ISSN: 1980-900X (online)

COMPARAÇÃO DE MÉTODOS DE CLASSIFICAÇÃO PARA O

MAPEAMENTO DA COBERTURA DA TERRA NO SETOR NORTE DA
ILHA DO MARANHÃO
CLASSIFICATION METHODS COMPARISON FOR THE MAPPING OF THE LAND COVER IN
THE NORTH SECTOR OF THE MARANHÃO ISLAND
Adilson Matheus Borges MACHADO, Taíssa Caroline Silva RODRIGUES
Pós-Graduação em Geoprocessamento, Especialização, Instituto Federal do Maranhão (IFMA). Avenida Colares Moreira, 477 -
Jardim Renascença, São Luís - MA. E-mails: [email protected]; [email protected]
Introdução
Metodologia
Área de estudo
Dados e métodos
Resultados
Discussão
Conclusões
Referências

RESUMO - A zona costeira se estende das planícies costeiras até a borda externa das plataformas continentais. O método de
classificação supervisionada consiste em um conhecimento prévio de algumas áreas a serem estudadas, o que permite amostras
confiáveis. A GEOBIA (Geographic Object-Based Image Analysis) é um método eficaz na análise de imagens de alta resolução,
incluindo fotointerpretação e classificação de características da paisagem. Assim, o presente estudo tem como objetivo principal
comparar o método de classificação supervisionada pixel a pixel com o método de GEOBIA, buscando o mapeamento da cobertura da
terra no setor Norte da Ilha do Maranhão. O algoritmo classificador utilizado foi o Maximum Likelihood Classification. O método de
Classificação Supervisionada apresentou um valor de Kappa de 0,8469, Exatidão Global de 0,8950 e Variância Kappa de 0,0009295,
a GEOBIA apresentou um valor de Kappa de 0,9410, Exatidão Global de 0,9600 e Variância Kappa de 0,0004075. O sensoriamento
remoto mostra eficiência em pesquisas relacionadas aos usos e cobertura da terra, os resultados mostraram que ambos os métodos,
apesar de suas limitações, mostraram resultados satisfatórios, o que torna interessante sua aplicação para iniciativas de mapeamento
em diversos municípios brasileiros, em especial na zona costeira.
Palavras-chave: Classificação supervisionada. Mudanças ambientais. Cobertura da terra, GEOBIA.

ABSTRACT - The coastal zone extends from the coastal plains to the external border of the coastal shelf. The GEOBIA (Geographic
Object-Based Image Analysis) is an effective method for analyzing high-resolution images, including photointerpretation and
classification of landscape features. The present study aims to compare the method of pixel to pixel supervised classification with the
GEOBIA method for the mapping of the land cover in the North sector of the Maranhão Island. The supervised classification method
consists of prior knowledge of some areas to be analyzed which allows the reliability of training samples. The classifier algorithm used
was the Maximum Likelihood Classification. The Supervised Classification method showed a Kappa value of 0.8469, Global Accuracy
of 0.8950 and Kappa Variance of 0.0009295. The GEOBIA presented a Kappa value of 0.9410, Global Accuracy of 0.9600 and Kappa
Variance of 0.0004075. Remote sensing proves to be extremely efficient in land use and occupation surveys. The results of the
Supervised Classification method, despite their limitations, showed satisfactory results when compared to the results of the GEOBIA
method, which makes interesting its application for mapping initiatives in several Brazilian municipalities, especially in the coastal
zone.
Keywords: Supervised classification. Data mining. Environmental changes. Land cover, GEOBIA.

