Programa Integrado de Monitoria Remota de Fragmentos ... · Modelo Digital de Superfície extraído a partir de um estereopar IKONOS2 (Jan 2010) Figura 6. Visão hibrida das imagens

Programa Integrado de Monitoria Remota de

Fragmentos Florestais e

Crescimento Urbano no Rio de Janeiro

Relatório Trimestral de Atividades

Abril / Maio / Junho de 2010

2

Índice

1. Apresentação .................................................................................................................................3

2. Fotogrametria .................................................................................................................................4

3. Classificação Visual ......................................................................................................................8

3.1. Classificação do Parque Estadual da Pedra Branca 2009 ...............................................8

3.2. Elaboração de Projetos Científicos .....................................................................................9

3.3 Atividades em Desenvolvimento ..........................................................................................9

4. Classificação Automática .......................................................................................................... 10

4.1. Introdução ............................................................................................................................ 10

4.2. Atividades Desenvolvidas.................................................................................................. 10

4.3. Referências Bibliográficas ................................................................................................. 15

3

1. Apresentação

Em atendimento ao disposto na Cláusula 04ª, item I, do contrato nº09/08, o presente documento

apresenta o relatório técnico e de acompanhamento físico e financeiro (disposto em outro

encarte) relativo às funções e atividades desenvolvidas pela equipe de execução do Programa

Integrado de Monitoria Remota de Fragmentos Florestais e de Crescimento Urbano no Rio

de Janeiro, realizado pela Secretaria de Estado do Ambiente (SEA) e pelo Instituto Estadual do

Ambiente (INEA) em parceria com a Pontifícia Universidade Católica do Rio de Janeiro (PUC-

Rio) através do Núcleo Interdisciplinar de Meio Ambiente (NIMA). As atividades aqui descritas

foram realizadas durante o quarto trimestre do projeto (Outubro/ Novembro/ Dezembro).

4

2. Fotogrametria

As atividades realizadas no trimestre incluíram revisões de processamentos anteriores. Somente

ao final do segundo trimestre (abril até junho) de 2010 deu-se o recebimento e o processamento

de novas imagens.

Foi recebido um conjunto com cinco novas imagens monoscópicas obtidas no mês de maio de

2010 para a geração de novas ortoimagens das áreas do Maciço da Tijuca e do Maciço da Pedra

Branca. Três das imagens recebidas estão localizadas sobre o Maciço da Tijuca (figuras 1, 2 e 3)

e duas situam-se na vertente Norte do Maciço da Pedra Branca (figuras 4, 5, 6).

Figura 1. Três cenas monoscópicas sobre o Maciço da Tijuca (Maio 2010)

5

Figura 2. Modelo Digital de Superfície extraído a partir de um estereopar IKONOS2 (2009)

Figura 3. Visão hibrida das imagens monoscópicas sobre o modelo digital de superfície

6

Figura 4. Duas cenas monoscópicas sobre a vertente Norte do Maciço da Pedra Branca

(Maio 2010)

Figura 5. Modelo Digital de Superfície extraído a partir de um estereopar IKONOS2 (Jan 2010)

Figura 6. Visão hibrida das imagens monoscópicas sobre o modelo digital de superfície

7

De maneira similar à reportada em relatórios técnicos anteriormente remetidos ao INEA, a

metodologia empregada para o processamento fotogramétrico foi similar à utilizada em projetos

anteriores, com a ressalva de que, uma vez que as cinco imagens recebidas são monoscópicas,

foi necessário utilizar os Modelos Digitais de Superfície anteriormente gerados em outros projetos

fotogramétricos, a fim de proceder à orto-retificação dessas imagens. O uso dos Modelos Digitais

de Superfície encontra-se ilustrado nas figuras 3 e 6 acima.

Uma vez terminado o processamento fotogramétrico, as ortoimagens foram remetidas para a

equipe de classificação do LabGIS.

8

3. Classificação Visual

3.1. Classificação do Parque Estadual da Pedra Branca 2009

Foi realizada ao longo destes três meses a classificação da vertente norte do Maciço da Pedra

Branca. Conforme dito no relatório anterior, os mesmos níveis de segmentos foram adotados:

200 100 e 30. Na figura 7 está o resultado da classificação da imagem IKONOS do Maciço da

Pedra Branca.

Figura 7. Classificação da Imagem de 2009 do Parque Estadual da Pedra Branca

(Vertente Norte).

Pode-se ver abaixo, a tabela de distribuição das classes identificadas e levantadas conforme a

porcentagem de cada uma em relação ao total.

Tabela 1. Porcentagem das classes levantadas no Maciço da Pedra Branca (Vertente Norte).

