Print version ISSN X
Pesq. agropec. bras. vol.47 no.9 Brasília Sept. 2012
http://dx.doi.org/10.-204X0
SENSORIAMENTO REMOTO
Classifica&&o orientada a objetos aplicada na
caracteriza&&o
da cobertura da terra no Araguaia
Object‑oriented classification applied to the
characterization of soil use
and land cover in the Araguaia, Brazil
& Rener Ribeiro FernandesI;
Gustavo Manzon NunesI;
Thiago Sanna Freire SilvaII
IUniversidade Federal de Mato Grosso,
Faculdade de Engenharia Florestal, Programa de P&s‑Gradua&&o em Ci&ncias
Florestais e Ambientais, Avenida Fernando Correa da Costa, s/n?,
CEP 7;900 Cuiab&, MT. E‑mail: ,
IIInstituto Nacional de Pesquisas Espaciais,
Divis&o de Sensoriamento Remoto, Avenida dos Astronautas, n? 1.758,
Jardim da Granja, CEP 1;010 S&o Jos& dos Campos, SP. E‑mail:
O objetivo deste trabalho foi
utilizar a classifica&&o orientada a objetos em imagens TM/ Landsat‑5,
para caracterizar classes de uso e cobertura da terra, na regi&o do M&dio
Araguaia. A cena 223/068, adquirida em 5/9/2010, foi submetida a corre&&o
radiom&trica, atmosf&rica e geom&trica, como etapas de pr&‑processamento.
Em seguida, foram geradas duas imagens por meio das matem&ticas de bandas
espectrais do &ndice de vegeta&&o por diferen&a normalizada (NDVI) e do &ndice
de &gua por diferen&a normalizada modificado (MNDWI), utilizados na classifica&&o
de imagens. Para a segmenta&&o destas, utilizaram-se os par&metros de escala
250, 200, 150, 100, 50, os algoritmos "assign class" e "nearest neighbor", e os
descritores de m&dia, &rea e rela&&o de borda. Foi empregada matriz de
confus&o, para avaliar a acur&cia da classifica&&o, por meio do coeficiente de
exatid&o global e do &ndice de concord&ncia Kappa. A exatid&o global para
o mapeamento foi de 83,3%, com coeficiente Kappa de 0,72. A classifica&&o
foi feita quanto &s fitofisionomias do Cerrado, ao uso antr&pico e urbano da
terra, a corpos d'&gua e a bancos de areia. As matem&ticas de bandas
espectrais utilizadas apresentam resultados promissores no delineamento das
classes de cobertura da terra no Araguaia.
Termos para indexa&&o: classifica&&o digital de
imagens, fitofisionomias do Cerrado, MNDWI, NDVI, segmenta&&o de imagens,
sensoriamento remoto.
The objective of this work was to
use object‑oriented classification in TM/Landsat‑5 images to
characterize land use and land cover classes in the Araguaia region. The scene
223/068, acquired on 9/5/2010, was subjected to the following pre‑processing
stages: radiometric, atmospheric, and geometric corrections. Two images were
generated by the mathematical spectral bands normalized difference vegetation
index (NDVI) and modified normalized difference water index (MNDWI), which were
used in the classification process. For image segmentation, the scale
parameters 250, 200, 150, 100, 50, the algorithms assign class and nearest
neighbor, and the attributes of average, area, and border ratio were used.
A confusion matrix was used to assess the accuracy of the classification,
using the overall accuracy coefficient and the Kappa index of agreement.
Overall accuracy for mapping was 83.3%, with Kappa coefficient of 0.72. The
classification was done as to Cerrado physiognomies, anthropic and urban use of
the land, water bodies, and sand banks. The mathematical spectral bands used
are promising for delineating classes of the land cover in Araguaia.
Index terms: digital image classification, Cerrado
physiognomies, MNDWI, NDVI, image segmentation, remote sensing.
Introdu&&o
A regi&o do Araguaia e da Ilha do Bananal faz parte de um
complexo mosaico de unidades inter‑relacionadas que regula a mais
importante &rea de ecossistemas aqu&ticos do Cerrado brasileiro. Estudos com
informa&&es confi&veis sobre a distribui&&o espacial do uso da terra, nessa
regi&o, ainda s&o escassos, apesar de fundamentais para direcionar o
planejamento e a defini&&o de prioridades por parte do poder p&blico e privado.
Assim, o desenvolvimento de metodologias que auxiliem no monitoramento e no
ordenamento do uso da terra ainda & necess&rio.
