CLASSIFICAÇÃO SUPERVISIONADA

Essa subseção apresenta o resultado da classificação supervisionada com a utilização dos dados de entrada da imagem de satélite do Word View II e as fotos do VANT. Foram utilizados 4 diferentes algoritmos de classificação supervisionada para avaliar melhor algoritmo, utilizando a metodologia Kappa. As imagens do VANT foram utilizadas para refinar a classificação, como na parte de amostras para a classificação e também para definição das classes nas 4 áreas de estudo como expõe a Figura 13.

Figura 13: Fluxograma com destaque das etapas relacionadas à classificação supervisionada.

Fonte: Elaborado pela autora.

Na classificação foram selecionados pontos amostrais de cada tipo de uso do solo. Foram definidas 10 classes de uso do solo com a ajuda dos especialistas da SUCEN, sob a hipótese de que esses tipos de uso do solo são facilitadores ou inibidores para o desenvolvimento do mosquito. Com a ajuda das fotos dos VANT foi possível fazer essa coleta de amostras e também a definição das classes com uma maior precisão. As Figuras 14 e 15 apresentam a definição das imagens do VANT com maior detalhe nas áreas de estudo.

Figura 14 - Foto georeferenciada do VANT nas áreas de alto risco e de controle.

Fonte: Elaborado pela autora.

Figura 15 - Foto georeferenciada do VANT nas áreas de médio risco e baixo risco.

Com a ajuda do VANT, foram definidas as seguintes dez classes do uso do solo: Asfalto, Sombra, Grama, Árvore, Solo Exposto, Piscina/água, Cimento, Telhado Tipo 1, Telhado Tipo 2 e Telhado Tipo 3. Os telhados foram divididos em 3 classes por serem muito diferentes em cor e também em textura, sendo o primeiro tipo telha, o segundo amianto mais deteriorado e o terceiro amianto mais novo.

Os classificadores utilizados nesse estudo foram selecionados por possuírem diferentes técnicas de classificação e também por constituírem os mais aplicados em estudos de classificação supervisionada. O classificador Maximum Likelihood é uma das técnicas de classificação supervisionada mais comumente utilizada. O seu algoritmo calcula a probabilidade de um dado pixel pertencer a uma das classes, considerando como Normal ou Gaussiana a distribuição da amostra de treinamento, descrita pelo vetor de média e pela matriz de covariância do pixel (CAMPOS, 2016).

O classificador Mahalanobis Distance é calculado pela matriz de covariância, com os pixels classificados considerando as menores distâncias. Já o algoritmo usado no classificador

Minimum Distance é medido pela matriz de covariância, com os pixels classificados

considerando também as menores distâncias, mas com uma medida que é sensível à direção espectral da matriz. Por fim, o classificador Parallelepiped, estabelece limites superior e inferior para os valores de brilho de cada banda. Este intervalo é definido a partir de histogramas, com níveis de cinza, dos componentes espectrais disponibilizados pelos dados de treinamento. Os pixels são classificados dentro da faixa de decisão dos limites obtidos para todas as bandas que integram a classificação (CAMPOS, 2016).

Na segunda fase, depois de coletadas as amostras de cada tipo, foram testados os 4 tipos de algoritmos de classificação supervisionada no software ENVI 5.0 como demostram as Figuras 16, 17, 18 e 19.

Figura 16 - Classificação das 4 áreas de estudos pelo algoritmo Mahalanobis.

Fonte: Elaborado pela autora.

Figura 17 - Classificação das 4 áreas de estudos pelo algoritmo Minimum Distance.

Figura 18 - Classificação das 4 áreas de estudos pelo algoritmo Parallelepiped.

Fonte: Elaborado pela autora.

Figura 19 - Classificação das 4 áreas de estudos pelo algoritmo Maximum Likelihood.

Após a classificação supervisionada realizada, foi analisada a matriz de confusão e também o índice Kappa de cada algoritmo. Os índices Kappa de cada classificador foram (Tabela 14):

Tabela 14: Valores do Índice Kappa para cada classificador.

Classificador Valor do índice Kappa Mahalanobis Distance 0,7435

Minimum Distance 0,7067

Parallelepiped 0,2778

Maximum Likehood 0,8141

Fonte: Elaborado pela autora.

