Delineamento de copas de Araucaria angustifolia utilizando lógica Fuzzy em imagens Quickbird II

Authors

  • Vagner Alex Pesck vapesck@unicentro.br
    Universidade Estadual do Centro Oeste (UNICENTRO)
  • Thiago Floriani Stepka thiago.stepka@udesc.br
    Universidade do Estado de Santa Catarina (UDESC)
  • Gerson dos Santos Lisboa gerson.lisboa@gmail.com
    Universidade Federal do Sul da Bahia (UFSB)
  • Luciano Cavalcante de Jesus França lucianodejesus@florestal.eng.br
    Universidade Federal dos Vales do Jequitinhonha e Mucuri (UFVJM)
  • Clebson Lima Cerqueira clebsonlima10@hotmail.com
    Universidade Federal Mato Grosso (UFMT)

DOI:

10.34062/afs.v5i3.5695

Keywords:

Floresta Ombrófila Mista, Classificação Orientada ao Objeto, Alta Resolução, Sistema de Informações Geográficas

Abstract

O presente estudo consistiu do uso da técnica de classificação orientada ao objeto, utilizando o algoritmo K Nearest Neighbor, e baseada em regras com uso da lógica Fuzzy para mapear copas de Araucaria angustifolia (Bertol.) Kuntze em um fragmento de Floresta Ombrófila Mista (FOM), localizada na Floresta Nacional de Irati, PR (Brasil), utilizando imagem de alta resolução Quickbird II. Primeiramente foi efetuado o trabalho de campo para coleta de informações sobre a espécie com base em fotografias aéreas em escala 1:2000, para validação dos resultados da classificação. A imagem Quickbird II foi fusionada pelo método de Gram-Schmidt, pelo qualrealizou-se a segmentação da imagem utilizando níveis de escalas iguais para ambos os métodos, sendo 80 para a segmentação e 90 para a opção merge segments. Na classificação orientada ao objeto foram testados dois métodos, sendo um supervisionado e outro utilizando regras de classificação com a composição das bandas 4R, 3G e 2B. Para as classes tipológicas Araucaria angustifolia e Folhosas foram destacadas as regras espectrais como valores mínimos e máximos da banda infravermelho próximo, e as regras referentes ao NDVI (razão de bandas), e o atributo espacial “área”. Para a classe sombra destacaram-se as regras de “intensidade” e valores espectrais, como valores máximos e mínimos da banda verde. O acerto para os métodos supervisionado e por regras foi classificado como excelente, com valores de Kappa de 0,83 e 0,82 respectivamente. Tanto a classificação por regras como supervisionada utilizando a lógica fuzzy, mostraram-se acuradas no delineamento das copas de Araucária.

References

Araújo EHG (2006). Análise multi-temporal de cenas do satélite Quickbird usando um novo paradigma de classificação de imagens e inferências espaciais: estudo de caso-Belo Horizonte, MG. Dissertação, Mestrado em Sensoriamento Remoto, Instituto Nacional de Pesquisas Espaciais – INPE, São José dos Campos, 175p.

Aksoy B, Murat E (2012). Landslide identification and classification by object-based image analysis and fuzzy logic: An example from the Azdavay region (Kastamonu, Turkey). Computers & Geosciences 38 (1), 87-98.

Baatz M, Schäpe A, Schmidt G, Athelogou M, BINNIG G (2005). Cognition network technology: object orientation and fractal topology in biomedical image analysis. Method and applications. In Fractals in Biology and Medicine (67-73). Birkhäuser Basel.

Congalton RG, Oderwald RG, Mead RA (1983). Assessing Landsat classification accuracy using discrete multivariate statistical techniques. Photogrammetric Engineering & Remote Sensing, 49 (12), 1671-1678.

Dalponte M, Bruzzone L, Vescovo L, Gianelle D (2009). The role of spectral resolution and classifier complexity in the analysis of hyperspectral images of forest areas. Remote Sensing of Environment, 113(11), 2345-2355.

Disperati AA, Oliveira Filho PC (2005). Delineamento de copas de árvores em fotografias aéreas de alta resolução, através de suas sombras periféricas: estudo de caso na Floresta Ombrófila Mista. Revista Árvore. 29 (2), 195-202.

