Classificação Maxver com Laser

O procedimento de classificação consiste no mesmo aplicado na classificação sem Laser, a diferença é que neste modelo o arquivo entra com as bandas RGB e mais uma banda trazendo a informação do Laser. Na Tabela 19 estão os resultados do índice kappa e exatidão global para o treinamento e a classificação, resaltando que foram elevados todos os valores se comparados com os mesmos valores da classificação MaxVer normal.

Tabela 19: Resultados obtidos para classificação MaxVer com Laser.

Treinamento Verificação

Índice kappa 0.8744 0.8529

Exatidão Global 90.53% 88.20%

Fonte: O Autor (2013).

Da mesma forma que apresentado anteriormente, à classificação foi realizada integrando os dados espaciais e espectrais da imagem com os valores do laser scanner , sendo o resultado observado na matriz de confusão (Tabela 20) e também foi realizada uma classificação para visualização das amostras Figura 26.

Observando a matriz nota-se que ainda é grande o grau de confusão entre algumas classes, porém, menor que na verificação do arquivo sem o laser. A Classe que mais confundiu foi Torre com VegRasteira e SoloClaro, seguido da classe SoloClaro com Torre e Trilho. A classe que menos houve confusão foi Areia ocorrendo interação com a classe solo claro.

Tabela 20: Matriz de Confusão obtida na verificação da classificação MaxVer com Laser.

a b c d e f g h i j Classificado como 87,49 7,26 0,05 0 0,15 0 4,98 0,39 10,16 0,55 a = Telhado 1,62 79,01 0,43 0,02 1,07 12,31 0,1 0,71 14,33 2,54 b = Torre 0 0,9 99,43 0 0 0 0 0,26 2,59 0,18 c = Asfalto 0 0 0 97,09 0 0 4,79 0 0 0,01 d = VegAlta 0,48 6,19 0,02 1,22 98,44 1,59 0,71 0 0,02 0,11 e = Trilho 0,2 2,31 0,03 0 0,31 85,65 0,43 0 0 0,15 f = SoloEscuro 8,7 0,01 0 1,64 0,02 0,01 87,88 0 0,2 0,16 g = Sombra 0,02 0,38 0 0,02 0,01 0 0 98,36 4,06 0,56 h = Areia 1,43 2,63 0,04 0,01 0,01 0,44 1,09 0,27 64,51 3,03 i = SoloClaro 0,06 1,31 0 0 0 0 0,02 0 4,15 92,71 j = VegRasteira 100 100 100 100 100 100 100 100 100 100 Total Fonte: O Autor (2013).

Figura 26: Classificação pelo método MaxVer com Laser. Fonte: O Autor (2013).

8 CONCLUSÕES

Analisando os dados de segmentação verificou-se que durante o treinamento, o algoritmo RNA foi o que apresentou maior índice kappa (0.9548) e exatidão global (96.55%) seguido dos algoritmos FT, LMT e Random Forest consecutivamente. Porem ao realizar a verificação da classificação o resultado se alterou invertendo entre os dois primeiros algoritmos, assim o LT apresentou o melhor resultado de validação sendo que atingiu índice kappa de 0.8516 e exatidão global de 87,40%, seguido dos algoritmos RNA, LMT e Random Forest respectivamente.

Através doss índices de análise estatística e das matrizes de confusão geradas na validação de cada algoritmo, observa-se que o resultado obtido é considerado excelente, pois os 3 primeiros algoritmos ultrapassaram 0.80 do kappa, e a classificação com o Random Forest é classificada como boa.

Em seguida, executou-se a mesma metodologia de classificação hierárquica, porem sendo inserida a informação altimétrica obtida com os dados do Laser Scanner, dessa forma obteve-se um número maior de informação para cada segmento, sendo que a diferença entre os dois modelos foi de 104 atributos, (147 atributos para os dados da foto, e para a classificação com dados laser 251 atributos).

Observando os dados do treinamento das classes, o algoritmo FT apresentou o mesmo resultado que o LMT ambos obtendo índice kappa e exatidão global máxima, enquanto que a RNA ficou em terceiro e em seguida o Random Forest. Em relação à verificação o algoritmo FT mais uma vez se mostrou melhor, sendo que a RNA e LMT apresentaram praticamente o mesmo resultado e por ultimo novamente o Random Forest.

Assim a classificação com laser apresentou resultados superiores se comparado com a classificação onde sua informação foi inexistente.

O processo de classificação MaxVer ocorreu no mesmo sentido da classificação hierárquica, sendo realizado os testes com e sem a presença de informações do Laser. A classificação também apresentou bons resultados, sendo que o os dados foram índice kappa 0.7707 e 0.8529, enquanto a exatidão global foi de 81,18% e 88.20% para a classificação sem e com Laser respectivamente.