Os avan&os tecnol&gicos na &rea de sensoriamento remoto nos
&ltimos anos t&m possibilitado a aquisi&&o de informa&&es mais precisas e
detalhadas. Um exemplo desse avan&o & a classifica&&o orientada a objetos
geogr&ficos, que & eficiente no mapeamento do uso da terra (Luz et al.,
2010). Esta classifica&&o baseia-se no agrupamento de pixels a partir da
segmenta&&o da imagem. Neste m&todo, a segmenta&&o & o passo preliminar que
divide a imagem em objetos homog&neos e cont&guos, e a acur&cia da segmenta&&o
afeta diretamente o desempenho da classifica&&o (Yan et al., 2006).
Duveiller et al. (2008) relataram que melhorias recentes no processo de
segmenta&&o de imagens tornaram a classifica&&o orientada a objetos importante
ferramenta para delinear classes de uso e cobertura da terra de forma
eficiente.
Em trabalho pioneiro com classifica&&o orientada a objetos no
Brasil, Antunes (2003) buscou mapear tipologias vegetais em ambiente ciliar do
Rio Paracatu, no Paran&, a partir do uso de imagens Ikonos. O autor
comparou os resultados obtidos por m&todos tradicionais de classifica&&o
autom&tica baseados em pixels, como m&xima verossimilhan&a, l&gica fuzzy e
classifica&&o orientada a objetos, e verificou a superioridade deste &ltimo.
Nessa linha de estudo, destacam-se os trabalhos de Alves et al. (2009),
Luz et al. (2010) e Pinho et al. (2012).
A classifica&&o orientada a objetos pode ser utilizada em
conjunto com outras t&cnicas de processamento digital de imagens, como as
matem&ticas de bandas espectrais &ndice de vegeta&&o por diferen&a normalizada
(NDVI) e &ndice de &gua por diferen&a normalizada modificado (MNDWI).
O NDVI, proposto por Rouse et al. (1973), tornou
poss&vel – por sua simplicidade e relativa alta sensibilidade & densidade
da cobertura vegetal – compara&&es espaciais e temporais da atividade
fotossint&tica terrestre, bem como o monitoramento sazonal, interanual e de
varia&&es de longo prazo de par&metros estruturais, fenol&gicos e biof&sicos da
vegeta&&o em escala global (Wang et al., 2003). O MNDWI, proposto por
Xu (2006), consiste em uma raz&o de express&o modificada do NDWI, desenvolvido
por McFeeters (1996), para delineamento de fei&&es relacionadas & &gua.
A diferen&a entre os dois m&todos & que o NDWI utiliza o canal do
infravermelho pr&ximo, enquanto o MNDWI considera o canal do infravermelho
m&dio no processo de raz&o de bandas espectrais. Entretanto, o NDWI n&o separa,
de forma eficiente, o solo da &gua, o que provoca certa mistura entre as
respostas espectrais desses dois alvos. Quanto maior o contraste de &gua na
imagem MNDWI, mais precisa ser& a extra&&o de corpos d'&gua de &reas urbanas,
solo exposto e vegeta&&o. Neste caso, os corpos d'&gua apresentar&o valores
negativos, que podem ser desconsiderados (Xu, 2006).
Essas matem&ticas de bandas espectrais podem ser inseridas como
par&metros de entrada no processo de classifica&&o orientada a objetos, para
ampliar o grau de informa&&o para caracteriza&&o dos alvos no processo do
levantamento de uso e cobertura da terra.
O objetivo deste trabalho foi utilizar a classifica&&o orientada
a objetos em imagens TM/Landsat‑5, para caracterizar classes de uso e
cobertura da terra, na regi&o do M&dio Araguaia.
Material e M&todos
A &rea de estudo compreende uma extens&o de 194.054 ha,
localizada na regi&o do M&dio Araguaia, entre o Munic&pio de S&o F&lix do
Araguaia, MT, e a Ilha do Bananal, TO (11&18' e 11&45'S; 50&51' e 50&23'W).
O relevo da regi&o & plano em praticamente toda sua extens&o, com
pouqu&ssimos morros residuais isolados (Mileski, 1994). O clima, segundo a
classifica&&o de K&ppen, & do tipo Aw, com temperaturas m&dias anuais de 24&C.
A vegeta&&o & caracter&stica do bioma Cerrado e apresenta unidades
fitofision&micas t&picas, como mata de galeria, cerrado t&pico, cerrad&o,
varj&o sujo, varj&o limpo e ipucas.
