Braz. J. of Develop., Curitiba, v. 6, n. 7, p.44196-44217 jul. 2020. ISSN 2525-8761
Uma abordagem híbrida de processamento de imagens para o monitoramento
de mudanças na cobertura do solo em ambiente urbano costeiro
A hybrid image processing approach for monitoring changes in coastal urban
land cover classes
DOI:10.34117/bjdv6n7-149
Recebimento dos originais: 03/06/2020 Aceitação para publicação: 08/07/2020
Carla Jaqueline Casaroti
Mestre em Ciências Geodésicas pela Universidade Federal do Paraná Instituição: Universidade Federal do Paraná
Endereço: Nome da rua, número predial - Bairro, Cidade – PR, Brasil (pode ser institucional) E-mail:carlacasaroti@gmail.com
Jorge Antonio Silva Centeno
Professor doutor do Departamento de Geomática da Universidade Federal do Paraná Instituição: Universidade Federal do Paraná
Endereço: Nome da rua, número predial - Bairro, Cidade – PR, Brasil (pode ser institucional) E-mail:centeno@ufpr.br
RESUMO
As mudanças na paisagem podem ocorrer a partir de ações antrópicas ou naturais, imagens adquiridas a partir de plataformas orbitais, ou a partir de câmaras embarcadas em aviões, como também por Drones e VANT’s (Veículos Aéreos Não Tripulados) mais atualmente, vêm sendo amplamente utilizadas a fim de que essas alterações possam ser compreendidas e representadas espacialmente na tomada de decisões, em relação a determinado fenômeno em estudo. Este artigo trata de desenvolver uma metodologia híbrida na detecção de alterações, ou seja, utilizando as abordagens: orientada a objeto na classificação de duas imagens com cobertura do solo urbana, e a abordagem orientada a pixel na comparação das alterações, no sentido de melhoria no processamento.
Palavras-chave: OBIA, Detecção de alterações, Classificação. ABSTRACT
The changes occurred on the landscape could be derived by anthropological or natural processes, images acquired from imagery satellites, either from airborne cameras, or drones are largely used in order to understand and represent those changes spatially also for decision making based on spatial information depending on the study case. This paper is intended on developing a hybrid change detection methodology, which is developed using the two image processing approaches, object-based analysis for classifying the two images where the scene is basically formed by urban land cover and pixel approach in order to compare and identify the changes between the pair of images.
Braz. J. of Develop., Curitiba, v. 6, n. 7, p.44196-44217 jul. 2020. ISSN 2525-8761
1 INTRODUÇÃO
Para o entendimento das mudanças ocorridas na paisagem, sejam elas antrópicas ou não, o sensoriamento remoto exerce um papel importante como fonte dados. Com foco na resolução espacial, é possível encontrar opções de satélites que chegam a fornecer imagens com resolução espacial de até 60 centímetros, como é o caso das imagens do sensor QuickBird. Outro exemplo é o do satélite Ikonos-II que tem resolução espacial de um metro, de onde advêm as imagens utilizadas nesse trabalho. Como consequência da melhoria da resolução espacial, ocorre o aumento da quantidade de pixels e, a variabilidade dos valores entre os pixels vizinhos aumenta em uma mesma cobertura do solo ou classe de interesse. Dessa forma, técnicas de classificação que consideram somente as informações espectrais dos pixels não atendem de forma eficaz a necessidade de descrever e classificar esse tipo de imagem (alta resolução espacial) de forma acurada.
Para solucionar o problema de classificação baseada apenas no pixel e seus atributos espectrais (bandas informação, índices por diferença normalizada), surgiu-se a necessidade do desenvolvimento de alternativas para a classificação. Uma opção foi tentar imitar uma parte do processo de reconhecimento de feições pela cognição humana, introduzindo informações de características espaciais – uma das mais importantes nesse âmbito, bem como, relações de contexto e textura. Essa ideia representa a abordagem de análise de imagens baseada em objeto geográfico (OBIA – Object-based Image Analysis), introduzida por Baatz e Shäpe (2000).
Voltando no que diz respeito à detecção de alterações no meio, e considerando as abordagens de processamento baseada em pixel e baseada em objeto, os tipos de comparação entre duas ou mais cenas (ou épocas) podem variar, tanto no que diz respeito ao tipo de dado, quanto ao resultado que se deseja atingir. As técnicas de detecção de alterações baseada em pixel foram revisadas tanto por Morisette (1997), onde o autor subdividiu-as em nove tópicos – entre eles estão álgebra de imagens e pós-classificação; quanto por Lu et al (2004), que as subdividiu em sete partes – entre elas a categoria álgebra, transformação e “outras” – tendo em vista que os últimos métodos revisados até o momento do artigo não se encaixarem em nenhuma das seis categorias anteriores.
Em relação às técnicas de detecção de alterações baseada em objeto, elas podem ser divididas em quatro temas principais: detecção de alterações imagem, detecção de alterações objeto-classe; detecção de alterações em objetos multitemporais e detecção híbrida de objetos (CHEN et al, 2012). Como primeiro exemplo de técnicas de detecção de alterações, o método mostrado em Hall e Hay (2003) é do tipo objeto-imagem e nele, primeiro as bandas pancromáticas de duas imagens SPOT de duas datas foram segmentadas, para depois se aplicar diretamente o método de diferença entre os segmentos (objetos geográficos) das imagens das duas épocas. A maior vantagem deste método é a comparação direta entre os objetos segmentados, no entanto os objetos contendo as mesmas classes
Braz. J. of Develop., Curitiba, v. 6, n. 7, p.44196-44217 jul. 2020. ISSN 2525-8761 são de formas e tamanhos diferentes, o que coloca a necessidade de um procedimento de busca por objetos espacialmente “correspondentes”, demandando o aumento do uso de regras explícitas propostas pelo usuário.
Por outro lado, a metodologia desenvolvida por Durieux et al (2008) se enquadra na detecção de alterações objeto-classe. Os autores utilizaram um mosaico de imagens do satélite francês SPOT, com resolução espacial de 2,5 metros, bem como, a utilização de funções de lógica Fuzzy, para extraírem as diferentes edificações entre as épocas, comparando o mosaico de imagens com mapas antigos, que serviram como referência no monitoramento da expansão urbana ao longo de seis anos (Durieux et al, 2008).
