Capítulo 3 - High Carbon Stock Approach

Transcrição

Versão 1.0: Março 2015
CAPÍTULO 3
CLASSIFICAÇÃO DA VEGETAÇÃO POR
MEIO DA ANÁLISE DE IMAGENS
Capítulo 3
Classificação da vegetação
por meio da análise de imagens
Por Sapta Ananda Proklamasi, Greenpeace Indonésia; Moe Myint, Mapping and
Natural Resources Information Integration; Ihwan Rafina, TFT; e Tri A. Sugiyanto,
PT SMART/TFT.
Os autores gostariam de agradecer Ario Bhriowo, TFT; Yves Laumonier, CIFOR; Arturo
Sanchez-Asofeifa, University of Alberta; Chue Poh Tan, ETH-Zurich e colegas do
Instituto Mundial de Recursos pelos construtivos comentários nas versões anteriores
deste capítulo.
CONTEÚDO DO CAPÍTULO
P29: Introdução
P30: Seleção das imagens de satélite
P46: Estatísticas Khat
P31: Pré-processamento e correção radiométrica
de imagens de satélite
P47: Controle de qualidade, finalização da classificação
inicial de cobertura de terra e próximos passos
P32: Índices de vegetação
P48: Apêndice A: Visão geral das opções de imagens
de satélite
P34: Análise de Componentes Principais
P35: Seleção da combinação de bandas para classificação
P53: Apêndice B: Transformação Tasseled Cap
P36: Determinando o número e tipo de classes
P38: Abordagens para classificação
P39: Classificação não supervisionada
P40: Classificação supervisionada
P43: Classificação visual
P44: Avaliação da exatidão de imagens classificadas
28
FERRAMENTAS PARA METODOLOGIA HCS
A METODOLOGIA DE ALTA CONCENTRAÇÃO DE CARBONO (HCS): ‘DESMATAMENTO ZERO’ EM PRÁTICA
CAPÍTULO 3
Introdução
O objetivo da Fase 1 de uma avaliação HCS é
criar um mapa indicativo de potenciais áreas de
florestas de alta estocagem de carbono HCS, sendo
em áreas de concessão e em suas paisagens de
entorno, usando uma combinação de imagens
de satélite com dados levantados em nível de
campo. Este capítulo concentra-se no primeiro
passo da Fase 1: o uso de imagens e conjuntos de
dados para classificar a vegetação em categorias
padronizadas. Levaremos o leitor a determinar
o número de classes de cobertura da terra
e a realização da classificação, por meio da
metodologia para esta primeira etapa, incluindo
a seleção do banco de imagens
A metodologia apresentada neste capítulo foi testada e refinada através de
testes-piloto em áreas de concessão na Indonésia, Libéria e Papua Nova
Guiné. A metodologia visa ser aplicável a qualquer floresta tropical úmida
em solos minerais. Portanto, incluímos algumas variações mais detalhadas
na metodologia. Estas podem ser necessárias para lidar com possíveis
problemas relacionados com a qualidade das imagens disponíveis e tipos
de uso da terra e cobertura da terra em diferentes regiões.
O público-alvo deste capítulo são peritos técnicos com experiência em
análise de sensoriamento remoto que possam usar esse documento para
orientar o seu trabalho e criar um mapa indicativo de potenciais áreas de
floresta de alta estocagem de carbono HCS sem a necessidade de
orientações adicionais. Nós, portanto, supomos que o leitor possua um
nível de conhecimento avançado em técnicas de análise e normalização,
mas fornecemos referências para orientações mais detalhadas, quando
necessário.
FASE 1: ETAPAS NO PROCESSO:
FASE 1:
CLASSIFICAÇÃO DA
VEGETAÇÃO PARA
IDENTIFICAR ÁREAS
DE FLORESTA
Estraficar imagens
de satélite
em classes de
vegetação
Localizar parcelas
de amostra
Medir e
coletar dados
Esmar o
carbono de
cada classe
OUTPUT:
Potenciais florestas
HCS idenficadas
FASE 2:
ANÁLISE E
CONSERVAÇÃO
DE FRAGMENTOS
FLORESTAIS HCS
Árvore de Decisão
para análise de
fragmentos florestais
HCS
Conservação de
florestas HCS
“A metodologia espera ser aplicável
a qualquer floresta tropical úmida
em solos minerais”
29
CAPÍTULO 3
Seleção das imagens de satélite
A seleção das imagens de satélite a serem usadas
no processo de classificação da vegetação deve
assegurar uma cobertura de imagens adequada
para a área de interesse, dando preferência às
resoluções temporais e espaciais relevantes
para a avaliação. Especificamente:
• Imagens não devem ter mais de 12 meses e devem ter uma resolução
mínima de 30 metros.
• Os dados devem ser de uma qualidade que seja suficiente para a
análise, com uma cobertura de nuvens dentro da Área de Interesse
menor que 5%, sem ou com a mínima distorção localizada.
• A disponibilidade das bandas espectrais verde, vermelha, infravermelho
próximo e infravermelho médio, que ajudam com a determinação da
cobertura vegetal, salubridade da cobertura vegetal e densidade da
vegetação, devem ser consideradas.
O usuário precisará baixar e avaliar várias imagens quick-look
georreferenciada com metadados de diferentes órbitas/pontos dos satélites.
Isto ajudará a obter a estratégia para subdividir espacialmente as imagens
sem nuvens. Para alcançar esses objetivos, os usuários precisarão achar uma
ou mais imagens de satélite e em seguida criar um catálogo de imagens
multitemporais para obter um conjunto de imagens de boa qualidade para a
análise dentro da Área de Interesse. A aquisição de imagens multitemporais
Landsat-8 com datas próximas (com um ou dois períodos de revisita do
satélite em uma mesma área) é recomendada. A fim de evitar a influência do
ângulo do sol e condições atmosféricas de imagens multitemporais, cada
conjunto de imagem deve ser analisada e classificada independentemente.
Há uma grande variedade de tipos e provedores de imagens de satélite que
possuem adequadas informações espectrais visíveis, infravermelho e
microondas. Uma tabela resumindo as diferentes opções de banco de dados
com seus custos e benefícios, bem como novas ferramentas emergentes, tais
como veículos aéreos não tripulados, está disponível no Apêndice A. Usuários
devem observar que porque o satélite Landsat-7 tem tido problemas de Scan
Line Corrector Off desde maio de 2003, o uso de suas imagens após esta data
para análise de imagens e classificação não é recomendado devido a
problemas de sincronismo do scanner. Embora as faixas do Landsat 7 SLC OFF
possam ser preenchidas, isto só deve ser feito para facilitar a visualização e
intepretação visual.
30
Topo: Cortesia USGS ©
Esquerda: Corozal Sustainable Future Initiative, Belize ©
Depois que as imagens mais apropriadas são selecionadas, é feito um recorte
que envolve apenas a Área de Interesse. A fim de melhor classificar a floresta
em concessão, a Área de Interesse deve abranger o máximo possível da
paisagem de entorno, uma vez que a classificação é efetuada usando
quantidades relativas de cobertura de dossel e cálculos de estoque de
carbono dentro do contexto da paisagem. Por exemplo, fragmentos florestais
em uma concessão altamente degradada com uma presença mínima de
potenciais áreas de florestas de alta estocagem de carbono HCS deverão ser
comparados a outras grandes paisagens florestais fora da concessão a fim de
colocá-los em contexto.
No mínimo, uma zona de um quilômetro para além das fronteiras da
concessão é necessária para garantir que a cobertura florestal na paisagem
seja levada em consideração. A melhor prática seria incluir ainda mais da
paisagem circundante, por exemplo, ao nível da área de captação de água
para a bacia ou hidrografia dentro da área de interesse. O retângulo
envolvente da Área de Interesse poderia ser criado e carregado no USGS
Earth Explorer para selecionar as imagens a serem baixadas.
CAPÍTULO 3
Pré-processamento e correção
radiométrica de imagens de satélite
Um dos grandes desafios na atividade de classificação
de cobertura da terra é o processo de normalização,
que é realizado antes da análise para garantir
resultados de qualidade adequada. A normalização
converte imagens de fontes múltiplas com diferentes
datas e condições atmosféricas em um conjunto de
imagens com propriedades similares que podem ser
usadas em conjunto; ela também poderia ser referida
como Correção Radiométrica antes do processamento
dos dados. Deve-se notar que, mesmo com a
normalização, algumas imagens de mesma origem
ainda terão limitações, como por exemplo o
problema de distribuição de imagens Landsat depois
de 2003 observado anteriormente.
A normalização pode incluir várias etapas de pré-processamento digital de
imagens. Algumas das funções de padronização no pré-processamento de
imagens baseadas no Erdas Imagine Image Processing System são descritas
abaixo; outros sistemas de padronização de processamento de imagens
deverão incluir funções similares. Não é necessário executar ou seguir todos os
procedimentos de pré-processamento de imagens, correção radiométrica ou
normalização descritos aqui. O analista deve avaliar a qualidade da imagem e
executar o procedimento de pré-processamento somente se necessário para
refinar a classificação.
LUT stretch:
Transformar os valores digitais (DN) de cada pixel da imagem usando uma tabela
existente de pesquisa (LUT), ou seja, associar um valor digital da imagem (pixel)
a uma cor de acordo com as bandas do vermelho (R), verde (G) e azul (B).
Alteração da escala:
Redimensionar a escala dos dados em qualquer formato de entrada ou de saída.
O ajuste de escala é feito em todos os valores do conjunto de dados, preservando
o valor relativo do dado original e mantendo a mesma forma de histograma.
Redução de distorção:
Efeitos atmosféricos podem fazer com que o imageamento tenha uma
abrangência limitada, muitas vezes aparecendo como nebulosidade ou
contraste reduzido. A redução de distorção usando o método Tasseled Cap ou
Convolução da Dispersão do Ponto melhora a nitidez da imagem. Para imagens
multiespectrais, este método baseia-se na transformação Tasseled Cap, que
