Classificação digital supervisionada

Como foi dito anteriormente, a técnica de classificação digital supervisionada de imagens adota como pressuposto a necessidade de conhecimento prévio da área de estudo, obtido de trabalhos de campo, de tal forma a permitir ao intérprete, delimitar sobre a imagem, áreas suficientemente representativas de cada uma das categorias que compõem a legenda, chamadas de amostras de treinamento (training sites). É a partir destas amostras que o classificador calcula estatisticamente os NDs que definem cada uma das classes, e designa o restante dos pixels da imagem à uma destas categorias em função da comparação do ND desta categoria ao ND obtido das amostras (CHUVIECO, 2000).

Segundo o autor, podem-se distinguir 3 fases na classificação digital supervisionada:

10) Fase de treinamento: etapa na qual há a definição digital das categorias (amostras de treinamento); é a etapa mais importante, constituindo-se na “coluna vertebral” da classificação numérica;

20) Fase de designação: momento em que há a atribuição de cada pixel a uma das categorias;

30) Fase de comprovação e verificação dos resultados.

Novo (1998) afirma que, para o sucesso da classificação supervisionada, é necessário que as amostras sejam homogêneas e representativas da respectiva classe de interesse, sendo estas selecionadas a partir de conhecimento prévio do analista sobre a cena e a área de estudo, podendo ser deduzido de dados secundários (comportamento espectral dos alvos) ou prático (adquirido em visitas ao campo).

Para analisar a homogeneidade das amostras de treinamento basta examinar seu histograma, que deve ser unimodal, isto é, possuir classes homogêneas em seus elementos. Se a amostra inclui componentes de mais de uma classe, seu histograma será multimodal (NOVO, 1998) (Figura 2.5.).

Figura 2.5. Exemplo de um histograma unimodal da categoria pastagem.

O tamanho das amostras de treinamento também é um fator importante. O número de pixels das áreas de treinamento deve ser suficientemente grande para permitir a estimativa das características espectrais da classe imageada (NOVO, 1998).

Eastman (1999) afirma que o número de pixels para cada amostra deve ser 10 vezes superior ao número de bandas em uma imagem a ser classificada. Por exemplo, para uma imagem do satélite TM-Landsat 5 com 7 bandas espectrais, se deve ter pelo menos 70 pixels para cada classe de amostras Segundo Schowengerdt (1983 apud CHUVIECO, 2000), as amostras devem ter um tamanho mínimo de m+1 pixels por categoria, sendo m o número de bandas que integram a análise.

Os algoritmos de classificação digital supervisionada, mínima distância, paralelepípedo e máxima verossimilhança, são baseados em uma lógica que descreve a posição esperada de uma classe (baseada nas amostras de treinamento) no que é conhecido como espaço de banda (atributos). Assim, é aferida a posição de cada pixel a ser classificado no mesmo espaço de banda relativo a essas posições das classes (EASTMAN, 1999).

v Algoritmo Mínima Distância

O critério nesta classificação é o de designar um pixel a uma das categorias incluindo-o na mais próxima, isto é, naquela em que há a mínima distância entre o pixel e o centróide da classe (CHUVIECO, 2000) (Figura 2.6.).

Figura 2.6. Algoritmo mínima distância (CHUVIECO, 2000).

Este método é baseado na reflectância média em cada banda para cada assinatura. Os pixels são designados à classe com o valor de reflectância média mais próximo do valor daquele pixel (EASTMAN, 1999).

Apesar da simplicidade e rapidez desta técnica, o fato de caracterizar cada classe somente pela sua reflectância média pode levar a erros de classificação, pois se sabe que algumas classes são de natureza mais variável que outras (EASTMAN, 1999).

v Algoritmo Paralelepípedo

Esta técnica é baseada na determinação de um conjunto de reflectâncias mínimas e máximas, determinado para uma dada assinatura em cada banda. Para ser nomeado na categoria em particular, o pixel deve exibir reflectâncias dentro do intervalo de reflectâncias para toda a banda considerada, isto é, seus NDs devem estar dentro desta área de domínio (EASTMAN, 1999).

Segundo Chuvieco (2000), quanto maior a área de domínio, maior será o número de pixels incluídos na categoria, mas também será maior o risco de confusão com as categorias vizinhas. Uma área de domínio com um valor menor garantiria maior confiabilidade da classificação, mas supõe um maior número de pixels não classificados (Figura 2.7.).

tende a delinear polígonos multidimensionais de lados paralelos ao redor do centro de cada categoria. Consiste em um método que leva em consideração a diferente variabilidade das classes, sendo utilizado para uma primeira classificação de uma imagem (assinalando as categorias mais singulares para posteriormente ser aplicado outro critério de classificação).

Figura 2.7. Algoritmo paralelepípedo. Observam-se alguns dos problemas deste método. No caso do pixel 1 (P1) não há problemas; o pixel 2 (P2) não se enquadra em nenhuma categoria (não sendo classificado); e o pixel 3 (P3) poderá ser designado aleatoriamente a duas categorias distintas (CHUVIECO, 2000).

Os autores Eastman (1999) e Chuvieco (2000) afirmam ainda que a desvantagem do método consiste na sobreposição dos paralelepípedos (áreas de domínio), o que conduz ao problema de um pixel ser atribuído a duas categorias. Segundo Chuvieco (2000), a solução seria ampliar paulatinamente a área de domínio, estabelecendo um equilíbrio entre os pixels não classificados e a sobreposição entre as classes vizinhas.

v Algoritmo Máxima Verossimilhança

Este método, também conhecido como classificador de máxima probabilidade, considera que os NDs de cada classe ajustam-se à uma distribuição normal (CHUVIECO, 2000). Apóia-se na teoria da probabilidade Baiesiana, a qual utiliza dados da média e variância/covariância das assinaturas espectrais de um

conjunto de amostras de treinamento com o objetivo de estimar a probabilidade de um dado pixel pertencer à cada uma das classes (EASTMAN 1999; CHUVIECO, 2000).

Segundo Eastman (1999), este classificador incorpora informação sobre a covariância entre bandas, bem como sua inerente variância, produzindo o que pode ser conceitualmente, uma zona elíptica da caracterização da assinatura. Na realidade, é calculada a probabilidade para cada classe, onde a probabilidade é mais alta na posição média da classe, diminuindo em um padrão eliptical, caminhando para longe da média (Figura 2.8.).

Existe também, neste método, a possibilidade da sobreposição das elipses, havendo risco de confusão na classificação. Este classificador é mais complexo do que os descritos anteriormente, pois necessita de maior volume de cálculos, mas é o mais empregado em sensoriamento remoto por sua robustez e por ajustar-se com mais rigor à disposição original dos dados (CHUVIECO, 2000).

Figura 2.8. Extensão de duas bandas do algoritmo máxima verossimilhança (CHUVIECO, 2000).

O Quadro 2.2., a seguir, apresenta algumas vantagens e desvantagens dos algoritmos de classificação digital supervisionada de imagens, mínima distância, paralelepípedo e máxima verossimilhança, segundo os autores Eastman (1999) e Chuvieco (2000).

Quadro 2.2. Vantagens e desvantagens dos algoritmos mínima distância, paralelepípedo e máxima verossimilhança.