Um dos trabalhos pioneiros que utilizou a detecção de alterações em objetos multitemporais foi realizado por Desclée et al. (2006). As etapas envolvidas nessa metodologia se basearam basicamente em juntar todas as bandas de todas as imagens das diferentes épocas em um mesmo arquivo e, segmentar esta “superimagem”. De posse dos objetos dessa imagem, a realização o cálculo das feições ou características espectrais dos objetos foi feita, incluído média e desvio padrão dos objetos para todas as bandas disponíveis. A discriminação entre os objetos com e sem mudança foi feita baseando-se nos dados obtidos das feições com a análise estatística do teste do Qui-Quadrado. No que concerne detecção de alterações híbrida, um exemplo foi apresentado em Carvalho et al (2001). Os autores partiram da comparação entre imagens orientada a pixel, sendo elas Diferença de Imagens, Razão de Imagens e Componentes Principais, para logo segmentar estas imagens para classificação das alterações. Nesse estudo concluiu-se que, essa abordagem é sensível aos erros de registro das imagens e discrepâncias atmosféricas, bem como às diferenças de estado fenológico das ilhas de vegetação da área de interesse do estudo. Esse processamento vem sendo utilizado pelo governo de Minas Gerais desde 2003, para a atualização dos mapas de vegetação do estado.
Ainda na detecção de alterações híbrida, vale citar a metodologia desenvolvida por Walter (2004), que propõe a integração do SIG (Sistema de Informações Geográficas) com análise de imagens baseada em objeto (OBIA). Como conclusão, o autor mostra que os resultados da análise tradicional de detecção de alterações podem ser efetivamente interpretados quando complementados por uma classificação orientada a objeto (HUSSAIN et al, 2013). Em outro estudo utilizando razão de imagens, Al-Khudhairy et al (2005) usaram primeiramente o método das Componentes Principais orientado a pixel para fazer a comparação entre o par de imagens de alta resolução espacial, em seguida as mudanças foram analisadas através de uma classificação orientada a objeto nas áreas em que as alterações tinham sido encontradas.
No estudo feito por Ghofrani et al (2014), o algoritmo híbrido proposto se baseia na Análise pelo Vetor de Diferença (CVA) e foi utilizado na detecção de mudanças na vegetação, como também,
Braz. J. of Develop., Curitiba, v. 6, n. 7, p.44196-44217 jul. 2020. ISSN 2525-8761 foi feita a avaliação dos efeitos de diferentes parâmetros na performance da metodologia proposta. A classificação foi desempenhada com uma acurácia de 85% no método proposto de detecção de alterações híbrida, demonstrando assim, um método eficaz para descobrir e avaliar as transformações e possíveis ameaças ambientais a reservas florestais.
Continuando o contexto de detecção de alterações híbrida, o autor El-Hattab (2016) utilizou imagens LANDSAT (consideradas de média resolução espacial) de três cenas, classificando-as baseadas nas classes de interesse do sistema de uso e cobertura do solo do programa CORINE (Coordination of Information on the Environment), comparando as mudanças entre as classes pixel a pixel. Um mapa de mudanças contendo as classes, “sem-mudança”, “mudança negativa”, “mudança positiva” e “outras classes” foi confeccionado para todas as classes de interesse. As acurácias globais obtidas para as três cenas foram de 96,2% para época 1 (2000), 97,15% para época 2 (2004) e de 98,4% para época 3 (2013).
Retornando o tema para imagens de alta resolução espacial, Ampou et al (2018) trabalharam com uma série imagens com resoluções espaciais de 2 a 4 metros (imagens dos satélites IKONOS, Geoeye, Worldview e Quickbird), contendo 8 cenas diferentes, a partir do ano de 2001 até 2015. Os autores tiveram como objetivo, reconstruir a trajetória dos arrecifes da Ilha de Bunaken e verificar como as comunidades de corais se alteraram, e caso elas tenham sido alteradas em algum ponto do intervalo de interesse, se elas chegaram a se recuperar ou não. Para encontrar as diferenças entres as cenas e épocas, médias e desvios-padrão de todas as bandas espectrais foram utilizados, assim, a identificação das diferenças entre os anos foi realizada com o empregoda categoria álgebra e, por conseguinte, o tipo de mudança foi detectado, utilizando a assinatura espectral de acordo com as oito classes de interesse.
Lv et al (2018) propuseram um algoritmo de detecção de alterações que utiliza tanto a segmentação multirresolução quanto o algoritmo EM (Expectation-Maximization), um método híbrido. O trabalho proposto pelos autores consiste, primeiramente, em obter um mapa binário de mudanças existentes entre as cenas a partir de um dos métodos de detecção de alterações existentes, depois, realizar a segmentação multirresolução na imagem pós-evento (época 2), para depois sobrepor os segmentos criados na imagem pós evento com o mapa binário a fim de se obter os pixels com mudança dentro dos objetos (segmentos) para comparação através de um dos algoritmos de EM. Os autores afirmam que, a partir dos experimentos em duas áreas de interesse diferentes, a metodologia proposta mostrou uma melhora no desempenho e maiores acurácias quando comparadas a vários métodos utilizados em imagens de alta resolução espacial.
Como constatado pelos trabalhos apresentados anteriormente e tantos outros que não foram colocados no texto por motivos de quantidade, é possível observar que todos se propõem em resolver
Braz. J. of Develop., Curitiba, v. 6, n. 7, p.44196-44217 jul. 2020. ISSN 2525-8761 um determinado problema da melhor forma possível visando um fenômeno ocorrido em uma área de interesse. Dessa forma, este estudo direciona-se a melhorar o processamento de detecção de alterações em imagens de alta resolução espacial, no âmbito de mudanças em área urbanizadas em regiões litorâneas, por conta do avanço do mar em vistas às tão preocupantes mudanças climáticas que vêm ocorrendo em todo o planeta. A comparação foi feita a partir de imagens temáticas, pois eliminam o problema das diferenças de condições atmosféricas e radiométricas entre as cenas, bem como, o uso de morfologia matemática visando a eliminar o erro de registro entre as imagens como citado em Carvalho et al (2001).
2 ÁREA, MATERIAIS E MÉTODOS
Com as considerações feitas acerca tanto em relação à importância do tema de detecção de mudanças, quanto à escolha da metodologia utilizada nesse trabalho, nessa seção encontram-se a localização da área de estudo, os materiais e métodos utilizados.
