CLASSIFICAÇÃO DO ESTÁGIO SUCESSIONAL DA VEGETAÇÃO EM …€¦ · Ficha catalográfica...
Transcript of CLASSIFICAÇÃO DO ESTÁGIO SUCESSIONAL DA VEGETAÇÃO EM …€¦ · Ficha catalográfica...
FELIPE MATHEUS PINTO
CLASSIFICAÇÃO DO ESTÁGIO SUCESSIONAL DA VEGETAÇÃO EM ÁREAS DE
FLORESTA OMBRÓFILA MISTA (FOM) COM O EMPREGO DE IMAGENS
DIGITAIS OBTIDAS POR VANT (VEÍCULO AÉREO NÃO TRIPULADO)
Dissertação apresentada ao Curso de Pós-Graduação em
Engenharia Florestal, do Centro de Ciências
Agroveterinárias, da Universidade do Estado de Santa
Catarina, como requisito parcial para a obtenção do grau
de Mestre em Engenharia Florestal.
Orientador: Adelar Mantovani
Co-orientador: Marcos Benedito Schimalski
LAGES
2018
Ficha catalográfica elaborada pelo (a) autor (a), com auxílio do
programa de geração automática da Biblioteca Setorial do CAV/UDESC
Pinto, Felipe Matheus
Classificação do estágio sucessional da vegetação
em áreas de floresta ombrófila mista (FOM) com o
emprego de imagens digitais obtidas por VANT
(Veículo Aéreo Não Tripulado) / Felipe Matheus
Pinto. - Lages , 2018.
89 p.
Orientador: Adelar Mantovani
Co-orientador: Marcos Benedito Schimalski
Dissertação (Mestrado) - Universidade do Estado
de Santa Catarina, Centro de Ciências
Agroveterinárias, Programa de Pós-Graduação em
Engenharia Florestal, Lages, 2018.
1. Segmentação. 2. Classificação Orientada a
Região. 3. Imagens de resolução espacial ultra
altas. 4. Drone. I. Mantovani, Adelar . II.
Schimalski, Marcos Benedito. , .III. Universidade
do Estado de Santa Catarina, Centro de Ciências
Agroveterinárias, Programa de Pós-Graduação em
Engenharia Florestal. IV. Título.
FELIPE MATHEUS PINTO
CLASSIFICAÇÃO DO ESTÁGIO SUCESSIONAL DA VEGETAÇÃO EM ÁREAS DE
FLORESTA OMBRÓFILA MISTA (FOM) COM O EMPREGO DE IMAGENS
DIGITAIS OBTIDAS POR VANT (VEÍCULO AÉREO NÃO TRIPULADO)
Dissertação apresentada ao curso de Mestrado em Engenharia Florestal do Centro de Ciências
Agroveterinárias da Universidade do Estado de Santa Catarina, como requisito parcial para a
obtenção do grau de mestre em Engenharia Florestal.
Banca examinadora
Orientador: __________________________________________________________
(Prof. Dr. Adelar Mantovani)
Universidade do Estado de Santa Catarina – UDESC
Membro: __________________________________________________________
(Prof. Dr. Veraldo Liesenberg)
Universidade do Estado de Santa Catarina – UDESC
Membro: ____________________________________________________________
(Profa. Dra. Polyanna da Conceição Bispo)
University of Leicester/Leicester-UK
Membro: ____________________________________________________________
(Prof. Dr. Patrick Nigri Happ)
PUC-Rio/Rio de Janeiro-RJ
Lages, 30 de Julho de 2018
À minha família, pelo apoio incondicional para a
realização dos meus sonhos, dedico.
AGRADECIMENTOS
Agradeço primeiramente aos meus pais, Osmar e Vânia, por todo incentivo dado desde
o início do mestrado, me apoiando de todas as formas para que eu seguisse nos estudos logo
que decidi que era o que eu queria fazer.
Agradeço às minhas irmãs, Gabi e Gio, por sempre estarem ali por mim, ouvindo meus
lamentos, apoiando, dando dicas e sempre me ajudando no que podiam.
Ao professor Dr. Marcos Benedito Schimalski, por ter acreditado em mim desde o
primeiro contato, por ter aceitado me orientar, além de ter me dado o incentivo necessário para
começar em uma área totalmente nova para mim e sempre dando dicas e ensinamentos que,
com certeza me auxiliaram na construção do meu conhecimento.
Agradeço ao professor Dr. Adelar Mantovani, pelo aceite em ser meu orientador e pelo
apoio em todas as etapas do curso de mestrado.
Agradeço a todos os amigos que fiz neste período de mestrado, e aos que já eram meus
amigos anteriormente, por todo companheirismo e amizade que demonstraram durante todo
este tempo, além das dicas e opiniões que forneceram para o meu crescimento.
Agradeço também a empresa Klabin pela concessão da bolsa de estudos e financiamento
do meu projeto, que facilitou e muito a obtenção dos resultados deste trabalho.
Por fim, agradeço a todos os demais que me auxiliaram de alguma forma na concepção
desta dissertação.
RESUMO
PINTO, Felipe Matheus. Classificação do estágio sucessional da vegetação em áreas de
Floresta Ombrófila Mista (FOM) com o emprego de imagens digitais obtidas por VANT
(Veículo Aéreo Não Tripulado). 2018. 89 folhas. Dissertação (Mestrado em Engenharia
Florestal – Linha de Pesquisa: Ecologia de Espécies Florestais e Ecossistemas Associados) –
Universidade do Estado de Santa Catarina. Programa de Pós-Graduação em Engenharia
Florestal, Lages, SC, 2018.
Nos últimos anos, o VANT tem surgido como uma alternativa às imagens obtidas por satélite
e por aerolevantamentos tripulados, como principais vantagens o incremento na resolução
espacial e flexibilidade na resolução temporal. Entretanto, devido a maior resolução espacial,
metodologias de classificação feitas pixel a pixel não apresentam bons resultados. Além disso,
as câmaras utilizadas por estes equipamentos costumam registrar apenas na faixa do visível, o
que dificulta a identificação da cobertura vegetal, dada a ausência de faixas do infravermelho
próximo. Sendo assim, é necessária a criação de metodologias que visem obter uma boa
classificação com a informação do visível somente. Com relação à resolução espacial,
metodologias de classificação orientadas a objeto tendem a apresentar resultados mais
satisfatórios. Para facilitar a detecção da vegetação apenas com as bandas do visível, existe a
possibilidade da criação de índices de vegetação, como é o caso do Triangular Greenness Index
(TGI), que visa detectar a quantidade de clorofila foliar. Esta dissertação de mestrado tem como
objetivo principal definir uma metodologia de classificação de imagens obtidas por VANT com
resolução espacial ultra alta e distinguir os estágios sucessionais de fragmentos florestais. O
estudo foi realizado em diferentes localidades no estado de Santa Catarina, em áreas de floresta
ombrófila mista, nos municípios de Bom Retiro, Lages, Bocaina do Sul e Curitibanos. A
geração dos mosaicos aéreos foi implementada no aplicativo Agisoft Photoscan®. A
Segmentation and Classification toolset, foi empregada para a classificação orientada a regiões.
Além disso, o TGI também foi usado de forma conjunta com as bandas espectrais. Para a
avaliação dos resultados parciais, foi gerada uma matriz de confusão, e posteriormente
calculado o Índice Kappa, para avaliar a acurácia da classificação. Os resultados obtidos até o
momento mostraram uma acurácia do Índice Kappa variando de 0,62 a 0,88, o que demonstra
resultados considerados de “Muito bom” até “Excelente”. Foi possível observar que, mesmo
com apenas as bandas na faixa do visível, foram obtidos resultados satisfatórios para a
classificação, demonstrando o potencial desta metodologia para a classificação imagens de ultra
alta resolução espacial.
Palavras-chave: Segmentação. Classificação Orientada a Região. Imagens de resolução
espacial ultra altas. Drone.
ABSTRACT
PINTO, Felipe Matheus. Classifying Successional Forest Stages using Digital Images
obtained by UAV (UNMANNED AERIAL VEHICLE) in different Mixed
Ombrophilous Forest (FOM) Areas. 2018. 89 pages. Thesis (Master Science - Research
Topic: Ecology of Forest Species and Associated Ecosystems) – Santa Catarina State
University. Graduate Program in Forest Engineering, Lages, SC, 2018
Recently, the UAV has emerged as an alternative to satellite imagery and manned aerial
surveys, having as main advantages the increasing of both spatial and temporal resolutions.
However, due to a higher spatial resolution, the traditional classification methodologies do not
provide reliable results. Moreover, since the cameras carried on these equipment usually acquire
data on the visible spectra, the vegetation mapping is difficult due to the absence of the infrared
spectra. Therefore, methodologies that rely on the use of the visible only are still necessary.
Regarding to the spatial resolution, methodologies of object-based oriented classification tend
to present better results than pixel-based approaches. Vegetation indices such as triangular
index of warts (TGI), which detects an amount of leaf chlorophyll, are also suggested to support
classification rather than the use of spectral bands alone. This master's thesis has as main
objective the classification of successional forest states using UAV data. This study was carried
in different locations of the mixed ombrophilous forest environments, located in the
municipalities of Bom Retiro, Lages, Bocaina do Sul and Curitibanos (Santa Catarina State).
The generation of aerial mosaics was implemented in the Agisoft Photoscan® application. The
Segmentation and Classification toolset was selected for the object-oriented based
classification. In addition, the TGI vegetation index was used coupled with the spectral bands
in the classification scheme. The results were evaluated using an error matrix in which Kappa
index was obtained. The results showed a Kappa index varying from 0.62 to 0.88 (i.e. "Very
Good" to "Excellent"). The results proved that it is still possible to reach very good results using
only visible spectral bands. This is a clear indication of the potential of the very high spatial
resolution acquired from UAVs to classify successional forest stages in mixed ombrophilous
forest areas.
Keywords: Segmentation. Region Based Classification. Ultra high spatial resolution images.
Drone.
LISTA DE ILUSTRAÇÕES
Figura 1 – a) Mapa de localização do bioma Mata Atlântica. b) Legenda do Mapa ................ 24
Figura 2 - Distribuição geográfica das diferentes formações florestais no estado de Santa
Catarina .................................................................................................................. 25
Figura 3 - Floresta em estágio inicial de regeneração .............................................................. 26
Figura 4 - Floresta em estágio médio de regeneração .............................................................. 27
Figura 5 - Floresta em estágio avançado de regeneração ......................................................... 28
Figura 6 - Nomenclatura dos VANTs com suas respectivas alturas de voo e duração em horas
............................................................................................................................... 33
Figura 7 - Trajetória do algoritmo mean-shift de Epanechnikov para descobrir os pontos com
maiores densidades (pontos em vermelho). ........................................................... 40
Figura 8 - VANT Phantom 4 PRO ........................................................................................... 45
Figura 9 – Localização do aerolevantamento no município de Bom Retiro ............................ 47
Figura 10 - Localização dos aéroslevantamentos no município de Bocaina do Sul................. 47
Figura 11 - Localização dos aérolevantamentos no município de Curitibanos ........................ 48
Figura 12 - Localização do aérolevantamento no município de Lages (Parnamul) ................. 48
Figura 13 - Fluxograma do trabalho realizado até obtenção das matrizes de confusão ........... 49
Figura 14 - Aplicativo DroneDeploy e parâmetros de voo ...................................................... 50
Figura 15 - Etapas do processamento no aplicativo computacional Agisoft Photoscan. A)
Nuvem esparsa de pontos, B) Nuvem densa de pontos, C) DEM e D) Ortomosaico
............................................................................................................................... 52
Figura 16 - Ortomosaico e polígono representando o tamanho do recorte utilizado para a
classificação ........................................................................................................... 52
Figura 17 - Ilustração das curvas de reflectâncias de uma cultura agrícola em função do
comprimento de onda. ........................................................................................... 54
Figura 18 - Imagem em cor natural (A) e em Falsa cor (B). Imagens em falsa cor segmentadas
(C e D) ................................................................................................................... 56
Figura 19 - Ferramenta Train Random Trees Classifier, usada para treinar o algoritmo para a
classificação ........................................................................................................... 58
Figura 20 – Ortoimagem do VANT, obtido em Bom Retiro, com polígonos em vermelho,
utilizados para validação dos resultados, e polígonos em amarelo, utilizados para
o treinamento do algoritmo de classificação. ........................................................ 59
Figura 21 - Mapa classificado para a ortoimagem obtida pelo VANT. ................................... 61
Figura 22 - Mapa classificado para a ortoimagem obtida pelo VANT para o PARNAMUL .. 63
Figura 23 - Mapa classificado para a ortoimagem obtida pelo VANT para a primeira área de
Bocaina do Sul ....................................................................................................... 65
Figura 24 - Mapa classificado e ortoimagem da área 4 ............................................................ 66
Figura 25 - Mapa classificado para a área 5 ............................................................................. 68
Figura 26 - Mapa classificado para a área 6 ............................................................................. 69
Figura 27 - Mapa classificado para área 7 ................................................................................ 71
LISTA DE QUADROS
Quadro 1 - Valores de referência para projetos de restauração no estado de São Paulo .......... 29
Quadro 2 - Histórico da fotogrametria e suas características. .................................................. 35
Quadro 3- Especificações VANT Phantom 4 pro .................................................................... 45
Quadro 4 - Comparação entre as câmaras utilizadas ................................................................ 46
Quadro 5 - Parâmetros de segmentação para o algoritmo Mean-Shift ..................................... 55
Quadro 6 - Classes de uso e ocupação do solo para cada imagem com suas quantidades
amostradas, em pixels ............................................................................................ 57
Quadro 7 - Matriz de confusão para a área 1 ............................................................................ 62
Quadro 8 - Matriz de confusão para a área 2 ............................................................................ 63
Quadro 9 - Matriz de confusão para a área 3 ............................................................................ 65
Quadro 10 - Matriz de Confusão para a área 4 ......................................................................... 67
Quadro 11 – Matriz de confusão para a área 5 ......................................................................... 68
Quadro 12 - Matriz de Confusão para a área 6 ......................................................................... 70
Quadro 13 - Matriz de confusão para a área 7 .......................................................................... 71
Quadro 14 - Resultado final para Kappa e acurácias do produtor e usuário ............................ 72
SUMÁRIO
1 INTRODUÇÃO .......................................................................................................... 19
1.1 HIPÓTESES ................................................................................................................. 20
1.2 OBJETIVOS ................................................................................................................. 20
1.2.1 OBJETIVO GERAL ..................................................................................................... 20
1.2.2 Objetivos específicos ................................................................................................... 20
2 REVISÃO BIBLIOGRÁFICA .................................................................................. 23
2.1 BIOMA MATA ATLÂNTICA .................................................................................... 23
2.1.1 Estágios sucessionais .................................................................................................. 25
2.1.1.1 Estudos sobre estágios de sucessão secundária ............................................................ 29
2.2 VEÍCULO AÉREO NÃO TRIPULADO (VANT) ....................................................... 31
2.3 FOTOGRAMETRIA ..................................................................................................... 34
2.4 SENSORIAMENTO REMOTO E A CLASSIFICAÇÃO DE IMAGENS DIGITAIS 36
2.4.1 Segmentação ................................................................................................................. 38
2.4.1.2 Algoritmo de média móvel (Mean Shift) ...................................................................... 38
2.4.2 Mineração de dados .................................................................................................... 41
2.4.3 Árvores Aleatórias (Random Trees) .......................................................................... 42
2.4.4 Avaliação dos resultados ............................................................................................ 43
3 MATERIAL E MÉTODOS ........................................................................................ 45
3. 1 MATERIAL .................................................................................................................. 45
3.2 LOCAL DE ESTUDO ................................................................................................... 46
3.3 METODOLOGIA .......................................................................................................... 49
3.4 CLASSIFICAÇÃO ORIENTADA A REGIÕES .......................................................... 55
3.5 AVALIAÇÃO DOS RESULTADOS ........................................................................... 59
4 RESULTADOS E DISCUSSÕES .............................................................................. 61
4.1 ÁREA 1 ......................................................................................................................... 61
4.2 ÁREA 2 ......................................................................................................................... 62
4.3 ÁREA 3 ......................................................................................................................... 64
4.4 ÁREA 4 ......................................................................................................................... 66
4.5 ÁREA 5 ......................................................................................................................... 67
4.6 ÁREA 6 ......................................................................................................................... 69
4.7 ÁREA 7 ......................................................................................................................... 70
5 CONSIDERAÇÕES FINAIS ...................................................................................... 75
REFERÊNCIAS ..................................................................................................................... 77
APÊNDICES ........................................................................................................................... 87
19
1 INTRODUÇÃO
Apesar do Brasil possuir a flora com maior diversidade no mundo, a exploração dos
recursos sem um direcionamento técnico tem causado perda de boa parte desta diversidade.
