RS Identificacao de Ocupacoes Irregulares Em Areas Urbanas
Transcript of RS Identificacao de Ocupacoes Irregulares Em Areas Urbanas
-
7/24/2019 RS Identificacao de Ocupacoes Irregulares Em Areas Urbanas
1/20
MemoriasMemorias
La Geoinformacinal Servicio de la Sociedad
Medelln, Colombia
29 de Septiembre al 3 de Octubre de 2014
Sociedad Latinoamericana enPercepcin Remota y Sistemasde Informacin EspacialCaptulo Colombia
-
7/24/2019 RS Identificacao de Ocupacoes Irregulares Em Areas Urbanas
2/20
Identificao de Ocupaes Irregulares em reas Urbanas Utilizando Imagens
WorldView-2 e o Classificador por rvore de Deciso - C4.5
Irregular Occupation Identification in Urban Areas Using WorldView-2 Imagery and
C4.5 Decision Tree Classifier
Brbara Maria Giaccom Ribeiro1
1 Universidade Federal do Rio Grande do Sul UFRGS / PROPURRua Sarmento Leite, 320, 5 Andar 90.050-170 - Porto Alegre - RS, Brasil
Resumo. Avanos recentes nas geotecnologias tm proporcionado recursos inovadores para gesto urbana eambiental, incluindo dados de sensoriamento remoto e recursos computacionais para seu processamento. Como objetivo principal de identificar reas urbanas de ocupao irregular, este trabalho utiliza imagens do sensorWorldView-2 e o software de interpretao de imagens baseado em conhecimento InterIMAGE, emdesenvolvimento pela PUC-RJ em cooperao com o INPE. Conhecido o potencial da Anlise de Imagens
Baseada em Objeto (OBIA) e, por outro lado, a complexidade da construo de modelos de classificao, estetrabalho prope mapear a cobertura do solo urbano utilizando o algoritmo de minerao de dados C4.5,recurso que permite selecionar rapidamente os atributos mais representativos de cada classe, dentro de umconjunto amplo opes, e gerar regras de classificao simples. Os resultados mostram que a minerao dedados apresentou alto desempenho classificao. A partir da cobertura do solo, procedeu-se com aclassificao do uso visando identificar reas de ocupao irregular. Os mapas temticos obtiveram altosvalores de exatido global e ndice Kappa. Conflitos tpicos da classificao de alvos urbanos foramresolvidos com a identificao de nove classes de cobertura do solo.
Palavras-chave: sensoriamento remoto urbano, minerao de dados, InterIMAGE, imagens de alta resoluo.
Abstract. Recent developments in geotechnologies provide resources to propose innovative strategies forurban and environmental management, include remote sensing data and computational resources for
processing them. With the main objective of identifying urban areas of illegal occupation, this work usesWorldView-2-sensor images and the InterIMAGE software, which performs image interpretation based onknowledge, under development by PUC-RJ in cooperation with INPE. Confirmed the potential of Object-Based Image Analysis (OBIA) and, on the other hand, the complexity on building the classification models,this work aims to perform and evaluate land cover classification using C4.5 decision tree algorithm, whichenables to quickly select the most representative attributes for each class and generate simple classificationrules. The results show that data mining technique presented high classification performance. Using the landcover classes, we proceeded with the land use classification to identify areas of irregular occupation. Thethematic maps achieved high values of overall accuracy and Kappaindex. Typical classifications have beenresolved by discriminating nine land cover classes.
Keywords:urban remote sensing, data mining, InterIMAGE, high resolution images.
-
7/24/2019 RS Identificacao de Ocupacoes Irregulares Em Areas Urbanas
3/20
1. Introduo
As aes de produo urbana esto atingindo preocupantes limiares nas maiores cidades
brasileiras. Estes limiares evidenciam riscos para o prprio funcionamento das cidades. Como
num efeito cascata, o excessivo adensamento de reas intraurbanas induz, muitas vezes, a
disperso perifrica. A expanso da ocupao humana sobre os limites das cidades acarreta o
esgotamento da infraestrutura, impacta na sua dinmica, impe dificuldades de mobilidade,
aumentando o grau de dependncia de transporte. Este tipo de ocupao do territrio resulta,
muitas vezes, em padres de urbanizao que prejudicam a eqidade, eficincia e
continuidade da cidade como suporte vida social.
Com uma populao de quase 20,8 milhes de habitantes (IBGE, 2013), a Regio
Metropolitana de So Paulo (RMSP) enfrenta muitos desafios. Cerca de 15% dos domiclios
urbanos so classificados como inadequados, apresentando condies de precariedade; o
dficit habitacional urbano soma mais de 800 mil domiclios; quase 600 mil esto em
aglomerados subnormais (IBGE, 2011). Tais nmeros refletem a discrepncia
socioeconmica resultante de dcadas de excluso social, negligncia, falhas de governo,
bem como de desigualdade econmica. Esta desigualdade evidente pelo espraiamento de
favelas na periferia das cidades da RMSP, que chegam a atingir reas de proteo ambiental e
de proteo aos mananciais. Atualmente, h 102 favelas no municpio de Embu das Artes,
compostas por mais de 10 mil domiclios (PETE, 2011).
