Utilização de imagens-fração na classificação automática supervisionada da vegetação no município Barão de Melgaço/MT

Utilização de imagens-fração na classificação automática supervisionada da vegetação no município Barão de Melgaço/MT

Rafael Carlos Bispo 1

Maria Angélica Petrini 1

Rubens Augusto Camargo Lamparelli 2

Jansle Vieira Rocha 1

1_{Faculdade de Engenharia Agrícola – Feagri/Unicamp}

Av. Candido Rondon, 501 13083-875 - Campinas - SP, Brasil

{rafael.bispo, maria.petrini, jansle.rocha}@feagri.unicamp.br

2 _{Núcleo Interdisciplinar de Planejamento Estratégico – Nipe/Unicamp}

Rua Cora Coralina, 330 - Caixa Postal 6166 13083-896 - Campinas - SP, Brasil

rubens.lamparelli@gmail.com

Resumo: O bioma Pantanal é uma das maiores planícies de sedimentação do mundo, com regime de

inundações que ocorrem entre os meses de novembro e fevereiro. Dada sua vasta biodiversidade e extensão territorial, o monitoramento da área é fundamental e, muitas vezes, uma tarefa difícil. O uso de imagens de sensoriamento remoto e técnicas de geoprocessamento têm contribuído para o monitoramento rápido e eficaz do Pantanal. O município de Barão de Melgaço/MT está inteiramente inserido no bioma, tendo 97% de sua área alagada no período chuvoso. Nesse sentido, este trabalho teve como objetivo mapear a vegetação do município de Barão de Melgaço/MT nos períodos de estiagem e de chuva utilizando o Modelo Linear de Mistura Espectral sobre imagens do sensor MODIS, produto MOD13Q. A classificação supervisionada foi aplicada sobre as fração de solo, vegetação e água, para o período de estiagem, e imagens-fração de solo úmido, vegetação e água, para o período de chuvas. As máscaras de vegetação obtidas para cada período foram avaliadas com Exatidão Global e Índice Kappa. Para a época de estiagem, a máscara de vegetação apresentou Exatidão Global de 84% e Índice Kappa de 0,68. Para o período chuvoso, os resultados foram 74,5% e 0,49, respectivamente. A análise qualitativa através da comparação das máscaras de vegetação com a carta de regiões fitoecológicas possibilitou avaliar que a expressiva presença de solo/ solo úmido na Savana Arborizada e na Savana Gramíneo-Lenhosa influenciou para a não classificação das mesmas.

Palavras-chaves: processamento de imagens, MODIS, paralelepípedo, modelo linear de mistura espectral,

Abstract: The Pantanal is one of the largest sedimentary plains of the world, with period of floods that occurs

between November and February. Given its vast biodiversity and territorial extension, area monitoring is essential and often a difficult task. The use of remote sensing images and geoprocessing techniques has contributed to the rapid and effective monitoring of the Pantanal. Barão de Melgaço municipality, in Mato Grosso State, is fully inserted in the biome, with 97% of its area flooded in the rainy season. Thus, this study aimed to map the vegetation of Barão de Melgaço municipality during periods of dry and rainy using Linear Spectral Mixture Model over MODIS images, product MOD13Q1. The supervised classification was applied on the fraction images of soil, vegetation and water, for the dry season, and fraction images of wet soil, vegetation and water, for the rainy season. Vegetation masks obtained for each period were evaluated with Overall Accuracy and Kappa Index. For the dry season, the vegetation mask presented Overall Accuracy of 84% and Kappa Index of 0.68. For the rainy season, the results were 74.5% and 0.49, respectively. The qualitative analysis by comparing the vegetation masks with the map of phytoecological regions allowed to observe that the significant presence of soil/wet soil in Savana Arborizada and Savana Gramíneo-Lenhosa prevented to classify these classes.

Key Words: image processing, MODIS, parallelepiped, linear spectral mixture model, Kappa index, overall

accuracy.

1. Introdução

Uma das maiores planícies de sedimentação do mundo e com uma média de 110 metros de altitude, o Pantanal situa-se nos territórios do Mato-Grosso (região sul), Mato-Grosso do Sul (noroeste), Paraguai (norte) e Bolívia (leste).

Território de vasta biodiversidade, o Pantanal brasileiro é de patrimônio nacional. Esta biodiversidade apresenta como peculiaridade o regime de inundações que ocorrem entre os meses de novembro e fevereiro. O período de seca vai de julho a agosto. É justamente este o fator ecológico fundamental do Pantanal que determina os pulsos dos principais processos bióticos e abióticos, bem como as composições específicas das unidades de paisagem (Adamoli,1995).