Assim, observou-se que os dados Lasers contribuíram para ambas as metodologias de classificação, melhorando a precisão e gerando melhores resultados na classificação final das imagens, contribuindo para uma melhor identificação dos objetos.

Por fim, geraram-se os modelos digitais (MDS, MDT e MDE) onde é possível estabelecer as dimensões aproximadas dos objetos, proporcionando auxilio na correta identificação dos mesmos, dando também maior nível de conhecimento da área, como é o caso do MDT, onde foi visualizada uma rede de drenagem, sendo que somente através da classificação da foto seria impossível de atingir esse nível de detalhamento, mesmo tendo alta resolução especial.

Deste modo, ficou evidente que ambas as classificações apresentaram bons resultados, porem é visível que a classificação orientada a objeto obteve destaque nas finalidades propostas neste trabalho, fazendo com que se comprovasse a eficiência da metodologia, havendo grandiosas possibilidades em diversas áreas de atuação no setor energético, na engenharia e planejamento em geral.

Tendo em vista a qualidade dos dados, recomenda-se a realização de estudos mais aprofundados na área, visando o desenvolvimento e a melhora das ferramentas utilizadas neste processo, bem como integrar a técnica testada em outras situações a fim de desenvolver novas aplicações.

9 REFERÊNCIAS

ACKERMANN, Friedrich. Airborne laser scanning – present status and future expectations. Journal of Photogrammetry and Remote Sensing, vol. 54, n° 2-3, p. 64-67. 1999.

ALVES, Claudia D.; PEREIRA, Madalena N.; FLORENZANO, Teresa G.; SOUZA, Íris M.; Análise orientada a objeto no mapeamento de áreas urbanas com imagens landsat. Boletim Ciências Geodésicas, sec. Artigos, Curitiba, v. 15, n. 1, p.120-141, 2009.

ANEEL – Agência Nacional de Energia Elétrica. Informações Técnicas, Fiscalização,

Geração, Resumo Geral dos Novos Empreendimentos de Geração - Versão janeiro de 2013. Disponível em: <http://www.aneel.gov.br/area.cfm?idArea=37&idPerfil=2>. Acesso em: 19 de fev. de 2013.

ANTUNES , Alzir F. B. Classificação de ambiente ciliar baseada em orientação a objeto em imagens de alta resolução espacial. 147 p. Tese (Doutorado em Ciências Geodésicas) – Universidade Federal do Paraná, Curitiba. 2003.

ANTUNES, Alzir F. B. Material Didático. In: Página pessoal da Universidade Federal do Paraná. 9 p. Disponível em: <http://people.ufpr.br/~felipe/fotointer.pdf > Acesso em: 05 de março de 2013.

ARAÚJO, Eduardo H. G.; KUX, Hermann J. H.; FLORENZANO, Teresa. G.; Ortorretificação de imagens do satélite QuickBird para aplicações urbanas. Revista Brasileira de Cartografia, v. 60/2, p. 205-213. 2008.

ASSUNÇÃO, Márcio G. T.; BOTELHO, Mosar F.; CENTENO, Jorge A. S.; PACHECO, Admilson P.; Filtragem e classificação de pontos LIDAR para a geração de Modelo Digital do Terreno. In: XIII Simpósio Brasileiro de Sensoriamento Remoto, Florianópolis, Brasil, Anais..., INPE, p. 3681-3688. 2007.

ASSUNÇÃO, Marcio G. T.; PACHECO, Admilson P.; BOTELHO, Mosar F.; CENTENO, Jorge A. S. Classificação de pontos LIDAR para a geração de modelo digital do terreno: um estudo de caso. In: II SIMGEO, 2008, Recife. CD. v. 1. p. 1-10. 2008.

BAATZ, Martin; SCHÄPE, Arno. Multiresolution segmentation: an optimization approach for high quality multiscale image segmentation. Journal of Photogrammetry and Remote Sensing. n. 3-4.p. 1-12. 2000.

BEHAN, Avril.; MAAS, Hans-Gerd.; VOSSELMAN, George.; Steps towards quality improvement of Airborne Laser Scanner Data. Proceedings of the 26 th Annual Conference of the Remote Sensing Society, Leicester, September 12-14, on CD-ROM, 2000.

BELTRAME, Alessandra M. K.; JARDINI, Maurício G. M.; JACOBSEN, Rogério M.; QUINTANILHA, José A.; Análise da vegetação em faixas de servidão de linhas de transmissão de energia elétrica. In: XIII Simpósio Brasileiro de Sensoriamento Remoto, 13., 2007, Florianópolis. Anais... Utilização de índices de vegetação para os sistemas de informação geográfica Caminhos de Geografia Uberlândia. Florianópolis: INPE, p. 5579 – 5586. 2007.

