Microsoft Word - 12-Agra_15068.doc
1514
Original Article
Biosci. J., Uberlândia, v. 29, Supplement 1, p. 1514-1523, Nov. 2013
ROTINAS DE TRATAMENTO DIGITAL DE IMAGEM LANDSAT 5/TM
PARA A IDENTIFICAÇÃO DE QUEIMADAS EM LAVOURAS
CANAVIEIRAS
HANDLING LANDSAT 5/TM DIGITAL IMAGE TO IDENTIFY BURNED IN
SUGARCANE PLANTATIONS
Carlos Antonio da SILVA JUNIOR1; Vitor Matheus BACANI2;
Laércio Alves de CARVALHO3
1. Engenheiro-Agrônomo, Mestrando em Agronomia (Solos e Nutrição de Plantas), Departamento de Agronomia, Bolsista CAPES,
Universidade Estadual de Maringá - UEM, Maringá, PR, Brasil. carlos-junior89@hotmail.com; 2. Professor Adjunto, Doutor em
Geografia física, Departamento de Geociências, Universidade Federal de Mato Grosso do Sul - UFMS, Aquidauana, MS, Brasil; 3.
Professor adjunto, Doutor em Agronomia, Universidade Estadual de Mato Grosso do Sul – UEMS, Dourados, MS, Brasil.
RESUMO: O presente estudo teve como objetivo avaliar o desempenho de classificadores supervisionados e
não-supervisionados para detecção automática de queimadas em canaviais utilizando imagens de satélite Landsat-5/TM.
A área de estudo localiza-se na porção noroeste do município de Maracaju, MS, Brasil. Diferentes métodos de
classificação e tratamento de imagem foram testados para mapear a colheita de cana com queima prévia de palha. As
imagens foram tratadas com reamostragem para 15m, correção radiométrica e NDVI. Nas classificações, foram
utilizados os algoritmos Maxver-ICM, Bhattacharya e ISOSEG. Os diferentes pré-processamentos e classificadores
aplicados foram submetidos à validação estatística por meio dos parâmetros Kappa e exatidão global. Os resultados
indicaram um expressivo potencial de classificadores supervisionados na identificação de queimadas de cana. Concluiu-
se que é possível obter exatidões qualificadas como excelente quando empregado o classificador de Máxima
Verossimilhança-ICM.
PALAVRAS-CHAVE: Bhattacharya. ISOSEG. Maxver-ICM. Saccharum spp. Sensoriamento remoto.
INTRODUÇÃO
A cultura da cana-de-açúcar, Saccharum
spp. (Poaceae), tem importância econômica e
social no Brasil, especialmente nas regiões Sudeste
e Nordeste, (CORRÊA et al., 2001).
No período compreendido entre 2005 e
2008, a área de cana-de-açúcar no Brasil sofreu
uma expansão de 44,2%, aumentando de 6,1 para
8,7 milhões ha-1. Atualmente, os principais Estados
produtores de cana-de-açúcar e com expressiva
expansão da área de cultivo na região Centro-sul
do Brasil são: São Paulo, Minas Gerais, Goiás,
Paraná, Mato Grosso do Sul e Mato Grosso
(AGUIAR et al., 2009a).
Conforme o mapeamento realizado pelo
projeto CANASAT, do Instituto Nacional de
Pesquisas Espaciais – INPE
(www.dsr.inpe.br/canasat), o Estado de Mato
Grosso do Sul apresentou um considerável
aumento de área plantada de cana-de-açúcar, com
um aumento de 62% da safra de 2005/2006 para a
safra de 2008/2009, concentrando maior expansão
na região centro-sul do Estado.
Entretanto, problemas de ordem
socioeconômica e ambiental têm atraído a atenção
da sociedade para a cultura da cana-de-açúcar
(MORAES, 2007). A colheita da cana-de-açúcar
no Mato Grosso do Sul estende-se de abril a
novembro havendo como prática de pré-colheita a
queima da palha para corte manual. Existe ainda a
colheita mecanizada que preconiza o método de
cana-crua, ou seja, sem queima prévia da palha.
A mecanização da colheita vem
aumentando cada vez mais no Brasil,
principalmente após a assinatura, em 2007, do
Protocolo Agroambiental entre a Secretaria do
Meio Ambiente (SMA) e a União da Indústria de
Cana-de-Açúcar (UNICA) para o Estado de São
Paulo, que defini o fim da colheita com queima
progressiva até 2014 em áreas mecanizáveis (com
declividade ≤12%) e até 2017, em áreas não
mecanizáveis (declividades maiores que 12%).
O fato da preocupação com a colheita com
queima e o incentivo do aumento da colheita
mecanizada, se dá por causar danos à saúde
humana e aos demais seres vivos, por deixar
exposto o solo, havendo diminuição da matéria
orgânica, aceleração de processos erosivos,
redução da fertilidade do solo e a queda na
produtividade, além da emissão de dióxido de
carbono na atmosfera.
