RS Identificacao de Ocupacoes Irregulares Em Areas Urbanas

7/24/2019 RS Identificacao de Ocupacoes Irregulares Em Areas Urbanas

1/20

MemoriasMemorias

La Geoinformacinal Servicio de la Sociedad

Medelln, Colombia

29 de Septiembre al 3 de Octubre de 2014

Sociedad Latinoamericana enPercepcin Remota y Sistemasde Informacin EspacialCaptulo Colombia


2/20

Identificao de Ocupaes Irregulares em reas Urbanas Utilizando Imagens

WorldView-2 e o Classificador por rvore de Deciso - C4.5

Irregular Occupation Identification in Urban Areas Using WorldView-2 Imagery and

C4.5 Decision Tree Classifier

Brbara Maria Giaccom Ribeiro1

1 Universidade Federal do Rio Grande do Sul UFRGS / PROPURRua Sarmento Leite, 320, 5 Andar 90.050-170 - Porto Alegre - RS, Brasil

[email protected]

Resumo. Avanos recentes nas geotecnologias tm proporcionado recursos inovadores para gesto urbana eambiental, incluindo dados de sensoriamento remoto e recursos computacionais para seu processamento. Como objetivo principal de identificar reas urbanas de ocupao irregular, este trabalho utiliza imagens do sensorWorldView-2 e o software de interpretao de imagens baseado em conhecimento InterIMAGE, emdesenvolvimento pela PUC-RJ em cooperao com o INPE. Conhecido o potencial da Anlise de Imagens

Baseada em Objeto (OBIA) e, por outro lado, a complexidade da construo de modelos de classificao, estetrabalho prope mapear a cobertura do solo urbano utilizando o algoritmo de minerao de dados C4.5,recurso que permite selecionar rapidamente os atributos mais representativos de cada classe, dentro de umconjunto amplo opes, e gerar regras de classificao simples. Os resultados mostram que a minerao dedados apresentou alto desempenho classificao. A partir da cobertura do solo, procedeu-se com aclassificao do uso visando identificar reas de ocupao irregular. Os mapas temticos obtiveram altosvalores de exatido global e ndice Kappa. Conflitos tpicos da classificao de alvos urbanos foramresolvidos com a identificao de nove classes de cobertura do solo.

Palavras-chave: sensoriamento remoto urbano, minerao de dados, InterIMAGE, imagens de alta resoluo.

Abstract. Recent developments in geotechnologies provide resources to propose innovative strategies forurban and environmental management, include remote sensing data and computational resources for

processing them. With the main objective of identifying urban areas of illegal occupation, this work usesWorldView-2-sensor images and the InterIMAGE software, which performs image interpretation based onknowledge, under development by PUC-RJ in cooperation with INPE. Confirmed the potential of Object-Based Image Analysis (OBIA) and, on the other hand, the complexity on building the classification models,this work aims to perform and evaluate land cover classification using C4.5 decision tree algorithm, whichenables to quickly select the most representative attributes for each class and generate simple classificationrules. The results show that data mining technique presented high classification performance. Using the landcover classes, we proceeded with the land use classification to identify areas of irregular occupation. Thethematic maps achieved high values of overall accuracy and Kappaindex. Typical classifications have beenresolved by discriminating nine land cover classes.

Keywords:urban remote sensing, data mining, InterIMAGE, high resolution images.


3/20

1. Introduo

As aes de produo urbana esto atingindo preocupantes limiares nas maiores cidades

brasileiras. Estes limiares evidenciam riscos para o prprio funcionamento das cidades. Como

num efeito cascata, o excessivo adensamento de reas intraurbanas induz, muitas vezes, a

disperso perifrica. A expanso da ocupao humana sobre os limites das cidades acarreta o

esgotamento da infraestrutura, impacta na sua dinmica, impe dificuldades de mobilidade,

aumentando o grau de dependncia de transporte. Este tipo de ocupao do territrio resulta,

muitas vezes, em padres de urbanizao que prejudicam a eqidade, eficincia e

continuidade da cidade como suporte vida social.

Com uma populao de quase 20,8 milhes de habitantes (IBGE, 2013), a Regio

Metropolitana de So Paulo (RMSP) enfrenta muitos desafios. Cerca de 15% dos domiclios

urbanos so classificados como inadequados, apresentando condies de precariedade; o

dficit habitacional urbano soma mais de 800 mil domiclios; quase 600 mil esto em

aglomerados subnormais (IBGE, 2011). Tais nmeros refletem a discrepncia

socioeconmica resultante de dcadas de excluso social, negligncia, falhas de governo,

bem como de desigualdade econmica. Esta desigualdade evidente pelo espraiamento de

favelas na periferia das cidades da RMSP, que chegam a atingir reas de proteo ambiental e

de proteo aos mananciais. Atualmente, h 102 favelas no municpio de Embu das Artes,

compostas por mais de 10 mil domiclios (PETE, 2011).