A dificuldade de sistematizao de dados das favelas apoia-se no fato de as condies de
irregularidade e clandestinidade no serem passveis de avaliao por dados censitrios, por
se tratar de informaes autodeclaradas, ou seja, fornecidas pelo prprio entrevistado (que
pode ou no fornecer informaes verdadeiras). Por sua vez, a anlise da urbanizao fora
dos padres correntes com relao forma, ao tamanho e ao arranjo espacial dos elementos
-
7/24/2019 RS Identificacao de Ocupacoes Irregulares Em Areas Urbanas
4/20
morfolgicos (vias, lotes e edificaes) so caractersticas peculiares que distinguem as
favelas dos loteamentos (regulares ou irregulares). Neste sentido, a morfologia urbana
permite a construo de chaves de interpretao do uso do solo da favela em contraposio
com ocupaes de urbanizao regular por meio de mensurao de propriedades geomtricas
e relacionamentos espaciais. A anlise morfomtrica possui distintas abordagens, como a
morfogentica de Conzen (1960), os estudos de base configuracional, sintaxe espacial (Hillier
& Hanson, 1984), a teoria dos fractais (Mandelbrot, 1982), entre outros.
O uso de informaes atualizadas e detalhadas sobre o uso e cobertura do solo urbano
estratgico para o planejamento e gesto urbana, envolvendo questes relacionadas
expanso e ao adensamento urbano, s mudanas climticas e necessidade de proteo
ambiental. Avanos recentes na rea das geotecnologias tm oferecido recursos inovadores
para gesto urbana e ambiental, incluindo dados de sensoriamento remoto e recursos
computacionais para seu processamento, possibilitando gerar produtos cartogrficos de alta
qualidade e ricas bases de dados. O mapeamento do uso e da cobertura do solo urbano tem
feito largo uso das tecnologias de sensoriamento remoto, especialmente com a recente
disponibilidade de imagens de alta resoluo (Blaschke, 2010). Informaes extradas destes
produtos oferecem amplas possibilidades de uso, como no planejamento de investimentos de
mdio e longo prazos, no monitoramento das crescentes demandas por infraestrutura e
equipamentos sociais, no apoio elaborao de polticas pblicas, em conformidade com
diretrizes ambientais e buscando proporcionar melhor qualidade de vida para sociedade.
O uso de sensoriamento remoto em reas urbanas cresce vertiginosamente, pois os sensores
orbitais esto cada vez mais adequados para tais estudos, devido melhoria nas resolues
espacial, espectral e radiomtrica (Ribeiro et al., 2011, Ribeiro & Fonseca, 2012, 2013). Pr-
-
7/24/2019 RS Identificacao de Ocupacoes Irregulares Em Areas Urbanas
5/20
requisito para a extrao de informaes desses produtos o conhecimento das caractersticas
espectrais dos objetos a serem analisados e os fatores que influenciam no seu comportamento.
Quando do uso de mtodos automatizados para mapear o ambiente urbano, uma maior
variedade de bandas espectrais torna-se essencial para discriminao de materiais de
cobertura do solo muito semelhantes, tais como telhas de fibrocimento (com e sem amianto),
telhas de concreto pigmentado, lajes de concreto e pavimentao de concreto (Moreira &
Galvo, 2010). Alm disso, as altas resolues espaciais das imagens orbitais disponveis
atualmente garantem ao especialista a capacidade de realizar classificao manual muito
precisa. Isso se trata, no entanto, de uma tarefa muito demorada, bem como a construo de
redes semnticas para classificar imagens com base em conhecimento humano. Os softwares
que realizam anlises de imagens baseadas em objeto (OBIA - Object-Based Image Analysis)
so capazes de fornecer um grande nmero de atributos dos objetos e possibilitam modelar a
rede semntica de diferentes maneiras, o que torna a classificao uma tarefa demorada e
complexa (Ribeiro & Fonseca, 2013). A determinao das caractersticas mais relevantes a
serem utilizadas nas rotinas de classificao nem sempre uma tarefa fcil quando as anlises
exploratrias convencionais so realizadas.
Ferramentas de minerao de dados podem aumentar o potencial da anlise de dados de
sensoriamento remoto (Korting et al., 2008) uma vez que tais tcnicas so capazes de
rapidamente selecionar os atributos mais representativos de cada classe de objetos e gerar
regras de classificao simples. Assim, os mtodos de seleo de atributos tornam-se muito
atraentes para os estudos em reas urbanas devido s centenas de atributos espectrais,
texturais e morfomtricos que podem ser utilizados em rotinas de OBIA. Apesar da grande
explorao da classificao da cobertura do solo urbano utilizando imagens de alta resoluo,
poucos estudos aplicaram metodologias automticas para definir parmetros e caractersticas
-
7/24/2019 RS Identificacao de Ocupacoes Irregulares Em Areas Urbanas
6/20
para classificao de imagens baseada em objetos (Pinho et al., 2008, Carvalho et al., 2012;
Bastos et al., 2013, Ribeiro & Fonseca, 2013, Meneghetti & Kux, 2014).
