ANÁLISE DE CLASSIFICAÇÃO DE IMAGEM RAPIDEYE POR MEIO DOS
SOFTWARES INTERIMAGE E SPRING.
Classification Analysis of RapidEye Image Through the Softwares Spring and
InterIMAGE.
Andrea Amaziles Antunes Alves de Carvalho1
Leandro da Silva Gregório2
Marcos Roberto Farias Ferreira3
Rodrigo de Souza Couto4
Wallas Oliveira de Castro5
Welber Ferreira Alves6
Gilson O. A. Pinto Costa7
Ricardo Seixas Brites8
Edilson de Souza Bias9
1,2,3,4,5
Instituto Brasília Ambiental - IBRAM/DF
Superintendência de Estudos, Projetos e Programas.- SUPEM
[email protected]
6
Agência Reguladora de Águas,
Energia e Saneamento Básico do Distrito Federal - ADASA
Superintendência de Recursos Hídricos - SRH
[email protected]
7
Pontifícia Universidade Católica do Rio de Janeiro – PUC/RJ
Departamento de Engenharia Elétrica - ELE
Laboratório de Visão Computacional - LVC
[email protected]
8, 9
Universidade de Brasília - UnB
Instituto de Geociências - IGD
[email protected]
RESUMO
O desenvolvimento tecnológico em sensoriamento remoto vem proporcionando um grande incremento na qualidade das imagens orbitais. Um exemplo notável é o satélite RapidEye que com a sua resolução espacial e temporal, passou a ser bastante atrativo para estudos ambientais no Brasil, mobilizando o Governo Federal para aquisição de imagens para suprir toda a cobertura do País. Apesar do extraordinário avanço, os métodos de classificação ainda sofrem muita influência da mistura espectral devido à variância inter-­‐pixel observada nas imagens de alta resolução. Na busca de novas soluções, surgiram softwares que possibilitam a classificação de imagens com base em objetos, entre os quais destaca-­‐se o eCognition e o InterIMAGE, que buscam facilitar a representação e processamento do conhecimento humano sobre as características específicas dos alvos de interesse. Estes sistemas são baseados em regras e árvores de decisão, representando o conhecimento do especialista. O presente trabalho teve como objetivo desenvolver uma análise do uso e ocupação do solo na Fazenda
Boa Vista, localizada na porção oeste do Distrito Federal, na Região Administrativa de Planaltina, com uma área de 4.422,90 ha. Para tanto, foi utilizada uma imagem digital do satélite RapidEye obtida em 2011, e as classificações foram geradas utilizando os softwares SPRING e InterIMAGE, sendo que, na primeiro o método de classificação foi a MAXVER, e a outra com orientação a objeto. A comparação entre as duas classificações foi realizada visando identificar o melhor resultado. Em relação aos softwares utilizados percebeu-­‐se que o InterIMAGE possui um grande potencial para classificação das imagens RapidEye e que seu resultado bruto, 1
sem nenhum tratamento da imagem, foi compatível com a classificação realizada no SPRING, no qual a imagem passou por procedimentos de pós-­‐classificação. Palavras chaves, InterIMAGE, SPRING, Classificação, Orientação a Objeto
ABSTRACT
The technological development in the remote sensing field is allowing a large improvement in the quality of satellite
imagery. A notable example is the RapidEye satellite that, with its spatial and temporal resolution, has become very
attractive for environmental studies in Brazil, mobilizing the Federal Government to acquire images to cover the entire
country. Despite the breakthrough, the classification methods are still very influenced by the spectral mixture due to the
high inter-pixel variance observed in high resolution imagery. In the search for new solutions new software have
emerged enabling the image classification based on objects. Among them the eCognition and InterIMAGE are
highlighted, both seeking to facilitate the representation and processing of human knowledge on the specific
characteristics of targets. These systems are based on rules and decision trees, representing the expert's knowledge. This
study aimed at the developement and analysis of the use and occupation of the Fazenda Boa Vista, located in the
western portion of the Federal District, in the Planaltina Administrative Region with an area of 4422.90 ha. A digital
image of the RapidEye satellite acquired in 2011 was used, and the classifications were generated using the SPRING
and InterIMAGE software. The first was used to generate a GML (Gaussian Maximum Likelihood) classification while
the second performed the object oriented classification. A comparison between the two classifications was made to
identify the best result. Considering the used software, it was realized that the InterIMAGE has great potential for the
classification of RapidEye images and its final product, without any further image treatment besides the classification
itself, was consistent with the SPRING classification, in which the image has undergone post–classification procedures.
Keywords: RapidEye, InterIMAGE, Classification, Object Orientation.