A dificuldade de sistematizao de dados das favelas apoia-se no fato de as condies de

irregularidade e clandestinidade no serem passveis de avaliao por dados censitrios, por

se tratar de informaes autodeclaradas, ou seja, fornecidas pelo prprio entrevistado (que

pode ou no fornecer informaes verdadeiras). Por sua vez, a anlise da urbanizao fora

dos padres correntes com relao forma, ao tamanho e ao arranjo espacial dos elementos


4/20

morfolgicos (vias, lotes e edificaes) so caractersticas peculiares que distinguem as

favelas dos loteamentos (regulares ou irregulares). Neste sentido, a morfologia urbana

permite a construo de chaves de interpretao do uso do solo da favela em contraposio

com ocupaes de urbanizao regular por meio de mensurao de propriedades geomtricas

e relacionamentos espaciais. A anlise morfomtrica possui distintas abordagens, como a

morfogentica de Conzen (1960), os estudos de base configuracional, sintaxe espacial (Hillier

& Hanson, 1984), a teoria dos fractais (Mandelbrot, 1982), entre outros.

O uso de informaes atualizadas e detalhadas sobre o uso e cobertura do solo urbano

estratgico para o planejamento e gesto urbana, envolvendo questes relacionadas

expanso e ao adensamento urbano, s mudanas climticas e necessidade de proteo

ambiental. Avanos recentes na rea das geotecnologias tm oferecido recursos inovadores

para gesto urbana e ambiental, incluindo dados de sensoriamento remoto e recursos

computacionais para seu processamento, possibilitando gerar produtos cartogrficos de alta

qualidade e ricas bases de dados. O mapeamento do uso e da cobertura do solo urbano tem

feito largo uso das tecnologias de sensoriamento remoto, especialmente com a recente

disponibilidade de imagens de alta resoluo (Blaschke, 2010). Informaes extradas destes

produtos oferecem amplas possibilidades de uso, como no planejamento de investimentos de

mdio e longo prazos, no monitoramento das crescentes demandas por infraestrutura e

equipamentos sociais, no apoio elaborao de polticas pblicas, em conformidade com

diretrizes ambientais e buscando proporcionar melhor qualidade de vida para sociedade.

O uso de sensoriamento remoto em reas urbanas cresce vertiginosamente, pois os sensores

orbitais esto cada vez mais adequados para tais estudos, devido melhoria nas resolues

espacial, espectral e radiomtrica (Ribeiro et al., 2011, Ribeiro & Fonseca, 2012, 2013). Pr-


5/20

requisito para a extrao de informaes desses produtos o conhecimento das caractersticas

espectrais dos objetos a serem analisados e os fatores que influenciam no seu comportamento.

Quando do uso de mtodos automatizados para mapear o ambiente urbano, uma maior

variedade de bandas espectrais torna-se essencial para discriminao de materiais de

cobertura do solo muito semelhantes, tais como telhas de fibrocimento (com e sem amianto),

telhas de concreto pigmentado, lajes de concreto e pavimentao de concreto (Moreira &

Galvo, 2010). Alm disso, as altas resolues espaciais das imagens orbitais disponveis

atualmente garantem ao especialista a capacidade de realizar classificao manual muito

precisa. Isso se trata, no entanto, de uma tarefa muito demorada, bem como a construo de

redes semnticas para classificar imagens com base em conhecimento humano. Os softwares

que realizam anlises de imagens baseadas em objeto (OBIA - Object-Based Image Analysis)

so capazes de fornecer um grande nmero de atributos dos objetos e possibilitam modelar a

rede semntica de diferentes maneiras, o que torna a classificao uma tarefa demorada e

complexa (Ribeiro & Fonseca, 2013). A determinao das caractersticas mais relevantes a

serem utilizadas nas rotinas de classificao nem sempre uma tarefa fcil quando as anlises

exploratrias convencionais so realizadas.

Ferramentas de minerao de dados podem aumentar o potencial da anlise de dados de

sensoriamento remoto (Korting et al., 2008) uma vez que tais tcnicas so capazes de

rapidamente selecionar os atributos mais representativos de cada classe de objetos e gerar

regras de classificao simples. Assim, os mtodos de seleo de atributos tornam-se muito

atraentes para os estudos em reas urbanas devido s centenas de atributos espectrais,

texturais e morfomtricos que podem ser utilizados em rotinas de OBIA. Apesar da grande

explorao da classificao da cobertura do solo urbano utilizando imagens de alta resoluo,

poucos estudos aplicaram metodologias automticas para definir parmetros e caractersticas


6/20

para classificao de imagens baseada em objetos (Pinho et al., 2008, Carvalho et al., 2012;

Bastos et al., 2013, Ribeiro & Fonseca, 2013, Meneghetti & Kux, 2014).