BREIMAN, Leo. Random forests. Machine Learning J. v. 45 p. 5- 32. (2001).

BOSCATTO, Flavio; SANTO, Mariane D.; PERES Conrado. Análise da Legislação ambiental na Faixa de Servidão de Linha de Transmissão de Energia no Estado de Santa Catarina – Resultados parciais do Cadastro da Eletrosul. COBRAC 2008 - Congresso Brasileiro de Cadastro Técnico Multifinalitário · UFSC Florianópolis · 19 a 23 de Outubro 2008.

BOTELHO, Mosar F.; SILVA, Claudiomar R.; SCHOENINGER, Emerson R.; CENTENO, Jorge A. S.; Comparação dos resultados de interpoladores “Vizinho mais próximo” e “Inverso de uma distância” no cálculo de volume a partir de dados do laser scanner. In: XII Simpósio Brasileiro de Sensoriamento Remoto, Goiânia. Anais... INPE. p. 731-736. 2005.

BOTELHO, Mosar F.; CENTENO, Jorge A. S. Reconstrução tridimensional de edificações utilizando dados laser scanner aerotransportados. Boletim de Ciências Geodésicas, v. 13, n. 1, 2007.

BRITES, Ricardo S.; BIAS, Edilson S.; ROSA, Antônio N. C. S; Classificação por Regiões, In: MENESES, Paulo R.; ALMEIDA, Tati.; ROSA, Antônio, N. C. S.; SANO, Edson E.; SOUZA, Edilson B.; BAPTISTA, Gustavo M. M.; BRITES, R. S.; Introdução ao Processamento de Imagens de Sensoriamento Remoto. Brasília. UnB e CNPq. Cap. 13. p. 209-220. 2012.

CENTENO, Jorge A. S.; MITISHITA, Edson A.; Laser scanner aerotransportado no estudo de áreas urbanas: A experiência da UFPR. In: Anais... XIII Simpósio Brasileiro de Sensoriamento Remoto, Florianópolis, Brasil, INPE, p. 3645-3652. 2007.

CHENG, Philip; TOUTIN, Thierry; ZHANG, Y., WOOD, M. QuickBird – geometric correction, path and block processing and data fusion. EOM, v. 12, n. 3, p. 1-12, May 2003.

CUCCO, Julia; OLIVEIRA, Francisco H. Modelo de propensão a ocupações irregulares em linhas de transmissão de energia elétrica. GEOUSP - Espaço e Tempo, São Paulo, n 30, p. 107 - 120, 2011.

DARWISH, Ahmed.; LEUKERT, Kristin ; REINHARDT Wolfgang; Image Segmentation for the Purpose of Object-Based Classification. Anais... Geoscience and Remote Sensing Symposium, v. 3. p. 2039-2041. 2003.

FRANKE, Richard. Scattered Data Interpolation: Test of Some Methods, Mathematics of Computations, v. 33, n. 157, p. 181-200. 1982.

FITZ, Paulo Roberto. Geoprocessamento sem complicação. São Paulo: Oficina de Textos, 2008.

GAO, Jay. Digital analysis of remotely sensed imagery. New York, NY, USA: McGraw-Hill. 439 p. 2009.

GONÇALVES, Rodrigo M; CORTES, João B. R.; SCHIMIDT Marcio A. R.; SCHIMALSKI, Marcos B. Classificação hierárquica e fuzzy de imagens de alta resolução. IN: XIII Simpósio Brasileiro de Sensoriamento Remoto, Florianópolis. Anais (cd-rom). São José dos Campos, SP: INPE, p.547 - 554. 2007.

HAALA, Norbert; BRENNER, Claus , Interpretation of urban surface models using 2D building information. Computer Vision and Image Understanting.v. 72, nº 2 November, p 204-214, 1999.

HAYKIN, Simon. Redes neurais: Princípios e prática. Porto Alegre: Bookman, 2001. 900 p.

INPE - INSTITUTO NACIONAL DE PESQUISAS ESPACIAIS - Manuais: Tutorial de

Geoprocessamento. SPRING. Disponível em: <

http://www.dpi.inpe.br/spring/portugues/tutorial/classific.html> Acessado em: 15 de agosto de 2013. 2008.

IRISH, Jennifer L.; LILLYCROP, Jeff W. Scanning laser mapping of the coastal zone: the SHOALS system. ISPRS Journal of Photogrammetry and Remote Sensing, v. 54, n° 2-3, p. 123–129. 1999.