produz um componente que se correlaciona com distorção. Este componente é
removido e a imagem é transformada de volta para o espaço RGB. Para imagens
pancromáticas, uma Convolução da Dispersão do Ponto inversa é usada.
“Um dos grandes desafios na atividade
de classificação de cobertura da terra é o
processo de normalização, que é realizado
antes da análise para garantir resultados
de qualidade adequada”
Redução de ruído:
Reduzir a quantidade de ruído em uma camada do raster/imagem. Essa técnica
preserva os detalhes sutis em uma imagem, tais como linhas finas, removendo
o ruído ao longo das bordas e em áreas planas.
Remoção periódica de ruído:
Se o ruído periódico não é um problema de sensor, tais como condições
atmosféricas temporárias, o ruído pode ser removido automaticamente das
imagens através do filtro da Transformada de Fourier da imagem.
A imagem de entrada é primeiramente dividida em blocos ou máscaras
sobrepostos de 128x128 pixels. A Transformada de Fourier de cada máscara é
então calculada e as magnitudes de cada máscara pela Transformada Rápida de
Fourier (FFT) é ponderada. O ponderamento remove todos os ruídos
periódicos, exceto aqueles que estão presentes em cada máscara (qualquer
interferência periódica, por exemplo).
O espectro da filtragem ponderada é então usado como um filtro para ajustar a
FFT de toda a imagem. Quando a Transformada Fourier inversa é executada, o
resultado é uma imagem com o ruído periódico eliminado ou
significativamente reduzido. Este método é parcialmente baseado em
algoritmos descritos em Cannon, Lehar e Preston (1983) e Srinivasan, Cannon e
White (1988).
O nível de Frequência Mínima Afetada deve ser definido o mais alto possível
para obter os melhores resultados. Valores mais baixos afetam frequências
mais baixas da Transformada de Fourier, que representam as feições globais da
cena como brilho e contraste, enquanto que valores muito elevados afetam
frequências representando o detalhe na imagem.
Substituição de linhas ruins:
Remover linhas ruins ou colunas nas imagens/rasters.
Ajustamento de histograma:
Esta função determina matematicamente uma tabela de pesquisa que converte
o histograma de uma imagem para assemelhar-se ao histograma de uma outra.
Realce do contraste:
Inverter a faixa de intensidade linear e não linear de uma imagem, produzindo
imagens que tenham o contraste oposto da imagem original. Detalhes escuros
tornam-se claros e detalhes claros tornam-se escuros.
Equalização de histograma:
Aplicar uma ampliação de contraste não-linear que redistribui os valores de
pixel de modo que haja, aproximadamente, o mesmo número de pixels com
mesmo valor dentro de um intervalo.
Normalização topográfica (Modelo de Reflexão Lambertiano):
Utilizar um modelo de reflexão Lambertiano para reduzir o efeito topográfico
em imagens digitais. Efeito topográfico é a diferença na iluminação devido à
inclinação e aspecto do terreno em relação à elevação e azimute do sol. O
resultado final é uma imagem com o terreno mais uniformemente iluminado. A
informação da elevação e do azimute do sol para a normalização topográfica
para cada imagem está disponível quando o analista faz o download dos
metadados da imagem. O analista deve selecionar como dados de
entrada um Modelo Digital de Elevação de boa qualidade para a
normalização topográfica.
31
CAPÍTULO 3
Índices de vegetação
Índices de vegetação são as medidas radiométricas
sem dimensão que indicam abundância relativa e
atividade de vegetação verde. Isto inclui o índice de
área foliar (IAF), percentagem de cobertura verde,
teor de clorofila da biomassa verde e radiação ativa
fotossinteticamente absorvida (RFAA). De acordo com
Running et al. (1994) e Huete and Justice (1999), um
índice de vegetação deve:
Índices de vegetação devem ser usados como indicativos de cobertura vegetal,
para mostrar a cobertura vegetal e não-vegetal de onde serão usados em
classes não supervisionadas de florestas e de cobertura da terra não florestada.
• Maximizar a sensibilidade para os parâmetros biofísicos da planta,
preferencialmente com uma resposta linear para que a sensibilidade esteja
disponível para uma gama de condições de vegetação e para facilitar a
validação e calibração do índice;
• Normalizar efeitos externos modais, tais como o ângulo do sol, ângulo de
visão e atmosfera para uma comparação espacial e temporal consistente;
• Normalizar efeitos internos, tais como variações de fundo do dossel, incluindo
topografia (declividade e aspecto), variações de solo e diferenças na
senescência vegetal ou vegetação lenhosa (componentes de dossel não
fotossintéticos); e
• Ser acompanhado de algum parâmetro biofísico mensurável específico, como
a biomassa, IAF ou RFAA como parte do esforço de validação e controle de
qualidade.
Existem diversos índices de vegetação que poderiam ser usados na análise
HCS; estas ferramentas HCS focarão no IVDN e Transformação Tasseled Cap
de Kauth-Thomas, que são atualmente os índices recomendados para a
Metodologia HCS.
Índice de Vegetação por Diferença Normalizada (IVDN)
O primeiro índice de vegetação verdadeiro era a Razão
Simples (SR), que é a razão da reflectância na região do
vermelho (Pred) e do infravermelho próximo (Pnir) como
descrito em Birth e McVey (1968):
SR = Pred / Pnir
A Razão Simples fornece valiosas informações sobre a biomassa da
vegetação ou Índice de Área Foliar (IAF) (Schlerf et al., 2005). Ela é
especialmente sensível a variações de biomassa e/ou IAF em vegetações
de alta biomassa, tais como florestas (Huete et al., 2002). Rouse et al.
(1974) desenvolveu o genérico Índice de Vegetação por Diferença
Normalizada (IVDN) como um indicador gráfico que pode ser usado
para analisar a cobertura vegetal. O cálculo do IVDN é feito a partir da
diferença entre as reflectâncias das bandas (infravermelho próximo –
vermelho) e (infravermelho próximo + vermelho):
IVDN = (Pnir – Pred) / (Pnir + Pred)
O resultado do IVDN estará entre -1 e +1.
IVDN é funcionalmente equivalente a um método de Razão Simples; é
simplesmente uma transformação não linear para a razão simples. Não há
dispersão em uma Razão Simples quando comparado a um plote IVDN, e cada
valor de Razão Simples possui um valor fixo IVDN.
O IVDN é um importante índice de vegetação porque:
• Mudanças sazonais e interanuais no crescimento e atividade da
vegetação podem ser monitorados.
• IVDN reduz muitas formas de multiplicação de ruído (diferenças de
iluminação do sol, sombras, alguma atenuação atmosférica e algumas
variações topográficas) presentes em imageamento multi-bandas ou
dados multitemporais.
No entanto, existem algumas desvantagens do IVDN que o analista deve
considerar, incluindo:
• O índice baseado na razão não é linear e pode ser influenciado por
efeitos aditivos de ruído, como a radiância atmosférica.
“Índices de vegetação são as medidas
radiométricas sem dimensão que indicam
abundância relativa e atividade de
vegetação verde”
• IVDN está altamente correlacionado ao IAF. No entanto, a relação pode
não ser tão forte durante períodos de máximo IAF, aparentemente
devido à saturação do IVDN que o IAF é muito alto (Wang et al. 2005). A
faixa dinâmica do IVDN é, portanto, aumentado em favor de condições
de baixa biomassa e comprimido em regiões florestais com alta
biomassa. Florestas de alta densidade e florestas de média densidade
são, portanto, difíceis de diferenciar com IVDN. O oposto é verdadeiro
para o Método de Razão Simples, em que a maior parte do alcance
dinâmico abrange as florestas de alta biomassa com pouca variação
reservada para as regiões de biomassa inferiores (como por exemplo
pastagens, bem como regiões semiáridas e biomas áridos).
• IVDN é muito sensível a variações de fundo do dossel, por exemplo, se o
solo é visível através do dossel. Valores IVDN são muito altos com fundo
de dossel escuros.
32
CAPÍTULO 3
Transformação Tasseled Cap de Kauth-Thomas
A transformação Tasseled Cap (TC) é um índice
de vegetação global que desagrega a quantidade
de brilho do solo e o conteúdo de vegetação e
umidade em pixels individuais. Sob este método,
cada uma das imagens é transformada usando
coeficientes TC específicos do satélite para criar
um índice de vegetação. Valores TC são gerados
através da conversão das bandas originais de uma
imagem para um novo conjunto de bandas com
interpretações definidas úteis para o mapeamento
da vegetação. A primeira banda TC corresponde ao
brilho global da imagem. Áreas urbanizadas são
particularmente evidentes no brilho da imagem.
A segunda banda TC corresponde ao “greenness”
e é tipicamente usada como um índice de
vegetação fotossinteticamente ativa – quanto
maior a quantidade de biomassa, mais alto é
o valor do pixel no greenness da imagem.
A terceira banda TC é frequentemente interpretada como um índice de
umidade - wetness (por exemplo, umidade do solo ou da superfície) ou
yellowness (por exemplo, a quantidade de vegetação morta/seca). O quarto
parâmetro TC é o haze, que se refere aos efeitos causados por partículas de
aerossóis. Note que é possível calcular os coeficientes de TC com base nas
condições locais; Jackson (1983) oferece o algoritmo e procedimentos
matemáticos para essa finalidade. As equações e coeficientes necessários para
derivar os Índices de Brightness, Greenness e Wetness das imagens do Landsat
MSS, Landsat TM, Landsat 7 ETM + e Landsat 8 estão incluídos no Apêndice B.
“A transformação Tasseled Cap (TC) é um
índice de vegetação global que desagrega a
quantidade de brilho do solo e o conteúdo de
vegetação e umidade em pixels individuais”
