Upload
phamnhu
View
216
Download
0
Embed Size (px)
Citation preview
Análise Comparativa de Classificadores para Cartografia de Ocupação do Solo no Alentejo, com Imagens Intra-Anuais
AWiFS
Dissertação orientada por:
Professor Doutor Mário Caetano e
Professor Doutor José António Tenedório
Dissertação apresentada para cumprimento dos requisitos necessários à
obtenção do grau de Mestre em Gestão do Território, Área de Especialização em Detecção Remota e Sistemas de Informação Geográfica
MARÇO, 2011
II
III
AGRADECIMENTOS
Ao Prof. Doutor Mário Caetano, pela orientação, disponibilidade e pelo apoio junto do
Grupo de Detecção Remota do Instituto Geográfico Português.
Ao Prof. Doutor José António Tenedório, co-orientador na Faculdade de Ciências
Sociais e Humanas, pela orientação, disponibilidade e por ter-me despertado a
curiosidade e interesse no estudo da detecção remota.
Aos colegas do Grupo de Detecção Remota, que me apoiaram na elaboração deste
trabalho, em particular: António Araújo, António Nunes, Hugo Costa e Vasco Nunes.
Agradeço ao Município de Almodôvar pela permissão da utilização de informação na
preparação deste estudo.
Também agradeço a: Bruno Esteves, Hugo Pereira, Pedro Correia e Pedro Santos, os
quais me ajudaram e incentivaram na elaboração desta dissertação.
Por fim agradeço muito especialmente à Marta Matos, pelo grande contributo, ajuda e
incentivo que deu na elaboração deste estudo.
IV
RESUMO
ANÁLISE COMPARATIVA DE CLASSIFICADORES PARA
CARTOGRAFIA DE OCUPAÇÃO DO SOLO NO ALENTEJO, COM IMAGENS
INTRA-ANUAIS AWiFS
FILIPE AUGUSTO VALENTE OLIVEIRA
PALAVRAS-CHAVE: Ocupação do solo, AWiFS, Máxima verosimilhança,
Árvores de decisão, Alentejo.
No presente estudo, explorou-se o potencial das imagens AWiFS para a produção de cartografia de ocupação do solo, numa área confinada ao concelho de Almodôvar, Região do Baixo Alentejo.
A partir de um conjunto de dados intra-anual compostos por três imagens AWiFS, definiu-se uma análise comparativa de diferentes abordagens de classificação automática assistida a nível do pixel. Foram testados dois classificadores: um paramétrico de máxima verosimilhança e um não-paramétrico de árvores de decisão. A estes classificadores associaram-se diferentes conjuntos de dados entre os quais, dados de NDVI e dados resultantes de análise de componentes principais.
A exactidão global dos mapas produzidos foi muito baixa, obtendo-se valores entre 37% e 43% para nomenclaturas de ocupação do solo de dez e cinco classes, respectivamente. Com base no conjunto de amostras de referência, verificou-se a influência destas nos valores de exactidão global dos mapas produzidos. Observou-se igualmente, com base nas amostras de referência, o desempenho das diferentes abordagens de classificação.
Os resultados obtidos indicam que as características das imagens AWiFS e da área de estudo foram decisivos nos resultados dos testes de classificação. As amostras de teste específicas de cada mapa produzido influenciaram significativamente os valores de exactidão global, inviabilizando a sua comparação. Ao nível do desempenho dos classificadores/conjunto de dados, os resultados mostram que o classificador de máxima verosimilhança obtém melhores resultados de exactidão global do que o classificador de árvores de decisão.
V
ABSTRACT
COMPARATIVE STUDY OF LANDCOVER MAPPING CLASSIFIERS
IN ALENTEJO REGION, WITH INTRA-ANNUAL AWIFS IMAGES
FILIPE AUGUSTO VALENTE OLIVEIRA
KEYWORDS: Land cover, AWiFS, maximum likelihood, Decision trees,
Alentejo.
The potential of AWiFS imagery for land cover mapping in a confined area, by the surroundings of a municipality in the region of Baixo Alentejo was tested.
From a data set of three intra-annual AWiFS images, a comparative analysis of different per pixel, supervised classification approaches was design. A parametric maximum likelihood classifier and a non-parametric decision trees were tested. A set of data set was associated to the classifiers such as NDVI and principal component analysis data.
The overall accuracy of the maps produced was very low, between 37% and 43% for classifications of ten and five land cover classes. Based on the set of reference samples, the influence of these values in the overall accuracy of the maps was observed. Based on the same reference samples, the performance of the classification approaches was observed as well.
The results point out that the AWiFS imagery and the study area features were key factors for the overall accuracy values of the classification tests. Map tests were not possible do compare due to the fact that, the reference samples of each specific map, considerably influenced their overall accuracy. In terms of classifiers/dataset performance, results shows that the maximum likelihood classifier achieves higher values of overall accuracy than decision tree classifier.
VI
LISTA DE ACRÓNIMOS
ACP – Análise de Componentes Principais
AD – Árvores de Decisão
AMBAAL – Associação de Municípios do Baixo Alentejo e Alentejo Litoral
AWiFS – Advanced Wide Field Sensor
CAD – Classificador de Árvores de Decisão
CMV - Classificador de Máxima Verosimilhança
COSMIC – Cartografia multi-escala de ocupação do solo
CP – Componentes Principais
DR – Detecção Remota
EG – Exactidão Global
EP – Exactidão do Produtor
EU – Exactidão do Utilizador
GDR – Grupo de Detecção Remota
IGP – Instituto Geográfico Português
LANDEO - User driven land cover characterization for multi-scale environmental
monitoring using multi-sensor earth observation data
NDVI – Normalized Difference Vegetation Index
SIG – Sistema de Informação Geográfica
VII
ÍNDICE
RESUMO............................................................................................................ IV
ABSTRACT .........................................................................................................V
Lista de acrónimos.............................................................................................. VI
Índice de Tabelas ................................................................................................ IX
Índice de Figuras...................................................................................................X
1 Introdução .......................................................................................................... 1
1.1 Enquadramento............................................................................................ 1
1.2 Objectivos.................................................................................................... 2
1.3 Organização da dissertação ......................................................................... 3
1.4 Detecção Remota e a classificação de imagens de satélite ......................... 3
1.5 Utilização de imagens AWiFS para cartografia de ocupação do solo ........ 7
2 Dados geográficos ............................................................................................. 9
2.1 Caracterização da área de estudo................................................................. 9
2.2 Imagens AWiFS ........................................................................................ 14
2.3 Dados Auxiliares ....................................................................................... 16
3 Metodologia..................................................................................................... 17
3.1 Pré-processamento..................................................................................... 18
3.2 Nomenclatura de ocupação do solo........................................................... 21
3.3 Amostragem de treino ............................................................................... 24
3.4 Transformação de bandas.......................................................................... 26
3.5 Classificação assistida ............................................................................... 29
3.6 Testes de Classificação.............................................................................. 32
3.7 Avaliação da exactidão temática ............................................................... 34
3.8 Cálculo da distância entre classes da amostra de treino............................ 42
VIII
3.9 Análise da influência das amostras de referência na avaliação da exactidão
..................................................................................................................................... 43
4 Resultados e discussão..................................................................................... 43
4.1 Exactidão global dos testes de classificação ............................................. 43
4.2 Matrizes de confusão dos melhores testes................................................. 50
4.3 Cálculo da distância entre classes da amostra de treino............................ 52
4.4 Análise da influência das amostras de referência...................................... 55
5 Conclusões....................................................................................................... 60
Referências bibliográficas .................................................................................. 63
Anexos ................................................................................................................ 66
Anexo I ............................................................................................................ 67
Anexo II........................................................................................................... 68
Anexo III ......................................................................................................... 71
Anexo IV ......................................................................................................... 72
IX
ÍNDICE DE TABELAS
TABELA 1 – OCUPAÇÃO DO SOLO NA ÁREA DE ESTUDO. .................................................. 12
TABELA 2 - CARACTERÍSTICAS DO SATÉLITE IRS-P6 E DO SENSOR AWIFS (NRSA, 2003).
................................................................................................................................. 14
TABELA 3 – CARACTERÍSTICAS DAS IMAGENS AWIFS UTILIZADAS. ............................... 15
TABELA 4 - NOMENCLATURA DEFINIDA PARA O MAPA DE OCUPAÇÃO DO SOLO............... 22
TABELA 5 - EXEMPLO DE CADA CLASSE DE OCUPAÇÃO DO SOLO ADOPTADA NAS
ORTOIMAGENS. ......................................................................................................... 23
TABELA 6 – NÚMERO DE OBSERVAÇÕES DA AMOSTRA DE TREINO/TESTE POR CLASSE DE
OCUPAÇÃO DO SOLO.................................................................................................. 25
TABELA 7 – VALORES DE VARIÂNCIA EXPLICADA NAS CINCO COMPONENTES E MATRIZ DE
CORRELAÇÕES........................................................................................................... 28
TABELA 8 – CARACTERÍSTICAS DOS TESTES DE CLASSIFICAÇÃO...................................... 33
TABELA 9 – NOMENCLATURA DE OCUPAÇÃO DO SOLO COM 10 E 5 CLASSES. .................. 33
TABELA 10 - RESULTADOS DOS TESTES DE CLASSIFICAÇÃO. .......................................... 49
TABELA 11 – VALORES DE EXACTIDÃO GLOBAL (%) ENTRE TODOS OS MAPAS E TODAS AS
AMOSTRAS DE REFERÊNCIA....................................................................................... 55
X
ÍNDICE DE FIGURAS
FIGURA 1 - ENQUADRAMENTO DA ÁREA DE ESTUDO (FONTE: CAOP, IGP 2010). ........... 10
FIGURA 2 – UNIDADES DE PAISAGEM NA ÁREA DE ESTUDO (FONTE: DGOTDU, 2004)... 11
FIGURA 3 - SATÉLITE IRS-P6 E SENSOR AWIFS (ISRO, 2010). ...................................... 14
FIGURA 4 - EXEMPLO DAS DIFERENTES RESPOSTAS ESPECTRAIS AO LONGO DO ANO DE
ÁREAS AGRO-FLORESTAIS. ........................................................................................ 16
FIGURA 5 – FLUXOGRAMA DE PROCEDIMENTOS. ............................................................. 18
FIGURA 6 – CONSTRUÇÃO DA MÁSCARA DE EXCLUSÃO. .................................................. 20
FIGURA 7 - AMOSTRA DE TREINO..................................................................................... 26
FIGURA 8 – NDVI DE ABRIL E JULHO. ............................................................................. 27
FIGURA 9 - MATRIZ DE CONFUSÃO COM Q CLASSES DE OCUPAÇÃO DO SOLO E ÍNDICES DE
QUALIDADE DO MAPA (FONTE: CARRÃO ET AL. 2007). .............................................. 37
FIGURA 10 – AMOSTRAS DE TESTE. ................................................................................. 39
FIGURA 11 – EXEMPLO DA METODOLOGIA DE CONSTRUÇÃO DAS MATRIZES DE CONFUSÃO
(FONTE: COSTA, 2008). ............................................................................................. 40
FIGURA 12 – EXEMPLO DE UM PIXEL COM UMA OCUPAÇÃO MISTA.................................. 41
FIGURA 13 - MAPAS PRODUZIDOS PARA O TESTE DE CLASSIFICAÇÃO 1............................ 45
FIGURA 14 - MAPAS PRODUZIDOS PARA O TESTE DE CLASSIFICAÇÃO 2............................ 46
FIGURA 15 - MAPAS PRODUZIDOS PARA O TESTE DE CLASSIFICAÇÃO 3............................ 47
FIGURA 16 - MAPAS PRODUZIDOS PARA O TESTE DE CLASSIFICAÇÃO 4............................ 48
FIGURA 17 – MATRIZES DE CONFUSÃO DOS MELHORES TESTES DE CLASSIFICAÇÃO ........ 50
FIGURA 18 – DENDROGRAMAS DAS ASSINATURAS .......................................................... 53
FIGURA 19 – VALORES DE EXACTIDÃO GLOBAL DOS 10 MAPAS POR CADA UMA DAS
AMOSTRAS DE TESTE. ................................................................................................ 57
1
1 INTRODUÇÃO
1.1 ENQUADRAMENTO
O estudo do solo, dos seus usos e ocupações, tem um papel importante no
contexto dos instrumentos de gestão do território (e.g. PROT - Planos Regionais de
ordenamento do Território, PMOT – Planos Municipais de Ordenamento do Território)
e no planeamento (e.g. estudos de impactes ambientais, planos estratégicos, planos de
defesa da floresta contra incêndios, entre outros).
Com o desenvolvimento e disseminação da tecnologia dos Sistemas de
Informação Geográfica (SIG), a informação geográfica tornou-se mais acessível e mais
“solicitada”, tornando-se quase indispensável, principalmente nas áreas de trabalho
relacionadas com o planeamento e o ordenamento do território. Os conceitos de uso e
ocupação de solo tornam-se fundamentais na génese de informação geográfica de base
para a análise e, posteriormente, para produção da cartografia dos instrumentos de
gestão territorial.
Paralelamente, o contínuo desenvolvimento de tecnologia e conhecimento na
área da detecção remota, bem como a crescente acessibilidade a essa tecnologia,
potencia o aumento do seu uso em matérias relacionadas com estudos ambientais e na
área do ordenamento do território. A este facto acrescenta-se a celeridade com que a
informação é solicitada e o acompanhamento da exigência no que respeita ao seu rigor e
exactidão.
A procura cada vez maior de informação, consequência do desenvolvimento
tecnológico anteriormente referido, bem como a crescente necessidade de actualização
da mesma, torna necessário o recurso a técnicas que permitam produzir informação
geográfica de uma forma expedita, rigorosa e económica.
Neste sentido, uma vez que as imagens de satélite são largamente usadas
nomeadamente em procedimentos de classificação automática para produzir este tipo de
cartografia, as técnicas utilizadas na extracção da informação são determinantes para a
definição das especificações dos mapas que originam. Por este motivo, é da maior
2
importância entender a influência que as características técnicas das imagens e as
técnicas de classificação automática exercem na produção cartográfica.
1.2 OBJECTIVOS
Este estudo segue a linha de investigação de outros estudos sobre imagens
AWiFS, no entanto este tem como principal particularidade as especificidades da área
de estudo. Com efeito, um dos objectivos deste estudo é analisar a potencialidade das
imagens AWiFS para a produção de cartografia de ocupação do solo, numa área
confinada ao concelho de Almodôvar, Região do Baixo Alentejo. O elevado
conhecimento da área de estudo e a possibilidade de obtenção de informação auxiliar de
apoio ao processo de classificação foram umas dos factores que permitiram o
desenvolvimento deste estudo.
Os objectivos desta dissertação são os seguintes:
i) Testar métodos de classificação automáticos aplicados numa área muito
confinada, correspondente à envolvente de um concelho, com as
especificidades da paisagem da Região do Baixo Alentejo;
ii) Avaliar a capacidade das imagens AWiFS para originar cartografia de
ocupação do solo numa região com uma paisagem com as características
da área de estudo;
iii) Avaliar a influência de diferentes amostras de teste sobre os resultados da
exactidão temática de todos os mapas produzidos;
iv) Por fim, o objectivo mais importante deste estudo, é que este seja um
meio para a aquisição de conhecimentos e de experiência na área da
detecção remota e processamento digital de imagens, enquadrados nos
pressupostos do curso de Mestrado em Gestão de Território, área de
especialização em Sistemas de Informação Geográficos e Detecção
Remota.
3
1.3 ORGANIZAÇÃO DA DISSERTAÇÃO
A dissertação está dividida em cinco capítulos. No primeiro é feito um breve
enquadramento da temática da detecção remota, a apresentação dos objectivos, uma
revisão de literatura sobre a classificação de imagens em detecção remota e a utilização
de imagens AWiFS.
No segundo capítulo são descritos os dados geográficos utilizados neste estudo,
compostos pela descrição da área de estudo e as imagens AWiFS.
No terceiro capítulo é descrita a metodologia utilizada para a realização dos
diferentes testes de classificação automática com recurso a classificadores assistidos,
segundo um método de extracção da informação ao nível do pixel.
No quarto capítulo são apresentados e analisados os resultados obtidos, com o
objectivo de determinar qual a abordagem de classificação automática que produz os
melhores resultados ao nível da exactidão temática.
Por fim, o quinto capítulo apresenta as conclusões finais dando respostas aos
objectivos propostos, sobre os desempenhos das diferentes abordagens de classificação
automática aplicadas a dados provenientes do sensor AWIFS, e sobre a capacidade da
metodologia utilizada em classificar dados com as especificidades das imagens AWiFS
e da área de estudo.
1.4 DETECÇÃO REMOTA E A CLASSIFICAÇÃO DE IMAGENS DE
SATÉLITE
A aplicação da detecção remota na classificação de imagens tem sido alvo de
pesquisa por parte da comunidade científica, porque os seus resultados são a base de
muitos estudos ambientais e socioeconómicos (Lu e Weng, 2007). De facto, a
cartografia de ocupação do solo é um instrumento fundamental em estudos ambientais,
na tomada de decisão em ordenamento e planeamento do território, e na definição de
políticas de gestão de recursos naturais (Caetano et al., 2002).
Existe um grande esforço por parte da comunidade científica para desenvolver
novas abordagens e técnicas de classificação de dados de detecção remota, com o
objectivo de melhorar a exactidão dos mapas de ocupação e uso do solo resultantes (Pal
4
e Mather, 2003 e Lu e Weng, 2007). No entanto, a classificação de dados de detecção
remota continua a constituir um desafio, devido aos muitos factores envolvidos no
processo, tais como a complexidade da paisagem da área de estudo, as características
dos dados de detecção remota e as abordagens de processamento digital de imagem e
classificação (Lu e Weng, 2007).
O pressuposto da classificação em processamento digital de imagem reside no
princípio de conservação de energia, no qual os fenómenos de reflexão, absorção e
transmissão, dependem, de entre outras, das características físicas, geoquímicas,
biológicas do objecto. Desta forma, torna-se possível discriminar objectos com base na
radiação electromagnética por eles reflectida.
O valor de reflectância de energia num determinado comprimento de onda é
traduzido por número de níveis digitais numa matriz, o que permite observar o
comportamento dos objectos nos diferentes comprimentos de onda que o sensor
consegue medir. A resolução espectral de um sensor é tanto maior quanto maior for o
número de bandas e respectiva largura do comprimento de onda que ele consegue
separar. É esta particularidade que permite discriminar objectos que, embora
tematicamente sejam diferentes, tenham comportamentos espectrais semelhantes, como
são exemplos alguns tipos de alcatrão, lodo e pinheiro bravo.
Por outro lado, quanto maior for a sensibilidade de um sensor relativamente às
diferenças na intensidade da radiação por si captada, maior será a sua capacidade de
discriminar os vários níveis de energia de reflectância. Estes níveis de energia
traduzem-se numa maior quantidade de números digitais observáveis, maior quantidade
de informação em bits, isto é, uma maior resolução radiométrica.
A resolução espacial poderá contornar o problema da discriminação de classes,
pois quanto maior for a resolução espacial, maior será a capacidade do sensor
discriminar objectos próximos. No entanto, existe um compromisso técnico entre
resoluções espacial e espectral porque um grande aumento da resolução espacial
condiciona a resolução espectral. Isto acontece porque com a tecnologia actual, a área
reduzida de cada pixel é insuficiente para reflectir energia passível de ser captada pelos
sensores. Quanto à resolução radiométrica, as capacidades de transmissão de
informação proveniente dos satélites, bem como a capacidade de processamento ao
5
nível de hardware e software, condicionam a utilização de elevadas quantidades de
informação.
Considerando os problemas descritos anteriormente, o conhecimento das
características das imagens e do tipo de informação que se pode extrair delas, é
fundamental para se atingir os objectivos propostos pela classificação adoptada.
Como exemplo, podemos comparar dois tipos de imagens com características
distintas: Quickbird e Landsat 7 ETM+. Enquanto a primeira é superior ao nível da
resolução espacial e radiométrica, a segunda tem maior resolução espectral. Trata-se
pois de conseguir o melhor compromisso entre os objectivos a atingir, as características
das imagens disponíveis, as abordagens da classificação consideradas e, não menos
importante, o tempo e recursos disponíveis.
Existem várias abordagens para a classificação de imagens de satélite, que
podem ser automáticas ou por interpretação visual de imagem. A vantagem da
classificação automática face ao método de análise visual de imagem é a eliminação de
parte ou da totalidade da subjectividade inerente ao processo de análise visual
introduzido pelo foto-intérprete e a automatização de processos, de forma a tornar a
tarefa mais expedita. As técnicas de classificação automática podem ser agrupadas nas
seguintes classificações: supervisionadas ou não supervisionadas; paramétricas ou não
paramétricas; rígidas ou fuzzy; ao nível do pixel ou sub-pixel; orientada a objecto ou
com base no contexto espacial (Lu e Weng, 2007).
A classificação pixel a pixel pode ser supervisionada ou não, sendo que na
primeira são definidas as assinaturas espectrais com base numa amostragem com as
quais o algoritmo de classificação irá calcular a classificação. Existem vários algoritmos
de classificação pixel a pixel, estes são paramétricos ou não paramétricos e a sua escolha
depende das características estatísticas dos dados matriciais que resultam, por exemplo,
da complexidade da paisagem da área de estudo. Um classificador paramétrico muito
utilizado quando os dados seguem uma distribuição normal, com resultados
satisfatórios, é o classificador paramétrico da máxima verosimilhança. Alguns
classificadores não-paramétricos mais utilizados são as redes neuronais e as árvores de
decisão.
6
A abordagem sub-pixel considera a heterogeneidade da paisagem e é útil para
resoluções espaciais de imagem inferiores. Esta assume que o valor de um pixel resulta
da mistura de vários materiais “puros”, determinando-se o contributo de cada elemento
puro no valor final da reflectância do pixel. Existem classificadores como por exemplo:
fuzzy imagine e fuzzy (Huguenin et al., 1997 in Lu e Weng, 2007).
