acompanhar esses desenvolvimentos, solues essas que passaro
necessariamente pelas novas tecnologias, as quais, aliadas a mtodos de observao insitu devero oferecer metodologias de produo de cartografia que possam dar resposta
a estes desafios.
Uma dessas solues passa pela utilizao de imagens de satlite de alta
resoluo, para a produo de cartografia de meio urbano. Esta utilizao oferece no
entanto algumas dificuldades, dada a grande variabilidade espectral e espacial, inerente
natureza desses elementos. Estas caractersticas resultam numa relao complexa e
heterognea entre os elementos que compem o meio urbano e que apresentam um
enorme leque de respostas espectrais, com diversas formas e texturas, que resultam em
padres complexos e de difcil explorao exigindo o uso de sensores com uma alta
resoluo espectral e espacial que permitam uma classificao mais exacta das imagens
provenientes desses sensores.
Por sua vez, os mtodos de classificao existentes, nomeadamente ao nvel do
pixel, e que constituem objecto de estudo desta tese, so nesta perspectiva postos
prova, na medida em que se questiona a respectiva adequabilidade obteno de geoinformao com qualidade.
At ao incio do sc. XXI, a deteco remota era dominada por sensores
acoplados a plataformas areas, que apresentavam resolues espaciais que permitiam
discriminar com preciso elementos em meio urbano com resolues espaciais entre os
0,5 a 10 metros de IFOV (Welch 1982), ficando muito acima das resolues
conseguidas por sensores acoplados a satlites, e.g., Landsat (Tabela 1).
Sensor
Thematic
Mapper
Resoluo
Espectral (m)
Resoluo
Espacial
(m)
Canal 1:
0,45 - 0,52
3030
Canal 2:
0,52 - 0,60
3030
Canal 3:
0,63 - 0,69
3030
Canal 4:
0,76 - 0,90
3030
Canal 5:
1,55 - 1,75
3030
Canal 7:
2,08 - 2,35
3030
Canal 6:
10,40 - 12,50
120120
Largura
de scan
(km)
185
Resoluo
temporal
(dias)
16
Altitude
orbital
710 km,
quasipolar,
hliosincrona
Perodo de
operacionalidade
Lansat 4
16/07/1982
02/1983
Landsat 5
01/03/1984 - ?
Sensor
Resoluo
Espectral (m)
Resoluo
Espacial
(m)
Pancromtico:
0,45 - 0,90
1x1
Canal 1:
0,45 - 0,50
4x4
Canal 2:
0,52 - 0,60
4x4
Canal 3:
0,63 - 0,69
4x4
Canal 4:
0,76 - 0,90
4x4
Largura
de scan
(km)
13
Resoluo
temporal
(dias)
Altitude
orbital
Perodo de
operacionalidade
681 km,
quasipolar,
hliosincrona
24//09/1999
Sensor(modos)
Resoluo
Espectral (m)
Resoluo
Espacial
(m)
Pancromtico
0,45 - 0,90
0.60
Multiespectral
Canal 1:
0,45 - 0,52
2.4
Canal 2:
0,52 - 0,60
2.4
Canal 3:
0,63 - 0,69
2.4
Canal 4:
0,76 - 0,90
2.4
Largura
de scan
(km)
16.5
Resoluo
temporal
(dias)
1 a 3.5
Altitude
orbital
Perodo de
operacionalidade
450 km,
quasipolar,
hliosincrona
18/10/2001
tese,
identificando
as
nomenclaturas
urbanas
relevantes,
descrevendo
Tenedrio et al. (2007) GeoSat Metodologias para extraco de informao GEOgrfica a grande
escala a partir de imagens de SATlite de alta resoluo
2
O projecto GeoSat visa criar uma metodologia que permita integrar a informao proveniente de
imagens de alta resoluo num Sistema de Informao Geogrfica (SIG), com o objectivo final de
facilitar a actualizao de cartografia de base, a partir da qual ser posteriormente produzida cartografia
temtica, num processo que se pretende expedito e com rigor temtico. Desta forma, o projecto pretende
criar uma base metodolgica que permita a utilizao de imagens de alta resoluo em dois nveis de
cartografia: um 1 nvel, de cartografia de grande preciso, apresentando cartografia com elevada preciso
temtica e geogrfica, disponibilizando informao geogrfica que se prev imutvel (rede estradas, reas
urbanas consolidadas, etc.), a ser actualizada em intervalos de tempo mais longos (e.g., 10 anos); e um 2
nvel, de actualizao peridica de curto prazo (e.g., 1 ano), com geoinformao retirada de imagens de
satlite, disponibilizando uma alta preciso temporal em detrimento da preciso geogrfica e temtica,
cuja performance ser inevitavelmente inferior registada na cartografia que ser possvel obter a partir
do nvel 1.
Captulo I:
Objecto e Metodologia
Modo
Tipo
Nome
Paraleleppedo
Mnima Distncia
Distncia Mahalanobis
Supervisionado
Pixel a pixel
Mxima Verosimilhana
Mapeamento de ngulo Espectral
Codificao Binria
4
5
Ferramenta usada para a avaliao de exactido de uma classificao (ver captulo II.4).
Medida de concordncia
(ver captulo II.4).
que
indica
quantas
observaes
se
afastam
das
esperadas
Captulo II:
http://www.b-on.pt
Chaves
Urban Classification
Urban area
Urban
Urban landscape
Urban land cover
High resolution
High spatial resolution
QuickBird
Ikonos
VHR
Classification VHR
Classification QuickBird
Classification IKONOS
Classification features
Classes
Features
Segmentation
Land use
Urban remote sensing
Urban remote sensing and land use
Classification
10
devido restrio que advm deste tipo de sensores, limitados a 4 bandas espectrais,
que por si s no permitem explorar os detalhes urbanos na sua dimenso espectral.
Para fazer face complexidade dos padres urbanos, na sua forma, tamanho, e
interrelaes, poder-se- recorrer a informao espectral noutras regies mais indicadas
para este fim, que segundo os autores se encontram na regio do infravermelho de
frequncias curtas e o infravermelho trmico, pois encerram importantes caractersticas
espectrais que permitem identificar diversos materiais bem como informao trmica do
meio urbano. Contudo, mesmo recorrendo a sensores hiper-espectrais existem
limitaes ao nvel da resposta espectral de alguns elementos urbanos, que sendo na
realidade diferentes podem apresentar respostas espectrais semelhantes, (e.g., a gua, as
estradas, ou mesmo alguns prdios podem confundir-se com a resposta espectral da
sombra) facto que necessariamente ir resultar numa classificao errada dos elementos.
Os autores enfatizam a importncia de, usando imagens de alta resoluo
espacial, se utilizar informao complementar, como por exemplo a forma, o tamanho, a
textura, a sombra, a localizao, a associao, etc., caractersticas que o ser humano
naturalmente interpreta. Esta informao tem um papel de extrema relevncia na ajuda
classificao de uma imagem para distinguir entre classes com uma resposta espectral
muito semelhante.