INTRODUÇÃO
A zona costeira tem seus limites definidos se classificação automática de imagens ou
estendendo das planícies costeiras até a borda interpretação visual. Para mapeamento do uso e
externa das plataformas continentais, correspon- cobertura da terra em cidades a interpretação
dendo aproximadamente à região que foi visual em campo torna o processo mais caro,
alternativamente inundada e exposta durante as exige mais tempo e esforço dos pesquisadores
flutuações do nível do mar, esta zona abriga uma especializados. A utilização de metodologias
combinação de ecossistemas de alta relevância automáticas para a extrair informações é,
ambiental, cuja diversidade é caracterizada pela portanto, uma opção viável para a classificação
transição entre ambientes terrestres e marinhos de uso e cobertura da terra em diferentes escalas
(Fabbri, 1998; Ver et al., 1999). espaciais e temporais (Pinho, 2005).
A obtenção de informações de imagens com o O Sensoriamento Remoto na perspectiva da
objetivo de realizar monitoramentos ambientais paisagem e seus produtos, é uma ferramenta para
pode ser realizada com o auxílio de métodos de a delimitação, classificação e avaliação das
São Paulo, UNESP, Geociências, v. 39, n. 4, p. 1129 - 1140, 2020 1129
unidades paisagísticas. Nas últimas décadas o as relações entre a forma ou a vizinhança são
avanço das tecnologias de sistemas sensores e distintas. Por exemplo, os meandros dos rios
nas técnicas computacionais de processamento terão as propriedades espectrais da água quando
de imagens causou o refinamento da resolução ainda houver a circulação mas, uma vez
espacial e na análise espacial das imagens e abandonados, existe uma gama de possibilidades
consequentemente dos estudos realizados espectrais (Addink & Kleinhans, 2008). Este
(Jensen, 2009). método não se limita à comunidade de
A Classificação Supervisionada de uma sensoriamento remoto, mas também abrange
imagem de satélite multiespectral consiste em conceitos e princípios de Sistemas de Informação
uma associação de cada pixel a uma “amostra” Geográfica (SIGs), ecologia de paisagem, entre
que descreve um objeto real (vegetação, área outros (Blaschke et al., 2014).
urbana, solo, etc.). Os valores numéricos Machado (2020) destaca a importância do
associados a cada pixel são definidos pela método de Classificação de imagens para
reflectância dos materiais que os compõem, são entender a complexidade das classes de uso e
identificados em termos de um tipo de cobertura cobertura da Terra da Ilha do Maranhão,
da superfície terrestre imageada, denominadas destacando que a resolução da imagem influencia
de temas ou classes. As informações geradas diretamente nos resultados da classificação pixel
sobre a cobertura da terra e uso de uma região, a pixel. Rodrigues (2014) em seus estudos na ilha
principalmente na zona costeira, são do Maranhão afirmou que a aplicação das
importantes para avaliação de mapeamento do técnicas de classificação da cobertura e uso da
desmatamento e aterro de manguezais, terra em áreas intraurbanas, trazem importantes
avaliação do risco de erosão, migração de conhecimentos que auxiliam o processo de
dunas, identificação e análise da expansão planejamento urbano, ao fornecer subsídios para
urbana (Rwanga & Ndambuki, 2017; Prudente um diagnóstico detalhado das áreas de interesse.
et al., 2017). Os requisitos de um monitoramento
O método de GEOBIA (Geographic Object- ambiental, das metas de conservação, aplicação