Todas as fotos: Cortesia do TFT ©
33
CAPÍTULO 3
Análise de Componentes Principais
A Análise de Componentes Principais (ACP)
é mais uma ferramenta geral para identificar
dados redundantes e gerar um novo conjunto
de informações onde dados correlacionados são
combinados. O conjunto de dados de componentes
principais resultante é comumente menor que
o conjunto de dados original, acelerando assim o
tempo de processamento. No entanto, ao contrário
da Tasseled Cap, os novos eixos formados pela
ACP não são especificados pela definição prévia
do analista da matriz de transformação, mas sim
derivados da variância-covariância ou matriz de
correlação calculada a partir da análise dos dados.
Correlação entre bandas é um problema frequentemente encontrado na
análise de dados de imagens multiespectrais – em outras palavras, imagens
geradas por dados digitais a partir de bandas de comprimentos de onda
diferentes muitas vezes possuem uma aparência semelhante e transmitem
essencialmente a mesma informação. As transformações das componentes
Principal e Canônica são duas técnicas destinadas a reduzir tais redundâncias
nos dados multiespectrais. Estas transformações podem ser aplicadas como
uma operação de refinamento antes da interpretação visual dos dados, ou
como um procedimento de pré-processamento para classificação digital de
dados. Se estas técnicas são empregadas para o último contexto, as
transformações geralmente aumentam a eficiência computacional do processo
de classificação, devido à redução no número de dimensões do conjunto
de dados original. O objetivo desses procedimentos é concentrar toda a
informação contida no conjunto de dados n-bandas original a um número
menor de n novas bandas. As novas bandas são usadas no lugar dos dados
originais.
O procedimento geral de ACP pode ser dividido em três passos:
1. Cálculo da matriz de variância-covariância (ou correlação) de imagens
multibanda (por exemplo, no caso de uma imagem de seis bandas,
a matriz de variância-covariância tem dimensão 6 por 6)
2. A extração dos valores e vetores próprios da matriz, e
3. A transformação das coordenadas de feição espacial utilizando estes
vetores próprios.
Em suma, os valores de dados da imagem dos componentes principais são a
combinação linear simples dos valores de dados originais multiplicados pelos
coeficientes de transformação adequados conhecidos como vetores próprios.
Portanto, uma imagem de componente principal resulta da combinação linear
dos dados originais e vetores próprios numa base pixel a pixel ao longo da
imagem.
A característica importante das imagens componentes ACP é que a primeira
imagem de componentes principais (CP1) inclui o maior percentual da variância
total da cena e imagens componentes sucessivas (CP2, CP3, CP4 ...... CPN)
contêm, cada uma, um percentual decrescente da variação da cena. Além
disso, porque os componentes sucessivos são escolhidos por ser ortogonais
a todos os anteriores, os dados que eles contêm não estão correlacionados.
34
Para o Landsat MSS os dois primeiros componentes principais (CP1 e CP2)
explicam praticamente toda a variância na cena. A dimensionalidade
intrínseca dos dados Landsat MSS é referida como sendo efetivamente 2.
Da mesma forma, os primeiros três componentes principais (CP1, CP2 e
CP3) explicam praticamente toda a variância na cena e dimensionalidade
intrínseca dos dados Landsat TM é 3. Portanto, o Landsat TM ou ETM +
ou Landsat 8 ou satélites de dados semelhantes pode, muitas vezes, ser
reduzido a apenas três imagens componentes principais para fins de
classificação.
Uma descrição detalhada do procedimento estatístico usado para derivar
a transformação do componente principal está além do escopo deste
manual, mas é bem descrita nas páginas 60 a 65 do Classification
Methods for Remotely Sensed Data (2001) de Brandt Tso e Paul M. Mather.
Finalmente, é importante notar que a ACP deve ser calculada a partir
dos canais azul, verde, vermelho, infravermelho próximo, infravermelho
de ondas curtas I e infravermelho ondas curtas II ou bandas de resolução
espacial semelhante (por exemplo Landsat 8), com essas bandas contêm
informações redundantes semelhantes com relação à vegetação e
cobertura da terra.
CAPÍTULO 3
Seleção da combinação de
bandas para classificação
Diversas opções de combinação de bandas podem
agora ser selecionadas a partir das bandas originais,
usando vários resultados de transformação (IVDN,
ACP e Tasseled Cap) para criar um novo conjunto de
dados de bandas. O analista escolherá ou modificará
combinações apropriadas de canais com base na
área de estudo, características de cobertura do solo
e suas propriedades espectrais. Por exemplo, um
modelo digital de elevação pode ser opcionalmente
incluído dentro do novo conjunto de bandas para
fornecer a informação topográfica. Isso pode evitar
classificações errôneas como terras agrícolas no
topo de montanhas. Processadores modernos de
computadores (multicore) podem processar dados
multiespectrais sem a necessidade de muito mais
tempo, mesmo se bandas adicionais foram incluídas
na classificação.
As seguintes opções fornecem algumas ideias gerais para os analistas
sobre a seleção de combinações de bandas para a classificação.
Opção 1
Banda1 = Canal Espectral Azul
Banda2 = Canal Espectral Verde
Banda3 = Canal Espectral Vermelho
Banda4 = Canal Espectral Infravermelho próximo
Banda5 = Canal Espectral Infravermelho médio I
Banda6 = Canal Espectral Infravermelho médio II
Banda7 = Brilho Tasseled Cap
Banda8 = Verdor Tasseled Cap
Banda9 = Umidade Tasseled Cap
Banda10 = IVDN (Redimensionar para o formato de bits dos canais acima
mencionados)
Banda11 = S R (Redimensionar para o formato de bits dos canais
espectrais acima mencionados - opcional)
Banda12 = Modelo Digital de Elevação (opcional)
Opção 2
Banda1 = Componente Principal 1 (CP1)
Banda4 = Brilho Tasseled Cap
Banda5 = Verdor Tasseled Cap
Banda6 = Umidade Tasseled Cap
Banda7 = IVDN (Redimensionar para o formato de bits dos canais acima
mencionados)
Banda8 = S R (Redimensionar para o formato de bits dos canais espectrais
acima mencionados – opcional)
Banda9 = Modelo Digital de Elevação (opcional)
Opção 3
Dados por microondas, tais como dados do Sentinel-1, podem ser incluídos
como as bandas adicionais da opção 1 e opção 2. Embora os dados da
opção 1 e 2 sejam excelentes para a detecção com base nas características
químicas dos objetos espaciais, dados por microondas poderiam fornecer
as características físicas dos objetos espaciais, tais como rugosidade da
superfície (estrutura da vegetação), constante dielétrica (teor de água) e
orientação espacial dos objetos espaciais em relação à direção do ângulo
de visada do sensor. Dados do Sentinel-1 podem ser baixados gratuitamente
para fins de pesquisa científica e sem fins lucrativos.
35
CAPÍTULO 3
Determinando o número e tipo de classes
Uma vez que as imagens foram selecionadas
e padronizadas, o próximo passo é agrupar a
cobertura da terra em classes homogêneas a
fim de indicar possíveis áreas de floresta de alta
estocagem de carbono HCS. O principal objetivo
do exercício é diferenciar:
• Florestas de baixa, média e alta densidade (LDF, MDF, HDF));
• Floresta em estágio inicial de regeneração (YRF);
• Antigas florestas desmatadas e degradadas, incluindo vegetação
arbustiva (S) e Área Aberta/Pastagem Aberta (OL); e
• Áreas não-HCS, tais como estradas, corpos d’água e assentamentos.
Como mostrado no diagrama abaixo, o ponto de corte de potenciais
florestas HCS fica entre as categorias de vegetação arbustiva e florestas em
estágio inicial de regeneração, onde YRF, LDF, MDF e HDF são considerados
potenciais florestas HCS e S e OL não são considerados florestas HCS. Na
fase dois da metodologia haverá ajustes nas categorias YRF e S seguindo
o método de análise de manchas florestais por Árvore de Decisão
hierárquica HCS e planejamento de conservação.
Durante este exercício de classificação baseado em imagens, outras áreas
florestais não-HCS com cobertura vegetal significativa podem ser
identificadas, como por exemplo, áreas utilizadas pelas comunidades
para o cultivo agroflorestal, que pode consistir de uma mistura de
vegetação natural, árvores frutíferas, culturas de produção de látex,
café, cacau ou dendê; e culturas alimentares. Tais áreas normalmente já
foram identificadas por meio do mapeamento participativo e processos
CLIP descritos no Capítulo 2. Se tais áreas são indicadas nas imagens de
satélite, mas não foram incluídas no mapa de áreas comunitárias, a
qualidade do mapeamento participativo da cobertura e uso da terra
deve ser questionada e aquele passo poderá ser refeito. As classes
de cobertura terrestre definidas por este processo variarão de acordo
KLASIFIKASI SKT
FLORESTA COM ALTA CONCENTRAÇÃO DE CARBONO (HCS)
ÁREAS DEGRADADAS (ANTIGAS FLORESTAS)
LIMIAR HCS
u
FLORESTA DE MÉDIA
DENSIDADE (MDF)
FLORESTA DE ALTA
DENSIDADE (HDF)
FLORESTA DE BAIXA
DENSIDADE (LDF)
“O processo final de negociação e renúncia
de quaisquer direitos comunitários ao
uso de florestas HCS ocorre uma vez
que o processo de classificação HCS está
completo”
36
FLORESTA EM ESTÁGIO
INICIAL DE REGENERAÇÃO
(YRF)
ARBUSTO (S)
ÁREA ABERTA (OL)
com a paisagem e tipo de cobertura terrestre na concessão. Uma
descrição das classificações mais comumente utilizadas é incluída na
tabela na próxima página. Categorias incluídas na categoria HCS são
indicadas em verde - note que a tabela inclui fatores qualitativos que
só serão evidentes após o levantamento terrestre for concluído. Como
