Modelagem direta do contexto

Neste trabalho, utilizou-se a abordagem de modelagem direta ou indireta do contexto, relacionado-a com a forma de representação da informação contextual, que pode ser comumente representada por variáveis com valores de dados dos tipos discretos ou contínuos. Neste tópico é abordado apenas o tratamento para dados do tipo discretos. Todavia, são apresentados alguns critérios que devem ser observados antes da introdução de qualquer tipo de informação contextual, e estes devem ser aplicados para ambos os casos de modelagem do contexto, quer seja de forma direta, quer seja de forma indireta.

A idéia fundamental da abordagem direta foi evidenciar a informação contextual num espaço geográfico, de modo a auxiliar na discriminação de uma classe informacional qualquer em um processo de classificação de imagens. Acredita-se que, para serem corretamente modeladas, as informações contextuais devem ser elencadas conforme atendam aos seguintes critérios:

(i) de escala – faz referência ao nível de detalhamento necessário para representação da informação de forma apropriada. Pode-se questionar se a escala na qual a informação contextual está disponível seja compatível para sua representação adequada;

68 (ii) de relevância – refere-se à pertinência da informação contextual como agente condicionante da classe-objetivo. A adequabilidade ou grau de inter-relação condicional que a informação contextual exibe em função da classe-objetivo que se pretende obter;

(iii) de mensuração – diz respeito à propriedade da informação contextual ser expressa numericamente, quantificada em escala representável;

(iv) de espacialização – refere-se a capacidade de representação espacial da informação contextual, preferivelmente na forma de mapa.

Analisando as descrições apresentadas na Tabela 1, pode-se deduzir que algumas das classes informacionais descritas possam ser distinguidas somente ao se considerar informações contextuais. Vegetação viária, vegetação em quintais, área permeável e área impermeável são exemplos. Certamente que um algoritmo classificador convencional não será capaz de discernir entre tipos de vegetações apenas por sua localização, como os que ocorram em ruas ou nos quintais das casas (fundos de lotes).

No caso do contexto vegetação em vias e quintais, foram estabelecidas quais as informações eram mais relevantes (áreas de vegetação, vias e quintais). Como o objetivo foi caracterizar o contexto vegetação sem se preocupar em definir seus diferentes tipos, elegeu-se, com base em experimentação, a variável espectral NDVI (Figura 8). Primeiramente foram coletadas amostras de treinamento para as cinco classes informacionais: floresta nativa, floresta plantada, cerrado, campo cerrado e campo plantado (pasto). As amostras de treinamento das classes de vegetação foram agrupadas para elaboração de um histograma de valores NDVI, a fim de se verificar sua densidade de distribuição e obter parâmetros estatísticos suficientes para definir sua ocorrência. O histograma e os parâmetros estatísticos média (µ = 0,686) e desvio padrão (σ = 0,179), entre outros, podem ser observados na ilustração da Figura 13. Esses parâmetros foram utilizados como critério para estabelecer limites de valores NDVI que definiram todos os tipos de vegetação.

69 Figura 13 – Ilustração do histograma de valores NDVI para áreas de classes de vegetação mostrando a densidade da distribuição concentrada nos maiores valores. Podem ser verificados ainda alguns parâmetros estatísticos entre os quais, média e desvio padrão.

Verificou-se através do histograma, que, aparentemente forma uma certa simetria, maior densidade de distribuição das classes de vegetação para maiores valores NDVI. Pela distribuição, foi possível utilizar como critério de definição de vegetação um valor limite como referência, a partir do qual todas as classes de vegetação amostradas fossem incluídas. Esse valor foi definido nos termos da seguinte equação:

Ref NDVI 2 NDVI

V =μ − σ (19)

em que µNDVI é média de valores NDVI nas amostras de treinamento dos tipos de vegetação e σNDVI seu desvio padrão, representando um nível de confiança de cerca de 95%. Aplicando-se, pois a Equação (19), obteve-se o valor limiar inferior de referência para caracterização de vegetação VRef = 0,328. O passo seguinte foi processar uma

reclassificação booleana dos valores NDVI com base nesse valor de referência estimado, atribuindo zero para valores inferiores a ele e um para os demais. Todos os pixels com valores de NDVI superiores ao limiar de referência pertencem a algum dos tipos de vegetação enquanto todos abaixo desse limiar, não. A imagem booleana obtida define as áreas de ocorrência de vegetação e pode ser verificada na ilustração da Figura 14. Desse modo, encontra-se estabelecida a classe área permeável (desconsiderando solo exposto), obtida diretamente na operação de reclassificação realizada para determinação de áreas de vegetação.

70 Figura 14 – Imagem booleana evidenciando áreas de vegetação na cor preta e de não vegetação na cor branca, obtida pelo processo de reclassificação de valores NDVI.

Houve, porém, um detalhe na descrição da categoria “quintais” apresentada na Tabela 1, que dificultou a obtenção da classe vegetação em quintais pela simples intersecção de quadras com a imagem booleana de vegetação. Esse detalhe foi a designação do adjetivo “particulares” atribuído a quintais. Diferenciar quais polígonos de quadras do plano de informação quadrasctm eram efetivamente particulares (em oposição a públicos), sem qualquer outro tipo de informação além das espaciais, foi somente possível ao se arbitrar um critério de escolha. Para obter o novo PI de quadras particulares, realizou-se uma inspeção visual por toda extensão da área de estudo através de sobreposição do PI quadrasctm vetorial à composição colorida da imagem

QuickBird. As quadras onde se verificavam as condições de áreas isoladas foram removidas, de modo que as restantes eram, em tese, quadras particulares. Foram

71 excluídos os polígonos mais próximos às bordas que limitam a área do Município e ao final desse processo, o novo PI vetorial foi convertido para o formato matricial.

Devido às características de conversão vetorial/matricial de feições lineares, a imagem de vias produzida não era adequada à representação dessa feição por contemplar somente o eixo e não a largura da via. Para determinar as vias, realizou-se inspeção visual sobre a imagem de vias e quadras, verificando a medida de largura em diversos trechos, com objetivo de se conhecer um valor médio que representasse as larguras do maior número de vias. O valor médio verificado foi de 36 metros. Aplicou- se então o operador de distâncias euclidianas no PI trechoctm para calcular 18 metros a partir do eixo das vias em sentido às suas margens.

Verificou-se que a informação contextual de vias e quintais apresenta relação funcional com o mapa de vegetação por meio de intersecção. Isso possibilitou que a classes de vegetação viária em vias e quadras fossem obtidas pela fórmula:

(

)

i i

R = Y ∩V (20)

em que Ri é o resultado da operação lógica de intersecção do mapa de vegetação (V) com o respectivo PI (Yi), sendo i = ruas, quintais. Para este caso, a introdução do contexto (i) foi capaz de identificar a classe objetivo de forma direta.

No caso das vias ocorreu que, pelo fato de ter se considerado um valor médio para os leitos, houve áreas em que os 36 metros foram mais que suficientes (vias secundárias). Em outros casos, porém, esse valor não foi suficiente (algumas vias arteriais) para representar o leito. Contudo, o maior inconveniente se verificou nas vias secundárias, caso em que houve sobreposição de área com a quadra. Para evitar uma superestimação dessas áreas, realizou-se uma pequena alteração na Equação (20) conduzindo a:

(

)

R= Y ∩Y ∩V (21)

em que o termo Y_q é o inverso do plano de informação quadrasctm editado, Yt é o plano de informação do leito das vias e V é a vegetação (Figura 14).

72