Revela-se particularmente importante neste estudo a estratgia de segmentar a
imagem em vrios nveis. A justificao prende-se com o facto de com a segmentao
poder-se unir regies mais homogneas, permitindo que estas novas regies sejam
posteriormente classificadas ou segmentadas para um novo nvel. Neste sentido, a cada
nvel podem ser exploradas caractersticas que de outro modo no seriam identificadas,
ajudando a uma maior preciso na classificao da imagem.
Carleer e Wolff (2006) exploraram as caractersticas que, calculadas depois da
segmentao, melhor se ajustavam classificao de imagens. Utilizando a
segmentao como estratgia para fraccionar as imagens em vrios nveis, os autores
identificaram assim quais os nveis que melhor caracterizam uma certa classe.
Neste estudo foi utilizada uma imagem QuickBird do centro da cidade de Ghent
(Blgica). A escolha ficou a dever presena de vrios tipos de elementos urbanos e
diferentes materiais no centro da cidade, caractersticas relevantes para o objectivo deste
estudo.
11
Os autores adoptaram uma legenda do tipo hierrquico com trs nveis (Tabela
6). No primeiro nvel incluram as trs principais classes: vegetao, no-vegetao
e sombra, os autores justificaram a utilizao da sombra para prevenir que os pxeis
sombra fossem classificados como gua ou telhados escuros. No nvel dois a classe
sombra dividida em vegetao e no-vegetao. As restantes subclasses do
nvel dois baseiam-se unicamente na cor e no tipo de vegetao. O terceiro nvel
apresenta uma subdiviso das classes atrs referidas em reas de transporte e
edificado.
Nvel 2
Sombra
Vegetao
No-Vegetao
Nvel 3
Vegetao
11
No-Vegetao
Arbustos e rvores
Relva
gua
Superfcies vermelhas
Superfcies muito reflectoras
Cinza brilhante
Cinza mdia
Cinza escuro
12
21
22
31
32
33
34
35
36
rea de transportes
301
Prdios
302
imagem com recurso a estatsticas de textura e estatsticas locais com vista a aperfeioar
a classificao orientada por objectos.
Su et al. (2008) recorrem a uma srie de caractersticas de textura utilizadas para
descrever propriedades espaciais usando uma matriz de co-ocorrncias de nveis de
cinzento8, sendo elas a homogeneidade, contraste, segundo momento angular e entropia.
Estas caractersticas so consideradas as mais indicadas para a classificao em meio
urbano. Utilizam tambm uma caracterstica espacial local Morans um indicador
espacial estatstico que reflecte as diferentes estruturas espaciais de suavidade e
rugosidade das superfcies. A imagem utilizada neste estudo proveniente do satlite
QuickBird adquirida em 2004 do centro da cidade de Kuala Lumpur, Malsia. A cidade
com um ndice demogrfico elevado (cerca de 6502 habitantes por km2) apresenta-se
fortemente urbanizada, com zonas verdes espalhadas por toda a cidade. Os autores
identificaram 7 tipos de classes presentes na imagem em questo chegando a uma
legenda que contm classes como a gua, vegetao rasteira, relva, edifcios, solo a
descoberto e estradas.
Kux et al. (2006) recorrem a imagens de alta resoluo QuickBird de 2002 e
2004, para estudar a forte presso urbanstica a que esto sujeitas duas reas de Belo
Horizonte, Belvedere e Buritis, no estado de Minas Gerais.
Belo Horizonte tem cerca de 2 milhes de habitantes sendo a sexta cidade mais
populosa do Brasil, apresentando os esperados sintomas de um grande centro urbano,
tais como fortes presses demogrficas, construes desordenadas, avano de solos
impermeveis, diminuio de espaos verdes, etc. Tais factos carecem de bvios
mecanismos de monitorizao com vista a um planeamento urbano mais eficiente e
clere. neste sentido que Kux et al. (2006) avaliam o recurso a imagens de alta
resoluo para uma classificao automtica, no que diz respeito qualidade da
informao obtida. Recorre para isso, a uma classificao orientada por objectos,
tcnica que relaciona e agrupa conjuntos de pxeis contextualmente coerentes em
unidades chamadas de objectos. Sendo a classificao baseada em objectos, tornase assim uma classificao mais prxima de uma interpretao visual feita por um
operador.
13
Classe
Descrio
Vegetao arbrea
Forte resposta na banda do infra-vermelho. Existncia de textura devido altura das rvores que
resultam (sombra). Distingue-se facilmente das outras classes.
Relva
Forte resposta na banda do infra-vermelho. Uniforme. A textura apresenta-se mais suave o verificado na
vegetao arbrea.
Telha de cermica
Forma geomtrica simples. Variaes no tom cor-de-laranja caracterstico. Textura suave. Fcil
identificao visual.
Solo a descoberto
Solo em preparao para a construo. Forma irregular. Textura varivel e localizao aleatria.
Asfalto
Utilizado pelo cadastro urbano para delimitar as estradas. Avenidas e ruas. Formas lineares e rectas.
Sombra
Piscinas
Forte resposta na banda do azul e por vezes na banda do verde. Bem definidas.
Chapas
Coberturas cinzentas
Coberturas brancas
14
Utilizando tambm uma metodologia orientada por objectos, Zhou e Troy (2008)
recorrem a imagens provenientes de um sensor que opera na zona do vsivel e infravermelho de alta resoluo espacial acoplado a uma plataforma area, informao
proveniente de LIDAR9, e informao espacial complementar, para a anlise e
caracterizao do uso e ocupao do solo ao nvel da parcela10. As imagens
provenientes deste sensor activo apresentam trs bandas espectrais, duas no visvel
(verde e vermelho) e uma no infra-vermelho prximo, com uma resoluo espacial de
0.6m.
A rea de estudo compreende a bacia hidrogrfica de Gwynns Falls e reas da
cidade de Baltimore e Baltimore County, reas situadas na parte norte do estado de
9
Do ingls, LIgth Detection and Ranging. Sensor ptico que permite medir distncia a outros objectos
por intermdio de um feixe de luz.
10 Zhou and Troy (2008) 'An object-oriented approach for analysing and characterizing urban landscape
at the parcel level', International Journal of Remote Sensing, 29:11,3119 3135, pg. 1
15
Classes
Edifcios
Pavimento
Vegetao grosseira (rvores e arbustos
Vegetao fina (vegetao herbcea e relva)
Solo a descoberto
11
16
17
12
1 nanmetro = 1,0x10-9
13
18
19
Nvel 1
Nvel 2
Nvel 3
Nvel 4
Telha castanha/vermelha
Telha cinzenta/branca clara
Telhados de materiais
compsitos
Telhados de gravilha
Telhados de prdios
Gravilha cinzenta
Gravilha vermelha
Telhados de metal
Metal castanho
Metal cinzento claro
Telhados de asfalto
Telhados de telha
Cinzento claro
Vermelha
Cinzento / castanho
reas contradas
Telhados de alcatro
Telhados de placas de
madeira
Estradas de gravilha
Parques de estacionamento
Caminhos-de-ferro
Campos de tnis
Infra-estruturas de desporto
Pistas de tartan
Vegetao verde
Vegetao
Vegetao no-fotosinttica
Superfcies no-urbanas
Solo a descoberto
Corpos de gua
Corpos de gua
naturais/quasi-naturais
Piscinas
20
Herold et al. (2003) identificam neste estudo 14 bandas que, pelas suas
caractersticas, apresentam grandes potencialidades para a classificao em meio
urbano, sendo que a maioria se situa fora ou no limite do alcance espectral de sensores
como IKONOS ou Landsat TM14. Sublinham tambm o facto da similitude das respostas
espectrais de certos materiais resultarem em classificaes erradas, mesmo com a
riqueza de sensores multi-espectrais.