1. INTRODUÇÃO
Entre os aspectos que se pode relacionar para os estudos de ocupação do solo, o mapeamento do uso da terra é
um dos fundamentais, uma vez que possibilita, de um lado, a espacialização e a quantificação das diversas ocupações,
dos elementos funcionais existentes e os seus reflexos no equilíbrio ambiental.
De acordo com Bias et al. (2010) as imagens de sensoriamento remoto tornaram-se mais atrativas a partir da
década de 1980, com o advento da segunda geração de satélites da série Landsat, portando um sensor de melhor
resolução espacial (30 metros) e com o surgimento, em 1986, do satélite francês SPOT, com um módulo de imagens
multiespectrais de resolução espacial de 20 metros e uma imagem pancromática com 10 metros. Mesmo sendo
considerados sensores de média resolução espacial, a combinação com uma boa resolução espectral possibilitou de se
fazer análises da complexidade do ambiente urbano, com maior fidelidade e identificação de um maior número de
detalhes. Por sua vez, o uso de classificações supervisionadas com essas imagens mostrou ser um excelente método para
estudos do planejamento urbano.
Os produtos de sensoriamento remoto, principalmente com o advento das imagens de alta resolução espacial
apresentaram uma nova perspectiva para as áreas de mapeamento, tanto pelo aspecto de resolução espacial, como pelo
da resolução radiométrica.
O alto nível de detalhe espacial, espectral e radiométrico das imagens produzidas pelas novas plataformas tem
motivado o desenvolvimento de novos classificadores, uma vez que os tradicionais, desenvolvidos para imagens de
média e baixas resoluções e que tinham como foco a classificação de pixels individuais, se mostraram pouco eficientes
no reconhecimento automático dos alvos identificáveis nas imagens de alta resolução espacial hoje disponíveis
(BLASCHKE & STROBL 2001; BLASCHKE et al. 2008).
No que tange as novas plataformas orbitais, destaca-se a RapidEye, que opera seu próprio sistema, composto
por cinco satélites de Sensoriamento Remoto, capazes de coletar imagens sobre grandes áreas, com alta capacidade de
revisita. A componente espacial do sistema RapidEye encontra-se posicionada em órbita síncrona com o sol, com igual
espaçamento entre cada satélite. Esta configuração permite estabelecer novos padrões de eficiência relacionados à
repetitividade de coleta e a exatidão das informações geradas sobre a superfície da Terra, sendo capaz de produzir
imagens de qualquer ponto do globo, em qualquer dia, todos os dias, e permite assumir uma postura pró-ativa ao
capturar imagens de regiões relevantes e torná-las disponíveis mais rapidamente e com maior eficácia.
A resolução espacial original de cada banda é de 6,5 metros, que após a ortorretificação, permitem uma
resolução de 5m, resultando em imagens corrigidas com precisão de detalhes compatível com escala 1:25.000, Tabela 1.
Os cinco satélites são equipados com sensor multiespectral composto de scanners de linha com 12.000 pixels
cada, capazes de capturar imagens em cinco bandas espectrais, com alcance de comprimento de onda entre 440 µm
e 850 µm. É o primeiro sistema orbital a incluir a banda Red Edge, específica para o monitoramento da atividade
fotossintética da vegetação, Tabela 2.
2
TABELA 1 - ESPECIFICAÇÕES TÉCNICAS GERAIS DOS SATÉLITES DO SISTEMA RAPIDEYE. Fonte:
adaptado de RapidEye (2013).
Número de Satélites
5
Altitude da Órbita
630 km, órbita síncrona com o Sol
Hora de Passagem no Equador
11:00 hs (aproximadamente)
Velocidade
27.000 km/h
Largura da Imagem
77 km
Tempo de Revisita
Diariamente (off-nadir); 5,5 Dias (nadir)
Capacidade de Coleta
4,5 milhões de Km2/dia
Tipo do Sensor
Multiespectral (pushbroom imager)
Bandas Espectrais
5 (Red, Green, Blue, Red-Edge, Near IR)
Resolução Espacial (nadir)
6,5 m
Tamanho do Pixel (ortorretificado)
5m
Armazenamento de Dados a Bordo
1.500 km de dados de imagens por órbita
Resolução Radiométrica
12 bits
Velocidade de Download (banda X)
80 Mbps
TABELA 2 – BANDAS ESPECTRAIS DOS SATÉLITES DO SISTEMA RAPIDEYE.
440 – 510 µm
Azul
520 – 590 µm
Verde
630 – 685 µm
Vermelho
690 – 730 µm
Red-Edge
760 – 850 µm
Infravermelho próximo
Fonte: adaptado de RapidEye (2013).