O objetivo deste trabalho apresentar o mapeamento do uso e da cobertura do solo de uma
rea urbana utilizando minerao de dados. O foco demonstrar a aplicabilidade desta
metodologia no mapeamento de diferentes reas urbanas, como bairros oficiais e ocupaes
irregulares (i.e., favelas). O experimento foi desenvolvido no InterIMAGE, um softwareem
desenvolvimento pela PUC-RJ (Pontifcia Universidade Catlica - Rio de Janeiro) e INPE
(Instituto Nacional de Pesquisas Espaciais), que brevemente descrito a seguir.
1.1 InterIMAGE
O InterIMAGE umsoftwarelivre para interpretao de imagens, que possui cdigo aberto,
capacidade de customizao e ferramentas de extenso (PUC-RJ & INPE, 2012). um
aplicativo multiplataforma implementado para os sistemas operacionais Linux e Windows. O
sistema foi desenvolvido em C++, usa oframeworkQT4 para a construo da interface com
o usurio, a biblioteca de classes VTK Visualization Toolkit e a biblioteca TerraLib para as
operaes geogrficas e de processamento de imagens. O InterIMAGE fornece suporte para a
integrao de operadores de processamento de imagens, que so programas externos ao seu
mecanismo de controle; eles podem ser codificados em qualquer linguagem de programao,
podendo tambm ser programas proprietrios (Costa et al., 2007, 2010).
O processo de interpretao do InterIMAGE orientado por um modelo de conhecimento,
que incorpora e representa explicitamente conhecimento prvio sobre uma determinada
regio geogrfica e sobre os objetos que se espera encontrar nela. O modelo de conhecimento
pode corresponder a um conhecimento prvio do especialista ou ao conhecimento adquirido
por meio da anlise dos dados de entrada (imagens de sensoriamento remoto ou camadas
-
7/24/2019 RS Identificacao de Ocupacoes Irregulares Em Areas Urbanas
7/20
vetoriais de dados geogrficos). A estratgia de classificao baseia-se num modelo de
conhecimento estruturado como uma rede semntica definida pelo especialista. O processo de
classificao possui duas etapas: a Top-DowneBottom-Up(Costa et al., 2010).
Na fase Top-Down, o sistema percorre a estrutura hierrquica da rede semntica e dispara os
operadores holsticos de cada n. Operadores holsticos so operadores de processamento de
imagem externos ao ncleo do sistema e especializados na deteco de uma determinada
classe. Para a deteco de objetos da classe correspondente, os operadores holsticos
executam trs procedimentos: segmentao (ou importao de dados geogrficos em formato
vetorial), extrao de atributos e classificao. As regies geogrficas detectadas por um
operador holstico inserido em um determinado n so transmitidas como mscaras
("hipteses") para seus ns-filhos, localizados em nveis mais baixos na rede semntica, onde
seus prprios operadores holsticos vo funcionar.
Na etapaBottom-Up, o sistema sobe a rede semntica, resolvendo os conflitos espaciais entre
as hipteses, com base em regras definidas pelo especialista, inseridas em cada n. Desta
forma, o sistema descarta parcial ou totalmente as hipteses ou as transforma em instncias
(i.e., valida as hipteses). As regras definidas pelo especialista podem envolver selees
lgicas adicionais. Se os conflitos espaciais ainda permanecem aps a rejeio de hipteses
por essas selees lgicas adicionais, eles so resolvidos pela definio supervisionada de
pesos para cada uma das classes ou pela concorrncia de valores de pertinncia atribudos por
funes de pertinnciafuzzydefinidas pelo usurio. A rede de instncias final resultante da
anliseBottom-Up: ao alcanarem o topo da rede semntica, os operadoresBottom-Upgeram
imagens rotuladas para os diferentes nveis da rede semntica (Costa et al., 2007, 2008).
-
7/24/2019 RS Identificacao de Ocupacoes Irregulares Em Areas Urbanas
8/20
1.2 Algoritmo de rvore de Deciso C4.5
O InterIMAGE oferece um conjunto de operadores bsicos construdos com as classes e
funes fornecidas pela biblioteca TerraLib. Para execuo de classificao supervisionada,
est disponvel o classificador por rvore de deciso C4.5.
O algoritmo C4.5 opera da seguinte forma: cada n da rvore de deciso corresponde a um
atributo e cada arco corresponde a um intervalo de valores do atributo. O valor esperado do
atributo definido pelo caminho da raiz at cada folha. O atributo mais representativo
associado a cada n. A entropia calculada para avaliar o quanto um n informativo, e
quanto maior a entropia, mais informao necessria para caracterizar os dados; desta
forma, deve-se associar ao n o atributo que minimize a entropia dos dados (Silva et al.,
2008). Aps essa associao, o algoritmo de rvore de deciso define um valor limite para
cada arco. O limiar calculado pelo algoritmo do vizinho mais prximo. Primeiramente, o
algoritmo calcula a distncia euclidiana a partir das amostras de treinamento para uma
instncia dos dados. A instncia ser designada para a classe que est mais prxima a ela no
espao de atributos. O C4.5 remove ns desnecessrios atravs do procedimento de poda,
produzindo a rvore mais curta possvel (Witten & Frank, 1999). O nmero de instncias em
cada folha tambm controla o tamanho da rvore. Quanto menor o nmero de casos, mais
precisa ser a classificao, considerando o conjunto de amostras de treinamento.
