3.4.4.1 Abordagem de classificação combinada com integração da incerteza
O MUP foi construído através da combinação do MES que apresentou melhores resultados de exactidão, da incerteza da sua classificação e dos objectos obtidos utilizando um método de segmentação. Na fase de segmentação, toda a imagem é subdividida em zonas (ou regiões) homogéneas e uniformes que correspondem aos padrões espaciais da imagem. A extracção dos objectos foi efectuada utilizando o algoritmo de segmentação designado por “Fractal Net
Evolution Approach” (FNEA), implementado no software eCognition, também denominado por
“segmentação multi-resolução” (Baatz e Schape, 2000). O método baseia-se na técnica de fusão de regiões começando cada pixel por formar um objecto ou região. A fusão dos objectos contíguos é decidida com base em critérios de homogeneidade local. Os objectos contíguos são
fundidos num único objecto se a heterogeneidade do objecto resultante da fusão, não ultrapassar um valor máximo de heterogeneidade espectral. O parâmetro que determina a heterogeneidade máxima é, por esta razão, designado por “parâmetro escala” (Baatz e Schape, 2000) e é atribuído pelo utilizador. Consequentemente, o tamanho dos objectos imagem, resultantes da fusão, depende do valor atribuído a esse parâmetro. O processo pára quando não houver mais objectos para fundir. Este método permite a extracção de objectos da imagem, em qualquer resolução ou escala que se pretenda, podendo ser registados em níveis diferentes, permitindo construir uma rede hierárquica de objectos imagem que representam simultaneamente a informação da imagem com diferentes resoluções espaciais. Uma desvantagem deste método é que a decisão final sobre o valor adequado a atribuir ao parâmetro escala é efectuada com base numa análise visual do resultado da segmentação e não num critério quantitativo. Neste estudo foi utilizado apenas um nível de segmentação da imagem e os parâmetros utilizados encontram-se na Tabela 3.5. O critério utilizado na escolha do parâmetro escala foi obter uma imagem cujo tamanho médio dos objectos fosse 0.5 ha e que permitisse dividir a imagem em regiões com significado, correspondendo aos padrões espaciais das unidades de paisagem.
Tabela 3.5 – Parâmetros da segmentação.
O passo seguinte consistiu no desenvolvimento das regras para permitir transformar os elementos de superfície em unidades de paisagem. As regras foram desenvolvidas de forma a incorporarem: (1) o arranjo dos elementos de superfície, obtidos com a classificação ao nível do
pixel, dentro de cada objecto; e (2) o grau de incerteza dessa atribuição. A construção das
regras requer uma análise preliminar dos graus de probabilidade atribuídos aos elementos de superfície e a sua respectiva incerteza, de forma a escolher o limiar adequado.
A transformação do MES num MUP é semelhante a uma árvore de decisão com uma estrutura hierárquica constituída por vários níveis. A cada nível é aplicado um conjunto de regras, as quais constituem um conjunto de questões relativas aos atributos das observações. Com a aplicação das regras, os dados pertencentes a cada nível são divididos em subconjuntos com atributos idênticos, de forma a que, em cada subconjunto, todos os indivíduos pertençam à mesma classe (Unidade de Paisagem). A interrupção da divisão dos diferentes subconjuntos do conjunto de dados inicial é condicionada por diferentes factores como, por exemplo: (1) a informação
Peso das bandas
Escala Cor Forma Suavização Compacidade
disponível não permitir a divisão em subconjuntos mais puros; (2) o facto dos indivíduos de determinado subconjunto pertencerem todos à mesma classe.
Na Figura 3.7 apresenta-se o esquema de classificação hierárquica desenvolvido e, na Tabela 3.6, as regras aplicadas em cada nível hierárquico. O objectivo da regra 1 é permitir a distinção entre ´’Floresta’ e ‘Não Floresta’. O critério utilizado para diferenciar estas duas classes baseou- se na definição da CELPA (Associação da Indústria Papeleira Portuguesa), a qual considera como ‘Floresta’ regiões em que a percentagem de coberto florestal é superior a 10%. A regra 2 atribui os objectos considerados ‘Não Floresta’ a uma de três unidades de paisagem: Agro-Pastorícia, Corpos de Água, Urbano/Solo Nu. A regra 3 distingue as regiões florestais em ‘Floresta Densa’ e ‘Floresta Não Densa’. A regra 4 atribui cada objecto classificado como ‘Floresta Densa’ a uma das quatro unidades de paisagem: Floresta de Eucalipto, Floresta de Pinheiro, Floresta de Sobreiro, Floresta Mista. A regra 5 atribui os objectos considerados ‘Floresta Não Densa’ a uma de duas classes: Áreas Agro-Florestais e Floresta Mista. Na definição das regras de classificação houve um esforço no sentido de produzir regras gerais, embora a escolha do limiar para distinguir os elementos de superfície a serem atribuídos às classes, em função da baixa incerteza, esteja muito dependente da qualidade da classificação ao nível do pixel. As linhas de código em AML são apresentadas no Anexo B.