Esta perda pode acarretar em um prejuízo irreparável no futuro, pois parte das espécies estão
próximas da extinção (LORENZI, 1992).
Em Santa Catarina, a Floresta Ombrófila Mista (FOM), conhecida também por Floresta
de Araucária, ocupava 42.851,56 km² até 1978, entretanto, atualmente ocupa cerca de 12.317,2
km². Grande parte dessa redução ocorreu devido à grande exploração das espécies como
araucária (Araucaria angustifolia) e imbuia (Ocotea porosa), além do desmatamento para a
expansão agrícola (KLEIN, 1978; RONDOM NETO et al., 2002; VIBRANS et al., 2013).
Diversos são os fatores que tornam a conservação destes remanescentes florestais uma
tarefa importante, dentre eles pode-se citar questões ambientais e sociais. Ambientalmente
falando, tem utilidade na proteção do solo, manejo dos cursos d’agua entre outros. Quanto à
questão social, a floresta oferece produtos madeireiros e não madeireiros, muito utilizados pelos
produtores rurais. Como exemplo de produto não madeireiro tem-se o pinhão, que é a semente
da araucária, sendo uma fonte de renda para os proprietários (HIGUCHI et al., 2012).
Desde o ano de 1965, com o surgimento da Lei 4.771 (BRASIL, 1965), chamada de
Código Florestal Brasileiro, diversas tem sido as tentativas de regulamentar as questões de
conservação da vegetação. Entretanto, foi apenas a partir de 1993 que surgiram as
regulamentações que estabeleciam as diferenciações dos estágios de sucessão secundária da
vegetação, através das variáveis área basal, diâmetro e altura dos indivíduos arbóreos, dentre
outras. Esta diferenciação dos estágios é importante na parte da legislação pois é mencionada
nas leis de proteção ambiental, logo, é necessário estabelecer os melhores critérios para
diferenciação destes estágios de maneira que coincidam com os parâmetros já estabelecidos
pela legislação (SIMINSKI; FANTINI, 2004).
Diferentes metodologias foram testadas para a separação destes estágios, como exemplo
tem -se a idade da vegetação, parâmetros de estrutura, Sensoriamento Remoto, fitofisionomias
e através de análise multivariada (SIMINSKI et al, 2013). Dentre estas técnicas, o
Sensoriamento Remoto tem vantagem em locais com grandes extensões territoriais devido a
maior facilidade de obtenção de dados (PONZONI; REZENDE, 2002).
No Sensoriamento Remoto existem variações entre plataformas de obtenção de imagem,
resoluções espacial, espectral, radiométrica e temporal, modo de obtenção de imagens, entre
20
outros (EHLERS et al. 2002). Quanto às plataformas de obtenção de dados existem plataformas
orbitais, aerotransportadas e terrestres.
Uma plataforma de obtenção de imagens que tem se destacado nos últimos anos é o
Veículo Aéreo Não Tripulado (VANT). As vantagens de se utilizar deste tipo de plataforma ao
invés de plataformas orbitais ou aero tripuladas são a redução de custos com a obtenção das
imagens aéreas, possibilidade de obter imagens com ultra alta resolução espacial e resolução
temporal flexível, entre outras (LONGUITANO, 2010).
Considerando-se a resolução espacial das imagens derivadas por VANT, os métodos
tradicionais de classificação pixel-a-pixel podem apresentar problemas. Esta metodologia acaba
produzindo um resultado com um efeito conhecido por sal e pimenta, tornando necessária a
utilização de metodologias diferenciadas para este tipo de imagem. Neste sentido, a
metodologia OBIA tem se mostrado uma alternativa. O que diferencia esta metodologia é o fato
de os pixels serem agrupados em regiões, ou segmentos, homogêneas (os) a partir de um ou
mais critérios de homogeneidade e a partir destes então define-se uma rede semântica com
regras apropriadas para a classificação (BLASCHKE et al., 2010; WHITESIDE et al., 2011;
LALIBERTE et al., 2010).
1.1 HIPÓTESES
O uso de imagens opticas geradas a partir de VANT possibilita a diferenciação da FOM
em diferentes estágios sucessionais com alto nível de detalhe, incerteza aceitável e compatível
com os métodos tradicionais de classificação.
1.2 OBJETIVOS
1.2.1 Objetivo geral
O objetivo principal deste trabalho é desenvolver uma metodologia semi-automatizada,
com base em imagens obtidas por VANT, para classificação dos estádios sucessionais da
vegetação de Floresta Ombrófila Mista.
1.2.2 Objetivos específicos
21
a) Testar a utilização de uma metodologia de classificação orientada a regiões em imagens
obtidas por VANT;
b) Investigar a utilidade das informações extraídas a partir desta metodologia para as áreas
de fiscalização e recuperação ambiental;
c) Interpretar os resultados obtidos para detectar parâmetros bons na separabilidade dos
estágios de sucessão da vegetação na Floresta Ombrófila Mista.
22
23
2 REVISÃO BIBLIOGRÁFICA
2.1 BIOMA MATA ATLÂNTICA
Originalmente, o Bioma Mata Atlântica cobria 1.227.600 km². Entretanto, até o início
do século XXI, esta área foi reduzida a apenas 91.930 km², ou seja, 7,5% da extensão inicial.
Apesar desta redução, esta é considerada um dos hotspots mundiais de biodiversidade. Um dos
motivos é que este bioma possui uma das maiores quantidades de espécies endêmicas dentre
estes hotspots, com aproximadamente 8.000 espécies, ou 2,7% do total de plantas no mundo,
ficando atrás, neste quesito, apenas dos Andes Tropicais (6,7%), Sondalândia (5%) e
Madagascar (3,2%) (MYERS et al., 2000).
Segundo a lei nº 11.428, de 22 de dezembro de 2006, o Bioma Mata Atlântica possui as
seguintes formações florestais: Floresta Ombrófila Densa (FOD), Floresta Ombrófila Mista
(FOM), também denominada de Mata de Araucárias; Floresta Ombrófila Aberta (FOA);
Floresta Estacional Semidecidual (FES); e Floresta Estacional Decidual (FED), bem como os
manguezais, as vegetações de restingas, campos de altitude, brejos interioranos e encraves
florestais do Nordeste (BRASIL, 2006). A figura 1a mostra os locais de ocorrência deste bioma,
segundo IBGE, e a figura 1b mostra a legenda do mapa.
Dentre estas formações florestais, a FOM é uma região fitoecológica que ocorre
exclusivamente na região sul do Brasil, com disjunções na região sudeste e em países vizinhos,
como Paraguai e Argentina, em altitudes mais predominantemente entre 800 e 1200 m e
eventualmente acima destes valores (RODERJAN et al., 2002).
No estado de Santa Catarina, essa formação florestal ocupava originalmente cerca de
45% de toda a extensão territorial do estado, sendo a maior no estado, seguida da FOD (31%),
Campos naturais (14%), FED (8%) e outras formações (2%) (VIBRANS et al., 2013). A Figura
2 ilustra a distribuição geográfica destas formações no estado.
Entretanto, apenas 5% de todas as florestas no estado encontram-se como floresta
primária, ou madura. Os outros 95% de vegetação remanescente pertence a uma floresta
secundária, principalmente em estágios médios e avançados (VIBRANS et al., 2012). Além
disso, por estarem fragmentados pela exploração madeireira, os remanescentes desta formação
não apresentam em sua estrutura, estratos bem definidos (UHLMANN et al. 2013).
Sendo assim, a lei nº 11.428, de 22 de dezembro de 2006, surgiu para servir como
subsídio para a utilização e proteção da vegetação nativa do Bioma Mata Atlântica. Um dos
principais parâmetros utilizados nesta lei são os estágios de sucessão da vegetação, que servem
24
para avaliar questões, como por exemplo, a possibilidade de supressão da vegetação, caso a
mesma esteja ainda em estágio inicial de regeneração (BRASIL, 1994).
Figura 1 – a) Mapa de localização do bioma Mata Atlântica. b) Legenda do Mapa
Fonte: MMA (2012)
A
B
25
Figura 2 - Distribuição geográfica das diferentes formações florestais no estado de Santa
Catarina
Fonte: VIBRANS, 2012
2.1.1 Estágios sucessionais
Sucessão florestal pode ser caracterizada como uma mudança na composição de
espécies ou a substituição da biota em um local por uma de diferente natureza. Pode-se dividir
a sucessão em dois tipos, primária e secundária. Sucessão primária é aquela que ocorre logo
após um evento catastrófico em locais que não eram previamente vegetados, como exemplo,
locais no Alaska onde previamente estavam cobertos por gelo e que houve recente deglaciação.
Sucessão secundária é o evento em que a vegetação surge após um distúrbio em um local
previamente ocupado e que houve remoção da biota original (BARNES et al., 1998).
A sucessão secundária pode ser diferenciada em três estágios segundo a legislação:
estágios inicial, médio e avançado (BRASIL, 1994). A Resolução CONAMA nº 04/1994
diferencia os estágios de sucessão da vegetação por vários critérios em função do tipo de
espécies vegetais que ocupam o local e das suas características morfológicas. Alguns destes
itens são apresentados a seguir com as respectivas imagens ilustrativas:
26
a) Estágio inicial de regeneração: Possui uma área basal média de até 8m².ha-1, altura
total média de até 4 m, fisionomia herbáceo/arbustiva com Diâmetro a Altura do
Peito (DAP) médio de até 8 cm. A Figura 3 ilustra um local com estágio inicial de
regeneração.
Figura 3 - Floresta em estágio inicial de regeneração
Fonte: SOTHE, 2015
b) Estágio médio de regeneração: Possui área basal média de até 15 m².ha-1, altura total
média de até 12 m, Fisionomia arbórea e arbustiva podendo constituir estratos
diferenciados e DAP médio de até 15 cm. A Figura 4 ilustra um local com estágio
médio de regeneração.
27
Figura 4 - Floresta em estágio médio de regeneração
Fonte: SOTHE, 2015
c) Estágio avançado de regeneração: Possui área basal média de até 20 m².ha-1, altura
total média de até 20 m, Fisionomia arbórea dominante sobre as demais,
apresentando dossel fechado e DAP médio de até 25 cm. A Figura 5 ilustra um local
com estágio avançado de regeneração.
28
Figura 5 - Floresta em estágio avançado de regeneração
Fonte: SOTHE, 2015
A importância de se conhecer sobre os estágios de sucessão e suas características é que
os mesmos são mencionados na Lei da Mata Atlântica (Lei nº 11.428/2006) (BRASIL, 2006),
lei esta que dispõe sobre a utilização e proteção da vegetação nativa do Bioma Mata Atlântica.
Logo, é necessário saber diferenciá-los a partir de critérios técnicos (SIMINSKI et al., 2013).
Entretanto, a legislação ambiental para recuperação destas áreas pode considerar outros
quesitos além da sucessão florestal, como é o caso da Resolução da Secretaria do Meio
Ambiente Nº 32, de 03 de abril de 2014, que estabelece as orientações, diretrizes e critérios
sobre restauração ecológica no Estado de São Paulo. Esta resolução diferencia-se das demais,
por levar em consideração como indicador de regeneração a idade em função de variáveis
preditoras (Cobertura do solo com vegetação nativa, densidade de indivíduos nativos
regenerantes e Número de espécies nativas regenerantes), como demostrado no quadro 1.
29
Quadro 1 - Valores de referência para projetos de restauração no estado de São Paulo
Fonte: BRASIL, 2014
Diversos estudos têm sido feitos ao longo dos anos para caracterizar os estágios de
sucessão da vegetação nas diferentes tipologias florestais existentes, grande parte deles
demonstram os fatores que mais influenciam no processo de sucessão, como exemplo o
histórico de uso do solo, nível de perturbação, condições químicas e físicas do solo, vegetação
no entorno do local, banco de sementes do solo, entre outros. Entretanto pode-se observar que
existem diferenças entre as características apresentadas nestes estudos e as características que
atendem a legislação vigente na área de estudo (SIMINSKI et al, 2013).
2.1.1.1 Estudos sobre estágios de sucessão secundária
Um dos maiores desafios em estudos de dinâmica sucessional é a relação entre processos
determinísticos e estocásticos que afetam a composição das espécies, sua distribuição espacial
e as suas taxas de mudança (CHAZDON, 2008). Processos determinísticos são definidos como
mudanças ordenadas e visíveis na abundância de espécies determinadas pelo clima, solo e
história de vida das espécies, enquanto processos estocásticos são influenciados por eventos
aleatórios que não são previsíveis na natureza.
Além disso, existem diversos fatores que influenciam no processo de sucessão e nas
espécies que irão compor o local, como por exemplo a proximidade de fonte de sementes e tipo
de uso do solo antes do abandono, presença de animais dispersores entre outros (ZANINI et al,
2014). Outro fator influente é a fitofisionomia florestal, que no estado de Santa Catarina são
diferenciados em FOM, FOD e FED (SIMINSKI et al, 2013).
Devido à grande quantidade de fatores que influenciam os estágios de sucessão da
vegetação, existem divergências nas metodologias utilizadas para a realização de pesquisas
relacionadas a este tema. ZANINI et al. (2014), avaliou os fatores controladores dos padrões
30
estruturais e florísticos da sucessão, e utilizou-se de um estudo de cronossequência e se baseou
em CHAZDON (2008), que separou três estágios em função de suas idades, e adicionou uma
quarta classe que seriam as áreas de referência. No trabalho realizado por SIMINSKI et al.
