Classificação

52

Figura. 29 - Métodos utilizados no color surface type, dentro do método Dodging, utilizado para o balanço da cor.

53

que assim é possível ter em conta toda a diversidade do espectro que é abrangido por essa mesma classe. As tentativas de melhorar a classificação passam, para além da alteração do classificador, pela melhoria das ROI, sendo por isso essenciais para a qualidade dos resultados obtidos.

Figura. 30 - Exemplo da recolha das Regions of Interest (ROI)- polígonos a diferentes tons de verde- para as diferentes imagens tratadas.

WorldView 2

O primeiro método preliminar utilizado foi a classificação não supervisionada, em que o produtor apenas seleciona alguns parâmetros como o número de classes que deseja.

Foi realizada uma classificação segundo o método IsoData, tendo sido também testado para o método K-means. Estes métodos permitem obter uma noção da quantidade de classes necessária para alcançar o objetivo desejado e facilitar assim a classificação supervisionada, que se considera mais adequada para este tipo de mapeamento (Rapinel, 2014). Não foi considerada a utilização de métodos de classificação orientados ao objeto, uma vez que, se aplicam a áreas de estudo de maior pormenor, devido, também, às dificuldades de processamento e à complexidade do terreno. Posteriormente, realizou-se uma classificação assistida (pixel based) que se obteve segundo o método supervisionado.

Esta implica um pré conhecimento da área de interesse, para a realização das áreas de amostra para o classificador (ROI). Utilizaram-se os pontos georreferenciados das diferentes comunidades em estudo, recolhidas anteriormente in situ, através de trabalho de campo (Figura. 25); de fotointerpretação, com recurso a imagens do Google Earth Pro para os locais mais inacessíveis; e fotografias captadas no local. Segundo Anderson et al.

(1993) a fotointerpretação e inspeção visual são técnicas que despendem de tempo e dedicação, estando dependentes da habilidade e experiência do interpretador, mas que, resultam numa maior qualidade da classificação supervisionada.

54

Vários classificadores paramétricos, com base nas ROIs, foram testados, obtendo valores diferentes de overall accuracy (62II.2.4), métodos como: Minimum Distance (65%), Maximum likelihood (74%) e Spectral Angle Mapper (67,3%) assim como classificadores não paramétricos, tal como o Support Vector Machine (71,6%), de modo a obter o melhor classificador possível para demonstrar a realidade do terreno, no que diz respeito às comunidades do planalto.

A maior parte destes classificadores produziu confusão espectral entre comunidades vegetais, e obteve valores de accuracy baixos, tendo sido o classificador de Máxima Verosimilhança (Maximum Likelihood) aquele que obteve os melhores resultados, conseguindo diferenciar e classificar melhor as diferentes classes de vegetação. Não sendo ainda satisfatório este valor de validação (74%), recorreu-se à experimentação de outras técnicas, como a classificação através de um novo bandset, originado pela ACP realizada (ver II.2.2), que não alcançou melhores resultados (72,9%). Houve, assim, a necessidade de reajustar as classes realizadas e juntar algumas classes de Matos, como:

“Giestas”, “Piornos” e “Urzes”, em função dos erros existentes. Quer por não ser possível recolher amostras consideráveis para as classes, como era o caso do Piorno que se encontrava localizado em áreas densas de outras comunidades, não sendo possível muitas das vezes a sua individualização; quer pela confusão espectral entre as classes, causada pela parecença da vegetação fora da época de floração.

Posteriormente, para tentar diferenciar estas classes, foi utilizada uma imagem complementar para a classificação da comunidade “Urzes”, a única possível de distinguir, deste conjunto (“Giestas/Piorno/Urze”). Através de uma imagem Sentinel 2, com uma resolução de 10/20 metros e 12 bandas (Figura. 27), para uma data dentro da época da floração destas espécies (30 de maio), onde era possível observar a cor rosada das suas flores. Apesar da diferença de resolução, e alguma generalização das áreas ocupadas por esta espécie, o resultado alcançou o objetivo desejado, distinguindo as áreas de distribuição desta comunidade e provando a importância da escolha temporal das imagens de satélite e de UAS. As comunidades “Giestas e Piornos” tiveram de ser consideradas conjuntamente, uma vez que estas espécies apresentam uma mistura espacial considerável na área de estudo, sendo apenas possível encontrar grandes aglomerações homogéneas da classe “Piornos” ao longo da margem esquerda do vale da Alforfa, já fora dos limites da área cartografável.

