UFF UNIVERSIDADE FEDERAL FLUMINENSE

ALEXANDRE CURVELO DE ANDRADE

Desempenho de Classificadores Paramtrico e No Paramtrico na Classificao da Fisionomia Vegetal em Imagem de Alta Resoluo Espacial.

Niteri 2012

UFF UNIVERSIDADE FEDERAL FLUMINENSE

ALEXANDRE CURVELO DE ANDRADE

Desempenho de Classificadores Paramtrico e No Paramtrico na Classificao da Fisionomia Vegetal em Imagem de Alta Resoluo Espacial.

Trabalho de Concluso de Curso apresentado Universidade Federal Fluminense como requisito parcial para a obteno do grau Bacharel em Geografia.

ORIENTADOR: Profa. Dra. Cristiane Nunes Francisco

Niteri 2012 ALEXANDRE CURVELO DE ANDRADE

ALEXANDRE CURVELO DE ANDRADE

Desempenho de Classificadores Paramtrico e No Paramtrico na Classificao da Fisionomia Vegetal em Imagem de Alta Resoluo Espacial. Trabalho de Concluso de Curso apresentado Universidade Federal Fluminense como requisito parcial para a obteno do grau Bacharel em Geografia.

Aprovada em 30 de novembro de 2012. BANCA EXAMINADORA

Profa. Dra. Cristiane Nunes Francisco (orientadora) UFF Universidade Federal Fluminense

Prof. Dr. Ral Snchez Vicens UFF Universidade Federal Fluminense

Prof. Dr. Felix Carriello UFF Universidade Federal Fluminense

A minha amada esposa Rejane e ao meu filho Daniel, Pelo incentivo e amor em todos esses anos. Aos meus queridos pais, Antnio e Anilete, Por tudo o que fizeram e ainda fazem por mim. Ao meu querido irmo, Jnior, Pelo seu exemplo. Homenagem pstuma especial ao meu mestre, Ivan Pires, Pela confiana e generosidade. O meu muito obrigado pelo fato de vocs existirem e serem partes de minha vida.

AGRADECIMENTOS Ao Profa. Dra. Cristiane Nunes Francisco, minha orientadora, Pela amizade e cujos ensinamentos contriburam imensamente em minha formao. Aos Prof. Dr. Ral Snchez Vicens e Felix Carriello, Por aceitarem participar desta banca. Ao Sr. Antonio Machado e Silva (Diretor e Consultor Snior da AMS Kepler Engenharia de Sistemas), Pelo entusiasmo e fora que sempre me passou.

Somos a transformao que queremos no mundo (Mahatma Gandhi).

RESUMO O objetivo deste trabalho foi avaliar o desempenho de dois mtodos de classificao pixel a pixel supervisionados na classificao das fisionomias de vegetao, em uma imagem de alta resoluo espacial, perante o incremento de novas bandas ao espao de atributos. Para tal, foram comparados dois classificadores provenientes de duas diferentes abordagens supervisionadas a paramtrica e no paramtrica. O mtodo paramtrico usado foi o Maximum Likelihood (MAXVER), por tratar-se de um algoritmo amplamente testado. O mtodo no paramtrico escolhido foi o Support Vector Machine (SVM), que faz parte do grupo de algoritmos de aprendizagem de mquina e tem apresentados resultados superiores aos outros mtodos de classificao para imagens de sensoriamento remoto. A base de dados foi constituda de uma imagem QuickBird fusionada (pansharpened), as novas bandas geradas atravs da transformaes aplicadas s bandas da imagem original e dados do relevo provenientes do banco de dados TOPODATA. A rea de estudo corresponde a uma parte do municpio de Nova Friburgo, com 15,18 km2, localizado na regio serrana do estado do Rio de Janeiro. As classes foram divididas em dois grupos: de no vegetao e vegetao. As classes de no vegetao correspondem quelas que no representam a resposta espectral da vegetao, provenientes ou no de atividades antrpicas. As classes de vegetao foram definidas procurando-se destacar o mximo de fisionomias vegetais que fosse possvel detectar atravs de interpretao visual da imagem usada. Conjuntos de treinamento foram coletados para cada classe e aproveitados pelos algoritmos testados. Os experimentos conduzidos objetivaram comparar e avaliar o desempenho dos diferentes classificadores com o aumento do nmero de bandas camada de atributos. Primeiramente, testou-se cada mtodo apenas com as bandas originais da imagem QuickBird e, em seguida, com o acrscimo das novas bandas. Matrizes de Confuso e os coeficientes Kappa foram usados para avaliar os experimentos. Os ndices Kappa alcanados pelos experimentos baseados no mtodo MAXVER variaram entre 0,64 e 0,66, com exatides globais entre 70% e 73%, respectivamente. J, os ndices Kappa alcanados pelos experimentos conduzidos com o mtodo SVM variaram entre 0,52 e 0,80, como exatides globais entre 60% e 84%, respectivamente. Considerando-se os ndices alcanados, conclui-se que o nmero de bandas no aumenta a acurcia do mtodo MAXVER, no entanto, tem grande influncia no desempenho do mtodo SVM.

Palavras-chave: Sensoriamento Remoto, Classificao de Imagens, QuickBird, MAXVER, SVM, Coeficientes Kappa.

ABSTRACT The aim of this study was to evaluate the performance of two pixel by pixel supervised classification methods of vegetation physiognomies in an image with high spatial resolution, face the increment of new bands to the space of attributes. For this, were tested and compared two methods of supervised classification: parametric and non parametric. The parametric method was used Maximum Likelihood (MAXVER), because it is a largely used algorithm. The non parametric method chosen one was Support Vector Machine (SVM), which is part of the group of machine learning algorithms and has presented better results than other methods for classification of remote sensing images. The database was composed of a fused QuickBird image (pansharpened), new bands generated by transformations applied bands of the original image and the relief data from the database TOPODATA. The study area corresponds to a part of the city of Nova Friburgo, with 15.18 km2, located in the mountainous region of the state of Rio de Janeiro. The classes was divided into two groups: non vegetation classes and vegetation classes. The non vegetation classes match those that do not represent the spectral response of vegetation, whether or not human activities. The vegetation classes were defined seeking to highlight as many different vegetation it was possible to detect through visual interpretation of the image used. Training sets were collected for each class and exploited by the algorithms tested. The experiments had conducted the purpose to compare and evaluate the performance of different classifiers with increasing number of bands to the layer of attributes. Primarily each method was tested only with the bands of the original image QuickBird then, with the addition of new bands. Confusion Matrices and Kappa coefficients were used to evaluate the experiments. The kappa indexes reached by experiments based on the method MAXVER varied between 0,64 and 0,66, with overall accuracies between 70% and 73%, respectively. Already, Kappa reached by experiment conducted with SVM method varied between 0,52 and 0,80, as overall accuracies between 60% and 84%, respectively. Given the indexes reached it is concluded that the number of bands does not increase the accuracy of MAXVER method, however, has a great influence on the performance of the SVM method. Keywords: Remote Sensing, Image Classification, QuickBird, MAXVER, SVM, Kappa coefficients.

SUMRIO
1. 2. Introduo...................................................................................................................................... 10 Reviso da Bibliografia ................................................................................................................. 16 2.1 2.2 2.3 2.4 2.5 3 Sensoriamento Remoto e o Mapeamento de Vegetao ....................................................... 16 Comportamento espectral da Vegetao ............................................................................... 19 Classificao de Imagens ...................................................................................................... 23 Mtodo No Paramtrico SVM .......................................................................................... 26 Mtodo Paramtrico MAXVER ......................................................................................... 29

Material e Mtodos........................................................................................................................ 31 3.1 Pr-Processamento dos dados ............................................................................................... 33 Ortorretificao ............................................................................................................. 34 Converso para Radincia ............................................................................................. 35

3.1.1 3.1.2 3.2

Processamento dos dados ...................................................................................................... 36 Anlise de Principais Componentes (PCA) ................................................................... 37 Transformao RGB - IHS ............................................................................................ 38 ndices de Vegetao ..................................................................................................... 40

3.2.1 3.2.2 3.2.3 3.3

Classificao.......................................................................................................................... 42 Conjunto de treinamento ............................................................................................... 45 Os Experimentos (Classificao) .................................................................................. 50 Avaliao da acurcia das classificaes....................................................................... 56

3.3.1 3.3.2 3.3.3 4 5 6

Resultados e Discusses ................................................................................................................ 59 Concluses .................................................................................................................................... 66 Bibliografia.................................................................................................................................... 69

10

1.

Introduo

A vegetao um dos elementos formadores da paisagem mais impactados pela atuao humana. Por esta razo, de suma importncia o seu mapeamento, com o intuito de adquirir a informao necessria, tanto para aes preservacionistas, quanto para que as intervenes antrpicas sejam menos impactantes. Dados de diversas origens vm sendo usados com este fim, como trabalhos de campo associados a documentos cartogrficos, alm de imagens obtidas remotamente. O progresso alcanado na obteno de dados oriundos da superfcie terrestre por sensores remotos tornou o uso das imagens uma opo mais vivel que os levantamentos de campo, principalmente, devido ao elevado custo destes e dificuldade de acesso a determinados locais. As imagens provenientes dos sensores podem, ainda, ser aproveitadas como subsdio ao planejamento das idas ao campo. Associadas ou no a interpretao visual, tcnicas de processamento digital de imagens tm sido massivamente usadas no mapeamento da vegetao. Dentre as tcnicas mais difundidas para este fim, destacam-se os algoritmos computacionais usados na identificao automtica dos alvos, os classificadores. Desde a dcada de 2000, satlites, equipados com sensores capazes de adquirir dados de alta altssima resoluo espacial, tm disponibilizado imagens com elevado detalhamento dos alvos (JENSEN, 2009). Os dados produzidos apresentam grande heterogeneidade das respostas espectrais de alvos semelhantes. Este cenrio abre novas possibilidades de pesquisa e aplicaes, entretanto, os mtodos de classificao tradicionais no tm resultado em produtos de qualidade.