A classificação por objecto é um processo de segmentação de imagem onde se
fundem os pixels em objectos e na qual a classificação é aplicada aos mesmos. O
classificador utilizado é o ecognition. Este método depende de uma grande variedade de
parâmetros (e.g. textura e forma) para segmentação dos objectos, o que torna o processo
complexo.
A abordagem pelo contexto espacial caracteriza-se por utilizar dados auxiliares
de contexto que permitem orientar a classificação para além dos dados espectrais. Esta
técnica utiliza os matriciais e vectoriais através de um SIG.
Embora hajam grandes avanços tecnológicos na área da detecção remota, com o
lançamento de satélites com sensores de maiores resoluções e melhoramento de
algoritmos de extracção de informação, não se atingiu um patamar técnico que permita a
generalização da utilização de técnicas de classificação automática de imagens. De um
modo geral, existe um elevado número de variáveis envolvidas neste processo, o que o
torna muito complexo e muito dependente de supervisão.
O sucesso na obtenção de resultados que atinjam os objectivos pretendidos
depende de um grande conjunto de decisões, que percorrem toda a cadeia de produção
do processo de classificação, que vão desde a escolha da classificação (nomenclatura)
até ao processo de determinação de rigor temático.
7
1.5 UTILIZAÇÃO DE IMAGENS AWIFS PARA CARTOGRAFIA DE
OCUPAÇÃO DO SOLO
No âmbito do programa Natural Resource Census (NR-Census) inserido no
National Natural Resources Management System, o Departamento do Espaço do
governo indiano, desde 2004, tem desenvolvido e implementado métodos automáticos
para produzir anualmente cartografia de ocupação do solo à escala 1:250.000 (NRSA,
2005 in Costa, 2008).
Foram produzidas cartografia para os anos de 2004/2005, 2005/2006 e
2006/2007. Para cada data, foram usadas, respectivamente, 680, 762 e 802 quadrantes
de imagens AWiFS, adquiridas durante 10 meses para cada época de produção agrícola
na Índia: kharif (Agosto-Outubro), Rabi (Janeiro-Março) e Zaid (Abril-Maio). Para a
classificação automática dos dados multitemporais AWiFS, utilizaram o classificador de
árvores de decisão. A cartografia produzida para os três momentos temporais alcançou
elevadas percentagens de exactidão global. A cartografia de 2004/2005 apresenta 83% a
87% de exactidão global, dependendo do estado. A cartografia de 2005/2006 atingiu
86% a 95% e a cartografia de 2006/2007 atingiu 83% a 95% (Costa, 2008).
O Instituto Geográfico Português (IGP), através do Grupo de Detecção Remota
(GDR), tem vindo utilizar e a explorar as imagens AWIFS. No âmbito do projecto Carta
de Ocupação do Solo para Portugal Continental (COS’2007), utilizaram duas coberturas
nacionais de imagens de satélite AWIFS, adquiridas em diferentes estações como
informação auxiliar. Esse projecto teve por objectivo a actualização da edição anterior
(COS’90), introduzindo uma série de alterações significativas ao nível das
especificações gerais, nomenclatura e regras de generalização, e incluindo uma
avaliação da qualidade temática e geométrica (Caetano et al., 2008).
Costa (2008) explorou um conjunto de dados intra-anual composto por três
imagens AWiFS (Abril, Julho e Outubro de 2006). O estudo enquadrou-se no âmbito do
projecto COSMIC (Cartografia multi-escala de ocupação do solo, projecto financiado
pelo PIDDAC, DGR/IGP, 2006-2009), e teve por objectivo avaliar as imagens e
métodos automáticos de produção que possam derivar cartografia de ocupação do solo
de Portugal Continental. Foram testados dois classificadores: um classificador
8
paramétrico (classificador da máxima verosimilhança) e um classificador não
paramétrico (árvores de decisão). A exactidão global dos mapas produzidos variou entre
os 60% e 72% com uma nomenclatura de, respectivamente, 15 e 10 classes de ocupação
do solo, respectivamente. Segundo este autor, os resultados obtidos sugerem que as
imagens AWiFS apresentam algumas limitações para derivar cartografia de ocupação
do solo de Portugal Continental. Ao nível da metodologia, os resultados revelam que as
árvores de decisão são um classificador vantajoso relativamente ao classificador da
máxima verosimilhança porque permite uma fase de treino mais rápida e com um menor
esforço de amostragem sem perdas de exactidão temática. O autor igualmente concluiu
que os resultados da exactidão temática dos mapas deveu-se mais aos dados contidos
nas imagens AWiFS do que propriamente devido à desadequação das abordagens da
classificação ou da amostra de treino.
Noutro estudo, Costa et al. (2008) analisaram a influência da resolução espacial,
espectral e temporal das imagens de satélite na produção automática de cartografia de
ocupação do solo. Utilizaram imagens MERIS e AWiFS para produzir e comparar
diversos mapas de ocupação do solo. Esses mapas foram produzidos por métodos
automáticos com base em diferentes abordagens, onde fizeram variar o número de datas,
o número de bandas e o classificador. Os resultados por eles obtidos sugerem que a
resolução espacial não é determinante na exactidão global do mapa de ocupação do solo
produzido. A sua influência é principalmente sentida no que respeita ao treino da
classificação assistida, para o qual é necessário um maior esforço de amostragem à
medida que a resolução espacial aumenta. Por outro lado, os resultados demonstraram
que a maior disponibilidade de informação temporal e, principalmente, de informação
espectral, é bastante valiosa para a melhoria da exactidão da classificação. A exactidão
global dos mapas produzidos com mapas AWiFS variou entre os 52% e os 64%,
enquanto que para as imagens MERIS variou entre 46,8% e 73%.
Costa e Caetano (2009), exploram a produção de mapas de ocupação do solo
através de uma abordagem combinada pixel/objecto. Esta foi uma combinação da
classificação por parcelas e da análise orientada por objectos, na medida em que a
unidade de classificação consistiu em objectos derivados da segmentação das imagens
AWiFS e a sua classificação baseou-se na classificação ao nível do pixel. Segundo estes
autores, a classificação automática ao nível do pixel, mesmo recorrendo a
9
classificadores recentes que permitem ultrapassar algumas limitações dos
classificadores paramétricos, pode não ser suficiente para extrair toda a informação
registada em imagens de satélite. Para além da informação espectral ao nível do pixel
fornecida pelas imagens AWiFS, a sua segmentação e a integração de objectos na
classificação permitiu acrescentar relações espaciais ao nível da paisagem e aumentar a
exactidão temática da cartografia. A exactidão global do mapa produzido com esta
técnica foi de 66,9%.
2 DADOS GEOGRÁFICOS
Este capítulo descreve a área de estudo na qual incidem os testes de classificação
de cartografia de ocupação do solo, procurando-se caracterizá-la numa perspectiva de
preparação para o processo de classificação, nomeadamente ao nível da caracterização
da paisagem e da ocupação do solo. Neste capítulo são ainda descritos os dados de base
utilizados, constituídos por imagens do sensor AWiFS, bem como os dados auxiliares
usados.
2.1 CARACTERIZAÇÃO DA ÁREA DE ESTUDO
A área de estudo localiza-se, na sua maior parte, no concelho de Almodôvar,
estendendo-se aos concelhos envolventes, numa área total de 119.231,28 hectares
(Figura 1). Deste modo, em termos administrativos enquadra-se em duas sub-regiões:
Baixo Alentejo e Algarve; pertencendo a maior parte do território ao distrito de Beja
(sub-região do Baixo Alentejo).
10
Figura 1 - Enquadramento da área de estudo (fonte: CAOP, IGP 2010).
A paisagem constitui um sistema complexo e dinâmico, onde os diferentes
factores naturais e culturais se influenciam mutuamente e evoluem em conjunto ao
longo do tempo, determinando e sendo determinados pela estrutura global (Forman e
Godron, 1986; Naveh e Lieberman, 1994; Zonneveld, 1990 in Pinto-Correia et al.,
2001). Existe uma variedade de factores como a litologia, o relevo, a hidrografia, o
clima, os solos, a flora e a fauna, a estrutura ecológica, o uso do solo, todas as outras
expressões da actividade humana ao longo do tempo, bem como a sua interacção, que
permitem compreender a paisagem (Pinto-Correia et al., 2001).
A ocupação do solo é um factor que se reflecte na paisagem e que resulta da
interacção dos factores acima enunciados. A caracterização da paisagem irá fornecer
informação sobre as classes de ocupação do solo a considerar, as dinâmicas que lhes
estão associadas e a sua complexidade.
O estudo Contributos para a Identificação e Caracterização da Paisagem em
Portugal Continental (DGOTDU 2004) identificou 128 unidades de paisagem para
Portugal Continental. Estas unidades foram agrupadas em 22 grupos, associando
unidades com características físicas semelhantes mas também com traços comuns
quanto à ocupação humana. Nesse estudo foram considerados a litologia, a morfologia,
11
a hidrografia, os solos, o uso do solo, a estrutura da propriedade e outras variáveis como
o clima e a proximidade dos oceanos (Pinto-Correia et al., 2001).
Segundo DGOTDU (2004), a área de estudo é composta por duas unidades de
paisagem: 115 – Campos de Ourique/Almodôvar/Mértola e 122 – Serra do Caldeirão.
Estas duas unidades pertencem a diferentes a grupos de unidades: S- Baixo Alentejo e U
– Serras do Algarve e do Litoral Alentejano, o que indica que as unidades identificadas
têm um grau de diferenciação importante (Error! Reference source not found.).
Grupos de Unidade de Paisagem
A – Entre Douro e Minho B – Montes Entre Larouco e Marão C – Trás-os-Montes D – Área Metropolitana do Porto E - DouroF – Beira Alta G – Beira InteriorH – Beira Litoral I – Maciço CentralJ – Pinhal do Centro K – Maciços Calcários da Estremadura L – Estremadura - Oeste M - Área Metropolitana de Lisboa - Norte N – Área Metropolitana de Lisboa - Sul O - Ribatejo P – Alto Alentejo Q – Terras do Sado R - Alentejo Central S – Baixo Alentejo T – Costa Alentejana Sudoeste Vicentino U – Serras do Algarve e do Litoral AlentejanoV - Algarve
Figura 2 – Unidades de Paisagem na área de estudo (Fonte: DGOTDU, 2004).
Da caracterização detalhada de cada unidade (DGOTDU, 2004), destaca-se o
seguinte:
115 - Campos de Ourique/Almodôvar/Mértola: esta unidade apresenta
variações no padrão da paisagem, baseadas na presença de manchas de montado de
azinho mais ou menos denso alternadas com superfícies de campos abertos ou com
escassa presença de árvores, tais variações justificam a delimitação de três sub-
unidades de paisagem: Sub-Unidade de paisagem 115a - Campos do Guadiana: Áreas
de montado de azinho e de sobro com cereal; Paisagem levemente ondulada, com
12
relativa aridez; Sub-Unidade de paisagem 115b: Campos de Mértola: presença de
alguns relevos residuais cobertos por matos, que sobressaem das áreas aplanadas de
estevais; Sub-unidade de paisagem 115c: Campos de Ourique e Almodôvar, Montados
de azinho e de sobro num relevo muito ondulado; Zona a nascente mais aplanada com
predomínio das culturas arvenses e de pousios.
122 – Serras do Caldeirão: a serra separa a peneplanície alentejana da
plataforma litoral algarvia; na serra a vegetação é mais densa com domínio de matos,
montados e áreas florestais (essencialmente eucalipto e pinheiro, sobretudo nos
povoamentos mais recentes); No interior desta unidade verificam-se algumas
especificidades que justificam três sub-unidades: A oeste, sub-unidade 122a: áreas
florestais contínuas de pinhais e eucaliptais; presença das linhas de água afluentes do
Rio Mira, a montante da albufeira de Santa Clara, presença de galerias ripícolas
bastante bem constituídas. No centro, sub-unidade 122b – que inclui parte da Serra do
Caldeirão, presença de sobreiro quase sempre com matos a revestir o solo, no entanto
aqui também o eucaliptal ocupa extensas superfícies onde antes existiam matos e
sobreiros; para Norte, na proximidade de Almodôvar verifica-se a substituição do
sobreiro pela azinheira. Apenas nos vales mais encaixados se encontram vestígios de
vegetação natural. A leste, a sub-unidade 122c: no prolongamento da Serra do
Caldeirão até o Vale do Guadiana: solos actualmente cobertos por pastagens pobres e
estevais ou saragaçais.
Em termos de ocupação do solo, segundo a informação da carta CORINE Land
Cover 2006 (IGP, 2010), 36,8% da área de estudo é composta por áreas agrícolas
heterogéneas (Tabela 1). Isto é, verifica-se que a maior parte da área é constituída por
classes de ocupação do solo associadas a sistemas de uso múltiplo, como são por
exemplo, os agro-florestais e silvopastoris, dos quais o montado é o uso do solo mais
característico na região onde se insere a área de estudo.
Tabela 1 – Ocupação do solo na área de estudo.
Nível 2 da Nomenclatura CORINE Área (ha) % de Ocupação
13
11 - Tecido urbano 228 0.2 12 - Indústria, comércio e transportes 137 0.1 21 - Culturas anuais 17063 14.3 22 - Culturas permanentes 145 0.1 23 - Pastagens 270 0.2 24 - Áreas agrícolas heterogéneas 43883 36.8 31 - Florestas 23542 19.7 32 - Vegetação arbustiva e herbácea 33782 28.3 51 - Águas interiores 182 0.2
Os montados são paisagens do tipo agro-silvo-pastoril, estes são caracterizados
por uma dispersão de espécies arbóreas do género Quercus (Stanners e Bourdeau,
1995), são povoamentos mais ou menos abertos e monoespecíficos que obrigam, como
sistemas humanizados que são, a intervenções periódicas para que não se degradem por
evolução natural (Silva, 1992). Os montados são sistemas de exploração com valores de
diversidade elevados. A riqueza específica, que é o índice mais simples para medir a
diversidade biológica de um sistema (Begon et al., 1996 in Diaz, 1997), tende a ser
maior nos montados do que em outros tipos de habitats, tanto naturais como explorados
pelo Homem.
Em suma, o uso com maior expressão espacial é o montado que se traduz em
áreas agrícolas heterogéneas. Este uso apresenta um carácter híbrido em termos de
utilização do solo e de transição entre as florestas fechadas e os campos abertos, cujo
sistema de maneio origina dinâmicas de ocupação do solo geralmente intra-anuais.
As unidades de paisagem indicam uma forte diferenciação entre o Norte e o Sul
da área de estudo, pelo facto desta ser composta por duas unidades de paisagem, que são
de grupos de unidades diferentes. Existe também uma diversidade considerável dentro
das unidades de paisagem justificada pela delimitação de três sub-unidades em cada
uma delas.
14
2.2 IMAGENS AWIFS
O sensor AWiFS (Advanced Wilde Field Sensor) foi lançado a 17 de Outubro de
2003 pelo Indian Space Research Organization (ISRO), a bordo do satélite IRS-P6
também conhecido por ResourceSat-1 (Figura 3). Os principais objectivos deste satélite
são de fornecer dados de detecção remota para aplicação na gestão de recursos naturais,
estudos relacionados com monitorização de culturas ao nível da produção e de pragas e
doenças, monitorização de catástrofes naturais e planeamento urbano (NRSA, 2003).
Para além do sensor AWiFS, o satélite tem a bordo mais dois instrumentos de
observação da terra: o Linear Imaging Self Scanner-4 (LISS-4) e o multi-spectral
Linear Imaging Self Scanner-3 (LISS-3) (NRSA, 2003).
Figura 3 - Satélite IRS-P6 e sensor AWiFS (ISRO, 2010).
O sensor AWiFS dispõe de uma resolução espectral de quatro bandas e uma
resolução espacial de 56 m. A largura de imagem (swath) é de 740 km, que resulta da
combinação dos dois módulos electro-ópticos (AWiFS A e AWiFS B) que o compõe e
que cujos swath é de 370 km (NRSA, 2003). As principais características do satélite
IRS-P6 e do sensor AWiFS resumem-se na Tabela 2.
Tabela 2 - Características do satélite IRS-P6 e do sensor AWiFS (NRSA, 2003).
15
Características técnicas do Satélite IRS-P6 Lançamento 17 de Outubro de 2003 Órbita: Circular quase polar, hélio-síncrona Altitude da órbita: 817 km Inclinação da órbita: 98.7 graus Periodicidade da órbita: 101.35 minutos Repetitividade: 341 órbitas/ciclos em 24 dias Horário solar de passagem no equador: 10:30 Capacidade de revisita 5 dias Características técnicas do sensor AWiFS Swath 740 Km Resolução espacial 56 metros (no Nadir) - 70 metros Resolução radiométrica (bits) 10 bits Especificações das bandas espectrais do sensor AWiFS Bandas Zona do espectro
electromagnético Intervalo de comprimento de onda (μm)
1 Verde 0.52 - 0.59 2 Vermelho 0.62 - 0.68 3 Infravermelho próximo 0.77 - 0.86 4 Infravermelho médio 1.55 - 1.70
Os dados AWiFS utilizados nesta dissertação foram cedidos pelo IGP através do
Grupo de Detecção Remota (Tabela 3). Estes encontravam-se corrigidos
geometricamente e georeferenciados ao datum WGS84 e projectados na projecção
Cónica Conforme de Lambert. Os dados foram ortorectificados pelo GDR para o
sistema PT-TM06-ETRS89, com recurso a um Modelo Digital de Elevação de 50 m de
resolução espacial.
Tabela 3 – Características das imagens AWiFS utilizadas.
Parâmetros de aquisição das imagens AWiFS Imagem Data de aquisição Elevação solar Azimute solar
Resolução espacial
Primavera 27/04/2006 63.0º 149.6º Verão 28/07/2006 64.0º 133.0º
Outono 13/10/2006 42.1º 160.3º 60m
A utilização de dados intra-anuais tem como propósito a obtenção de informação
adicional no que concerne à distinção sobre os diferentes estados espectrais da paisagem
(Figura 4). Esta abordagem justifica-se pelo que foi descrito no capítulo 2.1,
16
relativamente à caracterização da paisagem e da ocupação do solo. Deste modo,
pretende-se aumentar a capacidade de discriminação das classes de ocupação do solo.
Abril
Julho
Outubro
Figura 4 - Exemplo das diferentes respostas espectrais ao longo do ano de áreas agro-florestais.
2.3 DADOS AUXILIARES
Foram utilizados como dados auxiliares ortoimagens adquiridas em Julho de
2006, da propriedade do IGP e da Associação de Municípios do Baixo Alentejo e
Alentejo Litoral (AMBAAL), do concelho de Almodôvar e da sua área envolvente.
Estes dados têm uma resolução espacial de 0,4 m.
17
3 METODOLOGIA
Apesar da considerável quantidade de projectos de cartografia de ocupação do
solo desenvolvidos, não existe uma metodologia padrão para a produção automática ou
semi-automática de cartografia com base em dados de satélite (Caetano et al., 2002). De
facto, o processo de classificação de dados de detecção remota é complexo. Contudo, de
um modo geral, as principais etapas da classificação de imagens passam por (Jensen,
1996, Lillesand et al., 2004):
• Pré-processamento dos dados;
• Transformação de bandas;
• Extracção da informação temática;
• Integração de informação auxiliar;
• Avaliação da exactidão temática.
Este estudo teve como referência a metodologia utilizada no projecto COSMIC,
amplamente utilizada em estudos de produção de cartografia de ocupação do solo
derivada de imagens de satélite. Por sua vez, os testes de classificação adoptados nesta
dissertação e apresentados detalhadamente no capítulo 3.6 Testes de Classificação
seguiram a linha de investigação desenvolvida e apresentada em Costa (2008).
Deste modo, embora o processo seja sequencial, as diferentes fases interagem de
forma progressiva e retroactiva, conforme se pode observar no fluxograma de
procedimentos ilustrado na Figura 5.
18
Figura 5 – Fluxograma de procedimentos.
3.1 PRÉ-PROCESSAMENTO
Como foi descrito no capítulo 2.2 Imagens AWiFS, ao nível do pré-
processamento, os dados AWiFS utilizados foram previamente ortorectificados pelo
GDR/IGP. No entanto, foram identificadas áreas encobertas por nuvens e respectivas
sombras na imagem datada de Outubro. Estas áreas foram excluídas da análise por não
permitirem fornecer informação relativa à ocupação do solo naquela data.
O procedimento adoptado foi o da criação de uma máscara de exclusão, criada
com base na identificação prévia das áreas de nuvens e respectivas sombras através da
técnica de classificação não assistida com o classificador K-means.
A técnica com classificador K-means permite ao operador definir um número de
clusters para organizar os dados. O algoritmo localiza o centro desses clusters no
espaço de mensuração multidimensional. A cada pixel da imagem é então designado um
cluster cujo vector médio calculado é o mais próximo. Após todos os pixels terem sido
classificados dessa forma, são recalculados vectores médios para cada um dos clusters.
19
Estes últimos vectores são então usados como base para reclassificar a imagem. Este
procedimento continua até que não haja diferenças significativas na localização dos
vectores médios de cada classe entre cada iteração sucessiva do algoritmo (Lillesand et
al., 2004).
Para o presente estudo executou-se a referida classificação não assistida com 15
clusters. Do total destes 15 clusters observaram-se e seleccionaram-se aqueles que
integram dados correspondentes a nuvens e sombras. Posteriormente, através de
inquirição, seleccionaram-se as classes anteriormente identificadas, isolando-as e
seleccionando-se igualmente os pixels em redor recorrendo a um buffer de 20 m, de
forma a garantir a selecção de pixels de sombras e nuvens. Editaram-se manualmente
algumas áreas (nuvens e sombras não isoladas anteriormente) e removeram-se as áreas
seleccionadas como sombras, mas que representavam planos de água, bem como áreas
de elevado brilho, como solo nu e solo urbano, confundido com nuvens. Este
procedimento foi realizado recorrendo à comparação das imagens de Outubro e Abril, o
que permitiu diferenciar as sombras dos planos de água, nuvens de solo nu ou solo
impermeabilizado (urbano) (Figura 6). Feita a identificação e isolamento das áreas
referidas, procedeu-se à criação de uma máscara de exclusão.