Tabela 3.6 – Regras de classificação.
Nº Regras Classe
Os objectos têm mais de 10% de ES classificados como copas de árvores
com uma incerteza inferior a 0.25 Floresta 1
Os objectos não satisfazem o teste anterior Não-Floresta Se a moda dos ES classificados dentro de cada objecto com uma incerteza
inferior a 0.25, for Água Profunda ou Água Pouco Profunda Corpos de Água Se a moda dos ES classificados dentro de cada objecto com uma incerteza
inferior a 0.25 for Herbáceas ou Herbáceas Esparsas Agro-Pastoricia 2
Se a moda dos ES classificados dentro de cada objecto com uma incerteza
inferior a 0.25, for Área não Vegetada ou Sombra Urbano/Solo Nu
Os objectos têm mais de 75% de ES classificados como copas de árvores
com uma incerteza inferior a 0.25, independentemente da espécie Floresta Densa 3
Os objectos não satisfazem o teste anterior Floresta Não Densa Se os objectos possuem mais de 75% de ES classificados como Copa de
Eucalipto
Floresta de Eucalipto Se os objectos possuem mais de 75% de ES classificados como Copa de
Pinheiro Manso
Floresta Pinheiro Manso
4
Se os objectos possuem mais de 75% de ES classificados como Copa de Sobreiro
Floresta de Sobreiro
Os objectos não satisfazem o teste anterior e nem Copa de Eucalipto nem
Copa de Pinheiro Manso são espécies dominantes Floresta Mista A percentagem de ES classificados como copas de árvores é inferior a 50%;
a percentagem de herbáceas e herbáceas esparsas é superior à de copas de sobreiro e 80% das copas de árvores são copas de sobreiros com uma incerteza inferior a 0.25
Agro-Florestal 5
Os objectos não satisfazem o teste anterior Floresta Mista
Figura 3.7 – Esquema de classificação das unidades de paisagem.
3.4.4.2 Abordagem de classificação combinada sem integração de incerteza
Para avaliar se a utilização da incerteza no processo de classificação combinada melhora os resultados finais da classificação, foi considerada a aplicação de um método semelhante ao previamente descrito, sem utilizar a informação da incerteza. A identificação dos elementos de superfície foi efectuada com o classificador da máxima verosimilhança, tendo sido usada a mesma nomenclatura de classificação e os mesmos protocolos de amostragem para treino do classificador, mas não foram obtidos os graus de probabilidade a posteriori. O classificador da máxima verosimilhança atribui a cada pixel a classe mais provável, em função da dimensão das elipses formadas pelas áreas de treino. A cada pixel fica apenas associada a informação da classe a que foi atribuído com maior probabilidade. As regras de transformação do MES no MUP foram muito semelhantes mas não incluem critérios baseados na incerteza. A avaliação da exactidão do MES e do MUP resultante foi efectuada com os mesmos protocolos de amostragem expostos na secção 3.4.1.
3.4.4.3 Avaliação da exactidão temática do mapa de unidades de paisagem
Segundo Stehman e Czaplewski (1998), a escolha da unidade da amostra deve ser efectuada, por exemplo, em função das características da paisagem, das características do processo de obtenção do mapa ou dos objectivos do projecto. Como neste estudo o objectivo consistia em avaliar a exactidão de um MUP vectorial com uma UMC média de 0.5 ha, a escolha da unidade amostra para a avaliação da exactidão do mapa foram regiões com uma área fixa de 0.5 ha conforme referido na secção 3.4.1. Para a escolha das amostras foi definida uma malha regular quadrada, com 0.5 ha por quadrícula, e escolhidas 40 unidades amostrais por classe do MUP, utilizando o método de amostragem aleatório estratificado, o que garantiu um erro padrão da ordem dos 8% para os valores dos IPEE (PCM, PCR) estimados para cada classe, conforme referido na secção 3.4.1. Este valor é obtido assumindo que a exactidão da classificação é superior a 50% (Wickham et al., 2004), o que é aceitável pois a construção do MUP envolveu uma classificação ao nível do pixel e uma análise do terreno.
A referência foi determinada através de interpretação visual de imagens aéreas com 0.5 m de resolução. Na atribuição das classes às amostras foi tida em consideração não só a área de 0.5 ha contida na amostra, mas também a sua envolvência. Quando as unidades de amostra continham mais do que uma unidade de paisagem, eram repartidas em polígonos, em função das unidades de paisagem nela contidas. A repartição das unidades amostra fez-se através de interpretação visual, tendo em conta a UMC e a ocupação em redor da amostra.
A avaliação da exactidão foi efectuada com uma matriz de confusão probabilística em que os valores de entrada