11

Atualmente, so muitos os mtodos de classificao disponveis, sendo que os mais usados nas diversas plataformas de PDI (Processamento Digital de Imagens) fundamentam-se em inferncia estatstica. Estes algoritmos procuram identificar a informao de cada pixel componente da cena, classificando-os em conjuntos de acordo com sua informao espectral por meio de vrias abordagens. Os nveis de acurcia apresentados pelos diferentes mtodos podem variar dependendo da abordagem usada e da configurao dos parmetros (QUEIROZ, 2012). Os classificadores podem ser do tipo no supervisionado ou supervisionado. No modo no supervisionado, a classificao est apoiada em mtodos estatsticos de anlise de agrupamento, e a demarcao das classes relacionadas cena acontece sem o intrprete intervir diretamente. O modelo supervisionado fundamenta-se na coleta de amostras das regies da imagem referentes s classes que o usurio quer definir, designadas como reas de treinamento. Este ltimo, por sua vez, tambm se divide em paramtricos e no paramtricos. Os modelos de classificao supervisionados paramtricos, basicamente, estimam, por meio de amostras, os valores dos parmetros populacionais. Estes modelos demandam a normalidade da populao. Os modelos de classificao supervisionados no paramtricos diferenciam-se do primeiro na medida em que podem ser empregados com distribuies que no obedeam aos parmetros da curva normal (SILVA, 2012). Dentro da abordagem estatstica e paramtrica, o mtodo da Mxima Verossimilhana (MAXVER) um dos mais usados pela comunidade de sensoriamento remoto. Este mtodo envolve parmetros (vetor mdia e matriz de covarincia) da distribuio gaussiana multivariada e estima-os com base nas amostras de treinamento (ERBERT, 2001 apud QUEIROZ, 2012).

12

Apesar de esse algoritmo estar presente em vrias plataformas de PDI, o seu uso tem apresentado algumas dificuldades na estimao dos parmetros (em particular a matriz de covarincia) para imagens de alta resoluo espacial e alta dimensionalidade dos dados. A definio muito precisa das reas de treinamento, assim como a seleo de muitos pixels, se fazem necessrias para produzir bons resultados (INPE, 2002). A coleta de pixels torna-se muito problemtica em dados de alta resoluo espacial e/ou dimensionalidade. Alguns trabalhos tm verificado que o aumento na dimensionalidade dos dados (do nmero de bandas espectrais), apesar de aumentar a acurcia da imagem classificada num estgio inicial, a partir de certo ponto, a acurcia decresce devido ao aumento da dimensionalidade, considerando as mesmas amostras de treinamento (BITTENCOURT, 2001 & ERBERT, 2001 apud QUEIROZ, 2012). Este efeito conhecido como o fenmeno de Hughes ou a maldio da dimensionalidade (ERBERT, 2001 apud QUEIROZ, 2012). Pesquisas apontam que a classificao gerada pelo algoritmo MAXVER tem sua preciso prejudicada quando h ampla superposio entre os dados de treinamento no espao n-dimensional (CORTIJO & LA BLANCA, 1997 apud COSTA, 1998). Estes pesquisadores, valendo-se da no obrigao de pressupor a normalidade dos dados de treinamento (SKIDMORE & TURNER, 1988; KLOER, 1994; CORTIJO & LA BLANCA, 1997 apud COSTA, 1998), tm buscado alternativas no paramtricas de classificao por pixel com o intuito de obter melhores ndices de acurcia em imagens de sensoriamento remoto (COSTA, 1998). A alta resoluo espacial dos novos sensores apresentam novos desafios ao processo de classificao. Possivelmente, o maior desafio consista na estimao de parmetros associados a classificadores paramtricos. O nmero de parmetros a serem estimados, na matriz covarincia particularmente, cresce rapidamente na medida em que a dimensionalidade

13

dos dados aumenta. Se o nmero das amostras de treinamento no aumenta, na mesma proporo, a confiabilidade na estimao destes parmetros decresce. Em outras palavras, quando o tamanho das amostras de treinamento permanece constante, o acrscimo de bandas espectrais adicionais resulta na incerteza da estimativa dos parmetros e, consequentemente, num decrscimo na acurcia da imagem temtica produzida pelo classificador (LICZBINSKI, 2007). Recentemente, uma nova famlia de algoritmos de aprendizado tem recebido uma grande ateno por parte de pesquisadores de sensoriamento remoto. Dixon & Candade (2008) demonstram que as SVMs (Support Vector Machines) tm tido sucesso em vrias aplicaes de Sensoriamento Remoto, notadamente, em classificaes que apresentam problemas pela alta dimensionalidade. As SVMs so conhecidas pelo seu alto grau de generalizao, alm de apresentar um embasamento matemtico slido apoiado em probabilidade estatstica. No desenvolvimento sobre ML (Machine Learning - Aprendizado de Mquina), muitos pesquisadores se inspiram em sistemas biolgicos para o seu desenvolvimento. Um exemplo de aprendizagem de mquina no campo simblico e cognitivo o processo com rvores de decises. As SVMs permitem, basicamente, a abordagem dos problemas de duas formas. Na primeira, erros de classificao no so considerados. Na segunda, so institudas variveis de folga, de maneira que padres fora dos valores esperados da sua classe possam ser desconsiderados (dependendo do limiar de aceitao usado), diminuindo desta forma a probabilidade de erros na classificao (ALIXANDRINI, 2009). Entre as principais caractersticas das SVMs, pode-se destacar a grande capacidade de generalizao. Os algoritmos baseados em uma SVM, de maneira geral, obtm timos

14

resultados em nvel de generalizao. As SVMs tem baixo "overfitting". Overfitting

ajuste demasiado dos dados de treinamento (super especializao), pois, alm de extrair os parmetros gerais que permitem a generalizao, tambm armazena seus rudos e peculiaridades, tolerando o reconhecimento de padres no observados durante a etapa de treinamento. As SVMs demonstram eficincia na classificao de dados fora do conjunto de treinamento, logo o overfitting minimizado (ALIXANDRINI, 2009). Outra caracterstica importante sobre as SVMs a sua robustez no tratamento de dados de alta dimensionalidade e entropia - perante objetos de grandes dimenses, como por exemplo, imagens de satlites. Normalmente, outros classificadores encontram problemas com este tipo de dados devido a grande ocorrncia de overfitting. Alm disto, as SVMs revelam grande capacidade de discernimento para dados com alta entropia. A entropia de uma imagem pode ser definida como a quantidade de incerteza associada a esta imagem (randomicidade), ou seja, quanto maior a entropia de uma imagem, mais sem padro e atpica ser a imagem analisada. O objetivo deste trabalho foi avaliar o desempenho de dois mtodos de classificao pixel a pixel supervisionados na classificao das fisionomias de vegetao, em uma imagem de alta resoluo espacial, perante o incremento de novas bandas ao espao de atributos. Os algoritmos estudados so o de Mxima Verossimilhana Gaussiana MAXVER (paramtrico) e a tcnica de Inteligncia Artificial baseada em Aprendizado de Mquina, Support Vector Machine SVM (no paramtrico). O local do estudo corresponde a uma rea de aproximadamente 16 km2, localizado no municpio de Nova Friburgo, Rio de Janeiro. Esta rea foi selecionada por apresentar uma paisagem composta formaes vegetais em diferentes nveis de interveno antrpica. A opo pela classificao das fisionomias vegetais ocorreu

Em estatsticas e aprendizagem de mquina, overfitting ocorre quando um modelo estatstico descreve erro aleatrio ou rudo em vez de a relao subjacente (WIKIPEDIA, 2012).

15

devido s dificuldades de se realizar a classificao dos estgios sucessionais de vegetao apenas atravs de mtodos baseados em sensoriamento remoto. Matrizes de Confuso e os coeficientes Kappa foram usados para avaliar os experimentos. O local do estudo corresponde a uma rea de aproximadamente 16 km2, composto por uma diversidade de formaes vegetais com diferentes nveis de interveno antrpica, localizado no municpio de Nova Friburgo, Rio de Janeiro, conforme pode ser visto na figura 1.

Figura 1 - Local de Estudo.

16

2.

Reviso da Bibliografia

2.1

Sensoriamento Remoto e o Mapeamento de Vegetao

A vegetao revela-se como um dos principais objetos de estudo atravs de tcnicas de SR (CARVALHO et al., 2001). No Brasil, datam da dcada de 1940, os primeiros estudos utilizando imagens obtidas por SR com esta finalidade. Nesta poca foram realizados os primeiros mapeamentos temticos da vegetao atravs de fotografias areas, porm, tinham objetivos especficos e alcance local, no faziam parte de um programa de abrangncia regional ou nacional (PONZONI & SHIMABUKURO, 2009). No final da dcada de 1960, o CNAE (Comisso Nacional de Atividades Espaciais) e a NASA (National Aeronautics and Space Administration) capacitaram vrios profissionais brasileiros a usarem imagens de Sensoriamento Remoto tico e de radar no mapeamento da vegetao. Como resultado desta estreita parceria, na dcada de 1970, foi criado o Projeto RADAM (Radar na Amaznia), o primeiro programa de mapeamento sistemtico de vegetao executado no Brasil. As imagens de radar de visada lateral, conhecido como SLAR, foram empregadas neste projeto, pois, mostravam-se mais eficazes na superao das dificuldades encontradas nos estudos de Sensoriamento Remoto na regio, tais como, ocorrncia frequente de nuvens e altos ndices pluviomtricos (OLIVEIRA, 2011).

17

No incio, apenas as regies Norte e Nordeste do Brasil estavam no escopo do Projeto RADAM, no entanto, a partir de 1975, devido aos bons resultados alcanados, todo o territrio nacional englobado e o projeto passou a ser designado como RADAM Brasil (FERREIRA et al., 2008). Mapeamentos de vegetao, geolgicos e pedolgicos, nas escalas 1:1.000.000 e 1:250.000, foram os produtos cartogrficos gerados por este projeto. Em 1985, o projeto chega ao fim de suas atividades e, desde ento, o IBGE gerencia suas informaes. No incio da dcada de 1970, com o lanamento dos satlites ERTS-1 e ERTS-2 (Earth Resources Technology Satellites), que, posteriormente, passam a se chamar Landsat 1 e Landsat 2, os dados de Sensoriamento Remoto passam ser largamente usados no monitoramento dos biomas brasileiros e na classificao da vegetao. So desta poca as primeiras estimativas de desmatamento na Amaznia. Inventrios florestais, identificao das melhores reas para determinados cultivos agrcolas, como a cana-de-acar e o feijo, so outros exemplos de aplicaes que podem ser destacadas (PONZONI & SHIMABUKURO, 2009). Os estudos de vegetao, com enfoque majoritariamente qualitativo, destacando-se os estudos fisionmicos e mapeamentos dos tipos de vegetao, marcam os primeiros anos da dcada de 1990. Contudo, o volume de pesquisas com abordagem quantitativa cresce e ndices biofsicos da vegetao so correlacionados s informaes radiomtricas presentes nas imagens. Os estudos, antes bastante concentrados em algoritmos de classificao automtica, passam a abordar outras tcnicas, tais como: correes atmosfricas, modelos lineares de mistura, normalizaes radiomtricas alm dos ndices de vegetao (PONZONI & SHIMABUKURO, 2009; FERREIRA et al., 2008). No final da dcada de 1990, entra em rbita o sensor MODIS (Moderate Resolution Imaging Spectroradiometer), a bordo do satlite TERRA. Mesmo apresentando pequena resoluo espacial (250, 500 e 1000 m), ele proporcionou avanos nas resolues espectral, temporal e radiomtrica, com relao ao sensor Thematic Mapper ou Enhanced Thematic

