Pré-processamento

A primeira etapa na classificação de imagens consiste no pré-processamento das mesmas, que se traduz numa avaliação e melhoria da qualidade da imagem. Esta melhoria é principalmente, visual, da sua definição, cor, luz, distorção radiométrica ou geométrica, de modo a que sejam extraídas informações e dados com uma qualidade superior (Brunn, et al., 2003; Lu, et al., 2017).

Como referido, os tratamentos efetuados foram diferentes para cada uma das imagens em estudo, atendendo às suas características e objetivos de análise.

WorldView 2

Após análise visual da imagem Worldview 2 recolhida para a classificação da vegetação do planalto, realizou-se uma correção radiométrica e atmosférica da mesma.

Não havendo necessidade de executar uma ortorretificação, que consiste no processo de correção geométrica da imagem, das distorções causadas pelo relevo e conjunto óptico do sensor (Santos, 2018), uma vez que a imagem já é extraída com esta correção (Rapinel, et al. 2014).

O primeiro passo deste processo para melhorar a qualidade da imagem de satélite começa com a calibração radiométrica, que melhora a imagem em termos de ruído. São ajustados parâmetros como a Calibration type, uma vez que as imagens provenientes de satélites estão em radiância e não reflectância. É por isso selecionada a opção Radiance na ferramenta Radiometric Calibration do software ENVI.

Uma correção atmosférica pode ser necessária devido às condições atmosféricas variáveis no momento de aquisição dos dados. Diferenças na geometria dos raios solares e efeitos topográficos podem influenciar fortemente o sinal registado. Esta correção

48

permite assim, melhorar a qualidade da imagem, quer a nível visual, quer ao nível dos dados por ela extraídos, eliminando os efeitos atmosféricos e de iluminação. Convertendo os dados de radiância do sensor (Top of the Atmosphere) para reflectância (Ground Surface Reflectance), altamente relevante quando se pretende recuperar parâmetros físicos da superfície, para melhor perceção da vegetação (Brunn, et al., 2003). Saber como e quando corrigir estes dados, vai depender das imagens em questão das variáveis atmosféricas disponíveis, da informação desejada e dos métodos analíticos utilizados para extrair a informação (Song et al. 2001).

Para a realização da correção atmosférica utilizou-se a ferramenta Fast Line-of-sight Atmospheric Analysis of Hypercubes (FLAASH) na Toolbox do programa Envi, onde são introduzidos vários parâmetros (alguns deles aparecem preenchidos de forma automática pelo programa) para se apurar quais as condições e características da atmosfera no momento da captura da imagem (Figura. 28) (Adam, et al., 2017). Entre estes parâmetros estão: a latitude e longitude; tipo de sensor; altitude do sensor; elevação do solo; data e hora de voo; modelo atmosférico de Mid-Latitude Summer- MLS (retirado

com base nas tabelas disponíveis em:

http://www.harrisgeospatial.com/docs/FLAASH.html que consideram como características para o local um vapor de água de 3636 (std atm-cm), e uma temperatura do ar de superfície de 21° C); modelo de aerossol rural (dentro das opções dadas pelo fornecedor é o que melhor se adequa à área de estudo, uma vez que representa áreas que não são fortemente afetadas por fontesurbanas ou industriais); visibilidade inicial de 40 km, considerando o cenário de estado do tempo com céu limpo. De seguida, foram configurados alguns parâmetros relativos ao sensor multiespectral e bandas utilizadas no processo de cálculo da refletância e aplicado o modelo de correção atmosférica, que originou um raster dataset com todas as bandas corrigidas em termos atmosféricos, com extensão .dat- “worldview_cr.dat”- que será aberto no programa Envi como compósito para classificação.

49

Figura. 28 - Parâmetros utilizados na ferramenta FLAASH para o modelo de correção atmosférica, de modo a melhorar a qualidade das classificações.

O pansharpening, abreviatura de panchromatic sharpening, é uma técnica de fusão ao nível do pixel, de imagens com dados de resoluções espaciais e espectrais complementares, que permite aumentar a resolução espacial de uma imagem multiespectral (MS), possibilitando a preservação da informação espectral desta imagem.

Utiliza a imagem pancromática (PAN), de banda única, para melhorar a imagem MS e torná-la assim mais detalhada (Aiazzi, et al., 2009; Amro, et al., 2011). Neste estudo foi utilizado esta técnica, como experiência, através da ferramenta Gram-Schmidt Pan Sharpening que utiliza o método Gram-Schmidt com reamostragem “nearest neighbor”, do software ENVI, com o objetivo de aumentar a qualidade da classificação da imagem MS WorldView 2. Considerou-se importante a sua testagem, uma vez que se queria alcançar o maior pormenor de classificação possível, apesar de segundo vários autores como Hung, et al. (2020) e Jawak, et al. (2019) terem já referido que esta técnica não melhorava consideravelmente o accuracy das classificações e que, apesar da melhoria da resolução espacial, existia uma diminuição da resolução espectral, distorcendo as informações espectrais das imagens. O pansharpening da imagem, como referido pelos autores, não melhorou os resultados nas experiências de classificação realizadas, causando confusão espectral entre algumas classes de vegetação.