55

Para além da necessidade de juntar classes, houve também a necessidade de fazer duas classes distintas para a mesma espécie (caso da Torga e dos Fetos), devido às diferenças espectrais existentes dentro das mesmas (Figura. 31) aquando da recolha das áreas de amostragem (ROI), uma vez que havia locais onde estas se encontravam muito secas, por se tratar de uma imagem recolhida no verão. Para efeitos práticos de legenda, estas classes foram apresentadas conjuntamente, assim como a “areia granítica”, que foi englobada na classe de “solo nu”. Já a classe Zimbro, revelou erros em certas áreas, surgindo em locais muito abaixo do território que lhe é característico (como por exemplo no vale da Alforfa), sendo considerado um erro da classificação, e possível confusão com outras comunidades não consideradas para análise. Para efeitos de cartografia, foram retirados os valores relativos a essa classe, que se encontrassem abaixo do limite dos 1600m (cerca de 7% do total classificado para a classe em questão).

Figura. 31 - Assinaturas espectrais das classes utilizadas na classificação da imagem WorldView 2.

Uma prospeção em campo, após os níveis de validação mais baixos do que os esperados (74% de accuracy) revelou que a área ardida no ano de 2017 (Figura. 32), perto do Sabugueiro, apresentava erros de classificação, atribuindo a classificação de espécies que não estavam presentes no local. A solução encontrada foi a de dividir a imagem WV em duas áreas distintas (área ardida/área não ardida), classificando-as separadamente.

56

Figura. 32 - Divisão da imagem WorldView 2, segundo a área ardida no ano de 2017. Fonte: ICNF.

Feitas estas alterações, foi novamente repetida a classificação para as novas àreas (porção não ardida e porção ardida), com a junção das classes de Matos de Giestas/Urzes/Piornos, notando-se ainda alguma parecença espectral entre algumas comunidades, como é o caso da Floresta Perene com a classe Giestas/Urzes/Piornos, ou da Floresta Caducifólia, Torga e Sargaço (Figura. 31). Estas parecenças espectrais poderiam ter sido reduzidas, através da introdução de uma banda com a altura da vegetação, obtida através de imagens de LIDAR, de forma a distinguir a altura entre os arbustos e as árvores. Considerou-se, através de validação de campo, que estas classes apresentavam, contudo, na sua classificação, a verdade existente no terreno. Havendo, de um modo geral, maior distinção entre as classes, nas bandas 6 e 7, com destaque para as classes de Fetos (1 e 2), onde a refletância é maior, correspondendo, respetivamente, à banda amarela, que permite identificar o amarelecimento da vegetação e à banda red- edge, mais sensivel que a NIR a certas espécies vegetais. Apesar da maior refletância na banda 7, esta não foi capaz de distinguir classes como a “Torga”, “Sargaço”, “Zimbro”,

“Tojo” e a classe “Cervunal”, que foram diferenciadas pelas restantes bandas, demonstrando, mais uma vez, a relevância da utilização de um maior número de bandas para a distinção de comunidades.

57

Em suma, a classificação final da imagem WorldView 2 foi obtida através da classificação supervisionada, com base no classificador de Máxima Verosimilhança.

Tendo sido necessário realizar uma separação entre a grande área ardida em 2017 e a restante área, de modo a ultrapassar as diferenças espectrais existentes nestes dois locais.

Devido à incapacidade na classificação individual de algumas comunidades, foi necessário aglomerar as mesmas num único conjunto (“Giestas/Piorno/Urze”), separando depois, através da utilização de uma imagem Sentinel 2 a classe “Urzes”. Também a classe “Zimbros”, necessitou de uma limpeza manual dos pixeis que se encontravam abaixo do limite dos 1600m.