Entretanto, essa particularidade torna o monitoramento da área uma tarefa difícil, uma vez que a área sofre cíclicas mudanças, bem como a vastidão da área. Nesse sentido, o uso de imagens de satélites vem ao encontro da possibilidade de monitorar de maneira rápida e eficaz, pois como afirmou Jensen (2005), a aquisição de imagens de sensoriamento remoto de forma sistemática e repetitiva em diferentes faixas do espectro eletromagnético permite diferenciar os alvos da superfície terrestre em razão de suas distintas respostas espectrais.

2. Objetivos

O objetivo geral deste trabalho é mapear a vegetação do município de Barão de Melgaço/ MT nos períodos de estiagem e de chuva utilizando o Modelo Linear de Mistura Espectral sobre imagens do sensor MODIS, produto MOD13Q1.

3. Material e Métodos

Localizado no estado do Mato Grosso, na Microrregião Geográfica Alto do Pantanal, o município de Barão de Melgaço possui 11.377 km² e é conhecido como o mais pantaneiro dos municípios por ter 97% de sua área totalmente alagada na época das chuvas (Figura 1).

Para a realização deste estudo, foram utilizadas imagens do sensor MODIS a bordo da plataforma Terra, produto MOD13Q1, bandas vermelho (R), infravermelho próximo (NIR) e infravermelho médio (MIR) com resolução espacial de 250 m obtidas do tile h12v10.

O primeiro passo consistiu em adquirir as imagens de acordo com os períodos de estiagem e de chuva. Sendo para o período de chuva, uma imagem do mês de março composta dos dias 06 a 21/03. Para o período de estiagem optou-se para a imagem composta entre os dias 28/07 e 12/08. Nota-se que esse produto das imagens MODIS é uma composição diária de 16 dias. Este produto já vem com correção atmosférica, isto é, apresenta como parâmetro de qualidade os melhores pixel s dos 16 dias imageados para compor o tile.

De posse das imagens, fez-se a composição RGB para cada imagem e o recorte da área de estudo. A composição colorida da imagem foi feita com a banda do infravermelho médio no canal R, a banda do infravermelho próximo no canal G e a banda do vermelho no canal B.

Figura 1. Localização da área de estudo: município Barão de Melgaço, MT. Em seguida, foram geradas as imagens-fração de solo, vegetação e água na imagem de estiagem e imagens-fração de solo úmido, vegetação e água na imagem do período chuvoso. Estas imagens têm como objetivo realçar os alvos através da contribuição de cada alvo contido num único pixel por meio do Modelo Linear de Mistura Espectral (MLME).

O MLME pode ser escrito conforme a Equação 1:

ri = sum (a_ij x_j) + e_i (1) onde: r_i = reflectância espectral média para i-ésima banda espectral;

a_ij = reflectância espectral da j-ésima componente no pixel para a i-ésima banda espectral;

x_j = valor de proporção da j-ésima componente no pixel ; e_i = erro para a i-ésima banda espectral;

j = 1,2, ..., n (n = número de componentes assumidos para o problema); i = 1,2, ..., m (m = número de bandas espectrais para o sistema sensor). Para que o MLME possa gerar as imagens-fração é necessário selecionar “pixel s puros” de cada alvo, também conhecidos como endmembers, pois estes trazem novas informações a partir das respostas espectrais originais.

O MLME funciona, portanto, como um modelador de espectros misturados através de uma combinação linear dos endmembers (Roberts et al., 1998) tendo por escala de análise o sub-pixel, isolando a contribuição espectral de cada alvo presente no pixel . Nota-se que o MLME não gera classes de elementos, e sim pixels com maiores ou menores proporções dos alvos terrestres.

Para a imagem do período de estiagem, tem-se a seleção dos endmembers de solo, vegetação e água. Para o período chuvoso foram selecionados os endmembers de solo úmido, vegetação e água. Observa-se que para a imagem de período chuvoso, a escolha do endmember de solo difere do período de estiagem, ou seja, solo úmido. Esta diferenciação deve-se ao fato da área apresentar grandes porções alagadas e dessa forma o solo úmido torna-se muito mais presente e, portanto misturando-se espectralmente com a vegetação, objeto de mapeamento deste trabalho.

A etapa seguinte foi classificar as áreas de vegetação das composições das imagens-fração utilizando o método de classificação supervisionada Paralelepípedo. Este método considera uma área (quadrada ou retangular) no espaço de atributos ao redor do conjunto de treinamento. De acordo com Crosta (1993), cada classe possui limites de decisão, representada pelas laterais do paralelepípedo. Dessa forma, todos os pixels dentro desta área serão entendidos como pertencentes à mesma classe.