Heiden et al. (2007) utilizam imagens hiper-espectrais para explorar as
caractersticas espectrais especficas de diversos materiais presentes em meio urbano.
Para avaliar a consistncia das caractersticas espectrais de cada um dos materiais
identificados, os autores utilizam uma biblioteca de mais de 21.000 valores espectrais
dos materiais de superfcie mais utilizados na Alemanha15. Com este estudo os autores
pretendem explorar as potencialidades da utilizao de informao espectral dos
14
Herold, M., Gardner, M. E., and Roberts, D. A., (2003) Spectral resolution requirements for mapping
urban areas, IEEE Transactions on geoscience and remote sensing, vol.41, no.9, pg. 1912
15
Heiden, U., Segl, K., Roessner, S. and Kaufmann, H. (2007) Determination of robust spectral features
for identification of urban surface materials in hyperspectral remote sensing data, Remote Sensing of
Environment, 537-552, pg. 1
21
16
22
23
Do
ingls
Advanced
Spaceborne
Thermal
Emission
http://www.satimagingcorp.com/satellite-sensors/aster.html
and
Reflection
Radiometer
24
cidade de Pequim apresenta-se como um ptimo caso de estudo, dado ser uma das
maiores cidades chinesas, com cerca de 10.3 milhes de habitantes, onde se assiste a um
contnuo crescimento da indstria e do tecido urbano e se pode testemunhar o impacto
que estes produzem na cidade.
25
Nvel I
Nvel II
gua
Viveiro de peixes
Lago
Rio
Vegetao
Bosque
Pastagens
Terra agrcola
No-vegetao
Impermevel
Edificado
Solo a descoberto
Nvel III
26
20
21
27
Classes
gua
rvores
Asfalto
Parqueamento
Alcatro
Telhados
Zonas verdes
Solo a descoberto
Sombra
28
Do ingls clustering
29
classificou, i.e, fazer corresponder a cada classe identificada pelo algoritmo um tema
que caracterize uma classe presente na imagem, e agrupar, se for o caso, algumas
classes classificadas numa s, se se verificar que podero fazer parte de um tema nico.
De uma maneira geral, estes classificadores comeam por calcular as mdias de
amostras iniciais de pixis que se destacam pelo facto de se apresentarem
uniformemente distribudas na imagem. De seguida associam cada pixel da imagem
amostra espectralmente mais prxima, criando assim um novo conjunto de amostras.
Depois, com as novas amostras, recalculam as respectivas mdias. Estes dois ltimos
passos so repetidos de modo iterativo at as distncias entre os pixis e as mdias das
amostras serem menores do que um limite determinado pelo utilizador.
30
Medidas de separabilidade:
Uma anlise de separabilidade entre parcelas de treino, permite
estimar o erro esperado na classificao e refinar a representatividade das
parcelas de treino. Existem vrias medidas estatsticas de separabilidade,
nomeadamente, a distncia Mahalanobis, distncia Euclidiana, distncia
de Battacharya, divergncia transformada e distncia Jeffries Matusita23.
Das medidas mencionadas a mais simples sem dvida a distncia
Euclidiana que considera para o seu clculo as mdias das parcelas de
treino. Todas as outras medidas implicam clculos de matrizes de
varincias e co-varincia24, assumindo uma distribuio normal25 das
parcelas de treino. Em geral, na avaliao dos resultados destas medidas,
quanto maior for a separabilidade entre parcelas de treino maior a
probabilidade de uma correcta classificao das respectivas classes.
Lillesand e Kiefer (1999) referem como intervalo para a avaliao da
23
J.A. Richards, 2006, Remote Sensing Digital Image Analysis, Springer-Verlag, Berlin, p. 268.
24
Distribuio normal uma distribuio da estatstica descrita pelos parmetros de mdia e desvio
padro. Tambm chamada de distribuio Gaussiana, serve de aproximao para o clculo de
probabilidades de outras distribuies quando estas so demasiado grandes.
31
Classificao interactiva:
Os programas de processamento de imagem, como o ENVI,
incluem no processo de classificao a opo de efectuar uma
classificao preliminar interactiva de modo a ilustrar o resultado obtido
com determinadas parcelas de treino e inferir sobre a representatividade
das mesmas na imagem. Contudo, este mtodo dever ser utilizado com
classificadores computacionalmente mais eficientes de modo a no tornar
pesada a classificao preliminar.
32
II.3.2.1
Paraleleppedo
33
34
II.3.2.2
Mxima Verosimilhana
26
O ENVI neste caso classifica o pixel com a ltima classe no qual pertence. Contudo, esta opo no
elimina por completo as possveis classificaes erradas.
27
Funes utilizadas para traduzir distribuies de probabilidade, caso as variveis aleatrias sejam
contnuas.
35
28
Teorema de Bayes diz que a probabilidade de um evento A acontecer dado um evento B depende no
s da relao entre os eventos A e B mas tambm da probabilidade de ocorrncia de cada um dos eventos.
36
II.3.2.3
29
30
Centride , por definio, o ponto dentro de uma figura que define o seu centro geomtrico. Pode-se
considerar, de um modo simples, como a mdia dos pontos pertencentes figura.
31
37
Figura 12 Exemplo das distncias de um pixel aos centrides de vrias parcelas de treino.
Fonte: Richards e Jia (2006) (adapt.)
Figura 13 Exemplo de duas amostras espectrais com o mesmo centride mas com diferentes
disperses.
Fonte: do autor
II.3.2.4
Distncia de Mahalanobis
38
II.3.2.5
II.3.2.6
Codificao Binria
32
40
Referncia
Classe A
Classe B
Classe C
Total
Comisso
Exactido do produtor
Classe A
25
34
26.5%
73.5%
Classe B
39
43
9.3%
90.7%
Classe C
45
51
11.8%
88.2%
32
46
50
128
Omisso
21.9%
15.2%
10.0%
85.2%
Exactido Global
Exactido do utilizador
78.1%
84.8%
90.0%
Resultado
Total
33
41
A matriz de confuso foi tradicionalmente usada como uma avaliao global dos
resultados. Contudo, reduzir esta ferramenta a uma medida global de exactido ser
redutor, uma vez que no garantido que uma exactido global alta traduzir bons
resultados em cada uma das classes. Assim, no estudo da matriz de confuso o
utilizador ter que ter em conta no s a exactido global, mas tambm a exactido de
cada uma das classes, comparando-as com as classes de referncia.