As classes consideradas no mapeamento de cobertura da terra
abrangeram as fitofisionomias do cerrado, o uso urbano e agr&cola da terra, os
cursos d'&gua e os bancos de areia. As fitofisionomias avaliadas foram:
mata de galeria, que corresponde &s forma&&es florestais associadas aos cursos
d'& varj&o, que inclui as fitofisionomias de varj&o limpo e varj&o sujo
(campo sujo e campo limpo), em que o varj&o sujo consiste de forma&&o sav&nica
caracterizada pela presen&a marcante de &rvores agrupadas em pequenas eleva&&es
do terreno, conhecidas como murundus ou monch&es, e o varj&o limpo & uma
fitofisionomia predominantemente herb&cea de
esp&cies gram&neo‑lenhosas e &rvores esparsas (Martins et al.,
2006); ipucas, que s&o fragmentos naturais de florestas inund&veis inseridos
dentro dos varj& e cerrado, que abrange as fitofisionomias de cerrado t&pico
e cerrad&o, descritas por Coutinho (1978). O uso antr&pico correspondeu a
&reas de agricultura e de pastagem, e o urbano incluiu a mancha urbana do
Munic&pio de S&o F&lix do Araguaia, MT. Os corpos d'&gua detectados
referiam-se a rios, e os bancos de areia, a acumula&&es de
areias, aluvi&es e seixos nas margens dos rios.
A delimita&&o da &rea de estudo foi executada de forma automatizada,
a partir de modelo digital de eleva&&o "shuttle radar topographic mission"
(SRTM), com resolu&&o espacial de 30 m, integrado e processado em sistema
de informa&&es geogr&ficas. A metodologia utilizada nesse processo foi
subdividida em quatro etapas: preenchimento de depress&es ("fill sinks"),
dire&&o de fluxo ("flow direction"), fluxo acumulado ("flow accumulation") e
delimita&&o de bacias ("watershed"), conforme Alves Sobrinho et al.
Como base de dados, utilizou-se imagem do sensor TM/Landsat,
&rbita 223, ponto 068, de 5/9/2010, que envolveu as seguintes bandas
espectrais: bandas
1 (0,45–0,52 &m); 2 (0,50–0,60 &m); 3 (0,63–0,69 &m);
4 (0,76–0,90 &m); 5 (1,55–1,75 &m) e 7 (2,08–2,35 &m). Tamb&m
foram utilizadas carta da cobertura vegetal do Bioma Cerrado SC	Z‑C
na escala 1:250.000 (Mapas de cobertura vegetal dos biomas brasileiros, 2006),
imagem georreferenciada e ortorretificada do sensor ETM + Landsat,
&rbita/ponto& 223/068, de 19/10/2000, obtida junto ao Global Land Cover
Facility (2012), imagens ortorretificadas HRG SPOT 5 (modo SPOT Maps) MI
e imagens Ikonos dispon&veis no programa Google Earth Pro.
Inicialmente, a imagem foi convertida para radi&ncia, de acordo
com Markham & Barker (1987). Este procedimento foi realizado banda a banda
(total de seis bandas) para a cena TM/Landsat‑5. Em seguida, a
imagem resultante foi transformada para o formato banda intercalada por pixel
(BIP), que representa a maneira em que as m&ltiplas bandas da imagem digital
s&o armazenadas. Os valores digitais de cada pixel foram armazenados
sequencialmente para todas as bandas, e a corre&&o atmosf&rica foi aplicada por
"fast line‑of‑sight atmospheric analysis of spectral hypercubes"
(Flaash), que utiliza o c&digo de transfer&ncia radiativa "moderate resolution transmittance" (ModTran) para a convers&o das radi&ncias em reflect&ncias na superf&cie
terrestre (Adler‑Golden et al., 1999; Berk et al., 2002).
A corre&&o geom&trica foi realizada tendo como base a imagem ETM
+ Landsat-7, &rbita/ponto 223/068, de 29/10/2000, georreferenciada e
ortorretificada, cuja primeira etapa consistiu na identifica&&o e no registro
de 25 pontos de controle terrestre, nas duas cenas. A avalia&&o da
qualidade dos pontos de controle foi feita com base no erro m&dio quadr&tico
total (RMS), tendo‑se considerado valor abaixo de 0,50 pixel
adequado para o prop&sito do presente trabalho. A posi&&o de cada pixel na
imagem foi realocada para sua posi&&o correta na imagem corrigida, mediante
utiliza&&o da regress&o polinomial de primeiro grau, em que os pixels foram
reamostrados pelo m&todo do vizinho mais pr&ximo. Este m&todo apenas atribuiu o
valor do n&vel de cinza de determinado pixel da imagem reamostrada ao pixel da
imagem original que estava mais pr&ximo.
Esta reamostragem apresentou, como vantagens, r&pido
processamento e f&cil implementa&&o, al&m de n&o ter alterado os valores
radiom&tricos da imagem original (Novo, 2010). Utilizou-se, como refer&ncia, o
sistema de coordenadas geogr&ficas (latitude e longitude) e, como datum, o
elipsoide "World geodetic system 1984".