Based Image Analysis) surgiu na década de 1990 do planejamento espacial ou gestão de recursos
como um método particularmente eficaz para naturais orientada aos ecossistemas, impõem
análise de imagens de alta resolução espacial, considerável urgência quanto ao desenvolvi-
incluindo fotointerpretação e classificação de mento de soluções operacionais que podem
características da paisagem. Na aplicação da extrair informações tangíveis de dados de
GEOBIA, a classificação é então executada nos sensoriamento remoto para diversas regiões.
segmentos, em vez dos pixels tradicionais, Assim o presente estudo tem o objetivo principal
levando em consideração as propriedades comparar o método de classificação supervi-
espectrais dos objetos como a textura, orientação, sionada pixel a pixel com o método Geographic
localização, topologia, brilho (Navulur, 2006; Object-Based Image Analysis (GEOBIA -
Kim et al., 2011; Rodrigues, 2014). Classificação Orientada a Objeto) para o
A GEOBIA oferece possibilidades onde as mapeamento da cobertura da terra no setor Norte
propriedades espectrais não são únicas, mas onde da Ilha do Maranhão.
METODOLOGIA
Área de estudo norte do estado do Amapá até o Golfão
O Estado do Maranhão possui 217 municípios Maranhense e representa 35% de toda a costa
distribuídos em cinco regiões geográficas: Norte, brasileira, onde está inserida a Ilha do Maranhão,
o litoral; Oeste, ao longo dos grandes rios (Gurupi, uma região caracterizada por uma variedade de
Tocantins, Itinga e Araguaia); Sul, incluindo o ecossistemas estuarinos e marinhos diversos e
Planalto das Mangabeiras; Centro, abrangendo o pouco explorados (Couto et al., 2003; Sousa et al,.
rio Mearim; e Leste, no curso do rio Parnaíba. O 2008; Ribeiro, et al., 2018). A região do Golfão
clima é tropical e existem 12 bacias hidrográficas, Maranhense é influenciada por marés semidiurnas
campos alagados, pântanos, savanas, palmeiras e (ocorrência de duas baixa-mares e duas preamares
florestas úmidas (IBGE 1997; De Matos et al., por dia), com macromarés que podem chegar a 7
2012; Feitosa & Trovão, 2006). m de altura nas grandes sizígias (Marés
A costa amazônica brasileira, se estende do Equinociais), com média de 6,6 m nas preamares,
1130 São Paulo, UNESP, Geociências, v. 39, n. 4, p. 1129 - 1140, 2020
as correntes de maré podem chegar a 2,5 m s-1 e geomorfológica do Golfão Maranhense e é
alturas das ondas em torno de 0,6 a 1,4 m. constituída pelos municípios de São Luís (capital),
A região possui feições geomorfológicas São José de Ribamar, Paço do Lumiar e Raposa.
características com extensas baixadas litorâneas O município de Raposa está localizado a norte da
com formações de praias arenosas e lodosas, Ilha do Maranhão sendo limitado pelas
dunas móveis, paleodunas, manguezais, marismas coordenadas 02⁰ 21’ S – 02⁰ 32’ S e 44⁰ 00’ W –
e uma extensa rede de canais, que são preenchidos 44⁰ 12’ W (Figura 1) localizado a 28 km de São
a cada ciclo de preamar. Ao centro, sul e oeste, os Luís (Feitosa, 1998; Feitosa & Trovão, 2006;
manguezais, recortados por canais de maré, se Piorski et al., 2009; Pereira et al., 2018). Segundo
relacionam à geomorfologia do Litoral Ocidental o Instituto Brasileiro de Geografia e Estatística -
e do interior do Golfão Maranhense (Feitosa & IBGE (2010), o município da Raposa possui
Trovão, 2006; El-Robrini et al., 2006). aproximadamente 26 mil habitantes distribuídos
A Ilha do Maranhão está localizada na feição em 64 km² de extensão (Rangel, 2000).