18

Mapper dos satlites Landsat 5 e 7, respectivamente, sendo, ento, amplamente usado no monitoramento e no estudo da dinmica da vegetao em grandes reas (FERREIRA et al., 2008). No mesmo perodo , ocorre o lanamento do satlite IKONOS-2 de altssima resoluo espacial (4m no modo multiespectral e 1m no modo pancromtico). Compreendendo as bandas do visvel e do infravermelho prximo, suas imagens tornam-se uma fonte potencial para os estudos de vegetao (FERREIRA et al., 2008). Em 2001, acontece o lanamento do satlite QuickBird, oferecendo o mesmo nmero de bandas espectrais na faixa do visvel e infravermelho do IKONOS-2, porm, com resoluo espacial de 61 cm. O amplo acesso a esse tipo de imagens torna-se pblico a partir de 2005, com a plataforma Google Earth (JENSEN, 2009). Constata-se que, devido s restries impostas pela resoluo espacial disponvel antes do aparecimento das imagens de altssima resoluo espacial, os mapeamentos consistiam no reconhecimento de grandes fisionomias, em escalas pequenas a mdias. Em muitas oportunidades, a classificao era totalmente realizada atravs de interpretao visual, o que demandava o investimento de muito tempo de trabalho, ainda que aumentasse a preciso geral do mapeamento (VASCONCELOS et al., 2004).

19

2.2

Comportamento espectral da Vegetao

Vrios fatores interferem na resposta espectral dos dados obtidos por meio de Sensoriamento Remoto e que podem limitar o mapeamento de vegetao. Alguns so intrnsecos prpria vegetao e da sua interao com a radiao eletromagntica, decorrentes da sua estrutura fsica, do seu arranjo espacial ou da arquitetura de dossel (PONZONI & SHIMABUKURO, 2009). Outros se referem s prprias caractersticas dos produtos de Sensoriamento Remoto. Com relao especificamente as imagens de altssima resoluo espectral, como os pixels so submtricos, os alvos so representados por um conjunto de pixels, proporcionando grande heterogeneidade das respostas espectrais nos dossis (BLASCHKE, 2009). Ponzoni & Shimabukuro (2009) descrevem os fatores biofsicos da vegetao que modificam o comportamento espectral da vegetao: a saturao do sinal captado pelo sensor, como efeito da interao do dossel com a radiao eletromagntica (REM), incide no espalhamento aditivo do infravermelho prximo (NIR) pelas camadas do dossel, assim como o espalhamento subtrativo do comprimento de onda do vermelho. Os autores citados anteriormente afirmam que em uma determinada rea, hipottica, onde a vegetao apresentasse um estrato uniforme, quando a REM incidisse sobre as folhas das plantas, 50% da radiao proveniente do comprimento de onda do infravermelho seria refletida enquanto 50% transmitidas. Todavia, em reas de vegetao que apresentem mais de um estrato de folhas, dos 50% de REM transmitidas pela primeira camada (acima), a metade seria novamente refletida e o restante seria transmitido atravs do segundo estrato. Desta parcela refletida pelo segundo estrato, a metade seria transmitida atravs das folhas do primeiro estrato (a outra metade seria refletida em direo ao segundo estrato), juntando-se

20

aos 50% de REM refletida originalmente pela primeira camada de folhas, contabilizando-se 62,5% da REM incidente refletida pelo dossel. Nota-se, ento, que o sinal de retorno diretamente proporcional ao nmero de estratos de um dossel, para a banda do NIR, e inversamente proporcional para a banda do vermelho. Esta estrutura nomeada pelos autores como reflectncia infinita.

Figura 2 - Esquema de Reflectncia Infinita REM x Dossis (PONZONI & SHIMABUKURO, 2009).

Ponzoni & Shimabukuro (2009) relacionam os estratos do dossel descrito ao parmetro biofsico chamado de ndice de rea Foliar IAF. Este ndice a razo entre a rea de cobertura de folhas por uma unidade de rea. A intensidade da resposta espectral na regio de infravermelho diretamente proporcional ao IAF, enquanto que, para a regio do vermelho, a relao inversa. A relao entre o IAF e o sinal medido pelo sensor pode ser adotada, por exemplo, para culturas agrcolas ou formaes vegetais que apresentam dossis regulares. Contudo, no caso das florestas tropicais, por apresentarem uma estrutura de dossel complexa, a interferncia de outros fatores, de ordem estrutural, afeta a resposta espectral, e o

21

sinal tende a saturar na regio do infravermelho, prejudicando, deste modo, a discriminao das diferentes fisionomias vegetais que alcancem o ponto de saturao da REM. As regies tropicais abrigam formaes heterogneas. A maneira como as rvores se distribuem no terreno constitui um dos fatores que interfere na interpretao da relao entre o IAF e a radincia. Dependendo do padro de distribuio, a influncia do solo na resposta da REM captada pelo sensor pode ser maior ou menor, medida que a luz consegue ou no penetrar no dossel e alcanar o solo. Em florestas mais densas, o solo pouco influencia, enquanto, em florestas mais esparsas (e com distribuio regular da vegetao), exerce uma influncia maior na resposta espectral (JENSEN, 2009). Outros fatores influenciam a intensidade da REM refletida pelo dossel (PONZONI & SHIMABUKURO, 2009). A distribuio angular das folhas (DAF) e o contedo de gua presente nas mesmas so alguns destes fatores. A DAF representa o ngulo de inclinao da folha em relao ao horizonte e afeta a intensidade do sinal refletido, pois altera diretamente a quantidade de sombra produzida pelo dossel, assim como a quantidade de luz que alcana o solo, contribuindo com o aumento da radincia, quando as folhas apresentam-se dispostas em direo ao ngulo zenital, ou com a sua diminuio, quando a quantidade de sombra produzida no interior do dossel muito alta. A quantidade de umidade presente nas folhas de um dossel vegetal um fator de grande influncia na resposta espectral, medida que pode ser realizada por tcnicas de Sensoriamento Remoto nas regies espectrais do infravermelho mdio, infravermelho termal e das micro-ondas. A gua presente nas plantas absorve a energia incidente e esta relao aumenta na mesma proporo que aumenta o comprimento de onda. Como a gua absorve energia na faixa do infravermelho mdio, as folhas que apresentam maior contedo de gua

22

apresentam maiores valores de absortncia nesta regio, enquanto o comportamento inverso ocorre medida que o teor de umidade diminui (JENSEN, 2009). A orientao da encosta, onde est localizado o dossel, tambm interfere na relao entre o contedo de gua e a REM refletida pela vegetao. A vegetao localizada em encostas que apresentam incidncia solar direta, frequentemente, apresenta menor teor de umidade, pois, grande parte da gua presente na planta, perdida via transpirao. O sensoriamento remoto na regio do infravermelho termal e nas micro-ondas passivas tem fornecido valiosas informaes sobre evapotranspirao de dossis vegetais (JENSEN, 2009). O elevado nmero de espcies vegetais diferentes, com dossis volumosos e irregularmente estratificados, assim como a distribuio randmica dos indivduos, tambm influencia na resposta espectral, pois aumenta a complexidade estrutural das florestas tropicais, estabelecendo limites discriminao da vegetao de acordo com a sua fisionomia (ALBUQUERQUE et al., 2011). Desta forma, a enorme complexidade estrutural das florestas tropicais um aspecto restritivo ao mapeamento da vegetao atravs de tcnicas de Sensoriamento Remoto. Alm desses fatores descritos, existem outros que influenciam o comportamento espectral da vegetao, como o formato do dossel, a idade da planta e o contedo de gua no solo abaixo do dossel. Ponzoni & Shimabukuro (2009) revelam que existem mtodos de modelagem da vegetao que incorporam os fatores que influenciam sua resposta espectral, no entanto verifica-se que estes modelos no apresentam a eficincia esperada, principalmente, acima do ponto de saturao da REM para as diferentes formaes vegetais, dificultando a sua discriminao.

23

2.3

Classificao de Imagens

A principal finalidade do PDI facilitar a identificao e extrao da informao, auxiliando na interpretao das imagens. Para tanto, sistemas integrados de computao so utilizados em atividades interativas de anlise e manipulao das imagens brutas, com o objetivo, na maioria das vezes, de produzir outras imagens, que contenham as informaes pretendidas. De acordo com a finalidade, as tcnicas de processamento digital de imagens podem ser divididas em dois grupos (DUTRA et al., 1981 apud VETORAZZI, 2007) que visam: (1) Facilitar a interpretao humana, atravs de melhorias de qualidade da

imagem e/ou realamento de detalhes importantes; e (2) Classificar padres mais apropriados interpretao automtica.