A imagem foi submetida a duas t&cnicas de matem&tica de bandas
espectrais, o MNDWI e o NDVI. O MNDWI foi aplicado no processo de
classifica&&o para auxiliar na classifica&&o dos corpos d'&gua e foi executado
conforme Xu (2006), de acordo com a seguinte rela&&o: MNDWI = (RVE‑RIVM)/(RVE+RIVM),
em que RVE corresponde & reflect&ncia no canal verde (banda 2 do
sensor TM/Landsat), e RIVM corresponde & reflect&ncia no canal do
infravermelho m&dio (banda 5 do sensor TM/Landsat). O NDVI auxiliou na
determina&&o das classes de vegeta&&o ipucas, matas de galeria e cerrado, e foi
aplicado conforme equa&&o proposta por Rouse et al. (1973): NDVI = (RIVP‑RV)/(RIVP+RV),
em que RIVP corresponde & reflect&ncia no canal do infravermelho
pr&ximo (banda 4 do sensor TM/ Landsat), e RV corresponde &
reflect&ncia no canal vermelho (banda 3 do sensor TM/Landsat).
Em seguida, foi aplicado o processo de segmenta&&o por
crescimento de regi&es (Baatz & Sch&pe, 2000), implementado no programa
eCognition 8.2 (Trimble GeoSpatial, 2009). O processo de
segmenta&&o pode ser aplicado por tr&s par&metros definidos pelo usu&rio:
escala, forma e compacidade. O par&metro de escala determina a
heterogeneidade m&xima permitida para os objetos da imagem, e seu valor varia
de acordo com o tamanho dos assim, um par&metro de escala
com valores maiores produz objetos maiores. O par&metro de forma consiste
na uni&o dos par&metros de compacidade e suavidade, em que o par&metro compacidade
& definido pela raz&o da &rea do objeto e o raio da circunfer&ncia abrangente,
e o par&metro de suavidade expressa o limite entre objetos, em que, quanto mais
fractal, maior o &ndice de forma (Esch et al., 2008; Evans et al.,
2010). Para a defini&&o da melhor segmenta&&o, foram avaliados – com
base nas m&dias dos valores das seis bandas espectrais do sensor
TM/Landsat – os seguintes par&metros de escala: 250, 200, 150, 100,
50 e 30, seguido dos crit&rios de forma e compacidade definidos como 0,3 e 0,5,
respectivamente.
A etapa final no processo de caracteriza&&o de cobertura da
terra foi a classifica&&o orientada a objetos. Foram utilizadas, como dados de
entrada, as imagens MNDWI, NDVI e todas as bandas multiespectrais TM/Landsat‑5
(). Utilizaram-se os algoritmos de atribui&&o de classes ("assign
class") para o mapeamento de: corpos d'&gua, mata de galeria, ipucas, cerrado e
banco de areia, tendo como base de dom&nio na imagem a aplica&&o dos
descritores de m&dia, &rea e rela&&o de borda. Para o mapeamento das classes
mata de galeria, ipucas e cerrado, foi necess&rio criar uma classe m&e,
denominada vegeta&&o, a partir dos valores m&dios gerados da imagem NDVI.
No mapeamento das classes uso antr&pico e varj&o, foi utilizado o
algoritmo "vizinho mais pr&ximo", a partir do valor m&dio de todas as bandas
espectrais. Para a classifica&&o da &rea urbana, utilizou-se edi&&o manual.
Ap&s a classifica&&o, foi realizada uma reclassifica&&o por meio da edi&&o
manual dos dados, para corrigir eventuais falhas do mapeamento das classes de
uso e cobertura da terra.
Foram realizadas duas campanhas de campo para a valida&&o do
mapeamento. A primeira ocorreu em outubro de 2010 e a segunda em mar&o de
2011. A quantidade m&nima de pontos utilizados para valida&&o foi definida
conforme Jensen (1996):
N = 4p x q/E², em que p & o percentual de exatid& q = 1 ‑ e E & o erro permiss&vel. Para obter o
percentual de exatid&o de 90% e erro admiss&vel de
5%, o n&mero m&nimo de pontos utilizados deveria ser igual a 144.
No entanto, optou-se por escolher um n&mero duas vezes maior que esse, ou
seja, igual a 288 pontos, para aumentar a confiabilidade da valida&&o. Destes,
apenas 96 foram amostrados durante as campanhas de campo, e, para a valida&&o
dos demais pontos, foram utilizadas as imagens HRG SPOT 5 – modo SPOTMaps
(2,5 m de resolu&&o espacial), de 2009 – e as imagens Ikonos dispon&veis
no GoogleEarth Pro, como fontes de valida&&o.
Para a avalia&&o dos resultados das classifica&&es, foram
utilizados os coeficientes de exatid&o global e Kappa, gerados a partir da
matriz de confus&o. A matriz de confus&o compara, classe por classe, a
rela&&o entre os dados de refer&ncia conhecidos e os resultados correspondentes
de uma classifica&&o automatizada (Lillesand et al., 2004). Para
conceituar os resultados obtidos pelo coeficiente Kappa, foram utilizados os
intervalos pr&‑definidos por Landis & Koch (1977).