um lembrete, florestas HCS podem sobrepor áreas de uso comunitário,
como por exemplo, florestas utilizadas para coleta de produtos florestais
não-madeireiros ou caça. O processo final de negociação e renúncia de
quaisquer direitos comunitários ao uso de florestas HCS ocorre uma vez
que o processo de classificação HCS estiver completo.
CAPÍTULO 3
Quando espécies únicas ou florestas quase monoespecíficas são
identificáveis e mapeáveis, por exemplo, Gelam (Melaleuca spp.) na
Indonésia, deve-se considerar se a área deve ser tratada como uma classe
de cobertura vegetal separada (não-padrão). Se for tomada a decisão de
separar uma área de espécie única, a metodologia usual HCS de
estratificar a vegetação da área em classes de alto e baixo teor de
carbono ainda se aplica.
TABELA: CATEGORIAS GENÉRICAS DE COBERTURA DO SOLO
DA COBERTURA
VEGETAL
CATEGORIAS
HDF, MDF, LDF Floresta de Alta Densidade, Floresta de Média
Densidade e Floresta de Baixa Densidade
Floresta natural densa variando de floresta de alta densidade para
floresta baixa densidade. Dados de inventário indicam a presença de
árvores com diâmetros > 30 cm e dominância de espécies clímax.
YRF Floresta em estágio inicial de regeneração
Floresta altamente perturbada ou áreas florestais em regeneração para
sua estrutura original. Distribuição de diâmetro dominada por árvores de
10-30cm e com maior frequência de espécies pioneiras em comparação
com LDF. Essa classe de cobertura do solo pode conter pequenas áreas
Deve-se notar que à medida que a faixa relativa da Razão Simples (SR) é
estendida em favor das condições de elevada biomassa, tais como regiões
de florestas, e compactada em condição de baixa de biomassa, zonas de
regeneração natural e florestas naturais poderiam ser detectadas utilizando
este método. Além disso, dados por microondas do Sentinel-1 também
poderiam ser incluídos para detectar as regiões de floresta natural e zonas
de regeneração natural, como as estruturas dinâmicas de povoamento são
diferentes e podem ser inferidas a partir da rugosidade da superfície.
de agricultura familiar.
Nota: Plantações abandonadas com menos de 50% da área basal
consistindo de árvores plantadas pode cair nessa categoria ou acima.
Concentrações de área basal >50% não seriam consideradas florestas
HCS, mas sim plantações e devem ser classificadas separadamente.
S
Vegetação arbustiva
Áreas de terra que antes eram floresta, mas foram recentemente
desmatadas. Dominadas por arbustos baixos com cobertura de
folhagem limitada. Inclui áreas de grama alta e samambaias com
espécies arbóreas pioneiras dispersas. Fragmentos ocasionais de
floresta mais antiga podem ser encontrados nessa categoria.
OL Área aberta ou Pastagem aberta
Terra recentemente desmatada. Possui principalmente grama ou
lavouras. Poucas plantas lenhosas.
EXEMPLOS DE OUTRAS CATEGORIAS DE COBERTURA DO SOLO NÃO-HCS
FP Florestas plantadas
Grande área de árvores plantadas (exemplo, látex, Acácia)
AGRI Propriedades agrícolas
Por exemplo, propriedades de óleo de dendê de grande escala
sobrepondo em áreas de concessão.
MINE Área de mineração
Estas podem ser diferenciadas entre áreas de mineração licenciadas
e transbordo, áreas de mineração não regulamentadas/ilegais
SH Agricultura familiar (agricultura de pequeno porte)
Estas podem ser diferenciadas entre jardins florestais mistos/sistemas
agroflorestais que poderiam potencialmente servir de corredores
ecológicos, roça/sistemas de jardinagem rotacional para produção de
alimentos para subsistência, etc.
(Outro) Corpos d’água, como rios e lagos. Áreas construídas, assentamentos,
estradas, etc.
37
CAPÍTULO 3
Abordagens para classificação
Uma vez que a imagens tenham sido selecionadas e
refinadas, a cobertura da terra é agrupada em classes
relativamente homogêneas descritas acima, a fim
de delinear florestas HCS de florestas não-HCS. O
processo consiste basicamente em analisar as imagens
de satélite usando programas de Sensoriamento
Remoto e Sistemas de Informação Geográfica (SIG),
que fornecem ferramentas para a interpretação da
cobertura da terra. Vários pacotes de programas de
computação fornecem as ferramentas para apoiar
a classificação de cobertura do solo, incluindo Erdas
Imagine, ENVI, ESRI Image Analysis e Open Source
(Quantum GIS).
A Classificação da cobertura da terra é aplicada por várias razões:
1. Ela permite a identificação de diferentes classes de cobertura da terra
com várias condições florestais e não florestais que podem ser
capturadas na análise da imagem (por exemplo, cor, cobertura do
dossel e rugosidade da camada de dossel).
2. A condição da floresta é muitas vezes (mas nem sempre)
correlacionada com o estoque de carbono florestal e biodiversidade.
Por exemplo, uma floresta densa bem conservada é geralmente
associada com altos estoques de carbono (e normalmente maior
biodiversidade) do que uma floresta degradada, pouco conservada.
3. Separar a cobertura da terra em classes permite uma concepção da
amostra mais eficiente para o levantamento de campo (ver Capítulo 4)
e uma revisão mais simples dos resultados do inventário florestal e
levantamento aéreo.
Estudos HCS geralmente usam uma combinação de várias fases
metodológicas para garantir uma representação precisa da cobertura da
terra, ou seja, a análise baseada em pixels usando métodos não
supervisionados e supervisionados, bem como métodos visuais em outras
fases. Independentemente das técnicas de classificação de imagens
aplicadas, o conhecimento de campo local do uso da terra, coberturas da
terra, tipos de floresta e sua composição de espécies, tipos de culturas
agrícolas e fenologia da vegetação em relação à assinatura espectral do
selecionado conjunto de dados de imagens é essencial.
A escolha do método utilizado para interpretar imagens é geralmente
determinada pelo nível de conhecimento do intérprete e familiaridade
com a paisagem em questão e área de cobertura da terra que está sendo
analisada. Por exemplo, se o intérprete tem compreensão suficiente de
técnicas sofisticadas de sensoriamento remoto e bom conhecimento da
área de amostragem, recomenda-se utilizar a técnica de classificação
supervisionada e/ou árvore de decisão hierárquica, usando ferramentas
semelhantes ao ‘Engenheiro do Conhecimento’ e ‘Conhecimento do
Classificador’. Para uma área sem nenhuma informação de cobertura do
solo pré-existente, o intérprete ou o analista pode iniciar a análise usando
a técnica de classificação não-supervisionada, a fim de ver os objetos ou
fenômenos espaciais espectralmente semelhantes e espacialmente
contíguos.
Em geral, a classificação não-supervisionada, técnicas de classificação
supervisionada e árvores de decisão hierárquicas serão complementares
para determinar as classes de cobertura do solo na área de estudo.
“A escolha do método utilizado para interpretar
imagens é geralmente determinada pelo nível
de conhecimento do intérprete e familiaridade
com a paisagem em questão”
38
CAPÍTULO 3
Classificação não-supervisionada
A classificação não-supervisionada usa programas de
processamento de imagem para agrupar pixels por
características gerais sem o uso de qualquer classe
de amostra pré-determinada. A classificação nãosupervisionada aplica o algoritmo de segmentação de
imagem K-Médias ou um algoritmo ISODATA (Técnica
de Análise de Dados por Auto-Organização Interativa)
para determinar quais pixels são espectralmente
semelhantes a outros pixels e agrupá-los em várias
classes homogêneas. O usuário pode especificar
qual algoritmo o software usará e o número desejado
de classes, mas fora isso não intervém no processo
de classificação. No entanto, o usuário deve ter
conhecimento da área sendo classificada, como os
agrupamentos de pixels com características comuns
produzidos pela classificação não-supervisionada tem
que estar relacionados com características reais (tais
como zonas úmidas, áreas desenvolvidas, florestas de
coníferas, etc.)
As classes resultantes da classificação não-supervisionada são classes
espectrais. Uma vez que estas são baseadas unicamente no agrupamento
natural nos valores de imagem, a identidade das classes espectrais não será
inicialmente conhecida. O analista deve comparar as classes espectrais
classificadas com algum dado de referência, tais como mapas já existentes ou
visitas de campo, para determinar a identidade e valor informativo ou classes
de informação das classes espectrais.
Depois que o analista tiver determinado as classes espectralmente distintas
e definido sua informação usual, as classes espectrais podem ser agregadas
no conjunto menor de categorias desejadas pelo analista. Às vezes, analistas
podem achar que várias classes espectrais se relacionam com mais de uma
categoria de informações. Por exemplo, a classe espectral 3 poderia
corresponder a florestas em estágio inicial de regeneração em alguns locais e
florestas de baixa densidade em outros. Da mesma forma, a classe espectral
6 poderia incluir tanto florestas de média densidade quanto florestas de alta
densidade. Isto significa que estas categorias de informação são
espectralmente semelhantes e não podem ser diferenciadas em um dado
conjunto de dados. Neste caso, o analista pode considerar incluir bandas
adicionais ao conjunto de dados, como discutido anteriormente.
No geral, a qualidade de uma classificação não-supervisionada dependerá da
compreensão do analista sobre os conceitos por trás do classificador disponível
e conhecimento sobre os tipos de cobertura da terra em análise. Ao usar a
classificação não-supervisionada no processo HCS, 16 classes serão,