2.1 LOCALIZAÇÃO DA ÁREA DE INTERESSE
A área de interesse utilizada, representada nas imagens de duas épocas (cenas) situa-se no litoral paranaense, mais especificamente no município de Matinhos. É composta por uma área de 580.544 metros quadrados, e as imagens recortadas dos mosaicos fornecidos estão georreferenciadas ao datum WGS84 e o sistema de projeção é o UTM, fuso 22 Sul.
A cobertura do solo da região é predominantemente urbana, sendo que ainda existem feições como canal, restinga, mar e areia, das quais ocorrem somente em cidades litorâneas. A detecção de alterações nesse tipo de cobertura do solo entra no contexto do Plano Nacional de Gerenciamento Costeiro (PNGC), que visa o planeamento integrado da utilização dos recursos costeiros, ordenando a ocupação desses espaços. Tal compromisso governamental com o uso sustentável dos espaços litorâneos foi constituído pela Lei .661 de 16/05/1988, com maior detalhamento de operacionalização na Resolução de n°01/90 de 21/11/1990 da Comissão Interministerial para os Recursos do Mar (CIRM). Além disso, a análise das mudanças obtidas na resultados mostra sua ligação importante com o avanço dos mares sobre a faixa de praia, problema advindo, principalmente, do derretimento das calotas polares, como afirmam ambientalistas de todo o mundo.
Nesse contexto as classes de interesse definidas que melhor descreveram a imagem temática foram: solo exposto, edificações, vegetação rasteira, vegetação arbórea, vias impermeabilizadas, areia, corpos d’água e sombra. Na classificação final, mar, canal, rio e piscinas foram representados na mesma classe de interesse “corpos d’água”, assim como a classe restinga ficou inserida na classe
Braz. J. of Develop., Curitiba, v. 6, n. 7, p.44196-44217 jul. 2020. ISSN 2525-8761 de vegetação rasteira. A mata ciliar ao longo do rio e do canal presentes na cena foi inserida na classe vegetação arbórea. A imagem a seguir alude espacialmente a área de estudo:
Figura 1 - Imagem composta pela localização e área de estudo
Fonte: Os autores (2020).
2.2 MATERIAIS
Como material utilizado para o desenvolvimento e aplicação da metodologia proposta nesse trabalho, desenvolvida no âmbito da detecção de alterações em imagens de alta resolução espacial pelo método híbrido, foram usados dois recortes da área de interesse a partir de dois mosaicos de imagem do sensor Ikonos-II, com 1 metro de resolução do módulo panshapening. Sendo a primeira data 1° de novembro de 2001 e a segunda data de 16 de março de 2009. Por questão de disponibilidade das bandas das imagens que foram doadas, apenas das bandas do infravermelho próximo, do vermelho e do verde foram utilizadas nos processamentos aqui envolvidos. De conhecimento do tipo de dados utilizados nesse trabalho, o próximo tópico descreve como procedeu-se nos passos envolvido na metodologia desenvolvida.
2.3 DETECÇÃO DE MUDANÇAS HÍBRIDA EM AMBIENTE LITORÂNEO URBANIZADO Com as cenas e as classes de interesse definidas, as etapas de processamento envolvidas nessa metodologia foram definidas, sendo elas: fase de pré-processamento; segmentação e classificação das duas cenas; cálculo de uma imagem diferença; refinamento das bordas na imagem diferença; e a análise das alterações. Estas etapas são descritas nos subtópicos seguintes.
2.3.1 Pré-processamento
O pré-processamento foi dividido em duas grandes etapas: o registro das duas imagens e o ajuste radiométrico ou normalização radiométrica das imagens. Como em estudos de detecção de
Braz. J. of Develop., Curitiba, v. 6, n. 7, p.44196-44217 jul. 2020. ISSN 2525-8761 alterações, analises temporais entre imagens são utilizadas, o ajuste geométrico ou registro de imagens é necessário para compatibilizar a geometria das imagens de datas diferentes de uma mesma área, mesmo que estas tenham sido adquiridas pelo mesmo ou por diferentes sensores (CHEN et al, 2012). No caso mais geral, o processo de correção geométrica consiste de duas etapas. Na primeira etapa, uma das imagens é georreferenciada usando dados de um mapa ou levantamentos de campo. Esta imagem serve de base para, em uma segunda etapa, ajustar a geometria da segunda imagem à da primeira imagem. No caso do registro geométrico desse trabalho, a imagem da primeira época foi tomada como base para a segunda, e assim o ajuste geométrico de uma em relação a outra foi feito.
No que diz respeito ao ajuste radiométrico, pode-se dizer que esta etapa consiste em compatibilizar a variação de valores digitais nas duas imagens. No caso desse trabalho, o ajuste foi executado aplicando o método da Regressão de Bandas, por se tratar de imagens da mesma área obtidas pelo mesmo sensor, ou sensores com resolução espectral equivalente, assumindo assim, que suas bandas sejam altamente correlacionadas.
Com os dois recortes das duas cenas do mesmo sensor (IKONOS-II), bem como os valores digitais de cinza de cada uma das bandas Red, Green e Near Infrared, as equações da reta que melhor se ajustem para cada uma das bandas entre as duas datas são calculadas (equação 1). Assim, torna-se possível transformar os valores digitais de uma data para valores próximos da outra, minimizando os efeitos da atmosfera e iluminação.
𝐷𝑁1𝑢 = 𝑎𝑢∗ 𝐷𝑁2𝑢+ 𝑏𝑢 (1)
Onde: 𝐷𝑁1𝑢 e 𝐷𝑁2𝑢 são os valores digitais da mesma banda “u” nas datas 1 e 2 e 𝑎𝑢 e 𝑏𝑢 representam os parâmetros da regressão linear simples para a banda “u”.
2.3.2 classificação baseada e objeto
Após o pré-processamento, o passo seguinte é a segmentação das imagens e sua classificação pelo método baseado em objeto. Neste caso o elemento da análise é o segmento (objeto) descrito tanto em termos espaciais, quanto espectrais, relações de vizinhança e textura. Essa etapa diminui os problemas com as diferenças entre os valores dos contadores digitais, que poderiam ser iguais nas duas imagens, mas que, por diferenças nas condições atmosféricas e de iluminação da cena não seriam considerados iguais. Além do que, agrupa pixels que possuem possivelmente a mesma classe, trazendo assim a ideia de forma, muito importante para a classificação baseada em objeto.