Imagens obtidas por sensores orbitais
aliadas às técnicas de geoprocessamento
Received: 03/05/12
Accepted: 08/11/12
1515
Rotinas de tratamento digital … SILVA JUNIOR, C. A.; BACANI, V. M.; CARVALHO, L. A.
Biosci. J., Uberlândia, v. 29, Supplement 1, p. 1514-1523, Nov. 2013
apresentam grande potencial para o monitoramento
e definição do modo da colheita durante a safra
(AGUIAR, 2007), pois o monitoramento em
campo seria inviável devido à extensa duração da
colheita.
Para Rudorff et al. (2004) a cana-de-açúcar
possui características favoráveis a sua
identificação, mapeamento e monitoramento por
meio de imagens de sensores remotos a bordo de
satélites, por ser uma cultura semi-perene e
plantada em áreas de grande extensão. Para tal
função, um exemplo seria o sensor Thematic
Mapper (TM) a bordo do satélite Landsat-5, que
tem a capacidade de recobrir o globo terrestre a
cada 16 dias, com IFOV (Instantaneous Field of
View) de 30 x 30 m (900 m2).
Elas são obtidas de forma sistemática e
repetitiva, em faixas do espectro eletromagnético,
que permitem diferenciar os alvos da superfície
terrestre em função da sua resposta espectral
(JENSEN, 2005). Neste contexto, quanto maior for
à resolução temporal, maior será a probabilidade
de se obter uma imagem livre de cobertura de
nuvens (SANO et al., 2007).
O período de colheita da cana-de-açúcar no
Estado de Mato Grosso do Sul ocorre,
tradicionalmente, entre abril a novembro, o que
favorece a obtenção de imagens livres de nuvens,
permitindo um adequado monitoramento da
colheita da cana via imagens de sensoriamento
remoto.
O presente trabalho teve como objetivo
apresentar um método eficiente de rotinas de
tratamento digital de imagem e testar sua eficácia
com classificadores supervisionado e não-
supervisionado em imagens do sensor Thematic
Mapper (TM) a bordo do satélite Landsat-5 para o
monitoramento de colheita da cana-de-açúcar com
a queima prévia da palha.
MATERIAL E MÉTODOS
A área de estudo localiza-se no Estado de
Mato Grosso do Sul, na porção noroeste do
município de Maracaju (Figura 1), e possui uma
área de aproximadamente 577 km2, tratando-se de
uma área cujo cultivo predominante é o de cana-
de-açúcar.
Figura 1. Imagem de 12 de abril de 2010 obtida pelo sensor TM/Landsat-5 da área do município de
Maracaju, Mato Grosso do Sul.
A imagem submetida às diferentes rotinas
de tratamento digital foi obtida gratuitamente no
site do Instituto Nacional de Pesquisas Espaciais
(INPE) (www.dgi.inpe.br/CDSR), proveniente do
sensor Thematic Mapper (TM) (bandas 3, 4 e 5),
com resolução espacial de 30x30m, a bordo do
satélite Landsat-5. Foi utilizada a órbita 225 e
ponto 75, gerada em 12 de abril de 2010, que
corresponde ao início do período de colheita da
cana-de-açúcar no Estado. Esta cena foi
devidamente registrada, a partir de uma imagem do
mesmo satélite e sistema sensor, ortorretificada,
com datum WGS 1984 e projeção UTM, obtida no
site da NASA
(http://glcf.umiacs.umd.edu/index.shtml / GLCF,
2004), utilizando o polinômio de primeiro grau e
interpolação por vizinho mais próximo. O erro
médio quadrático (RMS: Root Mean Square) foi
inferior a 0,5 pixel (DAÍ; KHORRAM, 1998).
1516
Rotinas de tratamento digital … SILVA JUNIOR, C. A.; BACANI, V. M.; CARVALHO, L. A.
Biosci. J., Uberlândia, v. 29, Supplement 1, p. 1514-1523, Nov. 2013
Os procedimentos metodológicos
constituíram-se na aplicação de diferentes rotinas
de tratamento digital de imagem, conforme
descritas em Novo (2008) e Jensen (2009), que
podem ser sintetizadas em três principais etapas: a)
Pré-processamento, b) Realce e c) Classificação. O
aplicativo de geoprocessamento utilizado neste
trabalho foi o Sistema de Processamento de
Informações Georreferenciadas (SPRING 5.1.4),
desenvolvido pelo Instituto Nacional de Pesquisas
Espaciais (INPE).