O objetivo deste trabalho apresentar o mapeamento do uso e da cobertura do solo de uma

rea urbana utilizando minerao de dados. O foco demonstrar a aplicabilidade desta

metodologia no mapeamento de diferentes reas urbanas, como bairros oficiais e ocupaes

irregulares (i.e., favelas). O experimento foi desenvolvido no InterIMAGE, um softwareem

desenvolvimento pela PUC-RJ (Pontifcia Universidade Catlica - Rio de Janeiro) e INPE

(Instituto Nacional de Pesquisas Espaciais), que brevemente descrito a seguir.

1.1 InterIMAGE

O InterIMAGE umsoftwarelivre para interpretao de imagens, que possui cdigo aberto,

capacidade de customizao e ferramentas de extenso (PUC-RJ & INPE, 2012). um

aplicativo multiplataforma implementado para os sistemas operacionais Linux e Windows. O

sistema foi desenvolvido em C++, usa oframeworkQT4 para a construo da interface com

o usurio, a biblioteca de classes VTK Visualization Toolkit e a biblioteca TerraLib para as

operaes geogrficas e de processamento de imagens. O InterIMAGE fornece suporte para a

integrao de operadores de processamento de imagens, que so programas externos ao seu

mecanismo de controle; eles podem ser codificados em qualquer linguagem de programao,

podendo tambm ser programas proprietrios (Costa et al., 2007, 2010).

O processo de interpretao do InterIMAGE orientado por um modelo de conhecimento,

que incorpora e representa explicitamente conhecimento prvio sobre uma determinada

regio geogrfica e sobre os objetos que se espera encontrar nela. O modelo de conhecimento

pode corresponder a um conhecimento prvio do especialista ou ao conhecimento adquirido

por meio da anlise dos dados de entrada (imagens de sensoriamento remoto ou camadas


7/20

vetoriais de dados geogrficos). A estratgia de classificao baseia-se num modelo de

conhecimento estruturado como uma rede semntica definida pelo especialista. O processo de

classificao possui duas etapas: a Top-DowneBottom-Up(Costa et al., 2010).

Na fase Top-Down, o sistema percorre a estrutura hierrquica da rede semntica e dispara os

operadores holsticos de cada n. Operadores holsticos so operadores de processamento de

imagem externos ao ncleo do sistema e especializados na deteco de uma determinada

classe. Para a deteco de objetos da classe correspondente, os operadores holsticos

executam trs procedimentos: segmentao (ou importao de dados geogrficos em formato

vetorial), extrao de atributos e classificao. As regies geogrficas detectadas por um

operador holstico inserido em um determinado n so transmitidas como mscaras

("hipteses") para seus ns-filhos, localizados em nveis mais baixos na rede semntica, onde

seus prprios operadores holsticos vo funcionar.

Na etapaBottom-Up, o sistema sobe a rede semntica, resolvendo os conflitos espaciais entre

as hipteses, com base em regras definidas pelo especialista, inseridas em cada n. Desta

forma, o sistema descarta parcial ou totalmente as hipteses ou as transforma em instncias

(i.e., valida as hipteses). As regras definidas pelo especialista podem envolver selees

lgicas adicionais. Se os conflitos espaciais ainda permanecem aps a rejeio de hipteses

por essas selees lgicas adicionais, eles so resolvidos pela definio supervisionada de

pesos para cada uma das classes ou pela concorrncia de valores de pertinncia atribudos por

funes de pertinnciafuzzydefinidas pelo usurio. A rede de instncias final resultante da

anliseBottom-Up: ao alcanarem o topo da rede semntica, os operadoresBottom-Upgeram

imagens rotuladas para os diferentes nveis da rede semntica (Costa et al., 2007, 2008).


8/20

1.2 Algoritmo de rvore de Deciso C4.5

O InterIMAGE oferece um conjunto de operadores bsicos construdos com as classes e

funes fornecidas pela biblioteca TerraLib. Para execuo de classificao supervisionada,

est disponvel o classificador por rvore de deciso C4.5.

O algoritmo C4.5 opera da seguinte forma: cada n da rvore de deciso corresponde a um

atributo e cada arco corresponde a um intervalo de valores do atributo. O valor esperado do

atributo definido pelo caminho da raiz at cada folha. O atributo mais representativo

associado a cada n. A entropia calculada para avaliar o quanto um n informativo, e

quanto maior a entropia, mais informao necessria para caracterizar os dados; desta

forma, deve-se associar ao n o atributo que minimize a entropia dos dados (Silva et al.,

2008). Aps essa associao, o algoritmo de rvore de deciso define um valor limite para

cada arco. O limiar calculado pelo algoritmo do vizinho mais prximo. Primeiramente, o

algoritmo calcula a distncia euclidiana a partir das amostras de treinamento para uma

instncia dos dados. A instncia ser designada para a classe que est mais prxima a ela no

espao de atributos. O C4.5 remove ns desnecessrios atravs do procedimento de poda,

produzindo a rvore mais curta possvel (Witten & Frank, 1999). O nmero de instncias em

cada folha tambm controla o tamanho da rvore. Quanto menor o nmero de casos, mais

precisa ser a classificao, considerando o conjunto de amostras de treinamento.