(2013), também houve uma diferenciação em quatro classes de sucessão, onde o autor separou
em estágios arbustivo, de arvoretas, arbóreo pioneiro e arbóreo avançado, baseando-se em um
estudo feito por KLEIN (1980), que separou a vegetação em Capoeirinha, Capoeira, Capoeirão
e Mata Secundária em uma área na região de Itajaí dentro da FOD.
Além disso, várias características podem ser utilizadas para fazer esta diferenciação,
como parâmetros fitossociológicos (PAULA et al, 2004), através técnicas de agrupamento
(Cluster), em função do incremento médio anual em diâmetro (LONGHI et al, 2006; ZANINI
et al, 2014), em função da necessidade de luminosidade (GANDOLFI et al., 1995), entre outros.
Apesar desta dificuldade em se conseguir descrever os padrões da sucessão florestal,
existe uma sequência de eventos que geralmente ocorre. GUARIGUATA e OSTERTAG, 2001
observaram que, em florestas neotropicais, após o abandono do solo, ocorre uma colonização
inicial, que é seguida de uma fase de fechamento do dossel e diminuição da riqueza nos estágios
intermediários. Nos estágios mais avançados ocorre o incremento em riqueza novamente e em
área basal e biomassa, terminando com o retorno de uma composição de espécies parecidas
com as condições de clímax anterior.
Um detalhamento mais completo de como funciona estas etapas da sucessão, em
florestas tropicais, podem ser encontradas em CHAZDON, 2008, que denominou os estágios
como Fase Inicial (Stand Initiation phase), que vai de 0 a 10 anos após o abandono do local,
Fase de exclusão do caule (Stem exclusion phase) de 10 a 25 anos e Estágio de reinicialização
do sub-bosque (Understory reinitiation stage) de 25 a 200 anos. Os nomes de cada etapa foram
baseados em Oliver E Larson (1990).
Entretanto, poucos estudos têm sido feitos para avaliar se os padrões legais estão de
acordo com estes padrões descritos anteriormente dos estágios de sucessão secundária da
vegetação (SIMINSKI et al., 2013). Neste estudo, os autores encontraram dificuldades para
distinguir os estágios de sucessão da vegetação nas três formações florestais do estado,
comentando ao final do seu estudo que existe uma necessidade de rediscutir os valores da
resolução no que diz respeito aos parâmetros para a classificação. Além disso, comentam que,
para fazer a separação dos estágios, o inventário deve focar em obter os valores de DAP para
mensuração em campo, incluir todos os indivíduos com DAP igual ou superior a 5 cm e
ressaltam que a área basal deve ser o principal parâmetro para defini-los.
31
Entretanto, apesar das dificuldades existentes na Resolução do CONAMA nº 04/94, ela
ainda é bastante utilizada com finalidade de fiscalização. Além disso, alguns estudos com
Sensoriamento Remoto utilizam-se desta legislação como base para verificação da acurácia da
classificação dos estágios de sucessão, como é o caso de SOTHE, 2015.
O Sensoriamento Remoto tem sido uma ferramenta bastante utilizada por diversos
autores para separação dos estágios (MAUSEL et al., 1993; VIEIRA et al., 2003; PONZONI e
REZENDE, 2004; ESPIRITO-SANTO et al., 2005; CINTRA, 2007; AMARAL et al., 2009;
ROZARIO et al., 2009; PIAZZA et al., 2016; SOTHE et al., 2016). Um dos principais motivos
da utilização deste tipo de tecnologias é a facilidade em fazer uma avaliação mais rápida, além
de otimizar trabalhos a campo e também por conseguir fazer uma análise mais ampla cobrindo
áreas maiores com melhor custo benefício (CINTRA, 2007). Entretanto, pode se observar que
os estudos citados acima geralmente utilizam-se de imagens de satélite para a separabilidade
dos estágios de sucessão da vegetação. Neste estudo, todavia, foram utilizadas imagens de
VANT, que possui uma resolução espacial maior que as referências mencionadas acima, vindo
acrescentar informações a esta temática.
2.2 VEÍCULO AÉREO NÃO TRIPULADO (VANT)
Tradicionalmente o Sensoriamento Remoto é associado a plataformas como satélites
artificiais e aeronaves tripuladas. Entretanto, na última década, com o crescente
desenvolvimento de aeronaves remotamente pilotadas e o desenvolvimento de sensores
instalados, este tipo de plataforma tem sido mais utilizado. Uma das principais vantagens deste
tipo de plataforma é a obtenção de imagens de alta resolução geométrica (PAJARES, 2015).
Os VANT também chamados de aeronaves remotamente pilotadas (RPA - Remotely
Piloted Aircraft) ou UAV (Unmanned Aerial Vehicle), são aeronaves em tamanho reduzido que
são capazes de executar diversas tarefas, como obtenção de imagens para mapeamento,
monitoramento, vigilância, entre outros (MEDEIROS, 2007). Este tipo de plataforma, que tem
sido muito utilizada pelos militares como apoio no campo de batalha, e, apesar de parecerem
uma tecnologia nova, surgiram antes mesmo das aeronaves pilotadas, com balões não tripulados
utilizados no bombardeio de Veneza em 1849. (WATTS et al., 2012).
Assim como no início da utilização do Sensoriamento Remoto e da Aerofotogrametria
de forma geral, os objetivos militares motivaram intensamente o desenvolvimento das primeiras
32
plataformas de Sensoriamento Remoto por VANT (IEEE, 2009). Em 1935, foi desenvolvido
por Reginald Denny o RP-1, o primeiro VANT rádio controlado (MEDEIROS, 2007).
Além disso, a descrição dos tipos de VANT existentes surgiu também através de usos
militares, onde, os mesmos caracterizaram as aeronaves em função de atributos como altura e
duração do voo, tamanho das aeronaves, e outras (WATTS et al., 2012). As nomenclaturas são:
a) MAV (Micro (ou Miniature) ou NAV (Nano) Air Vehicles)
b) VTOL (Vertical Take-Off ; Landing):
c) LASE (Low Altitude, Short-Endurance)
d) LASE Close
e) LALE (Low Altitude, Long Endurance)
f) MALE (Medium Altitude, Long Endurance)
g) HALE (High Altitude, Long Endurance)
Entretanto, dentro da área do Sensoriamento Remoto e Aerofotogrametria são utilizados
VANT apenas nas categorias MAV, VTOL e LASE, devido a característica de menores custos,
além de sua maior facilidade de manuseio (RUIZ, 2015).
A aeronave do tipo MAV caracteriza-se por apresentar tamanho reduzido. Além disso,
outras características que a distingue das demais é seu voo de até 300 m de altura e capacidade
de bateria que varia de 5 a 30 minutos. Já a aeronave do tipo VTOL possui como principal
característica o voo vertical, que faz com que não sejam necessários locais muito abertos para
o voo. Entretanto, possui grande variação quanto a capacidade de carga e altura de voo, porém,
geralmente voa em baixas altitudes. Por último, temos as aeronaves de tipo LASE, onde seus
componentes podem pesar de 2 a 5 kg, com envergadura das asas até 3 metros. Além disso, a
sua bateria pode durar de uma a duas horas tornando aptos a voar a alguns quilômetros de sua
estação de solo (WATTS, 2012). Na figura 6 pode-se observar os tipos de VANT e suas
respectivas alturas de voo.
33
Figura 6 - Nomenclatura dos VANTs com suas respectivas alturas de voo e duração em horas
Fonte: WATTS, 2012
Os UAV normalmente voam em baixas alturas para adquirir dados de Sensoriamento
Remoto (OLLERO; MERINO, 2006). Esse tipo de aquisição de dados é conhecido como LARS
(Low Altitude Remote Sensing) (SABERIOON et al., 2014). Para este tipo de voo, a maioria
dos UAV, são de asa fixa ou rotativa e possuem baixa capacidade de suporte de carga
(SENTHILNATH, 2017). Estes sistemas podem voar entre 150 e 200 metros de altura do solo
e ficam abaixo do tráfego aéreo. Possuem restrição de alcance de área devido a sua baixa
altitude, porém são muito atrativos para grupos de pesquisa que envolvem pesquisas temáticas
devido ao baixo custo e facilidade em adquirir dados (EVERAERTS, 2008).
Na agricultura de precisão, o VANT tem se destacado por produzir imagens com
altíssima resolução espacial. Além de não sofrer influência de nuvens ou fumaça que possam
obstruir a imagem em função de suas características operacionais. É um instrumento que
fornece ao pesquisador liberdade para poder escolher qual o melhor momento para a obtenção
das imagens (GALVÃO, 2014). O produto gerado por esse equipamento é um mosaico de
34
imagens, que nada mais é do que o conjunto de ortoimagens de uma área, unidos de forma a
dar a impressão que todo o conjunto é uma única fotografia.
Algumas das vantagens da utilização do Sensoriamento Remoto por VANT, são as de
não oferecer risco de perda de vidas de tripulantes e também, ainda que os principais projetos
de VANT sejam dispendiosos, custam menos que uma aeronave tripulada ou um satélite
artificial para os mesmos fins (JENSEN, 2009).
2.3 FOTOGRAMETRIA
A Fotogrametria é definida pelo Manual of Photogrammetry como “Arte ou ciência de
obter medidas confiáveis por meio da fotografia” (McGLONE; MIKHAIL; BETHEL, 2004).
É considerado um método de levantamento indireto, pois permite que os objetos sejam
reconstruídos e caracterizados sem que haja o contato direto com as feições geográficas.
A principal aplicação da Fotogrametria refere-se à compilação de mapas topográficos
que se fundamentam em informações e medidas a partir de fotografias aéreas e espaciais
(KRAUS, 1993). Para esse fim, são utilizadas câmaras que possuem rigidez geométrica, sendo
empregados sensores analógicos (atualmente em desuso) ou digitais, os quais fornecem melhor
resolução geométrica e radiométrica, plataformas equipadas com sensores GPS (Global
Positioning System) e sistemas de navegação inercial (IMU – Inertial Measurement Unit),
sendo destinadas à obtenção de imagens fotográficas com estabilidade geométrica
(ANDRADE, 2003) além de fornecer detalhes de atributos planimétricos de alta resolução
espacial (JENSEN, 2009).
Logo após o surgimento da primeira câmara, com os trabalhos de Nicéphore Niépce, em
1826, e Louis-Jacques Daguerre, em 1839, surgiram as primeiras tentativas de se utilizar de
fotografias para medições topográficas. Entretanto, este tipo de utilização só foi possível em
1851, quando Aimé Laussedat criou os princípios fotogramétricos. No ano de 1858, as
primeiras fotografias aéreas vieram a acontecer. Com a utilização de um balão, NADAR foi o
primeiro a obter fotografias aéreas, sobrevoando a cidade de Paris na França. Alguns anos
depois viria a surgir a Fotogrametria, com uma tecnologia analógica (COELHO; BRITO, 2007).
A Fotogrametria Analógica, que durou de 1901 a 1950, foi criada a partir da invenção
de um aparelho estereocomparador, que facilitou as tarefas realizadas pelos usuários,
substituindo diversos cálculos por aparelhos ópticos-mecânicos. Posterior a este período veio a
Fotogrametria analítica, que, devido a criação dos computadores, tornaram o processo óptico-
mecânico em computacional, facilitando ainda mais as tarefas do usuário. Por último surgiu a
35
Fotogrametria digital, que começou em 1990 e dura até os dias atuais. Este procedimento se
diferencia dos demais por todas as etapas serem feitas de forma digital, isto é, desde a aquisição
da imagem até o processamento e extração de dados. O quadro 2 abaixo mostra esta
diferenciação (COELHO; BRITO, 2007).
Quadro 2 - Histórico da fotogrametria e suas características.
Fotogrametria Entrada Processamento Saída
Analógica Fotogrametria
analógica (em filme)
Analógico (óptico-
mecânico)
Analógica (scribes
ou fotolitos) no
passado ou digital
(CAD, por exemplo)
no presente
Analítica Fotografia analógica
(em filmes)
Analítico
(computacional)
Analógica (scribes
ou fotolitos) no
passado ou digital
(CAD, por exemplo)
no presente
Digital
Imagem digital
(obtida de câmara
digital, por exemplo)
ou digitalizada (foto
analógica submetida
a um scanner)
Analítico
(computacional) Digital
Fonte: COELHO; BRITO, 2007
Um conceito importante dentro da Fotogrametria é o de estereoscopia. Também
chamada de visão binocular, a estereoscopia proporciona a quem possui uma visualização em
3 dimensões do mundo a sua volta. Esta visão em 3D é resultado da união de duas imagens
obtidas pelos olhos do observador, parcialmente sobrepostas e interpretadas pelo cérebro, que
dá a sensação de profundidade (SISCOUTTO et al., 2004).
Novas técnicas de visão computacional têm surgido dentro da Fotogrametria Digital
para auxiliar neste sentido, como é o caso do Multi-View Stereopsis (MVS), que pode derivar
estruturas 3D a partir de imagens sobrepostas tiradas de múltiplos ângulos (HARWIN;
LUCIEER, 2012).
Recentemente a Aerofotogrametria, voltada aos VANT tem sido utilizada para
reconstrução de feições (ROSSI et al., 2017). Uma metodologia fotogramétrica para
reconstrução topográfica de alta resolução é o Structure from Motion (SFM), que opera com os
mesmos princípios básicos da Fotogrametria estereoscópica, entretanto, diferencia-se pelo fato
36
da geometria da cena, posição da câmera e orientação serem resolvidos de maneira automática
(WESTOBY et al., 2012).
Para a reconstrução do modelo 3D é necessário encontrar correspondências entre as
imagens. As feições correspondentes encontradas nas imagens sobrepostas possibilitam a
derivação da nuvem de pontos 3D. Na visão computacional, isto é visto através do SFM que
faz parte das técnicas de MVS para derivar a posição da câmera e orientação do modelo
tridimensional. Dentre os avanços nestas áreas, o operador SIFT (Scale Invariant Feature
Transform) tem se mostrado o mais robusto para grandes variações de imagens (HARWIN;
LUCIEER, 2012). Esta abordagem transforma a imagem em vários vetores que, dentro da
imagem, são invariantes em função de translação, escala e rotação, e parcialmente invariante a
luminosidade (LOWE, 1999).
Além destas, existem outras informações necessárias para conseguir melhores
resultados, como as características de obtenção das imagens. Dentre os métodos de obtenção
das imagens, a Aerofotogrametria foi a mais utilizada para obtenção de dados cartográficos de
terreno, e, para isso, alguns critérios foram estabelecidos para obter bons resultados (COELHO;
BRITO, 2007).
Outra característica importante é o recobrimento lateral e longitudinal, onde imagens
adjacentes devem possuir sobreposição de no mínimo 60%, enquanto que duas faixas de
imageamento devem possuir no mínimo 30% de sobreposição. Entretanto, estes dados podem
variar em função da finalidade (COELHO; BRITO, 2007).