Realizada a correção geométrica, a
imagem foi submetida a três tratamentos
diferenciados: reamostragem, correção
radiométrica e NDVI (Índice de Vegetação por
Diferença Normalizada), os quais deram origem a
três Planos de Informação (PI’s), com as seguintes
características: 1) imagem reamostrada para 15
metros; 2) imagem original (30 metros), com
correção radiométrica; e 3) imagem original, com
correção radiométrica e NDVI. Em seguida,
aplicaram-se para todos os PI´s as classificações
supervisionadas por pixel e por regiões, e não
supervisionada por regiões. O fluxograma é
exposto na Figura 2, onde ilustra a metodologia
utilizada desde a aquisição das imagens até a
classificação final, onde foram gerados os mapas
temáticos.
Para cada um dos classificadores, as
classes mapeadas foram: Cana Queima (CQ), onde
já foi realizada a queima da palha para a colheita
manual; Cana em Pé (CP), onde ainda não se deu
o início da colheita; e Outros Usos (OU), que
classifica tudo o que não é cana-de-açúcar, como
água, solo exposto, vegetação, outras culturas. No
treinamento foram adquiridos mais de 5.000 pixels
para as classes CQ e CP e >100.000 pixels para
OU, onde foram pré-estabelecidas visualmente de
acordo com trabalho realizado por Aguiar et al.
(2009b).
O método de reamostragem de imagens
consistiu na transformação da resolução espacial
original de 30 metros para 15 metros (FONSECA,
1988), possibilitando melhor discriminação visual
dos alvos. Em seguida, efetuou-se o realce de
contraste linear para uma melhor distinção entre os
alvos. Os PI’s resultantes foram diretamente
submetidos a classificadores supervisionados (por
pixel e por regiões) e não-supervisionado.
Os PI’s corrigidos geometricamente e não
reamostrados foram submetidos à correção
radiométrica, implementada em LEGAL
(Linguagem Espacial para Geoprocessamento
Algébrico), segundo Chander et al. (2009). Por
conseguinte, executou-se o índice de vegetação da
área mapeada, empregando-se o NDVI (Equação
1).
( )
( )vivp
vivp
ρρ
ρρ
NDVI
+
−
= (1)
em que ρivp = reflectância no infravermelho
próximo; ρv = reflectância no vermelho.
Segundo Moreira e Shimabukuro (2004)
na literatura são encontrados mais de cinquenta
índices de vegetação, sendo quase todos obtidos de
medidas de reflectância nas faixas espectrais do
vermelho e infravermelho próximo do espectro
eletromagnético, onde comumente é utilizado o
NDVI.
Após os devidos tratamentos aplicados na
imagem composta (B3R4G5), foi aplicada a
classificação supervisionada pixel a pixel, apoiada
no algoritmo da Máxima Verossimilhança-ICM
(Interated Conditional Modes) (Equação 2) e a por
crescimento de regiões, cujos limiares de
similaridade e área (pixels) definidos pelos método
exploratório foram, respectivamente, 16 e 45
(OLIVEIRA, 2002), implementados no algoritmo
Bhattacharya (Equação 3). Em um segundo
momento, foi aplicado o método não-
supervisionado, que por meio do método
exploratório definiram-se os limiares de
similaridade e área (pixels) os quais correspondem
aos mesmos valores utilizados anteriormente, em
seguida aplicado o algoritmo ISOSEG (Equação 4)
que classifica em regiões, com 99,9% de limiar de
aceitação.
( )( )[ ] ( ) ( ) ( ) c
1
c
T
cceC MXVMX0,5VDet0,5logP −−−−=
− (2)
em que X = vetor de medidas dos pixels
desconhecidos; Pc = probabilidade de o vetor X ser
assinalado na classe c; Vc = matriz de covariância
da classe c contemplando todas as bandas (K,...,
L); Det (Vc) = determinante da matriz de
covariância Vc; Mc = vetor das médias para cada
classe c; e T = matriz transposta.
( )
( )
∑
∑∑
∑ −
+−−=
2
1
2
1
T
ji
mjmi
ln
2
1mj)(mim2m1
2
1pj)B(pi,
(3)
em que B = distância de Bhattacharya; Pi e pj =
pixels nas classes i e j; mi e mj = médias das
classes i e j; T = matriz transposta; ln = logaritmo
neperiano; e i e j = classes dentro do contexto.
( ) ( )j
1
i
T
i mXCmX2
1D −−= − (4)
em que D = distância de Mahalanobis; T = matriz
transposta; Ci = matriz de covariância; mi e mj =
vetor de média das classes i e j; e X = região de
análise.
1517
Rotinas de tratamento digital … SILVA JUNIOR, C. A.; BACANI, V. M.; CARVALHO, L. A.
Biosci. J., Uberlândia, v. 29, Supplement 1, p. 1514-1523, Nov. 2013
Figura 2. Fluxograma da metodologia utilizada para geração de mapa temático.