Para avaliar a acurácia do mapeamento, foram geradas as matrizes de erro entre a referência (imagens Landsat) e as máscaras de vegetação. Em uma matriz de erro, é descrito o padrão de atribuição das classes em relação aos dados de referência, ou seja, o quanto a situação retratada está classificada em conformidade com a ‘realidade’. Este é um método que vem sendo muito utilizado na avaliação da exatidão de dados provenientes de sensores remotos (Foody, 2002).

A partir da matriz de erro, foi calculada a Exatidão Global (Equação 2), que significa o total de acertos em relação ao total de amostras da imagem classificada. Também foi determinado o Índice Kappa (Equação 3), que é uma técnica estatística para avaliação da concordância ou discordância em duas situações de interesse, cuja variação é de 0 a 1 (Congalton, 1991).

(2) onde: EG = exatidão global;

A = pontos amostrais com acerto; n = número de pontos amostrais.

onde: K = Índice Kappa de concordância; r = número de linhas da matriz de erro; x_ij = observação na linha i e coluna j; x_i = total marginal da linha i;

x_.j = total marginal da coluna j.

Neste trabalho, a amostragem de pixels foi feita de forma estratificada-aleatória, sendo que o número de amostras para cada classe – vegetação e não vegetação – foi calculada proporcionalmente à área ocupada pelas mesmas na classificação.

A qualidade da classificação foi avaliada de acordo com os valores propostos por Landis e Koch (1977), observados na Tabela 1.

Tabela 1. Qualidade de classificação associada aos valores do Índice Kappa.

Com o objetivo de analisar de forma qualitativa a vegetação mapeada, foi feita uma comparação das máscaras com a carta de regiões fitoecológicas do município. Esta carta (Brasil, 2006) foi elaborada a partir do subprojeto “Levantamento e Mapeamento dos Remanescentes da Cobertura Vegetal do Bioma Pantanal, período de 2002, na escala de 1:250.000”, no âmbito do programa ProBio Pantanal, coordenado pela Embrapa Informática Pecuária. A máscara de vegetação foi convertida em vetor para o cruzamento com os dados vetoriais da base de dados da carta de regiões fitoecológicas.

A Figura 2 resume os procedimentos metodológicos empregados neste trabalho. 4. Resultados e Discussão

Após o processo de classificação das imagens, obtiveram-se como resultados as máscaras de vegetação para os dois períodos em estudo, ilustradas nas Figuras 3 e 4.

A Figura 3 mostra que para o período de estiagem a vegetação cobre uma área de 4.869 km² sobre os 11.377 km² do município de Barão de Melgaço.

A validação quantitativa das máscaras de vegetação teve como referência duas imagens Landsat TM na composição R5 G4 B3, sendo uma imagem correspondente ao período de estiagem e outra para o período de chuvas. As duas imagens de referência oram de datas dentro do intervalo das imagens do MODIS.

Analisando a matriz de erro montada entre a referência e a máscara de vegetação do período de estiagem (Tabela 2), obtida pelo classificador através dos pontos amostrais, verificou-se que o erro de inclusão foi de 17,3% para a classe não vegetação enquanto que para vegetação foi 14,3%. Já os erros de omissão foram de não vegetação e vegetação de 12,2% e 20%, respectivamente.

Os dados da diagonal principal que estão em destaque na Tabela 2 indicam o número de amostras corretamente classificadas. Dessa forma, tem-se que, das 94 amostras, 79 delas foram corretamente classificadas, representando uma Exatidão Global de 84,0%.

Figura 2. Procedimentos metodológicos utilizados neste trabalho.

O Índice Kappa obtido para o período de estiagem foi de 0,68, indicando qualidade muito boa da classificação, conforme proposto por Landis e Koch (1977).

A Figura 4 mostra que para o período de chuvas a vegetação ocupa uma área de 5.365 km² sobre o município mato-grossense.

Figura 3. Vegetação no período de estiagem no município de Barão de Melgaço, MT. Tabela 2. Matriz de erro para a máscara de vegetação do período de estiagem.

Figura 4. Vegetação no período de chuvas no município de Barão de Melgaço, MT. Observando a matriz de erros gerada entre a imagem de referência e a máscara de vegetação do período de chuvas (Tabela 3), verificou-se que o erro de inclusão foi de

25,9% para a classe não vegetação e 25% para vegetação. Os erros de omissão para a classe não vegetação e para a classe vegetação foram de 21,6% e 29,8%, respectivamente.

Os dados da diagonal principal destacados na Tabela 3 indicam que, das 98 amostras, 73 delas foram corretamente classificadas, obtendo-se Exatidão Global de 74,5%. O Índice Kappa obtido foi de 0,49, indicando qualidade boa da classificação de acordo com os valores da Tabela 1.

Tabela 3. Matriz de erro para a máscara de vegetação do período de chuvas.