A primeira etapa do processamento de classificação de imagens baseada em objeto é o da segmentação, que tem por objetivo a separação de uma imagem em regiões menores (segmentos ou
Braz. J. of Develop., Curitiba, v. 6, n. 7, p.44196-44217 jul. 2020. ISSN 2525-8761 objetos). Os métodos de segmentação podem ser por análise de descontinuidades, ou por similaridade (BAATZ E SCHÄPE 2000, GONZALES E WOODS 2000). Particularmente, a segmentação multirresolução do tipo de análise de similaridade, que parte do pixel como segmento elementar e progressivamente segmentos vizinhos são fundidos formando segmentos maiores, considerando sua similaridade espectral, bem como a heterogeneidade espacial do resultado da fusão. Conforme Baatz e Schäpe (2000), o processo tem fim quando o menor crescimento possível de um par de objetos excederem certo limiar, o parâmetro de escala. Nesse contexto, os parâmetros de segmentação foram escolhidos de acordo com as cenas da área de interesse, sendo eles: peso do parâmetro de heterogeneidade espacial, parâmetro de compacidade e parâmetro de escala para dois níveis de segmentação multirresolução.
A classificação dos objetos com uma rede semântica demanda a proposta do esquema de classificação hierárquico. Neste caso, o esquema é aquele mostrado na figura 2. A rede de processos utilizada na classificação das cenas foi dividida em três grandes etapas:
• Primeira fase: onde se encontra uma segmentação no primeiro nível, mais generalizada, com a finalidade de separação dos objetos pertencentes à classe água e à classe não-água;
• Segunda fase: onde se encontra a segmentação no segundo nível, mais detalhada, que partiu da superclasse não-água, com a finalidade de separar e classificar objetos pertencentes às subclasses da vegetação (vegetação rasteira e arbórea) e às subclasses da não vegetação (edificações, solo exposto, vias impermeabilizadas, piscinas e sombra);
• Edição das classes que mais resultaram confusão na classificação, com a ferramenta “classificação manual”, disponível nos algoritmos existentes no programa utilizado na classificação (eCognition®).
Figura 2 - Árvore de classificação hierárquica
Braz. J. of Develop., Curitiba, v. 6, n. 7, p.44196-44217 jul. 2020. ISSN 2525-8761 Os segmentos foram classificados pelo método do vizinho mais próximo, que consiste em utilizar as amostras coletadas para cada uma das diferentes classes para atribuir valores de pertinência (0 a 1) advindos da lógica Fuzzy, com base nas características escolhidas para definir essas classes.
O tópico a seguir explica como a comparação entre as épocas foi feita para a detecção das mudanças, bem como a criação da matriz de alterações entre as classes.
2.3.3 imagem-diferença
Com o resultado das duas classificações, as diferenças entre as classes de interesse nas imagens temáticas foram coletadas. O resultado foi a criação de uma imagem de diferença na qual, caso as classes não fossem iguais a matriz receberia ou valor 1 (presença de diferença), caso contrário a matriz recebia 0 (ausência de diferença). Como as imagens podem apresentar pequenas diferenças espaciais entre os objetos devido a variações de iluminação e erros de processamento, as bordas das imagens merecem um tratamento especial.
As bordas são as regiões onde as alterações podem ser mais acentuadas e ao mesmo tempo onde os erros de diferentes fases do processamento são mais visíveis. Por exemplo, erros no registro das imagens podem causar deslocamentos relativos entre as imagens, sendo que, estes deslocamentos são pequenos, pois o registro em si já implica em um ajuste geométrico. As pequenas diferenças afetam principalmente as bordas dos segmentos, visto que seu interior é uniforme, como é mostrado na figura 4:
Figura 3 - Diferenças entre as bordas
Fonte: Os autores (2020).
As regiões de fronteira também podem ser alteradas por erros na segmentação dos objetos, visto que as imagens de datas diferentes podem produzir resultados na segmentação levemente diferentes, conforme ilustrado na 5. Estas diferenças não são necessariamente diferenças temporais, mas podem resultar da mistura de elementos nos pixels de fronteira, das condições geométricas da aquisição das imagens ou até de diferenças de iluminação. Por este motivo, alterações detectadas nas fronteiras podem ser desconsideradas em uma análise mais profunda.
Braz. J. of Develop., Curitiba, v. 6, n. 7, p.44196-44217 jul. 2020. ISSN 2525-8761 Para resolver esses problemas, as fronteiras dos segmentos podem assim serem processadas aplicando operadores de Morfologia Matemática. A morfologia matemática é a aplicação de operadores e princípios matemáticos para alterar as formas das figuras em uma imagem que, quando aplicada a imagens é composta por um conjunto de operações (operadores matemáticos) que modificam as estruturas espaciais dos objetos nas imagens. Os operadores básicos são a erosão e a dilatação, que consistem na operação da imagem por um elemento estruturante segundo regras definidas.
Figura 4 - Alterações nas regiões de fronteiras
Fonte: Os autores (2020).
Na erosão, as bordas dos objetos nas imagens são reduzidas, segundo a regra mostrada na equação 2:
𝐴 ⊖ 𝐵 = {𝑧 ∈ 𝐸|𝐵𝑧𝐶 𝐴} (2)
Onde A representa a imagem; B o elemento estruturante e Bz representa a translação de B pelo vetor z:
𝐵𝑧= {𝑏 + 𝑧|𝑏 ∈ 𝐵}, ∀𝑧
Braz. J. of Develop., Curitiba, v. 6, n. 7, p.44196-44217 jul. 2020. ISSN 2525-8761 Na dilatação da imagem A pelo elemento estruturante B, pelo contrário, as bordas da imagem são estendidas, fazendo os objetos crescerem na imagem, de acordo com a regra da equação 4.
𝐴 ⨁ 𝐵 = ⋃ 𝐴𝑏 𝑏∈𝐵
(4)
Como a intenção é evitar as áreas de conflito nas bordas dos objetos, o operador de erosão foi utilizado para minguar os objetos, ficando com a parte central dos mesmos e descartando da análise os elementos das fronteiras. O elemento estruturante utilizado para esse processamento tem a forma de “+” dentro de uma janela 3x3.