As imagens de satlites e as fotografias areas representam a superfcie terrestre de forma fidedigna, enquanto os mapas so meras representaes, de forma parcial e feita por meio de smbolos, numa superfcie plana, de uma parte ou do todo. A representao e localizao de reas, fenmenos e objetos so a principal finalidade dos mapas (FLORENZANO, 2002). Durante o tratamento e classificao dos dados digitais provenientes de sensores remotos, os alvos da superfcie ganham a designao genrica de classes ou classes temticas. Cada pixel que compe a imagem rotulado segundo a cobertura da terra, assim como realizado na interpretao visual. A rotulagem dos pixels feito por intermdio de programas de computador especficos (algoritmos de classificao ou classificadores). A classificao

24

dos nveis de cinza ocorre por intermdio de algoritmos estatsticos, por reconhecimento de padres espectrais. Dependendo da abordagem usada durante o processo, esta rotulao (classificao) dita supervisionada ou no supervisionada e envolve duas fases bem distintas: o treinamento e a classificao em si. A classificao supervisionada, assim como a no supervisionada, possui regras de deciso que fornecem ao classificador as chaves necessrias para que o pixel seja associado a certa classe. Estas classes so formadas por regies na imagem que apresentam similaridade em seu comportamento espectral. Portanto, estas classes fundamentam-se nas propriedades espectrais do pixel. Assim sendo, a regra de deciso baseada somente nos atributos do pixel designada pixel a pixel. Aquelas que consideram outros atributos, alm do espectral (como, por exemplo, a textura), so denominados classificadores por regio (VETORAZZI, 2007). Na classificao pixel a pixel, aps a criao do conjunto de treinamento, contendo as particularidades espectrais de cada uma das classes, o algoritmo de classificao busca agregar determinado pixel da imagem a uma das classes contidas no conjunto. Nesta condio, o classificador considera o pixel como uma entidade isolada e independente dos pixels adjacentes e que integram o restante da cena (VETORAZZI, 2007). Alguns estudos assinalam que a Inteligncia Artificial (IA) surge como tcnica promissora para afirmao dos mtodos de classificao de imagens de satlite, pois, estas tcnicas, baseadas em modelos matemticos das Redes Neurais Artificiais, tm a capacidade de aprender a partir de um nmero de amostras e generalizar esta informao para toda a imagem (QUEIROZ (S.D.) apud COSTA et al., 2010). Desta forma, os mtodos de classificao podem, ainda, ser subdivididos em: paramtricos e no paramtricos. O modelo paramtrico ou clssico emprega parmetros como mdia e matriz de covarincia, por exemplo, para estimar as regras do classificador para

25

cada classe, o que demanda certa homogeneidade nas propriedades espectrais das classes (ANDREOLA et al., 2009 apud COSTA et al., 2010). Como exemplo, pode-se dizer que o desempenho e exatido dos classificadores que usam a estratgia paramtrica de classificao esto diretamente ligados a distribuio normal dos dados (onde a maior parte dos dados registrados concentra-se em torno da mdia). O problema reside nas imagens que apresentam comportamento mais heterogneo, assim como nas feies outliers encontradas em imagens mais homogneas (COSTA et al., 2005). Enquanto nos mtodos clssicos ou paramtricos, cada pixel qualificado adotando-se as informaes nele contidas, nos classificadores contextuais ou no paramtricos, consideram-se tambm as informaes da vizinhana do pixel analisadas para a classificao. Os mtodos no paramtricos, ento, inserem um fator de correo chamado de fator de correo contextual, resguardando a probabilidade de rotular um pixel de forma duvidosa. Neste mtodo pode-se fazer com que a classificao de cada pixel dependa inclusive de todos os outros pixels da imagem (MORAES, 1999).

26

2.4

Mtodo No Paramtrico SVM

Conforme relatam Lorena & Carvalho (2007), as tcnicas de aprendizado de mquina so baseadas num princpio de inferncia estatstica chamado induo, onde, a partir de um conjunto particular de exemplos, obtm-se concluses genricas. O aprendizado indutivo pode ser dividido em: supervisionado e no supervisionado. No aprendizado indutivo supervisionado o conhecimento do ambiente (das classes) feita atravs de um conjunto de exemplos que seguem uma lgica simples, tal qual: entrada sada desejada. O objetivo dos algoritmos implementados segundo esta tcnica que estas representaes dos padres presentes numa imagem, por exemplo, sejam capazes de produzir sadas corretas para novas entradas, desconhecidas. Logo, a obteno de um classificador por um algoritmo de aprendizado de mquina pode ser considerado como sendo um processo de investigao. Entre todas as hipteses possveis que o algoritmo capaz de gerar, aproveita-se aquela que melhor descreve o domnio em que o aprendizado ocorreu (LORENA & CARVALHO, 2007). Vapnik (1999) diz que os algoritmos de aprendizagem de mquina tm como finalidade a construo de limites de deciso que possibilitem a maior separao entre classes, atravs da minimizao dos erros. A Support Vector Machine (SVM) apresentada como uma classificao supervisionada derivada da teoria de aprendizagem estatstica que, na maioria das vezes, gera bons resultados para dados complexos ou ruidosos (ENVI, 2009).

27

Segundo Nascimento et al. (2009), estudos recentes (HUANG et al., 2002; FOODY e MATHUR, 2004; PAL e MATHER, 2005) demonstram que o classificador SVM tem proporcionados resultados superiores aos outros mtodos de classificao, como Redes Neurais e rvores de Deciso, para imagens de sensoriamento remoto. Originalmente, o algoritmo do SVM era baseado em um modelo simples conhecido como Classificador de Margem tima, considerando apenas dados linearmente separveis, coforme pode ser visto na figura 3 (MELONI, 2009). Atualmente, depois de seguidas modificaes, os prottipos modernos de SVM partem da hiptese de entrada de uma superfcie de padres no linearmente separveis, originando um espao dimensional de atributos distinto do original (linearmente separveis). Na figuras 3, podemos observar espao de atributos apresentando um padro linearmente separvel e outro no linearmente separvel (MELONI, 2009).

Figura 3 - Padres Separveis - Linear e No Linear (adaptado de Meloni, 2009).

O problema do algoritmo SVM consiste em elevar ao mximo a margem de afastamento entre os hiperplanos, aceitando esta superfcie como um hiperplano ideal ou optimal hyperplane, conforme pode se visto na figura 4 (COSTA et al, 2010).

28

Figura 4 - Esquema de classificao por meio do SVM, modificado de Huang et al. (2002) e Melgani e Bruzzone (2004).

29

2.5

Mtodo Paramtrico MAXVER

Entre as tcnicas mais usadas de classificao pixel a pixel de imagens multiespectrais destacam-se a de mxima verossimilhana (MAXVER), a da distncia mnima e o mtodo do paraleleppedo (CENTENO & ITALO, 2003; MOREIRA, 2005). O mtodo da mxima verossimilhana (MAXVER) estima, numa abordagem quantitativa, a varincia e a covarincia dos padres espectrais de cada pixel da imagem, durante o processo de classificao. Primeiramente, pressupe-se que os pixels que formam o conjunto de treinamento apresentam uma distribuio normal (Gaussiana), conforme exemplifica a figura 5 (CENTENO & ITALO, 2003). Desta forma, um vetor de mdias e uma matriz de covarincia podem descrever os padres de resposta encontrados na imagem.

Figura 5 - Distribuio Normal dos Dados de Treinamento.

30

Segundo Centeno (2009), com relao ao mtodo de Mxima Verossimilhana (MAXVER), a probabilidade de se localizar um pixel com um vetor de estado x numa imagem pode ser descrita por p(x). Como em uma imagem real existem apenas alguns vetores x, o processo de classificao procura definir a classe mais provvel para estes pixels. Desta forma, dado um padro de resposta espectral (classe de cobertura do solo), a probabilidade de se encontrar um determinado pixel neste grupo pode ser descrita como (p(X | wj)). Vale lembrar que, no mtodo MAXVER, o conhecimento dos valores exatos de probabilidade de cada classe no o objetivo principal. O conhecimento destes valores se faz necessria apenas para viabilizar as comparaes. A regra mais importante refere-se probabilidade de um pixel pertencer ou no a uma determinada classe, ou seja, dado um pixel x, ele pertencer classe wj se a probabilidade que associa este pixel classe wj maior que a probabilidade que associa o pixel a qualquer outra classe.

31

Material e Mtodos

Para classificao da fisionomia da cobertura vegetal da rea de estudo, foram usadas como fonte das informaes as bandas fusionadas do satlite QuickBird, obtidas em julho de 2008. Esta plataforma possui dois sensores que atuam tanto no modo pancromtico (PAN) como no multiespectral (MS) (Tabela 1). A resoluo radiomtrica da imagem usada de 8 (oito) bits.

Tabela 1 - Sensores do Satlite QuickBird (Fonte: Embrapa Monitoramento por Satlites).

Para comparar os resultados entre algoritmos de classificao automtica supervisionados, paramtricos e no paramtricos, assim como avaliar o desempenho dos mesmos antes e depois do incremento de novos planos de informao ao espao de atributos (n-dimensional), foram selecionados os algoritmos MAXVER (paramtrico) e SVM (no paramtrico). A escolha foi pautada na reviso da literatura, que revela o MAXVER como um dos algoritmos paramtricos mais usados (ERBERT, 2001), enquanto o SVM surge, atualmente, como um dos algoritmos no paramtricos com melhor desempenho, notadamente, em imagens ruidosas (DIXON & CANDADE, 2008). Com o intuito de viabilizar os experimentos propostos, alm das bandas originais e outras imagens resultantes de operaes entre bandas, foram utilizados os Modelos Digitais de Elevao (MDE), com resoluo espacial de 30m, oriundos do projeto TOPODATA

32

(VALERIANO, 2005). Este projeto oferece MDEs (Modelos Digitais de Elevao) e suas derivaes locais a partir de dados SRTM disponibilizados pelo USGS. Estes dados foram refinados da resoluo espacial original (~90 metros) para aproximadamente 30 metros pelo processo de krigagem (VALERIANO, 2005). Foram usados recortes dos planos de informao relativos altitude e declividade. Tambm forma utilizadas as plataformas ArcGIS 9.3.1, para gerao das amostras de validao das classificaes, e o software ENVI 4.7, para o processamento e classificaes das imagens. As etapas do trabalho foram organizadas da seguinte forma: o pr-processamento das imagens, a gerao de dados auxiliares (processamento), classificao pelos mtodos supervisionados no paramtrico e paramtrico e validao dos resultados.

33

3.1

Pr-Processamento dos dados

A finalidade dessa etapa foi o tratamento dos dados em sua forma bruta, procurando calibrar a imagem tanto radiomtrica quanto geometricamente, preparando os dados para o processo de classificao (MOREIRA, 2005). As seguintes operaes foram realizadas nesta etapa: ortorretificao da imagem e converso dos nveis de cinza (NC) para valores de radincia no topo da atmosfera.

34

3.1.1 Ortorretificao

As imagens obtidas por sensores remotos sofrem vrios tipos de distores, como, por exemplo, as de ordem geomtrica e/ou radiomtrica. Segundo TOUTIN (2004), as distores geomtricas podem ser causadas pela: (a) variao do movimento, ngulo e altitude da plataforma e do sensor; (b) refrao e turbulncia atmosfrica; (c) curvatura e rotao da Terra; (d) topografia; e (e) diferenas entre o geide e elipside. A finalidade da ortorretificao da imagem recuperar a qualidade geomtrica da cena, eliminando ou minimizando estas distores, de tal forma que os dados possuam escala e projeo prprias de um mapa. A ortorretificao foi executada na plataforma ENVI 4.7 e o mtodo usado foi o Rational Polynomial Coeficients (RPC).