normalmente, suficientes para determinar as classes florestais e não florestais,
que são então combinadas com cobertura vegetal e podem ser uma referência
para localizar terrenos no campo (ver Capítulo 4).
39
CAPÍTULO 3
Classificação supervisionada
A classificação supervisionada é baseada no conceito
de que um usuário pode selecionar pixels de amostra
em uma imagem que são representativos de classes
específicas e, em seguida, direcionar o programa de
processamento de imagens a usar estas áreas de
treinamento como referências para a classificação
de todos os outros pixels na imagem. Áreas de
treinamento (também conhecidas como amostras de
treinamento ou classes de entrada) são selecionadas
com base no conhecimento do usuário. O usuário
também define os limites para o quão similar outros
pixels devem ser para agrupá-los. Estes limites são
muitas vezes criados com base nas características
espectrais da amostra de treinamento, mais ou
menos um certo incremento (muitas vezes baseado
no “brilho” ou na reflexão em faixas espectrais
específicas). O usuário também designa o número
de classes em que a imagem é classificada.
Etapa de treinamento
O objetivo geral da etapa de treinamento é montar um conjunto de estatísticas
que descreva o padrão de resposta espectral para cada tipo de cobertura da
terra a ser classificada em uma imagem. É importante notar que todas as
classes espectrais constituindo cada classe de informação devem ser
adequadamente representadas nas estatísticas do conjunto de amostras de
treinamento usadas para classificar uma imagem. É incomum adquirir dados de
100 ou mais áreas de treinamento para representar adequadamente a
variabilidade espectral de uma imagem. O resultado do histograma de cada
amostra de treinamento é particularmente importante quando é utilizado um
classificador de Máxima Verossimilhança, uma vez que ele fornece uma
verificação visual da normalidade da distribuição da resposta espectral. O livro
Remote Sensing and Image Interpretation de Lillesand e Kiefer (Quinta Edição,
2004) fornece informações detalhadas e exemplos sobre como identificar
amostras de treinamento estatisticamente válidas.
A seção de amostra de treinamento e avaliação das estatísticas é demorada,
mas é um passo importante para uma classificação de boa qualidade. O
analista deve gastar uma boa quantidade de tempo para criar amostras de
treinamento estatisticamente representativas e estatisticamente separáveis
que apresentem as classes de informação. Uma matriz de erro de classificação
(descrita posteriormente neste capítulo) pode ser criada nos conjuntos de
treinamento de pixels e nos resultados da classificação supervisionada.
Cada uma dessas etapas é descrita em detalhes nas páginas seguintes.
1. Na etapa de treinamento, o analista identifica amostras de
treinamento representativas e desenvolve uma descrição numérica dos
atributos espectrais de cada tipo de cobertura da terra de interesse na
cena.
2. Na etapa de classificação, cada pixel no conjunto de dados da imagem
é classificado na classe de cobertura da terra que se assemelha. Se o
pixel não é suficientemente semelhante a qualquer conjunto de dados
de treinamento, é geralmente classificado ou rotulado como
desconhecido.
3. Depois que todo o conjunto de dados foi categorizado, os resultados
são apresentados no estágio de saída. O resultado classificado
torna-se um dado de entrada no SIG (GIS).
Cada uma dessas etapas é descrita em detalhes nas páginas seguintes.
“A classificação supervisionada é baseada no
conceito de que um usuário pode selecionar
pixels de amostra em uma imagem que são
representativos de classes específicas. Isto
pode ser tornar referências para a classificação
de todos os outros pixels na imagem”
40
CAPÍTULO 3
Etapa de classificação
Embora muitas técnicas possam ser usadas para a fase de classificação
supervisionada, estas ferramentas focam em detalhes no classificador de
máxima verossimilhança Gaussiana1 e também descreve brevemente o uso de
árvores de decisão para classificação supervisionada hierárquica.
O Classificador de máxima verossimilhança Gaussiana avalia quantitativamente
a variância e covariância dos padrões de resposta categorial (a partir de
estatísticas de amostras de treinamento) ao classificar um pixel desconhecido.
Uma suposição é feita de que a distribuição de uma nuvem de pontos que
formam os dados de treinamento da categoria é gaussiana, isto é,
normalmente distribuídos. Partindo deste pressuposto, a distribuição de um
padrão de resposta de cada categoria pode ser completamente descrita pelo
vetor médio e matriz de covariância. Tendo em conta estes parâmetros, o
classificador calcula a probabilidade estatística de um dado valor de pixel ser
um membro de uma determinada classe de cobertura terrestre ou classes HCS.
Depois de avaliar a probabilidade de cada categoria, o pixel será atribuído à
classe mais provável (com o valor mais elevado de probabilidade) ou rotulado
como “desconhecido” se os valores de probabilidade são todos abaixo de um
limiar definido pelo analista.
Todas as fotos: Cortesia do USGS ©
Uma extensão da abordagem de máxima verossimilhança é a classificação
Bayesiana, que aplica dois fatores ponderados a estimativa de probabilidade.
Em primeiro lugar, o analista determina a “probabilidade a priori” ou a
probabilidade de ocorrência esperada para cada classe em uma determinada
cena ou imagem. Em segundo lugar, um peso associado com o custo de erro de
classificação é aplicado a cada classe. Em conjunto, estes fatores atuam para
minimizar o custo de erros de classificação, resultando em uma classificação
teoricamente ideal. Na prática, a maioria das classificações de máxima
verossimilhança são realizadas assumindo igual probabilidade de ocorrência e
custo de erros de classificação para todas as classes.
A classificação de máxima verossimilhança é computacionalmente intensiva
para classificar cada pixel, especialmente quando um grande número de
bandas espectrais está envolvido ou um grande número de classes espectrais
deve ser diferenciado, mas modernos processadores de computador multicore processam a classificação com bastante rapidez. Outra forma de otimizar a
classificação de máxima verossimilhança é usar componentes principais (CP1,
CP2 e CP3) em vez de canais originais para realizar a classificação.
Uma alternativa para classificador de máxima verossimilhança é o uso de
árvores de decisão, que aplicam uma classificação estratificada ou em camadas
para simplificar os cálculos de classificação e manter a precisão da classificação.
Estes classificadores são aplicados em uma série de etapas, com certas classes
sendo separadas durante cada passo da maneira mais simples possível. Por
exemplo, água pode ser separada da banda do infravermelho próximo por um
simples limiar de valor. Certas classes podem exigir a combinação de duas ou
três bandas para categorização utilizando um algoritmo de classificação
simples, tais como o classificador de distância mínima para média ou
classificador paralelepípedo. O uso de mais bandas ou classificador de máxima
verossimilhança só seria aplicado para aquelas categorias de cobertura da terra
onde exista ambiguidade residual entre as classes que se sobrepõem no espaço
de medição. Por último, a regressão logística multinominal poderia ser aplicada
com estatísticas de amostragem de treinamento para obter a probabilidade de
cada pixel para as classes de informação em vez de usar a classificação de
máxima verossimilhança.
Muitos analistas usam uma combinação de métodos de classificação
supervisionados e não-supervisionados para desenvolver análises finais e
classificações para os mapas indicativos.
“Muitos analistas usam uma combinação
de métodos de classificação supervisionados
e não-supervisionados para desenvolver
análises finais e classificações para os mapas
indicativos”
1. P
áginas 271-277 do Resource Management Information Systems: Remote Sensing, GIS and Modelling
(2nd edição) por Keith R. McCloy oferece mais detalhes sobre a Classificação de Máxima Verossimilhança.
41
CAPÍTULO 3
Estudo de caso: Kalimantan Ocidental
No seguinte exemplo de caso do Kalimantan Ocidental,
na Indonésia, imagens de satélite do Landsat 8
processadas com ArcGIS 10.1 com a extensão de
Análise de imagens foram utilizadas para classificar
a cobertura da terra. As imagens de satélite foram
primeiramente pré-processadas como necessário
para produzir a imagem da Área de Interesse à direita.
Com as ferramentas existentes no programa de processamento de imagens,
seis amostras de treinamento foram selecionadas, representando as seis
classes HCS de cobertura da terra, como ilustrado na imagem do meio.
Após as amostras de treinamento terem sido consideradas suficientes e
representativas, uma classificação supervisionada usando a abordagem de
classificação de máxima verossimilhança foi executada através do programa
de processamento. O resultado preliminar do mapeamento da vegetação é
apresentado na imagem logo abaixo.
42
CAPÍTULO 3
Classificação visual
Um processo avançado de classificação visual ou
digitalização manual pode ser realizado por um
analista experiente, com excelente conhecimento
das condições de cobertura da terra na área. O
analista é capaz de determinar cada classe de
cobertura da terra por meio de análise de imagens
de satélite. As imagens são comumente realçadas
para auxiliar na identificação de classes. O intérprete
deve ter o conhecimento das chaves de interpretação
da cobertura da terra da área de estudo, o valor da
