Classificação orientada a objetos para mapeamento do uso da terra em paisagem fragmentada de Mata Atlântica, RJ.

Autores

¹Branco, T.L.; ²Fidalgo, E.C.C.; ³Andrade, C.C.; ⁴Prado, R.B.

¹BOLSISTA PIBIC/CNPQ - EMBRAPA SOLOS Email: teulemos@gmail.com
²EMBRAPA SOLOS Email: elaine.fidalgo@embrapa.br
³UNIVERSIDADE FEDERAL FLUMINENSE Email: chiarellocarolina@gmail.com
⁴EMBRAPA SOLOS Email: rachel.prado@embrapa.br

Resumo

A Mata Atlântica é considerada como um ‘hotspot’ mundial e, encontra-se em forte processo de degradação. O uso múltiplo da terra neste bioma resulta na fragmentação da paisagem e, consequentemente na perda da biodiversidade. Nesse contexto, o conhecimento dessa paisagem e seus componentes é necessário para o planejamento e gestão do uso das terras visando o uso sustentável dos recursos naturais. Os sistemas de sensoriamento remoto têm sido amplamente utilizados no mapeamento da cobertura terrestre e no monitoramento dos recursos naturais, isto porque as imagens obtidas por sensores orbitais permitem a extração de informações utilizando técnicas de processamento digital e classificação multiespectral. O objetivo deste trabalho foi mapear o uso e cobertura da terra no Assentamento Rural São José da Boa Morte, aplicando a abordagem orientada a objetos (GEOBIA) em uma imagem de alta resolução. Estas imagens, fornecem dados muito detalhados sobre a superfície terrestre, sendo necessário uma metodologia em que a análise seja baseada em um grupo de pixels, possibilitando utilizar atributos que antes não eram viáveis na abordagem convencional baseada no pixel. A GEOBIA consiste em duas etapas, a de segmentação que agrupa os pixels em um conjunto gerando diferentes objetos, e a de classificação é feita com base em cada objeto contíguo criado na etapa anterior. Neste trabalho, a segmentação e a classificação foram realizadas no programa eCognition Developer, utilizando as bandas Azul (450 - 510 nm), Verde (510 – 580 nm), Vermelho (630 – 690 nm), Infravermelho Próximo 1 (770 – 895 nm) do sensor Worldview®- II, de resolução espacial de 2 metros, e também foram utilizadas as quatro principais componentes (PC) geradas. A escolha da legenda teve como base as classes de uso e cobertura da terra passíveis de identificação na imagem utilizada, considerando sua resolução espacial, temporal e espectral, sendo elas: água; sombra; solo exposto; floresta; vegetação arbustiva; estradas e áreas antrópicas agrícolas. Foi observado que objetos pertencentes a uma mesma classe podem ter comportamentos espectrais diferentes, tendo isso em vista, as classes foram divididas em subclasses, de forma a manter maior homogeneidade entre os seus componentes. Tendo o conhecimento prévio da área a ser classificada, foram coletadas amostras para cada subclasse, a partir das quais foram obtidos os valores de diversos atributos. Dentre os atributos disponíveis há os derivados das propriedades espectrais, da geometria e da textura dos objetos. Utilizando ferramentas disponíveis no programa, foi obtido o histograma dos diversos atributos do conjunto de amostras selecionadas para cada subclasse, e também comparados os histogramas de diferentes subclasses. A variação dos valores nos histogramas de cada atributo dos objetos foi analisada para a escolha daqueles que melhor representavam as subclasses, considerando maior homogeneidade interna e diferenciação com outras classes. A partir da seleção desses atributos, foram definidos as funções de pertencimento e os limites máximo e mínimo que melhor definisse a subclasse. A classificação baseou-se na análise dos atributos e na definição do conjunto de regras organizadas em uma árvore de decisão, a qual foi aplicada sobre o conjunto de objetos para discriminar a subclasse correspondente. A árvore de decisão permitiu realizar a classificação em etapas, sendo que a cada etapa uma subclasse era analisada e classificados os objetos que pertenciam a ela. Nas etapas subsequentes, a análise e classificação de outra subclasse consideravam apenas o conjunto de objetos ainda não classificados nas etapas anteriores. Após a classificação de todas a subclasses, estas foram agrupadas em suas respectivas classes. O método aplicado permitiu identificar que os atributos que mais contribuíram para a classificação foram: as médias das PC 2, 3 e 4, o Índice de Vegetação por Diferença Normalizada e a Matriz de Co-ocorrência de Níveis de Cinza, esse último, um atributo de textura. A inclusão da PC3 na análise resultou em boa resposta para identificação do solo exposto. Os atributos de textura aplicados às diferentes bandas auxiliaram na diferenciação entre floresta e vegetação arbustiva, e também entre vegetação arbustiva e área antrópica agrícola. A totalização da área de cada classe mostra o predomínio de áreas antropizadas na paisagem, restando apenas 21% de áreas de floresta. O uso antrópico agrícola, que reúne pastagens e áreas de cultivo com culturas anuais e permanentes, totalizou 41,2% da área do assentamento. As áreas não classificadas totalizaram 20%, mostrando a existência de objetos cujas características não puderam ser associadas às classes identificadas. A análise de exatidão, teve como referência dados obtidos em campo, e mostrou que as áreas de cultura anual foram classificadas em sua maioria como área antrópica agrícola ou solo exposto. Tendo em vista que estas áreas estão em pousio ou em fase de produção ao longo do ano, uma análise temporal pode contribuir para sua delimitação. Áreas de cultura perene apresentaram heterogeneidade na área de estudo, sendo confundidas com outras classes e em parte não classificadas. Áreas de cultivo de espécies arbóreas ou arbustivas, como eucalipto e goiaba, foram confundidas com a vegetação natural classificada como Floresta ou Vegetação Arbustiva. A pastagem e a floresta tiveram bons resultados na análise de exatidão, apresentando respectivamente 87% e 71% de acerto. O resultado da classificação apresentou forte dependência da capacidade do operador de definir os atributos, as funções de pertencimento e seus limites. O conhecimento prévio da área estudada também se mostrou de grande importância para o resultado.

Keywords

GEOBIA; sensoriamento remoto; segmentação de imagem

ARTIGO COMPLETO