Para alm da exactido global da classificao (somatrio dos pixis bem
classificados sobre o nmero total de pixis), pode-se ainda calcular as exactides
correspondentes a cada uma das classes. Essas exactides podem-se apresentar sob duas
perspectivas: a exactido do produtor e a exactido do utilizador, e calculam-se
dividindo o nmero de pixis correctamente classificados pelo nmero total de pixis
classificados nessa classe.
A exactido do utilizador indica a percentagem de pixis em cada uma das
classes que foram correctamente classificados, quando comparados com as classes de
referncia. Existe, por contraponto o erro de omisso que traduz a percentagem dos
pixis que foram classificados erradamente noutras classes.
A exactido do produtor, por sua vez, d-nos a percentagem de pixis
correctamente classificados, comparando com as classes resultantes da classificao. O
erro associado a esta medida o erro de comisso, que indica a percentagem de pixis
classificados que deveriam ter sido classificados noutras classes.
42
Onde,
O ndice Kappa portanto uma medida que avalia o grau de concordncia entre
a imagem classificada e o mapa de referncia. O ndice Kappa pode ter valores entre
-1.0 e 1.0. Um ndice Kappa maior que 0 indica algum grau de concordncia entre os
valores e 1 indica uma concordncia perfeita. Na Tabela 13 podemos ver a escala
emprica proposta por Landis e Koch (1997) para o ndice onde fazem correspondem a
intervalos de Kappa, ndices de concordncia.
Valores de Kappa
Nveis de concordncia
<0
Ausente
]0.0, 0.20[
Baixo
[0.20, 0.40[
Razovel
[0.40, 0.60[
Moderado
[0.60, 0.80[
Substancial
[0.80, 1.00[
Quase perfeito
=1
Perfeito
43
44
Captulo III:
QuickBird
III.2 Metodologia
III.2.1
Nomenclatura proposta
A nomenclatura seguida neste trabalho tem por base a realidade urbana da zona
abrangida pela imagem j anteriormente descrita. Adoptou-se uma nomenclatura
organizada num esquema de nveis hierrquicos partindo do mais geral para o mais
especfico (Kux et al., 2006 e Heiden et al., 2007). Conjugando as classes que mais se
destacam e tendo em conta o nvel discriminante que a imagem permite, organizmos
um esquema hierrquico dividido em quatro nveis (Figura 16). No primeiro nvel
45
Figura 16 - Hierarquia de classes (nomenclatura proposta para a zona abrangida pela imagem
QuickBird)
46
III.2.2
Nvel
Nvel III Vegetao
Classes
Relva
Vegetao Herbcea
Solo Nu
Solo Agrcola
Nvel IV rvores
rvores Claras
rvores Escuras
Telhados Claros
Nvel IV Telhados
Telhados Mdios
Telhados Telha Laranja
Telhados Escuros
Pavimentos Claros
Nvel IV Pavimentos
Pavimentos Escuros
47
Processamento
Nveis
Classes-me
Classes a classificar
Nvel 1
N/A
Sombra, No-sombra
Nivel 2
No-sombra
Vegetao, No-Vegetao
Vegetao
No-Vegetao
rvores
Telhados
Pavimentos
3
Nvel 3
6
7
Nvel 4
48
foram posteriormente usadas como mscaras para classificar as classes dos nveis
seguintes.
Como dados de entrada deste processo, para alm da bvia imagem de satlite,
elabormos mapas de referncia34 que constituram o nosso modelo da realidade, para
cada um dos nveis da hierarquia de classes, e tambm um mapa de referncia com as
classes mais discriminantes atrs enunciadas (Figura 17). Os mapas foram construdos
com o auxlio do software ArcGIS para cada um dos nveis, pela identificao visual,
com base na imagem, das classes de todos os nveis. Procurmos acompanhar a normal
interpretao visual com informao proveniente de outros mapas (e.g., Google maps) e
com sadas de campo sempre que alguma rea da imagem nos suscitava dvidas.
J referimos anteriormente que centrmos esta tese no estudo de performance de
classificadores supervisionados pixel a pixel. O primeiro passo na utilizao deste tipo
de classificadores proceder recolha de amostras de reas que caracterizem cada uma
das classes nos diferentes nveis, i.e., amostras espectralmente representativas das
classes. Essas amostras, chamadas de parcelas de treino, permitem fornecer aos
classificadores dados para a criao de assinaturas espectrais para cada classe para o
processo algortmico caracterstico de cada classificador. A escolha rigorosa das
parcelas de treino no processo de classificao assumem maior relevncia por inferir
directamente na qualidade do resultado das classificaes, pelo que utilizmos vrios
mtodos para refinar a qualidade das mesmas, nomeadamente medidas estatsticas
(mdias, varincias, etc.), grficos espectrais, e estudos de separabilidade espectral.
34
49
Vegetao Herbcea
rvores Escuras
Telhados Mdios
Pavimentos Claros
Relva
Telhados Escuros
Pavimentos Escuros
Telha Laranja
Solo Agrcola
rvores Claras
Telhados Claros
Solo Nu
51
52
53
54
Captulo IV:
Resultados e discusso
36
Ver captulo II.4.2, Tabela 13 - Medidas de concordncia do nidice Kappa. Fonte: Landis e Koch The
55
56
Nvel III
Exactido Global
Nvel I
Nvel II
No-Vegetao
Nvel IV
Vegetao
rvores
Pavimentos
Telhados
Paraleleppedo
76,4%
--37
--
33,1%
66,4%
43,6%
--
Mnima Distncia
40,9%
62,6%
51,8%
50,0%
66,4%
82,8%
68,5%
Mahalanobis
45,9%
81,3%
58,8%
54,6%
71,6%
83,0%
74,6%
Mxima Verosimilhana
81,1%
62,7%
69,8%
66,6%
72,9%
79,9%
89,5%
MAE
40,8%
65,1%
52,4%
51,6%
53,1%
73,4%
61,0%
--
--
--
--
49,7%
--
--
Codificao Binria
No primeiro grupo, com valores de EG acima dos 80%, encontramos classes mais
fceis de classificar, i.e., cuja natureza espectral permite uma melhor discriminao.
Destacamos o nvel IV Telhados com um valor de EG de 89,5%. Este nvel
constitudo por quatro tipos de telhados: claros, mdios, escuros e telhas laranja, para os
quais, dada a sua natureza espectral, foi fcil seleccionar parcelas de treino capazes de
providenciar aos classificadores informao com vista a um bom resultado. Dado este
cenrio era expectvel que os melhores resultados fossem conseguidos pelos
classificadores Mxima Verosimilhana (MV) e Distncia de Mahalanobis (MAHA).
por causa da sua natureza probabilstica (classificadores paramtricos) em contraponto
com os classificadores no-paramtricos38.
Ao analisarmos os resultados de IK do processo de classificao por nveis
(Tabela 17 e Tabela 18) verificamos que estes acompanham naturalmente o
comportamento das EG, situando as melhores classificaes num intervalo de
concordncia igual ou superior a Razovel, dando-nos assim uma maior confiana nos
resultados obtidos.