Resultados e Discuss&o
A imagem obtida pelo &ndice MNDWI gerou valores entre os intervalos
de &# a 2,45, que possibilitaram o realce dos corpos d'&gua
(). Os intervalos do &ndice MNDWI que melhor definiram os
corpos d'&gua foram relacionados diretamente aos valores mais positivos, e
apresentaram varia&&o de 0,48 a 2,06. Os valores do MNDWI entre 2,07 e
2,45 foram referentes a nuvens. J& os valores de 0,48 a &#, envolveram
as demais fei&&es sem realce em compara&&o ao &ndice MNDWI (&rea urbana, solo
exposto, unidades fitofision&micas e &reas de uso antr&pico).
O &ndice NDVI apresentou
valores entre ‑1 e 1,
relativos & vegeta&&o verde sadia. Esse &ndice possibilitou melhor
realce das classes: matas de galeria, ipucas e cerrado. Os intervalos do
&ndice NDVI que definiram essas classes foram de 0,44 a 0,63. A dif&cil
distin&&o entre as &reas de varj&o e as de uso antr&pico deve-se a respostas
espectrais similares obtidas nessas classes ().
Com rela&&o aos testes de segmenta&&o da imagem, optou-se por
selecionar o par&metro de escala que apresentasse melhores diferen&as visuais
significativas no tamanho e na forma dos objetos obtidos, referentes &s classes
de uso e cobertura da terra. De acordo com Pratt et al. (2007),
nenhum resultado de segmenta&&o, mesmo que aprovado em testes quantitativos,
ser& convincente se n&o satisfizer a an&lise visual, que & a fonte mais robusta
e experiente para a avalia&&o das t&cnicas de segmenta&&o.
Observou-se que, para os par&metros de escala 250, 200 e 150, os
resultados obtidos apresentaram maior agrega&&o dos objetos. Isso pode ocasionar
generaliza&&o entre as classes e resultar em erros no processo de classifica&&o
da imagem (,
e ). Esses objetos foram considerados
inapropriados para o processo de classifica&&o digital da imagem.
Os par&metros de escala 100 e 50 apresentaram bom desempenho, no
processo de segmenta&&o, para boa parte das classes de uso e
no entanto, para a individualiza&&o dos objetos relacionados &s ipucas,
esses par&metros n&o tiveram resultados consistentes ( e ). J&
o par&metro de escala 30, que gerou objetos menores, foi o escolhido para
execu&&o do processo de classifica&&o orientada a objetos, por ter fornecido
detalhamento mais preciso das classes de uso e cobertura da terra e permitido a
obten&&o de resultados de classifica&&o mais refinados ().
Entre as classes de uso e cobertura, predominaram as de varj&o
(sujo e limpo), que cobriram 71,6% da &rea (138.984 ha), seguidas das
classes mata de galeria com 9,5% (18.383 ha), cerrado (t&pico e cerrad&o)
com 7,9% (15.296 ha), de uso antr&pico (agricultura e pastagem) com 4%
(7.850 ha), ipucas (fragmentos naturais de florestas inund&veis) com 2,9%
(5.694 ha), corpos d'&gua com 2,8% (5.426 ha), banco de areia com 1%
(1.898 ha) e &rea urbana com 0,3% (523 ha) ().
A maior extens&o de varj&es nessa regi&o corrobora os dados de
Martins et al. (2002), que utilizaram a classifica&&o fitofision&mica e de
uso antr&pico para diagnosticar fragmentos florestais naturais em &rea pontual
no Munic&pio de Lagoa da Confus&o, TO. Estes autores verificaram que as &reas
de varj&o foram as que apresentaram as maiores contribui&&es na composi&&o da
As classes com menor confus&o foram as de &rea urbana e de
bancos de areia, e as que apresentaram maior confus&o, as de varj&o e uso
antr&pico (). As &reas de varj&o obtiveram pixels
classificados erroneamente para as classes cerrado, mata de galeria, ipucas e
banco de areia, e o cerrado foi a classe que apresentou maior confus&o com o
varj&o. Ainda assim, o varj&o ainda foi a segunda classe com maior percentual
de exatid&o no mapeamento (92%). A classe de uso antr&pico obteve maior
confus&o com as classes banco de areia, principalmente, e varj&o, cerrado e
corpos d'&gua. A classe de &rea urbana foi a que mostrou maior percentagem
de acerto na classifica&&o, com 100% de exatid&o.
De um total de 288 pontos amostrados na valida&&o, 240 foram
mapeados corretamente, o que resultou em &ndice de exatid&o global de 83,3%.
O valor do coeficiente de concord&ncia Kappa foi de 0,72, considerado
muito bom, segundo Landis & Koch (1977). Um fator que contribuiu para a
diminui&&o da exatid&o global foi a transi&&o gradual e complexa das &reas de
cerrado e varj&o para as fitofisionomias adjacentes. De acordo com Sano
et al. (2010), este bioma apresenta forte sazonalidade e alta
heterogeneidade em termos de biodiversidade e fitofisionomia, o que dificulta o
processo de classifica&&o digital da imagem.
