Execução da rotina do Processo de Classificação

O processo de classificação seguiu a seguinte sequência de rotinas:

1. Criar o arquivo de Contexto - este arquivo armazena quais as bandas farão parte do processo de classificação, qual o método utilizado (pixel ou região) e as amostras no caso da classificação por pixel;

2. Executar o treinamento - deve ser feita amostragens sobre uma imagem na área de desenho; 3. Analisar as amostras - permite verificar a validade das amostras coletadas;

4. Executar a Classificação - de posse das amostras e das bandas escolhidas a imagem é classificada;

5. Executar o Mapeamento para Classes - permite transformar a imagem classificada (categoria Imagem) para um mapa temático raster (categoria Temática).

Os seguintes classificadores foram escolhidos para a classificação da imagem: MAXVER, Kmedias, Distância Euclidiana e MAXVER-ICM.

Para o classificador MAXVER foram escolhidos limiares de aceitação de 95%, 99%, 99.9% e 100% com 4, 6, 8 e 10 temas. O classificador Kmedias utiliza o mesmo número de temas e as iterações 10, 20 e 30. No caso do classificador MAXVER-ICM foram selecionadas três percentagens de mudanças (16, 95 e 100) e quatro limiares de aceitação ( 95, 99, 99.9 e 100).

Depois de feita classificação, foram criadas as classes vegetação arbustiva e subarbustiva, solo exposto, plantio1, plantio 2 e urbanização, a classe solo exposto por entendemos que são áreas que estão preparadas para o cultivo serão enquadradas na rotina de simulação do SWAT como áreas de Agricultura dois.

Para diminuir a confusão entre classes, ou seja, reduzir a sobreposição entre as distribuições de probabilidades das classes foram feitas aquisições de amostras significativas de alvos distintos e a avaliação da matriz de classificação das amostras.

Depois de elaborado as distintas classificações obteve-se a Tabela 13, está inserido o classificador MAXVER com diferentes limites de aceitação, Kmedias com diferentes números de temas e processos de iterações, MAXVER-ICM com variações no linear de aceitação no intervalo de classes e processo de Distância Euclidiana. Estes modelos de classificação sofreram um processo de análise qualitativa para verificar de forma visual qual classificador gerou um maior índice de exatidão na determinação das diferentes classes da imagem, para tanto foram selecionados aleatoriamente 10 pontos de controle e comparados com a imagem real onde se gerou a seguinte qualificação, Ruim de um a três acertos pelo classificador, Bom de quatro a sete e Muito bom de oito a dez, sendo a escolha feita visualmente. Dentre as melhores classificações (Muito bom), que foram três, selecionou-se aquele que visualmente forneceu a melhor identificação e diferenciação entre classes.

Tabela 3 – Resultado da análise de qualidade de cada modelo de classificação

Modelo Classificação Qualidade do

Classificador

MAXVER - limiar de aceitação 95% Bom

MAXVER - limiar de aceitação 99% Bom

MAXVER - limiar de aceitação 99,9% Ruim

MAXVER - limiar de aceitação 100% Bom

K medias 4 temas-10 iterações Bom

K medias 6 temas -10 iterações Ruim

K medias 8 temas -10 iterações Bom

K medias 10 temas -10 iterações Ruim

K medias 4 temas -20 iterações Bom

K medias 6 temas -20 iterações Bom

K medias 8 temas -20 iterações Bom

K medias 10 temas -20 iterações Ruim

K medias 4 temas -30 iterações Ruim

K medias 6 temas -30 iterações Ruim

K medias 8 temas -30 iterações Bom

K medias 10 temas -30 iterações Ruim

MAXVER-ICM 16 – 95 (limiar de aceitação) Ruim MAXVER-ICM 16 – 99 (limiar de aceitação) Ruim MAXVER-ICM 16 - 99,9 (limiar de aceitação) Bom MAXVER-ICM 16 – 100 (limiar de aceitação) Muito bom

MAXVER-ICM 95 – 95 (limiar de aceitação) Ruim MAXVER-ICM 95 – 99 (limiar de aceitação) Bom MAXVER-ICM 95 – 99,9 (limiar de aceitação) Bom

MAXVER-ICM 95 – 100 (limiar de aceitação) Muito bom MAXVER-ICM 100 – 95 (limiar de aceitação) Ruim MAXVER-ICM 100 – 99 (limiar de aceitação) Bom MAXVER-ICM 100 – 99,9 (limiar de aceitação) Bom

MAXVER-ICM 100 – 100 (limiar de aceitação) Muito bom

Os critérios utilizados para a qualidade da classificação foram a capacidade de distinção entre os principais alvos, menor índice de confusão entre classes e o nível de detalhes nas imagens.