2.3.4 Análise Das Alterações
Por fim, na quinta etapa foi feita a comparação entre a quantidade dos pixels que mudaram de uma classe à outra da imagem da época 1 para a imagem da época 2, utilizando a imagem de diferença erodida como elemento na identificação da posição dos pixels onde ocorreram as alterações. O resultado foi analisado considerando a distinção entre as classes (detecção “de-para”) entre as imagens da época 1 para a época 2. As classes consideradas na análise foram: solo exposto, vegetação rasteira, areia e vegetação arbórea da imagem na época 2. Essa escolha das classes é justificada por dois motivos, o primeiro porque a representação de todas as diferenças “de-para” seria quase impossível, uma vez que se tem 8 classes na imagem temática (quadro 1), e a combinação entre as outras chegaria a 56 tipos de diferenças. O segundo motivo é por conta da diminuição da quantidade de edificações próximas à faixa de praia que ocorreu nessas duas épocas na cidade litorânea de Matinhos/PR. Por fim, a imagem de mudança é representada por branco onde não foram detectadas alterações e azul, preto, verde e vermelho onde estas ocorreram.
3 RESULTADOS E DISCUSSÕES
3.1 PRIMEIRA ETAPA: PRÉ-PROCESSAMENTO
Foram utilizados 9 pontos de apoio para o georreferenciamento da imagem da segunda época. O erro médio quadrático final foi de 0,4961 metros – o que é aceitável, pois o erro máximo tolerável é de 1 pixel – um metro para as imagens utilizadas. O método de reamostragem escolhido foi o de Convolução Cúbica, por ser um método que utiliza uma janela de 4x4 pixel na interpolação e assim, considerando a informação dos pixels espacialmente vizinhos, o que se torna muito importante quando se trabalha com imagens de alta resolução espacial.
Braz. J. of Develop., Curitiba, v. 6, n. 7, p.44196-44217 jul. 2020. ISSN 2525-8761 Em relação ao ajuste radiométrico, tomou-se por base a imagem da época 1 novamente e assim os parâmetros das equações de regressão linear foram calculados para a imagem da época 2, dessa forma as transformações dos níveis digitais de cinza de cada banda são representadas por:
𝑁𝐼𝑅2𝑓(𝑖, 𝑗) = 0,9009 ∗ 𝑁𝐼𝑅2𝑖(𝑖, 𝑗) + 24; (5) 𝑅2𝑓(𝑖, 𝑗) = 0,85719009 ∗ 𝑅2𝑖(𝑖, 𝑗) + 0,8571; (6) 𝐺2𝑓(𝑖, 𝑗) = 0,8721 ∗ 𝐺2𝑖(𝑖, 𝑗) + 10,2642; (7)
Onde:
• 𝑁𝐼𝑅2𝑓 e 𝑁𝐼𝑅2𝑖 são os contadores digitais da banda do infravermelho próximo depois e antes da transformação;
• 𝑅2𝑓 e 𝑅2𝑖 são os contadores digitais da banda do vermelho depois e antes da transformação;
• 𝐺2𝑓 e 𝐺2𝑖 são os contadores digitais da banda do verde depois e antes da transformação;
• (𝑖, 𝑗) é a posição do pixel na imagem.
3.2 SEGUNDA ETAPA: CLASSIFICAÇÃO
Com as imagens corrigidas tanto geometricamente quanto radiometricamente, o passo seguinte foi o da classificação. As figuras 6 e 7 representam o resultado da classificação das duas datas consideradas, com escala gráfica. Percebe-se através dos resultados das classificações que, na imagem da classificação da primeira época (figura 6) houve confusão entre as classes areia e solo impermeável (ruas e áreas concretadas), isso se deve ao fato de que as duas classes tinham muita semelhança pelos atributos escolhidos na classificação – principalmente na variável brilho.
Para a avaliação dos resultados, as matrizes de confusão e a estabilidade das classes foram obtidas a partir de amostras de verificação, diferentes das utilizadas na classificação, e parâmetros de qualidade da classificação foram calculados para cada resultado.
A acurácia global da classificação da imagem da primeira data foi de 75%, em grande parte influenciada pela alta confusão entre as diferentes classes de edificações. O que não causou grande problema, devido ao fato de as quatro diferentes terem sido associadas na representação final. Outras classes que apresentaram confusão na classificação foram grama clara e escura, bem como árvore clara e escura, que assim como as edificações, foram condensadas nas classes grama (grama clara e escura) e árvores (árvore clara e escura).
Braz. J. of Develop., Curitiba, v. 6, n. 7, p.44196-44217 jul. 2020. ISSN 2525-8761 Na tabela 1 é mostrada a estabilidade das classes na classificação da imagem na época 1, representada por valor padronizado entre 0 e 1 de mínimo e máximo respectivamente, com média, desvio padrão e está diretamente ligada à matriz de confusão. Quanto mais próximo ou igual a 1 o valor de estabilidade for, menor foi a confusão na escolha da classe à qual o objeto pertence em relação à próxima classe mais provável na qual esse objeto se encaixaria, quando a processo de classificação é feito.
Figura 5 - Classificações da época 1 (a) e época 2 (b) (a)
(b)
Braz. J. of Develop., Curitiba, v. 6, n. 7, p.44196-44217 jul. 2020. ISSN 2525-8761 Um outro aspecto importante em relação à qualidade das classificações está ligado ao quão estável a realização da classificação foi, essa medida é possível de ser obtida utilizando o programa eCognition (Tabela 1).
Tabela 1 - Estabilidade das classes na imagem da época 1
Classes Objetos Média Desv. Pad. Mínimo Máximo
Água 79 0,34834 0,21533 0,02021 1,00000 Edif. marrom 628 0,08544 0,17654 0,00010 1,00000 Edif. branca 304 0,20278 0,23363 0,00006 1,00000 Edif. amarela 353 0,06982 0,06097 0,00001 0,30686 Edif. cinza 702 0,30186 0,41990 0,00010 1,00000 Piscinas 7 0,28036 0,18044 0,03847 0,62261 Areia 483 0,44999 0,43484 0,00180 1,00000 Imper. escuro 159 0,52580 0,40223 0,00376 1,00000 Imper. claro 486 0,40746 0,43968 0,00011 1,00000 Sombra 881 0,16531 0,14357 0,00038 1,00000 Arv. escura 187 0,07265 0,06592 0,00002 0,28531 Arv. clara 567 0,07295 0,06932 0,00034 0,46120 Grama escura 603 0,10491 0,20853 0,00012 1,00000 Grama clara 369 0,25788 0,37732 0,00040 1,00000 Solo exposto 359 0,22286 0,34394 0,00019 1,00000 Fonte: Os autores (2020)
Dessa forma, ao observar a estabilidade das classes que não atingiram o valor 1, como é o caso de árvore escura e árvore clara, pode-se concluir que a relação entre essas duas classes é alta, ou seja, a classe mais pertinente ao objeto em análise se confunde entre essas duas, pelo fato de terem valores de variáveis muito parecidos. No contexto deste trabalho não há problema, uma vez que essas classes foram condensadas em uma só, denominada como a classe árvore na representação.