Ao usar esta ferramenta, o usurio responsvel unicamente pela definio dos melhores

parmetros para segmentao da imagem e pela seleo de amostras de treinamento

representativas de cada classe. O processamento que se segue desenvolvido dentro do

InterIMAGE, onde produzida a classificao final e a rvore de deciso (arquivo de texto).


9/20

2. M

Os p

2.1.

Emb

oeste

Prote

Figuresturban

etodologia

ssos metod

Figura 1

rea de Est

das Artes

da capital

o aos Ma

a 2 Localiemarcada pizadas apare

olgicos re

Passos me

udo

um munic

aulista, qu

nanciais (Fi

ao do muelo retngulcem nas ton

lizados est

todolgicos

pio da Reg

possui 70,

gura 2).

nicpio de Eo azul. Imalidades rox

o resumido

para classifi

io Metrop

9 km de

mbu na Regem: Landss.

s no diagra

cao da cob

litana de S

ea, dos qua

io Metropot 8, R(6) G

a de bloco

ertura e do

o Paulo (R

is 59% inse

itana de S(5) B(4), 29

s da Figura

so do solo.

MSP), loca

rem-se em

Paulo. A /06/2013

izado a

rea de

ea-testeas reas


10/20

Atualmente, Embu possui uma populao estimada de 256.247 habitantes (IBGE, 2013),

resultado de um intenso crescimento ocorrido nas dcadas de 1970 e 1980, decorrente tanto

do aumento da populao residente, como, principalmente, do processo de crescimento da

RMSP, que expandiu sua rea urbana para dentro do municpio de Embu. Nos primeiros anos

da dcada de 1970, o municpio possua pouco mais de 18 mil habitantes e no ano de 1991, j

contava mais de 150 mil. Entre 2000 e 2010, este cenrio de crescimento passou a apresentar

uma tendncia de estabilizao, com taxas de crescimento de 1,46% ao ano.

Este histrico de crescimento populacional no reflete, contudo, a conformao demogrfica

de Embu, pois a densidade demogrfica mdia, de 34 hab/ha, no uniforme ao longo do

territrio: a densidade especialmente alta na poro leste do municpio, devido ao tipo de

urbanizao (pequenos lotes, favelas, ruas estreitas, ausncia de caladas e praas) e

composio socioeconmica desta populao (baixa escolaridade, pouca especializao

profissional, baixos rendimentos). A proximidade com a capital paulista, bem como a

presena das barreiras naturais e artificiais (rodovia BR 116, dcada de 1960, e Rodoanel

Mrio Covas (SP-21), a partir de 2007), propiciaram o surgimento de bairros que

desempenham maior interao com a cidade de So Paulo do que com a regio central de

Embu. Nos anos 1970, a especulao imobiliria estimulou a ocupao na sua poro leste,

que oferecia lotes com baixo custo, tornando Embu em um municpio-dormitrio.

Escolheu-se uma rea-teste com grande diversidade de alvos urbanos, como vegetao

rasteira e arbrea, diferentes tipos de telhados (materiais), edifcios com gabaritos de altura

diversos, galpes industriais, etc. Frequentemente, os objetos urbanos esto dispostos

espacialmente de forma densa e complexa e podem ser encontrado em diferentes estados de

conservao. Alm disso, embora paream ter coloraes semelhantes, estes objetos possuem

diferentes composies qumicas e propriedades fsicas.


11/20

2.2 Pr-processamento

Os processamentos e anlises foram realizados utilizando uma imagem pancromtica e uma

multiespectral (com 8 bandas) do sensor WorldView-2, com resoluo espacial de 0,50m e

2,00m, respectivamente. A imagem do tipo ORStandard2A, obtida em 19/04/2010, com

ngulo off-nadir5,9 e resoluo radiomtrica de 11 bits.

Com o objetivo de aumentar a resoluo espacial das bandas multiespectrais, inserindo a

informao espacial mais detalhada da banda pancromtica, foi realizada a fuso das imagens

das bandas pancromtica e multiespectral pelo mtodo de fuso por Principais Componentes,

que tem apresentado os melhores resultados para fuso de bandas de sensores de alta

resoluo espacial (Pinho et al., 2005, Padwick et al., 2010), pois no tem limitao do

nmero de bandas a serem fusionadas, possui boa capacidade de transferncia de detalhes da

imagem pancromtica para a imagem sinttica e preserva a informao espectral da imagem

multiespectral original (Zhang, 2004). O resultado do processo de fuso um produto hbrido

com 8 bandas espectrais e resoluo espacial igual a 0,50 m.