Os classificadores pixel a pixel utilizam
apenas as informações espectrais de cada pixel para
achar regiões homogêneas, enquanto que os
classificadores por regiões utilizam a informação
espectral de cada pixel mais a informação espectral
que envolve a relação com seus vizinhos (CUNHA,
2009).
O classificador por pixel Maxver-ICM
baseia-se em critérios de média, variância e
covariância. Enquanto o classificador Maxver
associa classes considerando pontos individuais da
imagem, o classificador Maxver-ICM (Interated
Conditional Modes) considera também a
dependência espacial na classificação, assim, a
classe atribuída depende tanto do valor observado
nesse pixel, quanto das classes atribuídas aos seus
vizinhos.
A classificação Bhattacharya, trabalha com
a distância que é utilizada para medir a
separabilidade estatística entre um par de classes, ou
seja, mede a distância média entre as distribuições
de probabilidade dessas classes (INPE, 2006).
Na avaliação do desempenho dos
classificadores empregados em diferentes métodos
de tratamento digital de imagens foi executado
apoiando-se na utilização do índice de concordância
Kappa (Equação 5) e Exatidão Global (Equação 6) a
partir de 60 pontos amostrais (pixels) como
referência.
∑
∑∑
=
++
=
++
=
−
−
=
k
i
ii
k
i
ii
k
i
ii
xxN
xxxN
K
1
2
11
).(
).(
ˆ (5)
=
∑
=
N
x
Exatidão
k
i
ii
global
1 (6)
em que K̂ = valor estimado Kappa; k = número de
linhas;
ii
x = número de observações na linha i e
coluna i; ∑
=
k
i
ii
x
1
= soma dos elementos da matriz em
sua diagonal principal;
+i
x = soma total das
observações para as linhas;
i
x
+
= soma total das
observações para as colunas; N = número de
observações total.
RESULTADOS E DISCUSSÃO
O resultado das classificações obtidas
conforme a verificação da Cana Queima, Cana em
Pé e Outros Usos, estão apresentados na Figura 3.
As classes CQ, CP e OU obtidas através da
classificação Bhattacharya e com tratamento digital
de imagem radiométrica+NDVI estão apresentadas
na Figura 3A, e a apenas com a correção
radiométrica, denominada radiometria na Figura 3B,
enquanto que a reamostrada para 15 m de resolução
espacial estão representadas na Figura 3C. O mesmo
tratamento digital foi realizado para a classificação
com o algoritmo da Máxima Verossimilhança
(Maxver-ICM) apresentado nas Figuras 3D, 3E e
3F. Com relação à classificação não-
superviosionada (ISOSEG), também se utilizaram
os mesmos tratamentos na imagem antes da
classificação (Figura 3G, 3H e 3I). Da mesma
maneira, as classificações denominaram-se de tom
azul escuro (CQ), vermelho claro (CP) e amarelo
(OU).
1518
Rotinas de tratamento digital … SILVA JUNIOR, C. A.; BACANI, V. M.; CARVALHO, L. A.
Biosci. J., Uberlândia, v. 29, Supplement 1, p. 1514-1523, Nov. 2013
Figura 3. O tratamento utilizado para os três classificadores foram: radiometria+NDVI, radiometria e
reamostragem-15m, respectivamente ao Bhattacharya (A, B e C), Maxver-ICM (D, E e F) e
ISOSEG (G, H e I).
Na etapa da reamostragem para 15 m de
resolução espacial, não foi utilizado o tratamento de
radiometria, pois a imagem obteve uma piora em
relação aos pixels, havendo muitas distorções e
deformando as áreas de interesse, e o mesmo foi
observado quando se testou reamostragens de 5, 10
e 20 m.
Os resultados da validação estatística Kappa
e Exatidão Global para os classificadores
Bhattacharya, Maxver-ICM e ISOSEG estão
apresentados nas Tabelas 1, 2 e 3.
Tabela 1. Matriz de confusão do classificador Bhattacharya e valores dos índices K̂ e EG.
Referência
Reamostragem -15m
CP CQ OU Σ
Classif.
CP 12 0 1 13
K̂ =0,67 CQ 0 16 0 16
OU 8 4 19 31
EG=0,78
Σ 20 20 20 60
Radiométrica
Classif.
CP 12 0 0 12
K̂ =0,77 CQ 0 19 0 19
OU 8 1 20 29
EG=0,85
Σ 20 20 20 60
Radiométrica+NDVI
Classif.
CP 1 0 0 1
K̂ =0,50 CQ 0 20 1 21
OU 19 0 19 38
EG=0,67
Σ 20 20 20 60
1519
Rotinas de tratamento digital … SILVA JUNIOR, C. A.; BACANI, V. M.; CARVALHO, L. A.