integridade, experiência profissional e domínio da
área de estudo.
A classificação visual é usada depois que a imagem foi calibrada e padronizada,
quando várias imagens em um mosaico estão sendo usadas. Quando usada
como uma técnica isolada, a classificação visual é tipicamente mais exata
quando o usuário conhece bem a área. No entanto, esta exatidão tem um
custo, já que esta técnica requer uma grande quantidade de digitalização. Ela
também pode ser tendenciosa. Por conseguinte, deve ser usada apenas como
um processo autônomo com dados de imagem de alta resolução e quando o
usuário conhece bem a área.
Alternativamente, a classificação visual também pode ser usada para
complementar ambos os processos supervisionados e não-supervisionados,
como estes podem gerar um erro ou viés, especialmente em áreas com
qualidade de imagem inadequada devido a neblina, fumaça, sombras de
relevo, sombras de nuvens ou nuvens. Este erro ou viés pode ser
minimizado através de um controle de qualidade visual pelo intérprete.
Para áreas com interpretação incorreta, correções são feitas para combinar
condições conhecidas. Nesta fase, os resultados da interpretação nãosupervisionada ou supervisionada (se aplicável) são combinados com
outros elementos, tais como informações do tipo de solo e precipitação.
Uma compreensão das condições do local torna-se chave para gerar uma
classificação boa e precisa. Assim, quanto mais informações específicas do
local um intérprete possuir, menor o viés ou erro. As fases de estratificação
visual da vegetação são apresentadas no diagrama à direita.
Informações numéricas adicionais, tais como temperatura, precipitação,
umidade, radiação solar, grades de velocidade do vento, modelos digitais
de elevação e modelos digitais de terreno podem ser adicionadas como as
bandas adicionais para a classificação apenas se estes dados fornecem
informações de valor agregado para separar entre as classes espectrais.
Informações categóricas adicionais, tais como tipos de solo, geologia,
geomorfologia e locais de vegetação poderiam ser aplicadas para refinar a
interpretação sem viés.
Para estudos HCS, os autores recomendam que a estratificação visual não
seja usada por profissionais de sensoriamento remoto até que uma
considerável experiência seja adquirida a partir de estudos da metodologia
HCS usando a classificação supervisionada ou não-supervisionada em
combinação com a análise de campo definida no próximo capítulo.
ETAPAS DA ESTRATIFICAÇÃO VISUAL DA VEGETAÇÃO
Imagens de satélite
Pré-processamento e
transformação de imagens
Classificação supervisionada
ou não-supervisionada
Avaliação da exadão
Reclassificação para
controle de qualidade
Informações sobre o local
• Localização da vegetação
• Condição da vegetação
• Estrutura da vegetação, etc.
Informações sicas
• Tipo de solo
• Clima
• Ecossistema
Digitalização para
delimitação de classes
de vegetação
(seis classes de vegetação)
“Uma compreensão das condições do local
torna-se chave para gerar uma classificação
boa e precisa. Assim, quanto mais
informações específicas do local um
intérprete possuir, menor o viés ou erro”
43
CAPÍTULO 3
Avaliação da exatidão das imagens
classificadas
Esta seção descreve a avaliação da exatidão a ser
realizada para verificar a classificação. Para mais
informações sobre as avaliações de exatidão,
Remote Sensing Thematic Accuracy Assessment:
A Compendium (1994) pelo ASPRS e Assessing
the Accuracy of Remotely Sensed Data: Principle
and Practices (Congalton and Green, 1999) são
excelentes referências.
Matriz de erro de classificação com base no conjunto de dados
de amostras de treinamento
Preparar uma matriz de erro de classificação, matriz de confusão ou tabela
de contingência é um método comum de expressar a exatidão da classificação.
Matrizes de erro comparam, por categoria, a relação entre a informação de
referência conhecida (verdade de campo) e os resultados correspondentes
da classificação da imagem.
A tabela abaixo é um exemplo de matriz de erro com base em amostras de
treinamento e resultados classificado de Lillesand e Kiefer (2004). Ela fornece
um exemplo do quão bem uma classificação categorizou um subconjunto
representativo de pixels utilizados no processo de classificação supervisionada
de amostras de treinamento. Esta matriz decorre da classificação de amostras
classificadas nas categorias adequadas de cobertura de terra localizadas
ao longo da diagonal (destacada de amarelo) da matriz de erro. Todos os
elementos não diagonais da matriz representam erros de omissão (exclusão)
ou erros de comissão (inclusão).
Os erros de omissão correspondem aos elementos não-diagonais de cada
coluna, por exemplo, 16 pixels que foram classificados como “S” para a classe
areia foram omitidos da categoria. As acurácias do produtor são calculadas
dividindo o número de pixels corretamente classificados em cada categoria (na
diagonal) pelo número de pixels de treinamento usados para essa categoria (o
total da coluna). A acurácia do produtor varia de 51% a 100% neste caso, é uma
medida de erro de omissão e indica o quão bem os pixels de treinamento de
um determinado tipo de cobertura são classificados. Erros de comissão são
representados por elementos não-diagonais de cada linha, por exemplo 38
pixels urbanos (U) e 79 pixels de forragem (H) foram indevidamente incluídos
na categoria do milho (C). As exatidões do usuário são calculadas dividindo o
número de pixels corretamente classificados pelo número total de pixels que
foram classificados nessa categoria (o total da linha). A exatidão do usuário é
uma medida de erro de comissionamento e indica a probabilidade de que um
pixel classificado em uma determinada categoria realmente represente essa
categoria em campo. A exatidão do usuário, neste caso, varia de 72% a 99%.
A exatidão global é calculada dividindo o número total de pixels corretamente
classificados (a soma dos elementos ao longo da diagonal) pelo número total
de pixels de referência. A exatidão global no exemplo de tabela de contingência
é 84%.
É importante notar que a matriz de erro de exemplo é baseada em dados de
treinamento, e tais procedimentos apenas indicam como as estatísticas
extraídas dessas áreas podem ser utilizadas para classificar as mesmas áreas. Se
os resultados são bons, significa que as áreas de treinamento são homogêneas,
as classes de treinamento são espectralmente separáveis e que a estratégia de
classificação sendo empregada funciona bem na área de treinamento. Eles
indicam pouco sobre como o classificador executa em outras partes da cena.
Exatidões da área de treinamento não devem ser utilizadas como uma
indicação de exatidão global.
CONJUNTO DE DADOS DE TREINAMENTO (TIPOS DE COBERTURA CONHECIDOS)
Conjunto de dados de treinamento (Tipos de cobertura conhecidos)
W
S
F
U
C
H
Total da Linha
Classes
W
S
F
U
C
H
Total da Coluna 480 0
0
0
0
0
480 Exatidão global = (480 + 52 + 313 +126 + 342 +359) / 2214 = 76%
44
0
52 0
16 0
0
68 5
0
313 0
0
38 356 0
20 40 126 38 246
470 0
0
0
0
342 60 402 FERRAMENTAS PARA METODOLOGIA HCS
0
0
0
0
79 359 438 485
72
353
142
459
703
2214
Acurácia do produtor:
W = 480/480 = 100%
S = 52/68 = 76%
F = 313/356 = 88%
U = 126/248 = 27%
C = 342/402 = 85%
H = 359/438 = 82%
Acurácia do usuário
W = 480/485 = 99%
S = 52/72 = 72%
F = 313/353 = 89%
U = 126/142 = 89%
C = 342/459 = 75%
H = 359/481 = 51%
CAPÍTULO 3
Consideração de amostragem de áreas de teste
Avaliando a matriz de erro da classificação com base em áreas de teste
ou pixels de teste
Para avaliar as exatidões da classificação para a cena, áreas de teste
representativas com cobertura da terra uniforme devem ser selecionadas.
As áreas de teste podem ser selecionadas através da abordagem de
amostragem aleatória, estratificada aleatória ou sistemática. Áreas de
teste podem ser selecionadas durante a etapa de seleção de amostra de
treinamento, deixando de lado algumas amostras de treinamento, como
as áreas de teste que não serão utilizadas como parte dos conjuntos de
amostras de treinamento. A unidade de amostragem apropriada pode
ser pixels individuais, grupos de pixels ou polígonos. A amostragem de
polígono é a abordagem mais comum.
Depois que os dados de exatidão são recolhidos com base em áreas
de teste (seja na forma de pixels, conjunto de pixels ou polígonos) e
resumidos em uma matriz de erro, eles são normalmente sujeitos a
interpretação detalhada e mais análises estatísticas. A matriz de erro
abaixo foi criada com base em pixels de teste selecionados
aleatoriamente, novamente a partir de Lillesand e Kiefer (2004).
Normalmente, um mínimo de 50 amostras como áreas de teste para cada
categoria de vegetação ou cobertura da terra deve ser incluído na matriz de
erro para a avaliação da exatidão de classificação de toda a cena. Se a área
é extensa (por exemplo, mais de um milhão de acres) ou a classificação tem
um grande número de categorias de cobertura e uso da terra (mais de 12
categorias) o número mínimo de amostras deve ser aumentado para 75 a
100 amostras por categoria (Congalton e Green, 1999, p.18). Mais amostras
devem ser selecionadas para as categorias mais importantes ou categorias
mais variáveis.
“Normalmente, um mínimo de 50 amostras
como áreas de teste para cada categoria de
vegetação ou cobertura da terra deve ser
incluído na matriz de erro para a avaliação
da exatidão de classificação de toda a cena
A exatidão global é de apenas 65%. Se a finalidade do mapeamento é
localizar floresta (F), a acurácia do produtor está muito boa em 84%.