Verificou-se que a imagem de Outubro tem cerca de 16% da área encoberta por
nuvens e sombras. Esta não reúne condições para ser utilizada nas análises subsequentes
porque a área ocupada por nuvens e sombras implicaria a rejeição de 76 amostras de
treino o que, considerando o tamanho da área de estudo, iria condicionar drasticamente
a qualidade das amostras de treino.
20
Imagem AWiFs Outubro I
magem AWiFS Abril
Sobre ortoimagem Imagem de Outubro após extracção de áreas de nuvens e sombras.
Figura 6 – Construção da máscara de exclusão.
A classificação não assistida com o classificador K-means foi realizada com
recurso ao software IDRISI The Andes Edition®. O processo de identificação,
isolamento, edição manual e criação da máscara de nuvens foi elaborado com recurso ao
software ArcGIS 9.3®.
21
3.2 NOMENCLATURA DE OCUPAÇÃO DO SOLO
A nomenclatura adoptada teve por base a nomenclatura LANDEO. O projecto
LANDEO (User Driven Land Cover Characterization for multi-scale environmental
Monitoring Using multi-Sensor Earth Observation Data) foi conduzido pelo Grupo de
Detecção Remota do IGP, entre 2004 e 2007, e teve como principal objectivo a
produção anual de cartografia de ocupação de solo para Portugal Continental.
No âmbito desse projecto, foi desenvolvida uma nomenclatura para ser aplicada
na produção de cartografia de ocupação do solo através de metodologias de
classificação automática a diferentes escalas de análise. Esta nomenclatura foi
igualmente desenvolvida com o objectivo de contribuir para a normalização de
nomenclatura de ocupação do solo, permitindo uma comparação entre cartografias
produzidas com diferentes nomenclaturas (e.g. IGBP – International Geosphere-
Biosphere Programme, CLC – Corine Land Cover e GLC – Global Land Cover).
A nomenclatura LANDEO foi produzida a partir do Land Cover Classification
System (LCCS) da Food and Agriculture Organization (FAO) (Araújo e Caetano,
2006). Esta está estruturada hierarquicamente em cinco níveis, podendo classificar
ocupações observadas a diferentes escalas. Quando aplicada com o maior detalhe
possível, a nomenclatura LANDEO classifica a ocupação do solo em 37 classes. No
nível 1, divide-se em sete tipos principais de ocupação de solo (áreas artificiais, áreas
agrícolas, áreas de vegetação natural e semi-natural, mosaicos, zonas húmidas, zonas de
solo nu e corpos de água). Os restantes níveis dividem cada classe do nível anterior em
classes cada vez mais detalhadas, num total de 37 classes no quinto nível (Anexo II).
A nomenclatura acima apresentada serviu de base para definição da
nomenclatura adoptada, ou seja, foi sendo desenvolvida ao longo de um processo
interactivo entre as diferentes fases do procedimento, nomeadamente entre os processos
de amostragem de treino e os resultados preliminares de testes de exactidão temática. A
nomenclatura de ocupação do solo foi definida considerando as características da área a
cartografar, a abordagem de classificação que é pixel a pixel, a resolução espacial das
imagens. Das 37 classes originais, seleccionaram-se e adaptaram-se 10 classes (Tabela
4).
22
Tabela 4 - Nomenclatura definida para o mapa de ocupação do solo.
Código Classe de ocupação do solo 1 Corpos de água 2 Área urbana contínua 3 Área urbana descontínua 4 Vegetação herbácea natural e sequeiros 5 Matos 6 Vegetação esparsa 7 Culturas permanentes perenifólias (pomares, olivais) 8 Novas plantações/arborizações 9 Floresta fechada de folhosas
10 Floresta aberta de folhosas
A classe 4 engloba duas classes LANDEO que são Culturas de sequeiro e
Vegetação herbácea natural, isto porque o tipo e fenologia de vegetação são muito
semelhantes. Com efeito, estas são compostas na sua grande parte por espécies anuais
que dependem directamente da precipitação. Essas semelhanças poderiam resultar em
confusão ao nível da classificação dessas duas classes, como corroboram os resultados
de Costa e Caetano (2009). Desta forma associaram-se essas duas classes, obtendo então
a classe Vegetação herbácea natural e sequeiros. A classe 6 - vegetação esparsa foi
considerada nas situações em que essa caracteristica se manteve de uma forma
permanente, pelo menos ao longo do periodo temporal de estudo (Abril-Julho-Outubro).
Consequentemente, os pixels deveriam apresentar um elevado brilho nas imagens das
três épocas, corroborado pelas ortoimagens. Desta forma, evita-se se a confusão entre
áreas de vegetação esparsa com áreas temporariamente despidas de vegetação devido às
dinámicas resultantes do maneio do solo, como é no caso das culturas anuais.
O Anexo III apresenta a correspondência entre as classes adoptadas e a
nomemclatura LANDEO. A Tabela 5 apresenta exemplos de amostras recolhidas de
cada classe.
23
Tabela 5 - Exemplo de cada classe de ocupação do solo adoptada nas ortoimagens.
1 - Corpos de água 2 – Áreas urbanas contínuas 3 - Áreas urbanas descontínuas
4 - Vegetação herbácea natural e sequeiros (sobre ortoimagem)
4 - Vegetação herbácea natural e sequeiros (mesmo pixel sobre
imagem de Abril)
4 - Vegetação herbácea natural e sequeiros (mesmo pixel sobre
imagem de Julho)
5 - Matos 6 - Vegetação esparsa (sobre ortoimagem)
6 - Vegetação esparsa (mesmo pixel sobre imagem de Abril)
6 - Vegetação esparsa (mesmo pixel sobre imagem de Julho)
7 - Culturas permanentes perenifólias (pomares, olivais)
8 - Novas plantações/arborizações
24
9 - Floresta fechada de folhosas 10 - Floresta aberta de folhosas
3.3 AMOSTRAGEM DE TREINO
Num processo de classificação assistida é necessário recorrer a um conjunto de
dados que servem para treinar o classificador a identificar, na área de estudo, as classes
de ocupação do solo definidas.
A representatividade das amostras de treino é um factor crítico no processo de
classificação de imagens (Hubert-Moy et al., 2001, Chen e Stow, 2002; Landgrebe,
2003 e Mather, 2004 in Lu e Weng, 2007). Assim, pretende-se com a amostragem de
treino reunir um conjunto de dados estatísticos que descrevam o padrão da resposta
espectral de cada classe de ocupação do solo a determinar numa imagem (Lillesand et
al., 2004).
A amostragem de treino consistiu na selecção determinística de pixels isolados
na área de estudo, procurando-se reduzir dessa forma efeitos de auto-correlação. A
recolha de amostras isoladas, comparativamente a outras estratégias de amostragem (por
exemplo, amostragem em blocos de pixels), mostra melhores resultados na classificação
assistida de imagens de satélite. Com efeito, a recolha de pixels isolados distribuídos
pela área de estudo é mais representativa da área a classificar, pois esta abrange mais
eficazmente a variabilidade espectral de cada classe de ocupação do solo (Campell,
1981e Labovitz, 1986 in Costa, 2008).
O processo de amostragem de treino baseou-se na análise das imagens AWiFS,
através fotointerpretação das ortoimagens AMBAAL/IGP da área de estudo, com
resolução de 40 cm, obtidas num voo de 2006, o mesmo ano de recolha dos dados de
AWiFS Também o conhecimento da área de estudo e confirmações no terreno
auxiliaram o processo de identificação amostragem.
O número mínimo de observações recolhidas, por classe da amostra de treino,
foi de 35. Este valor corresponde a uma regra empírica, segundo a qual, para que seja
possível estimar os parâmetros de uma população com uma distribuição normal
multivariada, são necessários que n e n-p sejam maiores ou igual a 25/30, com n =
dimensão da amostra e p = número de variáveis (Johnson e Wichern, 1998 in Araújo,
2008). Neste caso, para um total de 10 classes de uso do solo consideradas, temos
25
n=p+25/30; n=35/40. O número total de amostras de treino recolhido por classe de
ocupação do solo pode ser observado na Tabela 6.
Tabela 6 – Número de observações da amostra de treino/teste por classe de ocupação do solo.
Classe N.º amostras 1 Corpos de água 41 2 Área urbana contínua 42 3 Área urbana descontínua 42 4 Vegetação herbácea natural e sequeiros 40 5 Matos 47 6 Vegetação esparsa 35 7 Culturas permanentes perenifólias (pomares, olivais) 43 8 Novas plantações/arborizações 41 9 Floresta fechada de folhosas 42 10 Floresta aberta de folhosas 42
A base de dados de treino foi construída através de uma amostragem
determinística onde os pixels foram recolhidos de forma dispersa para evitar efeitos de
auto-correlação espacial, aumentando assim a probabilidade de que a amostra seja
representativa de todas as variações que as diferentes classes apresentam na imagem.
Foram recolhidas 415 unidade de amostras de treino na área de estudo, procurando-se
recolher amostras de treino de pixels puros de cada classe de ocupação do solo (Figura
7). A amostra de treino foi comum em todos os testes de classificação, reduzindo-se
deste modo a variabilidade introduzida pela amostra, na comparação dos mapas das
diferentes abordagens de classificação.
Este processo foi realizado recorrendo ao software ArcGIS 9.3®.
26
Figura 7 - Amostra de treino.
3.4 TRANSFORMAÇÃO DE BANDAS
A selecção de variáveis ajustadas é uma etapa importante para o sucesso da
classificação dos dados de satélite (Lu e Weng, 2007). Em muitos estudos, a melhoria
da extracção da informação é feita com recurso à transformação de bandas, como por
exemplo, a análise de componentes principais e os índices de vegetação (Caetano et al,
2002). O objectivo é diminuir a redundância inerente aos dados de detecção remota ou
ainda extrair uma informação específica da ocupação do solo (Lu e Weng, 2007).
Os índices de vegetação resultam de combinações matemáticas de duas ou mais
ou mais bandas e, de uma forma geral, são concebidos com o objectivo de estimar a
abundância de vegetação em cada pixel (Huete, 1989 in Caetano et al., 2002). Apesar de
existir uma grande variedade de índices, o mais utilizado é o Normalized Difference
Vegetation Index (NDVI) desenvolvido por Rouse et al., (1973) e Jensen (1996). O
NDVI é baseado nas bandas Infra-Vermelho Próximo (IVP) e o Vermelho (V), e é
calculado pela seguinte expressão:
27
O NDVI tem uma forte correlação positiva com acumulação de biomassa, com
actividade clorofilina, com o índice de área foliar e com a actividade fotossintética.
Tratando-se de um índice normalizado, os valores deste variam entre 1 e -1. As áreas
com vegetação têm elevados valores do índice, enquanto que as nuvens, água e neve
terão valores negativos. Quanto ao solo nu e áreas rochosas corresponde a um valor
próximo de 0 (Lillesand et al., 2004). O índice de vegetação normalizado atenua as
variações das condições de iluminação resultante de relevos acidentados (Holben e
Justice, 1981 in Caetano et al., 2002; Lillesand et al., 2004). Para além deste aspecto, os
índices de vegetação realçam o contraste da vegetação relativamente aos outros
elementos que compõe a ocupação do solo, como por exemplo, as áreas artificializadas
e água (Figura 8).
Figura 8 – NDVI de abril e Julho.
A análise de componentes principais (ACP) é utilizada para comprimir a
informação de um determinado número de bandas de imagens, por exemplo, de sete
bandas espectrais para duas ou três componentes principais (CP) da mesma imagem
(Jensen, 1996).
As imagens geradas por dados provenientes de vários comprimentos de onda,
apresentam, muitas vezes, a mesma informação. A transformação de dados com ACP
foi criada para reduzir essa redundância dos dados multi-espectrais (Lilesand et al.,
2004). O resultado da ACP traduz-se num novo espaço multivariado, no qual o primeiro
componente principal tem a maior variância, o segundo tem a segunda maior variância
28
não descrita no primeiro, e assim sucessivamente até à última componente definida.
Geralmente, os três a quatro primeiros componentes descrevem mais de 95% da
variância. Os restantes componentes tendem a ser dominados pela presença de ‘ruído’.
Ao rejeitar os restantes componentes, a quantidade de dados é reduzida com uma perda
de informação pouco significativa. Desta forma é possível usar a ACP para remover o
‘ruído’ (Eastman, 2006). Essa transformação geralmente aumenta a eficiência
computacional do processo de classificação, porque pode resultar na redução da
dimensionalidade dos dados originais (Lillesand et al., 2004).
Pretendeu-se avaliar a exactidão da classificação obtida com a redução da
dimensionalidade das variáveis de input. Neste sentido, procedeu-se ao cálculo das
componentes principais reduzindo as oito bandas contidas nas imagens de Julho e Abril
para cinco componentes. A Tabela 7 apresenta os valores de variância explicada nas
cinco componentes e apresenta a matriz de correlações entre as bandas e as
componentes.
A criação de inputs de NDVI e da ACP foram realizadas recorrendo ao software
IDRISI The Andes Edition®.
Tabela 7 – Valores de variância explicada nas cinco componentes e matriz de correlações.
COMPONENTE C 1 C 2 C 3 C 4 C 5
% variância 75.5 11.6 6.2 4.1 1.6
% variância acumulada 75.5 87.1 93.3 - -
Coeficientes de correlação
awifsabril1 0.542748 0.161346 -0.552579 0.179508 -0.300226
awifsabril2 0.456526 0.401053 -0.576526 0.16249 -0.310201
awifsabril3 0.744070 -0.591704 -0.20918 0.227287 -0.002267
awifsabril4 0.487968 0.589022 -0.624655 0.015805 0.125744
awifsjulho1 0.842567 0.363147 0.139612 0.146148 -0.260044
awifsjulho2 0.890758 0.287500 0.146930 0.136619 -0.263518
awifsjulho3 0.633944 0.398090 0.348379 0.516215 0.218857
awifsjulho4 0.988390 -0.008668 -0.576526 0.16249 0.033449
29
3.5 CLASSIFICAÇÃO ASSISTIDA
A classificação assistida é uma das principais etapas deste estudo. Esta fase é
muito importante porque a comparação das diferentes abordagens de classificação
utilizadas neste estudo, são o fundamento dos testes cujos resultados serão apresentados
e discutidos posteriormente no capítulo 4.
Conforme se pode observar no fluxograma de procedimentos (Figura 5), devido
à interactividade entre as diferentes etapas do processo de classificação de imagens, a
classificação assistida orientou directamente várias fases do processo. Com efeito, os
resultados de testes preliminares com classificações conduziram os outros
procedimentos tais como: a definição da nomenclatura de ocupação do solo, a
amostragem de treino e a definição dos testes de classificação.
A classificação assistida é um processo no qual as classes de ocupação do solo
previamente definidas são identificadas na imagem, atribuindo-lhes os correspondentes
pixels. Esses pixels, pelas suas características, nomeadamente ao nível das respostas
espectrais nos diferentes comprimentos de onda das bandas da imagem, apresentam uma
assinatura espectral que caracteriza a respectiva classe de ocupação do solo (Pal e
Mather, 2001). Esse processo de identificação é realizado através do reconhecimento,
com base nos dados auxiliares, criando-se assim as amostras de treino. Estas áreas,
como o próprio nome indica, servem para treinar o algoritmo de classificação de forma
a este identificar todos os pixels da imagem classificando-a automaticamente. Porém, a
assinatura resulta da contribuição de todos os constituintes da ocupação do solo,
ignorando o impacto dessas misturas dentro dos pixels (Lu e Weng, 2007).
Neste estudo foram utilizados dois classificadores: um paramétrico, o
classificador de máxima verosimilhança (CMV), e um não paramétrico, o classificador
de árvores de decisão (CAD).
O CMV é dos classificadores paramétricos mais utilizados (Pal e Mather, 2003,
Caetano et al., 2002, Lu e Weng, 2007), principalmente devido à sua robustez e à sua
disponibilidade em grande parte do software de processamento digital de imagem (Pal e
Mather, 2003).
30
O CMV é baseado na teoria probabilística Bayesiana e calcula a probabilidade
dos pixels a classificar pertencerem às classes consideradas, tendo por base a
informação das amostras de treino. Este classificador usa a média, a variância e a co-
variância dos dados das assinaturas para estimar a probabilidade de um pixel pertencer a
uma classe. O CMV considera a correlação entre bandas, incorporando a informação
relativa à co-variância entre as bandas e a sua correspondente variância. Este
classificador produz o que pode ser designado como uma área elíptica de caracterização
da assinatura espectral. Assim, o CMV calcula a probabilidade de pertença em cada
classe, onde a maior probabilidade se localiza na posição média da classe e diminui num
padrão elíptico à medida que se afasta da média (Eastman, 2006). As funções de
densidade probabilísticas são utilizadas para classificar pixels, através do cálculo da
probabilidade do valor de pertença do pixel em cada classe. Depois de estimar a
probabilidade em cada classe, a classe mais provável é atribuída ao pixel (Lillesand,
2004).
Os classificadores paramétricos assumem que os dados de treino, para cada
classe em cada banda, têm uma distribuição normal (Blaisdell, 1993 in Jensen, 1996).
No entanto, esse pressuposto é frequentemente desvirtuado, especialmente em paisagens
complexas (Lu e Weng, 2007). De facto, os dados com histogramas bi ou tri-modais
numa banda não são ajustados, porque nesses casos cada moda pode representar uma
classe que deve ser treinada e classificada separadamente (Jensen, 1996). Outro
problema, referido por Lillesand et al. (2004), é o facto de este classificador ser
exigente ao nível do processamento. Segundo estes autores, um modo de optimizar o
processamento consiste na redução da dimensionalidade dos dados através da
transformação de bandas com recurso à transformação em componentes principais.
Assim sendo, pelo que foi descrito no capítulo anterior (3.4), a transformação de bandas
espectrais em CP poderá optimizar o processo de classificação com o CMV.
Para ultrapassar os problemas acima descritos, têm sido utilizadas técnicas de
classificação não-paramétrica pois estes não têm assunções sobre a distribuição dos
dados, mostrando-se superiores em termos de exactidão (Friedl e Brodley, 1997; Pal e
Mather, 2003; Borak e Strahler, 1999 in Versluis e Rogan, 2009). Assim, é possível
processar dados que não seguem uma distribuição normal, dados não homogéneos com
31
‘ruído’, bem como dados com relações não lineares intra e inter classes (Quinlan, 1993
in Pal e Mather, 2001). Os classificadores não paramétricos também suportam melhor a
inclusão de dados não espectrais no processo de classificação (Lu e Weng, 2007), como
por exemplo, bandas espectrais de baixas resoluções, índices de vegetação, dados
topográficos e seleccionar automaticamente aqueles que melhor se adaptam à
classificação (Lawrence et al., 2004 in Loureiro, 2008). Tais dados de inputs melhoram
a capacidade de discriminação das classes de ocupação, bem como aumentam a
exactidão temática, porque consideram características da paisagem que podem afectar a
distribuição de tipos de vegetação (Franklin 1995 in Versluis et al., 2009).
As árvores de decisão (CAD) são um desses classificadores não paramétrico
que, para além das vantagens anteriormente descritas inerentes a este tipo de
classificador, tem vantagens relacionadas com a sua estrutura, pois esta é simples,
explícita e intuitiva (Friedl e Brodley, 1997) e permite uma maior rapidez na fase de
treino e no cálculo computacional (Pal e Mather, 2003). Ao invés dos classificadores
comuns que usam os dados de treino para classificar numa só etapa, as árvores de
decisão assentam o seu funcionamento numa estrutura multi-etápica e hierárquica, ou
seja, uma estrutura em árvore. O resultado traduz-se numa estrutura hierárquica de
regras de decisão que podem ser usadas para predição ou classificação (Rogan e Chen,
2004 in Versluis e Rogan, 2009), conforme se considerem dados contínuos ou dados
discretos.
A finalidade das árvores de decisão é de criar grupos o mais homogéneos
possível, com base num conjunto de dados. A criação desses grupos obedece a regras de
decisão, que resultam de testes aplicados a uma ou mais variáveis dependentes, de uma
forma sucessiva e hierárquica.
A CAD é um procedimento analítico que considera classes conhecidas (amostra
de treino) para processar a sua estrutura com base nos dados da reflectância em cada
banda (Clark Lab, 2008).
A árvore é composta por um nó inicial que contem todos os dados, um conjunto
de nós internos (decisões) e nós terminais (folhas). Cada nó interno representa um teste
sobre uma ou mais variáveis dependentes. Estes provêm apenas de um nó de nível
superior, originando ou não dois nós no nível seguinte. Cada ramo da estrutura
32
representa o resultado dos testes e as folhas representam os grupos de dados mais
homogéneos ou classes de dados.
O algoritmo de construção de árvores de decisão inicia o seu processo, tentando
encontrar o teste que produz a melhor partição de dados nas classes definidas. A decisão
da aplicação de um teste de partição em detrimento de outro recai naquele que reduz a
variabilidade dentro do grupo, maximizando o contraste entre os grupos. Em cada nível
seguinte, os subgrupos criados no nível anterior são eles próprios separados, e assim
sucessivamente com base no teste que maximize a homogeneidade dos subgrupos
resultantes. A continuidade do processo depende da melhoria em termos de pureza do
nó de nível superior face aos dois nós de nível inferior (Bação, 2004).
Existem vários algoritmos para construção da árvore, os mais conhecidos são o
CART (Classification and Regression Trees), CHAID (Chi Square Automatic
Interaction Detection), C4.5 e o ID3 (Xu et al., 2002 in Costa, 2008 e Friedl e Brodley,
1997). Estes algoritmos de construção das árvores de decisão iniciam o seu
funcionamento tentando encontrar o teste que produz a melhor partição nas categorias
pretendidas. Os testes de partição estão normalmente associados aos algoritmos de
construção da árvore de decisão (Bação, 2004). Neste estudo, o algoritmo de construção
disponibilizado pelo software utilizado é o algoritmo C4.5 e o teste de partição
associado é o critério de redução de entropia.