Biosci. J., Uberlândia, v. 29, Supplement 1, p. 1514-1523, Nov. 2013
Os pontos amostrais adotados como verdade
terrestre foram tomados da própria imagem
sintética, a partir da interpretação visual. Na
classificação utilizando o algoritmo Bhattacharya
(Tabela 1) houve confusão principalmente em
relação à classe OU e, quando utilizado o
classificador Maxver-ICM (Tabela 2), a confusão de
classes se deu significativamente com a CP. O
mesmo aconteceu com Mello et al. (2010), onde
utilizando o classificador Maxver em imagens
Landsat 5/TM, apresentaram maiores confusões em
áreas canavieiras queimadas em relação as áreas que
não houveram a queima da palha (crua). Para a
classificação utilizando o ISOSEG (ausência de
treinamento) (Tabela 3), verificou-se confusão com
as três classes conforme o tratamento da imagem
pré-estabelecido.
Dentre todos os classificadores e as
diferentes técnicas de tratamento digital empregadas
constatou-se que o classificador supervisionado por
pixel Maxver-ICM (Tabela 2) , submetido à
correção radiométrica, foi o que apresentou o
melhor resultado para o mapeamento automático da
cana-de-açúcar, com exatidão global de 0,93 e
índice Kappa 0,90, considerado excelente por
Landis e Koch (1977) e Foody (2002).
Com relação ao tratamento digital, quando
aplicado o NDVI na imagem radiométrica, neste
caso, obteve-se piores resultados com o Maxver-
ICM, possivelmente por ter causado confusão entre
a classificação de vegetação natural com a Cana em
Pé (Figura 3D), pois ele tende a verificar, por
verossimilhança, a qual padrão o talhão mais se
assemelha (AGUIAR et al., 2009a). Entretanto, na
Tabela 2 pode-se verificar que as maiores
observações foram obtidas para a classe CP ao
utilizar o NDVI.
Tabela 2. Matriz de confusão do classificador Maxver-ICM e valores dos índices K̂ e EG.
Referência
Reamostragem -15m
CP CQ OU Σ
Classif.
CP 19 0 1 20
K̂ =0,75 CQ 0 14 2 16
OU 1 6 17 24
EG=0,83
Σ 20 20 20 60
Radiométrica
Classif.
CP 19 0 1 20
K̂ =0,90 CQ 0 19 1 20
OU 1 1 18 20
EG=0,93
Σ 20 20 20 60
Radiométrica+NDVI
Classif.
CP 20 0 4 24
K̂ =0,80 CQ 0 17 1 18
OU 0 3 15 18
EG=0,87
Σ 20 20 20 60
Estudos realizados por Picoli et al. (2009)
com determinações de safras de cana-de-açúcar com
imagens do sensor MODIS com NDVI, explicam
que o processo é apenas satisfatório quando
utilizados em imagens obtidas no período de
outubro a março, onde ocorre maior acúmulo de
palha nas áreas, pelo fato desse tratamento à
imagem estar relacionado com a quantidade de
biomassa que a cultura apresenta. Além disso,
Brandão et al. (2009), apresentam o NDVI como
uma ferramenta para o manejo da cultura da cana-
de-açúcar, para o mapeamento da áreas aptas a
entrarem em reforma pelo baixo potencial do talhão,
por produzir menores valores de biomassa.
Visualmente notam-se grandes áreas para
classe Cana em Pé quando utilizado Maxver-ICM
(Figura 3D), além de áreas significativas em relação
a Cana Queima, onde apresentou índice Kappa
igual a 0,80, considerada muito boa (LANDIS;
KOCH, 1977). Essa menor área identificada
visualmente para Cana Queima quando relacionada
à Cana em Pé, dá-se pela data da imagem, obtida de
12 de abril, no que se refere ainda ao início da
colheita.
Em reflexo aos tratamentos aplicados à
imagem na classificação de Máxima
Verossimilhança-ICM (Tabela 2), o desempenho
mostrou-se excelente para CQ, CP e OU, onde o
índice Kappa alcançou 0,90 e exatidão global de
1520
Rotinas de tratamento digital … SILVA JUNIOR, C. A.; BACANI, V. M.; CARVALHO, L. A.
Biosci. J., Uberlândia, v. 29, Supplement 1, p. 1514-1523, Nov. 2013
0,93. Entretanto, quando aplicado a reamostragem
no tratamento da imagem e novamente o
classificador Maxver-ICM, obteve-se resultados
satisfatórios, porém com desempenho reduzido, com
índice Kappa de 0,75.
As classificações utilizando o algoritmo
Bhattacharya (Tabela 1) apresentaram um índice de
concordância Kappa entre 0,50 a 0,77, que segundo
Landis e Koch (1977) podem ser classificadas como
boa a muito boa. Esses resultados se deram pelo fato
do processamento digital, onde o NDVI prejudicou
na classificação e quando apenas aplicado a
radiometria obteve-se melhores resultados na
classificação entre CQ, CP e OU.