Figura 1 - Localização da Área de Estudo no setor Norte da Ilha do Maranhão.

No setor Norte da Ilha do Maranhão a e nas embocaduras dos rios e igarapés (Cintrón
vegetação predominante são os mangues. Os & Schaeffer-Novelli, 1992; Mochel & Ponzoni,
manguezais são ecossistemas costeiros, estua- 2007). Os manguezais do município sofreram
rinos, sujeitos a inundações periódicas pelas impactos constantes nos últimos anos por
marés e por águas doces. São caracterizados pela lançamentos de efluentes domésticos, resíduos
entrada de sedimentos, água doce, nutrientes e sólidos bem como o desmatamento e aterramento
saída de água e matéria orgânica para estuários e para ocupação irregular e pela ação natural do
baías adjacentes, eles desempenham também um deslocamento das dunas.
papel fundamental na ciclagem de nutrientes e A região se torna ainda mais complexa pois o
abrigam uma fauna característica, são relativa- avanço da ocupação urbana exerce pressões
mente homogêneos e ocupam uma extensa faixa sobre os diferentes ecossistemas da Zona
inundáveis pelas macromarés ao longo do litoral Costeira da Ilha do Maranhão, a classificação
São Paulo, UNESP, Geociências, v. 39, n. 4, p. 1129 - 1140, 2020 1131
desses ambientes é um aspecto relevante no Geographic Object-Based Image Analysis
levantamento de dados, os mapeamentos obtidos (GEOBIA) foram realizadas no software
por meio desse método tornam a interpretação eCognition.
visual mais fácil e produzem importantes A classificação da cobertura da terra foi obtida
produtos que auxiliam no desenvolvimento de em duas etapas, a saber: (1) definição das classes;
um planejamento urbano. Assim, as técnicas de (2) geração e análise dos atributos utilizados para a
classificação podem auxiliar na compreensão de descrição das classes.
impactos/características ambientais locais. O método de classificação supervisionada
Dados e métodos consiste em um conhecimento prévio de algumas
Nesta seção estão elencadas informações áreas nas quais se deseja trabalhar, o que permite
referentes aos dados e recursos para proces- amostras de treinamento confiáveis. O algoritmo
samento e a metodologia utilizada para atingir os classificador utilizado foi o Maximum Likelihood
objetivos propostos, tais como: conjunto de imagens Classification ou máximo verossimilhança opera
multiespectrais do satélite Landsat 8 sensor OLI com base na distribuição de probabilidade de cada
referente a 21/02/2016 em decorrência da cober- classe selecionada. Isto significa dizer que é um
tura de nuvens, com 30 m de resolução multies- classificador paramétrico, ou seja, a distribuição
pectral e 15 m na banda pancromática obtidas no dos valores de reflectância em uma área é descrita
site do Serviço Geológico dos Estados Unidos por uma função de densidade de probabilidade,
(USGS) no endereço: http://earthexplorer.usgs.gov. desenvolvida com base na estatística Bayesiana.
As imagens foram georreferenciadas na projeção Este classificador avalia a probabilidade de um
cartográfica Universal Transversa de Mercator; determinado pixel pertencer a uma mesma
DATUM - SIRGAS 2000; zona 23 Hemisfério categoria e classifica o pixel para a categoria a qual
Sul. ele tem a maior probabilidade de associação (Sun
Uma fusão das imagens foi realizada para et al., 2013).
combinar a informações espectrais das bandas A análise da GEOBIA foi executada no
multiespectrais com a informação geométrica software Ecogntion Developer 9.2. A primeira
(espacial), mais detalhada da banda pancromática etapa foi o processo de segmentação que foi
(Wald et al., 1997; Novack, 2009; Rodrigues, realizada utilizando o algoritmo multiresolution
2014). Utilizando o no software QGIS 2.18.24 segmentation, para criação do tamanho apropriado
LTR inicialmente foram combinadas as oito dos objetos presentes na imagem, separando cada
bandas multiespectrais (resolução espacial 30 m), feição da paisagem. Para a realização da
com a banda pancromática (resolução espacial 15 segmentação se utilizou como fator de escala 20
m), logo após, os recortes do limite estudado e para uma melhor definição dos objetos em cena.
classificação da cobertura da terra foram feitos. Após esta etapa foi discriminada as classes que
A definição das classes de cobertura da terra foi seriam identificadas na cena e assim foi coletado
realizada a partir da interpretação visual da as amostras de cada uma delas para posterior
imagem e a partir do conhecimento obtido da exportação (Figura 2). A GEOBIA requer
região, da análise do Plano Diretor das cidades e segmentação, atribuição, classificação e capaci-
com base nos critérios de Florenzano (2002) e dade de consultar e vincular objetos individuais
Jensen (2009). Após estes procedimentos, foram no espaço e no tempo.
definidas 6 classes de cobertura da terra (água, Os dados foram exportados em forma de tabela
bancos de areia, dunas/areia, mangues, vegetação o que deu a possibilidade da realização da
rasteira e ocupação urbana) encontradas no setor mineração de dados no software WEKA gerando a
Norte da Ilha do Maranhão com o auxílio do árvore de decisão com o algoritmo J4.8. A rede
software ENVI 5.3, conforme consta na tabela 1, semântica foi realizada pela aplicação de técnicas
utilizando a combinações de bandas RGB 7,5,3 de mineração de dados, através da árvore de
falsa cor para interpretação visual. decisão, sendo ilustrada em formato de um
O software ENVI 5.3 foi utilizado também para fluxograma com a estrutura da árvore, facilmente
transformação dos conjuntos de cenas em um único convertido em regras de classificação (Han &
arquivo, para criar um mosaico das imagens e para Kamber, 2006; Rodrigues, 2014). Dessa forma, a
a transformação para arquivos tiffs. O QGIS árvore de decisão foi inserida no software
2.18.24 LTR foi utilizado para criação de mapas eCognition e a partir daí foi gerada a classificação
temáticos. Já a aplicação da análise geográfica final da cena.
1132 São Paulo, UNESP, Geociências, v. 39, n. 4, p. 1129 - 1140, 2020
 Tabela 1 - Descrição das classes de uso e cobertura da terra.
FORMA, TAMANHO
COR
CLASSE AMOSTRA LOCALIZAÇÃO/CONTEXTO E
(RGB753)
TEXTURA

Áreas inundadas pela maré, água Textura lisa, formato e

Água Cinza escuro a
marinha e/ou tanques de cultivos de tamanhos
preto.
pescados. variados.

Bancos de Forma alongada,

Cinza escuro e Próximo à vegetação de mangue,
Areia tamanho variável e
cinza claro visíveis na baixa-mar.
textura lisa e rugosa.

Amarelo claro Textura lisa, forma

Dunas/Arei Próximas à praia; em geral, possuem
ou irregular e
a vegetação ou mangue no entorno.
branco. tamanhos variados.

