Programa Integrado de Monitoria Remota de Fragmentos ... · Modelo Digital de Superfície extraído...
Transcript of Programa Integrado de Monitoria Remota de Fragmentos ... · Modelo Digital de Superfície extraído...
Programa Integrado de Monitoria Remota de
Fragmentos Florestais e
Crescimento Urbano no Rio de Janeiro
Relatório Trimestral de Atividades
Abril / Maio / Junho de 2010
2
Índice
1. Apresentação .................................................................................................................................3
2. Fotogrametria .................................................................................................................................4
3. Classificação Visual ......................................................................................................................8
3.1. Classificação do Parque Estadual da Pedra Branca 2009 ...............................................8
3.2. Elaboração de Projetos Científicos .....................................................................................9
3.3 Atividades em Desenvolvimento ..........................................................................................9
4. Classificação Automática .......................................................................................................... 10
4.1. Introdução ............................................................................................................................ 10
4.2. Atividades Desenvolvidas.................................................................................................. 10
4.3. Referências Bibliográficas ................................................................................................. 15
3
1. Apresentação
Em atendimento ao disposto na Cláusula 04ª, item I, do contrato nº09/08, o presente documento
apresenta o relatório técnico e de acompanhamento físico e financeiro (disposto em outro
encarte) relativo às funções e atividades desenvolvidas pela equipe de execução do Programa
Integrado de Monitoria Remota de Fragmentos Florestais e de Crescimento Urbano no Rio
de Janeiro, realizado pela Secretaria de Estado do Ambiente (SEA) e pelo Instituto Estadual do
Ambiente (INEA) em parceria com a Pontifícia Universidade Católica do Rio de Janeiro (PUC-
Rio) através do Núcleo Interdisciplinar de Meio Ambiente (NIMA). As atividades aqui descritas
foram realizadas durante o quarto trimestre do projeto (Outubro/ Novembro/ Dezembro).
4
2. Fotogrametria
As atividades realizadas no trimestre incluíram revisões de processamentos anteriores. Somente
ao final do segundo trimestre (abril até junho) de 2010 deu-se o recebimento e o processamento
de novas imagens.
Foi recebido um conjunto com cinco novas imagens monoscópicas obtidas no mês de maio de
2010 para a geração de novas ortoimagens das áreas do Maciço da Tijuca e do Maciço da Pedra
Branca. Três das imagens recebidas estão localizadas sobre o Maciço da Tijuca (figuras 1, 2 e 3)
e duas situam-se na vertente Norte do Maciço da Pedra Branca (figuras 4, 5, 6).
Figura 1. Três cenas monoscópicas sobre o Maciço da Tijuca (Maio 2010)
5
Figura 2. Modelo Digital de Superfície extraído a partir de um estereopar IKONOS2 (2009)
Figura 3. Visão hibrida das imagens monoscópicas sobre o modelo digital de superfície
6
Figura 4. Duas cenas monoscópicas sobre a vertente Norte do Maciço da Pedra Branca
(Maio 2010)
Figura 5. Modelo Digital de Superfície extraído a partir de um estereopar IKONOS2 (Jan 2010)
Figura 6. Visão hibrida das imagens monoscópicas sobre o modelo digital de superfície
7
De maneira similar à reportada em relatórios técnicos anteriormente remetidos ao INEA, a
metodologia empregada para o processamento fotogramétrico foi similar à utilizada em projetos
anteriores, com a ressalva de que, uma vez que as cinco imagens recebidas são monoscópicas,
foi necessário utilizar os Modelos Digitais de Superfície anteriormente gerados em outros projetos
fotogramétricos, a fim de proceder à orto-retificação dessas imagens. O uso dos Modelos Digitais
de Superfície encontra-se ilustrado nas figuras 3 e 6 acima.
Uma vez terminado o processamento fotogramétrico, as ortoimagens foram remetidas para a
equipe de classificação do LabGIS.
8
3. Classificação Visual
3.1. Classificação do Parque Estadual da Pedra Branca 2009
Foi realizada ao longo destes três meses a classificação da vertente norte do Maciço da Pedra
Branca. Conforme dito no relatório anterior, os mesmos níveis de segmentos foram adotados:
200 100 e 30. Na figura 7 está o resultado da classificação da imagem IKONOS do Maciço da
Pedra Branca.
Figura 7. Classificação da Imagem de 2009 do Parque Estadual da Pedra Branca
(Vertente Norte).
Pode-se ver abaixo, a tabela de distribuição das classes identificadas e levantadas conforme a
porcentagem de cada uma em relação ao total.
Tabela 1. Porcentagem das classes levantadas no Maciço da Pedra Branca (Vertente Norte).