CLASSES %

Afloramento Rochoso 1,52

Campo 22,50

Solo Exposto 1,63

Vegetação 70,85

Sombra 0,08

Água 0,02

Área Edficada 1,18

Não classificada 2,17

Nuvem 0,05

TOTAL 100

9

3.2. Elaboração de Projetos Científicos

A partir dos dados levantados, os integrantes da equipe de classificação visual iniciaram

pesquisas individuais sobre os seguintes temas:

• Análise multitemporal da cobertura do solo

• Impactos do crescimento urbano sobre o Maciço da Pedra Branca

• Definição e conceituação de classes

• Análise do processo de segmentação

• Análise da classificação automática das classes ‘vegetação’ e ‘área edificada’

É importante destacar que todos os trabalhos estão sendo desenvolvidos utilizando como base

as imagens IKONOS adquiridas pelo Projeto PIMAR e visam o aprimoramento das metodologias

já implantadas.

3.3 Atividades em Desenvolvimento

Atualmente, a partir da entrega das imagens monoscópicas que foram programadas em Maio de

2010, a equipe de classificação iniciou a classificação da imagem referente a área do Maciço da

Pedra Branca e está em processo de edição da imagem referente ao Maciço da Tijuca.

10

4. Classificação Automática

4.1. Introdução

Este eixo de atividades do projeto PIMAR se dedica a elaboração de um modelo de interpretação

automática das imagens utilizadas no projeto PIMAR através de técnicas de classificação de

imagens por análise orientada a objeto. Para tal tarefa está sendo utilizado o sistema de livre

acesso e código aberto para a interpretação automática de imagens InterIMAGE (InterIMAGE,

2009). Tal modelo de interpretação automática estará, ao final do projeto, formalizado em uma

interface gráfica através da qual o usuário poderá coletar amostras das classes de interesse

sobre a imagem e, com base nestas amostras, o modelo realizará a criação de regras de

classificação e a interpretação da imagem propriamente dita. Ao final do processo o usuário

obterá um mapa temático das classes de interesse (com exatidão temática do mapa estimada)

para a área e data de aplicação do modelo.

O objetivo é que o modelo de interpretação por fim elaborado obtenha resultados com grau de

exatidão e precisão temática igualmente para todas as datas de análise do projeto e que possa

eventualmente ser aplicado em outras áreas de estudos para monitoramento de supressão de

vegetação e expansão urbana utilizando imagens de sensoriamento remoto de alta resolução

espacial.

4.2. Atividades Desenvolvidas Ao passo que nos relatórios anteriores mostramos um potencial modelo de interpretação

automática formatado para o sistema InterIMAGE (InterIMAGE, 2010) e que consistia em

procedimentos de segmentação e classificação destes segmentos pelo algoritmo de árvore de

decisão C4.5 (Quinlan, 1993), neste relatório será mostrado uma estratégia alternativa a esta que

está sendo testada neste momento.

Esta estratégia de interpretação automática está sendo testada utilizando os sistemas

InterIMAGE e Definiens (Definiens, 2010) de classificação de imagem e está estruturada em

forma de uma rede semântica expressa na Figura 8. Como o objetivo principal do Projeto PIMAR

é detectar a supressão de Mata Atlântica à custa, na maioria dos casos, de expansão urbana, o

mais crucial no que tange a exatidão do modelo de interpretação automática é a detecção da

11

classe Vegetação, independentemente se esta vegetação é de gramínea ou arbórea. Por isso,

até o momento, diferentemente dos modelos testados nos meses anteriores, temos testado uma

forma de calibração, ou seja, definição do limiar que separa Vegetação de Não-Vegetação, ao

passo que anteriormente os limiares, assim como o próprio atributo usado nesta separação, eram

definidos pelo algoritmo C4.5 com base em amostras coletadas pelo usuário. Presentemente,

está definido que a separação de Vegetação e Não-Vegetação será feita utilizando-se o atributo

‘Divisão da média da banda do infravermelho próximo pela média da banda do vermelho’ (daqui

em diante referiremos a este atributo pelo nome B4/B3) para cada segmento gerado no processo

de segmentação com parâmetros já reportados nos relatórios anteriores. Da mesma forma, ficou

definido que o atributo ‘Brilho’ (que é a soma das médias dos pixels em cada uma das quatro

bandas do sensor IKONOS dividido por 4) será utilizado na separação de Sombra e Não-Sombra.

A seguir, explicaremos como que provavelmente será feita a detecção de Sombra e de

Vegetação, ou seja, como será feita a definição do valor-limiar nestes dois casos.

Figura 8. Rede semântica testada na elaboração do modelo de interpretação automática.

No caso da detecção de Sombra e de Não-Sombra (operador inserido no nó Segmentação) isto

se dará da seguinte forma: o operador segmentará a imagem e ordenará estes segmentos

crescentemente considerando o valor do atributo ‘Brilho’ de cada segmento; o usuário então

navegará por esta lista e, através de uma tela, conseguirá visualizar o segmento na imagem com

12

valor de ‘Brilho’ imediatamente acima e abaixo deste limiar. Ou seja, ficará a cargo do usuário

definir, de forma supervisionada e utilizando o recurso da lista de valores e da tela mostrando os

segmentos-limiares, o valor do limiar. Os segmentos com valor abaixo do limiar passam a

pertencer à classe Sombra, enquanto os com valor acima passam a pertencer à Não-Sombra. É

sobre a área geográfica de Não-Sombra que o operador para a separação de Vegetação e Não-

Vegetação irá ser processado.