35

3.1.2 Converso para Radincia

Segundo Jensen (2009), radincia (L) a quantidade de luz radiante por unidade de rea projetada numa direo especfica. A converso dos nveis de cinza para valores fsicos em estudos que comparam bandas ou imagens geradas por diferentes sensores um dos objetivos importante desta converso. Embora os nveis de cinza representem o comportamento espectral dos alvos da cena, estes no possuem uma unidade escalar que comporte a comparao entre imagens de diferentes fontes (PONZONI & SHIMABUKURO, 2009). Assim sendo, a radincia torna-se uma unidade radiomtrica mais concisa para ser empregada em SR (JENSEN, 2009). Cabe ressaltar que a radiao anotada pelo sensor, avaliada como radincia de topo de atmosfera (Top-of-Atmosphere Radiance), corresponde uma radincia aparente, pois esta radiao sofre influncia atmosfrica e, portanto, no representa a resposta espectral pura dos alvos contidos na superfcie terrestre (JENSEN, 2009). Como este trabalho previa operaes entre bandas, como os clculos dos ndices de vegetao e PCA, os parmetros para a transformao dos nveis de cinza para radincia de topo de atmosfera, obtidos em DIGITAL GLOBE (2003), foram aplicados nas imagens. No entanto, a correo atmosfrica ao nvel de superfcie, ou mesmo aparente (topo da atmosfera) no se mostrou necessria, visto que no o objetivo do presente estudo a anlise de sries temporais de imagens.

36

3.2

Processamento dos dados

Esta etapa do trabalho baseou-se, fundamentalmente, no emprego de operaes entre as bandas constituintes da imagem original na tentativa de aumentar o contraste entre os alvos contidos na mesma. As seguintes transformaes foram aplicadas: (a) Anlise das Principais Componentes (Principal Components Analysis - PCA) e (b) converso do sistema de cores aditivo RGB (Red ou Vermelho, Green ou Verde, Blue ou Azul) para o IHS (Intensity ou Intensidade I, Hue ou Matiz - H, Saturation ou Saturao S). Alm destas operaes, o NDVI (Normalized Difference Vegetation Index) e o SR (Simple Ratio) foram gerados com a finalidade de explorar as propriedades espectrais da vegetao, em especial, nas regies do visvel e do infravermelho prximo. Estes ndices fundamentam-se no comportamento oposto da reflectncia da vegetao nestas duas regies (PONZONI & SHIMABUKURO, 2009). O banco de dados final, desta forma, foi integrado pelas quatro bandas multiespectrais fusionadas do sistema QuickBird (PanSharpened), as quatro principais componentes, as componentes IHS para cada banda (totalizando 06 novos PIs), os dois planos de informao topogrficos oriundos do projeto TOPODATA (Altimetria e Declividade) e dois ndices de vegetao .

37

3.2.1 Anlise de Principais Componentes (PCA)

A anlise de Principais Componentes (PCA) uma transformao linear dos dados da imagem de forma a rotacion-los e desloc-los em um novo sistema de coordenadas e assim elevar ao mximo a sua varincia (ENVI, 2009). A transformao PCA baseada na matriz de covarincia entre as bandas de uma imagem. O clculo da PCA gera, em decorrncia do processamento, nmero de componentes (bandas) igual ao nmero de bandas da imagem de entrada. A primeira componente a que possui maior varincia do conjunto, este valor decresce sucessivamente nas componentes seguintes (LIU, 2006). O principal propsito desta transformao (ou anlise) por principais componentes reduzir a correlao entre as bandas da imagem utilizada (CENTENO, 2009). Esta tcnica til para aumentar o volume da informao, isolar componentes de rudo e reduzir a dimensionalidade de rudo dos dados (ENVI, 2009).

38

3.2.2 Transformao RGB - IHS

A forma como os dados espectrais so visualizados por um computador , normalmente, feita atravs de uma associao das leituras do contador digital nas distintas bandas intensidade de uma determinada cor exposta no monitor. Assim sendo, o monitor simula as cores por uma combinao aditiva dos tons bsicos: vermelho (Red), verde (Green) e azul (Blue) - o sistema RGB (CENTENO, 2009). Para a visualizao de bandas espectrais em separado no h grandes dificuldades de leitura atravs deste sistema. Ao mesmo tempo, ao se tentar manejar imagens multiespectrais aparecem algumas dificuldades, pois este sistema resulta em uma quantidade limitada de cores (HUNT, 1992, apud CENTENO, 2009). Entre vrias alternativas existentes de manusear as cores de uma imagem usando variveis mais prximas do sistema humano de interpretao, o sistema IHS (Intensity, Hue and Saturation) o mais aceito (CENTENO, 2009). A transformao RGB IHS fundamenta-se na converso das cores do espao RGB (o brilho das bandas individuais nos canais vermelho, verde e azul em comprimentos onda definidos) para o espao I (intensity), H (hue), S (saturation). No sistema IHS, a intensidade expe o brilho das cenas, isto , o total de energia percebido em todos os comprimentos de onda. O matiz (hue) expe a cor atravs do comprimento de onda (vermelho, rosa, amarelo, etc.), correspondendo ao aspecto colorido da impresso visual. J a saturao corresponde ao grau de pureza da cor presente ou o contedo de "branco" de um determinado estmulo. No universo do ENVI 4.7, o sistema de cores IHS

39

apresentado como HSL, onde o parmetro intensity chamado de light. Todavia, conceitualmente, ambos so compatveis (ENVI, 2009). Foram geradas as transformaes relativas s composies 3(R)2(G)1(B) e 4(R)3(G)2(B). Desta forma, obteve-se 06 novas bandas transformadas, descritas na Tabela 2: BANDAS Transformao TRANSFORMADAS HUE SATURATION VALUE 03 e 04 02 e 03 01 e 02

Tabela 2 - Bandas Transformadas (RGB x HSL).

40

3.2.3 ndices de Vegetao

Os ndices de vegetao baseiam-se em operaes aritmticas entre bandas, com o propsito de destacar a cobertura vegetal e servindo como indicadores do crescimento e do vigor da vegetao. Os ndices so utilizados tanto para diagnosticar parmetros biofsicos e de biomassa quanto parmetros mais especficos como, por exemplo, porcentagem de cobertura do solo, atividade fotossinttica e produtividade (PONZONI & SHIMABUKURO, 2009). Comumente, so utilizadas as bandas do infravermelho prximo (entre 0,74 m e 0,90 m) e do vermelho (entre 0,45 0,52 m e 0,63 0,69 m) devido ao comportamento antagnico em relao resposta espectral esperada da vegetao, conforme destacam PONZONI & SHIMABUKURO (2009, p. 79):
A fundamentao da proposio desses ndices reside no comportamento antagnico da reflectncia da vegetao nas duas regies espectrais mencionadas (visvel e infravermelho prximo). Em princpio, quanto maior for densidade da cobertura vegetal em uma determinada rea, menor ser a reflectncia na regio do visvel devido maior oferta de pigmentos fotossintetizantes. Por outro lado, maior ser a reflectncia verificada na regio do infravermelho prximo devido ao espalhamento mltiplo da radiao eletromagntica nas diferentes camadas de folhas.

Contudo, preciso observar os numerosos elementos que influenciam os ndices de vegetao, tais como: a poca do ano em que a imagem foi obtida, a presena de sombras, a umidade etc., Em funo das sombras, at mesmo a inverso dos valores dos ndices pode ocorrer. Comparando-se florestas primrias e secundrias, as primeiras, justamente por terem maior porte, podem vir a apresentar ndices menores devido maior presena de sombras na composio do seu dossel (PONZONI & SHIMABUKURO, 2009).

41

No presente trabalho, foram utilizados dois ndices: O ndice de Vegetao da Diferena Normalizada (Normalized Difference Vegetation Index NDVI) e o ndice de Vegetao por Razo Simples (Simple Ratio SR). O NDVI uma razo simples e normalizada entre a banda infravermelha e vermelha. O intervalo compreende os valores de -1 a +1 (PONZONI; SHIMABUKURO et al., 2009). Huete et al (2002b) apud Jensen (2009) ressalta que o NDVI pode saturar em condies de elevado IAF (ndice de rea Foliar), o que dificultaria a diferenciao entre as fisionomias em formaes vegetais mais densas. O SR a razo entre as bandas do infravermelho prximo e do vermelho. Cohen (1991) apud Jensen (2009) indica que este tenha sido verdadeiramente, o primeiro ndice de vegetao conhecido. O SR revela-se um bom indicador do crescimento da cultura, assim como de estimativa de biomassa, porque as folhas verdes absorvem a radiao na faixa do visvel (principalmente no vermelho) e refletem na faixa do infravermelho prximo (LIU, 2006). Valiosas informaes sobre o IAF e a biomassa da vegetao so fornecidas pelo SR (SCHLERF et al., 2005). Ele especialmente sensvel a variaes em biomassa ou em IAF para vegetao de grande biomassa, tais como florestas (HUETE et al., 2002b, apud JENSEN, 2009).

42

3.3

Classificao

Aps as etapas de pr-processamento e processamento dos dados, a base para classificao estava montada e composta por 18 camadas, contendo, alm da imagem original com 04 bandas fusionadas (pansharpened), correspondendo a 03 bandas na faixa do visvel (azul, verde e vermelho) e 01 no infravermelho (infravermelho prximo), os seguintes dados: - Bandas originais convertidas para radincia aparente (topo da atmosfera) Banda 01, Banda 02, Banda 03 e Banda 04; - Principais componentes - Componente 01, Componente 02, Componente 03 e Componente 04; - Transformaes de cor - Matiz: Banda 03 e Banda 04; Saturao: Banda 02 e Banda 03; Brilho: Banda 01 e Banda 02; - ndices de vegetao - NDVI e SR; e - Topogrficos - altimetria e declividade Como o objetivo do trabalho o mapeamento fisionmico da vegetao, as classes de cobertura da terra foram definidas segundo este propsito (Tabela 3). Consequentemente, as classes de cobertura da terra produzidas por atividades humanas, foram adicionadas em uma nica classe chamada de Antrpica. A classe "Sombra" caracteriza-se por grande distribuio espacial na imagem, pois, alm de ser gerada pelo relevo, ocorre, tambm, pelo sombreamento das construes e dossis.

43

A classe Afloramento Rochoso ocorre em regies mais altas e ngremes da rea de estudo. Este alvo pode tambm apresentar uma fina camada de solo com caractersticas e respostas prximas ao da classe "Gramnea". A classe "Gramnea" apresenta resposta espectral distinta das demais classes de vegetao devido forte influncia que o solo exerce na resposta espectral. Esta classe corresponde a todo tipo de gramnea. A classe "Herbceo-Arbustiva" compe-se de vegetao rasteira caracterizada por dossel regular e contnuo com menor influncia do solo, alm da presena de poucas sombras. A classe "Arbrea" busca separar as fisionomias vegetais que apresentem dossel elevado e denso, tais como, as formaes florestais ou rvores isoladas. Estes alvos apresentam grande heterogeneidade, tanto com relao forma, quanto a resposta espectral, ocasionada pelas diferentes espcies vegetais componentes da cena e seus respectivos parmetros biofsicos (por exemplo, DAF e IAF). Estes e outros fatores aumentam consideravelmente a confuso entre os alvos desta classe.