2.4 SENSORIAMENTO REMOTO E A CLASSIFICAÇÃO DE IMAGENS DIGITAIS
Pode-se definir Sensoriamento Remoto como uma ciência que tem objetivo de obter
imagens da superfície terrestre por meio da detecção e medição das respostas da interação da
radiação eletromagnética com a superfície terrestre (MENESES e ALMEIDA, 2012). A
extração das informações contidas em uma imagem é um dos objetivos do Sensoriamento
Remoto. Essa extração deve ser feita a partir de regras claras e lógicas para que possam ser
reutilizadas por outros analistas e serem obtidos os mesmos resultados.
Os métodos de interpretação de imagens a partir da análise do fotointérprete apresenta
problemas neste quesito, pois diferentes intérpretes podem produzir diferentes resultados
(MENESES; SANO, 2012). Nesse sentido surgiram procedimentos de classificação digital de
imagens, que automatizam a extração de informações e torna o processo mais eficiente.
37
Classificação de imagens digitais visa associar os pixels presentes nas imagens às
classes de cobertura da terra existente, em função de seus níveis digitais (MENEZES; SANO,
2012). Uma vez que imagens digitais são formadas por linhas e colunas de pixels, é
convencional que se utilize metodologias de classificação supervisionadas voltadas para estes
(DEAN; SMITH, 2003).
Imagens com elevada resolução espacial, entretanto, providenciam mais informação
sobre os alvos, sendo assim, simples pixels já não fornecem mais as características do objeto
alvo. Logo, o resultado de uma classificação feita a partir de uma metodologia feita por pixels
vai apresentar um efeito de ruído conhecido por “sal-e-pimenta” (Salt-and-paper) (YU et al.,
2006). Desde o surgimento dos satélites de alta resolução espacial, como o IKONOS (1999),
QuickBird (2001), OrbView (2003), e o surgimento de satélites com resoluções espaciais de
menos de meio metro (World View 1 – 0,44m banda Pancromática em 2007), novos campos
de aplicações surgiram, os quais anteriormente eram exclusivos do Sensoriamento Remoto
Aéreo. Além disso, pode se observar um grande incremento na quantidade de dados gerados
por este tipo de plataforma (BLASCHKE, 2010).
Os métodos tradicionais de classificação de imagens por pixel foram questionados por
BLASCHKE; STROBL, 2001. Os mesmos autores observaram que, uma vez que a resolução
espacial da imagem é menor do que os objetos de interesse na imagem, poderia se focar mais
nos padrões que os mesmos apresentam ao invés de focar apenas na estatística dos pixels
(BLASCHKE; STROBL, 2001)
Uma metodologia utilizada para contornar esse problema é a segmentação de imagens.
Esta abordagem surgiu no processamento industrial de imagens e foi pouco utilizada em
aplicações geoespaciais entre os anos de 1980 e 1990 (BLASCHKE, 2010). O procedimento de
agrupar pixels que possuem características semelhantes é conhecido por segmentação
(MENESES, 2011).
A segmentação de imagens é a divisão das mesmas em regiões que correspondem a
diferentes objetos ou partes de objetos (GLASBEY, 1995). Ainda segundo o mesmo, uma boa
segmentação é aquela que os pixels dentro de um mesmo grupo possuem uma escala de tons de
cinza similar. Outra definição de segmentação sugerida por GAO, 2009, em que, segmentação
é a decomposição de uma imagem em regiões discretas, contíguas, com segmentos
significativos.
Dessa forma, foi desenvolvida a classificação orientada a regiões, que é feita em duas
etapas, segmentação da imagem em regiões homogêneas e classificação da imagem
segmentada. Após esta, uma metodologia foi aplicada, que mais se aproxima da
38
fotointerpretação humana, a OBIA (Object Based Image Analisys), que se diferencia por
possibilitar a construção de um modelo de conhecimento, onde informações como textura,
forma e outras são adicionadas, o que facilita o processo de interpretação da cena (FURTADO
et al., 2013).
2.4.1 Segmentação
A segmentação de uma imagem pode ser realizada de duas maneiras, sendo elas,
manual e automática. Para a primeira, o fotointérprete cria polígonos de forma manual,
analisando visualmente as áreas de interesse e criando polígonos. Nesse caso, intérpretes
diferentes podem obter resultados diferentes para uma mesma imagem. Já a metodologia
automática, baseia-se em características quantitativas das imagens para fazer a segmentação, e
além disso produz resultados mais rápidos que o método manual (MENESES, 2011).
Variados algoritmos de segmentação estão presentes na literatura, entretanto, não
existe um melhor para todos os casos, pois nem todos os algoritmos que se encaixam bem para
um tipo de cena terá o mesmo desempenho com outro tipo (PAL; PAL, 1993).
Segundo GLASBEY (1995) existem três tipos de segmentadores de imagens, e ele são
baseados nas seguintes características:
a) Em Limiar de alcance (Thresholding): Neste tipo os pixels são alocados de acordo
com categorias de alcance de valores de nível de cinza.
b) Segmentação baseada em fronteiras (edge-based segmentation): Pixels são alocados
como borda e não borda depois da aplicação de um filtro de borda. Os filtros
classificados como não bordas são colocados em uma mesma categoria.
c) Algoritmos de segmentação baseados em regiões (Region-based): Operam
iterativamente agrupando pixels que são vizinhos e tem valores similares e
separando pixels com valores dissimilares.
Ainda, segundo o autor, o método de thresholding é o método mais simples e comum
usado para segmentação.
2.4.1.2 Algoritmo de média móvel (Mean Shift)
O algoritmo de segmentação por média móvel é uma metodologia robusta, não
paramétrica, de estimação de densidade, que se baseia em encontrar os máximos locais em uma
39
distribuição de densidade em um conjunto de dados (CHENG Apud. CHENG; FU,
SILVERMAN, FUKUNAGA; HOSTETLER, 1995; ACHANCCARAY, 2014). Os pontos de
máxima local são definidos como os únicos estacionários dentro de uma pequena janela. Pode-
se testar se é um ponto de máxima local perturbando-se cada ponto estacionário por um vetor
aleatório de pequena norma e deixando o procedimento de média móvel convergir de novo. Se
o ponto não se alterar, é um ponto de máxima local (COMANICIU; MEER, 2002).
Estatisticamente falando, um método é considerado robusto quando tem a capacidade
de ser pouco sensível em relação a afastamentos das pressuposições das hipóteses para sua
aplicação, como por exemplo o teste “t” e o teste F da ANOVA (MACHADO, 2006).
Uma metodologia não-paramétrica é assim chamada quando não faz nenhuma suposição
para a distribuição do conjunto de dados. Todas as informações sobre esse conjunto são dadas
em função dos dados (MACHADO, 2006). Estimação não paramétrica de uma função de
densidade de probabilidade é baseada no conceito de que o valor de uma função de densidade
em um ponto contínuo pode ser estimado usando as observações amostrais que estão em uma
pequena região em torno desse ponto (FUKUNAGA e HOSTETLER, 1975). A metodologia
utilizada neste segmentador é uma função de densidade de probabilidade chamada de Kernel,
que é uma metodologia não paramétrica utilizada nesse caso para estimar as probabilidades de
os pontos calculados dentro da janela estarem dentro de uma região.
40
Figura 7 - Trajetória do algoritmo mean-shift de Epanechnikov para descobrir os pontos com
maiores densidades (pontos em vermelho).
Fonte: COMANICIU; MEER, 2002
O procedimento básico para esta metodologia acontece da seguinte maneira:
a) Escolhe-se o tamanho do raio de busca;
b) Inicializa-se a localização da janela;
c) Calcula-se o vetor de deslocamento pela média;
d) Centra-se a janela no centro de massa conforme o vetor calculado;
e) Repete-se os passos 3 e 4 até que a janela pare de se mover ou até um critério de parada
seja alcançado.
A função kernel de estimação de densidade pode ser descrita da seguinte maneira, dado
um conjunto de dados com n pontos, e xi, i= 1, 2, ..., n em um espaço d-dimensional Rd, K(x),
definido como estimador de densidade multivariado Kernel, e com uma matriz simétrica
positiva com d x d de largura de banda h calculadas no ponto x, é dado pela Equação 1
(COMANICIU ; MEER, 2002):
𝑓(𝑥) =1
𝑛ℎ𝑑∑ 𝐾 (
𝑥−𝑥𝑖
ℎ)𝑛
𝑖=1 (1)
Com h sendo o parâmetro de suavização, conhecido por alguns autores como largura de
banda ou largura de janela.
41
2.4.2 Mineração de dados
A mineração de dados é uma ferramenta de descoberta da informação. Esta metodologia
tem sido erroneamente caracterizada por sistemas capazes de extrair informações importantes
de um banco de dados de maneira totalmente automatizada. Contudo, é uma metodologia com
processo cooperativo entre a máquina e o usuário (CORTES et al., 2002).
Nos últimos anos, a velocidade de coleta de dados tem crescido de forma muito maior
que a velocidade de processamento das mesmas, o que gerou um problema para as organizações
detentoras destes dados, visto que, apesar de possuir muitos dados, esses seriam inúteis se não
analisados corretamente (CARDOSO; MACHADO, 2007).
Devido a esta preocupação com essa grande quantidade de dados gerados e inutilizados
dentro das empresas e organizações que surgiu a Mineração de Dados, em meados dos anos
1980, como um ramo da computação (AMO, 2004).
Mineração de Dados e descoberta do conhecimento são técnicas com finalidade de
descobrir informações escondidas em grandes bancos de dados. Uma ferramenta de
descobrimento automático deve ter a capacidade de analisar o conjunto de dados e extrair
informações de alto nível para o analista (GOEBEL; GRUENWALD, 1999).
Devido à grande quantidade de dados existente nesses bancos, não é possível utilizar-se
de todos os dados para construção de modelos de Mineração de Dados. Logo, é necessário a
utilização de amostras, que são divididas em três conjuntos, segundo CAMILO; SILVA, 2009:
Conjunto de treinamento (Training set): Conjunto de dados onde o modelo é
desenvolvido
Conjunto de testes (Test Set): Conjunto de dados usados para testar o modelo.
Conjunto de Validação (Validation Set): Conjunto de dados utilizados para validar o
modelo.
A construção destes três grupos tem como finalidade evitar que o modelo construído
fique dependente de apenas um conjunto de dados, o que gera um efeito conhecido por Bias,
gerando um resultado não satisfatório (CAMILO; SILVA, 2009)
As técnicas existentes para a Mineração de dados se baseiam em técnicas estatísticas,
de aprendizado de máquina e também técnicas que utilizam da metodologia crescimento-poda-
validação. Algumas destas são: Análise de Regras de Associação, Análise de Padrões
Sequenciais, Classificação e Predição, Análise de Clusters (Agrupamentos), Análise de
Outliers (AMO, 2004).
42
A Classificação tem função de distinguir classes diferentes, dentre os objetos de
interesse, através de modelos construídos para algumas amostras e, posteriormente utilizar se
deste modelo para classificar os demais objetos (AMO, 2004). Dentro da classificação, tem-se
os algoritmos conhecidos como Árvores de Decisão (Decision Trees). Este método funciona
como um fluxograma em formato de árvore, onde cada nó possui um teste que define para qual
lado do fluxograma cada objeto vai. No final do fluxograma ficam as folhas, onde são definidas
as classes a qual pertencem cada objeto (CAMILO; SILVA, 2009).
No estudo de SOTHE (2015) foram empregados algoritmos de árvore de decisão para
separar estágios de formações florestais através das imagens do recobrimento aéreo do Estado
de Santa Catarina. Neste estudo os resultados demonstram que é possível a utilização desta
metodologia para a separação dos estágios de sucessão secundária da vegetação com boa
acurácia. Para este trabalho, entretanto, foi utilizado um algoritmo chamado de “Random
Trees”, que se utiliza de árvores de decisão para a tomada de decisões.
2.4.3 Árvores Aleatórias (Random Trees)
O algoritmo de árvores aleatórias é um método de aprendizado conjunto com finalidade
de classificação supervisionada através da criação de diversos aprendizados individuais.
Emprega uma ideia de ensacamento (Bagging) para produzir um conjunto aleatório de dados
para a construção de uma árvore de decisão. Em uma árvore comum, cada nó é separado usando
a melhor separação entre todas as variáveis. Já em uma Floresta aleatória (Random Forest), esta
separação é feita usando o melhor subconjunto de preditores selecionados aleatoriamente a cada
nó. Este algoritmo pode lidar tanto com classificação quanto com regressão. Random trees é
um conjunto de árvores preditoras chamadas de florestas. É uma combinação de dois algoritmos
no aprendizado de máquina (Machine learning), simples modelos de árvores combinados com
as ideias do algoritmo Random Forest (MISHRA; RATHA, 2016).
Florestas aleatórias são a combinação de árvores preditoras, onde cada árvore depende
de um vetor aleatório amostrado independentemente e com a mesma distribuição para todas as
árvores na floresta. É um classificador aonde cada árvore possui um voto único para a classe
mais popular para o vetor de entrada (BREIMAN, 2001).
Neste classificador, cada nó interno possui um teste no qual é feita a melhor separação
do espaço dos dados a serem classificados. Existe ainda, um nó terminal, chamado de folha,
que é rotulado conforme distribuição posterior das classes da imagem. Uma imagem é
classificada após os dados de entrada passarem por cada uma das árvores e chegarem ao nó
43
terminal, ou a folha. A aleatoriedade pode ser inserida em dois pontos: através da sub
amostragem dos dados de treinamento, e assim, cada árvore cresce usando diferente
subconjuntos de dados, e através da seleção dos nós teste (BOSCH et al., 2007).
2.4.4 Avaliação dos resultados
Para a avaliação dos resultados serão feitos cruzamento de dados considerados de
referência com os dados classificados, e assim será gerada uma matriz de confusão.
Uma matriz de confusão, além de mostrar os erros de comissão e omissão, pode ser
utilizada para calcular outros valores de acurácia, como acurácia global, acurácia do usuário e
do produtor. Acurácia global é calculada com a soma da diagonal principal dividida pelo total
de unidades amostrais na matriz de confusão (CONGALTON; GREEN, 1999). As acurácias do
usuário e do produtor são maneiras de demonstrar os resultados das categorias individuais, ao
invés de apenas uma acurácia de toda a classificação (STORY; CONGALTON, 1986).
Os erros de comissão são definidos como a possibilidade de incluir uma área a uma
categoria a qual ela não pertence, enquanto que os erros de omissão são a possibilidade de
excluir uma área da categoria a que ela pertence. Cada erro é uma omissão da categoria correta
e uma comissão para uma categoria errada (CONGALTON; GREEN, 1999).
Outra análise utilizada neste trabalho foi o índice Kappa. Esta é uma técnica
multivariada discreta utilizada para acesso a acurácia, que determina se uma matriz é
significativamente diferente de outra (BISHOP et al, 1975 apud CONGALTON; GREEN,
1999). Como resultado desta análise, temos a estatística KHAT (ou �̂�, que é uma estimativa
de Kappa) (Cohen, 1960 apud CONGALTON ; GREEN, 1999). Este cálculo é feito a partir
dos valores de concordância da diagonal principal da matriz de confusão, e as probabilidades
de concordância das linhas e colunas totais. Esta estatística é semelhante ao teste de Qui-
quadrado (CONGALTON; GREEN, 1999).