JÚNIOR, Ítalo CAVASSIM.; CENTENO, Jorge A. S.; Classificação de uma imagem IKONOS utilizando as técnicas pixel a pixel e análise orientada a região. In: III Colóquio

Brasileiro de Ciências Geodésicas. Anais..., Curitiba. Anais do Colóquio brasileiro de ciências geodésicas. p. 1-11, 2003.

KERSTING, Ana Paula B. Mapeamento de obstáculos sob a faixa de domínio de linhas de transmissão usando uma abordagem orientada a objeto, tecnologia LIDAR e câmara digital de pequeno formato. 2006. 173 f. Dissertação (Mestrado em Ciências Geodésicas) – Curso de Pós-Graduação em Ciências Geodésica, Universidade Federal do Paraná, Curitiba- PR, 2006.

LANDIS, Richard J.; KOCH, Gary G; The measurement of observer agreement for categorical data. Biometrics, v.33, n.1, p. 159-174, 1977.

LANDWEHR, Niels. HALL Mark. FRANK, Eibe, Logistic Model Trees. Machine Learning, v. 59, n.1, p. 161-205, 2005.

MAKTAV, Derya. JÜRGENS, Carsten . ERBEK, Filiz S. Remote Sensing of Urban Areas. International Journal of Remote Sensing, v.26, n°.4, p 655-659. 2005.

MCGAUGHEY, Robert J. FUSION/LDV: Software for LIDAR Data Analysis and Visualization. United States Department of Agriculture. Forest Service. Pacific Northwest Research Station, Seattle, 150 p. 2010. Disponível em: <http://forsys.cfr.washington.edu/fusion/FUSION_manual.pdf>. Acesso em: 08 de dez. de 2012.

MENESES, Paulo R.; SANO, Edson Eyji; Classificação Pixel a Pixel de Imagens. In: MENESES, Paulo R.; ALMEIDA, Tati.; ROSA, Antônio, N. C. S.; SANO, Edson E.; SOUZA, Edilson B.; BAPTISTA, Gustavo M. M.; BRITES, R. S.; Introdução ao Processamento de Imagens de Sensoriamento Remoto. Brasília. UnB e CNPq. Cap. 12. p. 191-208. 2012.

MITRI, George H., GITAS, Ioannis Z. A. performance evaluation of a burned area object- based classification model when applied to topographically and non-topographically correct TM imagery. International Journal of Remote Sensing, v.25, n°.14, pp. 2863-2870, 2004.

MUNIZ, Francisca H.; CESAR, Oswaldo ; MONTEIRO, Reinaldo. Aspectos florísticos quantitativos e comparativos da vegetação arbórea da Reserva Florestal do Sacavém, São Luís, Maranhão (Brasil). Acta Amazonica. 24 ed. (3/4): 189-218 1994.

NAESSET, Erik. Practical large-scale forest stand inventory using a small footprint airborne scanning laser. Scandin avian Journal of Forest Research, Oslo, v.19, n.2, p.164–179, 2004.

NASCIMENTO, José, S. do; GOPFERT, Lana C. Impactos ambientais pela implantação da linha de transmissão 500 KV Oriximiná – Cariri. 84 f. Projeto de Graduação (Graduação em Engenharia Ambiental) – Escola Politécnica da Universidade Federal do Rio de Janeiro. Rio de Janeiro. 2010.

PACHECO, Admilson P.; CENTENO, Jorge A. S.; ASSUNÇÃO, Marcio G. T.; BOTELHO, Mosar F.; 2011. Classificação de Pontos LiDAR para a Geração do MDT. Boletim de Ciências Geodésicas. v. 17, nº3, p.417-438.2011.

RICHARDS, John A. Remote Sensing Digital Image Analysis, 5 ed, New York, 2013. 494 p.

RODRIGUES, Luiz C. E.; POLIZEL, Jefferson L.; FERRAZ, Silvio F. D. B.; ZONETE, Matheus F.; FERREIRA, Maria Z. Inventário florestal com tecnologia laser aerotransportada de plantios de Eucalyptus spp no Brasil. Revista Ambiência, v.6 Ed. Especial, p.67-80, 2010.

ROSIM, Sidney Olivieri. Geração de energia elétrica - Um enfoque histórico e institucional das questões comerciais no Brasil. Dissertação (Mestrado em Energia) - Energia, Universidade de São Paulo, São Paulo, 2008. Disponível em: <http://www.teses.usp.br/teses/disponiveis/86/86131/tde-05052008-102427/>. Acesso em: 01-02-2013. 2008.