Ao usar esta ferramenta, o usurio responsvel unicamente pela definio dos melhores
parmetros para segmentao da imagem e pela seleo de amostras de treinamento
representativas de cada classe. O processamento que se segue desenvolvido dentro do
InterIMAGE, onde produzida a classificao final e a rvore de deciso (arquivo de texto).
-
7/24/2019 RS Identificacao de Ocupacoes Irregulares Em Areas Urbanas
9/20
2. M
Os p
2.1.
Emb
oeste
Prote
Figuresturban
etodologia
ssos metod
Figura 1
rea de Est
das Artes
da capital
o aos Ma
a 2 Localiemarcada pizadas apare
olgicos re
Passos me
udo
um munic
aulista, qu
nanciais (Fi
ao do muelo retngulcem nas ton
lizados est
todolgicos
pio da Reg
possui 70,
gura 2).
nicpio de Eo azul. Imalidades rox
o resumido
para classifi
io Metrop
9 km de
mbu na Regem: Landss.
s no diagra
cao da cob
litana de S
ea, dos qua
io Metropot 8, R(6) G
a de bloco
ertura e do
o Paulo (R
is 59% inse
itana de S(5) B(4), 29
s da Figura
so do solo.
MSP), loca
rem-se em
Paulo. A /06/2013
izado a
rea de
ea-testeas reas
-
7/24/2019 RS Identificacao de Ocupacoes Irregulares Em Areas Urbanas
10/20
Atualmente, Embu possui uma populao estimada de 256.247 habitantes (IBGE, 2013),
resultado de um intenso crescimento ocorrido nas dcadas de 1970 e 1980, decorrente tanto
do aumento da populao residente, como, principalmente, do processo de crescimento da
RMSP, que expandiu sua rea urbana para dentro do municpio de Embu. Nos primeiros anos
da dcada de 1970, o municpio possua pouco mais de 18 mil habitantes e no ano de 1991, j
contava mais de 150 mil. Entre 2000 e 2010, este cenrio de crescimento passou a apresentar
uma tendncia de estabilizao, com taxas de crescimento de 1,46% ao ano.
Este histrico de crescimento populacional no reflete, contudo, a conformao demogrfica
de Embu, pois a densidade demogrfica mdia, de 34 hab/ha, no uniforme ao longo do
territrio: a densidade especialmente alta na poro leste do municpio, devido ao tipo de
urbanizao (pequenos lotes, favelas, ruas estreitas, ausncia de caladas e praas) e
composio socioeconmica desta populao (baixa escolaridade, pouca especializao
profissional, baixos rendimentos). A proximidade com a capital paulista, bem como a
presena das barreiras naturais e artificiais (rodovia BR 116, dcada de 1960, e Rodoanel
Mrio Covas (SP-21), a partir de 2007), propiciaram o surgimento de bairros que
desempenham maior interao com a cidade de So Paulo do que com a regio central de
Embu. Nos anos 1970, a especulao imobiliria estimulou a ocupao na sua poro leste,
que oferecia lotes com baixo custo, tornando Embu em um municpio-dormitrio.
Escolheu-se uma rea-teste com grande diversidade de alvos urbanos, como vegetao
rasteira e arbrea, diferentes tipos de telhados (materiais), edifcios com gabaritos de altura
diversos, galpes industriais, etc. Frequentemente, os objetos urbanos esto dispostos
espacialmente de forma densa e complexa e podem ser encontrado em diferentes estados de
conservao. Alm disso, embora paream ter coloraes semelhantes, estes objetos possuem
diferentes composies qumicas e propriedades fsicas.
-
7/24/2019 RS Identificacao de Ocupacoes Irregulares Em Areas Urbanas
11/20
2.2 Pr-processamento
Os processamentos e anlises foram realizados utilizando uma imagem pancromtica e uma
multiespectral (com 8 bandas) do sensor WorldView-2, com resoluo espacial de 0,50m e
2,00m, respectivamente. A imagem do tipo ORStandard2A, obtida em 19/04/2010, com
ngulo off-nadir5,9 e resoluo radiomtrica de 11 bits.
Com o objetivo de aumentar a resoluo espacial das bandas multiespectrais, inserindo a
informao espacial mais detalhada da banda pancromtica, foi realizada a fuso das imagens
das bandas pancromtica e multiespectral pelo mtodo de fuso por Principais Componentes,
que tem apresentado os melhores resultados para fuso de bandas de sensores de alta
resoluo espacial (Pinho et al., 2005, Padwick et al., 2010), pois no tem limitao do
nmero de bandas a serem fusionadas, possui boa capacidade de transferncia de detalhes da
imagem pancromtica para a imagem sinttica e preserva a informao espectral da imagem
multiespectral original (Zhang, 2004). O resultado do processo de fuso um produto hbrido
com 8 bandas espectrais e resoluo espacial igual a 0,50 m.
