Métodos de Classificação

Existem seis principais métodos de classificação: as classificações supervisionadas e não supervisionadas (Supervised Classification and Unsupervised Classification), a interpretação visual (Visual Observation), as redes neurais artificiais (Artificial Neural Network), classificação baseada no conhecimento (Classification Expert), processamento técnico de imagem de sensoriamento remoto (Technical Processing of Remote Sensing Image) e os métodos de combinação de bandas (Band Combination Method).

A classificação supervisionada é baseada na função de identificação estatística, de acordo com a amostra típica métodos de treinamento que permite a geração de parâmetros de classificação de classes de acordo com regras de decisão.

Já a classificação não-supervisionada é um método de análise cluster, ou seja, um algoritmo geral de agrupamento primeiro seleciona o modelo número de pontos como o centro do cluster. Cada centro representa uma categoria, de acordo com alguma semelhança medida, torna cada atributo padrão nos centros do cluster15 representados pelo tipo.

A interpretação visual, já abordada anteriormente, é definida pela distinção entre características geométricas e as características da superfície perceptíveis aos olhos humanos.

Já as redes neurais artificiais são técnicas computacionais que apresentam um modelo matemático inspirado na estrutura neural de organismos inteligentes e que adquirem conhecimento através da experiência. A criação do modelo requer treinamento e testes semelhantes à classificação supervisionada de dados de sensoriamento remoto para extrair informações úteis dos dados auxiliares e de sensoriamento remoto.

A classificação baseada no conhecimento é um sistema especialista para classificação de dados de múltiplas fontes e é elaborada de acordo com o conhecimento e experiência fornecidos por um ou mais especialistas em um campo. Lersch (2003, p. 12) ao elaborar seu estudo sobre os sistemas de combinação de dados geoespeciais para a classificação de imagens digitais de cenas naturais afirma que “o uso de sistemas especialistas pode reduzir as desvantagens existentes entre os processos de classificação por regiões (segmentação) e os métodos pixel a pixel (que se utilizam dos algorítimos tradicionais de classificação).”

No tocante ao citado processamento técnico de imagem de sensoriamento remoto, Song, Cui e Guo (2011) destacam as correções de erros e, por fim, a combinação de bandas. Este método é especialmente importante, pois é amplamente utilizado para monitoramento de vegetação. Ele é baseado na exploração de características físicas da vegetação impressas nas respostas espectrais.

As técnicas de combinação de bandas incluem os índices de vegetação, além da relação de bandas e análise de componentes principais.

Os índices de vegetação foram criados, entre outras coisas, para tentar diminuir o trabalho de análise de dados orbitais, por meio de maximização de informações espectrais da vegetação no menor número de bandas de operação dos sensores. Eles foram criados no intuito de ressaltar o comportamento espectral da vegetação em relação ao solo e a outros alvos da superfície terrestre (realçar o contraste espectral entre a vegetação e o solo). Assim sendo, esses índices podem ser obtidos tanto de dados coletados por satélites como por equipamentos próximos ao alvo de interesse, como é o caso dos espectrorradiômetros. (MOREIRA, 2007, p. 204)

A extração de índices de vegetação permitem explorar aquilo que está além do alcance visual do operador. Essencialmente, os índices de vegetação são indicadores desenvolvidos para examinar remotamente o perfil da vegetação. Eles “resultam de transformações lineares da reflectância obtidas em duas ou mais bandas do espectro eletromagnético, mediante soma, razão entre bandas, diferença ou qualquer outra combinação.” (WIEGAND et al., 1991 apud MOREIRA, 2007, p. 205)