Os classificadores, Mahalanobis Distance e Minimum Distance apresentaram um bom valor de Kappa, enquanto o classificador Parallelepiped apresentou um índice insatisfatório. O classificador Maximum Likelihood, com o maior valor de Kappa, foi o escolhido para o andamento das análises.

A classificação do mapa de ocupação do solo da região de estudo foi criada através da utilização da classificação supervisionada com o algoritmo Maximum Likelihood. A precisão global obtida foi de 84,96%, e tinha um índice kappa de 0,8141. A matriz de confusão foi utilizada para fornecer uma visão do desempenho da classificação com cada uma das 10 classes.

Como pode ser visto na tabela abaixo (Tabela 15), a precisão para as classes árvores, grama, solo exposto, sombra, telhado tipo 1, telhado tipo 2, e telhado tipo 3, foi elevada, atingindo valores acima 80%. No entanto, para as classes asfalto, cimento e piscina/água, o desempenho não foi o mesmo. O problema com as classes asfalto e cimento é de não possuírem um padrão específico, além de que em muitas amostras as árvores e telhados cobriam o pavimento, tornando difícil a identificação do que era pavimento pela proximidade e também com o valor de nível de cinza parecidos. Referente a classe piscina/água, o primeiro problema encontrado foi o baixo número de amostras desta classe na área de estudo, e por não possuírem padrões específicos. Isto aconteceu devido as áreas estudas escolhidas serem áreas de diversas classes sociais e estruturas urbanas diferentes, onde, por exemplo, quase não existirem piscina na área de alto risco, mas somente nas demais áreas.

Tabela 15: Matriz de confusão da classificação.

Classes Árvore Asfalto Cimento Grama Piscina /água Solo exposto Sombra Telhado tipo 1 Telhado tipo 2 Telhado tipo 3 Árvore 84,01 0,22 0,17 12,33 0,00 0,17 0,00 0,33 0,00 0,00 Asfalto 0,34 77,38 10,22 0,00 0,00 1,71 3,55 0,00 3,98 5,68 Cimento 1,53 8,37 68,57 0,18 0,00 0,55 8,88 0,00 4,77 3,93 Grama 8,37 0,67 1,89 84,27 1,99 0,00 0,00 0,72 0,00 0,00 Piscina/água 5,10 1,79 1,65 0,89 77,32 8,68 0,90 0,00 0,04 0,55 Solo exposto 0,17 3,46 5,78 2,12 10,74 84,39 0,74 2,31 0,61 2,11 Sombra 0,48 5,89 7,36 0,21 8,62 4,31 81,55 1,91 1,44 4,57 Telhado tipo 1 0,00 0,00 0,00 0,00 1,33 0,19 0,00 93,55 0,18 0,86 Telhado tipo 2 0,00 1,34 3,44 0,00 0,00 0,00 2,39 1,02 84,50 2,25 Telhado tipo 3 0,00 0,88 0,92 0,00 0,00 0,00 1,99 0,16 4,48 80,05

Após definição do algoritmo, deu-se início à análise dos dados da classificação, como mostra a Tabela 16. A área de alto risco teve maior predominância das classes Cimento, com 22% de sua área, e Sombra, com 17%. Na de baixo risco, a predominância foi das classes Cimento e Asfalto, ambas com 18%. Na de médio risco predominou as classes Sombra e Cimento, ambas com 16%. Por fim, predominou na área controle a classe Cimento, com 17%. A classe Cimento teve destaque, com um percentual alto, em todas as áreas, por fatores que serão analisados nas próximas etapas do estudo.

Tabela 16: Percentual dos tipos de classes por área de estudo.

Área percentual % Classe Área de Baixo

Risco Área de Médio Risco Área de Alto Risco Área Controle Árvore 5,26 10,91 11,43 15,00 Asfalto 18,42 14,55 3,76 10,00 Cimento 18,42 16,36 22,86 17,50 Grama 10,53 10,91 11,43 12,50 Piscina/água 2,63 0,82 2,86 2,50 Solo exposto 2,63 3,64 5,7 5,50 Sombra 13,16 16,18 17,14 12,50 Telhado 1 15,79 12,73 8,71 15,00 Telhado 2 10,53 12,7 11,43 7,50 Telhado 3 2,63 1,82 4,86 2,50

Fonte: Elaborado pela autora. .