Na classificação baseada em objeto os pixels são inicialmente agrupados em segmentos, regiões homogêneas
(de acordo com algum critério de homogeneidade) contíguas da imagem. Os segmentos são objetos primitivos aos quais
o processo de classificação atribui classes (WALTER, 2004). Além de informações espectrais (média, desvio padrão,
máximo, mínimo, etc.), os segmentos de uma imagem possuem uma grande quantidade de atributos adicionais que
podem ser utilizados no processo de classificação: textura, forma, contexto, relações de vizinhança, etc. Neste trabalho o
foram utilizados o pacote de software InterIMAGE sistema de código aberto, desenvolvido pelo Laboratório de Visão
Computacional do Departamento de Engenharia Elétrica da Pontifícia Universidade Católica do Rio de Janeiro e pelas
divisões de Processamento de Imagens e de Sensoriamento Remoto do Instituto Nacional de Pesquisas Espaciais
(COSTA et al. 2008) e o Spring, que é um software brasileiro para Sistemas de Informações Geográficas (SIG) que
teve seu berço no Instituto Nacional de Pesquisas Espaciais (INPE). O software faz parte de um projeto da Divisão de
Processamento de Imagens (DPI) do INPE com a participação de outras entidades que contribuíram para o
desenvolvimento de seu código e também apoiando financeiramente.
Tendo como ferramentas os softwares InterIMAGE e SPRING e uma imagem RapidEye, o presente trabalho
apresenta uma análise comparativa da classificação do uso e ocupação do solo, baseada nos processos de orientação a
objeto (elaborada no software InterIMAGE) e pixel a pixel (elaborada no software SPRING).
2. ÁREA DE ESTUDO
A Fazenda Boa Vista localiza-se na porção oeste do Distrito Federal, na Região Administrativa de
Planaltina, e possui uma área de 4422,90 ha, figura 1.
2
Fig.1- Fazenda Boa Vista – Área de Estudo.
3. MATERIAL E METODOS
3.1 – Material
O presente trabalho apresenta uma análise do uso e ocupação do solo na Fazenda Boa Vista. Para tanto, foi
utilizada uma imagem digital do satélite RapidEye obtida em 2011, tendo em vista que as imagens deste sensor
são úteis para o mapeamento do uso e cobertura do solo para fins de monitoramento ambiental regional, utilizando-se
os softwares SPRING e InterIMAGE.
3.2 – Métodos
Os procedimentos adotados para a classificação são apresentados no Fig. 2.
Fig. 2 - Fluxograma de Procedimentos metodológicos.
3
3.2.1 Classificação da Imagem com o software SPRING
Foi feita classificação "pixel a pixel" que utiliza apenas a informação espectral de cada pixel para encontrar
regiões homogêneas. A técnica de classificação multiespectral foi a máxima verossimilhança (MAXVER). Nela é
considerada a ponderação das distâncias entre médias dos níveis digitais das classes utilizando parâmetros estatísticos.
As classes definidas de uso e ocupação das terras foram as seguintes:
(a) Água
(b) Antropizado
(c) Veg. Campestre
(d) Veg. Florestal
(e) Veg. Savânica
(f) Reflorestamento
Após a definição das classes foram coletadas as amostras, etapa denominada treinamento no software, e
procedeu-se a classificação. Antes da classificação propriamente dita, o Spring permite a análise das amostras coletadas
para que seja verificada a matriz de confusão em cada classe temática. Feita a análise, partiu-se para a classificação por
máxima verossimilhança (MAXVER), com limiar de aceitação de 99,9%, e por conseguinte três etapas sucessivas de
pós-classificação com peso 1 e limiar 1.
No Spring os resultados da classificação e de cada uma das etapas de pós-classificação são apresentados na
forma de planos de informação (PIs), gerando um PI específico para cada uma das etapas processadas.
Em função de limitações dos algoritmos de classificação e da variedade de comportamentos espectrais dos
alvos na área de estudo, mesmo com a pós-classificação ocorreram erros de omissão e comissão. A omissão gera uma
classe subestimada, visto que ocorre quando determinada feição espectral que deveria ser classificada em uma dada
classe temática é classificada como pertencente a outra. Enquanto que o erro de comissão é o contrário, ou seja, a feição
espectral é classificada como uma classe temática que não corresponde à realidade na superfície terrestre, sendo
superestimada.