SANTOS, Neuma T. Classificação automática de cobertura vegetal em imagens aéreas e orbitais para uso em planejamento energético. 2011. 112 f. Dissertação (Mestrado em Engenharia Elétrica) – Programa de Pós-Graduação em Engenharia Elétrica, Universidade Federal do Pará, Instituto de Tecnologia, Belém – PA. 2011.

SCHÄFER, Alexandro. G.; LOCH, Ruth E. N.. Aplicação dos dados do sensor Laserscanner para modelagem do terreno visando projetos rodoviários. Anais, XII Simpósio Brasileiro de Sensoriamento Remoto, Goiânia, Brasil, p. 16-21, 2005.

SCHIEWE, Jochen. Integration of multi-sensor data for landscape modeling using region- based approach. ISPRS Journal of Photogrammetry and Remote Sensing, v. 57 (5-6), p. 371-379. 2003.

SCHIMALSKI, Marcos B.; MITISHITA, Edson A.; NETO, Anselmo C.; Reconhecimento e classificação da cobertura vegetal a partir de informações provenientes do laser scanning empregando a função discriminante linear de Fischer. Revista Pesquisas em Geociências, n 36, p. 141-148. 2009.

SITHOLE, George; VOSSELMAN George; Comparison of Filter Algorithms.International Archives of Photogrammetry, Remote Sensing and Spatial Informatin Sciences. v.. 34, p. 71-78. 2003.

SOLODUKHIN, V.I., ZUKOV, A.J., MAZUGIN, I.N. Laser aerial profiling of a forest. Lesnoe Khozyaistvo, Leningrado, v.10, p.53-58, 1977.

SOUZA, Maurício de; SILVA, Ricardo D.; DEBASTIANI Aline B.; PEREIRA Flamarion D.; BOTELHO, Mosar F. Extração automática de MDT para cálculo da massa de carbono utilizando dados do sistema Laser Scanner. Anais... XV Simpósio Brasileiro de Sensoriamento Remoto - SBSR, Curitiba, PR, Brasil, INPE, p.5517-5524. 2011.

SURFER. User’s Guide. Golden Software Inc. USA. 2002.

TEO, Tee-Ann; CHEN; Liang-Chien; Object-Based Building Detection from LiDAR Data and High Resolution Satellite Imagery.In Proceedings of the 25th Asian Conference on Remote Sensing, Chiang Mai, Thailand, p. 22–26. 2004

THUY, Vu T.; TOKUNAGA Mitsuharu. Wavelet-Based Clustering Method to Detect Building in Urban Area from Airbone Laser Scanner Data. Conference Procedings of Map Asia. Bangkok, Thailand. v. 70. n° 11. p. 1267-1274. 2002.

TOUTIN, Thierry. Review article: geometric processing of remote sensing images: Models, Algorithms and Methods. InternationalJournalof Remote Sensing, v. 25, n. 10, p. 1893- 1924, 2004.

VOSSELMAN, George. Slope based filtering of laser altimetry data. International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences XXXIII. Amsterdam, p. 935– 942, 2000.

WAYKATO. WEKA 3.5 – Machine Learning Software in Java. University of Waykat. Disponível em: <http://www.cs.waykato.ac.nz/ml/weka>. Acesso em 20 de fevereiro de 2013.

WALTER, Volker. Object-based classification of integrated multispectral and LIDAR data for change detection and quality control in urban areas. In: Proceedings of the ISPRS WG VII/1Human Settlements and Impact Analysis. p. 1-6, 2005.

WEHR, Aloysius; LOHR, Uwe. Airborne laser scanning-an introduction and overview. ISPRS Journal of Photogrammetry and Remote Sensing, v. 54, n° 2-3, p. 68-82. 1999.

YAN, Gao; MAS, Jin. -F.; MAATHUIS, Been H. P.; XIANGMIN, Zhang; VAN Dijk P. M.; Comparison of pixel-based and object-oriented image classification approaches- a case study in a coal fire area, Wuda, Inner Mongolia, China. International Journal of Remote Sensing, v. 27, p. 4039-4055, 2006.

YU, Xiaowei; HYYPPA, Juha; KAARTINEN, Harri; MALTAMO, Matti. Automatic detection of harvested trees and determination of forest growth using airborne laser scanning. Remote Sensing of Environment, New York, v.90, p.451-462, 2004.

ZENG, Yu; ZHANG, Jixian; WANG, Guangliang; AND LIN, Zongjian; Urban land-use classification using integrated airborn laser scanning data and high resolution multispectral imagery, Pecora 15/Land Satellite Information IV/ISPRS Commssion I/FIEOS. P. 1-6, 2002.