Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
PALAVRAS CHAVE:
Sistemas de Informao Geogrfica (SIG), Deteo Remota, Uso e Ocupao do Solo, QGIS
RESUMO:
ndice
1. INTRODUO ........................................................................................................................... 1
Classificao das imagens .......................................................................................................... 2
Classificao supervisionada ................................................................................................... 2
Classificao no supervisionada ............................................................................................ 2
2. REA DE ESTUDO ..................................................................................................................... 3
Ocupao do solo .................................................................................................................... 3
3. METODOLOGIA ........................................................................................................................ 4
Dados ....................................................................................................................................... 4
Objetivo ................................................................................................................................... 4
Definir a rea de trabalho (Clip raster).................................................................................... 4
Pr- processamento ................................................................................................................ 4
Definio dos inputs da classificao ......................................................................................... 5
Escolha das ROIs (assinaturas espetrais).................................................................................... 5
Classificao ............................................................................................................................... 7
Exatido da Classificao ............................................................................................................ 7
4. RESULTADOS E DISCUSSO ...................................................................................................... 8
Matriz de Erro............................................................................................................................. 8
Grfico da refletncia espetral ................................................................................................... 9
5. DIFICULDADES ........................................................................................................................ 10
6. CONCLUSO ........................................................................................................................... 11
REFERNCIAS BIBLIOGRFICAS ................................................................................................ 11
ANEXOS ....................................................................................................................................... 13
1. INTRODUO
As imagens de satlite so um meio de obter informao atualizada, a custos relativamente
baixos desde o seu aparecimento tem servido de base a estudos de caracterizao da ocupao
do solo, sendo um meio extremamente eficaz para cartografia do uso e ocupao do solo.
O seu formato de dados permite a utilizao de algoritmos de classificao automtica e/ou
semiautomtica viabilizando, assim, uma anlise mais clere, menos dispendiosa e
espectralmente mais abrangente. A deteo remota (DR) pode ser definida como uma cincia
de obteno de informao acerca de objetos, reas ou fenmenos, atravs de dados recolhidos
por instrumentos que no se encontram em contacto fsico direto com o objeto.
O conceito subjacente DR utilizado em diversas reas (como medicina, por exemplo), no
entanto, esta designao atribuda quase exclusivamente s cincias relacionadas com a
observao, tais como: cartografia, geologia, agricultura, climatologia, meteorologia,
oceanografia, geografia, planeamento, entre outros.
Para efeitos DR, as bandas com mais interesse so as bandas do visvel, do IR, do UV e as bandas
micro-ondas, especialmente as de radar luz branca composta por todas as cores do espectro
do visvel, facto que foi provado por Isaac Newton ao fazer pass-la por dois prismas. No
primeiro a luz branca era decomposta nas cores do
arco-ris. O segundo recebia as cores do primeiro e
voltava a compor a luz branca. Esta experincia
serviu tambm para provar que, ao contrrio do que
se pensou durante sculos, o prisma no criava a cor,
simplesmente dispersava a luz branca (figura 1).
Mas o que incide diferente do que refletido, como
por ex: rvores, gua escura mais pura, refletncia Figura 1 - Decomposio da luz branca por
quase 0 e areia o contrrio devido ao quartzo, os um prisma
solos diminuem a sua refletncia com o aumento do
teor de gua, no depende apenas da atmosfera. Tudo depende da capacidade de refletir dos
objetos. A cor falsa a mais usada: combinao RGB 432 permite ver melhor a vegetao, j o
artificial no (745 RGB).
Classificao supervisionada
Na classificao supervisionada recorre-se a reas treino, isto , a reas onde se sabe que
existem as classes de informao de interesse. Numa primeira fase o computador constri as
assinaturas espectrais dessas classes, por meio de anlises estatsticas, baseando-se na
informao numrica constante nos pixis das reas treino. Posteriormente compara cada pixel
com as assinaturas e atribui classe espectral com que este mais se assemelha digitalmente.
Classificao no supervisionada
pura, mais realista, mas cega, enquanto a supervisionada se for bem-feita (certeza nas classes),
melhor! Devemos fazer primeiro a no supervisionada! Porque uma comparao no viciada!