Os parâmetros obtidos quando utilizado a
classificação ISOSEG (Tabela 3), que no caso não
há treinamento prévio, foi insatisfatório quando
comparado aos demais, apresentando valor máximo
de índice Kappa de 0,80 e exatidão global de 0,87,
sobretudo quando aplicado o NDVI, onde mesmo
obtendo o nível bom nos testes aplicados, não
distinguiu a Cana em Pé, generalizando como Cana
Queima e Outros Usos (Figura 2G).
Tabela 3. Matriz de confusão do classificador ISOSEG e valores dos índices K̂ e EG.
Referência
Reamostragem -15m
CP CQ OU Σ
Classif.
CP 13 0 1 14
K̂ =0,57 CQ 0 11 0 11
OU 7 9 19 35
EG=0,72
Σ 20 20 20 60
Radiométrica
Classif.
CP 12 0 0 12
K̂ =0,80 CQ 0 20 0 20
OU 8 0 20 28
EG=0,87
Σ 20 20 20 60
Radiométrica+NDVI
Classif.
CP 0 0 0 0
K̂ =0,42 CQ 0 18 1 19
OU 20 2 19 41
EG=0,62
Σ 20 20 20 60
A quantificação das áreas (ha) de Cana
Queima, Cana em Pé e Outros Usos, está descrita
na Tabela 4. Considerando a excelente classificação
obtida pela Máxima Verossimilhança-ICM em
imagem radiométrica, a Cana Queima apresentou
área inferior quando comparado ao tratamento de
radiometria e ao NDVI aplicado a imagem.
Para a mesma reamostragem aplicada à
imagem, os classificadores Bhattacharya e ISOSEG
apresentaram desempenhos semelhantes para as três
classes estudadas. Para a radiométrica o algoritmo
Bhattacharya apresentou baixo valor para a classe
CP e o classificador ISOSEG subestimou a área de
Cana Queima.
Tabela 4. Áreas em hectares conforme o tratamento da imagem e tipos de classificadores para cana queimada
(CQ), cana em pé (CP) e outros usos (OU).
Tratamento Classificação CQ CP OU
Reamostragem -15m
Maxver-ICM 2.118,33 20.188,39 35.930,99
Bhattacharya 1.444,03 7.655,02 49.116,62
ISOSEG 2.069,89 13.853,77 42.314,06
Radiométrica
Maxver-ICM 2.223,99 16.256,16 39.762,09
Bhattacharya 3.009,69 14.045,67 41.008,77
ISOSEG 3.630,78 12.368,88 42.242,58
Radiométrica+NDVI
Maxver-ICM 3.901,95 27.797,22 26.543,07
Bhattacharya 5.630,04 1.361,70 51.250,50
ISOSEG 5.139,63 0,00 53.102,61
1521
Rotinas de tratamento digital … SILVA JUNIOR, C. A.; BACANI, V. M.; CARVALHO, L. A.
Biosci. J., Uberlândia, v. 29, Supplement 1, p. 1514-1523, Nov. 2013
Quando aplicado o NDVI à imagem
radiométrica, o classificador ISOSEG superestimou
áreas de Cana Queima, por não distinguir áreas da
classe CP (Figura 3G), havendo confusão com a
cultura da soja, podendo assim dizer pelo fato da
mesma apresentar tom alaranjado a avermelhada na
sua composição colorida, ou seja, pixels com níveis
de cinza semelhantes.
Estudos realizados por Leão et al. (2007)
demonstram que para classificação de uso e
cobertura da terra, o melhor resultado foi obtido
quando aplicado o classificador Bhattacharya,
utilizando imagens do sensor TM/Landsat e
CCD/Cbers. Porém resultados apresentados na
Tabela 2 mostram que para este estudo o melhor
desempenho ocorreu quando utilizado o
classificador Maxver-ICM, corroborando com
resultados obtidos por Oliveira (2009), onde a
obtenção de mapas de uso e ocupação do solo,
incluindo a cana-de-açúcar, foi eficiente quando
utilizado o classificador Maxver.
CONCLUSÕES
Os resultados indicaram que a classificação
Maxver-ICM mostrou melhores resultados quando
submetida somente a correção radiométrica quando
comparada à classificação supervisionada
(Battacharya) e não-supervisionada (ISOSEG) na
detecção de cana queimada. A imagem classificada
a partir da aplicação do NDVI apresentou-se como
um método estatisticamente inferior aos demais.
A reamostragem provocou um resultado
contrário ao esperado por aumentar a variabilidade
interna das classes ao aumentar a resolução espacial,
ou seja, os objetos tornaram-se menos homogêneos
e dificultaram a ação do classificador.