No segundo grupo, com EG mais baixas, podemos verificar que inclui em geral
classes mais difceis de discriminar pela sua natureza espectral, e.g., no nvel III NoVegetao as classes classificadas foram Telhados, Pavimentos, Solo Agrcola e Solo
37
Existem classificadores que no conseguiram classificar todas as classes dos nveis em questo.
38
57
ndice Kappa
Nvel I
Paraleleppedo
Nvel II
Nvel III
No-Vegetao
Nvel IV
Vegetao
rvores
Pavimentos
Telhados
0,393
--
--
0,033
0,090
0,040
--
Mnima Distncia
0,076
0,324
0,297
0,228
0,372
0,640
0,345
Mahalanobis
0,096
0,584
0,396
0,335
0,451
0,645
0,493
Mxima Verosimilhana
0,462
0,204
0,550
0,435
0,459
0,604
0,719
MAE
0,018
0,394
0,355
0,206
0,109
0,511
0,319
--
--
--
0,033
--
--
Codificao Binria
--
Tabela 17 ndice Kappa dos resultados dos vrios classificadores no processo de classificao por
nveis
ndice Kappa
(qualitativo)
Nvel I
Paraleleppedo
Razovel
Mnima Distncia
Nvel II
Nvel III
No-Vegetao
Vegetao
--
--
Baixo
Razovel
Mahalanobis
Baixo
Mxima Verosimilhana
MAE
Codificao Binria
rvores
Nvel IV
Pavimentos
Telhados
Baixo
Baixo
Baixo
Razovel
Razovel
Razovel
Substancial
Razovel
Moderado
Razovel
Razovel
Moderado
Substancial
Moderado
Moderado
Razovel
Moderado
Moderado
Moderado
Substancial
Substancial
Baixo
Razovel
Razovel
Razovel
Baixo
Moderado
Razovel
--
--
--
--
Baixo
--
--
--
Tabela 18 Nveis de concordncia do ndice Kappa dos resultados dos vrios classificadores no
processo de classificao por nveis
58
Exactido do Utilizador
Nvel I
ndice Kappa
Sombra
No-Sombra
Paraleleppedo
90,5%
74,4%
0,393 / Razovel
Mnima Distncia
98,9%
36,3%
0,076 / Baixo
Mahalanobis
97,2%
41,3%
0,096 / Baixo
Mxima Verosimilhana
91,2%
79,5%
0,462 / Moderado
MAE
44,2%
40,7%
0,018 / Baixo
--
--
-- / --
Codificao Binria
59
difcil num nvel em que as classes (Sombra e No-Sombra) apresentam uma grande
disperso espacial na imagem.
O segundo nvel apresenta uma diviso entre classificadores com as melhores EU
(Tabela 20). O classificador MAHA obtm 77,8% de EU para a classe Vegetao,
enquanto que a classe No-Vegetao apresenta melhores resultados com o classificador
Mnima Distncia (MD) com uma EU de 96,0%.
Nvel II No-Sombra
Paraleleppedo
Exactido do Utilizador
Vegetao
--
No-Vegetao
ndice Kappa
--
-- / --
Mnima Distncia
51,3%
96,0%
0,324 / Razovel
Mahalanobis
77,8%
91,7%
0,584 / Moderado
Mxima Verosimilhana
29,0%
90,4%
0,204 / Razovel
MAE
57,5%
87,4%
0,394 / Razovel
Codificao Binria
--
--
-- / --
Exactido do Utilizador
ndice Kappa
Telhados
Solo Nu
Pavimentos
Solo Agrcola
Paraleleppedo
--
--
--
--
-- / --
Mnima Distncia
41,4%
60,9%
64,1%
51,5%
0,297 / Razovel
Mahalanobis
46,3%
68,5%
79,1%
38,5%
0,396 / Razovel
Mxima Verosimilhana
64,8%
68,0%
79,3%
65,2%
0,550 / Moderado
MAE
35,5%
66,1%
73,6%
49,4%
0,355 / Razovel
Codificao Binria
--
--
--
--
-- / --
60
Exactido do Utilizador
rvores
Vegetao
Herbcea
ndice Kappa
Relva
Paraleleppedo
99,5%
0,12%
3,4%
0,005 / Baixo
Mnima Distncia
54,2%
47,2%
55,8%
0,217 / Razovel
Mahalanobis
61,6%
58,3%
50,7%
0,315 / Razovel
Mxima Verosimilhana
63,0%
70,7%
50,5%
0,417 / Moderado
MAE
44,4%
57,6%
32,6%
0,189 / Baixo
Codificao Binria
--
--
--
-- / --
De referir ainda a classe Relva com o resultado mais baixo entre as trs classes
(55,8%), classificada com o classificador MD. Este comportamento deve-se
provavelmente escassa presena da classe na rea de estudo, facto que aumenta a
dificuldade na classificao em alguns classificadores, nomeadamente os paramtricos.
O nvel IV rvores consegue um resultado de EU de 91,8% para as rvores
escuras com o classificador MD, e de 66,2% para as rvores claras com o classificador
MV (Tabela 23).
61
Nvel IV rvores
Exactido do Utilizador
ndice Kappa
Claras
Escuras
Paraleleppedo
98,5%
9,9%
0,102 / Baixo
Mnima Distncia
51,0%
91,8%
0,390 / Razovel
Mahalanobis
60,2%
90,1%
0,468 / Moderado
Mxima Verosimilhana
66,2%
84,5%
0,482 / Moderado
MAE
52,9%
53,0%
0,140 / Baixo
Codificao Binria
43,4%
65,9%
0,086 / Baixo
Nvel IV Pavimentos
Exactido do Utilizador
ndice Kappa
Claros
Escuros
Paraleleppedo
99,7%
5,1%
0,040 / Baixo
Mnima Distncia
76,4%
87,1%
0,640 / Substancial
Mahalanobis
76,7%
87,4%
0,645 / Substancial
Mxima Verosimilhana
91,0%
72,4%
0,604 / Substancial
MAE
83,1%
66,8%
0,511 / Moderado
Codificao Binria
--
--
-- / --
Exactido do Utilizador
Nvel IV Telhados
ndice Kappa
Telha Laranja
--
Paraleleppedo
Claros
--
Mdios
Escuros
--
--
-- / --
Mnima Distncia
69,2%
84,1%
48,1%
89,1%
0,345 / Razovel
Mahalanobis
72,6%
87,4%
77,3%
90,5%
0,493 / Moderado
Mxima Verosimilhana
91,9%
93,4%
71,5%
81,6%
0,719 / Substancial
MAE
62,6%
80,5%
44,2%
45,6%
0,319 / Razovel
---
--
--
--
Codificao Binria