Neste estudo optou-se por no a realizar por limitaes de tempo (ver anexo 4) pois seria
necessrio configurar o OrfeoToolbox pois o plugin Semi-automatic classification apenas faz
anlise supervisionada.
2. REA DE ESTUDO
O concelho de Vila Nova de Gaia localiza-se na regio Noroeste de Portugal, na zona costeira do
Douro Litoral. (ver fig. 2)
O territrio concelhio limitado a Oeste pelo
Oceano Atlntico, e a Norte e Nordeste pelo
Rio Douro, o qual constitui a sua fronteira
natural com os concelhos do Porto e
Gondomar.
Ocupao do solo
A imagem de satlite utilizada de 2004, logo
optou-se por usar fontes de informao de
apoio classificao mais ou menos do mesmo
perodo. A anlise do uso e ocupao do solo
alternativa dizem respeito aos anos de 1990 e
2003 e foi consultada no Pdm de Vila Nova de
Gaia1. A informao cartogrfica referente a
http://www.gaiurb.pt/revpdm/rel/6/6_1.pdf
3. METODOLOGIA
Dados
As imagens de satlite foram fornecidas pelas docentes e tm cada pixel 30 metros de lado de
resoluo espacial.
Foram fornecidas 7 bandas de uma imagem Landsat 5 TM (16 bits) da rea do Norte de Portugal.
As bandas que iro ser usadas so as seguintes, pelo objetivo do trabalho que a classificao
do uso do solo:
Band 1 = Blue;
Band 2 = Green;
Band 3 = Red;
Band 4 = Near-Infrared;
Objetivo
Classificar esta imagem nas classes de ocupao do solo de acordo com a nomenclatura da
Corine Land Cover (ver fig. 3), para isso:
Pr- processamento
Antes de efetuar a classificao necessrio efetuar algumas etapas de pr processamento. O
primeiro passo consiste na converso dos DN para valores de refletncia TOA (Top-Of
4
Atmosphere). Para alm disso ir ser efetuada uma correo atmosfrica baseada no mtodo
DOS.
Aceder a Band Set e selecionar Pre processing > Landsat
Selecionar o diretrio onde se encontram as bandas ( necessrio o ficheiro MTL.txt).
Ativar Apply DOS1 atmospheric correction, fazer check na opo Create Virtual Raster e
em Create Band set e clicar em Perform conversion. Definir o diretrio onde se pretende
guardar as bandas aps a correo.
No final do processo as bandas convertidas so adicionadas no QGIS. Um raster
(landsat.vrt) criado com a refletncia. Selecionar este raster, clicar com o boto esq.
do rato nas propriedades e em Style selecionar a banda 4 (i.e. Near-Infrared) para a
banda red, banda 3 (i.e. Red) para a banda green, and band 2 (i.e. Green) para a banda
blue.
No ROI creation clicar no boto + ao lado do Create a ROI e depois clicar em num pixel
da imagem (numa zona correspondente a uma classe). Fazer zoom no mapa e clicar num
pixel no rio.
Por baixo da ROI Signature definition escreve-se uma breve descrio da ROI dentro dos
campos Class Information e Macroclass Information e atribuiu-se a Macroclass ID e Class
ID.
Para guardar a ROI fazer Save ROI to shapefile
De seguida podemos escolher a cor que vai ser usada (duplo clique Color).
Repetiu-se os passos anteriores paras as seguintes classes:
o
o
o
o
o
Classificao
No Classification por baixo do Classification preview colocou-se Size = 500 e selecionouse Spectral Angle Mapping algorithm em Classification algorithm. O mtodo Spectral
Angle Mapping algorithm calcula o angulo espectral entre as assinaturas espectrais dos
pixis da imagem e as assinaturas espectrais das reas de treino.
Ativou-se a checkbox Use Macroclass ID, e clicou-se no Redo; outra classificao
apareceu agora usando as macroclasses.
De modo a efetuar a classificao final, clicou-se no boto Perform classification e
selecionou-se o ficheiro de sada (e.g. classification.tif).