Extensa área de
Mangues Verde médio a Localizado próximo vegetação com pouca
verde escuro. aos canais de maré. ou nenhuma presença
de telhados próximos.

Verde claro a Textura lisa a pouca

Vegetação verde médio Dentro de quadras ou áreas rugosa, forma e
Rasteira com tons de preservadas atrás dos mangues. tamanhos
marrom. variados.

Variações de Textura lisa a

Área tons de Dentro de quadras. Presença de levemente rugosa,
Urbanizada vermelho e telhados aglomerados. forma retangular e
laranja. tamanhos variados.

No software QGIS 2.18.24 LTR foram gerados bandas RGB 7,5,3 falsa cor. A partir da matriz de
200 pontos amostrais espalhados de forma aleatória confusão (Congalton & Green, 2009), foram
na imagem, para encontrar as referências terrestres. calculados, o Índice Kappa e a Exatidão Global.
A avaliação dos pontos para se determinar a qual Por fim, para testar a significância estatística dos
classe eles eram pertencentes, foi realizada por índices Kappa gerados nas duas classificações no
inspeção visual utilizando a combinações de setor Norte da ilha do Maranhão (com atributos

São Paulo, UNESP, Geociências, v. 39, n. 4, p. 1129 - 1140, 2020 1133

espectrais e de texturais) (Francisco & Almeida Kappa das classificações foi realizado a 95% de
2012b), foi utilizado o teste Z de acordo com a significância. Quando Z for > 1,96, o teste é
Equação 1 (Congalton & Green, 2009). Sendo K1 e significativo, e rejeita-se a hipótese de nulidade,
K2 os índices Kappa da Classificação podendo concluir que existe diferença estatística
Supervisionada e da GEOBIA, respectivamente, e entre os valores calculados (Vilela et al., 2005).
𝜎𝜎12 e 𝜎𝜎22 a variância dos índices Kappa da
Classificação Supervisionada e da GEOBIA, Equação 1
respectivamente. O teste Z para as os índices

Figura 2 - Fluxograma da metodologia utilizada para geração do mapa temático de GEOBIA.

RESULTADOS
Foi aplicada a classificação supervisionada Tabela 2 - Qualidade da classificação associada aos
(Figura 3) e a GEOBIA (Figura 5) com um total valores do Índice Kappa.
de 6 classes cada um, já apresentados na tabela 1. Índice Kappa Qualidade
A verificação dos erros provenientes do processo < 0,0 Péssima
de Classificação Supervisionada comparando 0,01 < K ≤ 0,20 Ruim
com o método de GEOBIA obtidos pelo 0,21 < K ≤ 0,40 Razoável
mapeamento temático foram realizadas 0,41 < K ≤ 0,60 Boa
utilizando coeficientes extraídos das matrizes de 0,61 < K ≤ 0,80 Muito Boa
confusão. A partir dos resultados, Landis & Koch 0,81 < K ≤ 1,00 Excelente
(1977) associam valores do Índice Kappa à
qualidade da classificação de acordo com a tabela Tabela 3 - Estatísticas geradas para as classificações de
2. cobertura da terra.
A tabela 3 apresenta os valores de Kappa, Exatidão Variância -
Exatidão Global e Variância Kappa tanto para a Método Kappa
global (%) kappa
Classificação Supervisionada quanto para Classificação
GEOBIA, o método de Classificação 0,8469 89% 0,0009295
Supervisionada
Supervisionada apresentou um valor de Kappa GEOBIA 0,9410 96% 0,0004075
de 0,8469, Exatidão Global de 89% e Variância
Kappa de 0,0009295, já o método de GEOBIA Todas as classes ficaram com índice de
apresentou um valor de Kappa de 0,9410, exatidão global acima de 50%, este resultado
Exatidão Global de 0,9600 e Variância Kappa de mostrou que o índice foi excelente. Apesar dos
0,0004075. dois métodos apresentarem valores elevados,
1134 São Paulo, UNESP, Geociências, v. 39, n. 4, p. 1129 - 1140, 2020
tanto no Índice Kappa como na Exatidão Global, o teste não é significativo, portanto não existe
conforme a tabela 3, o resultado obtido por meio diferença estatística entre os valores calculados
da GEOBIA apresentou valores comparativa- para os dois métodos.
mente mais elevados. Na análise de Classificação Supervisionada
O resultado do teste Z oriundo da comparação observaram-se os impactos referentes a
entre o método da GEOBIA e o método da expansão urbana desordenada, além de
Classificação Supervisionada apresentou o valor ocupações irregulares em áreas de manguezais
de 1,02 e valor de p de 0,1533, como Z foi < 1,96 (Figura 3).