44
A formula para este cálculo está apresentada abaixo nas equações 2, 3 e 4:
𝐾 =𝑝𝑜−𝑝𝑐
1−𝑝𝑐 (2)
Onde:
𝑝𝑜 = ∑ 𝑝𝑖𝑖𝑘𝑖=1 (3)
𝑝𝑐 = ∑ 𝑝𝑖+𝑝+𝑗𝑘𝑖=1 (4)
Sendo que pi+ e p+j são definidos como as probabilidades de concordância fora da
diagonal principal.
Para a avaliação da qualidade do índice Kappa, LANDIS; KOCH, 1977, criaram uma
tabela com valores que variam de 0 a 1 e variando de ruim a excelente, para a qualidade da
classificação. A tabela 1 mostra estes valores. Além disso, pode-se implementar um teste Z para
verificar o quão diferente é a classificação em relação a verdade, a um dado nível de
significância.
Tabela 1: Indicadores de qualidade do índice Kappa
Estatística Kappa Qualidade da classificação
<0.00 Péssima
0.00 – 0.20 Ruim
0.21 – 0.40 Razoável
0.41 – 0.60 Boa
0.61 – 0.80 Muito Boa
0.81 – 1.00 Excelente
Fonte: LANDIS; KOCH, 1977
45
3 MATERIAL E MÉTODOS
3. 1 MATERIAL
Foi utilizado um VANT Phantom 4 PRO na obtenção das imagens digitais (Figura 8).
Figura 8 - VANT Phantom 4 PRO
Fonte: DJI
Algumas especificações do VANT estão descritas no quadro 3 abaixo.
Quadro 3- Especificações VANT Phantom 4 pro
Especificações da aeronave
Peso (Bateria e hélices inclusas) 1388 g
Tamanho diagonal (Incluindo hélices) 350 mm
Resistência máxima a velocidade do vento 10 m/s
Sistemas de posicionamento global GPS/GLONASS Fonte: DJI
O Quadro 4 apresenta as especificações para a câmara do VANT Phantom 4 PRO.
46
Quadro 4 - Comparação entre as câmaras utilizadas
Câmara VANT
Sensor 1’ CMOS 20MP
Lentes FOV (Field of View) 84º, 8.8
mm (35 mm formato
equivalente: 24 mm), f/2.8 –
f/11, auto foco 1 m - ∞
Ground Sample Distance
(GSD)
3,3 cm/px (1,3 in/px) a 400
ft (~120 m) de altura
Resolução da imagem 20 MegaPixel (4096x2160p
a 60fps)
Velocidade do obturador Obturador mecânico: 8 –
1/2000 s
Obturador Eletrônico: 8 –
1/8000 s
Fonte: Elaborado pelo autor, 2018; DJI
3.2 LOCAL DE ESTUDO
A obtenção das imagens com o VANT foi realizada em vários municípios de Santa
Catarina. Em alguns municípios foram obtidas imagens de propriedades rurais, como é o caso
das duas localidades em que ouve obtenção de imagens em Curitibanos. Também foram obtidas
imagens em fazendas pertencentes a empresa Klabin, como é o caso das imagens obtidas para
Bocaina do Sul e Bom Retiro. E, além destas, foram obtidas imagens do Parque Natural
Municipal de Lages – PARNAMUL. Todas estas localidades possuem remanescentes de
vegetação nativa e pertencem à Floresta Ombrófila Mista. As figuras 9, 10, 11 e 12 mostram a
localização das áreas de estudo dentro do estado de Santa Catarina.
47
Figura 9 – Localização do aerolevantamento no município de Bom Retiro
Fonte: Elaborado pelo autor, 2018
Figura 10 - Localização dos aéroslevantamentos no município de Bocaina do Sul
Fonte: Elaborado pelo autor, 2018
48
Figura 11 - Localização dos aérolevantamentos no município de Curitibanos
Fonte: Elaborado pelo autor, 2018
Figura 12 - Localização do aérolevantamento no município de Lages (Parnamul)
Fonte: Elaborado pelo autor, 2018
49
3.3 METODOLOGIA
O fluxograma abaixo (Figura 13) ilustra todos os procedimentos deste trabalho até a
validação dos resultados, e cada etapa dele serão discutidas abaixo.
Figura 13 - Fluxograma do trabalho realizado até obtenção das matrizes de confusão
Fonte: Elaborado pelo autor, 2018.
50
Para a realização do plano de voo, foi utilizado o aplicativo DroneDeploy. Neste
aplicativo, o planejamento do voo pode ser realizado tanto em um computador como em um
Smartphone.
A etapa de elaboração do plano de voo é feita selecionando os parâmetros mostrados na
figura 13. O primeiro parâmetro a ser selecionado é a altura de voo, e, para este trabalho, está
sendo utilizada a altura de 120 m, pois, é o limite estabelecido pela legislação para voos do tipo
VLOS na classe 3, ou seja, aeronave abaixo de 25 kg. Nesse tipo de voo, a licença pode ser
feita com até 2 dias de antecedência. A altura de voo é um parâmetro importante na decisão do
tamanho do pixel, pois quanto maior a altura, maior é o tamanho do mesmo. Posteriormente, é
selecionado o azimute das linhas de voo, que foi configurado em função da direção do vento.
Os parâmetros utilizados para sobreposição frontal e lateral foram 85% e 80% respectivamente,
como pode-se observar na Figura 14A e B.
Figura 14 - Aplicativo DroneDeploy e parâmetros de voo
Fonte: Elaborado pelo autor, 2018
A
B
51
O aplicativo utilizado para o processamento das imagens obtidas pelo VANT foi o
Agisoft Photoscan 1.2.0. Neste, é possível obter os produtos fotogramétricos seguindo o fluxo
de trabalho proposto, através da opção Workflow. A primeira etapa é feita a partir da opção
Aligning photos (Figura 15A). Nesta etapa o aplicativo encontra a posição e orientação da
câmara para cada foto e cria uma nuvem de pontos esparsa. É possível realizar uma remoção
de pontos ruidosos manualmente, através de uma checagem rigorosa nesta e na próxima etapa.
Essa remoção serve para melhorar o resultado do Modelo Digital de Elevação, ou DEM (Digital
Elevation Model), eliminando pontos com variação demais na posição. Então é obtida a nuvem
densa, com a ferramenta Build Dense Cloud (Figura 15B). Baseado na estimação da posição da
câmara, o aplicativo calcula a informação de profundidade para cada câmara a ser combinada
dentro de uma nuvem de pontos densa. Nesta etapa existe a possibilidade da utilização de um
filtro para os pontos. Estes filtros variam de fraco, moderado e forte, sendo que no caso de
locais como uma floresta, foi observada uma necessidade de uma filtragem mais forte. Após
estas etapas é possível reconstruir o modelo poligonal – malha (Mesh). É feito com a opção
Build Mesh.
A partir desta última etapa é possível gerar outros produtos como exemplo a ortoimagem
(Figura 15D) e o DEM (Digital Elevation Model) (Figura 15C). A ortoimagem será utilizada
para a classificação, enquanto que o DEM foi utilizado para auxiliar na construção dos mapas
de verdade de campo.
52
Figura 15 - Etapas do processamento no aplicativo computacional Agisoft Photoscan. A)
Nuvem esparsa de pontos, B) Nuvem densa de pontos, C) DEM e D) Ortomosaico
Fonte: Elaborado pelo autor, 2018
As etapas subsequentes de processamento se deram no aplicativo computacional
ArcMAP 10.4. Neste aplicativo, os ortomosaicos foram recortados, segmentados, classificados,
e, por último, foi gerada a matriz de confusão para avaliação da qualidade da classificação.
Após a criação do ortomosaico, este é recortado, afim de evitar os erros mais próximos
à borda, que ocorrem no processo de mosaicagem (Figura 16). A etapa subsequente é a da
criação do índice de vegetação TGI.
Figura 16 - Ortomosaico e polígono representando o tamanho do recorte utilizado para a
classificação
Fonte: Elaborado pelo autor, 2018
B
C D
A
53
O índice de vegetação TGI (Triangular Greennesss Index) foi criado para estimação do
índice de clorofila foliar e de dossel em cultivos agrícolas. Uma das principais motivações para
a utilização deste índice é que para o seu cálculo são necessárias apenas as bandas do visível, o
que torna o trabalho mais prático, pois não é necessária a utilização de outras câmaras que
registrem na faixa do infravermelho. Para a criação deste índice foram utilizadas as bandas na
faixa do Vermelho, Verde e Azul. Após o cálculo deste índice, é criada uma imagem em falsa
cor, substituindo-se a banda do vermelho pelo índice TGI, cujo cálculo é apresentado na
Equação 5 (HUNT JR et al., 2013):
𝑇𝐺𝐼 = −0.5 × [(𝜆𝑟 − 𝜆𝑏)(𝑅𝑟 − 𝑅𝑔) − (𝜆𝑟 − 𝜆𝑔)(𝑅𝑟 − 𝑅𝑏)] (5)
Sendo:
λr = Comprimento de onda da banda vermelha (red)
λg = Comprimento de onda da banda verde (green)
λb = Comprimento de onda da banda azul (blue)
Rr = Reflectância da banda vermelha (red)
Rg = Reflectância da banda verde (green)
Rb = Reflectância da banda azul (blue)
Em HUNT JR et al., 2013, os autores testaram diversos índices de vegetação, e o índice
TGI apresentou bons resultados em comparação aos outros índices. Seu cálculo é feito em
função da área do triângulo mostrado na Figura 17, com 3 pontos, 480nm, 550nm e 670nm no
eixo dos comprimentos de onda e suas respectivas reflectâncias nestes. A partir de uma matriz
3x3, calcula-se a área de um triângulo através de seus determinantes. A equação 6 ilustra como
é feito o cálculo da área:
𝐴 = ±0.5[(𝜆1 − 𝜆3)(𝑅1 − 𝑅2) − (𝜆1 − 𝜆1)(𝑅1 − 𝑅3)] (6)
A = Área do triângulo
λ1- λ3 = Comprimento de onda para os 3 pontos
R1-R3 = Reflectâncias para os 3 pontos
54
Figura 17 - Ilustração das curvas de reflectâncias de uma cultura agrícola em função do
comprimento de onda.
Fonte: HUNT JR. et al., 2013
Para este estudo, foram utilizados os valores máximos de sensibilidade de comprimento
de onda de um típico sensor CMOS, que é o sensor pertencente ao VANT utilizado neste
trabalho, e foi utilizado por MCKINNON; HOFF, 2017, com valores de:
• Vermelho = 625 nm,
• Verde = 525 nm,
• Azul = 460 nm.
Após isso, normalizando pelo sinal verde:
𝑇𝐺𝐼 = 𝑅𝑔𝑟𝑒𝑒𝑛 − 0.39 × 𝑅𝑟𝑒𝑑 − 0.61 × 𝑅𝑏𝑙𝑢𝑒 (7)
A equação 7 foi utilizada no aplicativo ArcGIS, com a ferramenta Raster Calculator, e
então, foi feita a união das imagens das bandas verde e azul com o TGI, substituindo a banda
vermelha, através da ferramenta Composite Bands. O índice TGI foi calculado para todos os
ortomosaicos criados. A Figura 18B ilustra a união do índice TGI com as bandas verde e azul,
gerando uma imagem em falsa cor enquanto que a Figura 18a ilustra a imagem em cor natural.
Para a abordagem orientada a regiões empregou-se o aplicativo ArcGIS 10.4, com a
extensão Segmentation and Classification toolset.
55
3.4 CLASSIFICAÇÃO ORIENTADA A REGIÕES
Para este procedimento foi utilizado o aplicativo ArcGIS 10.4. Na primeira etapa, a
segmentação, o algoritmo utilizado é o Mean-Shift, ou, algoritmo de média móvel, e é
necessária a definição de alguns parâmetros, como a informação espectral, espacial e o tamanho
mínimo do segmento. Quanto ao detalhamento espectral, refere-se ao peso dado as diferenças
espectrais, variando de 0 a 20. O detalhamento espacial, refere-se ao peso dado a distância entre
as feições e também varia de 0 a 20. O último parâmetro é o tamanho mínimo dos segmentos
que serão criados, este em pixels.
Foi observado que os valores utilizados por COMANICIU; MEER, 2002, não obtiveram
bons resultados em uma avaliação visual, sendo assim, foi utilizada uma metodologia de
tentativa e erro, até que fosse obtido um bom resultado visual. Os parâmetros utilizados para a
segmentação de cada imagem estão apresentados no quadro 5. A figura 18C ilustra um exemplo
de imagem segmentada.
Quadro 5 - Parâmetros de segmentação para o algoritmo Mean-Shift
Bom
Retiro Parnamul
Bocaina
do sul 1
Bocaina
do sul 2
Bocaina
do sul 3
Curitibanos
1
Curitibanos
2
Informação
Espectral
(0-20)
16 15 13 15 15 15 15
Informação
Espacial
(0-20)
10 5 5 5 5 5 5
Tamanho
mínimo
(pixels)
100 1000 100 1000 1000 1000 1000
Fonte: Elaborado pelo autor, 2018
Após a segmentação da imagem, foi utilizado a ferramenta Resample, que reamostra o
tamanho do pixel da imagem. Esta imagem redimensionada, posteriormente é segmentada, o
que gera uma imagem auxiliar para a classificação, pois, devido ao tamanho maior dos
segmentos dessa imagem, ela poderá agrupar segmentos menores, gerados para a imagem
original. Esse redimensionamento foi de aproximadamente 3cm para 1m, para todas as imagens.
A figura 18D ilustra uma imagem redimensionada e segmentada. Estes tamanhos foram
selecionados via tentativa e erro. Para as imagens redimensionadas para 1m, todas as
segmentações foram feitas com os valores 15, 5 e 20 para os parâmetros Informação Espectral,
Informação Espacial e tamanho mínimo, respectivamente.
56
Figura 18 - Imagem em cor natural (A) e em Falsa cor (B). Imagens em falsa cor segmentadas
(C e D)
Fonte: Elaborado pelo autor, 2018
Em seguida, foi realizada a coleta de amostras. Esta etapa é onde seleciona-se as classes
de uso e cobertura da terra. Foram geradas, a cada imagem, diferentes classes de cobertura da
terra, dependendo das condições no local. O quadro 6 ilustra as classes usadas em cada imagem
A
C
B
D
57
e a quantidade de amostras geradas para cada classe, em pixels. Neste quadro, as classes
estágios inicial, médio e avançado estão descritas como “E. I”, “E. M.” e “E. A.”
respectivamente.