-- / --
63
Nvel
Classes
Peso
(exactido do
utilizador)
Nvel III
Vegetao
Relva
57,4%
Nvel III
No Vegetao
Nvel IV
rvores
Nvel IV
Telhados
Nvel IV
Pavimentos
Vegetao Herbcea
70,1%
Solo Nu
68,0%
Solo Agrcola
65,2%
rvores Claras
67,7%
rvores Escuras
81,8%
Telhados Claros
93,4%
Telhados Mdios
71,5%
91,9%
Telhados Escuros
81,6%
Pavimentos Claros
76,7%
Pavimentos Escuros
87,4%
Classificador
Mxima
Verosimilhana
Mxima
Verosimilhana
Mxima
Verosimilhana
Mxima
Verosimilhana
Mahalanobis
64
Nvel
Classes
Peso
(exactido do
utilizador)
Classificador
Nvel III
Vegetao
Relva
55,8%
Mnima Distncia
Vegetao Herbcea
70,7%
Mxima Verosimilhana
Solo Nu
68,5%
Mahalanobis
Solo Agrcola
65,2%
Mxima Verosimilhana
rvores Claras
66,2%
Mxima Verosimilhana
rvores Escuras
91,8%
Mnima Distncia
Telhados Claros
93,4%
Mxima Verosimilhana
Telhados Mdios
77,3%
Mahalanobis
91,9%
Mxima Verosimilhana
Telhados Escuros
90,5%
Mahalanobis
Pavimentos Claros
91,0%
Mxima Verosimilhana
Pavimentos Escuros
87,4%
Mahalanobis
Nvel III
No Vegetao
Nvel IV
rvores
Nvel IV
Telhados
Nvel IV
Pavimentos
65
66
Nvel
Classes
Exactido do utilizador
Extrada dos
Mapa final (depois da
nveis
aplicao dos pesos)
Nvel III
Vegetao
Relva
57,4%
52,1%
Vegetao Herbcea
70,1%
23,1%
Nvel III
No Vegetao
Solo Nu
68,0%
43,8%
Solo Agrcola
65,2%
64,8%
Nvel IV
rvores
rvores Claras
67,7%
41,1%
rvores Escuras
81,8%
80,9%
Telhados Claros
93,4%
19,2%
Telhados Mdios
71,5%
63,4%
Telhados Telha
Laranja
91,9%
17,8%
Telhados Escuros
81,6%
72,9%
Pavimentos Claros
76,7%
53,3%
Pavimentos Escuros
87,4%
69,9%
Nvel IV
Telhados
Nvel IV
Pavimentos
67
Nvel
Classes
Exactido do utilizador
Extrada das
Mapa final (depois da
classes
aplicao dos pesos)
Nvel III
Vegetao
Relva
55,8%
43,3%
Vegetao Herbcea
70,7%
68,6%
Nvel III
No Vegetao
Solo Nu
68,5%
58,9%
Solo Agrcola
65,2%
68,1%
Nvel IV
rvores
rvores Claras
66,2%
31,2%
rvores Escuras
91,8%
82,0%
Telhados Claros
93,4%
19,7%
Telhados Mdios
77,3%
13,6%
91,9%
3,1%
Telhados Escuros
90,5%
45,0%
Pavimentos Claros
91,0%
69,5%
Pavimentos Escuros
87,4%
73,6%
Nvel IV
Telhados
Nvel IV
Pavimentos
68
Nvel
Classes
PCN
Nvel III
Vegetao
Nvel III
No Vegetao
Nvel IV
rvores
Nvel IV
Telhados
Nvel IV
Pavimentos
Exactido do Utilizador
PCC
Relva
57,4%
55,8%
Vegetao Herbcea
70,1%
70,7%
Solo Nu
68,0%
68,5%
Solo Agrcola
65,2%
65,2%
rvores Claras
67,7%
66,2%
rvores Escuras
81,8%
91,8%
Telhados Claros
93,4%
93,4%
Telhados Mdios
71,5%
77,3%
91,9%
91,9%
Telhados Escuros
81,6%
90,5%
Pavimentos Claros
76,7%
91,0%
Pavimentos Escuros
87,4%
87,4%
Tabela 30 - Quadro comparativo dos resultados das classes dos processos de classificao antes de
aplicados os pesos s classes
69
Nvel
Classes
PCN
Nvel III
Vegetao
Nvel III
No Vegetao
Nvel IV
rvores
Nvel IV
Telhados
Nvel IV
Pavimentos
Exactido do Utilizador
PCC
Relva
52,1%
43,3%
Vegetao Herbcea
23,1%
68,6%
Solo Nu
43,8%
58,9%
Solo Agrcola
64,8%
68,1%
rvores Claras
41,1%
31,2%
rvores Escuras
80,9%
82,0%
Telhados Claros
19,2%
19,7%
Telhados Mdios
63,4%
13,6%
17,8%
3,1%
Telhados Escuros
72,9%
45,0%
Pavimentos Claros
53,3%
69,5%
Pavimentos Escuros
69,9%
73,6%
Exactido Global
54,1
51,6%
ndice Kappa
0,483 / Moderado
0,455 / Moderado
70
Mapa Final
Exactido
Global
ndice Kappa
Paraleleppedo
--
--
Mnima Distncia
38,6%
0,321 / Razovel
Mahalanobis
43,1%
0,370 / Razovel
Mxima Verosimilhana
55,4%
0,501 / Moderado
MAE
37,9%
0,322 / Razovel
Codificao Binria
--
--
Tabela 32 - Exactides dos resultados dos seis classificadores para o Mapa Final39
39
71
Nvel
Classes
PCN
Exactido do Utilizador
Classificao
PCC
directa
Nvel III
Vegetao
Relva
57,4%
55,8%
32,2%
Vegetao Herbcea
70,1%
70,7%
60,3%
Nvel III
No
Vegetao
Solo Nu
68,0%
68,5%
65,2%
Solo Agrcola
65,2%
65,2%
59,2%
rvores Claras
67,7%
66,2%
44,2%
rvores Escuras
81,8%
91,8%
78,6%
Telhados Claros
93,4%
93,4%
58,0%
Telhados Mdios
71,5%
77,3%
37,6%
91,9%
91,9%
53,3%
Telhados Escuros
81,6%
90,5%
50,7%
Pavimentos Claros
76,7%
91,0%
46,5%
Pavimentos Escuros
87,4%
87,4%
78,9%
Exactido Global
N/A
N/A
55,4%
ndice Kappa
N/A
N/A
0,501 / Moderado
Nvel IV
rvores
Nvel IV
Telhados
Nvel IV
Pavimentos
72
O mtodo de deciso proposto (Figura 21) teve como factor de deciso a EU das
classes, optando pela classe com maior EU em caso de sobreposio. Podemos verificar
partida que os valores de EU resultantes da juno das classes provenientes num s
mapa (Tabela 34) em ambos os processos de classificao decresceu significativamente,
passando por exemplo, no caso da classe Telhados Claros e em ambos os processos
(PCN e PCC), de 93,4% antes da aplicao dos pesos s classes, para cerca de 19,2%
depois dessa aplicao, valor que fica nos 58,0% no caso da CDCD.