Há uma variedade de índices disponíveis na literatura; segundo Moreira (2007, p. 50) são encontrados mais de 50 índices de vegetação; dentre os mais comuns estão o Enhanced Vegetation Index (EVI) proposto por Huete et al. (1997), o Normalized Difference Vegetation Index (NDVI) proposto por Rouse et al. (1973), o Soil-Adjusted Vegetation Index (SAVI) proposto por Huete (1988), e o Atmospherically Resistant Vegetation Index (ARVI) proposto por Kaufman e Tanré (1992). Estes índices são alguns dos produtos das transformações matemáticas da reflectância com o propósito de se explorar as propriedades espectrais da vegetação, especialmente nas regiões do vermelho e do infravermelho próximo do espectro eletromagnético (WIEGAND et al., 1991 apud GINCIENE et al., 2011). Sua lógica reside no fato de que a energia refletida no vermelho e infravermelho próximo encontra-se relacionada à atividade fotossintética da vegetação e a sua estrutura (FERREIRA et al., 2008 apud GINCIENE et al., 2011). Assim, estes índices encontram-se associados a parâmetros biofísicos da vegetação, como a biomassa e o índice de área foliar (PONZONI & SHIMABUKURO, 2007 apud GINCIENE et al., 2011).

A base teórica empírica para os índices de vegetação é derivada da análise das assinaturas de reflectância espectral típicas. A energia refletida no espectro do visível é muito baixa em virtude da alta absorção por pigmentos fotossinteticamente ativos e com máxima sensibilidade nos comprimentos de onda do azul (470 μm) e do vermelho (670 μm). Quase toda a radiação do infravermelho próximo (NIR) é dispersa (refletida e transmitida) e tem muito pouca absorção, que é dependente das propriedades estruturais de um dossel (LAI, distribuição do ângulo da folha, morfologia da folha). Como um resultado, o contraste entre respostas vermelhas e infravermelho próximas é uma medida sensível de quantidade de vegetação, com diferenças máximas de vermelho – NIR ocorrendo em um dossel completo e contraste mínimo sobre os alvos com pouca ou nenhuma vegetação. Em baixas e médias densidades de vegetação, o contraste exibido é resultado de mudanças tanto vermelhas como NIR, enquanto em áreas de vegetação densa, apenas o NIR contribui para aumentar os contrastes à medida que a banda vermelha fica saturada devido à absorção da clorofila. [Tradução minha] (HUETE et al. 1999, p. 16)

Tipos de Classificação

Na classificação por pixels, os algoritmos procuram encontrar regiões homogêneas, a partir de medidas de distâncias ou de probabilidades de um pixel pertencer a uma classe específica. Ou seja, se um pixel satisfaz a um determinado conjunto de critérios, este pixel é atribuído à classe que melhor satisfaz os critérios estabelecidos.

Já na classificação por regiões, o processo de decisão leva em consideração um agrupamento de pixels que é usado como unidade de classificação, que consiste em um método conhecido como Classificação Orientada ao Objeto (OBIA).

A classificação OBIA (Object-based Image Analysis) consiste em analisar parâmetros que vão além da resposta espectral do pixel, como textura e forma dos objetos que compõem uma determinada cena em uma imagem (WATTS et al., 2009 apud TEIXEIRA et al. 2015). Nos métodos OBIA a análise da imagem é baseada em objetos geográficos e consiste basicamente na aplicação de dois procedimentos metodológicos:
(1) segmentação/regionalização, técnica primária usada para conversão de uma cena ou imagem em múltiplos objetos;
(2) classificação baseada em regras de decisão que explicitam as propriedades dos objetos expressas pelos atributos (NAVULUR, 2006; LANG, 2008 apud FRANCISCO e ALMEIDA, 2012).

A etapa de classificação é executada por algoritmos que reconhecem padrões espectrais, tanto para classificações por regiões ou pixel a pixel, eles podem ser executados de maneira supervisionada ou não-supervisionada.

Nas classificações supervisionadas, são feitas seleções de áreas cuja classe é anteriormente conhecida para a criação de amostras de treinamento. Nestas áreas amostradas são calculados valores estatísticos que permitem a caracterização de cada classe pelo algoritmo escolhido. A classificação não-supervisionada é indicada quando não há conhecimento específico sobre a área de estudo, ela é executada por agrupamento de pixels. Ambas dão origem ao produto final: o mapa temático.

Fonte: Exame de Qualificação Doutorado PPGMA-UERJ. Teixeira, 2018. A Lagoa de Itaipu: (re)conhecimento a partir de diálogos no mundo vivido