Diante disso, é importante a habilidade e o conhecimento do intérprete. Cabe a ele melhorar os resultados
obtidos no processamento digital, segundo critérios pré- estabelecidos. Então, após o processamento das etapas de
classificação e pós-classificação foi realizada a edição matricial em cada uma das classes. A edição matricial é uma
função que permite a intervenção direta do intérprete nos resultados obtidos no processamento digital, alterando
eventuais erros de omissão ou comissão.
3.2.2 Classificação da Imagem com o software InterIMAGE
As classificações baseadas em objetos foram feitas no software InterIMAGE v1.37. As classes definidas de uso
e ocupação das terras foram as seguintes:
(a) Água
(b) Antropizado
(c) Veg. Campestre
(d) Veg. Florestal
(e) Veg. Savânica
(f) Reflorestamento
A estruturação das redes semânticas para cada área-teste foi:
Fig.3 - Rede Semântica.
4
A estratégia para classificação foi separar as classes duas a duas. Assim, procedeu-se a classificação da
seguinte forma:
Água e Terra:
Índice NDWI (bandas Verde e Near IR)
Operador TA_Arithmetic com os seguintes valores:
b) Threshold Min 0.3
c) Threshold Max 1
d) Polygons Min Area 10
e) Dummy Value (no data) 0
f) Arithmetic Expression ( R0:1 – R0:4 ) / ( R0:1 + R0:4 )
g) Morphological Filter Iterations 1
h) Reliability 0.5
i) Non-Class name Terra
Para Terra:
Antropizado e Natural
Oeprador TA_Baatz_Segmenter com os seguintes valores:
a1) Input Bands (comma separated) 0,1,2,3,4
a2) Input Weights (comma separated) 1,1,1,1,1
b) Compactness Weight 0.5
c) Color Weight 0.5
d) Scale Parameter 100
e) Use Optimization no
f) Reliability 0.5
g) Euclidean Distance Threshold 20
Com a seguinte regra de decisão:
Fig.4 - Regra de Decisão Para Classificação de Água e Terra.
Para Natural:
Vegetação Grande Porte e Vegetação Baixo Porte:
Índice NDVI (bandas Near IR e Vermelho)
Operador TA_Arithmetic com os seguintes valores:
b) Threshold Min 0.3
c) Threshold Max 1
d) Polygons Min Area 100
e) Dummy Value (no data) 0
f) Arithmetic Expression ( R0:4 – R0:2 ) / ( R0:4 + R0:2 )
g) Morphological Filter Iterations 1
h) Reliability 0.5
i) Non-Class name VegBaixo
Para Vegetação Baixo Porte:
Campestre e Savânica
Operador TA_Baatz_Segmenter com os seguintes valores:
a1) Input Bands (comma separated) 0,1,2,3,4
a2) Input Weights (comma separated) 1,1,1,1,1
5
b) Compactness Weight 0.7
c) Color Weight 0.3
d) Scale Parameter 80
e) Use Optimization no
f) Reliability 0.5
g) Euclidean Distance Threshold 20
Fig.5 - Regra de Decisão Para Classificação de Vegetação de Grande Porte e Baixo Porte.
Os limiares dos índices foram selecionados por meio das respostas encontradas no recurso Analysis Manager
com a ferramenta Debug Mode ativa e com Breakpoint selecionado para TopDown. Isso permitiu o refinamento dos
resultados por meio da análise de gráficos de histogramas.
A classe savânica apresentou uma “confusão” ao misturar vegetação nativa arbustiva, com cultivos de
frutíferas e outras culturas em estagio inicial. Foi testado reduzir o limiar no índice de NDVI para tentar separar esses
elementos, porém o resultado não se mostrou positivo, pois a vegetação nativa estava sendo excluída da classe savânica
ao “apertar” o limiar. Por isso optamos por executar uma classificação supervisionada para extrair as amostras de
cultivos. Foi utilizado o operador TA_Baatz_Segmenter com os seguintes parâmetros:
a1) Input Bands (comma separated) 0,1,2,3,4
a2) Input Weights (comma separated) 1,1,1,1,1
b) Compactness Weight 0.5
c) Color Weight 0.5
d) Scale Parameter 70
e) Use Optimization no
f) Reliability 0.5
g) Euclidean Distance Threshold 20
Após coletar as amostras foi utilizado o operador TA_C45_Classifier, no nó antropizado. Após esse
procedimento, foi observado que o sofware conseguiu separar bem as classes de cultivo na imagem e foi exportado o
shape.
4. RESULTADOS E DISCUSSÃO
Na classificação realizada no software SPRING, em função da limitação dos algoritmos de classificação e da
variedade de comportamentos espectrais dos alvos na área de estudo, mesmo com a pós-classificação,
ocorreram erros de omissão e comissão. A omissão gera uma classe subestimada, visto que ocorre quando determinada
feição espectral que deveria ser classificada em uma dada classe temática é classificada como pertencente a outra.