Pode-se concluir que, embora a exatidão global é pobre (65%), ela é
adequada para efeitos de mapeamento de florestas. O problema com
esta conclusão é que a acurácia do usuário para floresta é de apenas 60%.
Ou seja, apesar de 84% das áreas de floresta terem sido corretamente
identificadas como floresta, apenas 60% das áreas identificadas como
floresta dentro da classificação são verdadeiramente dessa categoria.
O usuário desta classificação acharia que uma área identificada como
floresta pelo processo de classificação revelar-se-á floresta em uma
visita ao local em apenas 60% do tempo.
Uma inspeção mais cuidadosa da matriz de erro mostra que existe
uma confusão significativa entre floresta e urbana (U). Nesta matriz
de exemplo, a única categoria de confiança associada a essa classificação
da perspectiva do produtor e do usuário é água (W).
MATRIZ DE ERRO COM BASE NOS PIZELS DE TESTE
Dados de Referência para Pixels teste aleatoriamente selecionados
W
S
F
U
C
H
Total da Linha
Dados da classificação
W
S
F
U
C
H
Total da coluna 226 0
3
2
1
1
233 Exatidão global = (226 + 216 + 360 + 397 + 190 + 219) / 2480 = 65%
0
216 0
108 4
0
328 0
0
360 2
48 19 429 12 92 228 397 132 84
945 0
1
3
8
190 36 238 1
0
5
4
78 219 307 239
309
599
521
453
359
2480
Erro de omissão:
W = 226/233 = 97%
S = 216/328 = 66%
F = 360/429 = 84%
U = 397/945 = 42%
C = 190/238 = 80%
H = 219/307 = 71%
Erro de comissão:
W = 226/239 = 95%
S = 216/309 = 70%
F = 360/599 = 60%
U = 397/521 = 76%
C = 190/453 = 42%
H = 219/359 = 61%
45
CAPÍTULO 3
Estatísticas Khat
A estatística Khat é uma medida da diferença da concordância real entre
dados de referência e um classificador automatizado e a concordância
devido ao acaso entre os dados de referência e um classificador aleatório.
Ela é conceitualmente definida como:
Khat = (exatidão observada – concordância devido ao acaso)/
(1 – concordância devido ao acaso)
Esta estatística serve como um indicador do grau em que a percentagem
de valores corretos de uma matriz de erro são devido a exatidão
“verdadeira” versus concordância “ao acaso”. À medida que a exatidão
verdadeira (observada) se aproxima de 1 e a concordância devido ao
acaso se aproxima de 0, o índice Khat tende para 1. Na realidade, o índice
Khat varia entre 0 e 1. Por exemplo, um valor Khat de 0,67 pode ser
interpretado como uma indicação de que a classificação realizada é 67%
melhor que efetuada ao acaso. Um valor Khat de zero sugere que o
resultado da classificação em análise não é melhor que uma classificação
aleatória dos pixels. Se a concordância devido ao acaso for bastante
elevada, o Khat pode tomar valores negativos – uma indicação de uma
classificação com um desempenho muito pobre.
O valor Khat é calculado como se segue:
Khat =
Onde:
r
= número de linhas na matriz de erro
xii = jvnúmero de observações na linha i e coluna i (ao longo da
diagonal da matriz)
xi+ = j número total de observações na linha i (mostrado como o total
marginal à direita da matriz)
x+i = número total de observações na coluna i (mostrado como o
total marginal na parte inferior da matriz)
N
= jnúmero total de observações incluídas na matriz
O valor Khat (0,57) é menor do que a exatidão global (0,67) calculada
anteriormente. Como um lembrete, a exatidão global apenas utiliza os
dados que se encontram ao longo da diagonal da matriz, excluindo os
erros de omissão e comissão. O índice Khat incorpora os elementos
diagonais e os elementos não diagonais da matriz de erro como um
produto dos valores marginais das linhas e colunas. Uma das vantagens
de calcular estatísticas Khat é a capacidade de utilizar esse valor como a
base para determinar a significância estatística de qualquer matriz ou as
diferenças entre as matrizes.
Normalmente é desejável calcular e analisar tanto a exatidão global
quanto estatísticas Khat. O analista deve fornecer a matriz de erro com
base na amostra de treinamento, a matriz de erro das áreas de teste ou
pixels de teste, a exatidão global, a acurácia do produtor, a acurácia do
usuário e estatísticas Khat das matrizes de erros fornecidas para a garantia
de qualidade das classificações HCS.
Para a matriz de erro acima, o valor Khat é calculado tal como:
∑i=1xii
= 226 + 216 + 360 + 397 +190 + 219 = 1608
∑i=1(xi+*x+i) = ( 239 * 233) + (309 * 328) + (599 * 429) + (521 * 945) + (453
* 238) + (359 * 307) = 1,124, 382
Khat =
Khat = 0.57
( 2480 (1608) - 1124382)
24802 - 1124382)
Atas: Foto hak cipta USGS ©
Kiri: Foto hak cipta TFT ©
46
CAPÍTULO 3
Controle de qualidade, finalização da abordagem inicial
de classificação de cobertura de terra e próximos passos
Os passos para finalizar a abordagem inicial de
classificação de cobertura da terra são descritos
abaixo.
Próximos passos
Conversão imagem/raster para vetor
Converter a imagem/raster para um formato de vetor, a fim de facilitar a edição
dos limites das classes de cobertura da terra.
Eliminação de pequenas manchas/polígonos
Eliminação de pequenos polígonos (4 pixels e menores) é feita através da sua
fusão com o polígono maior com propriedades de similaridade de vizinhança
de pixels; eliminação dos polígonos estreitos (área poligonal estreita e
alongada) é feita usando a relação área/perímetro. A área mínima de
mapeamento ou unidades devem ser definidas de forma a remover
fragmentos de polígonos.
Incorporando outras informações de cobertura da terra
Na finalização do mapa preliminar, informações a respeito do uso atual da
cobertura da terra é incorporado na análise. Por exemplo, terras já
desenvolvidas são removidas de potenciais áreas de floresta HCS.
Editando as classes de vegetação usando a composição de bandas 6, 5
e 4 de imagens Landsat 8 (LDCM - Landsat Data Continuity Mission
– Missão de continuidade de dados Landsat)
Nesta etapa, o vetor classificado de cobertura da terra é sobreposto com a
composição de bandas 6, 5 e 4 de imagens Landsat e é feita uma comparação
visual, tal como a edição manual.
Edição e controle de qualidade de vetores, resultando na
reclassificação para classes de alta estocagem de carbono HCS.
O conjunto ou estrato de dados de cobertura da terra são reclassificados em
seis classes padronizadas de alta estocagem de carbono HCS: OL – Open Land
– solo exposto/áreas abertas, S – Scrub – vegetação arbustiva, YRF – Young
Regenerating Forest – florestas em estágio inicial de regeneração, LDF - Low
Density Forest – florestas de baixa densidade, MDF - Medium Density Forest
– florestas de média densidade, e HDF - High Density Forest – florestas de alta
densidade.
‘Edge matching’ ou preenchimento de bordas de dados vetoriais
Se mais do que uma imagem Landsat é utilizada, o resultado da classificação de
dados vetoriais devem ser combinados com base no processo de
preenchimento de bordas - ‘edge matching’.
Realizar levantamento aéreo se possível
Levantamentos aéreos deve ser realizado ao longo de extensas áreas contíguas
de floresta natural sempre que possível. Um banco de dados georreferenciado
poderá então ser criado para permitir a visualização de fotos em Sistemas de
Informações Geográficas. Isto permite um fácil cruzamento de classificação de
cobertura da terra.
A próxima etapa no processo da abordagem de
classificação de categorias/classes de alta estocagem
de carbono HCS é testar a exatidão dos resultados
de interpretação, como a exatidão influenciará
fortemente a confiança do usuário nos dados e
métodos de análise. O relatório inicial da exatidão da
classificação de imagens de satélite para estratificação
da vegetação HCS a partir da perspectiva da tabela de
contingência (matriz de erro ou matriz de confusão),
a exatidão do produtor, exatidão do usuário, exatidão
global, as estatísticas Khat e interpretação do relatório
de avaliação de exatidão foram discutidos aqui.
O próximo passo é comparar os resultados da
interpretação de imagens com as medidas tomadas
em campo. Isso também nos permite calcular valores
aproximados de carbono para cada classe.
O próximo capítulo explicará como coletar os dados de campo necessários
para estimar a biomassa e estoque de carbono de superfície, atribuir níveis
médios de carbono para cada categoria (embora salientando que o objetivo
não é calcular um número exato de carbono, mas sim diferenciar tipos de
cobertura da terra através de valores estimados de carbono) e refinar ainda
mais a classificação, a fim de criar o mapa de cobertura da terra em que as
potenciais áreas de floresta HCS são delineadas.
“O próximo passo é comparar os resultados
da interpretação de imagens com as
medidas tomadas em campo, permitindo o
cálculo de valores aproximados de carbono
para cada classe”
Prepare um projeto preliminar do mapa de cobertura da terra
Um projeto preliminar do mapa de cobertura da terra, categorizado pelas
várias classes identificadas no processo descrito acima é preparado para uso no
planejamento e execução de trabalhos de campo, incluindo o levantamento
aéreo e o inventário florestal.
47
CAPÍTULO 3
Anexos
ALOS
(AVNIR-2,
PRISM)
http://www.alos-restec.jp/en/
10 m
46 dias Jan
2006
– Maio
2011
1270 MHz
(Banda-L)
Polarização
HH+VV
IKONOS
http://geofuse.geoeye.com/landing/
http://glcf.umd.edu/data/
4m
14 dias 2000 – $1656/
Km2
1 (Azul)
2 (Verde)
3 (Vermelha)
4 (IV próximo)
Landsat 7
30 m
Missões de observação da Terra
por satélite do Governo dos EUA,
geridas conjuntamente pela NASA
e pelo US Geological Survey. Os
sensores ópticos incluem:
• Multi-spectrum Scanner (MSS)
• Thematic Mapper (TM)
• Enhanced Thematic Mapper Plus
(ETM+)
http://landsat.gsfc.nasa.gov/
Desde 2003, as imagem do Landsat
7 tem sido afetadas por um