A ortorretificao das imagens WorldView-2 foi realizada aplicando-se o mtodo polinomial
racional 3D (PCI Geomatics, 2010). Para a ortorretificao, foram utilizados 65 GCPs
(Ground Control Points) para toda a cena. Para a validao das orto-imagens, foram
utilizados 63 pontos independentes de verificao. Os GCPs utilizados na ortorretificao das
imagens foram obtidos a partir de levantamento de campo realizado em Janeiro de 2011. O
Modelo Digital de Elevao (MDE) utilizado na ortorretificao das imagens foi gerado a
partir de dados altimtricos, com interpolao por convoluo cbica, resultando em um
produto com espaamento de pixelde 1 metro. Os valores de erro mdio quadrtico obtidos
foram 1,05 m e 1,00 m, para as componentes planimtricas Leste e Norte, respectivamente.
-
7/24/2019 RS Identificacao de Ocupacoes Irregulares Em Areas Urbanas
12/20
2.3 Modelo de Classificao 1 Cobertura do Solo
Foram definidas 9 classes de cobertura do solo considerando-se suas possibilidades de
identificao na rea de estudo: Vegetao Rasteira e Arbrea, Solo Exposto, Telha
Cermica, Telha Metlica, Cobertura em Cimento Claro e Escuro, Asfalto e Sombra. A rede
hierrquica do modelo foi construda no software InterIMAGE v1.41 (PUC-RJ & INPE,
2012), possuindo um n-pai e nove ns-filhos, correspondentes a cada uma das classes.
Para segmentao da imagem, utilizou-se o algoritmo TerraAIDA Baatz Segmenter (Baatz
& Schape, 2000). Os parmetros de segmentao (i.e., peso das bandas de entrada, escala,
distncia euclidiana, compacidade e corforma) foram calibrados para produzir segmentos de
modo eficiente, considerando todas as classes de cobertura definidas. A segmentao foi
realizada na etapa exploratria, no mdulo Samples Editor, no momento imediatamente
anterior seleo das amostras de treinamento que sero utilizadas para a minerao dos
dados. A segmentao gerou cerca de 12.500 segmentos; desta forma, optou-se por coletar
2% deste valor em amostras, resultando em 25 amostras para cada classe de cobertura. O
resultado da etapa de coleta de amostras um arquivo vetorial com as hipteses de objetos
produzidas pela segmentao e uma srie de atributos (conforme estabelecido pelo
especialista, que define quais atributos devem ser calculados); neste conjunto de dados, as
amostras j esto identificadas conforme suas respectivas classes.
Na etapa subsequente, o arquivo vetorial dos segmentos e amostras utilizado na etapa top-
down em um dos ns-folhas, que acionar o operador TerraAIDA C4.5 Classifier,
implementado no InterIMAGE. Este operador executar a segmentao da imagem e a
classificao de todas as hipteses com base nas amostras de treinamento. Diferentemente de
softwares especializados em minerao de dados (e.g., WEKA Hall et al., 2009), no
InterIMAGE no possvel a interferncia do usurio na definio dos parmetros da rvore
-
7/24/2019 RS Identificacao de Ocupacoes Irregulares Em Areas Urbanas
13/20
de deciso, entretanto, estas rvores normalmente apresentam tamanho pequeno, pouca
complexidade e pouca repetio de atributos (Meneghetti & Kux, 2014).
Na etapa bottom-up, os conflitos remanescentes entre as classes resolvido com a atribuio
de valores de pertinncia a cada uma das classes. O resultado final um mapa temtico.
2.3 Modelo de Classificao 2 Uso do Solo
A classificao do uso do solo partiu dos resultados obtidos na etapa anterior, utilizando os
objetos classificados em cada classe de cobertura do solo. A classificao ocorre na escala de
quadras e ruas e a estratgia bsica adotada classificar os tipos de uso do solo com base na
ocorrncia de determinadas classes de cobertura do solo, na estrutura geomtrica dos objetos
dentro das quadras e utilizando atributos de textura e dimenso fractal. Esta etapa pode ser
dividida em quatro passos: 1) construo da rede semntica, com 5 ns-pais (classes de uso
do solo) , cada um com 9 ns-filhos; 2) segmentao (TerraAIDA ShapeFile Import); 3)
criao das regras de deciso para cada uma das classes de uso e regras de pertinncia; e 4)
classificao. O resultado um mapa temtico de uso do solo.
Com base no Zoneamento, definido pelo Plano Diretor de Embu (Lei n 186/2012), a rea-
teste divide-se em quatro zonas: ZCM - Zona de Corredor Misto (empreendimentos de uso
cotidiano: comrcios, servio, indstrias de baixo risco e residncias), ZUC - Zona Urbana
Consolidada (predominantemente residencial, de alta densidade, com infraestrutura
instalada), ZEIA - Zona de Especial Interesse Ambiental (rea de proteo e recuperao dos
mananciais, preservao de reas com vegetao significativa e paisagens naturais notveis,
reas de reflorestamento e conservao), e ZEIS - Zona de Especial Interesse Social (reas
ocupadas por populao de baixa renda: favelas e loteamentos precrios e/ou irregulares).
