GEOTECNOLOGIAS E O PLANEJAMENTO DA AGRICULTURA DE ENERGIA
Heloísa Rodrigues Nascimento
Yolanda Vieira de Abreu
3.4.6 Classificação
Para a produção do mapa temático de uso e cobertura do solo, as imagens Landsat 5/TM bandas 3, 4 e 5 foram classificadas pelo método de classificação supervisionada1 por pixels com o classificador Máxima Verossimilhança ou MaxVer2 .
Inicialmente foi criado o arquivo de contexto, o qual armazena informações sobre o tipo de classificação, tipo de análise que neste caso foi por pixel, as bandas e as imagens utilizadas. Para a realização da classificação do tipo supervisionada foram executadas as seguintes etapas: treinamento, análise das amostras, classificação e mapeamento das classes.
A etapa seguinte foi de treinamento que visa a aquisição de amostras das respectivas classe de uso e cobertura do solo, as quais correspondem a caracterização dos tipos de uso e cobertura existente na área de estudo e ao objetivo da pesquisa, levando em consideração os elementos para facilitar a interpretação das imagens e reconhecimento destas classes.
As classes selecionadas para a elaboração do mapa de uso e cobertura do solo do município de Pedro Afonso foram: água, vegetação e pastagem, solo exposto, agricultura e área urbana. E a segunda classificação foi realizada utilizando os mesmos métodos, para apresentar a distribuição da agricultura de energia, sendo criadas as seguintes classes: soja, cana-de-açúcar e outras.
Para identificar e adquirir as amostras foram levados em consideração os elementos de interpretação citados por Florenzano (2008): tonalidade, cor, textura, tamanho, forma, sombra, altura, padrão, localização e contexto, além disso, as chaves de interpretação citadas tabela 2.1.
Para aquisição das amostras na etapa de treinamento foi feita a digitalização das mesmas, em forma de polígonos. Na figura 3.3 é apresentado o resultado de algumas amostras digitalizadas para esta etapa. Finalizada a etapa de aquisição de amostras para as classes, a próxima etapa é a avaliação estatística das amostras de treinamento. Nesta análise é possível verificar o desempenho médio da amostragem e a confusão média, sendo gerada a matriz de confusão3 do tema e da amostra.
Figura 3.3 – Aquisição de amostras de agricultura na etapa de treinamento da classificação
Fonte: Dados da Pesquisa
O classificador utilizado foi o Maxver, com limiar de aceitação de 99%, segundo Santos, Peluzio e Saito (2010), o limiar de aceitação indica a porcentagem de pixels da distribuição de probabilidade de uma classe que será classificada como pertencente a mesma, por exemplo, um limite de 99% engloba 99% dos pixels, sendo que 1% serão ignorados (os de menor probabilidade) compensando a possibilidade de alguns pixels terem sido introduzidos no treinamento por engano, nesta classe, ou estarem no limite entre duas classes (SANTOS; PELUZIO; SAITO, 2010).
Após gerar a imagem classificada aplicou-se a pós-classificação, com o objetivo de uniformizar os temas, ou seja, eliminar os pontos isolados, classificados diferentemente de sua vizinhança, com isso obteve-se uma imagem classificada com aparência menos ruidosa.
Realizada a pós-classificação foi criado um modelo de dados temático, que contém as classes: água, vegetação e pastagem, solo exposto, agricultura e área urbana, soja, cana-de-açúcar e outras. Para tanto, escolheu-se as apresentações gráficas para as referidas classes. A próxima etapa referiu-se ao mapeamento das classes temáticas para a imagem pós-classificada, então foi gerada uma imagem na categoria temática com o plano de informação imagem classificada.
Com a geração da imagem classificada realizou-se o recorte do plano de informação, o SPRING possui esta ferramenta a qual permite delimitar ou mascarar qualquer plano de informação (PI) de um projeto, a figura 3.4 apresenta esta operação realizada no projeto.
Figura 3.4 – Recorte do plano de informação município de Pedro Afonso-TO
Fonte: Dados da Pesquisa
Para concluir esta etapa obteve-se o valor das áreas em hectares para as respectivas classes temáticas criadas, tendo o uso e cobertura do solo e a respectiva ocupação destas na área de estudo.
1 O método de classificação é dito supervisionado quando existe um conhecimento prévio de algumas áreas em que se deseja trabalhar, o que permite a seleção de amostras de treinamento confiáveis (Venturieri; Santos, 1998).
2 MAXVER é o método de classificação “pixel a pixel” mais utilizado em dados de sensoriamento remoto. Este método considera a ponderação das distâncias entre médias dos níveis digitais das classes, utilizando parâmetros estatísticos, para que o mesmo seja suficiente é necessário um número razoavelmente elevado de “pixels”, para cada conjunto de treinamento (BATISTA; AFFONSO,2002).
3 A matriz de confusão ou de erros é usada para avaliar o resultado de uma classificação. O número de acertos, para cada classe é apresentado na diagonal principal e os demais elementos representam os erros da classificação. A matriz de confusão de um classificador ideal possui todos esses elementos iguais a zero, uma vez que não comete erros. A partir da matriz de confusão obtém-se o desempenho geral da classificação e o cálculo do índice kappa (POZO, s/d e SULSOFT 2008).