Curso de Engenharia do Ambiente, FCT-UNL
Monitorização de Sistemas Ambientais, 2006/7
Classificação de Imagens
Carlos Netto < carlosamaralnetto@gmail.com > Pedro Baptista < pcbaptista@gmail.com >
Nº de horas de trabalho: 24
Introdução
A utilização de cartas de ocupação do solo é prática corrente em diversas áreas de estudo desde o ordenamento do território à aplicação de modelos. De facto, este tipo de cartas é de extrema utilidade não só a nível informativo, onde é dada resposta a questões como que tipo de floresta está presente ou qual a área impermeabilizada, mas também pode ser tomado como input para modelação, como é o caso da USLE. Entre outras aplicações, as cartas de uso do solo de um mesmo local para períodos de tempo diferentes permitem analisar tendências e, em última instância, delinear políticas.
O objectivo deste trabalho é exactamente o de produzir uma carta de uso do solo para a Costa Alentejana e avaliar a sua exactidão (accuracy). As imagens utilizadas são as sete bandas obtidas do LANDSAT 7 TM no dia 13 de Julho de 2001.
Fundamentos Teóricos
A classificação de uso do solo tem por base as reflectâncias no espectro electromagnético dos vários elementos presentes numa cena. Esses elementos têm uma assinatura espectral ou padrão de resposta que pode permitir diferenciá-los (fig.1). Assim, é fácil proceder à classificação de elementos como a água que não reflecte na banda do infra-vermelho e que é nesta mesma banda que a vegetação mais reflecte. São estes padrões de resposta espectral que são usados para classificar uma determinada cena.
Antes de se entrar na parte de classificação propriamente dita, interessa proceder ao melhoramento de imagem para se conhecer a região de estudo com que se irá trabalhar. O melhoramento de imagem é necessário porque a
informação tal como ela é obtida do satélite tem que ser trabalhada para dar informação útil tendo em conta as limitações do olho humano.
Lillesand e Kiefer (2000) dividem as técnicas de melhoramento em três categorias distintas: 1. Manipulação de contraste (contrast manipulation);
2. Manipulação de multi-imagens (multi-image manipulation);
3. Manipulação de características espaciais (spatial feature manipulation).
No presente trabalho serão somente explicadas as técnicas que serão utilizadas e que pertencem às duas primeiras categorias. Do conjunto de técnicas de manipulação de contraste utilizar-se-á o contrast stretching e o level slicing. Em termos gerais, contrast stretching permite esticar uma faixa de valores de maneira a que as suas diferenças sejam mais perceptíveis, cortando os extremos da faixa e que serão realçados. O level slicing é uma espécie de reclassificação da imagem através da análise do seu histograma. Assim, se uma determinada banda tiver vários picos, é possível salientar esses picos atribuindo valores discretos para esses intervalos de valores.
Na manipulação de multi-imagens a técnica mais útil é a produção de compósitos. Um compósito não é mais do que uma imagem à qual foi atribuída uma banda ou rácio de bandas a cada fósforo do monitor (vermelho, verde e azul). Se se usar a banda 4 (infra-vermelho próximo) como vermelho, então a vegetação aparecerá a vermelho no compósito. Para se perceber que bandas são relevantes, a análise de histogramas e o scatter entre duas bandas é crucial.
Figura 1. Padrões de resposta espectral para a vegetação, solo e água (Fonte: http://www.udel.edu/Geography/DeLib erty/Geog474/spectral_signatures.gif).
Entrando na parte da classificação, este processo pode ser dividido em duas categorias. A classificação não supervisada procede à distinção de classes através da análise dos histogramas das três bandas ou rácios utilizados. Os picos nos histogramas são usados para definir as classes. Não obstante se tratar de um método expedito e simples, este tipo de classificação é bastante limitado não só por usar apenas três bandas ou rácios, mas especialmente porque não há uma comparação com a verdade (ground truth). A sua utilidade reside essencialmente como percursor da classificação supervisada. Este tipo de classificação supervisada parte do conhecimento das assinaturas espectrais obtidas no terreno (áreas de treino) para as várias classes e posteriormente procede à classificação da imagem por comparação com as assinaturas. Existem vários classificadores, embora os mais usados sejam o da máxima verosimilhança e mínima distância. Uma vez que foi feito um levantamento no terreno, os dados recolhidos podem ser usados para áreas de teste. As áreas de teste permitem avaliar a exactidão da carta produzida através da construção de uma matriz de confusão e análise do índice de concordância Kappa (KIA).