44

Classes

Descrio

reas urbanizadas, construes isoladas, vias pavimentadas, Antrpica solos expostos, reas de queimadas muito recentes e sem regenerao da vegetao.

reas com ausncia total ou parcial da incidncia solar, devido Sombra ao sombreamento provocado por algum obstculo (dossel, construes, topografia etc.).

Afloramento Rochoso

Superfcie rochosa no coberta por solo ou qualquer outro tipo de cobertura.

Vegetao rasteira com predomnio de gramneas que no forma Gramnea uma superfcie contnua e, desta forma, a resposta espectral recebe influncia do solo.

HerbceoArbustiva

Rene fisionomias que incluem vegetao rasteira (gramneas), com presena de ervas e arbustos, porm, sem ocorrncia de rvores.

Vegetao predominantemente formada por rvores de diversas Arbrea espcies (em conjunto ou isolados), sob diversos nveis de influncia antrpica.

Tabela 3 - Descrio Sucinta das Classes.

45

3.3.1 Conjunto de treinamento

Aps a definio das classes de cobertura da terra, a prxima etapa consistiu na coleta de amostras de treinamento - conjunto de pixels representativo das classes coletado em regies especficas da imagem (MOREIRA, 2005). A coleta foi realizada dentro do ambiente de trabalho do ENVI. Para evidenciar uma determinada classe, tcnicas de manipulao de histograma e composies coloridas foram usadas nesta etapa. Ao final do procedimento, foram coletadas amostras totalizando 724 pixels (Tabela 4).
Classes Polgonos por classe Total de pixels por classe

Sombras

15

96

Gramnea

17

120

Herbceo-arbustiva

06

98

Arbrea

10

134

Afloramento 10 Rochoso 112

Antrpico

22

164

Total de pixels coletados

724

Tabela 4- Pixels por Classe.

Durante esta etapa, houve o cuidado de coletar amostras distribudas na imagem, assim representativas da diversidade de respostas para um mesmo alvo. A classe Antrpica,

46

devido a suas caractersticas, foi a que apresentou a maior diversidade de respostas, como pode ser visto na Figura 6.

Figura 6 - Exemplo de Amostras da Classe "Antrpica".

Por sua vez, as amostras da classe Sombra foram as que apresentaram mais homogeneidade de resposta espectral, limitando-se o analista a coletar o maior nmero de nuances do fenmeno, isto , desde sombras provocadas pela topografia at penumbras, reas sombreadas que, no entanto, permitem a visualizao da superfcie. Dois exemplos de amostras de sombra podem ser vistos na Figura 7.

47

Figura 7 - Exemplo de Amostras da Classe "Sombra".

As amostras da classe Afloramento Rochoso se concentraram em uma determinada regio da cena. A Figura 8 apresenta exemplos de amostras coletadas para esta classe.

Figura 8 - Exemplo de Amostras da Classe "Afloramento Rochoso".

As classes correspondentes s fisionomias de vegetao foram as que apresentaram maior similaridade entre si, ou seja, apresentam respostas espectrais prximas. Alm disto, a influncia de outros fatores j analisados dificulta a sua discriminao. As figuras 9, 10 e 11,

48

apresentam exemplos das classes: Gramnea, Herbceo-arbustiva e Arbrea, respectivamente.

Figura 9 - Exemplo de Amostras da Classe "Gramnea".

49

Figura 10 - Exemplo de Amostras da Classe "Herbceo-arbustiva".

Figura 11 - Exemplo de Amostras da Classe "Arbrea".

50

3.3.2 Os Experimentos (Classificao)

Terminada a coleta de amostras, a etapa seguinte consistiu na execuo das classificaes supervisionadas realizadas com base no mesmo conjunto de treinamento. Conforme o objetivo do trabalho, 04 classificaes foram executadas 02 com o algoritmo MAXVER e 02 com o algoritmo SVM. O SVM possui quatro funes: (i) linear, (ii) quadrtica, (iii) polinomial e (iv) base radial. Neste trabalho optou-se pela funo de base radial (FBR), pois todas as outras trs funes so variaes da FBR e segundo Brown et al. (2000), Huang et al. (2002), Melgani e Bruzzone (2004) apud Nascimento et al (2009), o FBR apresenta os melhores resultados na separao tima de classes. Primeiramente, as classificaes foram executadas usando apenas quatro bandas prprocessadas da imagem QuickBird para cada algoritmo. Os experimentos procuraram comparar os dois mtodos supervisionados mediante um cenrio onde o espao de atributos limitava-se s quatro bandas originais. Em seguida, ambos os algoritmos foram testados novamente. Agora, as bandas geradas na etapa 3.2, alm das quatro bandas pr-processadas, foram aproveitadas. O objetivo verificar a influncia que o incremento de novas bandas ao espao de atributos produz no desempenho dos algoritmos citados. A figura 12 ilustra as etapas do trabalho percorridas at aqui.

51

Figura 12 - Fluxo de Trabalho.

As classificaes foram executadas a partir de algoritmos implementados no software ENVI v4.7. Abaixo esto descritos os parmetros usados nos experimentos. EXPERIMENTO 01 (MAXVER 04 BANDAS) o 04 bandas QuickBird pr-processadas Limiar de Probabilidade (Probability Threshold) =

Single Value Valor do Limiar = none

Fator de Escala dos Dados = 1.00

A figura 13 demonstra o resultado alcanado pelo Experimento 1.

52

Figura 13 - Resultado do Experimento 1.

EXPERIMENTO 02 (SVM 04 BANDAS) o 04 bandas QuickBird pr-processadas Funo kernel (kernel type) = Radial Basis Function Parmetros Gamma da Funo Kernel (Gamma in Kernel

Function) = 0.040 100.00 Nvel de Pirmides (Pyramid Levels) = 0 Limiar de Probabilidade de Classificao (Classification Parmetro de Penalidade (Penalty Parameter) =

Probability Threshold) = 0.00 A figura 14 demonstra o resultado alcanado pelo Experimento 2.

53

Figura 14 - Resultado do Experimento 2.

EXPERIMENTO 03 (MAXVER TODAS AS BANDAS) o 04 bandas QuickBird pr-processadas, as bandas produzidas na

seo 3.2 e as relativas ao projeto Topodata. Limiar de Probabilidade (Probability Threshold) =

Single Value Valor do Limiar = none

Fator de Escala dos Dados = 1.00

A figura 15 demonstra o resultado alcanado pelo Experimento 3.

54

Figura 15 - Resultado do Experimento 3.

EXPERIMENTO 04 (SVM TODAS AS BANDAS) o 04 bandas QuickBird pr-processadas, as bandas produzidas na

seo 3.2 e as relativas ao projeto Topodata. Funo kernel (kernel type) = Radial Basis Function Parmetros Gamma da Funo Kernel (Gamma in Kernel

Function) = 0.040 100.00 Nvel de Pirmides (Pyramid Levels) = 0 Limiar de Probabilidade de Classificao (Classification Parmetro de Penalidade (Penalty Parameter) =

Probability Threshold) = 0.00 A figura 16 demonstra o resultado alcanado pelo Experimento 4.

55

Figura 16 - Resultado do Experimento 4.

56

3.3.3 Avaliao da acurcia das classificaes

Matrizes de erros de classificao e o coeficiente Kappa foram usados como ferramenta de avaliao da acurcia das classificaes, possibilitando a comparao entre ambas. Desde que Congalton et al (1983) introduziu o coeficiente de concordncia Kappa comunidade de sensoriamento remoto, um nmero cada vez maior de estudos tem se aproveitado deste ndice como uma medida de preciso das classificaes (Hudson & Hamm, 1987). Por este motivo, este trabalho usa o mesmo coeficiente como instrumento de avaliao da acurcia alcanada pelos experimentos. Foram colhidas 1189 amostras estratificadas pela rea esperada das 06 classes e 04 experimentos (300 amostras por experimento, aproximadamente), com o objetivo de avaliar a acurcia das classificaes. Procurou-se satisfazer o nmero mnimo de 50 amostras por classe, deliberado por Congalton e Green (2009), para mapas cobrindo menos de um milho de acres e com menos de 12 classes. Contudo, a observncia deste nmero no foi alcanada para algumas das classes, devido ao tamanho reduzido de suas reas. Aps a coleta de amostras de referncia, foram elaboradas matrizes de erros (confuso). Estas tinham a seguinte estrutura: Colunas: amostras de referncia, Linhas: classes obtidas na classificao.

A imagem QuickBird foi aproveitada na identificao das classes das amostras de referncia e, para tanto, usou-se vrias composies. Na matriz, so listados os erros de omisso, ou seja, as amostras que no foram classificadas corretamente (de acordo com as

57

classes de referncia), e os erros de comisso, correspondentes a amostras de referncia classificadas erroneamente como pertencentes a outras classes. A partir das matrizes, so calculados os seguintes ndices: a) Exatido global - relao entre o nmero de amostras classificadas corretamente sobre o nmero total de amostras de referncia; b) Exatido do produtor relativa aos erros de omisso, a qual representa a relao entre o nmero de amostras classificadas corretamente da classe k e o nmero total de amostras de referncia da classe k, c) Exatido do usurio - referente aos erros de comisso, a qual corresponde relao entre o nmero de amostras classificadas corretamente da classe k e o nmero total de amostras classificadas da classe k; d) Kappa (K); e e) Kappa condicional (CONGALTON; GREEN, 2009). O ndice Kappa dado por (Equao 1):

(1)

Onde, nii nmero total de amostras corretamente classificadas da classe k; ni+ nmero total de amostras classificadas da classe k; n+i nmero total de amostras coletadas da classe k; e n nmero total de amostras.