Estes resultados evidenciam o
potencial da utiliza&&o da classifica&&o orientada a objetos em mapeamentos de
uso e cobertura da terra, na regi&o do M&dio Araguaia. Luz et al. (2010),
ao realizar mapeamento de uso da terra com imagens SPOT‑5, em &rea no
interior do Estado do Paran&, por meio das t&cnicas de segmenta&&o
multiresolu&&o e classifica&&o orientada a objetos, obtiveram resultados
semelhantes. Descl&e et al. (2006) analisaram a utiliza&&o da
classifica&&o orientada a objetos para detec&&o de altera&&es da cobertura
florestal, e verificaram que a precis&o na detec&&o de mudan&as realizadas por
este m&todo foi maior que a obtida com base em pixels, independentemente da
fonte de dados de valida&&o. A mesma observa&&o foi feita por Fernandes
et al. (2011) que, ao comparar, por m&xima verossimilhan&a, a
classifica&&o orientada a objetos com o classificador pixel‑a‑pixel,
no mapeamento de &reas degradadas no Estado do Mato Grosso, observaram que a
classifica&&o orientada a objetos foi a que apresentou resultados finais mais
promissores.
A classifica&&o orientada a objetos tem maior aplica&&o em imagens
de alta resolu&& no entanto, os resultados obtidos no presente
trabalho s&o satisfat&rios para aplica&&o em imagens de m&dia resolu&&o
espacial, como as imagens TM/Landsat. Portanto, a classifica&&o orientada pode
ser uma excelente ferramenta para tomadas de decis&o em estudos relacionados ao
manejo de paisagens, bem como delimita&&o de habitats espec&ficos, como no caso
da classifica&&o e da delimita&&o de ipucas. Estas fitofisionomias apresentam
resposta espectral muito similar &s dos varj&es e das matas de galeria, o que
dificultaria a sua classifica&&o por outro m&todo de classifica&&o
convencional.
Portanto, a classifica&&o orientada a objetos apresenta muitas
potencialidades, entre as quais destacam-se a segmenta&&o das imagens em mais
de uma escala, a classifica&&o com mais de um conjunto de par&metros, e a
possibilidade de explora&&o de atributos espectrais, de textura, geom&tricos e
topol&gicos, para a classifica&&o de segmentos. A classifica&&o orientada
tamb&m possibilita a elabora&&o de regras e processos complexos de
classifica&&o, bem como a an&lise de imagens de forma flex&vel, o que permite a
emula&&o do racioc&nio humano de interpreta&&o em imagens de sensoriamento
remoto (Blaschke, 2010). Al&m disso, ela apresenta contribui&&es significativas
para o monitoramento ambiental, com grande potencial para melhorar a precis&o
de trabalhos relacionados & classifica&&o de uso e cobertura da terra (Platt
& Rapoza, 2008).
A classifica&&o orientada a objetos, apesar de ainda pouco
difundida, & uma abordagem que tomar& frente a in&meros estudos relacionados &
verifica&&o e & disposi&&o dos recursos naturais, quanto & sua distribui&&o
espacial. Resultados melhores podem ser obtidos com esta metodologia, em
estudos futuros, com o uso de dados &pticos de baixa, m&dia e alta resolu&&o
espacial, integrados com dados radar, para testar metodologias existentes
(Evans et al., 2010). Dados provenientes de multisensores poderiam
fornecer maiores informa&&es e definir melhor as classes mapeadas, como varj&o
e uso antr&pico, que apresentaram certa confus&o nos resultados referentes ao
&ndice NDVI e foram mapeadas com uso do algoritmo "nearest neighbor".
Conclus&es
1. As matem&ticas de bandas espectrais aplicadas na
imagem TM/Landsat, associadas ao processo de classifica&&o em conjunto, com
segmenta&&o em escala refinada, apresentam resultados promissores no
delineamento das classes de uso e cobertura da terra, na regi&o do M&dio
2. O m&todo de classifica&&o orientada a objetos,
pode ser reaplicado em outras &reas com caracter&sticas semelhantes &s da
regi&o do M&dio Araguaia, para avalia&&o da disposi&&o dos recursos naturais
quanto a sua distribui&&o espacial.
Agradecimentos
Ao Instituto Nacional de Ci&ncia e Tecnologia em &Areas &Umidas,
Programa Institutos Nacionais de Ci&ncia e Tecnologia do Conselho Nacional de
Desenvolvimento Cient&fico e Tecnol&gico, pelo apoio financeiro.