Metodologia
O software utilizado para realizar o trabalho foi o Idrisi 32.
1. Estratégias de melhoramento de imagem
Para a manipulação de contraste foi sempre utilizada a banda 4. O contrast stretching foi feito com a função STRETCH atribuindo um valor mínimo e máximo de maneira a excluir as extremidades, i.e., estas apareceriam com valores zero ou 255. O level slicing foi feito com recurso à função RECLASS. Apenas três classes foram feitas, correspondentes aos três picos presentes no histograma da banda 4.
Os compósitos foram feitos através da função COMPOSITE. Os rácios eventualmente utilizados foram em parte produzidos após a análise do scatter. De qualquer modo, foram usadas várias combinações, incluindo as três opções de contraste disponíveis, até se obter a melhor solução.
2. Classificação não supervisada
O compósito usada para a classificação não supervisada foi o melhor que se obteve no ponto anterior. A função CLUSTER foi usada para produzir três cartas de uso do solo com dez, seis e quatro classes.
3. Classificação supervisada
O primeiro passo da classificação supervisada foi obter as assinaturas espectrais das áreas de treino (MAKESIG). A comparação das assinaturas foi um passo importante para determinar quais as bandas a utilizar para entrar como input no classificador, recorrendo à função SIGCOMP. A análise em componentes principais foi também utilizada para suportar essa mesma decisão (PCA). O classificador usado foi MAXLIKE, que utiliza o método da máxima verosimilhança. A imagem produzida é comparada com as áreas de teste na matriz de confusão e que devolve também o índice de Kappa (ERRMAT).
Resultados/Discussão
1.Estratégias de melhoramento de imagem
De entre as técnicas utilizadas – manipulação de contraste e compósitos -, a que apresenta a melhor solução para visualização da imagem é o compósito 72(3/4) (RGB) com a opção de contraste linear com pontos de saturação. A manipulação de contraste permite realçar a diferença entre duas ou três estruturas. Por outro lado, a utilização de compósitos permite identificar mais estruturas. Como se pode ver na figura 2, a distinção entre oceano e rio é bastante perceptível. Outros elementos são facilmente reconhecíveis: o areal e dunas ao longo da costa, as zonas urbanas a verde fluorescente, possíveis zonas de arrozal a verde-escuro, assim como solo nu a castanho.
2. Classificação não supervisada
A classificação não supervisada com o compósito anterior apresenta bons resultados. A figura 3 apresenta uma imagem classificada através da função cluster com dez classes. Apesar de existirem dez classes, apenas seis são realmente importantes para cena em questão. Uma
nova carta com seis classes é igual à de dez classes. Contudo, se se produzir uma carta com quatro classes percebe-se que já há informação a ser aglomerada. De facto, o oceano e o rio formam agora uma só classe, assim como o areal e o solo nu também estão. As manchas verdes (classe 6) juntou-se com a classe 1. Dado que estas classes devem representar vegetação, o resultado é classes de vegetação com densidades diferentes foram aglomeradas numa só. Estas duas cartas permitem também perceber quais as classes mais parecidas entre si e, portanto, quais é que serão potencialmente confundidas na classificação supervisada.
3. Classificação supervisada
Outra abordagem mais correcta na classificação do uso do solo baseia-se no uso de áreas de treino em que já se sabem as respectivas classes. Neste caso, na classificação supervisada recorreu-se à máxima verosimilhança. Desta forma, consegue-se associar valores das bandas a uma determinada classe, i.e., as assinaturas espectrais.
Da análise conjunta das componentes principais (tabela 1) e das assinaturas espectrais (figura 6), pode-se verificar que as bandas mais importantes são as bandas 7 e a 4/7 que explicam grande parte das três componentes principais, as quais representam 98.0% da informação. Após longa experimentação com respectivas análises das assinaturas espectrais, concluiu-se que a melhor classificação supervisada realizou-se com as bandas 3, 7 e o rácio 4/7. Analisando as assinaturas espectrais nota-se o seguinte:
- A duna costeira é bem identificada com a banda 3;
- O urbano e o solo nú (arenoso) são semelhantes na banda 3 mas são distinguíveis na banda 7;
- A vegetação rasteira e o solo nú (outros) são parecidos em todas as bandas que se analisaram;
- O rio e o sapal são idênticos em várias bandas, divergindo muito ligeiramente apenas nas bandas 5, 7 e 4/7;
- O arrozal é bastante distinguível no rácio 4/7;
- A floresta é melhor isolada na banda 7; - O oceano é difícil de isolar em qualquer
banda, na banda 3 confunde-se com o arrozal, na banda 7 confunde-se com o sapal e rio, no rácio 4/7 só não se assemelha com o arrozal.