Após todas estas retificações, e de forma a melhorar o aspecto visual da classificação final, foi aplicado um “smooth & aggregation” (com os valores 3 e 4, respetivamente no programa ENVI. Esta ferramenta está incorporada na classificação e suaviza e agrega as classes, removendo pequenas regiões classificadas, homogenizando as áreas classificadas para cada classe em estudo (Centro de documentação geoespacial L3Harris).

Sistemas Aéreos Não Tripulados

Para as áreas de pormenor foi necessário ajustar a legenda utilizada, eliminando classes que não existiam no terreno e acrescentando outras consideradas relevantes e necessárias para a classificação das comunidades de vegetação no planalto. No caso do Covão do Boi foi adicionada a comunidade de caldoneira, presente nesta área, e na Nave de Santo António considerou-se a classe de Tojo, apesar da sua mistura no terreno com outras comunidades como a Torga ou o Cervunal (Figura. 52).

As assinaturas espectrais das ROI criadas para a classificação da Imagem do Covão do Boi demonstraram alguma proximidade na refletância entre as classes de Piorno e Urzes, assim como nas classes de caldoneira e Torga, tendo as restantes classes obtido valores bastante distintos entre si. A proximidade das assinaturas das classes pode induzir erros nas classificações, uma vez que se torna difícil para o classificador automático distinguir as duas espécies. A homogeneidade das classes foi melhorada através da atribuição de mais áreas de treino a cada classe, de modo a que fosse possível contemplar mais amostras de cada uma destas comunidades. Uma vez melhorados os novos ROI, foi possível melhorar ligeiramente a distinção destas classes (Figura. 33), contudo, para melhores resultados, uma solução seria recorrer-se à utilização de um espectrómetro para

58

recolha da assinatura de cada espécie, e assim treinar melhor o classificador usando essa informação.

Figura. 33 - Assinaturas espectrais das classes utilizadas na classificação da imagem do Covão do Boi (Sequoia).

Com uma resolução de 10 cm para melhorar a classificação ao nível das espécies, diminuindo os salt-and-pepper effects e melhorando a homogeneidade através dos parâmetros espaciais (forma e textura), foi realizada uma classificação orientada ao objeto (Rapinel, 2014; Yu, et al., 2006).

Os testes realizados à imagem Sequoia para a área do Covão do Boi (Figura. 34) no software Envi através da ferramenta feature extraction, com métodos considerados adequados para a elaboração de mapas temáticos: Example Based e Rule Based (Petrila, 2015), foram insatisfatórios por não reproduzirem a realidade do terreno conforme esperado. Apesar de conseguirem individualizar as formas dos arbustos e das espécies em estudo, não foram capazes de os classificar da forma correta. Despendendo de muita capacidade de processamento, através de um processamento demorado do software, que não comportava por vezes o decurso do processo. Foi realizada, por esta razão, uma classificação supervisionada, da mesma forma que a realizada para a imagem WV 2. Esta mostrou-se satisfatória aquando da utilização do classificador de máxima verossimilhança, apresentando alguns erros ao nível da zona envolvente dos arbustos, criando uma espécie de auréola à sua volta, visível na Figura. 34b, mais pormenorizada.

59

Esta questão foi melhorada através de um resample da imagem, alterando a sua resolução de 10 cm para 20 cm de modo a diminuir esta transição entre o arbusto e a área envolvente.

Figura. 34 - Diferenças entre os diferentes métodos de classificação em áreas distintas.

a) imagem UAS- Ebee Plus; b) classificação pixel based através do classificador maximum likelihood;

c) classificação object based através do classificador example based.