Figura 3 - Mapa da análise de Classificação Supervisionada no setor Norte da Ilha do Maranhão.

Após a etapa de mineração de dados, o banco matrizes pela contagem do número de ocorrências
de dados contendo os atributos espaciais e de pares de pixels de determinadas intensidades
espectrais extraídos dos objetos (segmentos) da em um determinado deslocamento, ou seja, todos
imagem Landsat 8, sensor OLI foi utilizado. A os índices de textura GLCM possuem uma entrada
árvore de decisão com os atributos considerados que corresponde ao número de ocorrências
para classificação pelo GEOBIA e as regras de espacial de tons de cinza dos vizinhos angulares
decisão considerados são apresentados na figura próximos (Haralick et al., 1973).
4, para a realização deste estudo, atributos como Inicialmente, a árvore de decisão divide-se em
textura, a média da resposta espectral de cada dois grandes ramos. No ramo da esquerda, foram
banda, o desvio padrão, o índice de vegetação classificadas as classes com índice menor, como:
(NDVI) e o índice de umidade (NDWI), foram água, mangue, área urbanizada e bancos de areia.
muito utilizados. No ramo da direita, que possui as classes com os
O método Gray-Level Co-occurrence Matrix maiores índices, foram classificadas utilizando o
(GLCM) contém informações sobre as NDVI, o NDWI, a textura e a média da resposta
características texturais da imagem levando em espectral, as classes de vegetação rasteira e
consideração a posição específica de um pixel em mangue.
relação ao outro, que depende da construção de As últimas componentes do ramo direito
São Paulo, UNESP, Geociências, v. 39, n. 4, p. 1129 - 1140, 2020 1135
mostram o índice de umidade sendo determinante As duas classificações apresentaram classes de
para diferenciação das classes de Vegetação uso da terra iguais, sendo uma maior distinção
Rasteira e Área Urbanizada. entre as classes na análise de GEOBIA (Figura 5).

Figura 4 - A árvore de decisão, considerando a classificação pelo método de GEOBIA.

Figura 5 - Mapa da análise de GEOBIA no setor Norte da Ilha do Maranhão.

1136 São Paulo, UNESP, Geociências, v. 39, n. 4, p. 1129 - 1140, 2020
 A análise de GEOBIA, apresentou setores foi a de vegetação rasteira (0,9272) e a que
maiores da vegetação rasteira, principalmente na apresentou o menor valor foi a classe Dunas
porção sul da área de estudo, quando comparado (0,3232). Para o método de GEOBIA a tabela 5
a análise de Classificação Supervisionada, que mostra que a classe que apresentou o valor
nesta mesma região apresentou maior frequência máximo do índice Kappa foi a de “Dunas” e
da classe “Área Urbanizada” (Figura 3). “Banco de Areia” (1,000), representando
A tabela 5 mostra os índices Kappa perfeitamente as classes quando comparadas a
condicional para cada classe, Classificação natureza e a que apresentou o menor valor foi a
Supervisionada e GEOBIA. classe de “Área Urbanizada” (0,8096), que no
Para a Classificação Supervisionada a classe setor Sul da Área de Estudo não conseguiu
que apresentou o valor máximo do índice Kappa distinguir muito bem as classes.
Tabela 4 - Gráfico dos índices Kappa – condicional e Qualidade para o método da Classificação Supervisionada e da
GEOBIA para as classes de cobertura da terra do setor Norte da Ilha do Maranhão.
Classificação Qualidade da
GEOBIA Qualidade da
CLASSES Supervisionada Índice Classificação
Índice kappa GEOBIA
kappa Supervisionada
Água 0,9038 Excelente 0,9802 Excelente
Mangue 0,7471 Muito Boa 0,9011 Excelente
Área Urbanizada 0,8076 Muito Boa 0,8096 Muito Boa
Duna 0,3232 Razoável 1,0000 Excelente
Banco de Areia 0,8430 Excelente 1,0000 Excelente
Vegetação Rasteira 0,9272 Excelente 0,9295 Excelente