Nvel
Classes
PCN
Exactido do Utilizador
Classificao
PCC
directa
Nvel III
Vegetao
Relva
52,1%
43,3%
32,2%
Vegetao Herbcea
23,1%
68,6%
60,3%
Nvel III
No
Vegetao
Solo Nu
43,8%
58,9%
65,2%
Solo Agrcola
64,8%
68,1%
59,2%
rvores Claras
41,1%
31,2%
44,2%
rvores Escuras
80,9%
82,0%
78,6%
Telhados Claros
19,2%
19,7%
58,0%
Telhados Mdios
63,4%
13,6%
37,6%
17,8%
3,1%
53,3%
Telhados Escuros
72,9%
45,0%
50,7%
Pavimentos Claros
53,3%
69,5%
46,5%
Pavimentos Escuros
69,9%
73,6%
78,9%
Exactido Global
54,1%
51,6%
55,4%
ndice Kappa
0,483 / Moderado
0,455 / Moderado
0,501 / Moderado
Nvel IV
rvores
Nvel IV
Telhados
Nvel IV
Pavimentos
73
74
Captulo V:
Concluses
75
A comparao dos resultados obtidos nos dois processos com um mapa resultante
da classificao directa das doze classes mais discriminantes da hierarquia de classes
proposta (CDCD) revelou que no existe uma clara vantagem na aplicao dos
processos em estudo, uma vez que os resultados em termos de Exactido Global foram
muito semelhantes. No entanto, tal concluso poder estar enviesada por ter sido
necessrio resolver problemas de sobreposio de classes quando, em qualquer um dos
processos de classificao, essas classes so provenientes de classificadores diferentes.
Esta necessidade levou opo por uma metodologia de resoluo das sobreposies
que implicou o decrscimo verificado na EG nas classes submetidas a este processo.
Com efeito, a comparao directa das exactides das classes obtidas no decorrer
dos dois processos de classificao (PCN e PCC) com o resultado da CDCD revela que
qualquer um daqueles processos de classificao obtm melhores resultados do que a
metodologia clssica de classificao de classes (CDCD). No entanto, esta comparao
levanta dvidas metodolgicas, uma vez que as classes obtidas so provenientes de
classificadores diferentes, o que se pode traduzir numa sobreposio de classes aquando
da tentativa de juno das vrias classes de um processo num s mapa. A aplicao de
um processo de deciso ponderado pela EU como metodologia de resoluo das
sobreposies verificadas, mostrou-se uma estratgia pouco eficaz, ao obter resultados
de EU para as classes dos processos de classificao globalmente bastante mais baixos
do que as classes do mapa da CDCD. Da mesma forma, a EG revelou-se igualmente
mais baixa, no ultrapassando os 51,6% nos processos de classificao, enquanto na
CDCD se obteve uma EG de 55,4%. Desta forma, no se verificam vantagens
comparativas relevantes na juno de classes provenientes de diferentes classificadores
num s mapa.
Levantam-se assim algumas questes que devero merecer um estudo mais
aprofundado em trabalhos futuros. Em primeiro lugar, parece-nos interessante explorar
a problemtica da sobreposio de classes provenientes de diferentes classificadores,
estudando outro tipo de parmetros que auxiliem o refinamento do resultado final do
mapa resultante da juno das vrias classes, como por exemplo decisores estatsticos,
que podero levar a resultados mais interessantes no que diz respeito exactido das
classificaes. Em segundo lugar, a substituio dos classificadores supervisionados por
classificadores orientados por objectos nos processos de classificao propostos. Por
76
ltimo, aplicar os processos de classificao noutro tipo de malha urbana para avaliar o
seu comportamento noutro tipo de classes temticas.
77
Bibliografia de referncia
Cohen, J. A., 1960. Coefficient of Agreement for Nominal Scales, Educational
and Psychological Measurement - v.20, n.1, p. 37-46.
Freire S., Santos T., Navarro, A., Soares F., Dinis J., Afonso N., Fonseca A.,
Tenedrio J. A., (2010). Extraction of buildings from QuickBird imagery for municipal
planning purposes: quality assessment considering existing mapping standards.
Proceedings of GEOBIA2010. Ghent, 29 June July 2, 2010
Freire S., Santos T., Gomes N., Fonseca A., Tenedrio J. A. (2010). Extraction
of buildings from QuickBird imagery what is the relevance of urban context and
heterogeneity? Proceedings of ASPRS/CaGIS/ISPRS Fall Conference. Orlando,
November 15 18, 2010.
Lillesand, T.M. e Kiefer, R.W., 1994. Remote Sensing and Image Interpretation.
New York: John Wiley & Sons.
Santos T., Freire S., Navarro, A., Silva J., Soares F., Fonseca A., Tenedrio J. A.
(2010). Extracting buildings in the city of Lisbon using QuickBird images and LiDAR
data. Proceedings of GEOBIA2010. Ghent, 29 June July 2, 2010.
78
79
Lu, D. and Weng, Q., 2007. A survey of image classification methods and
techniques for improving classification performance. International Journal of Remote
Sensing - 28:5, 823 870.
M. K. Jat; P. K. Garg; D. Khare, 2007. Modelling of urban growth using spatial
analysis techniques: a case study of Ajmer city (India). Indian Institute of Technology
Roorkee, Roorkee, India.
Maktav, D., Erbek, F. S. e Jrgens, C., 2005. Remote sensing of urban areas.
International Journal of Remote Sensing - 26:4,655 659.
Su, W., Li, J., Chen, Y., Liu, Z., Zhang, J., Low, T. M., Suppiah, I. e Hashim, S.
A. M., 2008. Textural and local spatial statistics for the object-oriented classification of
urban areas using high resolution imagery. International Journal of Remote Sensing 29:11,3105 3117.
Shackelford, A. K. and Davis, C. H., 2003. A Hierarchical Fuzzy Classification
Approach for High-Resolution Multispectral Data Over Urban Areas. IEEE
Transactions on Geoscience and Remote Sensing - vol. 41, no. 9.
O'Brien, M., 2003. Feature Extraction with the VLS Feature Analyst System.
Proceedings of the ASPRS Annual Conference - 3-9 May, Anchorage, AK.
Thomas, N., Hendrix, C. E Congalton, R.G., 2003. A comparison of urban
mapping methods using high-resolution digital imagery. Photogrammetric Engineering
and Remote Sensing - 69, pp. 963 972.
Heiden, U., Segl, K., Roessner, S. e Kaufmann, H., 2007. Determination of
robust spectral features for identification of urban surface materials in hyperspectral
remote sensing data. Remote Sensing of Environment - 537-552.
Zhou, W. e Troy, A., 2008. An object-oriented approach for analysing and
characterizing urban landscape at the parcel level. International Journal of Remote
Sensing - 29:11,3119 3135.
Tenedrio, Jos A., 2007. GeoSat Metodologias para extraco de informao
GEOgrfica a grande escala a partir de imagens de SATlite de alta resoluo. Projecto
da
FCSH
em
curso,
financiado
pela
FCT,
in
http://www.fct.mctes.pt/projectos/concursos/index.asp?area=9&pid=64826.
80
Welch, R., 1982. Spatial resolution requirements for urban studies. International
Journal of Remote Sensing - 3(2), 138146.
Kux, H. J. H. e Arajo, E. H. G., 2006. Multi-temporal object-oriented
classification and analysis of QuickBird scenes at a metropolitan area in Brazil (Belo
Horizonte, Minas Gerais State. INPE - SP Brazil.
Lillesand, T. M. e Kiefer, R. W., 1999. Remote sensing and image interpretation.
Fourth edition, Wiefer.