Uma outra vantagem das árvores de decisão é a possibilidade de usar técnicas
como o pruning que, como o nome indica, destina-se a “podar” as árvores de decisão,
permitindo reduzir as consequências do overfitting. O overfitting traduz-se num ajuste
excessivo da árvore às amostras de treino, reduzido o seu desempenho na classificação.
Por sua vez, o pruning consiste na redução do tamanho da árvore, através da eliminação
de nós terminais ou folhas.
3.6 TESTES DE CLASSIFICAÇÃO
No âmbito dos objectivos definidos, foram realizados vários testes na área de
estudo para avaliar duas questões: (1) A melhor abordagem de classificação, consistindo
na avaliação dos dois classificadores (classificador da máxima verosimilhança e árvores
de decisão); avaliação do melhor conjunto de dados (variáveis de input: datas, NDVI e
33
componentes principais); nomenclaturas de ocupação do solo (com 10 classes ou 6
classes); (2) A capacidade das imagens AWiFS para originar cartografia de ocupação do
solo numa região com uma paisagem com as características da área de estudo, que se
localiza, essencialmente, na região do Baixo Alentejo.
Para concretizar os objectivos acima descritos, foram realizados quatro testes de
classificação (Tabela 8) onde foram testadas as diferentes variáveis.
Tabela 8 – Características dos testes de classificação.
Teste Classificador Classes de treino Classes de mapa Dados de input 1 CMV& AD 10 10 Abril e Julho
2 CMV& AD 10 10 Abril, Julho e NDVI de Abril e Julho
3 CMV& AD 10 10 CP Abril e Julho 4 CMV & AD 10 6 Abril e Julho
Os testes 1 a 3 avaliam a abordagem de classificação relativamente ao algoritmo
de classificação e aos dados de inputs. Pretendeu-se verificar a mais-valia de acrescentar
o índice de vegetação NDVI à informação espectral disponível, bem como o efeito da
redução da redundância de dados na classificação recorrendo à Analise de Componentes
Principais (ACP).
O teste 4 avalia o potencial melhoramento da exactidão temática da classificação
ao usar uma nomenclatura menos detalhada. Desta forma, utilizou-se uma nomenclatura
de cinco classes, resultantes do agrupamento baseado no nível superior da classificação
da nomenclatura LANDEO (Tabela 9).
Tabela 9 – Nomenclatura de ocupação do solo com 10 e 5 classes.
Classe Nomenclatura com 10 classes Classe Nomenclatura com 5 classes 1 Corpos de água 1 Corpos de água 2 Área urbana contínua 2 Áreas urbanas 3 Área urbana descontínua 3 Floresta 4 Vegetação herbácea natural e sequeiros 4 Áreas agrícolas 5 Matos 5 Vegetação esparsa 6 Vegetação esparsa 7 Culturas permanentes perenifólias
(pomares, olivais)
8 Novas plantações/arborizações 9 Floresta fechada de folhosas 10 Floresta aberta de folhosas
34
Assim, a nomenclatura de cinco classes resulta da aglomeração em SIG das
classes mais detalhadas da nomenclatura de 10 classes. A classe 3-Floresta da
nomenclatura de cinco classes resulta da aglomeração das classes 5,8,9 e 10 da
nomenclatura de 10 classes; a classe 4 – Agricultura resulta da aglomeração das classes
4 e 7; a classe 2 – Urbano das classes 2 e 3.
As classificações foram realizadas recorrendo ao software IDRISI The Andes
Edition©. As classificações com árvores de decisão (CAD) foram parametrizadas
utilizando o algoritmo C4.5. O software utilizado disponibiliza uma opção de “auto-
pruning”. Esta opção elimina as folhas com uma contagem de pixels iguais ou inferiores
ao definido na proporção de classes (Clark Lab, 2008). A função de auto-pruning foi
parametrizada a 6% e o algoritmo de partição é o de entropy (critério de redução de
entropia). O auto-prunning de 6% poderá corresponder a 2 a 3 pixels, considerando um
número total de 415 pixels para amostra de treino.
O processo de aglomeração das amostras de 10 para cinco classes foi feito
através do software ArcGIS 9.3©.
3.7 AVALIAÇÃO DA EXACTIDÃO TEMÁTICA
A avaliação da exactidão temática de um mapa é um processo que resulta do
confronto entre o mapa produzido com dados de referência, que se assume que
representem a realidade (Stehman e Czaplewski, 1998 in Stheman et al., 2000). O
objectivo deste processo é a produção de uma matriz de erro ou matriz de confusão, a
partir da qual se podem derivar índices de exactidão global e temáticos (Jensen, 1996 e
Caetano et al., 2006).
Os dados de referência são geralmente obtidos através de interpretação visual de
imagens com maior resolução que os dados utilizados na produção do mapa tais como:
imagens aéreas, imagens de satélite e verificações no terreno (Biging et al., 1998;
Congalton & Biging, 1992 in Caetano et al., 2006).
Para proceder à avaliação da exactidão temática devem considerar-se três
processos: (1) amostragem dos dados de referência, (2) identificação de áreas
35
amostradas e (3) índices de avaliação da exactidão (Stehman e Czaplewski, 1998 in
Stheman et al., 2000).
A definição da estratégia de amostragem é uma etapa fundamental no processo
de avaliação da exactidão temática (Congalton, 1991 in Lu e Weng, 2007). Na definição
do processo de amostragem devem considerar-se a unidade de amostragem, o esquema
de amostragem e a dimensão da amostra (Congalton e Green, 1999 e Muller et al., 1998
in Lu e Weng, 2007).
A unidade de amostragem é a unidade de base da avaliação que é confrontada
com a correspondente unidade pertencente ao mapa produzido. Geralmente, a unidade
de amostragem é o pixel ou o polígono (Congalton, 1998 in Caetano et al., 2006).
O esquema de amostragem consiste no método de selecção das unidades da
amostra de referência, o qual tem de garantir uma robustez estatística que só é atingida
se o processo for probabilístico. A amostragem aleatória simples é considerada
adequada para estimativas sobre a população, pois reduz o efeito de autocorrelação de
pixels vizinhos (Richards e Jia, 2006). Porém, a amostragem aleatória simples levanta
um problema, pois esta é ponderada pela área. Ou seja, esta poderá amostrar por defeito
classes que sejam pouco representativas na área total do mapa, a não ser que o tamanho
da amostra seja suficientemente grande para abranger todas as classes. Por essa razão, a
amostragem aleatória estratificada, na qual é definido um número de amostras a
seleccionar em cada estrato ou classe de uso do solo, para além de reduzir o efeito de
autocorrelação espacial, garante que cada classe seja amostrada (Congalton, 1988 in
Jensen, 1996; Stehman, 2001; Congalton e Green, 1999 e Richards e Jia, 2006).
O número de pixels a ser recolhido para utilizar no processo de avaliação da
exactidão da classificação é muitas vezes difícil de determinar. Isto deve-se
principalmente ao facto das técnicas “clássicas” para a determinação de número de
amostras, que consiste na equação baseada na distribuição binomial, não terem sido
concebidas para serem aplicadas na avaliação da exactidão temática de classificações.
Este método é adequado para seleccionar o número total de pixels para a amostra, mas
este não foi criado para seleccionar o tamanho de uma amostra para preencher uma
matriz de confusão (Congalton, 1991 in Jensen, 1996). Devido ao elevado número de
pixels envolvidos nos dados de detecção remota, os métodos de amostragem
tradicionais não são aplicáveis. Deverá ser feito um balanço entre o que é estaticamente
36
correcto e o que é realmente exequível. Congalton (1991) in Jensen (1996) sugerem
uma regra empírica que consiste em recolher 50 amostras para cada classe de ocupação
do solo da matriz de confusão a considerar. Se a área for particularmente grande
(superior a 500.000 hectares), ou se considerarem um grande número de classes de
ocupação do solo (mais de 12 classes), o número mínimo de amostras de teste aumenta
para 75 ou 100 por classe. Este autor também recomenda que deve se aumentar o
esforço de amostragem em classes que mostram maior variabilidade espectral, em
detrimento de outras que não mostram essa característica.
Após a selecção das unidades de amostra de validação, segue-se um processo de
identificação da ocupação do solo real nas unidades de amostra, geralmente com
recurso à dados com melhor qualidade que as imagens de satélite utilizadas para
produzir o mapa (e.g. interpretação visual de orto-imagens e confirmação no campo).
Posteriormente, os pixels identificados são confrontados com os dados correspondentes
do mapa resultante da classificação. Esta confrontação é feita através de uma matriz de
erro também chamada matriz de confusão.
A matriz de confusão é a técnica mais utilizada para proceder à avaliação da
exactidão temática (Foody, 2002 in Lu e Weng, 2007). A matriz consiste numa
tabulação cruzada entre as classes de ocupação do solo do mapa e da informação de
referência. Os valores listados na tabela representam o número de pixels de teste (classe
verdadeira) para cada classe, correcta e incorrectamente classificados. A partir da
matriz de confusão podem ser calculadas os índices de exactidão global, índice de
exactidão do produtor, erros de omissão, índice de exactidão do utilizador e erros de
comissão (Tabela 10), onde:
EG – Exactidão global
EU – Exactidão do utilizador
EP – Exactidão do produtor
37
nii - Número de observações da amostra de validação classificada na classe i do mapa e que
corresponde à classe i na informação de referência;
ni+ - Total de observações da amostra de validação classificadas no mapa com a classe i;
n+i – Total de observações da amostra de validação pertencentes à classe i;
Informação de referência
1 2 … q Total
1 n11 n12 … n1q n1+
2 n21 n22 … n2q n2+
…
…
…
…
… Map
a
q nq1 nq2 … nqq nq+
Total n+1 n+2 … n+q n
Figura 9 - Matriz de confusão com q classes de ocupação do solo e índices de qualidade do mapa (Fonte: Carrão et al. 2007).
A exactidão global da amostra é a soma dos dados da diagonal da matriz de
confusão, divididos pelo número total de pixels da amostra.
O índice de exactidão do produtor (IEP) da classe (i) traduz a probabilidade de
um pixel verdadeiro da classe (i) estar realmente representado na cartografia por (i).
Este resulta do quociente entre o número de elementos correctamente classificados em
cada classe e o número de pixels de treino utilizado nessa classe (total na coluna). O
complementar do IEP traduz os erros de omissão. O índice de exactidão do utilizador
38
(IEU) da classe (i) é a probabilidade de um pixel etiquetado como classe (i) ser
realmente classe (i). A exactidão no utilizador é obtida dividindo o número de pixels
correctamente classificados pelo número total de pixels que foram classificados nessa
classe (total na linha). O seu complementar representa os erros de comissão.
Os erros de omissão da classe (i) correspondem aos pixels pertencentes à classe
(i) não identificados como tal pelo classificador, enquanto os erros de comissão da
classe (i) correspondem aos pixels de outra classe que foram identificados como sendo
da classe (i). O primeiro observa-se na coluna da matriz de confusão, enquanto o
segundo observa-se ao longo da linha da matriz (Richards e Jia, 2006).
É comum calcular a média das percentagens de classificações correctas e
assumi-la como sendo a exactidão global. Porém, um índice mais correcto deveria
ponderar a média segundo as áreas ocupadas por cada classe do mapa (Richards e Jia,
2006).
A avaliação da exactidão temática recorrendo à matriz de confusão só é ajustada
para classificações ‘rígidas’, assumindo que as classes do mapa são exclusivas e que
cada unidade da classificação pertence a uma só classe do mapa. Essa condição nem
sempre é respeitada, principalmente se considerarmos imagens de menor resolução
espacial (Lu e Weng, 2007).
O processo de validação consistiu na construção de um conjunto de uma amostra
de referência para cada um dos testes realizados. A informação de referência utilizada
foi um conjunto de ortoimagens de muito grande resolução espacial (40 cm), que
cobrem a área de estudo, obtidas em 2006.
Para proceder à recolha das amostras, criou-se uma grelha de área total igual à
área de estudo, composta por unidades com 60 por 60 m (3600 m2) de área,
espacialmente coincidente com os pixels das imagens AWiFS. A selecção das amostras
de teste foi realizada através de uma amostragem aleatória estratificada, com 30
amostras por classe. Seria indicado uma recolha de 100 amostras por classe visto que,
segundo Stehman (2001), este número de observações por estrato ou classes garante que
a estimativa da exactidão global do mapa e específica das classes tenha uma precisão
absoluta nunca superior a 10%, para um nível de significância de 0,05. No entanto, a
estratégia de validação adoptada implicou a realização de uma amostragem de validação
39
para cada classificação realizada, de forma a igualar os valores de precisão absoluta da
estimativa dos índices de qualidade de todos os resultados.
Deste modo, adoptou-se o modelo ideal e teórico de validação, que não é
geralmente utilizado pela maior parte dos autores, visto que este implica um alto
conhecimento da área a classificar o que consequentemente aumenta a morosidade do
processo. De facto na maior parte dos estudos, é utilizada a mesma amostra de
referência para comparar os vários mapas.
Considerou-se que seria necessário realizar um compromisso entre a precisão da
estimativa e a exequibilidade do processo, optando-se por recolher 30 observações por
classe, o que garante uma precisão absoluta não superior a 18,26%. No total foram
recolhidas 2100 amostras (Figura 10).
Figura 10 – Amostras de teste.
De forma a garantir a aleatoriedade da selecção das amostras de teste e evitar o
enviusamento de resultados, na amostragem aleatória estratificada considerou-se a
localização das amostras de treino. Esta operação foi realizada recorrendo a funções de
40
inquirição de dados em SIG, evitando que as amostras de teste coincidissem com a
localização das amostras de treino. Com isso, pretendeu-se reduzir o efeito do
conhecimento à priori do terreno, da localização de certas classes de uso do solo
existente na área de estudo. Embora esse conhecimento seja muito importante de um
ponto de vista de produção, este poderá influenciar os resultados. Por causa desta
influência, a avaliação da exactidão da classificação dos pixels localizados nas áreas de
treino é geralmente mais elevada que os restantes (Jensen, 1996).
As ortoimagens não cobriam a totalidade da área de estudo. Do mesmo modo,
através de uma função de inquirição em SIG, identificaram-se e removeram-se as
células que se localizavam fora da cobertura da grelha criada. Embora esta situação
poderá por em causa o princípio de igualdade de probabilidade, superior a zero, de cada
ponto do mapa de ser seleccionada para unidade amostral, esta é uma condicionante do
trabalho que tem ser assumida. Porém verifica-se que as unidades amostrais aparentam
estar bem espalhadas pela área de estudo.
Após a aplicação da selecção das amostras, as classes da informação de
referência foram interpretadas visualmente. A cada observação foram atribuídos dois
códigos, um principal e outro alternativo. Cada observação da amostra de teste foi
considerada bem classificada se um dos dois códigos era igual à classe produzida pelo
classificador. Caso nenhum dos códigos correspondesse à classe do mapa, o código
principal foi adoptado (Figura 11).
Referência ID Classe Classe 1 Classe 2 Classe final 1 11 11 12 11 2 11 12 11 11
Mapa
3 11 12 6 12
ID – Número sequencial de identificação do pixel
Classe 1 – classe mais provável no conjunto de amostras de referência
Classe 2 – segunda classe mais provável
Classe Final – classe de referência que entrará no processo de comparação Figura 11 – Exemplo da metodologia de construção das matrizes de confusão (fonte: Costa, 2008).
41
Nesse exemplo, para o pixel número 1 foram identificadas duas classes
prováveis (classes 11 e 12), o mapa confrontado apresenta uma classe igual ao da
primeira classe mais provável, a classe final adoptada é então a classe 11. No pixel
número 2, a segunda classe mais provável é que é concordante com a classe do mapa,
sendo então esta adoptada para classe final (classe 11). Finalmente, no pixel número 3,
nenhuma das classes mais prováveis é concordante a classe do mapa, neste caso como
classe final é sempre adoptada a primeira classe mais provável (classe 12).
O recurso a dois códigos de identificação das classes deve-se à incerteza e
subjectividade inerente ao processo de interpretação visual de imagem, que foi uma
situação frequente neste estudo. Esta incerteza deve-se às situações onde a classe de
ocupação não está claramente definida, pela existência de mais do que uma ocupação do
solo na unidade de amostra, conforme se pode observar no exemplo ilustrado na Figura
12.
Figura 12 – Exemplo de um Pixel com uma ocupação mista.
Deste modo, pretendeu-se diminuir a incerteza e subjectividade do processo de
interpretação visual. O processo de selecção e identificação das amostras de teste foi
feito em ambiente SIG, com recurso ao software ArcGIS 9.3®.
Depois de identificadas as amostras de validação para cada um dos mapas
produzidos, foram construídas as respectivas matrizes de confusão, estimando-se os
índices de exactidão global e específica de cada classe.
42
3.8 CÁLCULO DA DISTÂNCIA ENTRE CLASSES DA AMOSTRA DE
TREINO
O propósito desta análise é de verificar se a separação espectral das classes tem a
sua correspondência na semântica das classes de ocupação do solo, o que poderá
fornecer explicações sobre possíveis confusões entre classes no processo de
classificação. Foram elaborados três dendrogramas, resultantes de uma análise Cluster
(com distância Euclideana) aplicada às amostras de treino com as oito bandas AWiFS
(Abril e Julho), CP de Abril e Julho, bandas de Abril e Julho mais NDVI de Abril e
Julho.
A análise cluster é caracterizada como sendo uma classificação hierárquica,
aglomerativa e politéctica (van Tongeren, 1996; Kent e Coker, 1994; Gauch jr., 1982).
• Hierárquica: refere-se ao facto do resultado da análise poder ser
apresentado sob forma de um dendrograma, mostrando diferentes níveis
de semelhança;
• Aglomerativa: a classificação começa por cada unidade ou indivíduo
(neste caso, cada unidade de amostra de treino), juntando-os em vários
grupos. Posteriormente, esses grupos são reunidos em outros maiores até
que todas as unidades estejam abrangidas num único grupo;
• Politéctica, porque utiliza vários dados para realizar a classificação e não
apenas um parâmetro (Kent e Coker, 1994; Sneath e Sokal, 1973 in
Gauch jr., 1982).
Esta análise permite determinar se as classes (clusters) estão efectivamente
separadas no espaço mutidimensional das várias bandas espectrais de cada imagem. Um
bom cluster deverá ter pouca sobreposição sobre outros clusters no espaço
multivariado. O dendrograma caracteriza graficamente a separabilidade dos vários
clusters (ESRI, 2008), estes representam as 10 classes da nomenclatura de ocupação do
solo definida. Os dendrogramas foram produzidos com recurso ao software ArcGis
9.3®.
43
3.9 ANÁLISE DA INFLUÊNCIA DAS AMOSTRAS DE REFERÊNCIA NA
AVALIAÇÃO DA EXACTIDÃO
Considerando que para cada mapa produzido foi criada uma amostra de teste
(Capítulo 3.7), é relevante analisar a influência das amostras de referência sobre os
resultados, no que concerne à selecção do classificador e do conjunto de dados que
produzem os melhores resultados na classificação. Através desta análise, poder-se-á
verificar a existência de uma tendência nos resultados obtidos na globalidade do
conjunto de amostras de teste. Assim, independentemente dos resultados obtidos nas
classificações, pretende-se avaliar qual o classificador/conjunto de dados que obteve o
melhor desempenho na classificação da área de estudo.
Para verificar a influência das amostras de teste sobre a avaliação da exactidão
dos mapas gerados, consideraram-se os seis mapas realizados com a nomenclatura de 10
classes (Tabela 8). Para complementar a análise efectuaram-se quatro classificações
adicionais: CMV e CAD com imagem de Abril e imagem de Julho, obtendo-se um
conjunto de 10 mapas para análise.
Realizaram-se operações de geoprocessamento entre cada amostra de teste e os
10 mapas analisados. Foram consideradas para as 60 operações de validação de
exactidão temática, os dois códigos de classe (principal e alternativo) passíveis de ser
ponderadas na amostra de treino quando confrontadas com cada mapa.
As operações de geoprocessamento foram realizadas com recurso ao software
ArcGis 9.3®, a edição de base de dados em com recurso a Microsoft Access.
4 RESULTADOS E DISCUSSÃO
Nos próximos capítulos são apresentados e discutidos os resultados da exactidão
global de cada teste de classificação (4.1), a partir do qual são estruturados os capítulos
seguintes: análise das matrizes de confusão dos testes (4.2), avaliação das amostras de
treino (4.3) e a análise da influência das amostras de referência na classificação (4.4).
4.1 EXACTIDÃO GLOBAL DOS TESTES DE CLASSIFICAÇÃO
44
A partir dos vários mapas produzidos (Figura 13, 14, 15 e 16) construíram-se as
respectivas matrizes de confusão (Anexo IV) e calcularam-se os valores da exactidão
global para os vários testes de classificação, cujos resultados se apresentam na Tabela
10.
45
CMV/Abril+Julho
CAD/Abril+Julho Figura 13 - Mapas produzidos para o teste de classificação 1.
46
CMV/NDVI
CAD/NDVI Figura 14 - Mapas produzidos para o teste de classificação 2.
47
CMV/CP
CAD/CP Figura 15 - Mapas produzidos para o teste de classificação 3.
48
CMV/Abril+Julho, 5 classes.
CAD Abril+Julho, 5 classes Figura 16 - Mapas produzidos para o teste de classificação 4.
49
Tabela 10 - Resultados dos Testes de Classificação.
Exactidão global (%) Teste CMV CAD Classes de
treino Classes do
mapa Variáveis de input
1 29 37 10 10 Abril e Julho
2 28 32 10 10 Abril, Julho e NDVI Abril e Julho
3 36 25 10 10 CP Abril e Julho
4 43 39 10 5 Abril e Julho
Os resultados obtidos mostram que os valores de exactidão global são muito
baixos em todos os testes. Tais resultados direccionam a discussão dos mesmos para as
causas que terão influenciado estes valores da exactidão global. Os testes 1 a 3, que
teriam como propósito avaliar a influência dos dados de input na classificação,
mostraram resultados pouco conclusivos, com valores de exactidão global muito baixos,
a variar entre os 25% e 37%.
O teste 4 é aquele que apresenta os valores de exactidão global mais elevados.
Como seria espectável, os resultados dos testes de classificação com ambos os
classificadores, foram mais elevados com uma nomenclatura de solo menos detalhada.