No que diz respeito à compreensão qualitativa do mapeamento, a comparação com a carta de regiões fitoecológicas de Barão de Melgaço (Figura 5) mostra que dentre todas as classes de vegetação no período de estiagem, a Savana Arborizada praticamente não foi mapeada. Esta vegetação tem como característica uma fisionomia nanofanerofítica rala e hemicriptofítica graminóide contínua. Estas sinúsias dominantes formam fisionomia raquítica em terrenos degradados, o que ajuda a compreender a dificuldade do classificador, pois ocorre maior exposição do solo no período de estiagem. Outra vegetação com déficit no mapeamento devido ao solo mais exposto foi a Savana Gramíneo-Lenhosa, sendo esta caracterizada por gramados entremeados com plantas lenhosas raquíticas.

Dentre as classes mapeadas com bom desempenho tem-se: Savana/Formações Pioneiras (Restinga); Savana/Floresta Estacional; Formação Pioneira com influência fluvial e/ou lacustre; Savana Arborizada+Savana Florestada; Savana Florestada+Savana Arborizada; Floresta Estacional/Formações Pioneiras (Restinga); e Floresta Estacional Semidecidual Aluvial.

Figura 5. Comparação da máscara de vegetação do período estiagem com a carta de referência.

Ainda que a área ocupada pela vegetação tenha sido maior no período de chuvas, verifica-se maior fragmentação em relação ao período de estiagem, com exceção da classe Savana Floresta+Savana Arborizada a qual obteve maior contigüidade (Figura 6). Outro ponto a ser ressaltado é a melhoria da classificação da Savana Arborizada e da Savana Gramíneo-Lenhosa na porção sudeste do município. Tal fato pode ser entendido pelo aumento no vigor vegetativo destas formações no período chuvoso.

Figura 6. Comparação da máscara de vegetação do período de chuva com a carta de referência.

5. Conclusões e Sugestões

De maneira geral, o MLME possibilitou uma melhora satisfatória no realce dos alvos a serem classificados, mostrando-se promissora a classificação automática supervisionada sobre imagens-fração.

Ainda que os mapeamentos tenham apresentados índices de qualidade entre bom e muito bom, os resultados do período de estiagem apresentaram os melhores resultados de acurácia.

A opção metodológica de comparar qualitativamente a classificação com a carta de regiões fitoecológicas possibilitou observar que as formações com os piores resultados foram a de Savana Arborizada e da Savana Gramíneo-Lenhosa, dada as características físicas das mesmas.

Dessa forma, recomenda-se testar outras técnicas que possam avançar na solução das misturas espectrais tanto para o fator solo no período de estiagem, quanto para o fator solo úmido no período de chuva, a fim de potencializar o classificador.

6. Agradecimentos

Ao Programa de Pós-Graduação da Faculdade de Engenharia Agrícola da Universidade Estadual de Campinas/SP. O primeiro autor agradece a CAPES – Coordenação de Aperfeiçoamento de Pessoal de Nível Superior pela bolsa de mestrado concedida.

7. Referências

Adamoli, J. Zoneamento ecológico do Pantanal baseado no regime de inundações. In: Encontro Sobre Sensoriamento Remoto Aplicado A Estudos No Pantanal, 1., 1995, Corumbá. Anais. São José dos Campos: Inpe, 2005. p.15-17.

Brasil. Ministério do Meio Ambiente. Cobertura Vegetal dos Biomas Brasileiros (ano base 2002). Folha SE.21-X-A Poconé. Brasília, 2006. Disponível em: <http://www.macroprograma1.cnptia.embrapa. br/projeto/probiopantanal/downloads-1/mapas-pdf/vegetacao/250000> Acesso em: 29 jun. 2012. Congalton, R.G. A review of assessing the accuracy classifications of remotely sensed data. Remote

Sensing of Environment, New York, v. 37, p.35-46, 1991.

Crosta, A. P. Processamento Digital de Imagens de Sensoriamento Remoto. Ed. rev. Campinas, SP: IG/UNICAMP, 1993.

Foody, G. M. Status of land cover classification accuracy assessment. Remote Sensing of Environment, New York, v. 80, p.185-201, 2002.

Landis, J.R.; Koch, G.G. The measurement of observer agreement for categorical data. Biometrics, v. 33, n. 1, p. 159-174, 1977.

Jensen, J. R. Introductory digital image processing: a remote sensing perspective. 3ª ed. Upper Saddle River, NJ, USA: Pearson Prentice Hall, 2005.

Roberts, D. A.; Gardner, M.; Church, R.; Ustin, S.; Scheer, G.; Green, R. O. Mapping Chaparral in the Santa Monica Mountains using multiple endmember spectral mixture models. Remote Sensing of