A ortorretificao das imagens WorldView-2 foi realizada aplicando-se o mtodo polinomial

racional 3D (PCI Geomatics, 2010). Para a ortorretificao, foram utilizados 65 GCPs

(Ground Control Points) para toda a cena. Para a validao das orto-imagens, foram

utilizados 63 pontos independentes de verificao. Os GCPs utilizados na ortorretificao das

imagens foram obtidos a partir de levantamento de campo realizado em Janeiro de 2011. O

Modelo Digital de Elevao (MDE) utilizado na ortorretificao das imagens foi gerado a

partir de dados altimtricos, com interpolao por convoluo cbica, resultando em um

produto com espaamento de pixelde 1 metro. Os valores de erro mdio quadrtico obtidos

foram 1,05 m e 1,00 m, para as componentes planimtricas Leste e Norte, respectivamente.


12/20

2.3 Modelo de Classificao 1 Cobertura do Solo

Foram definidas 9 classes de cobertura do solo considerando-se suas possibilidades de

identificao na rea de estudo: Vegetao Rasteira e Arbrea, Solo Exposto, Telha

Cermica, Telha Metlica, Cobertura em Cimento Claro e Escuro, Asfalto e Sombra. A rede

hierrquica do modelo foi construda no software InterIMAGE v1.41 (PUC-RJ & INPE,

2012), possuindo um n-pai e nove ns-filhos, correspondentes a cada uma das classes.

Para segmentao da imagem, utilizou-se o algoritmo TerraAIDA Baatz Segmenter (Baatz

& Schape, 2000). Os parmetros de segmentao (i.e., peso das bandas de entrada, escala,

distncia euclidiana, compacidade e corforma) foram calibrados para produzir segmentos de

modo eficiente, considerando todas as classes de cobertura definidas. A segmentao foi

realizada na etapa exploratria, no mdulo Samples Editor, no momento imediatamente

anterior seleo das amostras de treinamento que sero utilizadas para a minerao dos

dados. A segmentao gerou cerca de 12.500 segmentos; desta forma, optou-se por coletar

2% deste valor em amostras, resultando em 25 amostras para cada classe de cobertura. O

resultado da etapa de coleta de amostras um arquivo vetorial com as hipteses de objetos

produzidas pela segmentao e uma srie de atributos (conforme estabelecido pelo

especialista, que define quais atributos devem ser calculados); neste conjunto de dados, as

amostras j esto identificadas conforme suas respectivas classes.

Na etapa subsequente, o arquivo vetorial dos segmentos e amostras utilizado na etapa top-

down em um dos ns-folhas, que acionar o operador TerraAIDA C4.5 Classifier,

implementado no InterIMAGE. Este operador executar a segmentao da imagem e a

classificao de todas as hipteses com base nas amostras de treinamento. Diferentemente de

softwares especializados em minerao de dados (e.g., WEKA Hall et al., 2009), no

InterIMAGE no possvel a interferncia do usurio na definio dos parmetros da rvore


13/20

de deciso, entretanto, estas rvores normalmente apresentam tamanho pequeno, pouca

complexidade e pouca repetio de atributos (Meneghetti & Kux, 2014).

Na etapa bottom-up, os conflitos remanescentes entre as classes resolvido com a atribuio

de valores de pertinncia a cada uma das classes. O resultado final um mapa temtico.

2.3 Modelo de Classificao 2 Uso do Solo

A classificao do uso do solo partiu dos resultados obtidos na etapa anterior, utilizando os

objetos classificados em cada classe de cobertura do solo. A classificao ocorre na escala de

quadras e ruas e a estratgia bsica adotada classificar os tipos de uso do solo com base na

ocorrncia de determinadas classes de cobertura do solo, na estrutura geomtrica dos objetos

dentro das quadras e utilizando atributos de textura e dimenso fractal. Esta etapa pode ser

dividida em quatro passos: 1) construo da rede semntica, com 5 ns-pais (classes de uso

do solo) , cada um com 9 ns-filhos; 2) segmentao (TerraAIDA ShapeFile Import); 3)

criao das regras de deciso para cada uma das classes de uso e regras de pertinncia; e 4)

classificao. O resultado um mapa temtico de uso do solo.

Com base no Zoneamento, definido pelo Plano Diretor de Embu (Lei n 186/2012), a rea-

teste divide-se em quatro zonas: ZCM - Zona de Corredor Misto (empreendimentos de uso

cotidiano: comrcios, servio, indstrias de baixo risco e residncias), ZUC - Zona Urbana

Consolidada (predominantemente residencial, de alta densidade, com infraestrutura

instalada), ZEIA - Zona de Especial Interesse Ambiental (rea de proteo e recuperao dos

mananciais, preservao de reas com vegetao significativa e paisagens naturais notveis,

reas de reflorestamento e conservao), e ZEIS - Zona de Especial Interesse Social (reas

ocupadas por populao de baixa renda: favelas e loteamentos precrios e/ou irregulares).