ABSTRACT: The present study aimed to evaluate the performance of supervised classifiers and unsupervised
for automatic detection of fires in cane fields using satellite images Landsat-5/TM. The study area is located in the
northwest from the town of Maracaju, state of Mato Grosso do Sul, Brazil. Different methods of classification and image
processing were tested to map the cane harvesting prior to straw burning. The images were treated with resampling to
15m, radiometric correction and NDVI. The classifications were used algorithms Maxver-ICM, Bhattacharya and
ISOSEG. The different pre-processing and applied classifiers were submitted to statistical validation through the
parameters Kappa and overall accuracy. The results indicated a significant potential for supervised classifiers in
identifying burnt cane. It was concluded that it is possible to obtain accuracies classified as excellent when used the
Maximum Likelihood Classifier-ICM.
KEYWORDS: Bhattacharya. ISOSEG. Maxver-ICM. Saccharum spp. Remote sensing.
REFERÊNCIAS
AGUIAR, D. A.; ADAMI, M.; RUDORFF, B. F. T.; SUGAWARA, L. M.; FREITAS, R. M. Avaliação da
conversão do uso e ocupação do solo para cana-de-açúcar utilizando imagens de sensoriamento remoto. In:
XIV SIMPÓSIO BRASILEIRO DE SENSORIAMENTO REMOTO, 2009, Natal. Anais do XIV Simpósio
Brasileiro de Sensoriamento Remoto. São José dos Campos: INPE, 2009a. p. 5547-5554.
AGUIAR, D. A.; ADAMI, M; RUDORFF, B. F. T.; SÁNCHEZ, G. A.; BARROS, M. A.; SUGAWARA, L.
M.; SHIMABUKURO, Y. E.; MOREIRA, M. A. Mapeamento da cana colhida no Estado de São Paulo –
ano safra 2006/2007. São José dos Campos. INPE, 2007. 51p.
AGUIAR, D. A.; RUDORFF, B. F. T.; ADAMI, M.; SHIMABUKURO, Y. E. Imagens de sensoriamento
remoto no monitoramento da colheita da cana-de-açúcar. Engenharia Agrícola, Jaboticabal, v. 29, n. 3, p. 440-
451, 2009b.
BRANDÃO, D.; GOLTZ, E.; CARVALHO, M. A.; RUDORFF, B. F. T.; PONZONI, F. J. Distinção de classes
de cana-de-açúcar através do NDVI. In: XIV SIMPÓSIO BRASILEIRO DE SENSORIAMENTO REMOTO,
2009, Natal. Anais do XIV Simpósio Brasileiro de Sensoriamento Remoto. São José dos Campos: INPE, p.
105-111.
1522
Rotinas de tratamento digital … SILVA JUNIOR, C. A.; BACANI, V. M.; CARVALHO, L. A.
Biosci. J., Uberlândia, v. 29, Supplement 1, p. 1514-1523, Nov. 2013
CÂMARA, G.; SOUZA, R. C. M.; FREITAS, U. M.; GARRIDO, J.; II, F. M. SPRING: integrating remote
sensing and GIS by object-oriented data modelling. Computers & Graphics, London, v. 20, n. 3, p. 395-403,
1996.
CHANDER, G.; MARKHAM, B. L.; HELDER, D. L. Summary of current radiometric calibration coefficients
for Landsat MSS, TM, ETM+, and EO-1 ALI sensors. Remote Sensing of Environment, New York, v. 113, n.
5, p. 893-903, 2009.
CORRÊA, M. C. M.; CONSOLINI, F.; CENTURION, J. F. Propriedades químicas de um Latossolo Vermelho
Distrófico sob cultivo contínuo de cana-de-açúcar (Saccharum spp.). Acta Scientiarum. Agronomy, Maringá,
v. 23, n. 5, p. 1159-1163, 2001.
CUNHA, K. L. Uso de imagens Landsat e CBERS no mapeamento da suscetibilidade à erosão na região
de Primavera do Leste – MT. 2009. 63f. Dissertação (Mestrado em Física Ambiental) - Universidade Federal
de Mato Grosso, Cuiabá-MT.
DAI, X.; KHORRAM, S. The effects of image misregistration on the accuracy of remotely sensed change
detection. IEEE Transactions on Geoscience and Remote Sensing, New York, v. 36, n. 5, p. 1566-1577,
1998.
FONSECA, L. M. G. Restauração de imagens do satélite Landsat por meio de técnicas de projeto de
filtros FIR. 1998. 148f. Dissertação (Mestrado em Engenharia Eletrônica). Instituto Tecnológico de
Aeronáutica – ITA. São José dos Campos-SP.
FOODY, G. M. Status of land cover classification accuracy assessment. Remote Sensing of Environment,
New York, v. 80, n. 1, p. 185-201, 2002.
GLCF. Geocover Technical Guide. Produced by University of Maryland/USA, 2004. Disponível em:
. Acesso em: 17/09/2010.