Enquanto que no erro de comissão a feição espectral é classificada como uma classe temática que não corresponde à
realidade na superfície terrestre, sendo superestimada, demandando a habilidade e o conhecimento do intérprete. Desta
forma, a etapa de pós-classificação foi realizada com a edição matricial em cada uma das classes. A edição matricial é
uma função que permite a intervenção direta do intérprete nos resultados obtidos no processamento digital, alterando
eventuais erros de omissão ou comissão.
No software InterIMAGE, os limiares dos índices foram selecionados por meio das respostas encontradas no
recurso Analysis Manager com a ferramenta Debug Mode ativa e com Breakpoint selecionado para TopDown.
Isso permitiu o refinamento dos resultados por meio da análise de gráficos de histogramas.
Das classificações desenvolvidas em ambos os softwares, foi possível apreciar os resultados (Figuras 6 e 7) e
algumas comparações na Figura 8.
6
Fig. 6 - Classificação pixel a pixel feita no software SPRING.
Fig. 7 - Classificação orientada a objeto feita no software InterIMAGE
7
Fig. 8 - Comparação de algumas classes InterIMAGE versus SPRING.
8
Em relação aos softwares utilizados percebe-se que ambos são excelentes classificadores, mas exigem
conhecimento do operador tanto com relação à área a ser classificada quanto do sensor do imageamento, para que o
trabalho seja o mais fidedigno possível.
Ressalta-se que no presente trabalho foi efetuada a análise das ferramentas de classificação com uso do
software SPRING em que foi feito edição matricial das classes, enquanto a classificação no InterIMAGE não foi
feito nenhum tratamento d e pós-classificação. Este procedimento pode favorecer o resultado do SPRING, se a
análise não levar em consideração esse aspecto. Contudo, neste trabalho, observou-se esse aspecto, e decidiu-se
realizar as comparações com dados brutos do InterIMAGE e dados tratados do SPRING, uma vez que buscou-se saber
o quão próximo o dado bruto do InterIMAGE se aproximava do SPRING tratado. Os resultados são apresentados na
Figura 8 acima, onde verifica-se uma maior fidedignidade na classificação do InterIMAGE.
5. CONSIDERAÇÕES FINAIS
Os resultados obtidos sinalizaram que o software InterIMAGE é uma ferramenta bastante interessante para a
classificação e geração de mapas temáticos, significando uma considerável economia de tempo e de maior qualidade
nos produtos gerados, comparativamente a utilização dos métodos tradicionais de classificação de imagens orbitais.
Comparando os resultados das duas metodologias, pode-se concluir que ambas técnicas de classificação
apresentaram respostas muito semelhantes, sendo que a orientada a objetos tem como principal vantagem a
possibilidade de utilizar informações intrínsecas extraídas dos objetos, como a resposta espectral média,variância,
dimensões, forma e textura.
6. REFERÊNCIAS BIBLIOGRÁFICAS
BIAS, E. S.; BRITES. R. S.; SANTA ROSA, A. N. C.: Imagens de Alta Resolução Espacial. In: Introdução ao
Processamento de Imagens de Sensoriamento Remoto. Org. Paulo Roberto Menezes e Tati de Almeida. CNPq/UnB,
Brasilia, 2010, p. 242-261.
BLASCHKE, T.; STROBL, J. What’s wrong with pixels?: Some recent developments interfacing remote sensing and
GIS. GeoBIT 6 (6), 12-17. 2001
BLASCHKE, T.; LANG, S.; HAY, G. J. Object based Image Analysis – Spatial Concepts for Knowledge-Driven
Remote Sensing Applications, Lecture Notes in Geoinformation and Cartography. Springer-Verlag, Berlin, 818p, 2008.
COSTA, G. A. O. P.; PINHO, C. M. D.; FEITOSA, R. Q.; ALMEIDA, C. M., KUX, H. J. H.; FONSECA, L. M. G.;
OLIVEIRA, D. A. B. INTERIMAGE: Uma Plataforma Cognitiva Open Source para a Interpretação Automática de
Imagens Digitais. Revista Brasileira de Cartografia 60, 331-337. 2008.
RAPIDEYE, Satellite imagery product specifications. Disponível em: <www.rapideye.com>.
Acesso em out. 2013.
WALTER. V. Object-based classification of remote sensing data for change detection. Int.
Journal of remote sensing 58:225-238, 2004.
9