Richards, John A. e Jia, Xiuping, 2006. Remote Sensing Digital Image Analysis.
Fourth edition, Springer-Verlag Berlin Heidelberg.
81
Lista de Figuras
Figura 1 - Imagem QuickBird utilizada ................................................................ 10
Figura 2 - Rede hierrquica ................................................................................... 15
Figura 3 - Hierarquia de classes e respectivas caractersticas e regras de separao
........................................................................................................................................ 17
Figura 4 Espectro electromagntico ................................................................... 21
Figura 5- Caracterizao hierrquica de materiais urbanos de superfcie............. 23
Figura 6 - rvore de deciso usada no processo de classificao hierrquica...... 25
Figura 7- Diagrama de vore de deciso para classificao ................................. 26
Figura 8 - Histograma para os componentes bi-dimensionais da informao
espectral de uma parcela de treino. ................................................................................. 34
Figura 9 - Exemplo de rectngulos representativos de classes num grfico bidimensional de duas bandas. .......................................................................................... 34
Figura
10
Exemplo
de
inseparabilidade
resultante
do
classificador
paraleleppedo. ................................................................................................................ 35
Figura 11 - Princpio do classificador de mxima verosimilhana. ...................... 36
Figura 12 Exemplo das distncias de um pixel aos centrides de vrias parcelas
de treino. ......................................................................................................................... 38
Figura 13 Exemplo de duas amostras espectrais com o mesmo centride mas
com diferentes disperses. .............................................................................................. 38
Figura 14 Princpio do classificador distncia de Mahalanobis. ........................ 39
Figura 15 - esquerda dois elementos com o mesmo ngulo e magnitudes
diferentes. direita elementos com ngulos diferentes e magnitudes diferentes. ........ 40
Figura 16 - Hierarquia de classes (nomenclatura proposta para a zona abrangida
pela imagem QuickBird)................................................................................................. 46
Figura 17 - Mapa de referncia para as classes mais discriminantes .................... 50
Figura 18- Fluxograma do processo de classificao por nveis .......................... 52
Figura 19 - Fluxograma do processo de classificao por classes ........................ 54
82
83
84
Lista de tabelas
Tabela 1- Especificaes do sensor Thematic Mapper dos satlites Landsat 4-5... 2
Tabela 2 - Especificaes do satlite IKONOS ...................................................... 3
Tabela 3 - Especificaes do satlite QuickBird ..................................................... 3
Tabela 4 - Classificadores supervisionados disponveis no software ENVI ........... 5
Tabela 5 - Chaves de pesquisa ................................................................................ 8
Tabela 6 Hierarquia de classes adoptada no estudo ........................................... 12
Tabela 7 - Definio de classes ............................................................................. 14
Tabela 8 Legenda de classes .............................................................................. 16
Tabela 9 - Esquema da classificao da imagem para a rea em estudo .............. 20
Tabela 10 - Sistema hierrquico de classificao ................................................. 26
Tabela 11 - Classes para a zona de teste ............................................................... 28
Tabela 12- Exemplo de uma matriz de confuso. Fonte: do autor........................ 41
Tabela 13 - Medidas de concordncia do ndice Kappa. ...................................... 43
Tabela 14 Nomenclatura final com as classes mais discriminantes da zona de
estudo .............................................................................................................................. 47
Tabela 15 Ordem do processo de classificao.................................................. 48
Tabela 16 - Exactido global dos resultados dos vrios classificadores
no
85
Processo de
Processo de
86
87
Glossrio
ArcGIS
AVIRIS
B-On
ENVI
IKONOS 2
Landsat TM
QuickBird
Nvel Temtico
88
Exactido do utilizador:
Omisso:
Exactido do produtor:
Comisso:
89
Operador OU exclusivo
A
Resultado
90
Nvel I
Exactido
do Utilizador
Exactido
do Produtor
Sombra
91,2%
40,5%
No-Sombra
79,5%
98,3%
Exactido Global
81,1%
ndice Kappa
0,462 / Moderado
Nvel II
No-Sombra
Exactido
do Utilizador
Exactido
do Produtor
Vegetao
91,7%
58,3%
No-Vegetao
77,8%
96,5%
Exactido Global
81,3%
ndice Kappa
0,584 / Moderado
Nvel II
No-Vegetao
Exactido
do Utilizador
Exactido
do Produtor
Telhados
64,8%
85,0%
Solo Nu
68,0%
74,0%
Solo Agrcola
65,2%
51,5%
Pavimentos
79,3%
60,0%
Exactido Global
69,8%
ndice Kappa
0,550 / Moderado
91
Nvel II
Vegetao
Exactido
do Utilizador
Exactido
do Produtor
rvores
63,7%
65,7%
Vegetao Herbcea
70,1%
77,6%
Relva
57,4%
37,1%
Exactido Global
66,6%
ndice Kappa
0,435 / Moderado
Nvel II
rvores
Exactido
do Utilizador
Exactido
do Produtor
rvores Claras
67,7%
86,5%
rvores Escuras
81,8%
59,5%
Exactido Global
72,9%
ndice Kappa
0,459 / Moderado
Nvel II
Pavimentos
Exactido
do Utilizador
Exactido
do Produtor
Pavimentos Claros
76,7%
80,6%
Pavimentos Escuros
87,4%
84,6%
Exactido Global
83,0%
ndice Kappa
0,645 / Substancial
92
Nvel II
Telhados
Exactido
do Utilizador
Exactido
do Produtor
Telha Laranja
91,9%
97,2%
Telhados Claros
93,4%
75,0%
Telhados Mdios
71,5%
69,6%
Telhados Escuros
81,6%
46,4%
Exactido Global
89,5%
ndice Kappa
0,719 / Substancial
93
Sombra
No-Sombra
Vegetao
No-Vegetao
94
Telhados
Solo Nu
Pavimentos
Solo Agrcola
rvores
Relva
Vegetao Herbcea
Figura 25 - Mapa de referncia para o Nvel III Vegetao
95
rvores Claras
rvores Escuras
Pavimentos Claros
Pavimentos Escuros
96
Telha Laranja
Telhados Claros
Telhados Mdios
Telhados Escuros
97
No-Sombra
Sombra
Vegetao
No Vegetao
98
Telhados
Pavimentos
Solo Nu
Solo-Agrcola
Relva
rvores
Vegetao Herbcea
Figura 32 - - Nvel III Vegetao - Classificador de Mxima Verosimilhana
99
rvores Claras
rvores Escuras
Pavimentos Claros
Pavimentos Escuros
100
Telha Laranja
Telhados Mdios
Telhados Claros
Telhados Escuros
101
102
103
104
105
Vegetao Herbcea
rvores Escuras
Telhados Mdios
Pavimentos Claros
Relva
Telhados Escuros
Pavimentos Escuros
Telha Laranja
Solo Agrcola
rvores Claras
Telhados Claros
Solo Nu
106
Vegetao Herbcea
rvores Escuras
Telhados Mdios
Pavimentos Claros
Relva
Telhados Escuros
Pavimentos Escuros
Telha Laranja
Solo Agrcola
rvores Claras
Telhados Claros
Solo Nu
107