14/20

2.5 Avaliao das Classificaes

A acurcia dos mapas temticos obtidos como resultados da classificao da cobertura e do

uso do solo, foi verificada por meio do clculo da matriz de confuso e dos ndices Kappa

(Cohen, 1960, Congalton & Green, 1999) e Kappa-condicional (Rosenfield & Fitzpatrick-

Lins, 1986). A partir da matriz de confuso, foram calculadas medidas descritivas, como a

exatido global do usurio e do produtor (Story & Congalton, 1986, Foody, 2002). No

mapeamento da cobertura do solo, como referncias, foram utilizados 240 pontos observados

em campo e 400 amostras aleatrias analisadas por especialista em imagens de maior

resoluo espacial (GoogleEarth, 2013). Para avaliao do mapeamento uso do solo, foram

utilizadas as amostras coletadas em campo e o mapa de zoneamento do municpio de Embu

(Lei n 186/2012).

3. Resultados e Discusso

O mapa temtico da cobertura do solo apresentado na Figura 3. A classificao da

cobertura do solo apresenta boas avaliaes estatsticas, possuindo altos valores de exatido

global (0,9094) e ndice Kappa (0,8898). A Tabela 1 apresenta a matriz de confuso. A

separabilidade entre as classes foi avaliada por meio do ndiceKappa-condicional (Tabela

2), e pela exatido do usurio e do produtor (Tabela 1). Estes resultados evidenciam um

alto nvel de discriminao entre as classes de cobertura do solo.


15/20

Tabelclass

C

LASSIFICAO

ExatPro

* VRCobert

Figura 3

a 1 Matriz: exatido d

V

VR 19

VA 5

SE 1

CTC 0

CM 0

CCC 0

CCE 0

AS 1SO 0

Total 26

do dodutor

0,73

- Vegetao Rura Metlica, C

apa temti

de confusousurio e d

VA

4

50

0

0

0

0

2

02

58

1 0,862 0

steira, VA - VC - Cobertura

co resultante

da classifico produtor.

VE

SE CTC

2 0

0 0

22 2

1 24

0 0

0 0

1 1

0 00 0

26 27

,846 0,889

egetao Arbem Cimento Cl

da classific

o da cobe

DADE (REFE

CM C

0 0

0 0

0 0

0 0

28 2

2 6

0 1

0 00 0

30 6

0,933 0,9

ea, SE - Soloaro, CCE - Cob

o da cobe

rtura do solo

NCIA)

C CCE

0

0

0

0

0

5

177

32

187

2 0,947

Exposto, CTCertura em Cime

tura do solo

e medidas

AS SO

0 0

1 4

0 0

0 0

1 1

0 0

5 1

64 44 138

75 148

,853 0,932

- Cobertura ento Escuro, AS

da rea-test

e acurcia p

ExTotal

25

60

25

25

32

67

188

72146

640

Telha Cerm- Asfalto e SO -

.

or

tido dosurio

0,760

0,833

0,880

0,960

0,875

0,896

0,941

0,8890,945

ca, CM -Sombra.


16/20

Tabel

* VRCobert

O m

do

exati

a 2 ndice

- Vegetao Rura Metlica, C

pa temtic

odelo de c

do na class

Figura 4

Kappa-cond

Classe

VRVASE

CTCCM

CCCCCEASSO

steira, VA - VC - Cobertura

do uso do

nheciment

ificao do

Mapa tem

icional e var

s nC

egetao Arbem Cimento Cl

solo apre

at se ob

uso do solo

tico resulta

incia do n

ice Kappandicional

0,74980,81670,87490,95820,86880,88410,91730,87410,9287ea, SE - Soloaro, CCE - Cob

sentado na

er o result

consideran

te da classi

ice para cad

VarinKappa

0,00,00,00,00,00,00,00,00,0

Exposto, CTCertura em Cime

Figura 4. P

do esperad

do-se a esca

icao do u

a classe de c

cia ndiceondicional

077702700454016603710167005601710058- Cobertura ento Escuro, AS

or meio da

o, foi poss

la das quad

o do solo d

obertura do

Telha Cerm- Asfalto e SO -

construo

vel obter 1

ras.

rea-teste.

olo.

ca, CM -Sombra.

manual

0% de


17/20

4. Concluses

Usando duas tecnologias novas e ainda pouco exploradas em estudos urbanos, este trabalho

teve como objetivo explorar as imagens do sensor WorldView-2 e do software de livre

InterIMAGE para mapeamento de ocupaes irregulares no contexto urbano. Para

otimizao do processo de classificao da cobertura do solo, foi utilizado o algoritmo de

rvore de deciso C4.5 para minerao dos dados, o que resultou em economia do tempo

gasto em construo de rede semntica e na seleo de atributos.