Uma outra tentativa de melhorar a qualidade da classificação, nos testes realizados à imagem WV2, foi a realização de uma Análise de Componentes Principais (ACP) ao

50

mosaico retificado (Dadon, et al.,2019; Sulochana, et al., 2017; Wang, et al., 2017). A ACP permite aferir quais são as bandas que melhor explicam a variação total da imagem de satélite, apresentando as componentes com o maior número de interações dentro do conjunto de dados das bandas originais. O número de componentes principais selecionados foi de três, de modo a criar um subconjunto de bandas (fatores), e assim formar um novo Band Set para classificação. As áreas de sombra e de água, foram as áreas mais explicadas pelos fatores selecionadas na primeira ACP. Uma vez que o objetivo era encontrar os fatores que melhor explicavam as diferenças na vegetação e assim melhorar a distinção entre classes, estas áreas foram retiradas (através da sua classificação e extração pela camada de máscara). Uma nova tentativa foi realizada, contudo, os resultados da classificação demonstraram uma maior confusão espectral entre espécies, em relação à utilização das oito bandas originais, e uma validação insatisfatória (72,9%). Segundo Hung & Treitz (2020) e Rapinel (2014), as oito bandas das imagens WV 2 permitem uma maior diferenciação entre as espécies de vegetação. Apesar de poderem apresentar alguns constrangimentos (salt-and-pepper effects), devido ao aumento da variabilidade espectral intraclasse, que causa uma redução da separabilidade estatística entre classes (ver Rapinel, et al., 2014 e Yu, et al., 2006), demonstram um melhor resultado que a utilização de três componentes principais.

Apesar destas técnicas não terem sido utilizadas para a produção da cartografia final realizada com base na imagem WV2, considerou-se importante a sua realização, pela tentativa de eliminar algum ruído e confusão espectral entre espécies (cap. II.2.3 WorldView2), facilitando uma melhor diferenciação das comunidades em estudo. Em suma, não se verificaram melhorias a esse nível, produzindo até classificações de menor qualidade face às amostragens de campo (pontos de amostragem), e por essa razão, foram utilizados os dados das bandas multiespectrais da WorldView 2, com correção radiométrica e atmosférica para a realização da classificação das comunidades vegetais atuais do planalto.

Sistemas Aéreos Não Tripulados

Para a realização deste projeto, foram utilizados mosaicos resultantes da aquisição de imagens de UAS, já processados, não havendo necessidade de realizar mais ajustes antes da classificação. As imagens foram processadas no Software Pix4D e o seu tratamento passou, de forma genérica, por três etapas. O processamento inicial; a criação da nuvem de pontos e densificação; a criação do ortomosaico e do Modelo Digital de

51

Superfície (MDS). Posteriormente, as bandas originadas no software foram compactadas num virtual raster, que foi depois utilizado para classificação.

Ortofotomapas

Os ortofotos utilizados são descarregados em imagens singulares, necessitando de uma georreferenciação, ortorretificação, correção e uniformização de cor, para que possam ser utilizados para posterior classificação. Todo o processo foi realizado em ambiente SIG no software ArcGis Pro. O primeiro passo a realizar consistiu em retirar a área envolvente (sem dados) de cada fotografia, através de uma extração pela camada de máscara, da área pretendida. Seguido da georreferenciação de cada uma, com base na imagem modelo (WorldView 2) através do método transformation spline da ferramenta de georreferenciação, onde são adicionadas coordenadas geográficas conhecidas (pontos de controlo) a locais identificáveis na imagem de referência. No caso deste método, existe um número mínimo de 10 pontos a referenciar, para cada imagem (realizado no ArcGis Pro). Para a produção do mosaico final, foram agregadas as imagens correspondentes à área de estudo, através da ferramenta Mosaic Daset, deixando os parâmetros da mesma por defeito. De modo a melhorar a qualidade visual destas imagens, uniformizando a cor, brilho e contraste, corrigindo as áreas mais escurecidas (produzidas pela aquisição angular das imagens e ótica das objetivas), foi realizado um Color Balance. Após alguns testes (Figura. 29) foi selecionado o método Dodging para o balance, que, segundo o próprio programa, é o mais adequado na maioria dos casos, alterando o valor de cada pixel para uma cor de destino e o método First-Order para o color surface type que permite uma alteração de cor mais suave. Este método foi o que se revelou mais apropriado para o objetivo, permitindo uma melhor visualização das áreas a vermelho, correspondentes à vegetação. Seguidamente foi ainda aprimorada a qualidade da visualização da imagem através de uma manipulação do histograma, de modo a realçar estas áreas de vegetação presentes na imagem e diminuir as áreas mais escurecidas.

52

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