Exatido da Classificao
4. RESULTADOS E DISCUSSO
Matriz de Erro
Tabela 1 - Matriz de erro
V Classification
1.0 (territorio
artificializado)
2.0 (Agricultura)
3.0 (Florestas)
4.0 (Zonas hmidas)
5.0 (Corpos de gua)
Total
1.0
2.0
7
0
3
2
2
14
3.0
0
6
0
0
0
6
4.0
2
0
132
17
329
480
5.0
7
0
10
5
3
25
1
0
0
0
26330
26331
Total
17
6
145
24
26664
26856
Os resultados da matriz de erro mostram uma preciso global de 98,6%, (ver tabela 2) o que
muito bom, pois quanto mais prximo de 100% melhor. Quanto ao erro Kappa no foi assim to
bom pois quanto mais prximo de 1 melhor (as classes que baixam o valor so a classe 4 e aa
classe 5 (Corpos de gua). A matriz de erro representa o nmero de pixels classificados
corretamente na (maior diagonal).
Tabela 2 - Matriz de erro Kappa e % global
Overall accuracy [%] = 98.599940423
Class 1.0 producer accuracy [%] = 50.0
Class 2.0 producer accuracy [%] = 100.0
Class 3.0 producer accuracy [%] = 27.5
Class 4.0 producer accuracy [%] = 20.0
Class 5.0 producer accuracy [%] =
99.9962021951
Kappa hat classification =
0.470886444995
Como se pode ver, a maioria dos erros so entre a classe 3 (florestas) e 4 (zonas hmidas) (ver
tabela 1). A classe 4 inclusive a que apresenta piores resultados, pois a subclasse que se
escolheu dava muita confuso com os pixis da classe floresta - classe 3, pois esta ltima inclua
a subclasse de areia, dunas (Classe Id 9). Esta classe das zonas hmidas diz respeito s zonas
entre-mars e podia ter sido melhor definida.
Podemos tambm calcular a exatido do utilizador e do produtor; os resultados mostram que a
classe 4 (zonas hmidas) tem um elevado erro de comisso e de omisso. A fim de melhorar os
resultados, deve-se recolher mais ROIs e assinaturas espetrais para a classe, prestando ateno
semelhana espectral com a classe rea florestal.
5. DIFICULDADES
Os maiores problemas relacionaram-se com a escolha das Rois. Inicialmente a escolha do local
do rio foi determinante pois ao mudar a localizao para montante melhorou a classificao de
29% para 98% o que permitiu melhorar bastante, sendo da imagem a classe que ocupa mais
rea podemos dizer que determinou bastante a acurcia ao contrrio do Kappa que tambm
est bastante dependente das outras Rois.
10
6. CONCLUSO
Concluindo, possvel afirmar com clareza que este estudo permitiu atingir os objetivos
propostos de classificao de uma imagem de satlite. A rea de Vila Nova de Gaia complexa
para esse efeito visto que uma rea que contm a desembocadura do rio Douro, o que causa
confuso entre as classes. Alm disso nos cordes dunares tambm no permitem muita
separabilidade de classes com o edificado visto que muitos destes telhados so feitos de
cimento.
Na perspetiva futura pode-se que nem que seja por uma questo crtica da geografia esta
abordagem interessante. Alm disso permite dar novas ferramentas precisas e prticas de
planeamento e ordenamento do territrio que o que se quer neste Mestrado.
Apenas a relatar que com mais horas dedicadas a esta parte da cadeira teria sido possvel
consolidar melhor as prticas e conhecimentos como o caso da classificao no
supervisionada.
REFERNCIAS BIBLIOGRFICAS
Brites, R., Soares, V., & Ribeiro, C. (1996). Verificao da exatido em classificaes de uma imagem orbital
mediante a utilizao de trs ndices. Revista rvore, 20, 415-424.
Foody, G. M. (1992). On the compensation for chance agreement in image classification accuracy
assessment. Photogrammetric Engineering and Remote Sensing, 58(10), 1459-1460.
Gong, P., & HOWARTH, P. (1990). An assessment of some factors influencing multispectral land-cover
classification. Photogrammetric Engineering and Remote Sensing, 56(5), 597-603.