As áreas foram nomeadas da seguinte maneira:
• Área 1: Bom Retiro
• Área 2: Parnamul
• Área 3: Bocaina do Sul 1
• Área 4: Bocaina do Sul 2
• Área 5: Bocaina do Sul 3
• Área 6: Curitibanos 1
• Área 7: Curitibanos 2
Quadro 6 - Classes de uso e ocupação do solo para cada imagem com suas quantidades
amostradas, em pixels
Área 1 Área 2 Área 3 Área 4 Área 5 Área 6 Área 7
E. I. 354.09
7
452.91
3 1.263.020 605.653
1.296.65
5
E. M. 364.256 258.280
E. A. 330.95
8
1.657.9
96 894.672 760.293
3.780.45
8
2.401.81
7
2.843.72
5
Campo 237.56
1 126.665
Pinus 880.18
6
1.358.1
85 657.015
4.741.70
8
Eucaliptus 1.940.096 1.291.60
0
Estrada 14.602 231.80
2 163.651 324.309 231.875 206.052
Solo 55.504 770.949
Plantio 191.773
Fonte: Elaborado pelo autor, 2018
A última etapa antes da realização da classificação é a escolha do algoritmo e ajuste dos
parâmetros necessários. Para este trabalho foi escolhido o algoritmo Random Trees. A escolha
deste algoritmo foi feita devido a semelhança deste com o algoritmo Random Forest, que
apresentou bons resultados para classificação de imagens com resolução muito alta, obtidas por
satélite, além de classificação a partir de imagens de VANT, como é o caso de IMMITZER et
58
al., 2012, que conseguiu classificar espécies arbóreas a partir de imagens do satélite
WorldView-2 e de FENG et al., 2015, que utilizou imagens de VANT para o mapeamento da
vegetação urbana. Este algoritmo possui duas configurações necessárias, que são o número
máximo de árvores, que foram selecionadas 70, e a profundidade de cada árvore, que foi
selecionado 30. Estes valores foram selecionados via tentativa e erro até que se obtivessem bons
resultados, pois, valores acima destes não apresentaram grandes diferenças visualmente. Além
disso, é necessário a seleção de quais atributos da segmentação serão utilizados como forma de
decisão no algoritmo. Para este trabalho, foram selecionados a cor (COLOR), a média (MEAN),
e o desvio padrão (STD). Os demais atributos, quantidade (COUNT), compacidade
(COMPACTNESS) e retangularidade (RECTANGULARITY), não foram utilizados pois não
apresentaram bons resultados em testes preliminares. A figura 19 ilustra as opções contidas no
momento do treinamento do algoritmo.
Figura 19 - Ferramenta Train Random Trees Classifier, usada para treinar o algoritmo para a
classificação
Fonte: Elaborado pelo autor, 2018
A última etapa é a classificação da imagem cujo resultado é um arquivo matricial o qual
será cruzado com os mapas de verdade para avaliação da qualidade do resultado.
59
3.5 AVALIAÇÃO DOS RESULTADOS
Foram geradas amostras para cada classe na imagem e, a partir destas, foram utilizadas
75% para o treinamento do algoritmo de classificação, e 25% foram utilizados para a validação
dos resultados. Essas amostras foram geradas através de fotointerpretação.
A verificação da acurácia se deu através do cálculo das áreas correta e incorretamente
classificadas nos polígonos utilizados para a validação dos resultados. Com o resultado desta
comparação é gerada uma matriz de confusão. A Figura 20 ilustra a imagem do VANT com as
amostras geradas e separadas em treinamento e validação.
Figura 20 – Ortoimagem do VANT, obtido em Bom Retiro, com polígonos em vermelho,
utilizados para validação dos resultados, e polígonos em amarelo, utilizados para o treinamento
do algoritmo de classificação.
Fonte: Elaborado pelo autor, 2018
Com a geração da matriz de confusão, é possível calcular os valores de erro de comissão
e omissão. A partir desses, são calculados os valores de acurácia do produtor e do usuário. Além
destes, para a avaliação dos resultados foram utilizados valores de acurácia global e índice
Kappa.
60
61
4 RESULTADOS E DISCUSSÕES
4.1 ÁREA 1
Para a primeira área, foram observadas as classes “Pinus”, referente ao plantio comercial
de Pinus sp., “Inicial”, referente ao estágio inicial de regeneração, “Avançado”, referente ao
estágio avançado de regeneração, e por último a classe “Estrada”, que se refere a um trecho de
estrada localizado nesta imagem. A figura 21 ilustra o ortomosaico em cor natural ao lado da
imagem classificada e o quadro 7 mostra a matriz de confusão gerada com os valores de
acurácia para a classificação.
Figura 21 - Mapa classificado para a ortoimagem obtida pelo VANT.
Fonte: Elaborado pelo autor, 2018
62
Quadro 7 - Matriz de confusão para a área 1
Pinus Inicial Avançado Estrada Total Ac. Usuário Pinus 321,52 0 7,95 0 329,46 97,59% Inicial 0 130,61 27,96 0 158,56 82,37%
Avançado 2,50 1,44 98,43 0 102,36 96,15% Estrada 0 0 0 7,71 7,70 100%
Total 324,01 132,05 134,33 7,70 Ac. Produtor 99,23% 98,91% 73,27% 100% 0,93
Kappa= 0,88 Fonte: Elaborado pelo autor, 2018.
Pode-se observar neste quadro que o valor do índice Kappa produzido foi de 0,88, que
demonstra um resultado “Excelente” para esta classificação. Para as classes de interesse,
estágios inicial e avançado, foram obtidos valores de acurácia do produtor de 98,91% e 73,27%,
respectivamente, variando de muito bons a excelentes valores de classificação. Enquanto que
para a Acurácia do Usuário foram obtidos resultados de 82,37% e 96,15%. Podemos observar
que, para a classe “Inicial”, 98,91% foram identificadas corretamente e que 82,37% das áreas
classificadas como inicial, realmente pertencem a esta classe. Para a classe “Avançado”,
73,27% foi classificado corretamente. A classe em que mais houve confusão foi a “Inicial. Além
disso, 96,15% das áreas classificadas como “Avançado” realmente pertenciam a esta.
Foi possível observar também, através desta metodologia, que houve a detecção de
espécies exóticas em áreas de Área de Preservação Permanente (APP), como o exemplo
apresentado no apêndice A, em que foi observada a ocorrência de Pinus sp.. Isso mostra um
potencial de aplicação desta metodologia para outros estudos.
4.2 ÁREA 2
Para a área localizada no município de Lages/SC, no Parque Natural Municipal de
Lages, foram identificadas as classes Estrada, Pinus, Campo, e as classes de interesse neste
trabalho, que são os estágios inicial e avançado de sucessão florestal secundária. A figura 22
ilustra o resultado obtido após a classificação, enquanto que o quadro 8 é a matriz de confusão
gerada para esta classificação.
63
Figura 22 - Mapa classificado para a ortoimagem obtida pelo VANT para o PARNAMUL
Fonte: Elaborado pelo autor, 2018
Quadro 8 - Matriz de confusão para a área 2
Estrada Pinus Inicial Campo Avançado Total Ac. Usuário Estrada 104,55 0 0 0 0 104,55 100 Pinus 0 832,05 1,57 26,05 8,37 868 95,85 Inicial 0 0 85,61 38,81 0,10 125 68,75
Campo 0 3,36 0,75 20,91 0 25 83,58 Avançado 0 16,49 35,65 16,93 425,93 495 86,05
Total 104,55 852 124 103 434 0 0
Ac. Produtor 100 97,67 69,27 20,36 98,05 0 90,84
Kappa= 0,85 Fonte: Elaborado pelo autor, 2018
O resultado para o Índice Kappa, obtido para esta classificação foi 0,85, considerado
“Excelente”. Observa-se que a classe estágio avançado obteve valor de 98,05% de acurácia do
produtor, que mostra que apenas aproximadamente 2% da classe “Avançado” não foi
classificada corretamente. Para esta mesma acurácia, o valor obtido para a classe “Inicial” foi
de 69,27%. No entanto, é possível verificar que houve maior confusão com a classe
“Avançado”. Também foi observada uma maior confusão na acurácia do usuário, para a classe
64
“Inicial” com 68,75%. Este valor indica que apenas esta porcentagem da classe “Inicial”, na
imagem classificada, realmente pertence a esta classe. Entretanto, a maior confusão neste caso
foi com a classe “Campo”. Percebe-se este mesmo problema para a acurácia do produtor desta
classe, pois houve um acerto de apenas 20,36% na classificação desta, confundindo,
principalmente, com a classe “Inicial”. Uma possível explicação para esta confusão pode ser
devido à pouca quantidade de amostras obtidas para a validação da classe “Campo”. Já para a
classe “Avançado”, é possível afirmar que 86,05% da sua ocorrência na imagem classificada
está correta.
Pode se observar que nesta imagem também foi possível a detecção de espécies exóticas
em meio a floresta nativa, o que demonstra um potencial para essa metodologia em outras áreas
(Apêndice B).
4.3 ÁREA 3
Foram realizados três voos para coletas de imagens no município de Bocaina do Sul,
nas áreas da empresa Klabin, e assim, gerados 3 ortomosaicos digitais, cujos resultados são
mostrados sequencialmente, na ordem que foram realizadas as coletas.
Para a primeira área de Bocaina do Sul, foram criadas 5 classes de cobertura da terra:
“Pinus”, “Eucaliptus”, “Estrada”, “Inicial” e “Avançado”, sendo estes dois últimos, as classes
de interesse, correspondendo aos estágios inicial e avançado de sucessão florestal secundária.
A Figura 23 ilustra a área original ao lado da imagem classificada, enquanto que o
quadro 9 mostra a matriz de confusão obtida para esta classificação.
65
Figura 23 - Mapa classificado para a ortoimagem obtida pelo VANT para a primeira área de
Bocaina do Sul
Fonte: Elaborado pelo autor, 2018.
Quadro 9 - Matriz de confusão para a área 3
Pinus Eucaliptus Estrada Inicial Avançado Total Ac. Usuário Pinus 107,60 0,79 0 7,50 6,70 122,58 87,77%
Eucaliptus 10,86 445,82 0 17,07 14,15 487,90 91,38% Estrada 0 0 28,77 0 0 28,77 100% Inicial 19,34 46,88 0 229,25 60,77 356,24 64%
Avançado 6,40 0 0 5,11 200,98 212,49 95% Total 144,20 493,49 28,77 258,93 282,60
Ac. Produtor 74,62% 90,34% 100% 89% 71% 0,84
Kappa= 0,77 Fonte: Elaborado pelo autor, 2018
Observa-se no quadro 9 que o valor de Kappa para esta classificação foi de 0,77, que é
considerado um resultado “Muito Bom”. Para a acurácia do produtor, foram obtidos valores de
89% para a classe “Inicial” e de 71% para a classe “Avançado”, sendo que para esta última
classe, a maior confusão foi com a classe “Inicial”. Para a acuraria do usuário, foram obtidos
valores de 64% para a classe “Inicial” e de 95% para a classe “Avançado”. Pode-se inferir com
estes valores que, apesar desta metodologia ter conseguido classificar corretamente 71% da área
66
de estágio avançado na imagem original, 92% da área categorizada como “Avançado” na
imagem classificada está rotulada corretamente. Foi possível observar também que, o estágio
inicial nesta ortoimagem foi classificado corretamente em 89% dos casos, entretanto, apenas
64% da classe “Inicial”, na imagem classificada, realmente pertence a esta, mostrando confusão
com todas as outras classes, a exceção da classe “Estrada”.
4.4 ÁREA 4
Para a segunda área referente ao município de Bocaina do Sul, foram identificadas as
classes temáticas “Pinus”, “Estrada”, “Avançado” e “Inicial”. A Figura 24 mostra a imagem
classificada e a imagem original, enquanto que o quadro 10 mostra os valores obtidos na matriz
de confusão para esta área.
Figura 24 - Mapa classificado e ortoimagem da área 4
Fonte: Elaborado pelo autor, 2018.
67
Quadro 10 - Matriz de Confusão para a área 4
Estrada Pinus Inicial Avançado Total Ac. Usuário Estrada 87,82 0 0 0 87,82 100% Pinus 0 202,57 43,23 25,29 271,09 74,72% Inicial 0 11,45 70,25 6,40 88,10 83%
Avançado 0 17,56 11,68 122,56 151,81 87% Total 87,82 231,58 125,16 154,26
Ac. Produtor 100% 92,12% 58% 79% 0,83
Kappa= 0,75 Fonte: Elaborado pelo autor, 2018
Para esta classificação, foi obtido valor de 0,75 para o índice Kappa, mostrando um
resultado considerado “Muito bom”. Os valores de acuraria do produtor para as classes de
interesse foram de 58% para “Inicial” e “79%” de “Avançado”. Neste caso, a classe “Inicial”
apresentou confusão com classe “Pinus”, o que pode indicar a presença da espécie Pinus sp. em
áreas consideradas como Área de preservação permanente. Para a acurácia do usuário, os
valores obtidos para “Inicial” e “Avançado” foram de 83% e 87% respectivamente.
4.5 ÁREA 5
Na área 5 foram identificadas as classes temáticas: “Estrada”, “Pinus”, “Avançado” e
“Inicial”. A figura 25 ilustra o ortomosaico e a imagem classificada, enquanto que o quadro 11
mostra os dados obtidos da matriz de confusão.
68
Figura 25 - Mapa classificado para a área 5
Quadro 11 – Matriz de confusão para a área 5
Pinus Estrada Avançado Inicial Total Ac. Usuário
Pinus 659,75 0 94,90 190,06 944,71 69,84%
Estrada 0 52,95 0 0 52,95 100%
Avançado 19,03 0 519,45 11,40 549,88 94%
Inicial 2,44 0 4,32 118,84 125,59 95%
Total 681,21 52,95 618,67 320,30
Ac. Produtor 96,85% 100% 84% 37% 0,81
Kappa= 0,70
Fonte: Elaborado pelo autor, 2018
O índice Kappa obtido foi de 0,70, que pode ser considerado como “Muito bom”. O
resultado da acurácia do produtor para a classe “Inicial” foi de 37%, confundindo com a classe
“Pinus”, principalmente. Isto pode significar que estas áreas possuem a presença de Pinus sp.
em locais de APP. Para a acurácia da classe “Avançado” foi obtido valor de 84% de acurácia,
com alguma confusão com a classe “Pinus” também. Entretanto, para a acurácia do usuário,
69
foram obtidos os valores de 94% e 95% para as classes “Avançado” e “Inicial”, com resultados
excelentes.
4.6 ÁREA 6
Foram obtidos dois ortomosaicos no município de Curitibanos. Na primeira área, área
6, foram obtidas as seguintes classes temáticas: “Estrada”, “Campo”, “Solo”, “Médio” e
“Avançado”. Sendo estas duas últimas as classes de interesse estágio médio e avançado de
regeneração.
Figura 26 - Mapa classificado para a área 6
Fonte: Elaborado pelo autor, 2018
70
Quadro 12 - Matriz de Confusão para a área 6
Estrada Campo Solo Médio Avançado Total Ac.
Usuário
Estrada 55,55 0 9,31 0 0 64,86 85,65% Campo 0 6,94 0 11,72 0 18,65 37,19%
Solo 0,65 0 32,68 0,00 0 33,33 98% Médio 0 6,23 0,14 46,95 11,92 65,24 72%
Avançado 0,97 51,19 0 70,18 1232,23 1354,5
6 91%
Total 57,17 64,35 42,12 128,84 1244,16
Ac.
Produtor 97,16% 10,78% 77,58% 36,44% 99,04% 0,89
Kappa= 0,62 Fonte: Elaborado pelo autor, 2018
Obteve-se, para esta classificação, um índice Kappa de 0,62, considerado como “Bom”.