Disperati AA, Pesck VA, Disperati J, Santos JR, Rudek A, Figueiredo Filho A (2009). Identificazione di chiome di Araucaria angustifolia nella banda dell'infrarosoo vicino, fornite da Quickbird 2, In: 13ª Conferenza Nazionale ASITA (Federazione Italiana delle Associazioni Scientifiche per le Informazioni Territoriali e Ambientali). Bari, Itália.

Darwish A, Leukert K, Reinhardt W (2003). Image segmentation for the purpose of object-based classification. In International Geoscience and Remote Sensing Symposium. Toulouse, France.

Dlugosz F (2005). Classificação orientada a regiões na discriminação de tipologias da Floresta Ombrófila Mista usando imagens orbitais Ikonos. Dissertação, Mestrado em Ciências Florestais, Universidade Federal do Paraná-UFPR, Curitiba, PR. 135 p.

Erkol B, Moss RH, Stanley JR, Stoecker WV, Hvatum E (2005). Automatic lesion boundary detection in dermoscopy images using gradient vector flow snakes. Skin Research and Technology, 11(1), 17-26.

Fonseca LMG (2000). Processamento digital de imagens. São José dos Campos: Instituto Nacional de Pesquisas Espaciais (INPE). 105p.

Gomes P, Ferreira MC, Lingnau C, Bolfe E, Siqueira M (2009). Segmentação e classificação de dossel florestal em imagens Quickbird. Ambiência, 4(4), 35-46.

Gougeon FA (1999). Automatic individual tree crown delineation using a valley-following algorithm and a rule-based system. In International Forum Automated Interpretation of High Spatial Resolution Digital Imagery for Forestry, Victoria, Canada.

Heinzel J, Koch B (2012). Investigating multiple data sources for tree species classification in temperate forest and use for single tree delineation. International Journal of Applied Earth Observation and Geoinformation, 18, 101-110.

Jakubowski MK, Li W, Guo Q, Kelly M. (2013). Delineating individual trees from LiDAR data: A comparison of vector-and raster-based segmentation approaches. Remote Sensing 5.9. 4163-4186.

Landis J, Koch GG (1977). The measurements of agreement for categorical data. Biometrics. 33 (3) 159-179.

Pham BT, Bui DT, Prakash I, Dholakia MB (2016). Rotation forest fuzzy rule-based classifier ensemble for spatial prediction of landslides using GIS. Natural Hazards, 1-31.

Pinho CD (2005). Análise orientada a objetos de imagens de satélites de alta resolução espacial aplicada à classificação de cobertura do solo no espaço intra-urbano: o caso de São José dos Campos. Dissertação, Mestrado Sensoriamento Remoto, Instituto Nacional de pesquisas Espaciais, São José dos Campos, 180 p.

Sanquetta CR, Tetto AF (2000). Pinheiro-do-Paraná: lendas e realidades. Curitiba: FUPEF do Paraná, 112p.

Shandley J, Franklin J, White T (1998). Testing the Woodcock-Harward image segmentation algorithm in an area of southern California chaparral and woodland vegetation. International Journal of Remote Sensing. 19(3), 535-541.

Shimabukuro YE, Batista G, Mello EMK, Moreira JC, Duarte V (1998). Using shade fraction image segmentation to evaluate deforestation in Landsat Thematic Mapper images of the Amazon region. International Journal of Remote Sensing. 19(3), 535-541.

Soares AR, Beppler M (2013). Estudo Comparativo entre Softwares na Classificação de Imagens de Alta Resolução Espacial. In.: Anais XVI Simpósio Brasileiro de Sensoriamento Remoto - SBSR, Foz do Iguaçu - PR, Brasil.

Sousa AMO, Mesquita P, Gonçalves AC, Silva JRM (2010). Segmentação e classificação de tipologias florestais a partir de imagens Quickbird. Ambiência 6(Edição Especial) 57 - 66.

Stehman SV (1997). Selecting and interpreting measures of thematic classification accuracy. Remote sensing of Environment, 62(1), 77-89.

Uriarte M, Clark JS. Zimmerman JK, Comita LS, Forero-Montaña J, Thompson J (2012). Multidimensional trade‐offs in species responses to disturbance: implications for diversity in a subtropical forest. Ecology, 93(1), 191-205.

Wang Z, Ziou D, Armenakis C, Li D, Li Q (2005). A comparative analysis of image fusion methods, IEEE Transactions on Geoscience and Remote Sensing,43 (6)1391–1402.

Published

2018-10-19