No entanto, obtiveram-se ainda valores de exactidão global muito baixos (Tabela 10).
Estes resultados indiciam a existência de uma confusão entre classes de ocupação do
solo pouco semelhantes na sua semântica.
Os valores da exactidão temática condicionam a comparação dos testes. Porém,
uma análise das matrizes de erro poderá permitir observar as classes que originam maior
confusão para o classificador/conjunto de dados em análise, quantificando essa
confusão através dos valores dos índices de exactidão específica (EP e EU).
Uma observação mais detalhada da amostra de treino e das assinaturas dos
diferentes conjuntos de dados utilizados, no que concerne à sua consonância com a
semântica das classes de ocupação do solo definidas na nomenclatura, poderá
caracterizar a robustez da amostra de treino.
50
4.2 MATRIZES DE CONFUSÃO DOS MELHORES TESTES
É evidente que com valores de exactidão global tão baixos, estes por si só
indiciam que haverá muita confusão entre as classes. No entanto, para o demonstrar,
apresentam-se os valores da exactidão específicas das matrizes de confusão que
apresentam os melhores resultados de exactidão global. Estes produziram melhores
resultados na avaliação da influência dos dados de input (CAD/Abril+Julho), com uma
exactidão global de 37%, e na avaliação da influência da nomenclatura menos detalhada
(CMV/Abril+Julho), com 43% de exactidão global (Figura 17).
1 2 3 4 5 6 7 8 9 10 Total EU1 9 0 0 2 12 0 0 0 2 3 28 32%2 0 3 0 16 4 0 0 5 0 3 31 10%3 0 2 3 14 5 1 0 4 0 0 29 10%4 0 0 0 20 2 0 0 3 3 2 30 67%5 0 0 0 0 21 0 0 0 2 4 27 78%6 0 1 0 12 2 8 0 3 0 9 35 23%7 0 0 0 16 5 0 1 2 0 6 30 3%8 0 1 2 8 6 0 0 12 0 2 31 39%9 0 0 0 1 7 0 0 0 16 4 28 57%
10 0 0 0 3 7 1 0 1 2 17 31 55%Total 9 7 5 92 71 10 1 30 25 50 300
EP 100% 43% 60% 22% 30% 80% 100% 40% 64% 34%
INFORMAÇÃO DE REFERÊNCIA
MA
PA C
AD
/ABR
IL+J
ULH
O
1 2 3 4 5 Total EU
1 8 1 14 7 0 30 27%
2 0 3 14 13 0 30 10%
3 1 0 20 9 0 30 67%
4 0 0 6 24 0 30 80%
5 0 2 14 4 10 30 33%
Total 9 6 68 57 10 150
EP 89% 50% 29% 42% 100%
MA
PA C
MV
/ABR
IL+J
ULH
O INFORMAÇÃO DE REFERÊNCIA
EP – Exactidão do Produtor; EU – Exactidão do Utilizador
Figura 17 – Matrizes de confusão dos melhores testes de classificação
Quanto ao mapa produzido através CAD/Abril+Julho, relativamente à exactidão
do produtor (EP), apenas três classes, têm valores superiores a 80%. Estas são: corpos
de água (1), vegetação esparsa (6), culturas permanentes perenifólias (7). Por sua vez,
51
a classe com menor valor de EP é a classe 4 (culturas agrícolas de sequeiro +
vegetação herbácea natural), com 22%. No que diz respeito à exactidão do utilizador
(EU), as classes menos problemáticas são as classe 4 (culturas agrícolas de sequeiro +
vegetação herbácea natural), com 67%, e a classe 5 (matos), com 78% de EU. A classe
com menor valor de EU é a classe 7 (culturas permanentes perenifólias) com um valor
de EU de 3%.
A confusão entre as restantes classes é indiferenciada, isto é, esta ocorre tanto
em classes espectralmente próximas como em classes afastadas. O exemplo de uma
confusão entre classes espectralmente próximas é a existente entre a classe 4 (culturas
agrícolas de sequeiro + vegetação herbácea natural) e a classe 7 (culturas permanentes
perenifólias). Esta confusão é devido à influência do subcoberto herbáceo que é comum
em ambas as classes, o que acaba por confundir classes diferentes do ponto de vista da
ocupação (devido à presença ou ausência do estrato arbóreo), mas que espectralmente
revelam-se semelhantes.
Outro exemplo de confusão é a que se observa entre a classe 3 (Áreas urbanas
descontínuas) e a classe 4 (culturas agrícolas de sequeiro + vegetação herbácea
natural). Esta confusão está relacionada com a heterogeneidade da classe 3 que engloba
construção dispersa com áreas de subcoberto ou ocupação dominada por estrato
herbáceo, dificultando a sua identificação ao nível do pixel. Por outro lado, poderá ser
relevante o facto da maior parte da área urbana existente na área de estudo, ser pequena
e dispersa, o que aumenta a probabilidade de heterogeneidade dos pixels, aumentando a
probabilidade de confusão com os pixels adjacentes.
Um exemplo de confusão entre classes espectralmente diferentes é a que ocorre
entre a classe 5 (matos) e a classe 1 (corpos de água). Este facto é revelador de grandes
dificuldades na classificação, porque esta confusão não é explicável nem por
semelhanças espectrais, nem pela semântica das classes envolvidas. Este tipo de
confusão poderá dever-se à qualidade ou pureza das amostras de treino.
Outra razão que poderá explicar esta confusão na classificação é o facto da
metade Sul da área de estudo se localizar na Serra do Caldeirão, numa área com um
relevo acidentado e de encostas declivosas. Talvez haja um efeito do ensombramento
das encostas viradas a Norte nessas áreas que são de facto ocupadas na sua maioria por
vegetação arbustiva.
52
Os valores de exactidão global mostram, e os índices específicos assim o
confirmam, que existe elevada confusão entre a maior parte das classes. Estes não
permitem tirar elações mais profundas quanto à confusão entre elas.
Os resultados do teste 4 também indicam que existe confusão entre classes
semanticamente muito diferentes A confusão é muito elevada, considerando que o mapa
produzido tem apenas cinco classes bem distintas. Observa-se que existe confusão entre
as classes floresta (3), áreas urbanas (2) e água (1). Isto indica que as classes são muito
heterogéneas, o que poderá confirmar o que foi verificado pela análise da matriz de
confusão anterior, ou seja, que existe confusão entre classes teoricamente distintas
espectralmente.
Nas duas matrizes de confusão apresentadas, os valores de exactidão específica
mostram confusão na classificação entre a maior parte das classes. Este facto verifica-se
tanto em classes espectralmente próximas como em classes espectralmente afastadas.
Isto pode indicar que as classes das amostras de treino são muito heterogéneas e pouco
discriminatórias.
4.3 CÁLCULO DA DISTÂNCIA ENTRE CLASSES DA AMOSTRA DE
TREINO
Para avaliar a distância entre as classes de ocupação do solo das amostras de
treino, produziram-se três dendrogramas (Figura 18). Nestes, o eixo das abcissas indica
a distância entre os centros do espaço dimensional característico de cada classe. Quanto
maior for esse valor, maior será a distância entre as classes de ocupação do solo. Por
outro lado, conforme a distância (valor na abcissa) observam-se quais as classes que
espectralmente têm uma resposta mais semelhante.
53
Bandas: Abril e Julho
Bandas: Abril, Julho e NDVI de Abril e Julho
Bandas: Componentes Principais de Abril e Julho
Figura 18 – Dendrogramas das assinaturas
54
Analisando os dois primeiros dendrogramas (Figura 18), estes são muito
semelhantes e verifica-se que nas maiores distâncias há uma separação nítida de três
agrupamentos: planos de agua (1), classes sem ou pouca vegetação e classes com
vegetação. As classes de vegetação esparsa (6) com áreas urbanas contínuas (2)
encontram-se muito próximas. São áreas praticamente sem vegetação ao longo do
tempo (primavera - verão), daí advêm as suas semelhanças espectrais. A classe novas
plantações/arborizações (8) e a classe vegetação herbácea natural e sequeiros (4)
formam um agrupamento. Esta situação estará relacionada com o efeito da presença do
subcoberto herbáceo. Este agrupamento ainda se aglomera, mas a uma maior distância,
à classe de áreas urbanas descontínuas (3) que também, devido à presença do mesmo
subcoberto, assemelha-se espectralmente às duas anteriores. As classes floresta aberta
de folhosas (10) e culturas permanentes perenifólias (pomares, olivais) (7) encontram-
se muito próximas, provavelmente devido a estruturas semelhantes ao nível das
proporções de ocupação por parte dos estratos arbóreos e herbáceos. A classe floresta
fechada folhosas (9) e matos (5) também estão muito próximas, o que seria espectável,
considerando que se tratam de folhosas e vegetação perenifólias e que na ocupação não
existe dominância ou presença do estrato herbáceo.
O dendrograma resultante da análise cluster aplicada às assinaturas espectrais,
obtidas a partir da análise de componentes principais com as imagens de Abril e Julho,
mostrou um resultado que difere ligeiramente dos dois anteriormente apresentados.
Neste caso, a classe novas plantações/arborizações (8) está muito próxima da
classe floresta aberta de folhosas (10), o que semanticamente está correcto,
considerando que ambas são classes de ocupação florestal. A classe culturas
permanentes perenifólias (pomares, olivais) (7) está numa distância que coloca esta
assinatura numa posição de transição entre dois agrupamentos de classes claramente
distintos. Por um lado, existe um agrupamento composto por duas classes com alguma
dominância do estrato herbáceo: vegetação herbácea natural e sequeiros (4) e a classe
de áreas urbanas descontínuas (3); por outro lado, o agrupamento anteriormente
descrito, é composto pelas classes novas plantações/arborizações (8) e floresta aberta
de folhosas (10).
Pela análise dos dendrogramas das assinaturas espectrais, todos os clusters
podem ser explicados, porém as assinaturas resultantes da análise de componente
55
principais parecem estar espectralmente mais em consonância com a semântica das
classes definidas de ocupação do solo. Estes resultados são um indicador de robustez da
amostra de treino quanto à separação das classes. Por outro lado, embora o tamanho da
área de estudo e a complexidade da paisagem condicionassem fortemente essa recolha,
o número de unidades amostrais é superior ou igual ao mínimo estatisticamente definido
(Capitulo 3.3) em todas as classes da nomenclatura, o que reforça a robustez da amostra
de treino e das assinaturas resultantes dos diferentes conjuntos de dados utilizados.
Face aos resultados obtidos na avaliação da exactidão temática dos mapas, os
resultados da análise da amostra de treino parecem indicar que os baixos valores de
exactidão temática obtidos devem-se aos conjuntos classificadores/dados utilizados.
4.4 ANÁLISE DA INFLUÊNCIA DAS AMOSTRAS DE REFERÊNCIA
Construíram-se 60 matrizes de confusão (Anexo IV), com as quais se calcularam
os 60 valores de exactidão global e a partir destes se estimaram as respectivas médias e
desvio-padrão (Tabela 11).
Tabela 11 – Valores de exactidão global (%) entre todos os mapas e todas as amostras de referência
Mapas
Amostras teste
CMV Abril
CMV Julho
CMV 8bd
CMV NDVI
CMVCP
CAD Abril
CAD Julho
CAD8bd
CAD NDVI
CADCP Média (%) Desvio
Padrão (%)
CMV 8bd 26 32 30 37 38 24 26 32 33 24 30 4.99 CMV ndvi 25 31 30 28 33 25 30 28 30 24 28 3.09 CMV cp 35 38 43 43 36 27 27 35 35 26 35 6.13 CAD 8bd 30 38 43 44 46 28 39 37 38 28 37 6.62 CAD ndvi 30 34 35 36 39 20 24 30 32 24 30 5.96 CAD cp 23 26 29 32 30 24 20 29 26 25 26 3.65 Media (%) 28 33 35 37 37 25 28 32 32 25
Desvio Padrão (%) 4,48 4,60 6,35 6,42 5,58 2,75 6,49 3,68 4,1 1,42
CMV - Classificador de Máxima Verosimilhança CAD - Classificador de Arvores de Decisão
As linhas da tabela apresentam os valores de exactidão global de todos os mapas
por cada amostra de referência, observando-se assim o desempenho do conjunto de
classificações na amostra de referência considerada. As colunas mostram os valores da
56
exactidão global de cada mapa em cada amostra de referência, permitindo avaliar o
efeito de cada uma das amostras de teste sobre os valores de exactidão global de cada
um dos mapas produzidos pelos diferentes classificadores/conjunto de dados.
Analisando os valores de exactidão global por coluna, os valores das médias
calculadas por mapa variam entre 25% (CAD/Abril e CAD/CP) e 37% (CMV/NDVI e
CMV/CP). Os valores de desvio padrão indicam uma variação em torno da média entre
1,42 e 6,49%. Observa-se que as médias mais elevadas de exactidão global
correspondem aos valores mais elevados de desvio-padrão (CMV/NDVI e CMV/CP).
Por outro lado, os mapas que apresentam média mais baixa (CAD/Abril e CAD/CP)
apresentam os valores mais baixos de desvio-padrão. Isto poderá indicar que o CAD é
menos sensível às diferentes amostras de referência do que o CMV.
Os valores de desvio-padrão por mapa indicam variações de exactidão temática
significativas que podem ultrapassar os 6%. Observando as amplitudes, por exemplo, do
mapa CMV/Abril, verifica-se que a diferença entre o valore mínimo e o valor máximo
de exactidão global é de 12%.
Os valores das exactidões globais mostram uma variação assinalável com as
amostras de referência. Esta situação talvez se deva ao facto destas terem sido
construídas com base numa amostragem aleatória, estratificada pelas classes dos mapas
que lhe deram origem. Essa situação determina uma desigualdade na amostragem por
cada classe dos outros mapas, podendo mesmo ocorrer classes que não sejam
amostradas de todo, conforme se pode verificar nas matrizes de confusão (Anexo IV).
Esta situação poderá ter gerado diferenças tais entre as amostras de referência, que terão
levado às diferenças observadas.
Examinando os resultados da Tabela 11 por linha, observamos o desempenho de
cada classificador/conjunto de dados por cada amostra de teste. Assim, é possível
verificar se o ranking dos conjuntos classificador/conjunto de dados varia em cada
amostra.
Analisando os valores de exactidão global dos mapas em cada amostra de teste,
verifica-se que globalmente os mapas produzidos com o Classificador de Máxima
Verosimilhança (CMV) obtiveram valores de exactidão global superiores aos do
Classificador de Árvores de Decisão (CAD) - Figura 19.
57
0.00%
5.00%
10.00%
15.00%
20.00%
25.00%
30.00%
35.00%
40.00%
45.00%
50.00%
CMV/Abril
CMV/Julho
CMV/Abril+Julho
CMV/NDVI
CMV/CP
CAD/Abril
CAD/ulho
CAD/Abril+Julho
CAD/NDVI
CAD/CP
Figura 19 – Valores de exactidão global dos 10 mapas por cada uma das amostras de teste.
Verificando os resultados pelo conjunto de dados, através de uma comparação
dos mapas resultantes da assinatura espectral da imagem de Abril e dos mapas
produzidos com base na imagem de Julho, independentemente do classificador, estes
últimos têm globalmente melhores resultados. Provavelmente a imagem de Julho
discrimina melhor a ocupação do solo do que a dos dados provenientes da imagem de
Abril.
Analisando os resultados do CAD, o conjunto de dados produzidos com base nas
imagens de Abril e Julho mais o NDVI de Abril e Julho e o conjunto de dados composto
por imagens de Abril e Julho, produziram, na maior parte das amostras de teste, os
melhores resultados.
Relativamente ao CMV, os valores de exactidão global dos mapas criados pelos
conjuntos de dados CP e NDVI são os que se destacam na maior parte das amostras de
teste. Estes resultados indiciam que um aumento nos dados de input, acrescentando
mais bandas (Abril+Julho), o índice de vegetação NDVI à informação espectral
disponível, bem como o efeito da redução da redundância de dados na classificação
recorrendo aos Componentes Principais (CP), pode melhorar a classificação.
58
Embora outros estudos indicam que os classificadores não-paramétricos possam
produzir melhores resultados do que os paramétricos em paisagens complexas (Paola e
Schowengerdt 1995, Foody 2002b in Lu e Weng, 2007). No caso específico do presente
estudo, os resultados obtidos apontam que, com os dados utilizados, o Classificador de
Máxima Verosimilhança tende a produzir melhores resultados na exactidão global do
que o Classificador de Árvores de Decisão. Estes resultados são corroborados pelo
estudo de Costa (2008), no qual, o desempenho do Classificador de Árvores de Decisão
não superou o Classificador de Máxima Verosimilhança, no que concerne aos valores
de exactidão global.
No estudo desenvolvido por Costa et al. (2009) obtiveram-se valores de
exactidão temática total baixos, num teste em imagens AWiFS com os classificadores
de Máxima Verosimilhança (CMV) e Árvores de Decisão (CAD). Segundo estes
autores, nem o uso de três datas diferentes (primavera, verão e outono), nem o NDVI e
nem as componentes principais melhoraram consideravelmente os resultados. Ainda de
acordo com estes autores, isto mostra que apenas duas imagens AWIFS de primavera e
verão são suficientes para classificar a paisagem de Portugal Continental.
Em suma, verifica-se que as amostras de referência parecem influenciar os
valores da exactidão global dos mapas produzidos nos testes de classificação.
Consequentemente, poderá pôr-se em causa a robustez da análise dos testes elaborados,
que consistem na comparação de diferentes métodos de classificação, cuja avaliação da
exactidão temática se baseia em amostras de referência específicas para cada mapa.
Por outro lado, os baixos valores de exactidão global podem ser explicados pela
complexidade da paisagem e pela informação contida nas imagens AWiFS. Quanto às
características da paisagem, conforme o que foi descrito no capítulo 2.1, o uso do solo
com maior expressão espacial é o montado, que se traduz em áreas heterogéneas e com
diferentes graus de misturas de ocupação do solo. Este uso apresenta um carácter
híbrido em termos de utilização do solo e de transição entre as florestas fechadas e os
campos agrícolas abertos, cujo sistema de maneio origina dinâmicas de ocupação do
solo geralmente intra-anuais.
As unidades de paisagem indicam uma forte diferenciação entre o Norte e o Sul
da área de estudo, pelo facto desta ser composta por duas unidades de paisagem que são
de grupos de unidades diferentes, caracterizando uma área de planície e uma área
59
serrana. A estes contrastes paisagísticos junta-se a diversidade no interior de cada
unidade de paisagem, justificada pela delimitação de três sub-unidades em cada uma
delas. Por sua vez, a dimensão da área de estudo também condicionou o processo de
classificação, em particular na construção da amostra de treino, no sentido em que
limita a procura de unidades amostrais.
Relativamente às características das imagens AWiFS, outros estudos mostram
que estas imagens não fornecem informação espectral suficiente para uma classificação
ao nível do pixel (Costa, 2008 e Costa et al., 2008). Segundo Costa et al. (2008), os
resultados obtidos num estudo comparativo do desempenho de classificações entre
imagens AWiFS e MERIS, demonstraram que os menores valores de exactidão obtidos
na classificação de imagens AWiFS podem ser explicados pela sua menor resolução
espectral. Segundo esse estudo, a informação espectral desempenha um papel mais
decisivo do que a informação temporal na melhoria da exactidão temática. Pelo
contrário, a resolução espacial não influencia a exactidão temática da cartografia quando
esta é derivada a partir de bases de dados construídas especificamente para as imagens a
classificar. A sua influência é principalmente sentida no que respeita ao treino da
classificação assistida, para o qual é necessário um maior esforço de amostragem à
medida que a resolução espacial aumenta.
Relativamente à informação temporal, o uso de apenas duas datas em detrimento
da rejeição da imagem de Outubro, por este conter uma área elevada de cobertura
nebulosa, não é determinante para os desempenhos da classificação. De facto, as
imagens de primavera, verão e outono foram seleccionadas com o objectivo de adquirir
as maiores diferenças espectrais que as classes apresentam ao longo do ano. O objectivo
seria recolher a informação espectral associada às das dinâmicas de ocupação do solo de
algumas classes, tentando assim aumentar a capacidade de descriminação e melhorar a
classificação. No entanto, em Costa (2008), num estudo com imagens AWiFS de Abril,
Julho e Outubro, a imagem de Outubro não melhorou significativamente os resultados
da exactidão global.
.
60
5 CONCLUSÕES
A exactidão global dos mapas produzidos com diferentes abordagens de
classificação automática, com base nas imagens AWiFS, foi muito baixa. A
metodologia de trabalho assentou num grande esforço de amostragem de treino e de
teste e apoiou-se no conhecimento da área de estudo e familiarização com os dados
auxiliares, bem como o recurso a identificação no campo. Estes factos reduzem as
probabilidades de erro metodológico ao nível da subjectividade inerente aos processos
de interpretação visual de imagem, nos processos de construção da amostra de treino e
das amostras de referência.
A metodologia utilizada neste trabalho é semelhante a de outros estudos que
demonstraram que esta não influencia negativamente os desempenhos dos
classificadores. Estes factos reforçam a ideia de que, no presente estudo, os resultados
dos valores de exactidão global, devem-se às características dos dados.
As características das imagens AWiFS e da área de estudo são os factores que
explicam os baixos valores de exactidão global das classificações. No processo de
classificação, a complexidade da paisagem associada à resolução espectral das imagens
AWiFS, contribuíram para os valores de exactidão global obtidos em todas as
abordagens de classificação.
De facto, estes dois factores contribuem fortemente para a heterogeneidade do
pixel, elevando a probabilidade da reflectância deste ser resultante das misturas de
várias classes de ocupação do solo. Durante o processo de classificação, em particular
nas fases de definição da nomenclatura e na construção das amostras de treino e de
teste, verificou-se com evidência a complexidade da paisagem e da ocupação do solo da
área de estudo. Na região do Baixo Alentejo, onde se localiza maioritariamente a área
de estudo, os resultados e a análise do processo de classificação apontam que estas
paisagens são difíceis de classificar por métodos automáticos com imagens AWiFS.