Refer&ncias
ADLER‑GOLDEN, S.M.; MATTHEW, M.W.;
BERNSTEIN, L.S.; LEVINE, R.Y.; BERK, A.; RICHTSMEIER, S.C.; ACHARYA, P.K.;
ANDERSON, G.P.; FELDE, G.; GARDNER, J.; HOKE, M.; JEONG, L.S.; PUKALL, B.;
MELLO, J.; RATKOWSKI, A.; BURKE, H.‑H. Atmospheric correction for short‑wave
spectral imagery based on MODTRAN4. Proceedings of the Society of Photo‑Optical
Instrumentation Engineers, v.3753, p.61&#99.
&&&&&&&&[  ]
ALVES, C.D.; PEREIRA, M.N.; FLORENZANO,
T.Z.; SOUZA, &I. de M. An&lise orientada a objeto no mapeamento de &reas urbanas
com imagens Landsat. Boletim de Ci&ncias Geod&sicas, v.15, p.120&#,
&&&&&&&&[  ]
ALVES SOBRINHO, T.; OLIVEIRA, P.T.S.;
RODRIGUEIS, D.B.B.; AYRES, F.M. Delimita&&o autom&tica de bacias hidrogr&ficas
utilizando dados SRTM. Revista Engenharia Agr&cola, v.30, p.46‑57,
&&&&&&&&[  ]
ANTUNES, A.F.B. Classifica&&o de
ambiente ciliar baseada em orienta&&o a objeto em imagens de alta resolu&&o
espacial. p. Tese (Doutorado) – Universidade Federal do Paran&,
&&&&&&&&[  ]
BAATZ, M.; SCH&APE, A. Multiresolution
segmentation: an optimization approach for high quality multi‑scale image
segmentation. Journal of Photogrammetry and Remote Sensing, v.58, p.12‑23,
&&&&&&&&[  ]
BERK, A.; ADLER‑GOLDEN, S.M.;
RATKOWSKI, A.J.; FELDE, G.W.; ANDERSON, G.P.; HOKE, M.L.; COOLEY, T.; CHETWYND,
J.H.; GARDNER, J.A.; MATTHEW, M.W.; BERNSTEIN, L.S.; ACHARYA, P.K.;
MILLER, D.; LEWIS, P. Exploiting MODTRAN radiation transport for atmospheric
correction: the FLAASH algorithm. In: INTERNATIONAL CONFERENCE ON INFORMATION
FUSION, 5., 2002, Annapolis. Proceedings. Annapolis: ISIF, 2002. v.2,
&&&&&&&&[  ]
BLASCHKE, T. Object‑based image
analysis for remote sensing. Journal of Photogrammetry and Remote Sensing,
v.65, p.2&#10.
&&&&&&&&[  ]
COUTINHO, L.M. O conceito de
cerrado. Revista Brasileira de Bot&nica, v.1, p.17&#78.
&&&&&&&&[  ]
DESCL&EE, B.; BOGAERT, P.; DEFOURNY, P.
Forest change detection by statistical object‑based method. Remote
Sensing of Environment, v.102, p.1&#06.
&&&&&&&&[  ]
DUVEILLER, G.; DEFOURNY, P.; DESCL&EE, B.;
MAYAUX, P. Deforestation in Central Africa: estimates at regional, national and
landscape levels by advanced processing of systematically‑distributed
Landsat extracts. Remote Sensing of Environment, v.112, p.;1981,
&&&&&&&&[  ]
ESCH, T.; THIEL, M.; BOCK, M.; ROTH, A.;
DECH, S. Improvement of image segmentation accuracy based on multiscale
optimization procedure. IEEE Geoscience Remote Sensing Letters, v.5,
p.463&#08.
&&&&&&&&[  ]
EVANS, T.L.; COSTA, M.; TELMER, K.; SILVA,
T.S.F. Using ALOS/PALSAR and RADARSAT‑2 to map land cover and seasonal
inundation in the Brazilian Pantanal. IEEE Journal of Selected Topics in
Applied Earth Observations and Remote Sensing, v.3, p.560&#10.
&&&&&&&&[  ]
FERNANDES, R.R.; NUNES, G.M.; DRESCHER, R.
Monitoramento de propriedades rurais atrav&s de dados multisensores em n&vel
orbital. Ambi&ncia, v.7, p.75&#11.
&&&&&&&&[  ]
GLOBAL LAND COVER FACILITY. Global Land
Cover Facility [home page]. Available at: &&.
Accessed on: 17 Oct. 2012.
&&&&&&&&[  ]
JENSEN, J.R. Introductory digital image
processing: a remote sensing perspective. 2.ed. Upper Saddle River:
Prentice Hall, p.