Na classificação final, através do método supervisionado e o classifcador de máxima verossimilhança, que obteve um accuracy de 94,7%, foi possível diferenciar as principais comunidades presentes na área, de forma pormenorizada, fornecendo assim um conhecimento da interação entre estas e a sua localização. Em locais onde os arbustos eram mais esparsos, foi possível observar a classificação realizada, ao nível do indíviduo (Figura. 34), podendo assim servir para a monitorização das alterações nos mesmos a curto e médio prazo. Destacando-se neste sentido a comunidade de Zimbro e de Torga, por serem as que melhor se individualizam. Alguns erros nesta classifcação ocorrem na classe Caldoneira. Esta espécies encontrava-se banstante seca em vários locais da área em estudo, conforme é possível observar na imagem da Figura. 35, tendo, por essa razão, sido muitas das vezes confundida com a classe de gramineas esparsas. A sua classificação apresenta-se por isso substimada, revelando o estado de degradação desta espécie, principalmente em individuos de menor dimensão e com uma distribuição mais esparsa (Figura. 35b).

60

Figura. 35 - Subestimação na classificação da classe caldoneira

A imagem da área da Nave de Santo António- NSA (Micasense Dual camera) comprovou que o aumento de bandas multiespectrais (10), face à imagem Sequoia (4) aumentou em muito a qualidade da cartografia obtida. Reduzindo os problemas relativos às aréolas à volta das comunidades de arbustos e sendo capaz de individualizar algumas espécies de menor representatividade espacial, não consideradas para a classificação geral do planalto da Serra da Estrela, como o Tojo. Foi também possível melhorar a distinção entre comunidades de vegetação que apresentavam similaridades espectrais com as outras imagens classificadas, devido ao maior número de bandas utilizadas na classificação (Figura. 36). A classe Gramíneas húmidas, apresentada no gráfico (Figura. 36), corresponde a áreas com um comportamento espectral diferenciado do restante Cervunal, uma vez que se encontravam mais verdes (com maior presença de clorofila) refletindo, por isso, mais na banda do infravermelho. Não é por isso correspondente a comunidades de Cervunal húmido, (classificados por Pinto da Silva e Teles (1980) - Tabela 3). Por esta razão, foram apresentadas na legenda do mapa da NSA (Figura. 51) como Cervunal, agregando-se numa só classe.

61

Figura. 36 - Gráfico das assinaturas espectrais das classes utilizadas na classificação da imagem da Nave de Santo António (MicaSense)

Ortofotomapas

Estas imagens foram classificadas de forma manual, através de uma interpretação não assistida das imagens. Este denominado mapeamento sintético, foi conseguido através da demarcação vetorial sobre as imagens de cor falsa (Figura. 37). Realizado com base em interpretação direta das imagens de falsa cor. Foi testada ainda uma classificação não supervisionada, de modo a obter as regiões de homogeneidade cromática, utilizada apenas para ajudar na elaboração dos polígonos das classes a obter. As classes utilizadas para a realização desta cartografia tiveram em consideração as grandes unidades vegetais a mapear, sendo, no caso: Floresta, Matos, Cervunais e Pastagens de gramíneas e, Outras Formações (que conta com espécies de fetos e outras não identificadas), de modo a comparar estas unidades com a cartografia de 2020. Para além destas classes, e devido à diferença no método de classificação da imagem, e consequente diminuição da resolução e pormenor do resultado final, foi preciso criar uma nova classe. Denominada de “Matos esparsos”, que corresponde a áreas com presença de matos intercalados com solo nu ou rocha nua, no qual não é possível generalizar nem individualizar nenhuma destas classes.

Sendo por isso, apenas considerada uma área pertencente à classe “Matos” quando esta apresenta uma densidade relativamente visível desta comunidade (ver exemplo Figura.

37). Apresenta também, classes secundárias, como: Solo Nu, Rocha Nua, Edificado,

62

Corpos de água e Estradas/Estruturas de cimento e Área Agrícola, de modo a descrever a área em estudo.

Figura. 37 - Elaboração dos polígonos para a classificação manual do ortofotomapa de 1995 (à esquerda da figura). A amarelo- Cervunal e Pastagens de gramíneas, a verde- Matos; a verde seco- Matos Esparsos; a castanho-

Outras Formações; a bege- solo nu; a preto- Estrada.