Para ser feita a classificação foram selecionadas amostras de vegetação arbustiva e subarbustiva, solo exposto, plantio 1 e plantio 2 e urbanização. O processo de classificação escolhido foi o Maxver-ICM 95 (% mudança) 100 (limiar de aceitação). Por possuir a melhor classificação dentro do necessário para a realização do trabalho.

Na primeira análise de classificação identificaram-se nove usos e ocupações do solo, porém em função da dificuldade dos algoritmos realizarem a distinção das nove classes realizou-se o agrupamento de classes onde floresta densa aquela que apresenta o dossel florestal praticamente fechado pelas copas foi agrupada junto com floresta rala onde as copas não se tocam, conforme figura nove.

Para a classe solo exposto inicialmente identificou-se três tipos com respostas espectrais distintas, onde os componentes físicos e químicos, presença de água e materiais agregados geraram esta distinção. Estas três classes foram transformadas em uma conforme figura oito, e esta em função de entender-se que estes solos expostos eram áreas que estavam sendo preparadas para plantio foram atribuídas à classe plantio um posteriormente na rotina do simulador.

O plantio apresenta certo nível de complexidade, pois, existem muitas variáveis que podem fazer com que uma mesma cultura apresente uma resposta espectral diferenciada e culturas diferentes se apresentem semelhantes, principalmente no estado inicial de germinação, além do estado de crescimento da planta que dificulta a identificação sem visita

in locu, como no presente estudo a área é extremamente grande, não se torna viável deslocar-

se a todas as áreas onde se tenha duvida em relação ao tipo de cultura, para simplificar o processo determinamos as áreas de plantio em um e dois em função de sua resposta espectral conforme figura 10 que será mais adiante caracterizada pelo simulador SWAT.

Realizou-se a determinação do valor médio de brilho de pixel para uma resolução radiométrico de oito bits para o comprimento de onda do azul, verde e vermelho, para cada um dos usos do solo, conforme resultado obtido na tabela quatro que demonstra um bom indicativo, pois, não houve conflito radiométrico de classes.

Conforme o índice de desempenho calculado pelo aplicativo após a união das classes, o algoritmo teve um índice de acerto de 100%, acima dos 95% tolerável, apresentado na figura 11.

Tabela 4 - Valor médio de brilho de pixel por classe.

USO DO SOLO Vermelho Verde Azul Média f do pixel

Floresta Densa 60 59 57 59 Floresta Rala 135 138 133 135 Urbanização 186 163 162 170 Solo Exposto 1 179 157 146 161 Solo Exposto 2 143 111 110 121 Solo Exposto 3 167 150 137 151 Agricultura 1 138 122 116 125 Agricultura 2 64 98 99 87 Agricultura 3 66 119 111 99

Figura 11 - índice de desempenho médio na seleção das classes.

Obteve-se a imagem classificada com o algoritmo que realizou o melhor desempenho, MAXVER-ICM 100%, gerando-se a partir desta o mapa de uso e ocupação do solo que será utilizado no simulador hidrológico SWAT, conforme figura 10.

Após a classificação da imagem, obtivemos os seguintes resultados de calculo em relação à determinação do tamanho das áreas conforme tabela 5.

Tabela 5 - Uso e ocupação e respectivas áreas calculadas.

Uso e ocupação Tamanho em

Km2 Floresta_ Arbustiva_ Subarbustiva 879.4 Urbanização 33.2 Agricultura1 785.9 Agricultura2 280.3 Solo Exposto 41.2 TOTAL 2.020,00