-
7/24/2019 RS Identificacao de Ocupacoes Irregulares Em Areas Urbanas
14/20
2.5 Avaliao das Classificaes
A acurcia dos mapas temticos obtidos como resultados da classificao da cobertura e do
uso do solo, foi verificada por meio do clculo da matriz de confuso e dos ndices Kappa
(Cohen, 1960, Congalton & Green, 1999) e Kappa-condicional (Rosenfield & Fitzpatrick-
Lins, 1986). A partir da matriz de confuso, foram calculadas medidas descritivas, como a
exatido global do usurio e do produtor (Story & Congalton, 1986, Foody, 2002). No
mapeamento da cobertura do solo, como referncias, foram utilizados 240 pontos observados
em campo e 400 amostras aleatrias analisadas por especialista em imagens de maior
resoluo espacial (GoogleEarth, 2013). Para avaliao do mapeamento uso do solo, foram
utilizadas as amostras coletadas em campo e o mapa de zoneamento do municpio de Embu
(Lei n 186/2012).
3. Resultados e Discusso
O mapa temtico da cobertura do solo apresentado na Figura 3. A classificao da
cobertura do solo apresenta boas avaliaes estatsticas, possuindo altos valores de exatido
global (0,9094) e ndice Kappa (0,8898). A Tabela 1 apresenta a matriz de confuso. A
separabilidade entre as classes foi avaliada por meio do ndiceKappa-condicional (Tabela
2), e pela exatido do usurio e do produtor (Tabela 1). Estes resultados evidenciam um
alto nvel de discriminao entre as classes de cobertura do solo.
-
7/24/2019 RS Identificacao de Ocupacoes Irregulares Em Areas Urbanas
15/20
Tabelclass
C
LASSIFICAO
ExatPro
* VRCobert
Figura 3
a 1 Matriz: exatido d
V
VR 19
VA 5
SE 1
CTC 0
CM 0
CCC 0
CCE 0
AS 1SO 0
Total 26
do dodutor
0,73
- Vegetao Rura Metlica, C
apa temti
de confusousurio e d
VA
4
50
0
0
0
0
2
02
58
1 0,862 0
steira, VA - VC - Cobertura
co resultante
da classifico produtor.
VE
SE CTC
2 0
0 0
22 2
1 24
0 0
0 0
1 1
0 00 0
26 27
,846 0,889
egetao Arbem Cimento Cl
da classific
o da cobe
DADE (REFE
CM C
0 0
0 0
0 0
0 0
28 2
2 6
0 1
0 00 0
30 6
0,933 0,9
ea, SE - Soloaro, CCE - Cob
o da cobe
rtura do solo
NCIA)
C CCE
0
0
0
0
0
5
177
32
187
2 0,947
Exposto, CTCertura em Cime
tura do solo
e medidas
AS SO
0 0
1 4
0 0
0 0
1 1
0 0
5 1
64 44 138
75 148
,853 0,932
- Cobertura ento Escuro, AS
da rea-test
e acurcia p
ExTotal
25
60
25
25
32
67
188
72146
640
Telha Cerm- Asfalto e SO -
.
or
tido dosurio
0,760
0,833
0,880
0,960
0,875
0,896
0,941
0,8890,945
ca, CM -Sombra.
-
7/24/2019 RS Identificacao de Ocupacoes Irregulares Em Areas Urbanas
16/20
Tabel
* VRCobert
O m
do
exati
a 2 ndice
- Vegetao Rura Metlica, C
pa temtic
odelo de c
do na class
Figura 4
Kappa-cond
Classe
VRVASE
CTCCM
CCCCCEASSO
steira, VA - VC - Cobertura
do uso do
nheciment
ificao do
Mapa tem
icional e var
s nC
egetao Arbem Cimento Cl
solo apre
at se ob
uso do solo
tico resulta
incia do n
ice Kappandicional
0,74980,81670,87490,95820,86880,88410,91730,87410,9287ea, SE - Soloaro, CCE - Cob
sentado na
er o result
consideran
te da classi
ice para cad
VarinKappa
0,00,00,00,00,00,00,00,00,0
Exposto, CTCertura em Cime
Figura 4. P
do esperad
do-se a esca
icao do u
a classe de c
cia ndiceondicional
077702700454016603710167005601710058- Cobertura ento Escuro, AS
or meio da
o, foi poss
la das quad
o do solo d
obertura do
Telha Cerm- Asfalto e SO -
construo
vel obter 1
ras.
rea-teste.
olo.
ca, CM -Sombra.
manual
0% de
-
7/24/2019 RS Identificacao de Ocupacoes Irregulares Em Areas Urbanas
17/20
4. Concluses
Usando duas tecnologias novas e ainda pouco exploradas em estudos urbanos, este trabalho
teve como objetivo explorar as imagens do sensor WorldView-2 e do software de livre
InterIMAGE para mapeamento de ocupaes irregulares no contexto urbano. Para
otimizao do processo de classificao da cobertura do solo, foi utilizado o algoritmo de
rvore de deciso C4.5 para minerao dos dados, o que resultou em economia do tempo
gasto em construo de rede semntica e na seleo de atributos.