Relativamente às características das imagens AWiFS, outros estudos
comprovam que a sua resolução espectral é um factor condicionante na classificação das
mesmas. Estes demonstram que em condições semelhantes, as de imagens de menor
61
resolução espacial mas de resolução espectral superior obtêm melhores desempenhos na
classificação.
Aos dois factores acima descritos acrescenta-se um outro, este é a dimensão da
área de estudo. Este factor condicionou fortemente a construção da amostra de treino,
não permitindo uma selecção mais alargada de unidades amostrais por classe. É
provável que esta situação tenha tido influência na representatividade das amostras por
cada classe de ocupação considerada.
O recurso a amostras de teste específicas para cada mapa na sua avaliação da
exactidão temática, não permitiu a comparação dos resultados entre os diferentes mapas.
Isto sucede porque a avaliação da exactidão temática, baseou-se em amostras de
referência estratificados por classe, específicos para cada mapa. Consequente, existirão
classes com um número insuficiente ou mesmo inexistente de unidades amostrais, o que
influencia fortemente os índices específicos de exactidão das classes de ocupação do
solo. Este trabalho revela, face aos dados utilizados, que as amostras de referência
poderão ter influenciado significativamente os valores de exactidão temática dos mapas.
Para poder realizar este tipo de análise, deverá ser feita uma amostragem
aleatória, estratificada sobre um mapa de referência. As unidades amostrais resultantes
desse mapa de referência seriam comuns no processo de avaliação da exactidão temática
de todos os mapas. O mapa de referência deverá ter características semelhantes aos
mapas dos testes, principalmente no que toca à nomenclatura das classes de ocupação
do solo e a unidade mínima cartográfica.
No entanto, através das amostras de teste foi possível avaliar o desempenho
entre as diferentes abordagens de classificação (classificador/ conjunto de dados), onde
os resultados obtidos determinam que o Classificador de Máxima Verosimilhança
(CMV) supera o Classificador de Árvores de Decisão (CAD) quanto à exactidão global
dos mapas. Por outro lado, observou-se que os conjuntos de dados que mais
beneficiaram as classificações com CMV foram aqueles constituídos por imagens de
Abril e Julho com dados de NDVI de Abril e Julho e os dados resultantes da Análise de
Componentes Principais (ACP) de Abril e Julho. Quanto ao CAD os conjuntos de dados
que mais favoreceram os resultados foram os conjuntos constituídos por imagens de
Abril e Julho e os dados resultantes da ACP.
62
Outras abordagens poderiam ser testadas, para melhorar os resultados relativos à
exactidão temática dos mapas. Nomeadamente ao nível do pré-processamento, através
da aplicação de correcções radiométricas de forma a eliminar o efeito da topografia que
se observa na metade Sul da área de estudo. A inclusão de dados não espectrais, em
particular com o classificador de árvores de decisão, poderia também melhorar os
valores de exactidão temática dos mapas produzidos. Outras técnicas de classificação
como a classificação ao nível do sub-pixel, poderão demonstrar um desempenho
superior, considerando a questão da resolução espacial e espectral das imagens AWiFS
que se traduz num baixo poder resolvente das mesmas, nesta área de estudo.
Por fim, considera-se que o principal objectivo para o qual este estudo foi
desenvolvido foi plenamente atingido. Este foi a aprendizagem e a aplicação de técnicas
de processamento digital de imagem e de classificação automática de imagens de
satélite, para produção de cartografia de ocupação do solo.
63
REFERÊNCIAS BIBLIOGRÁFICAS
ARAÚJO, A. e CAETANO, M., 2006. Nomenclatura de ocupação do solo LANDEO. (Lisboa: Instituto Geográfico Português)
ARAÚJO, ANTÓNIO MANUEL SAFARA., 2008, Análise de padrões espectrais e temporais de imagens MERIS para a caracterização da ocupação do solo em Portugal, Tese de Mestrado, IST-Lisboa
BAÇÃO, F. L., 2004, Apontamentos da disciplina de Data Mining Geo-Espacial, ISEGI- Lisboa
CAETANO, M., SANTOS, T., E GONÇALVES, L., 2002, Cartografia de Ocupação do Solo com Imagens de Satélite: Estado da Arte, [CD-ROM]. in Actas do VII Encontro de Utilizadores de Informação Geográfica (Oeiras: USIG)
CAETANO, M., F. MATA E S. FREIRE, 2006, Acuracy assessment of the Portuguese CORINE Land Cover map, Global Developments in Environmental Earth Observation from Space (A. Marçal, editor), (Rotterdam:Millpress), pp.459-467
CAETANO, M., V. NUNES, E A. ARAÚJO, 2008, Concepção e desenvolvimento das especificações técnicas da nova Carta de Ocupação do Solo de Portugal Continental, Actas do X Encontro de Utilizadores de Informação Geográfica, (Oeiras: USIG), suporte digital sem paginação
CARRÃO, H., CAETANO, M. E COELHO, P., 2007, Sample Design and Analysis for Thematic Map Accuracy Assessment: An Approach Based on Domain Estimation for the Validation of Land Cover Products, [CD-ROM]. in Proceedings of the 32nd International Symposium on Remote Sensing of Environment (San Jose, Costa Rica)
CLARK LAB, 2008, IDRISI focus paper - Classification Tree Analysis URL (http://www.clarklabs.org/applications/upload/Classification-Tree-Analysis-IDRISI-Focus-Paper.pdf)
CONGALTON, R. E GREEN, K., 1999, Assessing the accuracy of remotely sensed data: principles and practices. (Boca Raton, Florida: Lewis Publishers)
COSTA, HUGO ALEXANDRE GOMES DA., 2008, Estratégia multi-temporal para produção automática de cartografia de ocupação do solo. Tese de Mestrado, ISEGI-UNL, Lisboa
COSTA, H., ARAÚJO, A., CARRÃO, H. E CAETANO, M., 2008, Influência das características técnicas das imagens de satélite na produção de cartografia de ocupação do solo: estudo baseado em imagens MERIS e AWiFS, Actas do X Encontro de Utilizadores de Informação Geográfica (Oeiras:USIG), in press
COSTA, H., E CAETANO, M., 2009, Classificação de imagens AWiFS com uma abordagem combinada pixel/objecto, Anais do XIV Simpósio Brasileiro de Sensoriamento Remoto, (Natal, Brasil), pp.7781-7789, in press
64
COSTA, H., CARRÃO, BAÇÃO, F E CAETANO, M., 2009, Land cover classification in Portugal with multitemporal AWIFS images: a comparative study. Remote Sensing for a Changing Europe, (IOS Press, Amsterdam), pp.239-246
DGOTDU, 2004, Contributos para a Identificação e Caracterização da Paisagem em Portugal Continental. Volumes I a V, (Lisboa: Direcção-Geral do Ordenamento do Território e Desenvolvimento Urbano)
DÍAZ, M., 1997, Manejo forestal y diversidad biológica de las dehesas. Curso sobre ecologia, explotacíon y conservacion del arbolado em dehesas y montados Ibéricos. Torrejón el Rubio, Espanha
EASTMAN, J. R., 2006. IDRISI Andes, Guide to GIS and image processing, (Clark University, Worcester, EUA)
ESRI, 2008, ArcGis Desktop (Software). (California: Environmental Systems Research Institute: Redlands)
FRIEDL, M.A. E BRODLEY, C.E., 1997, Decision tree classification of land cover from remotely sensed data. Remote Sensing of Environment, 61, pp. 399–409
GAUCH, H. G., JR. 1982, Multivariate Analysis in Community Structure, (University
Press, Cambridge) KENT E COKER, 1994, Vegetation description and analysis: a practical approach, (West
Sussex, England: JohnWiley and Sons)
IGP – Instituto Geográfico Português, 2010. Carta Administrativa Oficial de Portugal. URL: (http://www.igeo.pt/produtos/cadastro/caop/inicial.htm, consulta 4/09/2010)
IGP – Instituto Geográfico Português, 2010. CORINE Landcover 2006. (URL:http://www.igeo.pt/produtos/CEGIG/Corine.htm, ultima consulta:2/09/2010)
ISRO - Indian Space Research Organization, 2010, URL (http://www.isro.org/satellites/irs-p6resourcesat-1.aspx, última consulta 5/06/2010)
JENSEN, R., 1996. Introductory digital image processing: a remote sensing perspective. 2nd edition, (Prentice-Hall: New Jersey)
LILLESAND, T., KIEFER, R., CHIPMAN, J., 2004, Remote sensing and image interpretation. 5th edition, (New York: John Wiley & Sons, Inc)
LOUREIRO, MARTA LUÍSA DOLORES., 2008, Exploração das características espectrais de imagens ikonos para caracterização da ocupação do solo: comparação de classificadores. Tese de Mestrado, IST - Lisboa
LU, D. E WENG, Q., 2007, A survey of image classification methods and techniques for improving classification performance, International Journal of Remote Sensing, 28:5, pp.823 – 870
NRSA-National Remote Sensing Agency, 2003, IRS-P6 Data User´s Handbook. URL (http://www.euromap.de/download/P6_data_user_handbook.pdf, última consulta 5/06/2010)
65
PAL M. E MATHER, P., 2001. Decision tree based classification of remotely sensed data. in 22nd Asian Conference on Remote Sensing, 5-9 November, Singapore in press
PAL, M. E MATHER, P., 2003, An assessment of the effectiveness of decision tree methods for land cover classification. Remote Sensing of Environment, Volume 86, issue 4, pp 554-565
PINTO-CORREIA, T., CANCELA D´ABREU, A. E OLIVEIRA, R., 2001, Identificação de unidades de paisagem: metodologia aplicada a Portugal Continental, Finisterra, XXXVI, 72, pp 195-206
RICHARDS, J. A. E JIA, X., 2006, Remote sensing digital image analysis: an introduction, 4ª edição, (Germany: Springer)
SILVA, I.C.C (1992). Contribuição para o Estudo dos Montados de Sobro e Azinho. Trabalho de fim de Curso de Engenharia Agrícola. Universidade de Évora-Evora
STANNERS, D. E BOURDEAU, P. (Eds.), 1995, Europe’s environment, The dobřiš assessment, (Copenhagen Europe´s Environment Agency)
STEHMAN, S., CZAPLEWSKI, R., NUSSER, S., YANG, L. E ZHU, Z., 2000, Combining accuracy assessment of land-cover maps with environmental monitoring programs. Environmental monitoring and assessment 64, pp.115–126
STEHMAN, S., 2001. Statistical rigor and practical utility in thematic map accuracy, Photogrammetric Engineering & Remote Sensing, 67, pp. 727-734
VAN TONGEREN, O. F. R., 1996. Cluster analysis. In R.H.G. Jongman, C. J. F. ter Braak , & O. F. R. van Tongeren (eds). Data analysis in community and landscape ecology (New York: Cambridge Unversity press), pp.174-221
VERSLUIS, ANNA E ROGAN, JOHN, 2009, Mapping land-cover change in a Haitian watershed using a combined spectral mixture analysis and classification tree procedure, Geocarto International
WENG, Q., 2010. Remote Sensing and GIS Integration - Theories, Methods and Applications. (McGraw-Hill, New York)
66
ANEXOS
67
ANEXO I
COMPOSIÇÕES COLORIDAS DAS IMAGENS AWIFS (342)
68
ANEXO II
NOMENCLATURA LANDEO
LEVEL 1 LEVEL 2 LEVEL 3 LEVEL 4 LEVEL 5
1.1 Continuous Artificial Areas
1.1.0. 1.1.0.0. 1.1.0.0
1. Artificial Areas
1.2 Descontinuous Artificial Areas
1.2.0. 1.2.0.0. 1.2.0.0.
2.1. Rainfed Herbaceous Crops
2.1.0. 2.1.0.0. 2.1.0.0.
2.2. Irrigated Herbaceous Crops
2.2.0. 2.2.0.0. 2.2.0.0.
2.3. Rice Crops 2.3.0. 2.3.0.0. 2.3.0.0.
2.4.1.1. Permanent Evergreen Crops (Trees or Shrubs) without understory agricultural systems
2.4.1.1 2.4.1. Permanent Evergreen Crops (Trees or Shrubs)
2.4.1.2. Permanent Evergreen Crops (Trees or Shrubs) with understory agricultural systems
2.4.1.2
2.4.2.1. Permanent Deciduous Crops (Trees or Shrubs) without understory agricultural systems
2.4.2.1
2.4. Permanent Crops (Trees or Shrubs)
2.4.2. Permanent Deciduous Crops (Trees or Shrubs)
2.4.2.2. Permanent Deciduous Crops (Trees or Shrubs) with understory agricultural systems
2.4.2.2
2. Croplands
2.5. Mosaic Cultivated and managed lands
2.5.0.. 2.5.0.0. 2.5.0.0
3. Natural And Semi-Natural Terrestrial Vegetation
3.1. Broadleaved Closed to Open Trees
3.1.1. Broadleaved Closed Trees
3.1.1.1 Broadleaved Evergreen Closed Trees
3.1.1.1.1 Broadleaved Evergreen Closed Trees without understory agricultural systems
3.1.1.1.2 Broadleaved Evergreen Closed Trees with understory agricultural systems
69
LEVEL 1 LEVEL 2 LEVEL 3 LEVEL 4 LEVEL 5
3.1.1.2 Broadleaved Deciduous Closed Trees
3.1.1.2.1 Broadleaved deciduous Closed Trees without understory agricultural systems
3.1.1.2.2 Broadleaved deciduous Closed Trees with understory agricultural systems
3.1.2.2 Broadleaved Deciduous Open Trees
3.1.2.2.1 Broadleaved Deciduous Open Trees without understory agricultural systems
3.1.2. Broadleaved Open Trees
3.1.2.1 Broadleaved Evergreen Open Trees
3.1.2.1.1 Broadleaved Evergreen Open Trees without understory agricultural systems
3.1.2.2 Broadleaved Deciduous Open Trees
3.1.2.2.1 Broadleaved Deciduous Open Trees without understory agricultural systems
3.1.2.2.1 Broadleaved Deciduous Open Trees with understory agricultural systems
3.2.1. Needleleaved Closed Trees
3.2.1.0. 3.2.1.0 3.2. Needleleaved Closed to Open Trees
3.2.2. Needleleaved Open Trees
3.2.2.0. 3.2.2.0
3.3.1. Mixed Closed Trees
3.3.1.0. 3.3.1.0 3.3. Mixed Closed to Open Trees
3.3.2. Mixed Open Trees
3.3.2.0. 3.3.2.0.
3.4.1. Closed Shrubland
3.4.1.0. 3.4.1.0. 3.4. Closed to Open Shrubland
3.4.2. Open Shrubland 3.4.2.0. 3.4.2.0.
3.5.1 Closed Herbaceous Vegetation
3.5.1.0. 3.5.1.0. 3.5. Closed to Open Herbaceous Vegetation
3.5.2 Open Herbaceous Vegetation
3.5.2.0. 3.5.2.0.
3.6.1 Sparse Trees 3.6.1.0. 3.6.1.0.
3.6. Sparse Vegetation
3.6.2 Sparse Shrubs 3.6.2.0. 3.6.2.0.
70
LEVEL 1 LEVEL 2 LEVEL 3 LEVEL 4 LEVEL 5
3.6.3 Sparse Herbaceous
3.6.3.0. 3.6.3.0.
3.7. Mosaic Trees/Shrubs/Herbaceous
3.7.0. 3.7.0.0. 3.7.0.0.
3.8. Recently Burnt (Trees or Shrubs)
3.8.0 3.8.0.0. 3.8.0.0.
3.9. Clear-cutts 3.9.0 3.9.0.0. 3.9.0.0.
3.10. New plantations
3.10.0 3.10.0.0. 3.10.0.0.
4. Mosaics 4.1. Mosaic Cultivated and managed lands/Natural and Semi-natural areas/Artificial areas
4.1.0 4.1.0.0. 4.1.0.0.
5. Permanent Wetlands
5.0 5.0.0 5.0.0.0. 5.0.0.0.
6. Barren 6.0 6.0.0 6.0.0.0. 6.0.0.0.
7. Water Bodies 7.0 7.0.0 7.0.0.0. 7.0.0.0.
71
ANEXO III
CLASSES ADOPTADAS E CORRESPONDÊNCIA COM A
NOMENCLATURA LANDEO.
Código Classe de ocupação do solo Descrição/ caracterização
7 (1) Water Bodies (Corpos de água)
A ocupação do solo consiste em corpos de água naturais ou artificiais de água doce ou salgada
11 (2) Continuous Artificial Areas (Área urbana contínua)
A ocupação do solo consiste em áreas artificiais (e.g., edificações, estradas). Pelo menos 80% da área total deverá ser impermeável
12 (3) Descontinuous Artificial (Área urbana descontínua)
A ocupação do solo consiste em áreas artificiais (e.g., edificações, estradas). Entre 30-80% da área total deverá ser impermeável.
21+35 (4)
Rainfed Herbaceous Crops + Closed to Open Herbaceous Vegetation (Culturas agrícolas de sequeiro + vegetação herbácea natural)
A ocupação do solo consiste em culturas herbáceas de sequeiro. As culturas são colhidas anualmente e seguidas por um período de solo nu; A ocupação do solo consiste em vegetação herbácea que cobre mais que 15% do solo. A cobertura arbórea e arbustiva é inferior a 15%.
34 (5) Shrubland (Matos)
A ocupação do solo consiste em vegetação lenhosa (arbustos) que cobre mais que 15% do solo e tem menos de 5m de altura. A cobertura arbórea é inferior a 15%.
36 (6) Sparse Vegetation (Vegetação esparsa)
A ocupação do solo consiste m área naturais com vegetação com uma cobertura do solo entre 4-15%;
241 (7) Permanent Evergreen Crops (Culturas permanentes perenifólias)
A ocupação do solo consiste em culturas permanente perenifolias. e.g. pomares, olival
310 (8) New plantations (Novas plantações/arborizações)
A ocupação do solo consiste em árvores jovens, com altura inferior a 5 m. Geralmente as árvores estão dispostas em linhas de plantação.
311 (9) Broadleaved Closed Trees (Floresta fechada de folhosas)
A ocupação do solo consiste em árvores de espécies de folhosas com pelo menos 5m de altura e com uma cobertura do solo superior a 40%.
312 (10) Broadleaved Open Trees (Floresta aberta de folhosas)
A ocupação do solo consiste em árvores de espécies de folhosas com pelo menos 5m de altura e com uma cobertura do solo entre 15-40%.