A definição do limiar para a separação de Vegetação e Não-Vegetação será feita por uma de

duas alternativas, de acordo com a conveniência/necessidade do usuário, a saber: por definição

da área máxima de pós-edição ou por definição da probabilidade de não se detectar

desmatamento. Ambas as alternativas exigem que para os segmentos classificados como Não-

Sombra, seja calculado o atributo B4/B3, assim como a classe (Vegetação ou Não-Vegetação) a

qual pertencia este segmento na imagem da data anterior. De forma similar a separação de

Sombra e Não-Sombra, uma lista dos segmentos (contendo a informação de classe no ano

anterior) ordenados pelo valor do atributo B4/B3 é gerada pelo operador e disponibilizada ao

usuário através da interface gráfica do sistema.

No caso do usuário decidir definir o limiar através da definição da área máxima a ser editada

pelos foto-intérpretes, é feito o seguinte: (1) Constrói-se uma lista dos segmentos que na data

anterior pertenciam a Vegetação, (2) ordenam-se os segmentos desta lista pelos valores do

atributo B4/B3 e (3) defini-se o limiar L tal que a proporção dos polígonos da lista com B4/B3 <T

seja mais próxima possível da área relativa máxima da imagem a ser analisada pelos foto-

intérpretes.

No caso do usuário decidir definir o limiar através da definição da probabilidade de não detectar

desmatamento, é feito o seguinte: (1) constrói-se uma lista dos segmentos que na data anterior

pertenciam a #vegetação, (2) ordenam-se os segmentos desta lista por B4/B3 e (3) defini-se o

limiar L tal que a proporção dos polígonos da lista com B4/B3 > L seja mais próxima possível da

probabilidade de não se detectar desmatamento definida pelo usuário. A Figura 9 exibe

graficamente o que foi dito.

13

Figura 9. Esquema de definição de limiares.

Antes da definição desta estratégia acima explicada, o gráfico da Figura 10 foi elaborado com

vistas a avaliar a separabilidade das classes em relação ao atributo B4/B3. A área ínfima de

intersecção entre as curvas corrobora a assertiva de que este de fato é um atributo bom para a

separação das classes de interesse do Projeto PIMAR. A Figura 11 mostra um gráfico elaborado

em que se mostra a relação entre as duas alternativas que o usuário tem para a definição do

limiar para a separação de Vegetação e Não-Vegetação com base no ano de 2008 (linha azul) e

no ano de 2009 (linha vermelha). Apesar do fato de que se fosse definido uma probabilidade de

0,5% de não se detectar desmatamento a área relativa de pós-edição seria de aproximadamente

40%, definindo-se uma probabilidade de não se detectar desmatamento de 1% ou mais, a área a

ser pós-editada seria de menos de 15%. Estes dois gráficos expressam com clareza tanto a

separabilidade das classes Vegetação e Não-Vegetação pelo atributo B4/B3, quanto a relação

área de pós-edição/probabilidade de não detectar desmatamento para todos os possíveis limiares

do atributo B4/B3.

14

Figura 10. Gráfico de distribuição das classes em relação ao atributo B4/B3.

Figura 11. Gráfico de distribuição das classes em relação ao atributo B4/B3.

Quanto aos outros nós da rede semântica, estes serão detectados na imagem da mesma forma

adotada para a classificação de Sombra, ou seja, lista-se crescentemente os valores do atributo

associado às classes e, com este recurso junto com a visualização na tela dos segmentos

imediatamente antes e depois do limiar, defini-se o limiar mais apropriado. Assim para a

15

separação entre Solo Exposto e Área Urbana, o atributo ‘Divisão da média da banda do vermelho

próximo pela média da banda do azul’ (B3/B1) será usado. Para a separação entre as classes

Floresta e Campo, o atributo ‘Brilho’ será novamente usado. Assim finaliza-se a etapa Top-Down

do modelo de classificação (ver relatório anterior). Na etapa Bottom-Up será feita apenas a

reclassificação de segmentos erroneamente classificados através de regras contextuais já

reportadas nos relatórios anteriores.

4.3. Referências Bibliográficas

CONGALTON, R. G.; GREEN, K. Assessing the accuracy of remotely sensed data – principles and practices. Boca Raton: Lewis Publishers, 1999. 137 p. ISBN: 0-87371-986-7. INTERIMAGE. InterIMAGE – Interpreting images freely. Desenvolvido por Laboratório de Visão Computacional da Pontifícia Universidade Católica do Rio de Janeiro. Rio de Janeiro, Brasil, 2009. Disponível em: http://www.lvc.ele.puc-rio.br/projects/interimage/. Acesso em: 15 jul. 2009. QUINLAN, J.R. C4.5: programs for machine learning. San Francisco: Morgan Kaufmann, 1993.