problema de ruído nas cenas que
reduz a qualidade das imagens.
16 dias Abril
1999
– Presente
Gratu- 8 Bandas:
ito
1. 0.45 - 0.515
30 m
2. 0.525 - 0.605
30 m
3. 0.63 - 0.69
30 m
4. 0.75 - 0.90
30 m
5. 1.55 - 1.75
30 m
6. 10.40 - 12.5
60 m
7. 2.09 - 2.35
30 m
Pan Band. 0.52 0.90 15 m
170
km x
183
km
Landsat 8
http://landsat.usgs.gov/landsat8.
php
30m
16 dias Fev
2013
– Presente
Gratu- 11 Bandas:
ito
1. 0.433–0.453
30 m
2. 0.450–0.515
30 m
3. 0.525–0.600
30 m
4. 0.630–0.680
30 m
5. 0.845–0.885
30 m
6. 1.560–1.660
30 m
185
km x
180
km
48
14 km
x
14 km
Comentários
Comprimento
da faixa
Bandas disponíveis
Custo por cena (USD)
Data de captura das
imagens
Resolução temporal
Resolução espacial (m)
Visão geral
Nome do satélite
Apêndice A: Visão geral das opções de imagens de satélite
CAPÍTULO 3
Landsat 8
Comentários
7. 2.100–2.300
30 m
8. 0.500–0.680
15 m
9. 1.360–1.390
30 m
10. 10.6-11.2
100 m
11. 11.5-12.5
100 m
Quickbird
http://www.digitalglobe.com
2.4m
4
dias
2001
- Presente
$5,000
-11,
500/
cena
$16-45
/km2
Radarsat 2
http://www.asc-csa.gc.ca/eng/
satellites/radarsat2/
3m – 24
100m* dias
Dez
2007
- Presente
$3,300 Banda C Antena
–
SAR –
$7,700 Canal de
Emissão e
Recepção:
5405.0000
MHz (banda
atribuída
100,540 kHz)
5m
2009
$1.5 /
km2
Embora o radar não possua uma banda
infravermelha, ele possui outras
importantes informações de
retroespalhamento. O radar é capaz de
penetrar a cobertura de nuvens e operar
dia e noite. No entanto, o processamento
de dados é mais tedioso em comparação
com os dados ópticos.
RapidEye
Comprimento
da faixa
Bandas disponíveis
Data de captura das
imagens
Visão geral
Nome do satélite
http://www.rapideye.de/
5.5
dias
•Multiespectral
1=Azul
2=Verde
3=Vermelha
4=IV próximo
•Pancromática
16.5
km
x
16.5
km
Dados do radar não
possuem uma banda
infravermelha e
portanto, requerem
cuidados adicionais
para classificar
diferentes classes
de vegetação.
1) 440 – 510
25 km
nm (Azul)
x
25 km
2) 520 – 590
nm (Verde)
3) 630 – 685
nm (Vermelha)
4) 690 – 730
nm (Red Edge)
5) 760 – 850
nm (IV próximo)
49
CAPÍTULO 3
Anexos
$1,500
$2,500
Worldview-1
http://www.alos-restec.jp/en/
0.50
metros
GSD no
Nadir
1.7 dias a
1 metro
GSD ou
menos
0.55
metros
GSD
20˚ offnadir
Worldview-2
50
http://www.satimagingcorp.com/
satellite-sensors/worldview-2/
Ground
Sample
Distance
(GSD)
Pancromática: 0.46
metros
GSD no
Nadir,
0.52
metros
GSD 20°
Off-Nadir
Multi
espectral:
1.84
metros
GSD no
5 bandas
Pancromático (450
– 745 nm)
Azul (450 – 525 nm)
Verde (530 – 590
nm)
Vermelha (625
– 695 nm)
IV próximo (760
– 890 nm)
60 km
x
60 km
Sept
2007
- Presente
Pancromático
17.6
KM no
Nadir
17.6
km X
14 Km
ou
246,4
KM2
no
Nadir
Ângulo de visada
máxima ou Faixa de
Terra Acessível
60Km por 110 Km
Ou
30 km por 110
Km Aquisição de
imagens parestéreo
Outubro
2009
- Presente
16,4
Pancromático
km no
8
Multiespectrais nadir
(4 cores padrão:
vermelho, azul,
verde, infravermelho 1),
4 novas cores:
red edge,
coastal, amarela,
infra-vermelho 2
Angulo máxima
de visada ou Faixa
Acessível de Terra
Capacidade máxima
de coleta: 96 x 110
km mono,
48 x 110 km
estéreo
5.9 dias
20˚
off-nadir
ou
menos
0.51
metros
GSD
1.1
dias a 1
metro
GSD ou
menos
3.7 dias
20° offnadir
ou
menos
(0.52
metros
GSD)
Comentários
1986 Presente
Comprimento
da faixa
24
dias
Bandas disponíveis
2.5 m
– 10
m
Rede do satélite gerida pela Agência
Espacial Francesa.
satellite-sensors/other-satellitesensors/spot-5/
Visão geral
SPOT-5
Nome do satélite
Data de captura das
imagens
Lanjut ...
CAPÍTULO 3
Comentários
Comprimento
da faixa
Agosto
de
2014
- Presente
Bandas disponíveis
m
GSD:
<1.0
dia
Data de captura das
imagens
Worldview-3
Worldview-2
Visão geral
Nome do satélite
Nadir, 2.4
metros
GSD 20°
Off-Nadir
satellite-sensors/worldview-3/
Pancromática Nadir:
0.31 m
GSD no
Nadir
0.34
m 20°
Off-Nadir
Multi
espectral
Nadir:
1.24 m
no Nadir,
4.5
dias
20° offnadir
ou
menos
Pancromático
@ 450-800nm
8 Bandas
Multiespectrais
@ 400 – 1040
nm
8 Bandas SWIR
@ 1195 – 2365
nm
12 Bandas
CAVIS @405
– 2245 nm
No
nadir:
13.1
km
Capacidade máxima
de coleta in a Single
Pass (30° off-nadir)
Mono: 66.5 km x
112 km (5 faixas)
Estéreo: 26.6 km x
112 km (2 pares)
1.38
m 20°
Off-Nadir
SWIR
Nadir:
3.70 m
no Nadir,
4.10
m 20°
Off-Nadir
CAVIS
Nadir:
30.00 m
51
CAPÍTULO 3
Anexos
Dados LiDAR
Ver
http://www.lidarbasemaps.org/
website
Para mapeamento de topografia,
30000
Modelo Digital de Elevação, criação
pontos
de contornos, mapeamento de
por
cobertura e uso da terra. Não é uma segundo
ferramenta ideal para o mapeamento com uma
de mudanças de cobertura e uso da precisão
de 15
terra
LiDAR – Aerotransportado
[LiDAR - Light
Detection
And Ranging]
35 USD por km2
para aquisição de
imagens estéreo
700 imagens por
vôo
10 km2 por 45
minutes por vôo
Tempo de processamento é 12 horas
por 100 imagens
@ ~800 USD por
dia útil
Ver website Ver website Ver website
Escolha do
Qualquer
analista
dia com
tempo bom
Faixa
Qualquer
data que
a equipe
selecionar
para voar
Bandas disponíveis
Qualquer
dia e hora
com tempo
bom
www.sensefly.com
Para mapeamento de topografia, uso
do solo, cobertura do solo e
mudanças em uma resolução muito
alta
É uma ótima ferramenta para
monitorar as mudanças de uma área.
Note que em algumas áreas apenas
pilotos certificados podem usar essa
tecnologia.
Alguns Veículos Aéreos Não
Tripulados tipo multi-rotores drones
de asa fixa devem ser avaliados pelos
analistas, já que a tecnologia dos
VANTs tem avançado rapidamente.
Custo da imagem
Menos
de 1
metro
até 5
metros
Veículos
aéreos não
tripulados
(VANTs)
Data de captura
das imagens
Resolução espacial
Website/Notas
Sensor
10 km
Visível (azul,
por 10
verde e verkm
melho) com
câmera no
visível
Infravermelho
próximo, com
uma câmera
no infravermelho próximo
Ver website
Ver
website
Sentinel-1
C-Band SAR
Sentinel-1
Largura da
faixa de
imageamento
de 250
km
metros
Microondas
ou SAR –
Radar de
Abertura
Sintética Synthetic
Aperture
Radar
ERS, ENVISAT
(finalizado)
e Sentinel-1,
lançado em
abril de 2014
52
https://earth.esa.int/web/guest/
missions/esa-future-missions
https://earth.esa.int/web/guest/
missions/esa-future-missions/
sentinel-1
https://sentinel.esa.int/web/sentinel/
sentinel-data-access
Arquivos antigos de ERS e ENVISATS
estão disponíveis até 2012
Senti- Sentinel-1
nel-1
Revisita de
12 dias
Resolução
de 20m
Sentinel-1 Sentinel-1
Desde Abril Download gratuito
com registro
2014
CAPÍTULO 3
Apêndice B: Transformação Tasseled Cap
Kauth and Thomas (1976) produziram uma transformação ortogonal do espaço de dados bidimensional, original do
Landsat MSS, para um novo espaço de quatro dimensões. Ela foi chamada de Tasseled Cap ou Transformação de
Kauth-Thomas. O nome ‘Tasseled Cap’ vem da combinação de parâmetros que representam a plotagem do verdor –
(área verde) Greenness (no eixo Y), e do brilho - Brightness (no eixo X) Foi então criado 4 novos eixos: o índice de bilho
do solo – soil brightness index (B), índice de brilho da vegetação – greenness vegetation index (G), índice de material
amarelo – yellow stuff index (Y) e sem índice – none such (N). Os nomes associados a cada novo eixo indicam as
características que os índices pretendem medir.
Os coeficientes para o Landsat MSS são (Kauth et al., 1979):
B = 0.322*MSS1 + 0.603*MSS2 + 0.675*MSS3 + 0.262*MSS4
G= -
-0.283*MSS1 -0.660*MSS2 + 0.577*MSS3 + 0.388*MSS4
Y=
-0.899*MSS1 + 0.428*MSS2 + 0.076*MSS3 – 0.041*MSS4
N=
-0.061*MSS1 +0.131*MSS2 - 0.452 * MSS3 + 0.882 * MSS4
Crist e Kauth (1986) derivaram os coeficientes visíveis, infravermelho próximo e infravermelho médio para transformar
as imagens do Landsat Thematic Mapper (TM) em variáveis de brightness (B), greenness (G) e wetness (W).
B=
0.2909*TM1 + 0.2493*TM2 + 0.4806*TM3 + 0.5568*TM4 + 0.4438*TM5 + 0.1706*TM7
G=
-0.2728*TM1 – 0.2174*TM2 – 0.5508*TM3 +0.7221*TM4 + 0.0733*TM5 – 0.1648*TM7
W=
0.1446 * TM1 + 0.1761*TM2 +0.3322*TM3 +0.3396*TM4 – 0.6210*TM5 – 0.4186*TM7
Os coeficientes Tasseled Cap para o Landsat 7 Enhanced Thematic Mapper Plus (ETM+) são (Huang et al., 2002):
B = 0.3561*TM1 + 0.3972*TM2 + 0.3904*TM3 + 0.6966*TM4 + 0.2286*TM5 + 0.1596*TM7
G = -0.334*TM1 – 0.354*TM2 -0.456*TM3 + 0.6966*TM4 – 0.24*TM5 – 0.263* TM7
W = 0.2626*TM1 + 0.2141*TM2 + 0.0926*TM3 + 0.0656*TM4 – 0.763*TM5 – 0.539*TM7
Keempat = 0
.0805*TM1 – 0.050*TM2 + 0.1950*TM3 – 0.133*TM4 + 0.5752*TM5 – 0.777*TM7
Kelima = -0.725*TM1 – 0.020*TM2 + 0.6683*TM3 + 0.0631*TM4 - 0.149*TM5 – 0.027*TM7
Keenam = -0.400*TM1 – 0.817*TM2 + 0.3832*TM3 + 0.0602*TM4 – 0.109*TM5 + 0.0985*TM7
Os coeficientes Tasseled Cap para a transformação de imagens do Landsat 8 (Baig et al., 2014) são:
B = 0.3029*TM2 + 0.2786*TM3 + 0.4733*TM4 + 0.5599*TM5 + 0.508*TM6 + 0.1872*TM7
G = -0.2941*TM2 – 0.243*TM3 – 0.5424*TM4 + 0.7276*TM5 + 0.0713*TM6 – 0.1608*TM7
W = 0.1511*TM2 + 0.1973*TM3 + 0.3283*TM4 + 0.3407*TM5 - 0.7117*TM6 - 0.4559*TM7
Keempat = - 0.8239*TM2 + 0.0849*TM3 + 0.4396*TM4 - 0.058*TM5 + 0.2013*TM6 - 0.2773*TM7
Kelima = -0.3294*TM2 + 0.0557*TM3 + 0.1056*TM4 + 0.1855*TM5 - 0.4349*TM6 + 0.8085*TM7
Keenam = 0.1079*TM2 - 0.9023*TM3 + 0.4119*TM4 + 0.0575*TM5 - 0.0259*TM6 + 0.0252*TM7
53

Capítulo 3 - High Carbon Stock Approach

Transcrição

Documentos relacionados

monte azul paulista

Resoluções das atividades

Biomas 03/11/15 3:56 PM

Clima - Brasil 1- Os climogramas abaixo representam

Colégio Nomelini Cirandinha

OS BIOMAS

EXERCÍCIOS REFORÇO 7º Anos 2016_1 – Biomas (GABARITO)

Vegetação cor-de-rosa surge após incêndio em áreas abaixo do

Aula Biomas

Brasil – Vegetação: Biomas: são conjuntos de ecossistemas

(HCS): `Desmatamento Zero` em prática