CLASSES %
Afloramento Rochoso 1,52
Campo 22,50
Solo Exposto 1,63
Vegetação 70,85
Sombra 0,08
Água 0,02
Área Edficada 1,18
Não classificada 2,17
Nuvem 0,05
TOTAL 100
9
3.2. Elaboração de Projetos Científicos
A partir dos dados levantados, os integrantes da equipe de classificação visual iniciaram
pesquisas individuais sobre os seguintes temas:
• Análise multitemporal da cobertura do solo
• Impactos do crescimento urbano sobre o Maciço da Pedra Branca
• Definição e conceituação de classes
• Análise do processo de segmentação
• Análise da classificação automática das classes ‘vegetação’ e ‘área edificada’
É importante destacar que todos os trabalhos estão sendo desenvolvidos utilizando como base
as imagens IKONOS adquiridas pelo Projeto PIMAR e visam o aprimoramento das metodologias
já implantadas.
3.3 Atividades em Desenvolvimento
Atualmente, a partir da entrega das imagens monoscópicas que foram programadas em Maio de
2010, a equipe de classificação iniciou a classificação da imagem referente a área do Maciço da
Pedra Branca e está em processo de edição da imagem referente ao Maciço da Tijuca.
10
4. Classificação Automática
4.1. Introdução
Este eixo de atividades do projeto PIMAR se dedica a elaboração de um modelo de interpretação
automática das imagens utilizadas no projeto PIMAR através de técnicas de classificação de
imagens por análise orientada a objeto. Para tal tarefa está sendo utilizado o sistema de livre
acesso e código aberto para a interpretação automática de imagens InterIMAGE (InterIMAGE,
2009). Tal modelo de interpretação automática estará, ao final do projeto, formalizado em uma
interface gráfica através da qual o usuário poderá coletar amostras das classes de interesse
sobre a imagem e, com base nestas amostras, o modelo realizará a criação de regras de
classificação e a interpretação da imagem propriamente dita. Ao final do processo o usuário
obterá um mapa temático das classes de interesse (com exatidão temática do mapa estimada)
para a área e data de aplicação do modelo.
O objetivo é que o modelo de interpretação por fim elaborado obtenha resultados com grau de
exatidão e precisão temática igualmente para todas as datas de análise do projeto e que possa
eventualmente ser aplicado em outras áreas de estudos para monitoramento de supressão de
vegetação e expansão urbana utilizando imagens de sensoriamento remoto de alta resolução
espacial.
4.2. Atividades Desenvolvidas Ao passo que nos relatórios anteriores mostramos um potencial modelo de interpretação
automática formatado para o sistema InterIMAGE (InterIMAGE, 2010) e que consistia em
procedimentos de segmentação e classificação destes segmentos pelo algoritmo de árvore de
decisão C4.5 (Quinlan, 1993), neste relatório será mostrado uma estratégia alternativa a esta que
está sendo testada neste momento.
Esta estratégia de interpretação automática está sendo testada utilizando os sistemas
InterIMAGE e Definiens (Definiens, 2010) de classificação de imagem e está estruturada em
forma de uma rede semântica expressa na Figura 8. Como o objetivo principal do Projeto PIMAR
é detectar a supressão de Mata Atlântica à custa, na maioria dos casos, de expansão urbana, o
mais crucial no que tange a exatidão do modelo de interpretação automática é a detecção da
11
classe Vegetação, independentemente se esta vegetação é de gramínea ou arbórea. Por isso,
até o momento, diferentemente dos modelos testados nos meses anteriores, temos testado uma
forma de calibração, ou seja, definição do limiar que separa Vegetação de Não-Vegetação, ao
passo que anteriormente os limiares, assim como o próprio atributo usado nesta separação, eram
definidos pelo algoritmo C4.5 com base em amostras coletadas pelo usuário. Presentemente,
está definido que a separação de Vegetação e Não-Vegetação será feita utilizando-se o atributo
‘Divisão da média da banda do infravermelho próximo pela média da banda do vermelho’ (daqui
em diante referiremos a este atributo pelo nome B4/B3) para cada segmento gerado no processo
de segmentação com parâmetros já reportados nos relatórios anteriores. Da mesma forma, ficou
definido que o atributo ‘Brilho’ (que é a soma das médias dos pixels em cada uma das quatro
bandas do sensor IKONOS dividido por 4) será utilizado na separação de Sombra e Não-Sombra.
A seguir, explicaremos como que provavelmente será feita a detecção de Sombra e de
Vegetação, ou seja, como será feita a definição do valor-limiar nestes dois casos.
Figura 8. Rede semântica testada na elaboração do modelo de interpretação automática.
No caso da detecção de Sombra e de Não-Sombra (operador inserido no nó Segmentação) isto
se dará da seguinte forma: o operador segmentará a imagem e ordenará estes segmentos
crescentemente considerando o valor do atributo ‘Brilho’ de cada segmento; o usuário então
navegará por esta lista e, através de uma tela, conseguirá visualizar o segmento na imagem com
12
valor de ‘Brilho’ imediatamente acima e abaixo deste limiar. Ou seja, ficará a cargo do usuário
definir, de forma supervisionada e utilizando o recurso da lista de valores e da tela mostrando os
segmentos-limiares, o valor do limiar. Os segmentos com valor abaixo do limiar passam a
pertencer à classe Sombra, enquanto os com valor acima passam a pertencer à Não-Sombra. É
sobre a área geográfica de Não-Sombra que o operador para a separação de Vegetação e Não-
Vegetação irá ser processado.