72
ANEXO IV
MATRIZES DE CONFUSÃO DOS MAPAS POR AMOSTRA DE REFERÊNCIA – CMV/ABRIL+JULHO
73
1 2 3 4 5 6 7 8 9 10 Total1 10 0 0 0 0 0 0 0 0 0 102 0 6 2 1 0 0 0 0 0 0 93 0 1 2 0 0 0 1 0 1 0 54 0 7 13 21 4 13 10 13 4 3 885 6 4 5 2 17 1 5 11 20 7 786 0 3 1 2 0 5 3 4 1 1 207 0 0 2 1 0 0 1 0 0 0 48 0 3 7 2 1 5 1 5 0 2 269 0 0 0 0 3 0 1 1 6 2 13
10 0 2 1 8 6 3 6 11 6 4 47Total 16 26 33 37 31 27 28 45 38 19 300
26%
1 2 3 4 5 6 7 8 9 10 Total1 5 1 0 0 0 0 0 0 2 0 82 0 6 3 0 0 0 0 0 0 0 93 0 1 0 2 1 0 0 1 0 0 54 0 5 12 17 3 11 8 16 9 5 865 0 1 3 6 23 1 3 20 27 0 846 0 1 0 2 1 5 3 6 2 0 207 0 0 2 0 1 0 0 0 0 1 48 0 5 8 1 1 4 0 5 2 0 269 0 0 0 0 2 0 1 1 10 0 14
10 0 1 1 4 6 5 6 10 10 1 44Total 5 21 29 32 38 26 21 59 62 7 300
24%
MA
PA C
MV
/AB
RIL
MA
PA C
AD
/AB
RIL
Exactidão Global
Exactidão Global
INFORMAÇÃO DE REFERÊNCIA
INFORMAÇÃO DE REFERÊNCIA
1 2 3 4 5 6 7 8 9 10 Total1 6 0 1 0 1 0 0 0 0 0 82 1 4 2 0 0 1 0 1 0 0 93 0 1 2 0 0 0 0 2 0 0 54 1 4 6 16 1 12 27 16 0 4 875 3 2 12 2 29 0 14 9 6 5 826 0 1 2 2 2 5 3 3 0 2 207 0 0 1 0 0 1 1 1 0 0 48 2 3 1 2 0 4 3 11 0 0 269 0 0 0 0 1 0 0 0 11 2 14
10 1 0 2 1 5 4 12 2 7 11 45Total 14 15 29 23 39 27 60 45 24 24 300
32%
1 2 3 4 5 6 7 8 9 10 Total1 6 0 0 0 0 0 2 0 0 0 82 1 2 2 1 0 2 0 1 0 0 93 0 2 1 0 0 0 0 1 1 0 54 0 9 13 20 0 11 11 18 1 5 885 0 1 5 3 19 0 6 12 8 28 826 0 2 5 0 0 3 5 2 0 3 207 0 0 2 1 0 0 0 1 0 0 48 0 2 7 2 0 5 2 7 0 1 269 0 0 0 0 1 0 1 0 10 2 14
10 0 0 2 2 2 4 9 6 8 11 44Total 7 18 37 29 22 25 36 48 28 50 300
26%
MA
PA C
AD
/JU
LH
OM
APA
CM
V/J
UL
HO
INFORMAÇÃO DE REFERÊNCIA
Exactidão Global
INFORMAÇÃO DE REFERÊNCIA
Exactidão Global
74
1 2 3 4 5 6 7 8 9 10 Total1 10 0 0 0 0 0 0 0 0 0 102 2 5 1 0 0 0 0 1 0 0 93 0 1 3 0 0 0 0 0 0 0 44 2 11 11 19 1 14 12 7 0 12 895 12 4 9 3 20 1 5 11 7 6 786 0 2 0 2 1 7 4 0 1 3 207 0 1 1 1 0 0 1 0 0 0 48 2 5 3 3 0 6 1 6 0 0 269 0 0 0 0 0 0 1 0 11 2 14
10 2 1 2 3 5 4 7 4 9 9 46Total 30 30 30 31 27 32 31 29 28 32 300
30%
1 2 3 4 5 6 7 8 9 10 Total1 6 0 0 0 0 0 0 0 2 0 82 1 4 2 1 0 0 0 1 0 0 93 0 1 2 0 0 0 0 2 0 0 54 0 4 11 24 0 13 15 12 1 7 875 3 0 4 4 27 1 3 9 13 15 796 0 2 0 3 0 8 2 4 1 2 227 0 1 2 1 0 0 0 0 0 0 48 0 4 3 3 0 4 2 9 0 1 269 0 0 0 0 2 0 0 1 11 0 14
10 1 1 0 1 6 4 9 7 11 6 46Total 11 17 24 37 35 30 31 45 39 31 300
32%
INFORMAÇÃO DE REFERÊNCIA
INFORMAÇÃO DE REFERÊNCIA
Exactidão Global
Exactidão Global
MA
PA C
MV
/AB
RIL
+ J
UL
HO
MA
PA C
AD
/AB
RIL
+ J
UL
HO
1 2 3 4 5 6 7 8 9 10 Total1 7 0 0 0 0 0 0 0 0 1 82 2 4 1 0 0 1 0 1 0 0 93 0 1 2 1 0 0 1 0 0 0 54 1 5 16 38 0 11 7 6 0 5 895 4 1 7 4 24 1 6 8 9 14 786 0 1 2 2 1 6 3 2 0 3 207 0 0 2 0 0 0 2 0 0 0 48 1 3 5 6 0 4 2 5 0 0 269 0 0 0 0 1 0 0 0 9 4 14
10 0 1 1 5 2 4 8 4 8 14 47Total 15 16 36 56 28 27 29 26 26 41 300
Exactidão Global 37%
1 2 3 4 5 6 7 8 9 10 Total1 6 0 1 0 1 0 0 0 0 0 82 1 5 1 1 0 0 0 1 0 0 93 0 1 0 1 0 0 2 0 0 1 54 2 15 6 24 1 8 14 8 0 10 885 0 1 5 4 28 1 3 5 9 26 826 0 2 0 1 0 6 2 4 2 3 207 0 0 1 1 0 0 1 0 0 1 48 0 9 4 2 0 2 2 5 0 2 269 0 0 0 0 3 0 0 1 10 0 14
10 0 1 1 1 5 4 6 3 10 13 44Total 9 34 19 35 38 21 30 27 31 56 300
Exactidão Global 33%
MA
PA C
MV
/ND
VI
MA
PA C
MV
/ND
VI
INFORMAÇÃO DE REFERÊNCIA
INFORMAÇÃO DE REFERÊNCIA
75
1 2 3 4 5 6 7 8 9 10 Total1 7 0 0 0 1 0 0 0 0 0 82 1 6 1 0 0 0 0 1 0 0 93 0 1 1 1 0 0 1 1 0 0 54 1 9 5 26 2 9 11 21 0 4 885 3 1 2 4 36 2 2 11 4 16 816 0 3 1 0 1 4 4 5 1 1 207 0 0 0 2 0 0 1 1 0 0 48 0 6 3 2 0 3 1 10 0 1 269 0 0 0 0 1 0 0 0 12 1 14
10 0 2 0 0 6 3 8 6 10 10 45Total 12 28 13 35 47 21 28 56 27 33 300
Exactidão Global 38%
1 2 3 4 5 6 7 8 9 10 Total1 9 0 0 0 0 0 0 0 0 1 102 0 3 2 1 0 1 0 2 0 0 93 0 1 0 3 0 0 0 1 0 0 54 2 5 19 22 0 7 15 8 5 7 905 4 1 1 3 14 1 6 4 24 18 766 0 3 3 3 0 4 2 2 3 1 217 0 0 1 1 0 0 0 1 0 1 48 0 1 3 9 0 5 4 2 0 1 259 0 0 0 0 3 0 1 0 6 3 13
10 0 1 2 1 5 4 6 3 12 13 47Total 15 15 31 43 22 22 34 23 50 45 300
Exactidão Global 24%
MA
PA C
MV
/CP
MA
PA C
AD
/CP
INFORMAÇÃO DE REFERÊNCIA
INFORMAÇÃO DE REFERÊNCIA
MATRIZES DE CONFUSÃO DOS MAPAS POR AMOSTRA DE
REFERÊNCIA – CMV/NDVI
1 2 3 4 5 6 7 8 9 10 Total1 7 0 0 0 0 1 0 0 0 0 82 0 7 0 0 0 1 0 0 0 0 83 0 0 1 0 1 0 0 0 0 0 24 1 8 13 17 3 9 3 5 4 4 675 6 3 5 8 21 1 1 5 15 3 686 0 2 11 6 4 6 4 6 6 3 487 1 0 1 0 0 0 0 0 1 0 38 2 7 4 3 1 3 0 9 1 3 339 1 0 1 0 4 0 0 1 5 1 13
10 1 2 5 5 15 3 1 5 11 2 50Total 19 29 41 39 49 24 9 31 43 16 300
25%
1 2 3 4 5 6 7 8 9 10 Total1 8 0 0 0 0 0 0 0 0 0 82 0 7 1 0 0 0 0 0 0 0 83 0 0 1 0 0 0 0 0 0 1 24 0 5 16 7 9 7 4 12 3 4 675 1 2 2 2 23 0 2 14 19 4 696 0 2 2 3 8 7 6 13 4 3 487 0 0 1 0 0 0 0 1 1 0 38 0 8 6 2 1 1 0 12 2 1 339 0 0 0 0 1 0 0 3 8 0 12
10 0 5 1 4 9 1 2 12 15 1 50Total 9 29 30 18 51 16 14 67 52 14 300
25%
MA
PA C
MV
/AB
RIL
MA
PA C
AD
/AB
RIL
INFORMAÇÃO DE REFERÊNCIA
INFORMAÇÃO DE REFERÊNCIA
Exactidão Global
Exactidão Global
76
1 2 3 4 5 6 7 8 9 10 Total1 7 0 1 0 0 0 0 0 0 0 82 0 6 1 0 0 0 0 1 0 0 83 0 1 1 0 0 0 0 0 0 0 24 1 0 2 13 7 9 18 9 1 6 665 7 2 8 1 30 1 4 4 5 7 696 1 0 2 1 8 5 13 11 1 7 497 0 0 0 0 0 0 0 1 1 0 28 0 2 3 5 0 5 2 15 0 1 339 0 0 1 0 3 0 0 0 6 2 12
10 0 3 2 2 6 2 14 2 10 10 51Total 16 14 21 22 54 22 51 43 24 33 300
31%
1 2 3 4 5 6 7 8 9 10 Total1 5 0 1 0 0 0 1 0 0 1 82 0 3 5 0 0 0 0 0 0 0 83 0 0 2 0 0 0 0 0 0 0 24 1 2 6 21 0 6 19 10 1 2 685 2 0 4 2 17 1 7 1 9 22 656 1 0 12 2 2 2 13 5 1 8 467 0 0 0 0 0 0 0 1 0 2 38 0 1 11 1 0 2 3 15 0 0 339 0 0 0 0 2 0 0 0 5 5 12
10 0 1 4 1 2 3 6 7 10 21 55Total 9 7 45 27 23 14 49 39 26 61 300
30%
INFORMAÇÃO DE REFERÊNCIA
INFORMAÇÃO DE REFERÊNCIA
Exactidão Global
Exactidão Global
MA
PA C
MV
/JU
LH
OM
APA
CA
D/J
UL
HO
1 2 3 4 5 6 7 8 9 10 Total1 8 0 0 0 0 0 0 0 0 0 82 0 7 1 0 0 0 0 0 0 0 83 0 0 2 0 0 0 0 0 0 0 24 2 6 9 19 1 11 6 4 0 9 675 11 1 9 3 20 1 3 3 11 6 686 1 2 10 1 5 6 7 6 1 9 487 1 1 0 0 0 0 0 0 1 0 38 2 4 5 2 0 6 1 11 0 2 339 0 0 1 0 2 0 1 0 8 1 13
10 1 4 3 3 7 4 5 4 10 9 50Total 26 25 40 28 35 28 23 28 31 36 300
30%
1 2 3 4 5 6 7 8 9 10 Total1 7 0 0 0 0 0 0 0 0 1 82 0 7 0 0 0 0 0 1 0 0 83 0 0 1 0 0 0 1 0 0 0 24 0 7 10 15 3 11 6 7 0 8 675 2 0 2 1 19 2 4 8 16 15 696 1 0 6 3 5 6 5 15 1 6 487 1 0 1 0 1 0 0 0 0 0 38 0 7 5 1 0 4 0 13 1 2 339 1 0 0 0 4 0 0 0 5 2 12
10 0 1 2 0 9 5 8 4 11 10 50Total 12 22 27 20 41 28 24 48 34 44 300
28%
INFORMAÇÃO DE REFERÊNCIA
INFORMAÇÃO DE REFERÊNCIA
MA
PA C
MV
/AB
RIL
+JU
LH
OM
APA
CA
D/A
BR
IL+J
UL
HO
Exactidão Global
Exactidão Global
77
1 2 3 4 5 6 7 8 9 10 Total1 8 0 0 0 0 0 0 0 0 0 82 1 6 1 0 0 0 0 0 0 0 83 0 1 1 0 0 0 0 0 0 0 24 3 8 10 19 1 12 10 2 0 3 685 9 2 5 3 17 2 6 7 9 7 676 2 2 9 4 5 6 6 6 2 5 477 1 1 0 0 0 0 0 0 1 0 38 3 5 4 2 0 6 1 10 0 2 339 2 0 0 0 3 0 1 0 5 2 13
10 1 5 0 2 4 4 6 5 13 11 51Total 30 30 30 30 30 30 30 30 30 30 300
28%
1 2 3 4 5 6 7 8 9 10 Total1 7 0 0 0 0 0 1 0 0 0 82 0 6 1 0 0 0 0 1 0 0 83 0 0 1 0 0 0 0 0 0 1 24 2 15 6 14 1 7 8 8 0 6 675 2 2 0 2 24 1 3 8 10 14 666 0 1 5 4 5 5 6 10 0 12 487 0 0 1 0 0 0 0 0 0 2 38 0 7 6 2 0 4 2 11 1 0 339 0 0 0 0 4 0 0 1 5 2 12
10 0 2 2 1 6 4 3 6 11 18 53Total 11 33 22 23 40 21 23 45 27 55 300
30%
INFORMAÇÃO DE REFERÊNCIA
INFORMAÇÃO DE REFERÊNCIA
Exactidão Global
MA
PA C
MV
/ND
VI
MA
PA C
AD
/ND
VI
Exactidão Global
1 2 3 4 5 6 7 8 9 10 Total1 7 0 0 0 1 0 0 0 0 0 82 0 7 1 0 0 0 0 0 0 0 83 0 1 0 0 1 0 0 0 0 0 24 2 12 3 17 4 6 8 13 0 3 685 8 2 3 4 31 1 1 4 6 10 706 1 0 2 3 8 6 6 12 1 8 477 1 0 0 0 0 0 0 1 0 1 38 1 7 2 3 0 4 0 13 0 3 339 1 0 0 0 4 0 0 0 6 1 12
10 0 3 0 4 6 3 4 5 13 11 49Total 21 32 11 31 55 20 19 48 26 37 300
33%
1 2 3 4 5 6 7 8 9 10 Total1 8 0 0 0 0 0 0 0 0 0 82 0 4 1 1 0 2 0 0 0 0 83 0 0 0 0 0 1 1 0 0 0 24 2 7 10 14 0 8 10 7 2 9 695 4 0 3 3 18 1 3 0 27 10 696 0 0 1 6 3 5 5 7 10 8 457 1 0 0 1 0 0 0 0 1 0 38 1 2 6 9 0 3 1 7 0 4 339 1 0 0 0 4 0 0 0 6 2 13
10 0 2 0 2 6 6 3 4 18 9 50Total 17 15 21 36 31 26 23 25 64 42 300
24%Exactidão Global
INFORMAÇÃO DE REFERÊNCIA
INFORMAÇÃO DE REFERÊNCIA
MA
PA C
AD
/CP
MA
PA C
MV
/CP
Exactidão Global
78
MATRIZES DE CONFUSÃO DOS MAPAS POR AMOSTRA DE REFERÊNCIA – CMV/CP
1 2 3 4 5 6 7 8 9 10 Total1 5 1 0 0 0 0 0 0 1 0 72 1 6 0 0 0 1 0 0 0 0 83 0 0 1 0 0 0 0 1 0 0 24 0 7 13 39 10 7 14 11 1 0 1025 4 2 5 4 23 1 1 9 20 9 786 1 1 2 2 0 8 2 4 1 2 237 0 0 0 1 0 0 0 0 0 0 18 1 0 4 3 0 3 1 13 0 1 269 0 0 0 0 3 0 0 0 7 2 12
10 0 0 5 7 9 4 2 4 6 4 41Total 12 17 30 56 45 24 20 42 36 18 300
35%
1 2 3 4 5 6 7 8 9 10 Total1 4 1 0 0 1 0 0 1 0 0 72 0 5 1 1 0 1 0 0 0 0 83 0 0 2 0 0 0 0 0 0 0 24 0 7 18 22 6 5 14 14 7 9 1025 1 2 1 2 16 1 2 23 28 1 776 0 3 1 0 2 8 1 6 2 0 237 0 0 0 0 0 0 0 0 0 1 18 0 2 8 1 1 4 0 9 0 2 279 0 0 0 0 0 0 0 0 11 0 11
10 0 3 3 1 3 1 3 14 9 5 42Total 5 23 34 27 29 20 20 67 57 18 300
27%
Exactidão Global
Exactidão Global
MA
PA C
AD
/AB
RIL
MA
PA C
MV
/AB
RIL
INFORMAÇÃO DE REFERÊNCIA
INFORMAÇÃO DE REFERÊNCIA
1 2 3 4 5 6 7 8 9 10 Total1 6 0 0 0 0 0 0 1 0 0 72 1 4 0 0 0 3 0 0 0 0 83 0 0 4 0 0 0 0 1 0 0 54 3 4 1 23 3 11 33 12 0 7 975 4 0 9 1 32 1 2 2 6 18 756 0 1 0 2 2 7 6 2 1 1 227 0 0 0 0 0 0 1 0 0 0 18 0 0 1 5 0 4 1 13 0 3 279 0 0 0 0 2 0 0 0 7 3 12
10 0 0 1 1 1 0 10 6 11 16 46Total 14 9 16 32 40 26 53 37 25 48 300
38%
1 2 3 4 5 6 7 8 9 10 Total1 6 0 1 0 0 0 0 0 0 0 72 1 2 3 0 0 1 0 1 0 0 83 0 1 3 0 0 0 0 0 0 0 44 1 5 13 16 1 11 26 14 3 7 975 1 0 5 0 14 1 16 2 7 28 746 0 0 4 0 0 3 8 4 0 3 227 0 0 0 1 0 0 0 1 0 0 28 0 0 5 1 0 3 3 12 1 2 279 0 0 0 0 1 0 1 0 7 2 11
10 0 0 5 0 0 1 9 4 11 18 48Total 9 8 39 18 16 20 63 38 29 60 300
27%
INFORMAÇÃO DE REFERÊNCIA
INFORMAÇÃO DE REFERÊNCIA
Exactidão Global
Exactidão Global
MA
PA C
AD
/JU
LH
OM
APA
CM
V/J
UL
HO
79
1 2 3 4 5 6 7 8 9 10 Total1 6 0 0 0 0 0 0 1 0 0 72 1 5 0 0 0 2 0 0 0 0 83 0 0 2 0 0 0 0 1 0 0 34 1 7 6 36 2 6 13 12 1 14 985 5 3 5 2 29 0 0 7 7 16 746 0 0 1 2 1 11 2 2 0 3 227 0 0 0 1 0 0 0 0 0 0 18 0 0 1 2 1 4 2 16 0 2 289 0 0 0 0 1 0 0 0 8 2 11
10 0 1 3 4 2 4 2 5 12 15 48Total 13 16 18 47 36 27 19 44 28 52 300
43%
1 2 3 4 5 6 7 8 9 10 Total1 5 0 0 0 1 0 0 1 0 0 72 1 4 0 0 0 2 0 1 0 0 83 0 0 1 0 0 0 0 1 0 0 24 0 5 11 23 2 12 21 13 1 10 985 3 1 0 2 35 0 3 12 10 13 796 1 0 0 1 1 9 3 7 0 2 247 0 0 0 1 0 0 0 0 0 0 18 0 5 7 1 0 3 0 6 0 4 269 0 0 0 0 3 0 0 0 7 0 10
10 1 1 3 1 1 2 3 6 11 16 45Total 11 16 22 29 43 28 30 47 29 45 300
35%
MA
PA C
AD
/AB
RIL
+JU
LH
OM
APA
CM
V/A
BR
IL+J
UL
HO
INFORMAÇÃO DE REFERÊNCIA
INFORMAÇÃO DE REFERÊNCIA
Exactidão Global
Exactidão Global
1 2 3 4 5 6 7 8 9 10 Total1 6 0 0 0 0 0 0 1 0 0 72 1 3 2 0 0 2 0 0 0 0 83 0 0 3 0 0 0 0 1 0 0 44 1 6 8 45 1 7 13 8 1 8 985 5 1 4 4 29 0 3 9 5 13 736 1 0 0 3 1 9 2 3 2 2 237 0 0 0 1 0 0 0 0 0 0 18 0 2 3 7 0 2 0 10 1 3 289 0 0 0 0 1 0 0 0 10 1 12
10 0 1 1 3 4 2 4 7 10 14 46Total 14 13 21 63 36 22 22 39 29 41 300
43%
1 2 3 4 5 6 7 8 9 10 Total1 6 0 0 0 0 0 1 0 0 0 72 1 4 0 0 0 2 0 1 0 0 83 0 0 3 0 0 0 0 0 0 0 34 1 19 10 27 2 3 19 8 1 8 985 1 1 3 1 26 0 2 11 7 26 786 0 0 0 0 1 9 3 7 0 3 237 0 0 0 1 0 0 0 0 0 0 18 0 7 5 3 0 2 0 6 0 4 279 0 0 0 0 1 0 0 0 7 2 10
10 0 1 3 0 3 2 3 6 9 18 45Total 9 32 24 32 33 18 28 39 24 61 300
35%Exactidão Global
INFORMAÇÃO DE REFERÊNCIA
INFORMAÇÃO DE REFERÊNCIA
MA
PA C
MV
/ND
VI
MA
PA C
AD
/ND
VI
Exactidão Global
80
1 2 3 4 5 6 7 8 9 10 Total1 6 0 0 0 0 0 0 1 0 0 72 1 5 0 0 0 2 0 0 0 0 83 0 0 1 1 0 0 0 0 0 0 24 2 16 17 25 3 5 20 9 0 2 995 17 1 6 1 24 4 0 5 9 9 766 2 0 0 0 1 12 3 5 0 0 237 0 0 0 1 0 0 0 0 0 0 18 1 7 6 2 0 3 0 6 0 2 279 0 0 0 0 0 0 0 0 12 0 12
10 1 1 0 0 2 4 7 4 9 17 45Total 30 30 30 30 30 30 30 30 30 30 300
36%
1 2 3 4 5 6 7 8 9 10 Total1 6 0 0 0 0 0 0 0 1 0 72 1 2 1 1 0 3 0 0 0 0 83 0 0 0 1 0 0 0 1 0 0 24 2 5 19 22 0 8 21 8 1 16 1025 1 1 0 4 25 1 4 6 18 16 766 1 0 2 3 0 6 1 2 3 3 217 0 0 1 1 0 0 0 0 0 0 28 0 0 6 8 0 2 2 5 2 3 289 0 0 0 0 7 0 0 0 3 0 10
10 0 0 3 4 4 3 7 2 13 8 44Total 11 8 32 44 36 23 35 24 41 46 300
26%Exactidão Global
INFORMAÇÃO DE REFERÊNCIA
Exactidão Global
MA
PA C
MV
/CP
MA
PA C
AD
/CP
INFORMAÇÃO DE REFERÊNCIA