Figura 6. Assinaturas espectrais das 10 classes para as bandas 1, 2, 3, 4, 5, 7 e para o melhor rácio calculado (4/7).
Figura 3 e 4. Cartas obtidas por classificação supervisada, respectivamente com 10 e 6 classes.
Figura 5. Carta obtidas por classificação supervisada com 4 classes.
Resumindo, o uso das bandas 3, 7 e o rácio 4/7, pode criar problemas na classificação final ao nível: - Da vegetação rasteira que se confunda com o solo nú (outros);
- Do oceano que se confunda com o sapal, rio e arrozal.
A figura 7 é então o resultado obtido. Numa primeira análise visual, identificam-se alguns resultados não esperados:
- Uma grande faixa urbana na zona costeira ao invés de aglomerados;
- Maior ruído no sul da imagem, o que numa análise às bandas originais se julgou dever ao reflexo do Sol;
- Arrozal disperso no sudeste da imagem.
Completando a análise anterior com a da matriz de confusão e respectivos índices de concordância (tabela 2) conclui-se que a classificação supervisada apresenta algumas falhas:
- As áreas urbanas teste foram razoavelmente bem identificadas (75%), no entanto a carta final sobre-identifica bastante as áreas urbanas. As áreas urbanas vieram desta forma a ser sobre-identificadas em detrimento de solo nú (arenoso e outros);
- O solo nú (arenoso) é substancialmente identificado como urbano no mapa obtido;
- A vegetação rasteira, também apresenta um valor inaceitável de KIA tendo como referência o mapa obtido. Na prática revela-se que a vegetação rasteira foi essencialmente identificada como floresta na carta final;
- Devido ao facto do ponto anterior, o KIA da floresta tendo como referência a área de teste também é apenas razoável (73%); Componente C 1 C 2 C 3 % var. 65.5 24.7 7.8 tm1 0.76 -0.54 0.31 tm2 0.92 -0.27 0.27 tm3 0.96 -0.20 0.12 tm4 0.83 0.54 0.04 tm5 0.95 0.18 -0.21 tm7 0.97 -0.01 -0.18 tm3/tm4 -0.53 -0.80 0.21 tm4/tm7 -0.25 0.78 0.57
Tabela 1. Resultados da análise de componentes principais.
Comparando os comentários acima referidos com a análise feita às assinaturas espectrais, pode-se verificar que esta não é tão linear. De facto, as constatações retiradas da análise das assinaturas espectrais não se verificaram. Por outro lado, problemas que se verificaram nos resultados finais não são previstos nas assinaturas espectrais.
Conclusões
Neste trabalho foi possível produzir uma carta de uso do solo para a Costa Alentejana com um KIA de 0.95. Este valor, apesar de ser bastante positivo, é algo irrealista. Mais áreas de teste poderiam baixar aquele valor e indicar a exactidão efectiva da carta. A carta produzida classificou, numa proporção inaceitável, pixéis em excesso como pertencentes à classe urbana e vegetação rasteira.
O processo de classificação pode ser melhorado através de um maior número de áreas de treino. É importante que possam ser usadas mais áreas de treino para entrar em linha de conta com a heterogeneidade das várias classes. Assim, os erros de omissão e de comissão podem ser reduzidos.
As imagens utilizadas também permitem concluir que se pode beneficiar com o tratamento ou correcção de imagem. Desta forma, tanto o ruído como outros erros de origem poderão ser evitados, melhorando não só a visualização da carta de uso do solo mas também a sua exactidão.
Referências
Lillesand, T.M. and R.W. Kiefer, Remote Sensing and Image Interpretation, Ch. 7, Digital Image
Processing, 2000, J. Wiley and Sons, Inc.
Índice de Concordância Kappa (KIA) Imagem de referência Classe
Mapa obtido Área de teste
Oceano 1.00 1.00 Rio 1.00 0.94 Sapal 0.90 1.00 Urbano 0.17 0.75 Solo nú (arenoso) 1.00 0.69 Duna costeira 1.00 1.00 Solo nú (outros) 1.00 0.83 Arrozal 1.00 1.00 Vegetação rasteira 0.05 1.00 Floresta 1.00 0.73 Kappa Global 0.953