A acurácia do produtor da classe “Avançado” resultou em aproximadamente 100% destas áreas
classificadas corretamente, enquanto que 91% das áreas ditas como “Avançado” na imagem
classificada realmente pertencem a esta classe. Todavia, para a classe “Médio”, o valor obtido
para acurácia do produtor foi de apenas 36,44%, confundindo principalmente com a classe
“Avançado”. Para a acurácia do usuário, o acerto foi de 72%.
4.7 ÁREA 7
Na área 7, foram identificadas as seguintes classes temáticas: “Solo”, “Plantio”,
“Avançado” e “Médio”, estas duas últimas referentes as classes de interesse deste trabalho
estágio avançado e médio de regeneração respectivamente.
71
Figura 27 - Mapa classificado para área 7
Fonte: Elaborado pelo autor, 2018.
Quadro 13 - Matriz de confusão para a área 7
Avançado Médio Solo Plantio Total Ac.
Usuário
Avançado 1071,49 85,95 0 30,09 1187,53 90,23%
Médio 3,41 59,40 0 0 62,81 94,58%
Solo 0 0 357,08 0 357,08 100%
Plantio 0 0 0 56,96 56,96 100%
Total 1074,89 145,35 357,08 87,05
Ac.
Produtor 99,68% 40,87% 100% 65% 0,93
Kappa= 0,85
Fonte: Elaborado pelo autor, 2018.
O índice Kappa obtido para esta classificação foi de 0,85, que pode ser considerado
“Excelente”. Para a acurácia do produtor, foi obtido um valor de aproximadamente 100% na
classificação da classe “Avançado”, ou seja, todas as áreas consideradas como estágio avançado
foram classificadas corretamente. A maior confusão ocorreu com a classe estágio médio, para
a acurácia do produtor, com apenas 40,87% desta classe classificada corretamente, confundindo
exclusivamente com a classe estágio avançado.
72
O quadro 14 resume todos os resultados obtidos para as 7 áreas com relação ao índice
Kappa, Acurácia do produtor (A.P) e Acurácia do Usuário (A.U.).
Quadro 14 - Resultado final para Kappa e acurácias do produtor e usuário
Área 1 Área 2 Área 3 Área 4 Área 5 Área 6 Área 7
Kappa 0,88 0,85 0,77 0,75 0,7 0,62 0,85
A.P
E.I 99,23% 69,27% 89% 58% 37%
E.M 36,44% 40,87%
E.A 73,27% 98,05% 71% 79% 84% 99,04% 99,68%
A.U
E.I 82,37% 68,75% 64% 83% 94%
E.M 72% 94,58%
E.A 96,15% 86,05% 95% 87% 95% 91% 90,23%
Fonte: Elaborado pelo autor, 2018
Pode se observar através deste quadro que a classe estágio médio apresentou grande
confusão para a acurácia do produtor. Este problema foi observado também por SOTHE (2015),
que encontrou grande confusão com as classes estágio inicial e avançado. Pode-se observar
também que a classe estágio avançado foi a que apresentou os melhores resultados, com o
resultado mais baixo de 71% de acurácia do produtor até um resultado de 100% corretamente
classificado, enquanto que a classe estágio inicial apresentou grande variação na qualidade dos
resultados, variando de 37% até 99%, ambas para a acurácia do produtor. PIAZZA et al. (2016)
encontrou problemas na caracterização espectral da classe estágio inicial a partir de um sensor
com 39cm de resolução espacial, comentando que, apesar do incremento na resolução espacial
das imagens nos últimos anos, esta informação extra acaba ocasionando deficiência na
caracterização espectral desta classe, o que pode ter resultado um resultado não tão bom quanto
esperado. Estes autores também comentaram que informações texturais, mutitemporais e
índices de vegetação, com utilização de bandas na faixa do infravermelho próximo,
demonstraram ser um bom parâmetro para conseguir resultados mais precisos. AMARAL et al.
(2009) também demonstraram que a utilização de parâmetros texturais podem melhorar a
qualidade da classificação dos estágios de sucessão florestal. PONZONI; REZENDE (2004)
encontraram problemas para a separação entre estas classes também, pois a reflectância de
superfície na faixa do visível apresentou grande semelhança entre as classes, enquanto que o
infravermelho demonstrou uma diferenciação maior. Além disso, ROSÁRIO et al. (2009)
encontraram semelhança entre a vegetação de várzea e a classe estágio inicial da vegetação,
demonstrando que além da confusão entre os estágios, a classe estágio inicial também pode
73
apresentar uma maior confusão com classes que apresentem vegetações rasteiras, como é o caso
da classe “Campo”, observada na área 2, e o que causou uma maior confusão para a classe
“Inicial” quanto a acurácia do usuário.
74
75
5 CONSIDERAÇÕES FINAIS
Com o presente estudo foi possível constatar que a metodologia de classificação
orientada a objeto, utilizada neste trabalho, mostrou ser viável para a separação dos estágios de
sucessão da vegetação a partir da ortoimagem obtida pelo VANT.
A segmentação gerada para esta metodologia, em geral, apresentou resultados
satisfatórios através de parâmetros visuais, apesar de, em alguns casos, ter gerado uma super-
segmentação (over-segmentation), que é quando a imagem é dividida em segmentos muito
pequenos, que também podem interferir no resultado. Uma alternativa seria a utilização de
outras metodologias de segmentação, ou outros algoritmos para esta etapa, ou ainda a utilização
de softwares específicos para a seleção dos melhores parâmetros para segmentação.
A etapa de seleção de amostras também foi uma etapa importante para o resultado final.
Em alguns casos, a pouca quantidade de amostras existentes de algum determinado objeto na
imagem pode ter gerado confusão com algumas classes, como foi o caso das classes “Pinus” e
“Campo” nos ortomosaicos referentes as áreas 2 e 3, o que ocasionou uma confusão destas
classes com as classes de interesse neste estudo. Pode se observar que, apesar de não serem as
classes de interesse, acabaram interferindo no resultado final da acurácia, principalmente do
usuário, que fez com que a imagem final classificada, apresentasse erro maior do que o
esperado, o que também interfere no resultado final do índice global Kappa. Esse erro ocorreu,
principalmente, devido a semelhança destas classes nos parâmetros utilizados para a
classificação, que são a média, o desvio padrão e a cor. Estudos futuros podem focar um pouco
mais em busca de novos parâmetros para conseguir uma melhor separação destas classes, tanto
por parâmetros estatísticos, quanto por texturais. Além disso, as utilizações de bandas na faixa
do infravermelho podem auxiliar em resultados mais precisos também.
O estágio avançado de sucessão florestal foi o que apresentou os melhores resultados na
separabilidade das classes. A maior confusão foi com a classe estágio médio de sucessão
florestal, o que demonstra que existe uma necessidade maior na busca de informações que
possam tornar essa classificação melhor. Estudos futuros podem buscar outros parâmetros que
consigam separar melhor esta classe, eventualmente a identificação de grupos funcionais dentro
da floresta possa ser uma tarefa que satisfaça essa questão, pois, devido as imagens com ultra
alta resolução produzidas pelo VANT, que em alguns casos chegou a uma resolução de 2 a 3
cm, estas informações poderiam ser extraídas.
76
O algoritmo Random Trees, utilizado nas classificações deste trabalho, conseguiu
resultados variando de “Muito Bom” a “Excelente” para o índice Kappa, demonstrando que
tem potencial de utilização para as tarefas de separação das classes determinadas neste trabalho.
Além disso, esta classificação com a utilização do índice de vegetação (TGI) demonstrou um
grande potencial para auxiliar nesta metodologia, em muitos casos podendo substituir a banda
do infravermelho.
77
REFERÊNCIAS
AIRGON. DJI Drones for Mapping: DJI Phantom 4 Pro and the DJI Inspire 2. 2017.
Disponível em: <http://support.geocue.com/wp-content/uploads/2017/05/DJI-Drones-for-
Mapping.pdf>. Acesso em: 29 jan. 2018
AMARAL, M. V. F. et al. Avaliação e comparação de métodos de classificação de Imagens
de satélites para o mapeamento de estádios de Sucessão florestal. Revista Árvore, Viçosa-
(MG), v.33, n.3, p.575-582, 2009
AMO, Sandra de. Técnicas de Mineração de Dados. In: CONGRESSO DA SOCIEDADE
BRASILEIRA DE COMPUTAÇÃO. JORNADA DE ATUALIZAÇÃO EM
INFORMÁTICA, 24., 2004, Salvador. Disponível em:
<http://inf.cp.cefetpr.br/ligia/papers/jai-cap5.pdf>. Acesso em: 12 dez. 2017.
ANDRADE, J. B. Fotogrametria. 2. ed. Curitiba, PR: SBEE, 2003. 255 p.
BARNES, B. V., ZAK, D.R., DENTON, S.R., SPURR, S.H., Forest Ecology, 4 ed. Wiley,
1998. 774p.
BLASCHKE, T., Object based image analysis for remote sensing. ISPRS Journal of
Photogrammetry and Remote Sensing v. 65, p. 2-16, 2010.
BLASCHKE, T., STROBL, J. What's wrong with pixels? Some recent developments
interfacing remote sensing and GIS. Interfacing Remote Sensing and GIS, v.14, n.6, p. 12-
17 2001.
BOSCH, A., ZISSERMAN A., MUÑOZ, X. Image Classification using Random Forests
and Ferns. IEEE 11th International Conference on Computer Vision. 2007.
BRASIL. Conselho Nacional do Meio Ambiente. 1994. Resolução CONAMA nº 04/94, de 4
de maio de 1994. Publicada no Diário Oficial da União em 17 jun. 1994, n. 114.
BRASIL. Lei nº 4.771, de 15 de setembro de 1965. Institui o novo Código Florestal. Diário
Oficial [da] República Federativa do Brasil, Brasília, DF, 15 set. 1965. Disponível em: <
http://www.planalto.gov.br/ccivil_03/leis/L4771.htm#art50> Acesso em: 20/09/2018.
BRASIL. Secretaria De Estado Do Meio Ambiente. 2014. Resolução SMA nº 32, de 03 de
abril de 2014. Publicada no Diário Oficial da União de 05-04-2014. Seção I. Pág. 36-37.
78
BREIMAN, L. Random Forest. Machine Learning. v. 45, pg. 5–32. 2001.
CAMILO, C. O.; SILVA, J. C. da. Mineração de Dados: Conceitos, Tarefas, Métodos e
Ferramentas. Goiás: Instituto de Informática Universidade Federal de Goiás, 2009. 29 p.
CARDOSO, O. N. P.; MACHADO, R. T. M., Gestão do conhecimento usando data mining:
estudo de caso na Universidade Federal de Lavras. Revista de Administração Pública -
RAP, Rio de Janeiro, v. 42, n.3, p. 495-528, 2008.
CHAZDON, R. L. Chance and Determinism in Tropical Forest Succession. In: CARSON, W.
P., SCHNITZER, S. A. Tropical Forest Community Ecology. Blackwell Publishing Ltd,
2008. cap 23.
CHENG, Y. Mean Shift, Mode Seeking, and Clustering, IEEE Trans. Pattern Anal. Mach.
Intell., v. 17, n. 8, p. 790-799, 1995.
CINTRA, D. P. Classificação de estágios sucessionais florestais por meio de imagens de
alta resolução (IKONOS) no Parque Estadual da Pedra Branca, RJ. 2007. Dissertação
(Mestrado em Ciências Ambientais e Florestais) - Universidade Federal Rural do Rio de
Janeiro, Rio de Janeiro. Instituto de Florestas. 2007.
COELHO, L., BRITO, J. N., Fotogrametria digital, Universidade Do Estado Do Rio De
Janeiro. UERJ, 2007. 196 p.
COMANICIU, D., MEER, P., Mean Shift: A Robust Approach Toward Feature Space
Analysis, IEEE Trans. Pattern Anal. Mach. Intell. v. 24, n. 5, p. 603-619, 2002.
CONGALTON, R. G.; GREEN, K. Assessing the accuracy of remotely sensed data:
principles and practices. New York: Lewis Publishers, 1999, 136 p.
CORTES, S. C., PORCARO, R. M., LIFSCHITZ, S., Mineração de dados –
Funcionalidades, Técnicas e Abordagens. Rio de Janeiro: PUC Rio, 2002. 35 p. Disponível
em: <ftp://139.82.16.194/pub/docs/techreports/02_10_cortes.pdf> Acesso em: 12 dez. 2017
DEAN, A. M., SMITH, G. M. An evaluation of per-parcel land cover mapping using
maximum likelihood class probabilities, International Journal of Remote Sensing, v.24,
n.14, p. 2905-2920, 2003.
79
DIAZ, P. M. A. A comparison of Segmentation Algorithms for Remote Sensing. 2014.
Dissertação (Mestrado em Engenharia Elétrica) - Pontifica Universidade Católica do Rio de
Janeiro, Rio de Janeiro, 2014.
DJI. Phantom 4 PRO. Disponível em: < https://www.dji.com/phantom-4-pro>. Acesso em:
21/09/2018.
DJI. Phantom 4 pro User Manual. 2017. Disponível em:
<https://dl.djicdn.com/downloads/phantom_4_pro/20171017/Phantom_4_Pro_Pro_Plus_User
_Manual_EN.pdf>. Acesso em: 29/01/2018
EHLERS, M., JANOWSKY, R., GÄHLER, M. New Remote Sensing Concepts for
Environmental Monitoring. Remote Sensing for Environmental Monitoring, GIS
Applications, and Geology, v. 4545. p. 1-12. 2002.
ESPÍRITO-SANTO, F. D. B., et al. Classificação semi-automática de imagens multitemporais
Landsat para a determinação dos estágios sucessionais de uma área de desflorestamento na
Amazônia. Anais XII Simpósio Brasileiro de Sensoriamento Remoto, Goiânia, Brasil, 16-
21 abril 2005, INPE, p. 1517-1524.
EVERAERTS, J. The use of unmanned aerial vehicles (UAVs) for remote sensing and
mapping, The International Archives of the Photogrammetry, Remote Sensing and
Spatial Information Sciences. v. 37, p. 1187-1192, 2008.
FENG, Q., LIU, J., GONG, J. UAV Remote Sensing for Urban Vegetation Mapping Using
Random Forest and Texture Analysis. Remote Sensing. v. 7, p. 1074-1094. 2015.
FUKUNAGA, K.; HOSTETLER, L.D., The Estimation of the Gradient of a Density
Function, with Applications in Pattern Recognition", IEEE Trans. Info. Theory, v. 21, p. 32-
40, 1975.
FURTADO, L. F. de A., FRANCISCO C. N., de ALMEIDA C. M., Análise de imagem
baseada em objeto para classificação das fisionomias da vegetação em imagens de alta
resolução espacial. Geociências, São Paulo, UNESP, v. 32, n.3, p.441-451, 2013.
GALVAO, G. M. Acurácia da mosaicagem gerada por veículo aéreo não tripulado
utilizado na agricultura de precisão. Trabalho para graduação (Graduação em Agronomia) -
Universidade Estadual Paulista, São Paulo. 2014.