MATRIZES DE CONFUSÃO DOS MAPAS POR AMOSTRA DE REFERÊNCIA – CAD/ABRIL+JULHO
1 2 3 4 5 6 7 8 9 10 Total1 8 0 0 0 0 0 0 0 0 1 92 0 7 0 0 0 0 0 0 0 0 73 0 0 3 1 0 0 0 1 0 0 54 0 8 24 25 5 4 11 12 4 2 955 2 0 9 7 22 1 4 7 22 2 766 0 1 0 1 0 4 0 1 0 1 87 0 0 0 0 0 0 0 0 0 0 08 0 4 6 5 2 1 2 8 1 1 309 0 0 1 1 7 0 0 1 11 0 21
10 0 0 5 7 8 6 5 6 9 3 49Total 10 20 48 47 44 16 22 36 47 10 300
30%
1 2 3 4 5 6 7 8 9 10 Total1 7 0 0 0 0 0 0 1 1 0 92 0 5 1 0 0 1 0 0 0 0 73 0 1 1 1 0 0 0 1 0 0 44 0 13 25 18 8 3 7 12 1 7 945 6 2 5 4 24 1 3 12 18 3 786 0 1 0 1 0 5 0 0 1 0 87 0 0 0 0 0 0 0 0 0 0 08 0 1 5 0 2 5 2 11 4 1 319 2 0 0 0 5 0 0 2 8 3 20
10 1 2 6 2 6 4 4 10 9 5 49Total 16 25 43 26 45 19 16 49 42 19 300
28%
INFORMAÇÃO DE REFERÊNCIA
Exactidão Global
INFORMAÇÃO DE REFERÊNCIA
MA
PA C
MV
/AB
RIL
Exactidão Global
MA
PA C
AD
/AB
RIL
81
1 2 3 4 5 6 7 8 9 10 Total1 8 0 1 0 0 0 0 0 0 0 92 0 3 1 0 0 2 0 1 0 0 73 0 1 1 0 0 0 1 1 0 1 54 1 3 2 15 4 16 31 13 0 6 915 1 0 8 7 38 1 5 2 5 7 746 0 0 0 0 0 5 1 2 0 1 97 0 0 0 0 0 0 0 0 0 0 08 0 2 7 4 0 0 6 12 0 0 319 0 0 0 0 1 0 2 1 17 3 24
10 1 2 1 2 9 1 11 4 4 15 50Total 11 11 21 28 52 25 57 36 26 33 300
38%
1 2 3 4 5 6 7 8 9 10 Total1 5 0 0 0 1 0 1 0 1 1 92 0 3 2 0 0 2 0 0 0 0 73 0 1 1 1 0 0 2 0 0 0 54 0 10 8 25 0 5 16 20 2 6 925 1 2 5 3 26 0 12 4 6 13 726 0 1 0 0 0 6 1 1 0 1 107 0 0 0 0 0 0 0 0 0 0 08 0 0 9 2 0 1 4 13 1 0 309 0 0 0 0 1 0 4 1 15 2 23
10 0 1 1 2 1 3 10 8 4 22 52Total 6 18 26 33 29 17 50 47 29 45 300
39%
INFORMAÇÃO DE REFERÊNCIA
INFORMAÇÃO DE REFERÊNCIA
Exactidão Global
Exactidão Global
MA
PA C
MV
/JU
LH
OM
APA
CA
D/J
UL
HO
1 2 3 4 5 6 7 8 9 10 Total1 9 0 0 0 0 0 0 0 0 0 92 0 5 2 0 0 0 0 0 0 0 73 0 0 3 0 0 0 0 1 0 1 54 3 5 14 33 1 4 13 7 1 11 925 3 1 8 5 30 1 9 4 10 3 746 0 0 2 0 0 5 0 1 0 1 97 0 0 0 0 0 0 0 0 0 0 08 0 0 5 4 0 3 2 12 0 5 319 0 0 1 1 1 0 1 1 17 2 24
10 1 1 1 3 7 5 8 1 7 15 49Total 16 12 36 46 39 18 33 27 35 38 300
43%
1 2 3 4 5 6 7 8 9 10 Total1 9 0 0 0 0 0 0 0 0 0 92 0 3 2 0 0 1 0 1 0 0 73 0 0 3 0 0 0 0 2 0 0 54 2 16 14 20 0 12 16 8 1 3 925 12 4 5 2 21 2 5 6 7 7 716 0 0 1 0 0 8 0 0 0 1 107 0 0 0 0 0 0 1 0 0 0 18 0 5 4 3 0 3 2 12 0 1 309 2 0 0 3 2 0 0 0 16 2 25
10 3 3 0 2 4 9 6 2 4 17 50Total 28 31 29 30 27 35 30 31 28 31 300
37%
INFORMAÇÃO DE REFERÊNCIA
Exactidão Global
INFORMAÇÃO DE REFERÊNCIA
MA
PA C
MV
/AB
RIL
+JU
LH
O
Exactidão Global
MA
PA C
AD
/AB
RIL
+JU
LH
O
82
1 2 3 4 5 6 7 8 9 10 Total1 9 0 0 0 0 0 0 0 0 0 92 0 2 3 0 0 2 0 0 0 0 73 0 0 3 0 0 0 0 1 0 1 54 2 2 13 39 1 5 17 8 1 6 945 2 1 6 6 34 1 10 3 7 3 736 0 0 2 0 0 5 0 1 0 1 97 0 0 0 0 0 0 0 0 0 0 08 0 0 7 5 0 4 2 10 0 2 309 0 0 0 2 1 0 2 0 17 2 24
10 1 1 2 4 5 5 6 2 9 14 49Total 14 6 36 56 41 22 37 25 34 29 300
44%
1 2 3 4 5 6 7 8 9 10 Total1 8 0 0 0 0 0 0 0 1 0 92 0 3 3 0 0 0 0 1 0 0 73 0 0 1 4 0 0 0 0 0 0 54 1 26 10 23 1 3 13 5 0 13 955 6 3 4 4 29 1 7 5 5 10 746 0 0 0 0 1 6 0 0 0 1 87 0 0 0 0 0 0 0 0 0 0 08 0 4 7 9 0 2 2 4 0 1 299 0 0 0 1 3 0 0 1 17 1 23
10 1 4 2 0 2 6 3 3 6 23 50Total 16 40 27 41 36 18 25 19 29 49 300
38%
INFORMAÇÃO DE REFERÊNCIA
Exactidão Global
INFORMAÇÃO DE REFERÊNCIA
MA
PA C
AD
/ND
VI
Exactidão Global
MA
PA C
MV
/ND
VI
1 2 3 4 5 6 7 8 9 10 Total1 8 0 0 0 1 0 0 0 0 0 92 0 2 3 0 0 2 0 0 0 0 73 0 0 3 2 0 0 0 0 0 0 54 2 12 9 33 4 5 11 12 0 4 925 2 1 3 7 37 1 5 6 6 5 736 0 1 0 1 0 5 0 0 0 1 87 0 0 0 0 0 0 1 0 0 0 18 0 1 1 3 0 3 3 20 0 0 319 0 0 0 0 2 0 1 2 18 2 25
10 1 1 1 4 8 3 8 5 6 12 49Total 13 18 20 50 52 19 29 45 30 24 300
46%
1 2 3 4 5 6 7 8 9 10 Total1 9 0 0 0 0 0 0 0 0 0 92 0 2 2 1 0 2 0 0 0 0 73 0 1 1 3 0 0 0 0 0 0 54 0 4 21 20 0 12 10 11 4 13 955 0 0 3 8 20 1 7 4 21 14 786 0 1 2 0 1 4 0 0 0 0 87 0 0 0 0 0 0 0 0 0 0 08 0 3 5 6 0 2 4 6 1 2 299 0 0 0 2 5 0 0 0 10 3 20
10 0 1 3 5 3 5 5 2 14 11 49Total 9 12 37 45 29 26 26 23 50 43 300
Exactidão Global 28%
INFORMAÇÃO DE REFERÊNCIA
Exactidão Global
MA
PA C
AD
/CP
MA
PA C
MV
/CP
INFORMAÇÃO DE REFERÊNCIA
83
MATRIZES DE CONFUSÃO DOS MAPAS POR AMOSTRA DE REFERÊNCIA – CAD/NDVI
1 2 3 4 5 6 7 8 9 10 Total1 7 0 0 0 0 0 0 0 0 0 72 0 3 0 0 0 0 0 0 1 0 43 0 0 0 0 0 0 0 0 0 0 04 0 3 11 25 1 5 15 6 2 2 705 4 1 8 9 22 4 4 10 9 10 816 0 1 1 1 0 7 3 4 1 0 187 0 0 0 3 1 0 1 1 1 0 78 0 2 7 3 1 7 0 11 1 0 329 2 0 0 2 7 1 0 3 7 1 23
10 0 0 0 8 11 5 1 14 13 6 58Total 13 10 27 51 43 29 24 49 35 19 300
Exactidão Global 30%
1 2 3 4 5 6 7 8 9 10 Total1 7 0 0 0 0 0 0 0 0 0 72 0 3 0 0 0 0 0 0 1 0 43 0 0 0 0 0 0 0 0 0 0 04 0 7 23 9 3 2 9 8 4 6 715 3 4 4 6 15 3 3 23 17 3 816 0 1 2 1 1 8 3 2 0 0 187 0 0 1 1 0 0 0 1 3 1 78 0 4 5 3 1 9 1 6 2 1 329 2 1 0 1 5 1 0 4 7 2 23
10 0 0 6 2 7 5 3 17 11 6 57Total 12 20 41 23 32 28 19 61 45 19 300
Exactidão Global 20%
INFORMAÇÃO DE REFERÊNCIA
INFORMAÇÃO DE REFERÊNCIA
MA
PA C
AD
/AB
RIL
MA
PA C
MV
/AB
RIL
1 2 3 4 5 6 7 8 9 10 Total1 6 0 0 0 0 1 0 0 0 0 72 0 3 0 0 0 0 0 0 1 0 43 0 0 0 0 0 0 0 0 0 0 04 3 2 1 12 6 10 22 13 0 2 715 3 1 8 2 30 3 6 8 5 13 796 0 0 1 1 2 4 3 6 0 1 187 0 0 0 0 0 0 5 1 0 1 78 0 3 3 3 0 9 1 11 0 2 329 0 0 3 0 5 1 0 1 10 3 23
10 1 2 1 1 9 4 7 7 7 20 59Total 13 11 17 19 52 32 44 47 23 42 300
Exactidão Global 34%
1 2 3 4 5 6 7 8 9 10 Total1 7 0 0 0 0 0 0 0 0 0 72 0 1 1 0 0 1 0 0 0 1 43 0 0 0 0 0 0 0 0 0 0 04 2 4 7 9 0 6 19 17 0 7 715 0 2 5 4 11 0 15 6 9 28 806 0 1 3 1 0 3 2 4 2 2 187 0 0 0 1 0 0 3 2 0 1 78 0 5 7 1 0 5 2 10 2 0 329 0 0 3 0 3 0 0 1 13 3 23
10 1 1 8 0 5 0 16 4 9 14 58Total 10 14 34 16 19 15 57 44 35 56 300
Exactidão Global 24%
MA
PA C
MV
/JU
LH
OM
APA
CA
D/J
UL
HO
INFORMAÇÃO DE REFERÊNCIA
INFORMAÇÃO DE REFERÊNCIA
84
1 2 3 4 5 6 7 8 9 10 Total1 7 0 0 0 0 0 0 0 0 0 72 0 3 0 0 1 0 0 0 0 0 43 0 0 1 0 0 0 0 0 0 0 14 0 4 6 23 3 4 20 5 0 6 715 3 0 8 5 27 3 9 8 5 11 796 0 0 1 1 1 7 3 4 0 1 187 0 0 0 3 0 0 2 1 0 1 78 0 2 3 4 0 10 2 9 1 1 329 0 0 1 2 4 0 3 1 10 2 23
10 1 0 3 7 7 2 5 6 11 16 58Total 11 9 23 45 43 26 44 34 27 38 300
Exactidão Global 35%
1 2 3 4 5 6 7 8 9 10 Total1 7 0 0 0 0 0 0 0 0 0 72 0 3 0 0 1 0 0 0 0 0 43 0 0 0 0 0 0 0 0 0 0 04 0 4 10 18 6 8 13 6 0 6 715 3 1 4 4 18 4 7 11 9 20 816 0 0 0 2 0 10 2 2 0 2 187 0 0 1 1 0 0 3 1 0 1 78 0 3 5 2 0 10 2 8 1 1 329 2 0 0 1 2 2 1 2 12 1 23
10 0 0 4 6 8 4 6 11 8 10 57Total 12 11 24 34 35 38 34 41 30 41 300
Exactidão Global 30%
MA
PA C
MV
/AB
RIL
+JU
LH
OM
APA
CA
D/A
BR
IL+J
UL
HO
INFORMAÇÃO DE REFERÊNCIA
INFORMAÇÃO DE REFERÊNCIA
1 2 3 4 5 6 7 8 9 10 Total1 7 0 0 0 0 0 0 0 0 0 72 0 3 0 0 1 0 0 0 0 0 43 0 0 1 0 0 0 0 0 0 0 14 0 1 6 35 2 6 15 3 0 3 715 2 0 8 8 20 3 5 10 9 14 796 0 0 0 2 1 8 2 4 0 1 187 0 0 0 4 0 0 1 1 0 1 78 0 5 2 6 0 8 2 7 1 1 329 1 0 0 2 5 0 0 2 9 4 23
10 0 0 0 11 6 2 6 6 11 16 58Total 10 9 17 68 35 27 31 33 30 40 300
Exactidão Global 36%
1 2 3 4 5 6 7 8 9 10 Total1 7 0 0 0 0 0 0 0 0 0 72 0 3 0 0 1 0 0 0 0 0 43 0 0 1 0 0 0 0 0 0 0 14 7 15 5 22 2 3 11 2 0 3 705 11 3 11 3 18 3 3 8 9 12 816 1 1 2 0 0 9 2 1 0 2 187 0 0 0 1 0 0 5 1 0 0 78 0 6 7 2 0 9 1 6 1 0 329 2 0 1 0 2 2 2 1 12 1 23
10 2 2 3 2 7 4 6 11 8 12 57Total 30 30 30 30 30 30 30 30 30 30 300
Exactidão Global 32%
INFORMAÇÃO DE REFERÊNCIA
INFORMAÇÃO DE REFERÊNCIA
MA
PA C
MV
/ND
VI
MA
PA C
AD
/ND
VI
85
1 2 3 4 5 6 7 8 9 10 Total1 7 0 0 0 0 0 0 0 0 0 72 0 3 0 0 0 0 0 0 1 0 43 0 0 0 0 0 0 0 0 0 0 04 0 10 6 31 7 0 9 7 0 1 715 4 2 5 1 34 0 3 16 6 9 806 0 1 0 2 1 8 1 5 0 0 187 0 0 0 2 0 0 2 1 0 2 78 0 7 1 3 0 8 0 10 0 3 329 0 0 0 0 5 0 1 4 9 4 23
10 0 1 0 4 10 2 5 14 9 13 58Total 11 24 12 43 57 18 21 57 25 32 300
Exactidão Global 39%
1 2 3 4 5 6 7 8 9 10 Total1 7 0 0 0 0 0 0 0 0 0 72 0 3 0 0 0 0 0 0 0 1 43 0 0 0 0 0 0 0 0 0 0 04 1 3 13 14 0 6 14 8 1 11 715 2 1 7 8 11 0 6 4 23 19 816 0 0 1 3 0 6 3 1 1 3 187 0 0 1 1 0 0 3 2 0 0 78 0 1 6 5 0 9 3 3 4 1 329 1 0 1 0 5 1 2 1 8 4 23
10 2 0 6 1 5 3 2 8 12 18 57Total 13 8 35 32 21 25 33 27 49 57 300
Exactidão Global 24%
MA
PA C
MV
/CP
INFORMAÇÃO DE REFERÊNCIA
MA
PA C
AD
/CP
INFORMAÇÃO DE REFERÊNCIA
MATRIZES DE CONFUSÃO DOS MAPAS POR AMOSTRA DE
REFERÊNCIA – CAD/CP
1 2 3 4 5 6 7 8 9 10 Total1 4 2 0 0 0 0 0 0 0 0 62 2 2 0 0 0 0 0 0 0 0 43 0 1 0 2 0 0 0 0 0 0 34 1 8 9 15 4 1 9 10 5 1 635 1 1 10 10 18 3 2 6 16 2 696 1 5 3 7 2 11 4 5 3 0 417 0 1 2 0 3 0 1 0 0 0 78 2 3 7 8 4 3 1 11 4 0 439 0 0 0 3 6 0 0 1 5 0 15
10 1 6 7 11 6 4 0 7 4 3 49Total 12 29 38 56 43 22 17 40 37 6 300
Exactidão Global 23%
MA
PA C
MV
/AB
RIL
INFORMAÇÃO DE REFERÊNCIA
act dão G oba 23%
1 2 3 4 5 6 7 8 9 10 Total1 4 1 0 0 0 1 0 0 0 0 62 1 2 0 0 0 0 0 0 1 0 43 0 1 0 2 0 0 0 0 0 0 34 1 4 15 9 7 2 8 11 6 1 645 1 3 5 4 17 3 2 15 12 2 646 1 3 3 3 5 13 4 5 3 2 427 0 0 1 1 1 0 2 2 0 0 78 1 6 4 2 3 3 1 17 5 2 449 0 0 0 0 7 1 1 1 2 3 15
10 0 5 2 6 6 4 2 12 8 6 51Total 9 25 30 27 46 27 20 63 37 16 300
Exactidão Global 24%
MA
PA C
AD
/AB
RIL
INFORMAÇÃO DE REFERÊNCIA
86
1 2 3 4 5 6 7 8 9 10 Total1 4 1 0 0 0 0 1 0 0 0 62 1 2 0 0 0 0 0 1 0 0 43 0 0 0 0 0 0 1 1 0 1 34 2 10 2 12 1 3 17 14 0 1 625 0 0 3 1 28 2 10 8 7 10 696 0 0 3 7 6 6 10 7 0 2 417 0 1 0 0 1 0 2 3 0 0 78 0 2 3 6 3 5 4 16 1 3 439 0 1 0 0 5 0 4 0 3 2 15
10 1 0 6 3 7 3 16 7 3 4 50Total 8 17 17 29 51 19 65 57 14 23 300
Exactidão Global 26%
1 2 3 4 5 6 7 8 9 10 Total1 3 1 0 0 0 0 0 0 1 1 62 1 1 1 0 0 0 1 0 0 0 43 0 0 0 0 0 0 1 2 0 0 34 0 5 9 14 0 5 12 13 0 4 625 0 0 8 2 14 0 8 5 10 19 666 0 3 5 5 1 6 10 8 0 3 417 0 1 1 1 0 1 0 2 0 1 78 0 2 9 5 0 0 4 11 7 7 459 0 0 0 0 2 0 4 2 3 4 15
10 0 0 7 3 1 4 13 9 7 7 51Total 4 13 40 30 18 16 53 52 28 46 300
Exactidão Global 20%
MA
PA C
MV
/JU
LH
OM
APA
CA
D/J
UL
HO
INFORMAÇÃO DE REFERÊNCIA
INFORMAÇÃO DE REFERÊNCIA
1 2 3 4 5 6 7 8 9 10 Total1 4 1 1 0 0 0 0 0 0 0 62 2 2 0 0 0 0 0 0 0 0 43 0 1 0 0 0 0 1 0 0 1 34 3 3 6 23 1 1 13 5 0 7 625 3 1 4 5 20 1 7 8 7 13 696 1 1 6 1 4 13 6 5 0 4 417 0 1 2 2 1 0 1 0 0 0 78 1 1 9 7 4 4 2 11 1 3 439 0 0 0 3 6 0 2 0 3 1 15
10 1 2 10 6 8 4 5 1 2 11 50Total 15 13 38 47 44 23 37 30 13 40 300
Exactidão Global 29%
1 2 3 4 5 6 7 8 9 10 Total1 3 0 0 0 1 1 0 0 1 0 62 1 2 0 0 0 0 0 0 0 1 43 0 1 2 0 0 0 0 0 0 0 34 0 4 8 16 0 3 9 10 0 12 625 1 1 2 4 25 1 3 10 10 10 676 1 4 4 3 1 12 7 3 0 6 417 0 1 1 2 0 0 3 0 0 1 88 0 5 4 3 0 4 4 10 3 11 449 0 1 1 2 5 0 0 0 4 2 15
10 0 1 3 5 5 5 5 12 5 9 50Total 6 20 25 35 37 26 31 45 23 52 300
Exactidão Global 29%
INFORMAÇÃO DE REFERÊNCIA
INFORMAÇÃO DE REFERÊNCIA
MA
PA C
MV
/AB
RIL
+JU
LH
OM
APA
CA
D/A
BR
IL+J
UL
HO
87
1 2 3 4 5 6 7 8 9 10 Total1 4 1 1 0 0 0 0 0 0 0 62 2 2 0 0 0 0 0 0 0 0 43 0 1 0 0 0 0 1 0 0 1 34 2 3 6 29 1 1 14 4 0 3 635 2 1 0 8 19 1 9 6 9 12 676 1 1 6 6 3 13 3 5 0 4 427 0 0 3 2 1 0 2 0 0 0 88 1 1 8 10 2 4 1 11 2 3 439 0 0 0 2 7 0 1 1 3 1 15
10 1 3 5 7 5 3 7 5 1 12 49Total 13 13 29 64 38 22 38 32 15 36 300
Exactidão Global 32%
1 2 3 4 5 6 7 8 9 10 Total1 3 0 1 0 1 1 0 0 0 0 62 1 2 0 0 0 0 1 0 0 0 43 0 1 0 0 0 0 0 0 0 2 34 0 9 6 21 2 2 13 9 0 3 655 1 2 2 2 18 1 1 12 10 16 656 0 7 1 3 2 10 5 6 1 7 427 0 0 1 1 0 0 3 1 0 1 78 1 8 6 5 1 2 4 10 2 4 439 0 0 1 0 4 0 2 1 3 4 15
10 0 3 3 6 4 3 5 14 4 8 50Total 6 32 21 38 32 19 34 53 20 45 300
Exactidão Global 26%
INFORMAÇÃO DE REFERÊNCIA
INFORMAÇÃO DE REFERÊNCIA
MA
PA C
MV
/ND
VI
MA
PA C
AD
/ND
VI
1 2 3 4 5 6 7 8 9 10 Total1 4 1 1 0 0 0 0 0 0 0 62 1 1 1 0 0 0 0 1 0 0 43 0 1 0 1 0 0 1 0 0 0 34 1 4 8 25 2 1 10 11 0 0 625 2 1 1 5 26 2 4 12 6 10 696 0 5 3 5 5 9 5 7 1 1 417 0 0 1 2 1 0 2 2 0 0 88 1 4 4 5 2 3 1 15 3 5 439 0 0 0 1 5 0 3 3 3 0 15
10 1 4 3 7 6 3 4 14 1 6 49Total 10 21 22 51 47 18 30 65 14 22 300
Exactidão Global 30%
1 2 3 4 5 6 7 8 9 10 Total1 4 1 0 0 0 1 0 0 0 0 62 2 2 0 0 0 0 0 0 0 0 43 0 0 2 0 0 1 0 0 0 0 34 8 10 9 14 0 3 10 7 2 2 655 4 2 3 6 17 2 3 6 12 9 646 2 4 2 1 1 15 8 2 4 4 437 2 2 0 1 1 0 1 0 0 0 78 2 1 8 4 1 6 3 7 7 5 449 1 0 1 1 8 0 1 0 3 0 15
10 5 8 5 3 2 2 4 8 2 10 49Total 30 30 30 30 30 30 30 30 30 30 300
Exactidão Global 25%
MA
PA C
MV
/CP
MA
PA C
AD
/CP
INFORMAÇÃO DE REFERÊNCIA
INFORMAÇÃO DE REFERÊNCIA
88