Jensen, J. R. (1986). Introductory digital image processing: a remote sensing perspective. Retrieved from
Jensen, J. (2000). Remote Sensing of Environment: An Earth Resource. Saddle River: Prentice-Hall, Inc, New
Jersey.
Jensen, J. R., & Lulla, K. (2015). Introductory digital image processing: a remote sensing perspective.
Ma, Z., & Redmond, R. L. (1995). Tau coefficients for accuracy assessment of classification of remote
sensing data. Photogrammetric Engineering and Remote Sensing, 61(4), 435-439.
Lillisand, T. M., Kiefer, R. W., & Chipman, J. (2000). Remote sensing and image interpretation.
Wiley, NY. 724pp.
Paiva, C. E. M. A. d. (2011). Estudo do impacto do quebramar nas comunidades de mexilho e barroeira na
praia da Aguda usando dados de deteco remota.
Pereira, R., Madruga, P. d. A., & Hasenack, H. (1995). Geoprocessamento aplicado ao planejamento de uso
de recursos naturais-Curso. Santa Maria: UFSM-CCR-FATEC.
Ponzoni, F. J., & Shimabukuro, Y. E. (2007). Sensoriamento remoto no estudo da vegetao: Parntese So
Jos dos Campos.
Schowengerdt, R. A. (2007). Remote sensing: models and methods for image processing: Academic press.
Story, M., & Congalton, R. G. (1986). Accuracy assessment-A user\'s perspective. Photogrammetric
Engineering and Remote Sensing, 52(3), 397-399.
Viceconti, M., Testi, D., Tadei, F., Martelli, S., Clapworthy, G., & Jan, S. (2008). Gonzalez, RC, and Woods, RE,
Digital Image Processing: Pearson Prentice Hall, Upper Saddle River, New Jersey.
11
CONSULTAS ONLINE
http://www.scielo.br/scielo.php?script=sci_arttext&pid=S0100-67622004000100011
http://wiki.awf.forst.unigoettingen.de/wiki/index.php/Unsupervised_classification_(Tutorial)
http://www.gaiurb.pt/revpdm/rel/6/6_1.pdf
12
ANEXOS
13
Anexo 1 Mapa
da
Imagem
de
satlite
14
Anexo
Mapa
Corine
da
15
16
---
Lia
Duarte
liaduarte@fc.up.pt
Assistente Convidado
Geocincias, Ambiente e Ordenamento do
Territrio
FACULDADE DE CINCIAS DA UNIVERSIDADE DO
PORTO
Rua do Campo Alegre, s/n, 4169-007 Porto,
Portugal
www.fc.up.pt
Ol professora,
que
utiliza
as
ferramentas
do
OrfeoToolbox
(http://wiki.awf.forst.uni-
goettingen.de/wiki/index.php/Unsupervised_classification_(Tutorial)).
Mas
aqui
um
problema. O OrfeoToolbox tem que ser configurado, coisa que nunca fiz no QGIS. Poderei depois
ver isso com amis calma mas neste momento estou um pouco atrapalhada :/ Tente pesquisar
sobre configurao do Orfeo no QGIS e penso que ter sucesso! Se entretanto precisar de algo
mais diga-me.
Alm disso, gostaria de fazer uma questo sobre a classificao: durante a semana tentei fazer
j a classificao mas o erro enrome pois a taxa de sucesso apenas de 29%.
muito baixo!
Isto penso eu que se deve confuso entre o rio e o oceano.
Na criao das macro e dos Ids para o rio poderemos criar dois grupos de treino para o rio mas
com a mesma macroclasse e o mesmo ID, pois no?
17
Exemplo: para o rio dei a macro 4 e a subclasse 11, poderei dar dois grupos de treino (4/11) mas
com selees diferentes na orto? Isto para tentar dar uma melhor classificao ao rio para no
se confundir tanto com o oceano1.
No sei se essa uma boa opo. Tente criar a classe do rio um pouco mais afastada do oceano.
Se criar o ROI muito perto do oceano pode haver maior confusao. Tente criar o mais afastada
possvel.
Se depois no conseguir v dizendo.
Cumprs,
Lia Duarte
18