DISCUSSÃO
Na Classificação Supervisionada as classes devido a esta classe ser influenciada pela subida
“Água” e “Vegetação Rasteira” apresentaram e descida das marés, deixando os bancos úmidos
classificação satisfatória, principalmente as áreas (El-Robrini et al., 2006).
desflorestadas devido às áreas destinadas a A eficiência da GEOBIA está no método que
implementação de infraestrutura como parte do princípio de que os objetos fornecem
construção de estradas. A classe “Banco de uma base de dados ampla para a classificação, ou
Areia”, apresentou confusão com a classe seja, uma quantidade maior de atributos é levada
“Dunas”, apresentando um desempenho em consideração e não apenas a resposta
insatisfatório neste método. Essa confusão foi espectral dos alvos (Marpu, 2009). O método
percebida nos dois métodos de classificação corresponde a um agrupamento de pixels
devido a complexidade em se classificar contíguos, sendo possível calcular, parâmetros
ambientes costeiros. Além disso a maré estatísticos e outros coeficientes relacionados às
encontrava-se em baixa-mar no momento da suas propriedades pixel a pixel (Francisco &
passagem do satélite, o que aumentou a confusão Almeida, 2012b). Outra vantagem do uso da
entre essas duas classes. GEOBIA em relação a outros métodos de classifi-
Os resultados mostram que a Classificação cação é a possibilidade de incorporação de dados
Supervisionada e a análise do resultado da temáticos e vetoriais no processo de modelagem
classificação orientada a objetos (GEOBIA) das classes, sendo possível integrar conhecimentos
apresentaram resultados similares na busca pela prévios das mais diversas fontes para a modelagem
representação das classes de uso e cobertura da de classes de maior complexidade.
terra. A área de estudo é de alta complexidade A árvore de decisão discrimina os dois tipos
devido ao seu regime de marés que é semidiurno de vegetação, Mangue e Vegetação Rasteira,
e de macromarés que atingem altura de 7 metros uma vez que é normal a ocorrência de confusão
(nas marés Equinociais) a separação das classes entre essas classes, a textura e a umidade foram
é dificultada, causando o erro de classificação, determinantes para a classificação dos Mangue-
pois a classe “Banco de Areia” que fica na zais da região. A rede semântica elaborada por
interface continente-oceano, apresenta uma meio de mineração de dados demonstra precisão,
resposta espectral diferente da classe “Dunas” a automatização dos procedimentos de seleção de
São Paulo, UNESP, Geociências, v. 39, n. 4, p. 1129 - 1140, 2020 1137
atributos e definição das regras de decisão classificação (Figura 3 e 5).
mostram potencial para regiões de alta A adesão de ambos os métodos de
complexidade que necessitam de uma classificação (Classificação Supervisionada e
interpretação visual mais precisa (Francisco & GEOBIA) utilizando a mineração de dados pela
Almeida, 2012a). árvore de decisão para as imagens de satélite de
Na elaboração de mapas temáticos de média resolução do Landsat 8 Sensor OLI,
cobertura da terra, nem sempre o resultado traduz apresentou resultados equivalentes às
a realidade com exatidão. No método de abordagens tradicionais para a área de estudo,
GEOBIA o menor valor do índice Kappa foi que possui complexidade mesmo com a
atribuído a classe “Área Urbanizada” que em metodologia de GEOBIA utilizando mais
certos locais não representou tão bem a informações para a classificação. Prudente et al.
ocorrência de urbanização, principalmente no (2017) constataram que o processo de
setor sul da área de estudo. A confusão encontrada classificação de uso e cobertura da terra pelo
entre algumas classes, ainda que tenham sido método GEOBIA apresenta eficiência equiva-
quantitativamente bem reduzidos, apontam para a lente à análise pixel a pixel.
necessidade de teste com outros atributos e um Efetivar os dois métodos para avaliar os níveis
número maior de amostras coletadas. de classificação da cobertura da terra sendo o
De maneira geral, a tabela 4 mostrou que primeiro de Classificação Supervisionada e o
ambas as classificações realizadas apresentaram segundo orientado a objeto (GEOBIA), permite a
resultados satisfatórios, sendo discriminadas comparação estatística e visual entre os dois.
