O levantamento do uso e ocupação do solo foi realizado em três etapas distintas e subsequentes, sendo a primeira etapa o pré-processamento da imagem orbital; a segunda etapa o reconhecimento em campo das feições de interesse e; a terceira etapa constituindo na classificação e no mapeamento das classes de uso e ocupação.
Na primeira etapa, utilizou-se intensivamente o método assistido por computador, com a aquisição das imagens coloridas do sensor LISS 3 (Linear Imaging Self-Scanning - Sensor 3) do satélite Resourcesat-1 de 24 m de resolução espacial, recobrindo até 141 x 141 km, período de revisita de 24 dias, bandas espectrais: 0,52 – 0,59µm – verde, 0,62 – 0,68 µm – vermelho, 0,77 – 0,86 µm – infravermelho próximo e 1,55 – 1,70 µm – infravermelho médio e profundidade de pixel de 7 bits, referentes às órbitas/pontos/data que cobriam a área de estudo, para a extração de informações sobre a cobertura vegetal e o uso atual das terras. As bandas espectrais das imagens utilizadas foram as localizadas nas regiões do espectro eletromagnético do visível, do infravermelho próximo e do infravermelho médio.
As imagens utilizadas neste estudo foram: a) imagem de órbita 217, pontos 65 e 66 de 08 de agosto de 2010.
Ainda nesta etapa foi realizado o processamento digital das imagens em ambiente Erdas, o qual executou as seguintes funções: 1) Empilhamento das bandas 2, 3, 4 e 2) Reprojeção das imagens; 3) Mosaicagem; 4) Recorte da área de estudo e 5) Registro das imagens.
Já a segunda etapa ocorreu em duas visitas de campo, uma no período seco, mês de agosto de 2010, e outra no período chuvoso, mês de março 2011, totalizando 60 dias de levantamentos na área. Esta etapa é fundamental para uma melhor classificação, pois se conhece as áreas e os possíveis alvos/amostras para a supervisão.
Na terceira e última etapas, após uma criteriosa análise dos dados levantados, além do apoio das observações preliminares realizadas em campo, optou-se pela categorização da imagem em 8 classes temáticas, a saber: água, vegetação arbórea fechada, vegetação arbórea aberta, vegetação arbustiva arbórea fechada, vegetação arbustiva arbórea aberta, solo exposto, pastagem e cultura.
Em seguida, foi eleito o classificador supervisionado “pixel a pixel” do método da Máxima Verossimilhança, o qual considera que as reflectâncias de cada categoria ajustam-se a uma distribuição normal em um espaço multidimensional das bandas, definido por uma zona elíptica que caracteriza a assinatura. Apoia-se na teoria da probabilidade Bayesiana, a qual utiliza dados da
46 média e variância/covariância das assinaturas espectrais de um conjunto de amostras de treinamento com o objetivo de estimar a probabilidade de um dado pixel pertencer a cada uma das categorias (CHUVIECO, 1996).
Na fase de processamento, foram testadas e geradas diversas composições de bandas visando a classificação supervisionada. Das composições testadas, foi selecionada para a obtenção da informação espectral, a composição colorida falsa cor em RGB (red, Green and blue) com as bandas 5, 4 e 3, respectivamente (banda 5 = infravernelho médio, 4 = infravermelho próximo e banda 3 = vermelho), já que as características intrínsecas a cada uma destas faixas do espectro eletromagnético permitiram delimitar satisfatoriamente os diferentes usos e ocupações na área. As bandas 3, 4 e 5 do sensor LISS 3 foram escolhidas em função das suas características, a saber:
• a banda 3 permite definir um bom contraste entre diferentes tipos de vegetação, devido a baixa reflectância das folhas, com a absorção da clorofila;
• na banda 4, a vegetação reflete muita energia, permitindo analisar a rugosidade do dossel florestal, até a morfologia do terreno e ainda o delineamento de corpos d'água;
• a banda 5 possibilita observar stress na vegetação causado por desequilíbrio hídrico.
Definida as bandas espectrais e a composição colorida falsa cor 5R, 4G, 3B procedeu-se à obtenção das assinaturas espectrais nesta composição. Feito isto, pode-se iniciar o processamento digital propriamente dito, que constituiu: a) criação de arquivo de contexto; b) execução do treinamento; c) análise das amostras (avaliação das amostras de teste e de aquisição) d) execução da classificação; e) execução da pós-classificação; e f) mapeamento para classes.
Os pontos identificados no levantamento em campo serviram como amostras para o treinamento da classificação, rotulando as áreas homogêneas e representativas que serviram de testes para o classificador. Estas amostras foram obtidas por pixel e por regiões da imagem trabalhada. As amostras por regiões foram coletadas e digitalizadas em forma de polígonos sobre as feições de interesse na imagem, e cada amostra de treinamento, representou pixels com reflexão característica. Após a análise da média e variância/covariância das assinaturas espectrais das amostras fornecidas, o software classificou a imagem orbital nas 8 classes definidas.