Outro fato a ser observado no quadro de estabilidade das classes são os valores de média e desvio-padrão. Quanto menor a média e maior o desvio-padrão, maior a área de dispersão em torno da média – que é pequena; favorecendo assim a confusão entre as classes.
A acurácia global da classificação da imagem da época 2 foi de 83%. Novamente houve grande confusão entre diferentes classes de edificações, bem como, grama clara e escura, e árvore clara e escura. Da mesma forma que na primeira imagem temática, estas classes foram condensadas nas classes: edificações, grama e árvores.
Na tabela 2, encontra-se a estabilidade das classes na classificação da imagem da segunda época, que, em comparação com a classificação da primeira cena, todas as classes chegaram ao valor máximo de 1, o que não ocorreu anteriormente. O que leva a conclusão de que a estabilidade das classes na segunda época foi melhor em comparação com a estabilidade das classes na primeira época.
Braz. J. of Develop., Curitiba, v. 6, n. 7, p.44196-44217 jul. 2020. ISSN 2525-8761 Uma das observações feitas em relação a esse resultado se baseou na iluminação na imagem da segunda época, que aparece maior que a iluminação da imagem na segunda época. Mesmo após o ajuste radiométrico entre as duas imagens ser feito, esse problema ainda permaneceu. Principalmente pelo fato do ajuste radiométrico não resolver a diferença da variação entre os próprios contadores digitais da imagem em si, estes estão diretamente ligados com a questão da iluminação da cena, mas de qualquer forma, os coloca em uma mesma escala.
Tabela 2 - Estabilidade das classes na imagem da época 2
Classes Objetos Média Desv. Pad. Mínimo Máximo
Água 100 0,99446 0,02728 0,77186 1,00000 Edif. marrom 537 0,92273 0,07527 0,51017 1,00000 Edif. branca 239 0,90246 0,10010 0,51407 1,00000 Edif. amarela 233 0,91343 0,09211 0,48009 1,00000 Edif. cinza 813 0,94369 0,06375 0,58208 1,00000 Piscinas 6 0,94120 0,08866 0,77033 1,00000 Areia 389 0,98593 0,03497 0,71551 1,00000 Imper. escuro 242 0,90634 0,13521 0,14781 1,00000 Imper. claro 758 0,94917 0,07937 0,25435 1,00000 Sombra 1211 0,88580 0,10776 0,21214 1,00000 Arv. escura 358 0,89919 0,09062 0,35158 1,00000 Arv. clara 739 0,90798 0,08266 0,43905 1,00000 Grama escura 370 0,93118 0,06372 0,56730 1,00000 Grama clara 115 0,93426 0,07571 0,46844 1,00000 Solo exposto 198 0,90355 0,07328 0,57629 1,00000 Fonte: Os autores (2020)
3.3 TERCEIRA ETAPA: DETECÇÃO DE ALTERAÇÕES
Como passo final da metodologia, a comparação “de-para” foi realizada. A primeira parte consistiu na comparação das duas imagens temáticas (época 1 e 2), criando-se assim uma imagem de diferença. Nessa imagem com alterações foi aplicado o processamento de bordas, para então quantificar as mudanças “de-para” de uma cena para a outra.
Na figura 8 é apresentado um exemplo de imagem de alterações. Nela, os pixels que representam alterações aparecem em branco, enquanto as áreas que não sofreram alteração são representadas em preto. A mesma figura apresentada já passou pelo processo de suavização das fronteiras pelo processo de erosão da morfologia matemática.
Braz. J. of Develop., Curitiba, v. 6, n. 7, p.44196-44217 jul. 2020. ISSN 2525-8761 Figura 6 - Imagem de diferença erodida
Fonte: Os autores (2020)
O quadro a seguir demonstra em valores, quanto cada classe da época 1 mudou para as classes da época 2 em pixels. Baseado nas informações do quadro 7 é possível observar que:
• O maior valor de mudanças em pixels foi na mudança de vegetação rasteira em 2001 para vegetação arbórea em 2009, o que indica que com o passar dos anos as árvores que foram detectadas primeiramente como vegetação rasteira cresceram entre as duas épocas;
• Entre os menores valores estão nas alterações de corpos d’água para solo exposto e para vegetação rasteira, indicando que essas diferenças podem ser advindas de erro de classificação;
• Entre outras mudanças significativas, foi possível notar um alto valor na quantidade de pixels da classe edificações na imagem de 2001 para a classe areia da imagem de 2009, indicando a alteração de diminuição das construções à beira da praia, que já chamava atenção visualmente antes de todo o processamento;
• Outro valor que ressalta aos olhos é a diferença entre vegetação rasteira para vias impermeabilizadas, indicando o aumento de ruas asfaltadas em 2009 onde existia grama ou mata baixo na cena de 2001;
o Houve uma diminuição da classe areia na imagem de 2001 para a classe corpos d’ da classe de 2009, indicando um avanço do mar sobre a faixa de areia, que também pode ser constatado visualmente.
Braz. J. of Develop., Curitiba, v. 6, n. 7, p.44196-44217 jul. 2020. ISSN 2525-8761 Quadro 1 – Valores das mudanças em pixels
2001/2009 1 2 3 4 5 6 7 Solo Exposto (1) 1122 3900 2797 586 2885 Edificações (2) 1219 1735 4980 3490 3667 Veg. Rasteira (3) 2103 3912 6996 2682 12605 Vias Imperm. (4) 339 1340 516 227 227 Areia (5) 610 2140 1374 466 5601 Veg. Arbórea (6) 401 2399 2296 1640 297 Corpos d'Água (7) 10 23 583 Fonte: Os autores (2020)
Considerando a relação das mudanças obtidas em relação à área total, tem-se um total de 75.168 metros quadrado da área de interesse com alterações, o que corresponde a uma porcentagem de 12,95% na área total. As alterações verificadas para cada classe são mostradas na figure 9:
Para a carta exemplo, na qual algumas mudanças foram representadas espacialmente, as alterações que foram escolhidas para serem apresentadas – seguindo a ordem da imagem da época 1 (2001) para a imagem da época 2 (2009) foram:
• Mudança 1: de edificação para solo exposto, com o um total de 1219 pixels, equivalente à uma área de 1219 metros quadrados;
• Mudança 2: de edificação para grama, com um total de 1735 pixels, equivalente à uma área de 1735 metros quadrados;
• Mudança 3: de edificação para areia, com um total de 3490 pixels, equivalente à uma área de 3490 metros quadrados;
• Mudança 4: de edificação para árvores, com um total de 3667 pixels, equivalente à uma área de 3667 metros quadrados.
