Imagens alos para o mapeamento da vegetação arbórea e outros usos do solo em área de floresta ombrófila mista

Abstract

O presente estudo teve como objetivo principal avaliar o uso de diferentes algoritmos classificadores em imagens do satélite ALOS para mapeamento do uso do solo e classes de vegetação em um fragmento de Floresta Ombrófila Mista. Como objetivo secundário foram aplicadas e analisadas quatro diferentes técnicas de fusão para as imagens PRISM (2,5 metros de resolução espacial) e AVNIR-2 (10 metros), utilizando três e quatro bandas. As técnicas utilizadas foram as seguintes: HSV, Color normalized (CN), Gram-Schmidt Spectral Sharpening e Principal Components Spectral Sharpening. Para as classificações foram utilizados os algoritmos supervisionados Bhattacharya e Árvore de Decisão (C4.5). A área de estudo foi a Reserva Florestal Embrapa/Epagri localizada no Município de Caçador, SC. Na classificação por árvore de decisão foi utilizado um aplicativo para a geração do conjunto de regras da árvore, o software WEKA e um aplicativo de processamento de imagens, o software ENVI, para a classificação digital (RSI, 2005). Foram utilizadas 61 variáveis (13 espectrais e 48 de textura) representadas em 317 amostras de treinamento de 3 x 3 pixels cada uma. Quando da classificação por Bhattacharya (algoritmo de classificação por crescimento de regiões implementado no software SPRING) foi necessário primeiramente realizar a segmentação da imagem para posterior uso das regiões como amostras de treinamento para a classificação. Devido à limitação do software em processar 61 bandas conjuntamente no processo de segmentação, a técnica Análise de Cluster foi empregada para a seleção de seis bandas representativas do conjunto de dados. Na análise visual e no teste de fidelidade espectral, as técnicas de fusão que apresentaram melhores resultados foram as Componentes Principais e Gram-Schmidt. No teste de transferência de detalhes as quatro técnicas de fusão se mostraram apropriadas. No resultado das classificações o algoritmo que apresentou melhor acurácia foi a Árvore de Decisão, apresentando valor de coeficiente Kappa de 0,966 e acurácia geral de 97% em comparação com o Bhattacharya, que respectivamente apresentou os seguintes valores: 0,755 e 79%. Apesar da técnica Árvore de Decisão apresentar um coeficiente Kappa superior, sua classificação se mostrou com aparência de “salt and pepper”, com pixels isolados, assemelhando-se a uma imagem com ruído, ao contrário da classificação por regiões.

This study aimed at the assessment of different classifiers for mapping land use and vegetation in Mixed Ombrophylous Forest based on ALOS satellite imagery. As a secondary objective, four different fusion techniques were applied and analyzed in PRISM (2.5 m resolution) and AVNIR (10 m resolution) images using three and four bands. The following techniques were tested: HSV, Color normalized (CN), Gram-Schmidt Spectral Sharpening and Principal Components Spectral Sharpening. The classification schemes were based on 2 supervised algorithms, namely Bhattacharya and Decision Tree (C4.5). The study area was the Embrapa/Epagri Forest Reserve located at the municipality of Caçador, in Santa Catarina State. The software WEKA and an image processing software ENVI (RSI, 2005) were used to build and apply the Decision Tree classification, which included 61 variables (13 spectral and 48 textural) represented in 317 3-by- 3-meter training samples. The region growing algorithm Bhattacharya, implemented in the SPRING software, demanded previous image segmentation in order to use the regions as training samples for the classification. Due to the software limitations regarding the processing of 61 bands in the segmentation, a cluster analysis was performed to select the six most representative bands within the dataset. According to the visual analysis and the spectral fidelity test, the best results for image fusion were obtained by the Principal Components and Gram-Schmidt techniques. The detail-transference test revealed that all four techniques were appropriate. In relation to the classifiers, the most accurate algorithm was the Decision Tree, presenting a Kappa coefficient of 0.966 and an overall accuracy of 97% against the Bhattacharya, which presented, respectively, 0.755 and 79%. Nevertheless, despite the higher Kappa coefficient, the resulting classified image from the Decision Tree, showed a “salt-and-pepper” appearance, typical from pixel classifiers, opposite to the other method which is based on region growing algorithms.