Classificação Baseada em Objetos e Mineração de Dados: Aplicação de Ferramentas Open Source no Mapeamento de Área Urbana

Abstract

A maioria dos classificadores tradicionais são pixel a pixel, o que faz com que não sejam tão eficientes na separabilidade dos alvos em regiões urbanas em virtude da mistura espectral dos diferentes objetos da cena, além das frequentes alterações na dinâmica espacial. Em classificadores Orientados a Objetos (O.O.), conhecidos por GEOBIA, é realizada uma análise baseada em conhecimento, extraindo atributos dos segmentos para que a classificação seja efetuada, ou seja, analisando informações de contexto e não apenas nos pixels de forma isolada. Logo, há uma tendência de que a classificação possa ser mais assertiva. Porém, a maioria dos classificadores O.O. são softwares proprietários, o que acaba por encarecer o produto gerado. O estudo teve por intuito avaliar a classificação Orientada a Objetos, em imagens de alta resolução, por meio do software livre de classificação InterImage e do minerador de dados open source Weka, o qual foi utilizado para obtenção dos limiares para distinção dos nós da rede semântica. A classificação foi realizada em uma área de expansão urbana do Distrito Federal, tendo como base uma imagem QuickBird, onde foi gerado um mapa temático de uso do solo com a finalidade de avaliar a acurácia do resultado por meio da matriz de confusão, a partir da qual foram extraídos os índices de Exatidão de Concordância Total e por Classe. Ainda, avaliou-se a qualidade da cobertura vegetal mediante a extração do índice de NDVI e cálculo de anomalia positiva, com o intuito de analisar a vegetação fotossinteticamente ativa. Constatou-se que cerca de 3,14% do total de áreas verdes classificadas possuem elevado NDVI, demonstrando a saúde da vegetação. O classificador InterImage apresentou resultados satisfatórios, tendo uma separabilidade das classes com Exatidão Global de 82,5% e um Kappa de 0,806, promovendo deste modo uma discriminação significativa entre as diferentes classes propostas na área de estudo