58

O ndice Kappa condicional estima a acurcia de cada classe e calculado com base no mesmo princpio do ndice Kappa usado para a avaliao global da classificao, da mesma forma, a avaliao dos resultados obedece aos mesmos princpios. O ndice Kappa condicional do usurio avalia os erros de comisso (Equao 2), e o do produtor, os erros de omisso (Equao 3) (ROSSITER, 2004). (2)

(3)

59

Resultados e Discusses

A Tabela 5 refere-se matriz de erros correspondente classificao do Experimento 1, ou seja, obtida pelo algoritmo MAXVER usando apenas as quatro bandas pr-processadas do QuickBird. O ndice de exatido global foi de 70% e o ndice kappa, 0,64, considerado muito bom de acordo com Landis e Koch (1977). Apenas a classe Herbceo-arbustiva apresentou erros maiores que 50%, ou seja, a exatido do produtor foi de 48% e a exatido do usurio foi de 37%, confundindo principalmente com a classe Arbrea. Da mesma forma, os ndices de exatido da classe Arbrea apresentaram grande confuso com a classe Herbceo-arbustiva, tanto por erros de omisso como de comisso, apresentando exatido em torno de 60%. Entre as classes de vegetao, a que apresentou melhor desempenho foi a "Gramnea", com exatido do produtor de 64% e do usurio 83%. As classes de no vegetao - Antrpica, Sombra e Afloramento Rochoso, apresentaram menores erros do que as classes de vegetao, com a maioria dos ndices de exatido acima de 80%.

Tabela 5 - Matriz de Erros de Classificao - MAXVER/04 Bandas.

A Tabela 6 revela a matriz de erros da correspondente classificao do Experimento 2, ou seja, obtida pelo algoritmo SVM, usando apenas as quatro bandas pr-processadas do QuickBird. O ndice de exatido global foi de 60% e o ndice kappa, 0,52, considerado bom

60

de acordo com Landis e Kolch (1977). A classe Herbceo-arbustiva apresentou resultado muito ruim, com exatido do produtor correspondendo apenas a 6%, confundindo-se com a classe Arbrea, e exatido do usurio prximo a 20%, confundindo-se com a classe Sombra. A Gramnea apresentou ndices de exatido prximos a 50%, apresentando maiores erros de omisso com a classe Afloramento e de comisso com a classe Arbrea. Entre as classes de vegetao, a arbrea apresentou melhor desempenho, com ndices de exatido acima de 50%. As classes de no vegetao - Antrpica, Sombra e Afloramento Rochoso, apresentaram menores erros do que as classes de vegetao, com a maioria dos ndices de exatido acima de 70%.

Tabela 6 - Matriz de Erros de Classificao - SVM/04 Bandas.

A Tabela 7 refere-se matriz de erros da correspondente classificao do Experimento 3, ou seja, obtida pelo algoritmo MAXVER, usando o total de 17 planos de informao, compostos pelas bandas pr-processadas e processadas do QuickBird, alm das grades de altimetria e declividade do projeto Topodata. O ndice de exatido global foi de 73% e o ndice Kappa, 0,66, considerado muito bom de acordo com Landis e Kolch (1977). A classe Herbceo-arbustiva apresentou pior desempenho entre as classes de vegetao, com exatido do produtor correspondendo apenas a 31%, e do usurio prximo a 50%, confundindo-se principalmente com a classe Arbrea. A classe Arbrea apresentou ndices de exatido superiores a 60%, confundindo-se com a Herbceo-arbustiva. Entre as classes de

61

vegetao, a Gramnea apresentou melhor desempenho, ndices de exatido acima dos 80%. As classes de no vegetao - Antrpica, Sombra e Afloramento Rochoso, apresentaram menores erros do que as classes de vegetao, com a maioria dos ndices de exatido acima de 80%.

Tabela 7 - Matriz de Erros de Classificao - MAXVER/Todas as Bandas.

A Tabela 8 refere-se matriz de erros da correspondente classificao do Experimento 4, ou seja, obtida pelo algoritmo SVM, usando o total de 17 planos de informao, compostos pelas bandas pr-processadas e processadas do QuickBird, alm das grades de altimetria e declividade do projeto Topodata. O ndice de exatido global foi de 84% e o ndice kappa, 0,80, considerado muito bom de acordo com Landis e Kolch (1977). Neste experimento, os erros de omisso e comisso foram pequenos em todas as classes, com a maioria dos ndices de exatido superiores a 70%. A classe Herbceo-arbustiva

apresentou pior desempenho entre as classes de vegetao, com exatido do produtor correspondendo 74%, e do usurio prximo a 60%, confundindo-se principalmente com a classe Arbrea. A classe Arbrea apresentou ndices de exatido variando entre 70 e 90%, confundindo-se principalmente com a Herbceo-arbustiva. Entre as classes de vegetao, a Gramnea apresentou melhor desempenho, ndices de exatido acima de 90%. As classes de no vegetao - Antrpica, Sombra e Afloramento Rochoso, apresentaram erros

62

semelhantes aos das classes de vegetao, com exceo da Gramnea, com a maioria dos ndices de exatido acima de 80%.

Tabela 8 - Matriz de Erros da Classificao - SVM/Todas as Bandas.

A figura 17 apresenta, na forma de grfico, como o incremento do nmero de bandas ao espao de atributos influencia o desempenho das classificaes executadas neste trabalho. Verifica-se que o aumento atributos melhora sensivelmente o desempenho da classificao (Experimento 4) realizada com o algoritmo SVM, no entanto o mesmo no ocorre na classificao (Experimento 3) efetuado com algoritmo MAXVER.

Figura 17 - Influncia do Espao de Atributos no Desempenho dos Classificadores.

63

A figura 18 apresenta, na forma de grfico, o Kappa condicional de usurio das classes de cobertura da terra. Confirmando a tendncia apresentada nas matrizes de erros da classificao, as classes de no vegetao obtiveram melhores ndices de acurcia nos experimentos realizados, com ndices acima dos 0,6% na maioria das situaes testadas. Neste grupo, destaca-se a classe Antrpica, com Kappa superior a 0,85, valores considerados excelentes segundo Landis e Kolch (1977). Entre as classes de vegetao, a classe Herbceoarbustiva apresenta o pior desempenho nos experimentos realizados, com valores de Kappa condicional baixo de 0,6, alcanando 0,13 no Experimento 2. O melhor desempenho foi da "Gramnea", com ndices entre 0,8 a 0,9, com exceo do Experimento 2, novamente. Verifica-se tambm na figura 18 que o Experimento 4 (algoritmo SVM e 17 bandas) apresentou melhor desempenho em quase todas as classes, com ndices variando entre 0,75 a 0,98. Exceo feita s classes Afloramento Rochoso e Herbceo-arbustiva. No caso desta ltima, contudo, o ndice foi o maior desta classe nos experimentos realizados, ficando prximo a 0,5.

Figura 18 - Validao da acurcia das classes de cobertura da terra.

A figura 19 demonstra atravs de um grfico, a comparao do kappa condicional de usurio, o desempenho do algoritmo SVM segundo o nmero de bandas usadas nos

64

experimentos 2 e 4. Verifica-se que com o aumento do nmero de bandas no espao de atributos, o algoritmo apresenta sensvel melhora na discriminao das classes estabelecidas, aumentando substancialmente os valores do kappa condicional em todas as classes.

Figura 19 - Desempenho das Classes no Algoritmo SVM.

No entanto, o grfico apresentado na figura 20 no evidencia o mesmo comportamento nos experimentos que utilizaram algoritmo MAXVER (Experimentos 1 e 3). Verifica-se que para as classes de vegetao e o afloramento rochoso, os ndices Kappa se elevaram com o incremento de atributos, com aumento entre 0,2 (afloramento) e 0,05 (arbrea). Enquanto os ndices das classes sombra e antrpica, os ndices Kappa reduziram com o incremento de atributos, diminuindo 0,25 (sombra) e 0,05 (antrpica).

65

Figura 20 - Desempenho das Classes no Algoritmo MAXVER.

66

Concluses

Tendo em vista que o objetivo deste estudo analisar o desempenho entre um algoritmo no paramtrico e um paramtrico na classificao de fisionomias vegetais em imagens de alta resoluo, pode-se afirmar que o classificador no paramtrico, SVM, apresentou melhor desempenho do que o paramtrico, MAXVER, quando utilizou maior nmero de planos de informao no espao de atributos da classificao. No foi notada melhoria significativa no desempenho da classificao do algoritmo MAXVER com o incremento de novos planos de informao. A classificao correspondente ao algoritmo SVM com incremento de planos de informao atingiu Kappa 0,8, valor considerado excelente segundo Landis e Kolch (1977). Nos experimentos que aproveitaram apenas as quatro bandas pr-processadas do QuickBird, o desempenho do algoritmo paramtrico MAXVER mostrou-se superior tanto na avaliao global quanto individualmente das classes referentes vegetao, com exceo da classe Arbrea, que apresentou melhor desempenho pelo algoritmo SVM em ambos os cenrios (com 04 ou 17 bandas). A diferena do desempenho global entre as duas classificaes foi na ordem de 23,07% (0,52 SVM - 0,64 MAXVER). Considerando o experimento de melhor desempenho (SVM com 17 planos de informao), as classes referentes s fisionomias vegetais, alcanaram um excelente desempenho individual, com Kappa condicional prximo a 0,9, com exceo da classe Herbceo-arbustiva, que obteve desempenho prximo a 0,5, considerado bom, segundo Landis e Kolch (1977). O aumento do nmero das camadas de atributos revelou-se

67

fundamental importncia para o desempenho individual das classes alcanado pelo algoritmo SVM Deve ser destacado que, considerando todos os experimentos realizados, a classe "Herbceo-arbustiva" obteve os menores ndices de acurcia entre todas as classes, j a "Gramnea" obteve os maiores ndices entre as classes de vegetao. Este resultado est relacionado resposta espectral semelhante entre as classes "Herbceo-arbustiva" e "Arbrea", o que causa muita confuso na classificao. J a "Gramnea" se difere espectralmente da vegetao mais densa. Resultados semelhantes foram obtidos em outros trabalhos (FRANCISCO, 2012) Em relao s classes de no vegetao, verifica-se que apresentaram um desempenho maior do que as de vegetao em todos os experimentos, com destaque para a classe "Antrpica". Assim, verifica-se que a utilizao do algoritmo SVM e o incremento do nmero de atributos, em geral, no melhoraram significativamente o desempenho da classificao quando comparada com outros experimentos. No caso especfico das classes "Antrpica" e "Sombra", o desempenho do MAXVER com 4 bandas e do SVM com 17 bandas foram muito semelhantes. O melhor desempenho da classe "Antrpica" em todos os experimentos pode estar relacionado incorporao de diversos tipos de usos e coberturas nesta classe. Como quase todas as bandas que incrementaram a imagem de entrada nos experimentos realizados foram produzidas a partir de operaes que envolviam as prprias bandas que compem a imagem QuickBird original (exceo feita aos planos de informao topogrficos), possvel afirmar que o mtodo de classificao no paramtrico SVM, apresenta-se como uma alternativa vivel ao mapeamento de fisionomias vegetais em imagens de alta resoluo. Ainda assim, com o intuito de aperfeioar o mtodo e aumentar a eficcia,

68

outros estudos devem ser conduzidos, especialmente, aqueles que procurem entender a importncia que cada camada de atributo representa no resultado final.