4.5.3.1 Amostragem
As amostras foram coletadas de forma aleatória sobre as imagens empilhadas. O reconhecimento dos padrões foi realizado a partir de pontos obtidos em campo sobre a imagem empilhada. Para cada conjunto de variáveis adquiriu-se o mesmo número de amostras para treinamento e para validação da classificação. Assim, conforme Novo (2008), os números de amostras foram representativas de todos os pixels daquela classe, sendo ajustadas aos pressupostos
47 teóricos da regra de decisão adotada. Para tanto, coletou-se aleatoriamente 400 amostras para treinamento (50 para cada classe) e 400 para a validação da exatidão da classificação (50 amostras por classe), por cada uma das oito (08) regiões recortadas para análise.
4.5.3.2 Pós-processamento
Após a classificação foram aplicados filtros para eliminar grupo de células com áreas dispersas na imagem classificada. Esse processamento visou melhorar a qualidade visual da imagem final, eliminando pequenas células consideradas ruídos usando a função de aglutinação de classes (Clump Classes). Como etapa final do processo de classificação foi realizada o processamento e conversão das imagens classificadas para tratamentos e edição em ambiente Gis.
Desta forma, gerou-se, mapas de uso e ocupação do solo, com seus respectivos alvos/figuras numerados(as) georreferenciados(as) coletadas durante as análises de campo.
4.5.3.3 Validação da exatidão da classificação do uso e ocupação do solo
A validação da exatidão de uma classificação é o último passo do processo de classificação. A forma mais utilizada, segundo Novo (2008), é a comparação do mapa derivado da imagem com o mapa de referência a partir de uma matriz de erro, também conhecida como matriz de confusão. A exatidão de uma classificação representa a concordância entre a informação do mapa temático gerado e a informação real do espaço geográfico mapeado.
A exatidão global é calculada dividindo a soma da diagonal principal da matriz de erros Xii, pelo número total de amostras n, conforme a equação 1:
a) Exatidão global
n
Po
c i iix
∑
==
1 (1) que Po é exatidão global; c é o número total de unidades amostrais contempladas pela matriz;X
ii é o valor na linha i e coluna i en
é número total de amostras.A exatidão global (Po) fornece um índice de classificação que representa a concordância para todo o mapa sem apresentar a exatidão das classes de forma individual. A análise estatística de exatidão de cada classe procedeu-se dividindo o número de unidades amostrais classificadas corretamente numa classe pelo número total de amostras de referência dessa classe.
Já a proporção de concordância esperada aleatoriamente (Pe) é calculada segundo a equação 2.
48 b) Equação da concordância esperada aleatoriamente
n
x
x
i c i iPe
2 1 + = +∑
=
(2) em que Pe é concordância esperada aleatoriamente; xi+é a soma da linha i; x+i é a soma da coluna i da matriz de confusão, n é o número total de amostras e c é o número total de classes.E, finalmente, a estimativa do coeficiente Kappa é dado pela equação 3. c) Equação Kappa Pe Pe Po K − − = 1 ) ( (3) em que, K é uma estimativa do coeficiente Kappa; Po é a observação relativa de aceitação entre os avaliadores e Pe é hipoteticamente a probabilidade de acerto.
A estatística Kappa, que também aparece na matriz de erro, diferentemente da exatidão global, utiliza todos os dados da matriz para o cálculo da concordância do mapeamento. Esta estatística é considerada como um indicador adequado para avaliação da exatidão de classificação.
A análise do Kappa é uma técnica multivariada discreta usada para determinar estatisticamente se a matriz de confusão é significativamente melhor que outra. O índice kappa varia de 0 a 1. Valores próximos de 0 indicam baixa concordância entre o mapa gerado e as informações de campo, enquanto que valores próximos de 1 indicam maior concordância da classificação. Caso a concordância entre os classificadores seja completa, então k = 1. Caso não haja concordância entre os preditores, entãoK ≥0. A Tabela 4.5.3.3.1 apresenta a interpretação dos valores obtidos pelo coeficiente Kappa.
Tabela 4.5.3.3.1 - Qualidade índice Kappa.
Índice Kappa Qualidade
0,01 a 0,20 Ruim
0,21 a 0,40 Razoável
0,41 a 0,60 Boa
0,61 a 0,80 Muito Boa 0,81 a 1,00 Excelente
Fonte: Landis e Koch (1977) adaptada.
O resultado indica se a percentagem de uma unidade de referência está corretamente classificada. Este é, portanto, uma medida do erro de omissão, sendo este erro encontrado
49 dividindo-se o total do pixel classificado corretamente numa classe pelo número total de pixels de cada respectiva classe (IPPOLITE & RAMILO, 1999).