Ao utilizar a abordagem baseada em objetos, embora a construo manual do modelo de

classificao seja adequada, pois permite realizar tantas adaptaes quanto forem necessrias

para se obter uma classificao satisfatria, tambm possvel atingir bons resultados por

meio da aplicao de tcnicas de minerao de dados. A utilizao do algoritmo C4.5 no

processo de classificao aprimorou o processo, demonstrando bom desempenho na

classificao da cobertura do solo e economizando de tempo. O algoritmo C4.5, integrado

com outras ferramentas de anlise de imagem, apresenta grande potencial na anlise de

imagens de alta resoluo para aplicaes urbanas. Finalmente, este trabalho enfatiza o ganho

em tempo e desempenho proporcionado pelo uso de algoritmos de aprendizado de mquina e

tcnicas de minerao de dados no processo de classificao, o que aumentou a velocidade e

tambm reduziu a natureza emprica da seleo de atributos e construo da rede.

Por fim, o mapeamento do uso do solo utilizou os resultados obtidos na classificao da

cobertura do solo e produziu resultados plenamente satisfatrios, entretanto, com maior gasto

de tempo na execuo do modelo de classificao. A metodologia mostrou-se eficaz para a

identificao de reas de ocupao irregular, confirmando sua potencial para estudos urbanos.


18/20

Referncias Bibliogrficas

Baatz, M., & Schape, A. (2000). Multiresolution segmentation: an optimization approach for high

quality multi-scale image segmentation. In: Proceedings of the 12th Angewandte Geographische

Informationsverarbeitung, Agit Symposium, Salzburg, Austria, July 5-7, 2000 (12-23). Karlsruhe,

Germany: Herbert Wichmann Verlag.

Bastos, V. S. B., Fonseca, L. M. G., Korting, T. S., Pinho, C. M. D., & Santos, R. D. C. (2013).

Intraurban land cover classification using IKONOS II images and data mining techniques: a comparative

analysis. In: Proceedings of the Joint Urban Remote Sensing Symposium - JURSE 2013, So Paulo,Brazil, April 21-23, 2013 (214-217). Piscataway: IEEE Computer Society.

Blaschke, T. (2010). Object based image analysis for remote sensing.ISPRS Journal of Photogrammetry

& Remote Sensing, 65, 2-16. DOI:10.1016/j.isprsjprs.2009.06.004.

Carvalho, M., Kux, H. J. H., & Florenzano, T. G. (2012). Urban land cover classification withWorldview-2 images using Data mining and Object-based image analysis. In: Proceedings of the 4thConference on Geographic Object-Based Image Analysis GEOBIA, Rio de Janeiro, Brasil, May 7-9,

2012(431-436). So Jos dos Campos, Brasil: INPE.

Cohen, J. (1960). A coefficient of agreement for nominal scales. Educational and Psychological

Measurement,20, 37-46.

Congalton, R. G., & Green, K. (1999). Assessing the Accuracy of Remotely Sensed Data: Principles and

Practices. Boca Raton, USA: CRC/Lewis Press.

Conzen, M. R. G. (1960). Alnwick, Northumberland: a study in town-plan analysis.Institute of British

Geographers. Publication 27. London, England: George Philip.

Costa, G. A. O. P., Feitosa, R., Fonseca, L. M. G., Oliveira, D., Ferreira, R., & Castejon, E. F. (2010).

Knowledge-based interpretation of remote sensing data with the InterIMAGE system: major

characteristics and recent developments. In: Proceedings of the 3rd GEOgraphic Object-Based ImageAnalysis GEOBIA, Ghent, Belgium, June 29 - July 2, 2010. Ghent: Ghent Univ.

Costa, G. A. O. P., Pinho, C. M. D., Feitosa, R. Q., Almeida, C. M., Kux, H. J. H., Fonseca, L. M. G., &

Oliveira, D. (2007). InterIMAGE: An Open Source Platform for Automatic Image Interpretation. In:Anais do Simpsio Brasileiro de Geomtica, Presidente Prudente, Brasil, 24-27 Julho, 2007 (735-739).Presidente Prudente, Brasil: UNESP, 2007.

Costa, G. A. O. P., Pinho, C. M. D., Feitosa, R., Almeida, C., Kux, H., Fonseca, L. M. G., & Oliveira, D.

(2008). InterIMAGE: Uma Plataforma Cognitiva Open Source para a Interpretao Automtica de

Imagens Digitais.Revista Brasileira de Cartografia, 60(4), 331-337.

Foody, G. (2002). Status of land cover classification accuracy assessment. Remote Sensing of

Environment, 80(1), 185-201.


19/20

Hall, H., Frank, E., Holmes, G., Pfahringer, B., Reutemann, P., & Witten, I. H. (2009). The WEKA Data

Mining Software: An Update. SIGKDD Explorations, 1(11), 10-18.