69

Bibliografia

ALBUQUERQUE, C. K.; CRUZ, C. B. M.; BARROS, R. S. Sensibilidades de ndices de Vegetao para Classificao do Estado de Conservao da Cobertura Florestal . In: Anais XV Simpsio Brasileiro de Sensoriamento Remoto. Curitiba, Brasil, 2011, p. 1652 1659. ALIXANDRINI, M. Classificao de imagens Landsat 7 ETM multiespectrais utilizando SVM. In: Anais XIV Simpsio Brasileiro de Sensoriamento Remoto, Natal, Brasil, 2009, INPE, p. 7757-7764. BARRETO, A. J. L.; GRTLER, S.; GLERIANI, J. M.; EPIPHANIO, J. C. N.; CAMPOS, R. C. Reflectncia a Partir do Nmero Digital de Imagens ETM+. In: Anais XI SBSR, Belo Horizonte, Brasil, 05 - 10 abril 2003, INPE, p. 2071 - 2078. BLASCHKE, T. Object Based Image Analysis for Remote Sensing. ISPRS Journal of Photogrammetry and Remote Sensing. v. 65, 2009, p. 2 16. CARVALHO, V. C.; LINHARES, C. A.; LOMBARDI, R. J. R., GLERIANI, J. M.; GRAA, P. M. L. A.; OLIVEIRA, R. C.; AFFONSO, A. G.; SANTOS, J. R. Estado da Arte nas Aplicaes de Sensoriamento Remoto para o Estudo da Vegetao: Anlise por Blocos de Pases e Linhas de Pesquisa. In: Anais X Simpsio Brasileiro de Sensoriamento Remoto. Foz do Iguau, Brasil. 2001, p. 1553 1562. CENTENO, J. A. S. Sensoriamento remoto e Processamento de Imagens Orbitais. Editora Curso de Ps Graduao em Cincias Geodsicas, Universidade Federal do Paran. Curitiba, PR. 2009. CONGALTON, R.; GREEN, K. Assessing the Accuracy of Remotely Sensed Data: Principles and Practices. Boca Raton: CRC/Taylor & Francis, 2009. 183p. COSTA, L. M. M.; ZEILHOFER, P.; RODRIGUES, W. S. Classificao de Queimadas na Fitofisionomia do Pantanal Mato-grossense utilizando um Algoritmo No Paramtrico Support Vector Machine (SVM). In: Anais 3 Simpsio de Geotecnologias no Pantanal, Cceres, MT, 16-20 de outubro 2010 Embrapa Informtica Agropecuria/INPE, p. 744 -753. COSTA, T. C. C.; JNIOR, P. M.; BRITES, R. S.; SOARES, V. P. O Classificador NPVIC Comparado ao No Paramtrico de Skidmore/Turner e ao Classificador Maxver. In: Anais IX Simpsio Brasileiro de Sensoriamento Remoto, Santos, Brasil, 1998, p. 945-958. DIGITAL GLOBE. Radiance Conversion of QuickBird Data. Technical Note. 2003. DIXON, B.; CANDADE, N. Multispectral Landuse Classification Using Neural Networks and Support Vector Machines: One or the Other, or Both?. International Journal of Remote Sensing. v. 29, n. 4, February 2008, p. 11851206. ENVI. ENVI User's Guide - ENVI Version 4.7. ITT Visual Information Solutions. 2009.

70

FERREIRA, L. G.; FERREIRA, N. C.; FERREIRA, M. E. Sensoriamento Remoto da Vegetao: Evoluo e Estado da Arte. Revista Acta Scientiarum Biological Sciences. Maring, v. 30, n. 4, 2008. p. 379-390. FLORENZANO, T. G. Imagens de Satlite para Estudos Ambientais. Oficina de Textos Editora. So Paulo, SP. 2002. FRANCISCO, C. N.; ALMEIDA, C. M. Avaliao de Desempenho de Atributos Estatsticos e Texturais em uma Classificao de Cobertura da Terra Baseada em Objeto. Boletim de Cincias Geodsicas. Curitiba, v. 18, n. 2, abr-jun, 2012, p. 302-326. HUDSON, W. D.; HAMM, C. W. Correct Formulation of the Kappa Coefficient of Agreement. Photogrammetric Engineering And Remote Sensing. v. 53, n. 4, April 1987, p. 421-422. INPE, 2002. Tutorial SPRING. INPE, So Jos dos Campos. Disponvel em <http://www.dpi.inpe.br/spring/portugues/tutorial/index.html>. Acessado em 10 de outubro de 2012. TALO, C. JR.; CENTENO, J. A. S. Classificao de uma imagem IKONOS utilizando as tcnicas pixel a pixel e anlise orientada a regio. In: Anais III Colquio Brasileiro de Cincias Geodsicas, Curitiba, 2003. JENSEN, J. R. Sensoriamento remoto do ambiente: Uma perspectiva em recursos terrestres. Parntese Editora. So Jos dos Campos, SP. 2009. LANDIS, J.; KOCH, G. The Measurement of Observer Agreement for Categorical Data. Biometrics, v. 33, 1977, p. 159 - 174. LICZBINSKI, C. A. Classificao de Dados Imagem em Alta Dimensionalidade, empregando Amostras Semi-Rotuladas e Estimadores para as Probabilidades a Priori. Dissertao de Mestrado em Sensoriamento Remoto, Centro Estadual de Pesquisas em Sensoriamento Remoto e Meteorologia, Curso de Ps-Graduao em Sensoriamento Remoto da Universidade Federal do Rio Grande do Sul. Porto Alegre/RS, (152p.), Agosto, 2007. LIDIANE, M. M. C.; ZEILHOFER. P; RODRIGUES, W. S. Classificao de queimadas na Fitofisionomia do Pantanal Mato-grossense utilizando um algoritmo no paramtrico Support Vector Machine (SVM). In: Anais 3 Simpsio de Geotecnologias no Pantanal, Cceres, MT, 16-20 de outubro 2010. Embrapa Informtica Agropecuria/INPE, p. 744 -753. LORENA, A. C.; CARVALHO, A. C. P. L. F. Uma Introduo s Support Vectors Machines - Tutorial. Revista de Informtica Terica e Aplicada. V. 14, n. 2, p. 43-67, 2007 LIU, W. T. H. Aplicaes de Sensoriamento Remoto. UNIDERP Editora. Campo Grande, MS. 2006. MELONI, R. B. S. Classificao de Imagens de Sensoriamento Remoto usando SVM. Dissertao de Mestrado em Informtica Pontifcia Universidade Catlica do Rio de Janeiro, RJ. 2009.

71

MORAES, R. M. Sensoriamento Remoto e Classificao de Imagens. Disponvel em <http://www.de.ufpb.br/~ronei/procimagem/procimagem.htm>. Acesso em 09 de abril de 2012. MOREIRA, M. A. Fundamentos do sensoriamento remoto e metodologias de aplicao. Editora UFV, MG. 2011. NASCIMENTO, R. F. F.; ALCNTARA, E. H.; KAMPEL, M.; STECH, J. L.; NOVO, E. M. L. M.; FONSECA, L. M. G. O Algoritmo Support Vector Machines (SVM): Avaliao da Separao tima de Classes em Imagens CCD-CBERS-2. In: Anais XIV Simpsio Brasileiro de Sensoriamento Remoto, Natal, Brasil, 25-30 abril 2009, INPE, p. 2079-2086. OLIVEIRA, A. A. B. Histrico. Projeto RADAMBRASIL. Disponvel em <http://www.projeto.radam.nom.br/historico.html>. Acesso em 11 de dezembro de 2011. PONZONI, F. J.; SHIMABUKURO, Y. E. Sensoriamento remote no estudo da vegetao. Editora Parntese. So Jos dos Campos, SP. 2009. QUEIROZ, R. B.; RODRIGUES, A. G.; GMEZ, A. T. Estudo Comparativo entre as Tcnicas Mxima Verossimilhana Gaussiana e Redes Neurais na Classificao de Imagens IR-MSS CBERS 1. Programa Interdisciplinar de Ps-graduao em Computao Aplicada Universidade do Vale do Rio dos Sinos (UNISINOS), Avenida Unisinos, 950 93.022-000 So Leopoldo RS Brasil. Disponvel em: <http://inf.unisul.br/~ines/workcomp/cd/pdfs/2307.pdf>. Acesso em: 05/08/2012. ROSSITER, D. G. Technical Note: Statistical Methods for Accuracy Assesment of Classified Thematic Maps. Enschede: International Institute for Geo-information Science & Earth Observation (ITC), 2004. SILVA, I. P. G. C. Coordenador. Noes de Inferncia Estatstica. Salvador. Apostila do Curso de Administrao - Faculdade Hlio Rocha. Disponvel em: < http://www.heliorocha.com.br/graduacao/adm/download/EST_II/NocoesInf_Est_II_Parte1.pd f>. Acessado em: 01/08/2012. SULSOFT - Servios de Processamento de Dados Ltda. Guia do Envi em Portugus. Disponvel em: <http://www.envi.com.br/index.php?link=Downloads>. Acessado em: abril de 2012. TOUTIN, T. Geometric Processing of Remote Sensing Images: Models, Algorithms and Methods. International Journal of Remote Sensing, v. 25, n. 10, 2004, p. 18931924. VALERIANO, M. M. Modelo digital de Variveis Morfomtricas com dados SRTM para o Territrio Nacional: o Projeto TOPODATA. In: Anais XII Simpsio Brasileiro de Sensoriamento Remoto, Goinia, Brasil, 2005, INPE, p. 1-8. VASCONCELOS, C. H.; NOVO, E. M. L. M. Mapeamento do Uso e Cobertura da Terra a partir da Segmentao e Classificao de Imagens Frao Solo, Sombra e Vegetao derivadas do Modelo Linear de Mistura Aplicado a Dados do Sensor TM/Landsat5, na Regio do Reservatrio de Tucuru PA. Revista Acta Amazonica., v. 34, n. 3, Manaus, 2004, p. 487 493.

72

VETORAZZI, C. A. LER 450 Topografia e Geoprocessamento II Anlise de Imagens de Sensoriamento Remoto. ESALQ-USP Dep. de Engenharia Rural LER. Piracicaba SP. 2007. Wikipdia, C. "Overfitting". Wikipedia, a enciclopdia livre. <http://en.wikipedia.org/w/index.php?title=Overfitting&oldid=515990377>. Acessado em: 19 de outubro de 2012.