80
GANDOLFI, S.; LEITÃO FILHO, H.F.; BEZERRA, C.L.F. Estudo florístico e caráter
sucessional das espécies arbustivoarbóreas de uma floresta mesófila semidecidual no
município de Guarulhos, SP. Revista Brasileira de Biologia. v. 55, n.4, p. 753-767. 1995.
GAO, J. Digital analysis of remotely sensed imagery. New York, NY, USA: McGraw-Hill
Professional Publishing, 2009. 439 p.
GEODRONES. Kit NDVI para Phantom 4 Pro - Mapir Survey 3 NDVI com GPS Integrado
Disponível em: <http://www.geodronestore.com.br/kit-ndvi-phantom-4>. Acesso em:
29/01/2018
GLASBEY, C.A. AND HORGAN, G.W. Image Analysis for the Biological Sciences.
Wiley, 1995.
GOEBEL, M.; GRUENWALD, L. A survey of data mining and knowledge discovery
software tools. ACM SIGKDD, San Diego, v. 1, n. 1, p. 20-33, 1999.
GUARIGUATA, M. R.; OSTERTAG, R. Neotropical secundary forest succession: changes in
structural and functional characteristics. Forest Ecology and Management v. 148, p. 185-
206. 2001.
HARWIN, S.; LUCIEER, A., Assessing the Accuracy of Georeferenced Point Clouds
Produced via Multi-View Stereopsis from Unmanned Aerial Vehicle (UAV) Imagery,
Remote Sensing, p. 1573-1599, 2012; doi:10.3390/rs4061573
HIGUCHI, P. DA SILVA, A. C., et al. Influência De Variáveis Ambientais Sobre O Padrão
Estrutural E Florístico Do Componente Arbóreo, Em Um Fragmento De Floresta Ombrófila
Mista Montana Em Lages, SC. Ciência Florestal, Santa Maria, v. 22, n. 1, p. 79-90, 2012.
HUNT JR, E. R., et al. A visible band index for remote sensing leaf chlorophyll content at the
canopy scale. International Journal of Applied Earth Observation and Geoinformation.
v. 21. p. 103–112. 2013.
IBGE. Manual Técnico da Vegetação Brasileira. Série Manuais Técnicos em Geociências
1, 2 ed. IBGE, Rio de Janeiro. 2012.
IMMITZER, M., ATZBERGER, C., KOUAL, T. Tree Species Classification with Random
Forest Using Very High Spatial Resolution 8-Band WorldView-2 Satellite Data. Remote
Sensing. v. 4, p. 2661-2693. 2012
81
JENSEN, J. R. Sensoriamento remoto do ambiente: uma perspectiva em recursos
terrestres. Tradução de José Carlos Neves Epiphanio et al. São José dos Campos, SP:
Parênteses, 2009.
KLEIN, R.M. Ecologia da flora e vegetação do Vale do Itajaí. Sellowia, Itajaí, v.32, n.32,
p.164-369, nov. 1980.
KRAUS, K. Photogrammetry: Fundamentals and Standard Processes. 4. ed. Bonn: Ferd.
Dümmler Verlag, v. 1. 1993.
KRUG, C., DOS SANTOS, I. A. O Uso de Diferentes Métodos para Amostragem da Fauna
de Abelhas (Hymenoptera: Apoidea), um Estudo em Floresta Ombrófila Mista em Santa
Catarina. Ecology, Behavior And Bionomics. Neotropical Entomology. v.37, n.3, p. 265-
278, 2008.
LALIBERTE, A. S., et al. Acquisition, Orthorectification, and Object-based Classification of
Unmanned Aerial Vehicle (UAV) Imagery for Rangeland Monitoring. Photogrammetric
Engineering; Remote Sensing. v. 76, n. 6, p. 661–672. 2010.
LANDIS, J.; KOCH, G. The measurement of observer agreement for categorical data.
Biometrics, v. 33, p. 159 – 174, 1977.
LONGHI, S. J.; et al. Classificação e caracterização de estágios sucessionais em
remanescentes de floresta ombrófila mista na flona de São Francisco de Paula, RS, Brasil.
Ciência Florestal, Universidade Federal de Santa Maria. Santa Maria. v. 16, n. 2, p. 113-125,
2006.
LONGUITANO, G. A., VANTS para o sensoriamento remoto: Aplicabilidade na
avaliação e monitoramento de impactos ambientais causados por acidentes com cargas
perigosas. 2010. Dissertação (Mestrado em Engenharia de Transportes – Geoprocessamento)
- Escola Politécnica da Universidade de São Paulo. Departamento de Engenharia de
Transportes. 2010.
LORENZI, H., Árvores Brasileiras: manual de identificação e cultivo de plantas arbóreas
nativas do Brasil. Nova Odessa, SP: Editora Plantarum, 385 p. 1992.
LOWE, D. G., Object Recognition from Local Scale-Invariant Features, Proceedings of the
Seventh IEEE International Conference on Computer Vision, Kerkyra, Greece, v. 2, p.
1150-1157, 1999.
82
MACHADO, A. M. L., Extração automática de contornos de edificações utilizando
imagem gerada por câmara digital de pequeno formato e dados lidar. 2006. Dissertação
(Doutorado em Ciências Geodésicas) – Universidade Federal do Paraná, Curitiba, 2006.
MAUSEL P., et al. Spectral Identification of Successional Stages Following Deforestation in
the Amazon. Geocarto International. v. 8, n. 4, p. 61-71, 1993
McGLONE, J. C.; MIKHAIL, E. M.; BETHEL, J. S. Manual of Photogrammetry. 5. ed.
Bethesda, Md.: American Society of Photogrammetry and Remote Sensing, 2004. 1151 p.
MCKINNON, T., HOFF, P. Comparing RGB-Based Vegetation Indices With NDVI For
Agricultural Drone Imagery. AGBX021-17, 2017. Disponível em:
<https://agribotix.com/blog/2017/04/30/comparing-rgb-based-vegetation-indices-with-ndvi-
for-agricultural-drone-imagery/>. Acesso em: 15/01/2018.
MEDEIROS, F. A. Desenvolvimento de um veículo aéreo não tripulado para aplicação
em agricultura de precisão. 2007. Dissertação (Mestrado em Engenharia Agrícola).
Universidade Federal de Santa Maria. Santa Maria, 2007.
MENESES, P. R.; ALMEIDA, T. Introdução ao processamento de imagens de
sensoriamento remoto. Brasília 2012, 266 p.
MENESES, P. R.; SANO, E. E., Classificação pixel a pixel de imagens. In: MENESES, P.
R.; ALMEIDA, T. Introdução ao processamento de imagens de sensoriamento remoto.
Brasília 2012, 266 p.
MICHEL, J.; YOUSSEFI D., GRIZONNET M. Stable Mean-Shift Algorithm and Its
Application to the Segmentation of Arbitrarily Large Remote Sensing Images, IEEE
Transactions on Geoscience and Remote Sensing, v. 53, n. 2, p. 952-964, 2015.
MINISTÉRIO DO MEIO AMBIENTE- MMA. Bioma Mata Atlântica. 2012. Disponível em:
<http://www.mma.gov.br/images/arquivos/biomas/mata_atlantica/mapa_mata_atlantica_lei_1
1428_2006_e_decreto6660_2008.pdf>. Acesso em 23 de maio de 2018
MISHRA, A. K., RATHA, B. K. Study of Random Tree and Random Forest Data Mining
Algorithms for Microarray Data Analysis. International Journal on Advanced Electrical
and Computer Engineering (IJAECE). v. 3, p. 5-7. 2016
83
MYERS, N., et al. Biodiversity hotspots for conservation priorities. Nature, v. 403, p. 853-
858, 2000.
OLIVER, C.D. AND LARSON, B.C. Forest Stand Dynamics. McGraw-Hill, NewYork.
1990
PAJARES, G. Overview and Current Status of Remote Sensing Applications Based on
Unmanned Aerial Vehicles (UAVs), Photogrammetric Engineering; Remote Sensing, v.
81, n. 4, p. 281- 329, 2015.
PAL, N.R.; PAL, S. K. A review on image segmentation techniques. Pattern Recognition,
v. 26, n. 9, p. 1277-1294, 1993.
PAULA, A. DE, et al. Sucessão ecológica da vegetação arbórea em uma Floresta Estacional
Semidecidual, Viçosa, MG, Brasil, Acta bot. bras. v.18, n.3, p. 407-423. 2004
PIAZZA, G. A. Processamento digital de imagens de alta resolução espacial com enfoque
na classificação dos estágios sucessionais iniciais da Floresta Ombrófila Densa em Santa
Catarina. 2014. 128 p. Dissertação (Mestrado em Engenharia Ambiental) - Centro de
Ciências Tecnológicas, FURB, Blumenau, SC, 2014.
PIAZZA, G. A., et al. Object-oriented and pixel-based classification approaches to classify
tropical successional stages using airborne high–spatial resolution images, GIScience;
Remote Sensing. v. 53, n. 2, p 206-226, 2016. DOI: 10.1080/15481603.2015.1130589
PONZONI, F. J., REZENDE, A. C. P. Influência Da Resolução Espacial De Imagens Orbitais
Na Identificação De Elementos Da Paisagem Em Altamira-PA. Revista Árvore, Viçosa-MG,
v.26, n.4, p.403-410, 2002.
PONZONI, F. J., REZENDE, A. C. P., Caracterização espectral de estágios sucessionais de
vegetação secundária arbórea em altamira (PA), através de dados orbitais. Revista Árvore.
Viçosa-MG, v.28, n.4, p.535-545, 2004
RODERJAN, C. V.; et al. As unidades fitogeográficas do Estado do Paraná. Ciência e
Ambiente, Santa Maria, n.1, p.75-92, 2002.
RONDON NETO, R. M., et al. Análise florística e estrutural de um fragmento de floresta
ombrófila mista montana, situado em Criúva, RS - Brasil. Ciência Florestal, Santa Maria, v.
12, n. 1, p. 29-37. 2002.
84
ROSSI, P., et al. Combining nadir and oblique UAV imagery to reconstruct quarry
topography: methodology and feasibility analysis, European Journal of Remote Sensing, p.
211-221, 2017, DOI: 10.1080/22797254.2017.1313097
RUIZ, L. F. C. Uma abordagem de classificação da cobertura da terra em imagens
obtidas por veículo aéreo não tripulado. Dissertação (Mestrado em Sensoriamento
Remoto). Universidade Federal Do Rio Grande Do Sul – UFRGS. Porto Alegre. 2015.
SABERIOON, et al. Assessment of rice leaf chlorophyll contente using visible band sat
diferente growth stage sat both the leaf and canopy scale. International Journal of Applied
Earth Observation and Geoinformation. v.32, p. 35–45. 2014.
SENTHILNATH, J., et al. Application of UAV imaging platform for vegetation analysis
based on spectral-spatial methods. Computers and Electronics in Agriculture v. 140, p. 8–
24, 2017.
SIMINSKI, A., FANTINI, A. C. Classificação Da Mata Atlântica Do Litoral Catarinense Em
Estádios Sucessionais: Ajustando A Lei Ao Ecossistema. Floresta e Ambiente. v. 11, n.2, p.
20-25. 2004
SIMINSKI, A.; FANTINI, A. C., REIS, M. S. Classificação da vegetação secundária em
estágios de regeneração da mata atlântica em Santa Catarina. Ciência Florestal, Santa Maria,
v. 23, n. 3, p. 369-378, jul.-set., 2013
SISCOUTTO, R. A., et al. Estereoscopia, In: KIRNER, C.; TORI, R., Realidade Virtual:
Conceitos e Tendências – Livro do Pré-Simpósio SVR 2004, Editora Mania de Livro, São
Paulo, 2004, cap. 11, p. 179-201. (ISBN 85-904873-1-8)
SOTHE, C., Classificação do estádio sucessional da vegetação em áreas de floresta
ombrófila mista empregando análise baseada em objeto e ortoimagens. 2015. Dissertação
(Mestrado em Engenharia Florestal). Universidade do Estado de Santa Catarina. Centro de
Ciências Agroveterinárias. 2015
SOTHE, C., et al. Evaluating Sentinel-2 and Landsat-8 Data to Map Sucessional Forest
Stages in a Subtropical Forest in Southern Brazil. Remote Sens. v. 9, n.8. 838; p. 1-22. 2017.
doi: 10.3390/rs9080838
STORY, M., CONGALTON, R. Accuracy assessment: A user’s perspective.
Photogrammetric Engineering and Remote Sensing. v. 52, n. 3, p. 397–399. 1986.
85
UHLMANN, A., et al. Grupos florísticos estruturais da Floresta Ombrófila Mista em
santa Catarina. In: VIBRANS, A. C.; et al. Inventário Florístico Florestal de Santa
Catarina. v. 3. Floresta Ombrófila Mista. Blumenau: Edifurb, 2012. 448 p
VIBRANS, A. C.; et al. Inventário Florístico Florestal de Santa Catarina. v. 1.
Diversidade e conservação dos remanescentes florestais. Blumenau: Edifurb, 2012. 344 p
VIBRANS, A. C., et al. Floresta Ombrófila Mista: Inventário Florístico Florestal de
Santa Catarina, v.3. Blumenau: Edifurb, 2013. 440 p.
VIEIRA, I. C. G., et al. Classifying successional forests using Landsat spectral properties and
acological characteristics in eastern Amazônia. Remote Sensing of Environment, v. 87, p.
470-481, 2003.
WATTS, A. C., AMBROSIA, V. G., HINKLEY E. A., Unmanned Aircraft Systems in
Remote Sensing and Scientific Research: Classification and Considerations of Use. Remote
Sens, v. 4, p. 1671-1692, 2012.
WESTOBY, M.J., et al. ‘Structure-from-Motion’ photogrammetry: A low-cost, effective tool
for geoscience applications. Geomorphology v. 179, p. 300–314, 2012.
WHITESIDE, T. G., BOGGS, G. S., MAIER, S. W. Comparing object-based and pixel-based
classifications for mapping savannas. International Journal of Applied Earth Observation
and Geoinformation. v. 13, p. 884–893, 2011.
WU, K. L., YANG, M. S. Mean shift-based clustering. Pattern Recognition, v. 40, p. 3035–
3052, 2007. < doi:10.1016>
YU, Q., et al. Object-based Detailed Vegetation Classification with Airborne High Spatial
Resolution Remote Sensing Imagery. Photogrammetric Engineering: Remote Sensing. v.
72, n. 7, p. 799-811, 2006.
ZANINI, K. J., et al. Atlantic rain forest recovery: successional drivers of floristic and
structural patterns of secondary forest in Southern Brazil. Journal of Vegetation Science
v.25, p. 1056–1068, 2014.
86
87
APÊNDICES
APÊNDICE A – Imagens ilustrando presença de espécies exóticas em áreas consideradas de
preservação permanente, na localidade de Bom Retiro – SC.
Fonte: Autor
88
APÊNDICE B - Imagens ilustrando presença de espécies exóticas em áreas consideradas de
preservação permanente, na localidade de Lages/SC. a) Imagem classificada com demarcação
em vermelho das áreas com presença de Pinus sp. e ortomosaico com demarcações em
vermelho das áreas com presença de Pinus sp. b) Ortomosaico ampliado para facilitar
visualização das áreas demonstradas nas figuras a).
a
89
b