Figura 7 - Gráfico comparativo das classes entre 2001 e 2009 na área de mudança
Fonte: Os autores (2020) 0 10 20 30 40 Solo Exposto Edificações Veg. Rasteira Vias Imperm. Areia Veg. Arbórea Corpos d'Água
% de alterações das classes na área de mudança
C la ss es d e in te res se
Braz. J. of Develop., Curitiba, v. 6, n. 7, p.44196-44217 jul. 2020. ISSN 2525-8761 No quadro a seguir ilustram-se exemplos de mudanças qualitativas, bem como um erro de detecção:
Quadro 2 – Valores das mudanças em pixels
“De-para” Imagem 2001 Imagem de diferença Imagem 2009
Edif. -> Grama Edif. -> Árvore Edif. -> Areia Erro de detecção Fonte: Os autores (2020)
Na mudança detectada entre edificação e grama, o processamento funcionou para a detecção da alteração, mas a forma ainda não está exatamente correspondente com o objeto no mundo real.
Observou-se na mudança detectada entre edificação e árvore que, a mudança foi detectada, mas veio eivada de erro devido à classificação da classe sombra, nesse caso. Como se percebe pelos pixels que saem do formato regular da construção.
Na alteração entre edificação e areia foi possível observar que a forma da imagem de diferença respeitou a forma da feição na imagem da época 1. A mudança ilustrada no erro detecção do quadro
Braz. J. of Develop., Curitiba, v. 6, n. 7, p.44196-44217 jul. 2020. ISSN 2525-8761 anterior, da classe edificações para a classe solo exposta foi mais sensível ao erro de classificação oriunda ao erro de registro.
As alterações entre edificações e areia foram detectadas mais significativamente, pois ao se estudar a cena nas duas épocas visualmente já é possível observar uma diminuição na quantidade de casas ao longo da faixa de praia, bem como a diminuição da própria faixa de praia pelo avanço do mar. Essa mudança da paisagem causou aos pescadores que moravam na beira do mar a necessidade de se realocarem e deslocarem suas moradias para outros lugares, que foi a alteração mais bem identificada no processamento de detecção de alterações a partir da classe edificações
4 CONCLUSÕES
Com os resultados obtidos nos processamentos e etapas desenvolvidos na metodologia proposta foi possível observar e constatar alguns prós e contras mencionados na bibliografia estudada quanto ao método de detecção de alterações híbrido.
O resultado da classificação orientada a objeto das imagens de alta resolução espacial foi satisfatório nas duas datas. As variáveis mais significativas utilizadas na separação e rotulação das classes foram média e desvio padrão do NDVI, que foram cruciais na separação dos objetos do segundo nível de segmentação que pertenciam às classes que se incluíam na categoria de cobertura da terra vegetação, das outras classes que não se encaixavam nessa categoria.
Uma das grandes dificuldades na classificação orientada a objeto vem da etapa de definição dos parâmetros utilizados na segmentação, ainda que sejam intuitivos de certa forma e apesar de ficar claro que quanto maior o fator de escala, mais generalizada será a segmentação, assim como, quanto menor o fator de escala, mais detalhada será a segmentação; os parâmetros de forma e compacidade influenciam direta e diferentemente na segmentação da cena. Isto é, por mais que as duas cenas sejam da mesma área e do mesmo satélite, a combinação dos mesmos ou de diferentes valores nesses parâmetros sempre forneceu objetos diferentes, apesar de muito similares. Nos experimentos, quando os mesmos parâmetros de segmentação são usados para segmentar as duas imagens os resultados foram muito diferentes. Uma das vantagens do método aplicado é que ele permite modelares adequadamente classes com bordas mais regulares, através do parâmetro espacial de segmentação.
A classificação orientada a objeto resolveu o problema dos erros causados pelas condições atmosféricas e eliminou a presença de regiões muito pequenas, o que se tornou uma vantagem para a análise temporal.
A metodologia desenvolvida no contexto da detecção de alterações híbrida na cena escolhida, mesmo que tenha sido feita a partir das imagens temáticas classificadas no contexto do objeto, ainda foi muito sensível ao erro de registro, tal como visto em Carvalho et al (2001). A utilização do
Braz. J. of Develop., Curitiba, v. 6, n. 7, p.44196-44217 jul. 2020. ISSN 2525-8761 processamento de bordas, que teve por finalidade melhorar esta questão, ainda não foi o suficiente para que esses erros fossem de certa forma, quase imperceptíveis na imagem de diferença, uma provável fonte de erro pode ser o ângulo de observação do satélite, bem como a iluminação da cena.
Outros fatores também podem estar envolvidos, um deles é o fato do erro de classificação dos segmentos muito pequenos no nível 2 de segmentação, e outro é o problema com o processamento das bordas – podendo ter ligação com a escolha do elemento estruturante. Um ponto interessante a ser colocado é o de que, as mudanças em maior escala foram detectadas mais claramente, como no caso das casas que foram desfeitas ao longo da faixa da praia.
O fato de que, a acurácia global da classificação da primeira época ter chegado apenas aos 75% estar ligado com a subdivisão das classes de edificações no processamento, pode gerar o questionamento do porquê de essas classes terem sido subdivididas. A explicação mais coerente a ser feita em relação a isso é a de que, para diferenciá-las das outras classes de cobertura do solo que tivessem mesmas ou parecidas respostas espectrais nesse estágio da rede hierárquica, bem como colocá-las no padrão edificações, o auxílio de outro tipo de variável/descritor de classe de fez necessário. Em outras palavras, para que as classes de edificações fossem separadas das outras - pois tinham características espectrais parecidas com outras classes, variáveis espaciais foram inseridas a fim de se representar o padrão geométrico regular destas.
