Classificação automática de imagens de satélites no mapeamento da região cafeeira de Patrocínio, MG

Abstract

Imagens orbitais representam uma boa opção na coleta de dados sobre a superfície terrestre reduzindo custos e tempo necessários à sua realização. O uso de imagens de satélite representa uma ferramenta de grande utilidade para fins de mapeamento devido à sua grande abrangência em termos de área, periodicidade de imageamento em intervalos curtos, possibilidade de análise visual e espectral e baixo custo de aquisição. O sensoriamento remoto e o processamento digital de imagens fornecem dados que podem ser manipulados e integrados a outros tipos de dados em sistemas de informações geográficas, possibilitando a obtenção de informações importantes sobre a superfície terrestre. A idéia básica em classificação de dados multiespectrais é identificar grupos de atributos espaciais e isolá-los usando alguns limites de decisão. A classificação automática de imagens visa à categorização da cobertura da terra distinguindo as composições de diferentes materiais superficiais (Crosta, 1999). Os valores de nível de cinza de cada pixel são agrupados e associados a um tipo de cobertura da superfície terrestre imageada. A distinção entre os padrões de uso da terra é possível graças ao comportamento específico dos objetos ao longo do espectro eletromagnético, ou seja, os objetos da superfície terrestre interagem (reflectância, absorbância e transmitância) com a radiação eletromagnética de maneira diferenciada em função do comprimento de onda e de suas características bio-físico-químicas. Este trabalho visa à avaliação da qualidade de diferentes métodos de classificação automática de uma imagem do satélite Landsat para geração de um mapa de uso atual do município de Patrocínio, importante polo cafeeiro do estado de Minas Gerais. O processamento digital da imagem foi realizado pelo SPRING (Sistema para Processamento de Informações Georreferenciadas) do INPE (Instituto Nacional de Pesquisas Espaciais). Os classificadores automáticos utilizados foram: MaxVer (Máxima Verossimilhança), caracterizado como do tipo "pixel a pixel", Isoseg e Battacharya, considerados como classificadores por região. Para avaliação dos mapeamentos obtidos com os classificadores foi usado o mapeamento gerado por interpretação visual da mesma imagem. Para medição da acurácia foram usadas matrizes de contingência e o coeficiente de concordância Tau. O melhor índice obtido foi para a classificação pelo algoritmo Battacharya, seguido dos classificadores MaxVer e Isoseg. O relevo suavizado da região, que reduz a influência do sombreamento no comportamento espectral das coberturas, associado ao padrão da agricultura regional em que extensas áreas são ocupadas com culturas anuais e perenes colaborou para o bom desempenho dos classificadores. Em outras áreas cafeeiras do estado, onde o relevo é montanhoso e o uso agrícola muito segmentado, os mesmos classificadores apresentaram índices de acurácia inferiores.

Remote sensing and geographic information systems have become important technologies for surveying and understanding the Earth’s surface and the different environmental interventions made by Man. Satellite imagery is now regarded as the most economic and effective data source for mapping and monitoring natural resources due to the possibility of obtaining multispectral, multiresolution and multitemporal information over large geographical areas in short periods of time. Relevant information extracted with the aid of digital image processing techniques generate data that can be stored, treated and analyzed in the geographical information system, which also integrates all other sources of georeferenced data to provide important information for the development and validation of ecological models, land use planning and decision making processes from regional to global scales. The basic idea in classifying multispectral data is to identify clusters of spatial attributes and to isolate them using some decision limits. The automatic classification of multispectral images categorizes the land cover, distinguishing the composition of different surface materials (Crosta, 1999). The grey level values of each pixel are grouped and associated to a type of land cover. The patterns of land use can be distinguished due to the specific behaviour of the objects along the electromagnetic spectre. In other words, these objects on the earth surface interact (reflectance, absorption and transmittance) differently with the electromagnetic radiation according to their bio-physical-chemical characteristics. When this operation is carried out for all the pixels of a determined area the result is a thematic map showing the geographic distribution of a theme, such as vegetation or soil. Therefore, a classified remote sensing image is a type of digital thematic map. The objective of this work is to evaluate the reliability of different automatic classifiers of Landsat images to generate a land use map of Patrocínio, an important coffee growing region of the state of Minas Gerais in Brazil. The digital processing of the image was carried out using the SPRING software developed by INPE (Brazilian National Institute of Space Research). The automatic classifiers used were: MaxVer (Maximum Likelihood), characterized as a per-pixel classifier, Isoseg and Battacharya, considered per-field classifiers. A thematic map obtained from visual interpretation of the same image was used as reference for comparing the different algorithms and for obtaining the accuracy indexes. Accuracy was measured using the Tau index proposed by Ma & Redmond (1995). The best classification was obtained with the Battacharya classifier, followed by the MaxVer and Isoseg algorithms. The coffee production systems in the area, characterized by large and more uniform coffee fields, associated with the smoother landscapes reduced the influence of shadowing and improved the results obtained with the same classifiers in the more hilly coffee lands of the state.