Ao utilizar a abordagem baseada em objetos, embora a construo manual do modelo de
classificao seja adequada, pois permite realizar tantas adaptaes quanto forem necessrias
para se obter uma classificao satisfatria, tambm possvel atingir bons resultados por
meio da aplicao de tcnicas de minerao de dados. A utilizao do algoritmo C4.5 no
processo de classificao aprimorou o processo, demonstrando bom desempenho na
classificao da cobertura do solo e economizando de tempo. O algoritmo C4.5, integrado
com outras ferramentas de anlise de imagem, apresenta grande potencial na anlise de
imagens de alta resoluo para aplicaes urbanas. Finalmente, este trabalho enfatiza o ganho
em tempo e desempenho proporcionado pelo uso de algoritmos de aprendizado de mquina e
tcnicas de minerao de dados no processo de classificao, o que aumentou a velocidade e
tambm reduziu a natureza emprica da seleo de atributos e construo da rede.
Por fim, o mapeamento do uso do solo utilizou os resultados obtidos na classificao da
cobertura do solo e produziu resultados plenamente satisfatrios, entretanto, com maior gasto
de tempo na execuo do modelo de classificao. A metodologia mostrou-se eficaz para a
identificao de reas de ocupao irregular, confirmando sua potencial para estudos urbanos.
-
7/24/2019 RS Identificacao de Ocupacoes Irregulares Em Areas Urbanas
18/20
Referncias Bibliogrficas
Baatz, M., & Schape, A. (2000). Multiresolution segmentation: an optimization approach for high
quality multi-scale image segmentation. In: Proceedings of the 12th Angewandte Geographische
Informationsverarbeitung, Agit Symposium, Salzburg, Austria, July 5-7, 2000 (12-23). Karlsruhe,
Germany: Herbert Wichmann Verlag.
Bastos, V. S. B., Fonseca, L. M. G., Korting, T. S., Pinho, C. M. D., & Santos, R. D. C. (2013).
Intraurban land cover classification using IKONOS II images and data mining techniques: a comparative
analysis. In: Proceedings of the Joint Urban Remote Sensing Symposium - JURSE 2013, So Paulo,Brazil, April 21-23, 2013 (214-217). Piscataway: IEEE Computer Society.
Blaschke, T. (2010). Object based image analysis for remote sensing.ISPRS Journal of Photogrammetry
& Remote Sensing, 65, 2-16. DOI:10.1016/j.isprsjprs.2009.06.004.
Carvalho, M., Kux, H. J. H., & Florenzano, T. G. (2012). Urban land cover classification withWorldview-2 images using Data mining and Object-based image analysis. In: Proceedings of the 4thConference on Geographic Object-Based Image Analysis GEOBIA, Rio de Janeiro, Brasil, May 7-9,
2012(431-436). So Jos dos Campos, Brasil: INPE.
Cohen, J. (1960). A coefficient of agreement for nominal scales. Educational and Psychological
Measurement,20, 37-46.
Congalton, R. G., & Green, K. (1999). Assessing the Accuracy of Remotely Sensed Data: Principles and
Practices. Boca Raton, USA: CRC/Lewis Press.
Conzen, M. R. G. (1960). Alnwick, Northumberland: a study in town-plan analysis.Institute of British
Geographers. Publication 27. London, England: George Philip.
Costa, G. A. O. P., Feitosa, R., Fonseca, L. M. G., Oliveira, D., Ferreira, R., & Castejon, E. F. (2010).
Knowledge-based interpretation of remote sensing data with the InterIMAGE system: major
characteristics and recent developments. In: Proceedings of the 3rd GEOgraphic Object-Based ImageAnalysis GEOBIA, Ghent, Belgium, June 29 - July 2, 2010. Ghent: Ghent Univ.
Costa, G. A. O. P., Pinho, C. M. D., Feitosa, R. Q., Almeida, C. M., Kux, H. J. H., Fonseca, L. M. G., &
Oliveira, D. (2007). InterIMAGE: An Open Source Platform for Automatic Image Interpretation. In:Anais do Simpsio Brasileiro de Geomtica, Presidente Prudente, Brasil, 24-27 Julho, 2007 (735-739).Presidente Prudente, Brasil: UNESP, 2007.
Costa, G. A. O. P., Pinho, C. M. D., Feitosa, R., Almeida, C., Kux, H., Fonseca, L. M. G., & Oliveira, D.
(2008). InterIMAGE: Uma Plataforma Cognitiva Open Source para a Interpretao Automtica de
Imagens Digitais.Revista Brasileira de Cartografia, 60(4), 331-337.
Foody, G. (2002). Status of land cover classification accuracy assessment. Remote Sensing of
Environment, 80(1), 185-201.