Hillier, B., & Hanson, J. (1984). The Social logic of space. Cambridge: Cambridge Univ. Press.

IBGE Instituto Brasileiro de Geografia e Estatstica (2011). Censo Demogrfico 2010. Rio de Janeiro,

Brasil: IBGE. Disponvel em: http://www.censo2010.ibge.gov.br/.

IBGE. (2013).Estimativas da Populao Residente nos Municpios Brasileiros com Data de Referncia

em 1 de Julho de 2013.Rio de Janeiro, Brasil: IBGE.

Korting, T. S., Fonseca, L. M. G., Escada, M. I. S., Silva, F. C., & Silva, M. P. S.. GeoDMA - a novel

system for spatial Data mining. In: IEEE International Conference Data Mining Workshops ICDMW

2008, Pisa, Italy, December 15-18, 2008(975-978). Los Alamitos: IEEE.

Lei Complementar n 186, de 20 de Abril de 2012. Consolida as disposies do plano diretor domunicpio. Embu, Brasil, 2012.

Mandelbrot, B. B. (1967). How long is the coast of Britain? Statistical self-similarity and fractional

dimension. Science, (156), 636-638.

Meneghetti, G. T., & Kux, H. J. H. (2014). Mapeamento da cobertura da terra do municpio de Raposa(MA) utilizando imagens WorldView-2, o aplicativo InterIMAGE e minerao de dados. Revista

Brasileira de Cartografia, 66(2), 365-377.

Moreira, R. C., & Galvo, L. S. (2010). Variation in spectral shape of urban materials.Remote Sensing

Letters, 1(3), 149-158.

Padwick, C., Deskevich, M., Pacifici, F., & Smallwood, S. (2010). WorldView-2 Pan-Sharpening.

ASPRS 2010 Annual Conference, San Diego, California, USA.

PETE Prefeitura da Estncia Turstica de Embu das Artes. Cartilha do Plano Diretor de Embu das

Artes - SP. Volume 2. Embu, Brasil: PETE, 2011.

Pinho, C. M. D., Silva, F. C., Fonseca, L. M. G., & Monteiro, A.M.V.. Intra-Urban Land Cover

Classification from High-Resolution Images Using the C4.5 Algorithm. In: Proceedings of the XXI

Congress of the Int. Society for Photogrammetry and Remote Sensing ISPRS, Beijing, China, July 3-11,

2008(695-700). Beijing: National Geomatics Center of China (NGCC).

PUC-RJ & INPE. (2012). InterIMAGE - Interpreting Images Freely, v.1.41. [Software deprocessamento digital de imagens de satlites]. Rio de Janeiro, Brasil: PUC-RJ e INPE. Disponvel em:

http://www.lvc.ele.puc-rio.br/projects/interimage/.

Ribeiro, B. M. G., & Fonseca, L. M. G. (2012). Evaluation of WorldView-2 Imagery for Urban Land

Cover Mapping Using the InterIMAGE System. In: Proceedings of the 4thConference on Geographic

Object-Based Image Analysis GEOBIA, Rio de Janeiro, Brasil, May 7-9, 2012(206-210). So Jos dos

Campos, Brasil: INPE.


20/20

Ribeiro, B. M. G., & Fonseca, L. M. G. (2013). Urban Land Cover Classification using WorldView-2

Images and C4.5 Algorithm. In:Proceedings of the Joint Urban Remote Sensing Symposium - JURSE

2013, So Paulo, Brazil, April 21-23, 2013 (250-253). Piscataway: IEEE.

Ribeiro, B. M. G., Fonseca, L. M. G., & Kux, H. J. H. (2011). Mapeamento da cobertura do solo urbano

utilizando imagens WorldView-II e o sistema InterIMAGE. Revista Brasileira de Cartografia,

63(Edio Especial), 51-63.

Rosenfield, G. H., & Fitzpatrick-Lins, K. (1986). A Coefficient of Agreement as a Measure of ThematicClassification Accuracy.Photogrammetric Eng. & Remote Sensing, 52(2), 223-227.

Silva, M. P. S., Cmara, G., Escada M. I. S., Souza, R. C. M. (2008). Remote sensing image mining:

detecting agents of land use change in tropical forest areas. International Journal of Remote Sensing,29(16), 4803-4822.

Story, M., & Congalton, R. G. (1986). Accuracy assessment: A user's perspective. Photogrammetric

Engineering & Remote Sensing, 52(3), 397-399.

Witten, I. H., Frank, H. (1999). Data mining: practical machine learning tools and techniques with java

implementations. San Francisco, EUA: Morgan Kaufman.

Zhang, Y. (2004). Understanding image fusion. Photogrammetric Engineering & Remote Sensing,

70(6), 657-661.

Documents

RS Identificacao de Ocupacoes Irregulares Em Areas Urbanas