Por fim, os objetivos foram alcançados, pois o processamento de imagens utilizou-se da abordagem híbrida, que trouxe benefícios desde a não utilização de limiares, como a utilização da abordagem orientada a objeto a fim de garantir a importância espacial que os pixels em imagens de alta resolução espacial têm.
Braz. J. of Develop., Curitiba, v. 6, n. 7, p.44196-44217 jul. 2020. ISSN 2525-8761
REFERÊNCIAS
AL-KHUDHAIRY, D. H. A.; CARAVAGGI, I.; GIADA, S. Structural Damage Assessments from Ikonos Data Using Change Detection, Object-Oriented Segmentation, and Classification Techniques. American Society for Photogrammetry and Remote Sensing, v. 13, n. 7, p. 825-837, 2005. AMPOU, E. E.; OUILLON, S.; IOVAN, C. & ANDRÉFOUËT, S. Change Detection of Bunaken Island Coral Reefs Using 15 Years of Very High-Resolution Satellite Images: A kaleidoscope of habitat trajectories. Marine Pollution Bulletin, v. 131, p. 83-95, 2018.
BLASCHKE, T. & LANG, S. Object-oriented Image Analysis for Automated Information Extraction – A Synthesis. In: MEASURING THE EARTH II ASPRS FALL CONFERENCE, November 2006, p. 6-10.
BAATZ, M. & SCHÄPE, A. Multiresolution Segmentation: an optimization approach for high quality multiscale image segmentation. 2000. Disponível em; http://www.ecognition.com/sites/default/files/405_baatz_fp_12.pdf. Acessado em fevereiro de 2014
CARVALHO, L. M. T.; FONSECA, L. M. G.; MURTAGH, F.; CLEVERS, J. G. P. W. Digital Change Detection with the Aid of Multiresolution Wavelet Analysis. International Journal of Remote Sensing, v. 22. p. 3871-3876, 2001.
CHEN, G.; HAY, G. J.; CARVALHO, L. M. T.; WULDER, M. A. Object-based Change Detection. International Journal of Remote Sensing, v. 33, n. 14, p. 4434-4457, 2012.
Definiens User Guide Disponível em;
https://workspace.imperial.ac.uk/imagingfacility/public/DefiniensUserGuide.pdf. Acessado em fevereiro de 2017
DESCLÉE, B.; BOGAERT, P.; DEFOURNY, P. Forest Change Detection by Statistical Object-based Method. Remote Sensing of Environment, v. 102, p. 1-11, 2006.
DURIEUX, L.; LAGABRIELLE, E.; NELSON, A. A Method for Monitoring Building Construction in Urban Sprawl Areas Using Object-based Analysis of Spot 5 Images and Existing GIS Data. ISPRS Journal of Photogrammetry and remote Sensing, v. 63, p. 399-408, 2008.
EL-HATTAB M. M. Applying Post Classification Change Detection Technique to Monitor an Egyptian Coastal Zone (Abu Qir Bay). The Egyptian Journal of Remote Sensing and Space Science, v. 19(1), p. 23-36, 2016.
GHOFRANI, Z.; MOKHTARZADE, M.; SAHEBI, M. R.; BEYKIKHOSHK, A. Evaluating Coverage Changes in National Parks Using a Hybrid Change Detection Algorithm and Remote Sensing. Journal of Applied Remote Sensing, v. 083646-1, p. 1-17, 2014.
GONZALEZ, R. C. & WOODS, R. Processamento de Imagens Digitais. Editora Edgard Blucher, São Paulo, 2000.
HALL, O. & HAY, G. J. A Multiscale Object-specific Approach to Digital Change Detection. International Journal of Applied Earth Observation and Geoinformation, v. 4, n. 4, p. 311-327, 2003.
Braz. J. of Develop., Curitiba, v. 6, n. 7, p.44196-44217 jul. 2020. ISSN 2525-8761 HUSSAIN, M.; CHEN, D.; CHENG, A.; WEI, H.; STANLEY, D. Change detection from remotely sensed Images: From pixel based to object-based approaches. ISPRS Journal of Photogrammetry and Remote Sensing, v. 80, p. 91–106, 2013.
LV, Z.; LIU, T.; WAN, Y.; BENEDIKTSSON, J. A.; ZHANG, X. Post-Processing Approach for Refining Raw Land Cover Change Detection of Very High-Resolution Remote Sensing Images. Remote Sensing, v. 10(3), p. 472-490, 2018.
LU, D.; MAUSEL, P.; BRODÍZIO, E.; MORAN, E. Change Detection Techniques. International Journal of Remote Sensing, v. 25, p. 2365-2407, 2004.
MORISETTE, J. T. Using Generalized Linear Models to Enhance Satellite Based Land Cover Change Detection. (Doutorado). Faculty of North Carolina State University. 1997.
NAVULUR, K. Multispectral Image Analysis Using the Object-oriented Paradigm. CRC Press - Taylor & Francis Group, 2008.
SAFAVIAN, S. R. & LANDGREBE, D. A Survey of Decision Tree Methodology. IEEE Trans. Systems, Man and Cybernetics, v. 21, n. 3, pp. 660-674, May-June 1991.
SCHOWENGERDT, R. A. Techniques for image processing and classification in remote sensing. Academic Press. Inc., Florida. 1983.
WALTER, V., 2004.Object-based classification of remote sensing data for change detection. ISPRS Journal of Photogrammetry and Remote Sensing, v. 58, p. 225–238, January, 2004.
Biografia do autor principal – Utilize o Estilo Nível 2 – Título (sem numeração) Preencher após aceite Este espaço se destina à inserção de uma bibliografia curta do primeiro autor do artigo. O texto não poderá exceder 100 palavras. O autor deve seguir o padrão descrito na sequência. Cite o nome da pessoa, bem como, o local e/ou o ano de nascimento. Em seguida, informe a formação acadêmica: detalhar nível, área, instituição e local. Descrever posteriormente a experiência profissional relevante, finalizando com a ocupação atual, incluindo a sua localidade. Ao final, podem ser mencionadas publicações prévias e interesses de pesquisa, bem como prêmios e honrarias, desde que não exceda o número máximo de 100 palavras.
Esta obra está licenciada com uma Licença Creative Commons Atribuição 4.0 Internacional – CC BY. Esta licença permite que outros distribuam, remixem, adaptem e criem a partir do seu trabalho, mesmo para fins comerciais, desde que lhe atribuam o devido crédito pela criação original.
Fotografia do primeiro autor