-
7/24/2019 RS Identificacao de Ocupacoes Irregulares Em Areas Urbanas
19/20
Hall, H., Frank, E., Holmes, G., Pfahringer, B., Reutemann, P., & Witten, I. H. (2009). The WEKA Data
Mining Software: An Update. SIGKDD Explorations, 1(11), 10-18.
Hillier, B., & Hanson, J. (1984). The Social logic of space. Cambridge: Cambridge Univ. Press.
IBGE Instituto Brasileiro de Geografia e Estatstica (2011). Censo Demogrfico 2010. Rio de Janeiro,
Brasil: IBGE. Disponvel em: http://www.censo2010.ibge.gov.br/.
IBGE. (2013).Estimativas da Populao Residente nos Municpios Brasileiros com Data de Referncia
em 1 de Julho de 2013.Rio de Janeiro, Brasil: IBGE.
Korting, T. S., Fonseca, L. M. G., Escada, M. I. S., Silva, F. C., & Silva, M. P. S.. GeoDMA - a novel
system for spatial Data mining. In: IEEE International Conference Data Mining Workshops ICDMW
2008, Pisa, Italy, December 15-18, 2008(975-978). Los Alamitos: IEEE.
Lei Complementar n 186, de 20 de Abril de 2012. Consolida as disposies do plano diretor domunicpio. Embu, Brasil, 2012.
Mandelbrot, B. B. (1967). How long is the coast of Britain? Statistical self-similarity and fractional
dimension. Science, (156), 636-638.
Meneghetti, G. T., & Kux, H. J. H. (2014). Mapeamento da cobertura da terra do municpio de Raposa(MA) utilizando imagens WorldView-2, o aplicativo InterIMAGE e minerao de dados. Revista
Brasileira de Cartografia, 66(2), 365-377.
Moreira, R. C., & Galvo, L. S. (2010). Variation in spectral shape of urban materials.Remote Sensing
Letters, 1(3), 149-158.
Padwick, C., Deskevich, M., Pacifici, F., & Smallwood, S. (2010). WorldView-2 Pan-Sharpening.
ASPRS 2010 Annual Conference, San Diego, California, USA.
PETE Prefeitura da Estncia Turstica de Embu das Artes. Cartilha do Plano Diretor de Embu das
Artes - SP. Volume 2. Embu, Brasil: PETE, 2011.
Pinho, C. M. D., Silva, F. C., Fonseca, L. M. G., & Monteiro, A.M.V.. Intra-Urban Land Cover
Classification from High-Resolution Images Using the C4.5 Algorithm. In: Proceedings of the XXI
Congress of the Int. Society for Photogrammetry and Remote Sensing ISPRS, Beijing, China, July 3-11,
2008(695-700). Beijing: National Geomatics Center of China (NGCC).
PUC-RJ & INPE. (2012). InterIMAGE - Interpreting Images Freely, v.1.41. [Software deprocessamento digital de imagens de satlites]. Rio de Janeiro, Brasil: PUC-RJ e INPE. Disponvel em:
http://www.lvc.ele.puc-rio.br/projects/interimage/.
Ribeiro, B. M. G., & Fonseca, L. M. G. (2012). Evaluation of WorldView-2 Imagery for Urban Land
Cover Mapping Using the InterIMAGE System. In: Proceedings of the 4thConference on Geographic
Object-Based Image Analysis GEOBIA, Rio de Janeiro, Brasil, May 7-9, 2012(206-210). So Jos dos
Campos, Brasil: INPE.
-
7/24/2019 RS Identificacao de Ocupacoes Irregulares Em Areas Urbanas
20/20
Ribeiro, B. M. G., & Fonseca, L. M. G. (2013). Urban Land Cover Classification using WorldView-2
Images and C4.5 Algorithm. In:Proceedings of the Joint Urban Remote Sensing Symposium - JURSE
2013, So Paulo, Brazil, April 21-23, 2013 (250-253). Piscataway: IEEE.
Ribeiro, B. M. G., Fonseca, L. M. G., & Kux, H. J. H. (2011). Mapeamento da cobertura do solo urbano
utilizando imagens WorldView-II e o sistema InterIMAGE. Revista Brasileira de Cartografia,
63(Edio Especial), 51-63.
Rosenfield, G. H., & Fitzpatrick-Lins, K. (1986). A Coefficient of Agreement as a Measure of ThematicClassification Accuracy.Photogrammetric Eng. & Remote Sensing, 52(2), 223-227.
Silva, M. P. S., Cmara, G., Escada M. I. S., Souza, R. C. M. (2008). Remote sensing image mining:
detecting agents of land use change in tropical forest areas. International Journal of Remote Sensing,29(16), 4803-4822.
Story, M., & Congalton, R. G. (1986). Accuracy assessment: A user's perspective. Photogrammetric
Engineering & Remote Sensing, 52(3), 397-399.
Witten, I. H., Frank, H. (1999). Data mining: practical machine learning tools and techniques with java
implementations. San Francisco, EUA: Morgan Kaufman.
Zhang, Y. (2004). Understanding image fusion. Photogrammetric Engineering & Remote Sensing,
70(6), 657-661.