DESENVOLVIMENTO DE MÁSCARA DE FLORESTA UTILIZANDO CLASSIFICAÇÃO ORIENTADA A OBJETO

Autores

¹Zebende, J.V.; ²Weckmüller, R.; ³Vicens, R.S.

¹UFF Email: jjzebende@gmail.com
²UFF Email: weckmuller@gmail.com
³UFF Email: rsvicens@id.uff.br

Resumo

A Mata Atlântica é um bioma de ampla diversidade, apresenta também uma alta taxa de endemismo e estende-se ao longo de 17 estados brasileiros. Entretanto, devido a uma pressão antrópica, hoje os remanescentes de vegetação nativa estão reduzidos a cerca de 22% de sua cobertura original e encontram-se em diferentes estágios de regeneração. Somente 8,5% estão bem conservados em fragmentos acima de 100 hectares. (MMA, 1998). Neste contexto, o sensoriamento remoto com o auxílio de Sistema de Informações Geográficas (SIG) tem sido utilizado para mapeamento de áreas florestadas no Brasil. Para o presente trabalho foram utilizadas imagens Landsat, dos sensores TM e OLI, associados a índices de vegetação como o NDVI e a Razão Simples, para a construção de máscaras de florestas. Estas servem como um recurso acessível e prático para o auxílio de estudos de detecção de mudanças em áreas florestadas. Foi realizada uma classificação de floresta para o ano inicial (1984) e o ano final (2016) de cada cena no software eCognition, com ênfase na modelagem fuzzy e análise orientada a objetos. A junção destas duas classificações resulta na máscara de floresta, que além de contemplar todas que ficaram invariantes, também abrange as florestas que só existiam no ano inicial e foram removidas, e aquelas que surgiram no ano final e possivelmente foram regeneradas. Foram utilizados dois algoritmos para a segmentação.Primeiramente o algoritmo multiresolution segmentation, com parâmetro de escala 30 e os critérios 0.1 de forma (ou seja, 0.9 para o fator cor) e 0.5 de compacidade (resultando em 0.5 para suavidade). Esse segmentador multirresolução possui um algoritmo que leva em consideração múltiplas características da imagem e que se fundamenta na técnica de crescimento de regiões (BAATZ e SCHAPE, 1999). O limiar de similaridade e escala é formada pelos parâmetros de cor e forma, onde a cor é formada pela soma ponderada dos valores dos desvios padrões de cada objeto, e a forma é a união dos parâmetros de compacidade e suavidade. A suavidade procura separar objetos que possuem as bordas lineares e bem definidas, enquanto a compacidade extrai objetos compactos, mas que se distinguem de outros por um pequeno contraste (ARAÚJO, 2006; PRADO et al.,2010). Por fim, foi utilizado o algoritmo spectral difference segmentation com o valor espectral máximo de diferença igual a 120, ou seja, segmentos produzidos pelo algoritmo anterior com valores inferiores a 120 são unidos em um único segmento. Para definir um limiar que separasse a cobertura florestal do resto das classes foram construídos dois índices de vegetação, o NDVI (Índice de Vegetação por Diferença Normalizada, traduzido) e a Razão Simples. A construção da máscara florestal foi finalizada em ambiente SIG. O mapeamento de cada data (1984 e 2016) foi submetido a filtros de generalização, de modo a garantir uma melhor representação dos objetos em um mapa temático, eliminando ruídos, suavizando contornos e garantindo a determinação do melhor detalhe para a escala, conforme recomendado por Cruz et al. (2009). No software ArcGis foi aplicado o filtro majority (3x3 pixels) e eliminate (5 ha), para atender uma escala 1:100.000, de acordo com o conceito de área mínima mapeável. Dos mais de 43.700 km² do estado, aproximadamente 13.000 km² foram classificados como floresta em alguma das duas datas. Destes, mais de 7.000 km² de florestas foram classificados em 1984 e 2016, correspondendo a coberturas florestais invariantes. Florestas detectadas em apenas uma das datas, podem dar origem a áreas de desmatamentos ou regenerações. Todavia, a exatidão de um mapa é de ampla relevância para o levantamento de tais dados, pois, indica a proximidade de uma determinada medida ao seu valor real, logo, a confiabilidade de um mapa está vinculada a sua exatidão. Neste contexto, é necessário realizar algum procedimento estatístico no produto de uma classificação de imagens digitais, para determinar a acurácia ou exatidão desta classificação como o índice Kappa, por exemplo (BERNARDES, 2006). A classificação do ano de 1984 obteve uma exatidão global de 0.85, para um índice kappa de 0.7, enquanto que a classificação de 2016 obteve uma exatidão de 0.84 e um kappa de 0.68, ambas consideradas muito boas, de acordo com classificação propostas por Landis e Koch (1977). Apesar de obter índices kappa parecidos em ambas as datas, se comportou de maneira diferenciada em cada uma delas. No modelo da classificação de 1984 predominou o erro de comissão, enquanto que no de 2016 o erro de omissão. A maioria dos erros aconteceu nas áreas de borda entre a classe floresta e a classe pastagem, em objetos que misturavam estas classes, indicando um erro derivado do processo de segmentação. Mas no geral, foram considerados bons resultados para a formação de uma máscara de cobertura florestal. A criação e utilização de máscara de florestas em escala regional representa uma possibilidade interessante e eficiente nesta temática. Contudo é necessário que o mapeamento seja submetido a processos de avaliação da precisão técnica do mapeamento. Para o mapeamento da vegetação, o índice kappa, associado à análise da matriz de confusão se mostrou interessante. Os resultados da avaliação neste trabalho foram positivas onde os erros encontrados foram atribuídos à segmentação. A máscara de florestas do estado do Rio de Janeiro pode ser utilizada como insumo para diferentes trabalhos, como detecção de mudanças na cobertura da terra, evolução de legislações ambientais, unidades de paisagem, entre outros. Por se tratar de um mapeamento temporal, pode-se analisar ao longo dos anos áreas de reflorestamento e supressão da vegetação no estado. Entretanto esta é uma proposta pouco aplicada em relação a sua praticidade e eficiência adjunto a um custo não elevado. Portanto fica a necessidade de estudos mais aprofundados com relação a essa temática, que possam, a partir da contribuição do presente trabalho desenvolver futuras pesquisas.

Keywords

Sensoriamento Remoto; Vegetação; GEOBIA

ARTIGO COMPLETO