A definição do limiar para a separação de Vegetação e Não-Vegetação será feita por uma de
duas alternativas, de acordo com a conveniência/necessidade do usuário, a saber: por definição
da área máxima de pós-edição ou por definição da probabilidade de não se detectar
desmatamento. Ambas as alternativas exigem que para os segmentos classificados como Não-
Sombra, seja calculado o atributo B4/B3, assim como a classe (Vegetação ou Não-Vegetação) a
qual pertencia este segmento na imagem da data anterior. De forma similar a separação de
Sombra e Não-Sombra, uma lista dos segmentos (contendo a informação de classe no ano
anterior) ordenados pelo valor do atributo B4/B3 é gerada pelo operador e disponibilizada ao
usuário através da interface gráfica do sistema.
No caso do usuário decidir definir o limiar através da definição da área máxima a ser editada
pelos foto-intérpretes, é feito o seguinte: (1) Constrói-se uma lista dos segmentos que na data
anterior pertenciam a Vegetação, (2) ordenam-se os segmentos desta lista pelos valores do
atributo B4/B3 e (3) defini-se o limiar L tal que a proporção dos polígonos da lista com B4/B3 <T
seja mais próxima possível da área relativa máxima da imagem a ser analisada pelos foto-
intérpretes.
No caso do usuário decidir definir o limiar através da definição da probabilidade de não detectar
desmatamento, é feito o seguinte: (1) constrói-se uma lista dos segmentos que na data anterior
pertenciam a #vegetação, (2) ordenam-se os segmentos desta lista por B4/B3 e (3) defini-se o
limiar L tal que a proporção dos polígonos da lista com B4/B3 > L seja mais próxima possível da
probabilidade de não se detectar desmatamento definida pelo usuário. A Figura 9 exibe
graficamente o que foi dito.
13
Figura 9. Esquema de definição de limiares.
Antes da definição desta estratégia acima explicada, o gráfico da Figura 10 foi elaborado com
vistas a avaliar a separabilidade das classes em relação ao atributo B4/B3. A área ínfima de
intersecção entre as curvas corrobora a assertiva de que este de fato é um atributo bom para a
separação das classes de interesse do Projeto PIMAR. A Figura 11 mostra um gráfico elaborado
em que se mostra a relação entre as duas alternativas que o usuário tem para a definição do
limiar para a separação de Vegetação e Não-Vegetação com base no ano de 2008 (linha azul) e
no ano de 2009 (linha vermelha). Apesar do fato de que se fosse definido uma probabilidade de
0,5% de não se detectar desmatamento a área relativa de pós-edição seria de aproximadamente
40%, definindo-se uma probabilidade de não se detectar desmatamento de 1% ou mais, a área a
ser pós-editada seria de menos de 15%. Estes dois gráficos expressam com clareza tanto a
separabilidade das classes Vegetação e Não-Vegetação pelo atributo B4/B3, quanto a relação
área de pós-edição/probabilidade de não detectar desmatamento para todos os possíveis limiares
do atributo B4/B3.
14
Figura 10. Gráfico de distribuição das classes em relação ao atributo B4/B3.
Figura 11. Gráfico de distribuição das classes em relação ao atributo B4/B3.
Quanto aos outros nós da rede semântica, estes serão detectados na imagem da mesma forma
adotada para a classificação de Sombra, ou seja, lista-se crescentemente os valores do atributo
associado às classes e, com este recurso junto com a visualização na tela dos segmentos
imediatamente antes e depois do limiar, defini-se o limiar mais apropriado. Assim para a
15
separação entre Solo Exposto e Área Urbana, o atributo ‘Divisão da média da banda do vermelho
próximo pela média da banda do azul’ (B3/B1) será usado. Para a separação entre as classes
Floresta e Campo, o atributo ‘Brilho’ será novamente usado. Assim finaliza-se a etapa Top-Down
do modelo de classificação (ver relatório anterior). Na etapa Bottom-Up será feita apenas a
reclassificação de segmentos erroneamente classificados através de regras contextuais já
reportadas nos relatórios anteriores.
4.3. Referências Bibliográficas
CONGALTON, R. G.; GREEN, K. Assessing the accuracy of remotely sensed data – principles and practices. Boca Raton: Lewis Publishers, 1999. 137 p. ISBN: 0-87371-986-7. INTERIMAGE. InterIMAGE – Interpreting images freely. Desenvolvido por Laboratório de Visão Computacional da Pontifícia Universidade Católica do Rio de Janeiro. Rio de Janeiro, Brasil, 2009. Disponível em: http://www.lvc.ele.puc-rio.br/projects/interimage/. Acesso em: 15 jul. 2009. QUINLAN, J.R. C4.5: programs for machine learning. San Francisco: Morgan Kaufmann, 1993.