&&&&&&&&[  ]
LANDIS, J.R.; KOCH, G.G. The measurement
of observer agreement for categorical data. Biometrics, v.33, p.159&#,
&&&&&&&&[  ]
LILLESAND, T.M.; KIEFER, R.W.; CHIPMAN,
J.W. Remote sensing and image interpretation. 5.ed. Madison: Wiley,
&&&&&&&&[  ]
LUZ, N.B. ANTUNES, A.F.B.; TAVARES
J&UNIOR, J.B. Segmenta&&o multirresolu&&o e classifica&&o orientada a objetos
aplicados a imagens Spot‑5 para o mapeamento do uso da terra. Floresta,
v.40, p.429&#10.
&&&&&&&&[  ]
MAPAS de cobertura vegetal dos biomas
brasileiros. Bras&lia: Minist&rio do Meio Ambiente, 2006. Dispon&vel em:
&&. Acesso
em: 13 mar. 2011.
&&&&&&&&[  ]
MARKHAM, B.L.; BARKER, J.L. Thematic
mapper bandpass solar exoatmospheric irradiances. International Journal of
Remote Sensing, v.8, p.517&#87.
&&&&&&&&[  ]
MARTINS, A.K.E.; SCHAEFER, C.E.G.R.;
SILVA, E.; SOARES, V.P.; CORR&EA, G.R.; MENDON&CA, B.A.F. Rela&&es solo‑geoambiente
em &reas de ocorr&ncias de ipucas na plan&cie do M&dio Araguaia – Estado do
Tocantins. Revista &Arvore, v.30, p.297&#06.
&&&&&&&&[  ]
MARTINS, Y.C.M.; SOARES, V.P.; SILVA, E.;
BRITES, R.S. Diagn&stico ambiental no contexto da paisagem de fragmentos
florestais naturais "ipucas" no Munic&pio de Lagoa da Confus&o, Tocantins. Revista
&Arvore, v.26, p.299&#02.
&&&&&&&&[  ]
MCFEETERS, S. K. The use of normalized
difference water index (NDWI) in the delineation of open water features. International
Journal of Remote Sensing, v.17, p.;.
&&&&&&&&[  ]
MILESKI, E. Aspecto da vegeta&&o e do
ecossistema da Ilha do Bananal: mapa fitoecol&gico e indicadores de press&o
antr&pica. Bras&lia: Presid&ncia da Rep&blica, p.
&&&&&&&&[  ]
NOVO, E.M.L. de M. Sensoriamento remoto:
princ&pios e aplica&&es. 4.ed. S&o Paulo: Edgard Bl&cher, p.
&&&&&&&&[  ]
PINHO, C.M.D. FONSECA, L.M.G.;
KORTING, T.S.; ALMEIDA, C.M. KUX, H.J.H. Land‑cover classification of
an intra‑urban environment using high‑resolution images and object‑based
image analysis. International Journal of Remote Sensing, v.33, p.;5995,
&&&&&&&&[  ]
PLATT, R.V.; RAPOZA, L. An evaluation
of an object‑oriented paradigm for land use/land cover classification. The
Professional Geographer, v.60, p.87&#08.
&&&&&&&&[  ]
PRATT, W.K. Digital image processing:
PIKS scientific inside. 4.ed. New York: J. Wiley, p.
&&&&&&&&[  ]
ROUSE, J.W.; HAAS, R.H.; SCHELL, J.A.;
DEERING, D.W. Monitoring vegetation systems in the Great Plains with ERTS. In:
EARTH RESOURCES TECHNOLOGY SATELLITE‑1 SYMPOSIUM, 3., 1973, Washington. Proceedings.
Washington: National Aeronautics and Space Administration, 1973. p.309&#.
&&&&&&&&[  ]
SANO, E.E.;
ROSA, R.; BRITO, J.L.S.; FERREIRA, L.G. Land cover mapping of the tropical
savanna region in Brazil. Environmental Monitoring and Assessment,
v.166, p.113&#10.
&&&&&&&&[  ]
TRIMBLE GEOSPATIAL. Definiens
eCognition developer. Version 8. Munich: Trimble GeoSpatial, 2009.
&&&&&&&&[  ]
WANG, Z.X.; LIU, C.; HUETE, A. From AVHRR‑NDVI
to MODIS‑EVI: advances in vegetation index research. Acta Ecologica
Sinica, v.23, p.979&#03.
&&&&&&&&[  ]
XU, H. Modification of normalised
difference water index (NDWI) to enhance open water features in remotely sensed
imagery. International Journal of Remote Sensing, v.27, p.;3033,
&&&&&&&&[  ]
YAN, G.; MAS, J.‑F.; MAATHUIS,
B.H.P.; XIANGMIN, Z.;VAN DIJK, P.M. Comparison of pixel‑based and object‑oriented
image classification approaches – a case study in a coal fire area, Wuda, Inner
Mongolia, China. International Journal of Remote Sensing, v.27, p.;4055,
&&&&&&&&[  ]
Recebido em 29 de julho de 2011 e aprovado em 5 de agosto de
All the contents of this journal, except where otherwise noted, is licensed under a}