INPE - Instituto Nacional de Pesquisas Espaciais. Mapeamento da Cana via imagens de satélite de
observação da Terra (CANASAT). Disponível em:< http://dsr.inpe.br/canasat/>. Acesso em: 17/09/2010.
INPE - Instituto Nacional de Pesquisas Espaciais. SPRING: Tutorial de Geoprocessamento. 2006. Disponível
em . Acesso em: 17/09/2010.
JENSEN, J. R. Introductory digital image processing: a remote sensing perspective. 3ed. Upper Saddle
River, NJ, USA: Pearson Prentice Hall, 2005. 526p.
JENSEN, J. R. Sensoriamento remoto do ambiente: uma perspectiva em recursos terrestres. Tradução da 2ed.
por (pesquisadores do INPE): José Carlos N. Epiphanio (coordenador); Antonio R. Formaggio; Athos R.
Santos; Bernardo F. T. Rudorff; Cláudia M. Almeida; Lênio S. Galvão. São José dos Campos: Parêntese. 2009.
672p.
LANDIS, J. R.; KOCH, G. G. The measurement of observer agreement for categorical data. Biometrics,
Arlington, v. 33, n. 1, p. 159-174, 1977.
LEÃO, C.; KRUG, L. A.; KAMPEL, M.; FONSECA, L. M. G. Avaliação de métodos de classificação em
imagens TM/Landsat e CCD/CBERS para o mapeamento do uso e cobertura da terra na região costeira do
extremo sul da Bahia. In: XIII SIMPÓSIO BRASILEIRO DE SENSORIAMENTO REMOTO, 2007,
Florianópolis. Anais do XIII Simpósio Brasileiro de Sensoriamento Remoto. São José dos Campos: INPE,
p. 939-946.
1523
Rotinas de tratamento digital … SILVA JUNIOR, C. A.; BACANI, V. M.; CARVALHO, L. A.
Biosci. J., Uberlândia, v. 29, Supplement 1, p. 1514-1523, Nov. 2013
MELLO, M. P.; RUDORFF, B. F. T.; VIEIRA, C. A. O.; AGUIAR, D. A. Classificação automática da colheita
da cana-de-açúcar utilizando modelo linear de mistura espectral. Revista Brasileira de Cartografia, Rio de
Janeiro, v. 62, n. 2, p. 181-188, 2010.
MORAES, M. A. F. D. Indicadores do mercado de trabalho do sistema agroindustrial da cana-de-açúcar do
Brasil no período de 1992-2005. Estudos Econômicos, São Paulo, v. 37, n. 4, p. 875-902, 2007.
MOREIRA, M. A.; SHIMABUKURO, Y. E. Cálculo do índice de vegetação a partir do sensor AVHRR In:
Aplicações ambientais brasileiras dos satélites NOAA e TIROS-N. São Paulo, Oficina de Textos, 2004,
cap.4: 79-101.
NOVO, E. M. L. M. Sensoriamento remoto: princípios e aplicações. São Paulo: Blucher, 363p. 2008.
OLIVEIRA, F. G. Diagnóstico da expansão da cultura canavieira e dos conflitos ambientais de uso do solo
no município de Barra Bonita/SP. 2009. 57f. Dissertação (Mestrado em Agronomia). Universidade Estadual
Paulista “Júlio de Mesquita Filho” – UNESP. Botucatu-SP
OLIVEIRA, J. C. Indice para avaliação de segmentação (IAVAS): uma aplicação em agricultura. 2002.
160f. (INPE-9554-TDI/830). Dissertação (Mestrado em Sensoriamento Remoto) - Deposited in the URLib
collection. São José dos Campos. 2002. Disponível na biblioteca digital. Acesso em: 29/09/2010. Online.
URLib: http://iris.sid.inpe.br:1912/rep/sid.inpe.br/marciana/2003/03.05. 15.25.
PICOLI, M. C. A.; RUDORFF, B. F. T.; RIZZI, R.; GIAROLLA, A. Índice de vegetação do sensor MODIS na
estimativa da produtividade agrícola da cana-de-açúcar. Bragantia, Campinas, v. 68, n. 3, p. 789-795, 2009.
RUDORFF, B. F. T.; BERKA, L. M. S.; XAVIER, A.C.; MOREIRA, M. A.; DUARTE, V.; ROSA, V. G. C.;
SHIMABUKURO, Y. E. Estimativa de área plantada com cana-de-açúcar em municípios do estado de
São Paulo por meio de imagens de satélites e técnicas de geoprocessamento: ano safra 2003/2004. São
José dos Campos. INPE, 2004. 47p. (INPE-10791-RPQ/759).
SANO, E. E.; FERREIRA, L. G.; ASNER, G. P.; STEINKE, E. T. Spatial and temporal probabilities of
obtaining cloud-free Landsat images over the Brazilian tropical savanna. International Journal of Remote
Sensing, London, v. 28, n. 12, p. 2739-2752, 2007.