todas as classes propostas. A separação entre as Individualmente, os resultados foram bastante
classes também foi avaliada por meio do índice satisfatórios na abordagem de Classificação
Kappa - condicional. Observa-se que os valores Supervisionada com 89%, verificadas na matriz
destes índices são altos (próximos de 1), de confusão. Já para a abordagem da GEOBIA, o
indicando um bom nível de discriminação entre nível de Exatidão Global apresentou o maior
as classes tornando possível analisar os índice, com 91%. Ressalta-se, portanto, que
agrupamentos das regiões de interesse na área de ambas as classificações foram consideradas
estudo como mostraram os mapas de satisfatórias.
CONCLUSÕES
O sensoriamento remoto mostrou eficiência parâmetros para a classificação da imagem. A
em pesquisas relacionadas ao uso e cobertura da vegetação de mangue e vegetação rasteira, que
terra. A associação desses dados com o uso de são bastante representativas, se distribuem
SIGs torna suas aplicações ainda mais majoritariamente, de maneira contínua, entre as
abrangentes, trazendo uma pesquisa com classes: água e as áreas urbanas, mostrando que
menores custos monetários e de trabalho, o intenso adensamento populacional evoluiu
possibilitando o acompanhamento em escalas de através do aterramento de mangues e
tempo maiores. desmatamento da vegetação nativa.
O índice Kappa auxiliou na descrição e teste Novas abordagens em estudos futuros,
do grau de concordância, com valor de 0,84 para considerando diferentes datas, sensores e
a Classificação Supervisionada e 0,94 para a algoritmos são necessárias para consolidar a
GEOBIA, resultado de qualidade excelente para discussão sobre o uso dessas metodologias,
ambos os métodos de classificação do uso da recomenda-se uma análise de uma comparação
terra para o setor norte da Ilha do Maranhão, individual entre as classes definidas para a
destacando a eficiência dos métodos utilizados. região. Os resultados do método de Classificação
A GEOBIA permitiu a partição de regiões Supervisionada e do método de GEOBIA
(objetos), foi possível realizar a segmentação da utilizando dados disponíveis de imagens de
área de estudo, encontrando os valores de escala satélite, apesar de suas limitações, se mostraram
e fusão que melhor representassem a separação satisfatórios conforme os valores de referência
dos mesmos. A técnica de mineração de dados que os resultados apresentaram, o que torna
por árvore de decisão facilitou a classificação da interessante sua aplicação para iniciativas de
cobertura e uso da terra no método de GEOBIA, mapeamento em outros municípios brasileiros,
visto que, permitiu a obtenção dos principais em especial na zona costeira.
1138 São Paulo, UNESP, Geociências, v. 39, n. 4, p. 1129 - 1140, 2020
 REFERÊNCIAS
ADDINK, E. & KLEINHANS, M. Recognizingmeanders to perspective.
reconstruct river dynamics of the Ganges. In: HAY, G., KIM, M.; WARNER, T. A.; MADDEN, M.; ATKINSON, D.S.
BLASCHKE, T., MARCEAU, D. (eds), GEOBIA (Pixels, Multi-scale GEOBIA with very high spatial resolution digital
objects, intelligence: geographic object based image aerial imagery: scale, texture and image objects. International
analysis for the 21st century) 48, part 4/C1 of The Journal of Remote Sensing, v. 32, n. 10, p. 2825-2850, 2011.
international archives of the photogrammetry, remote sensing LANDIS, J.R. & KOCH, G.G. The measurement of observer
and spatial information sciences, Calgary: International Society agreement for categorical data. Biometrics, v. 33, n. 01, p. 159-
for Photogrammetry and Remote Sensing (ISPRS). 2008. 174, 1977.
BLASCHKE, T.; HAY, G.J.; KELLY, M.; LANG, S.; MACHADO, A.M.B. Comparação de Imagens OLI/LANDSAT-
HOFMANN, P.; ADDINK, E; FEITOSA, R.Q.; MEER, F.V 8 E MSI/SENTINEL-2 no Mapeamento de Uso e Cobertura da
D.; WERFF, H.V.D.; COILLIE, F.V.; TIEDE, D. Geographic Terra na Ilha do Maranhão. Revista Equador, v. 9, p. 209-232,
object-based image analysis–towards a new paradigm. ISPRS 2020.
journal of photogrammetry and remote sensing, v. 87, p. MOCHEL, F.R. & PONZONI, F.J. Spectral characterization of
180-191, 2014. mangrove leaves in the Brazilian Amazonian Coast: Turiaçu
CINTRÓN, G. & SCHAEFFER-NOVELLI, Y. Ecology and Bay, Maranhão State. Anais da Academia Brasileira de
management of New World mangroves. In: SEELIGER Ciências, v. 79, n. 4, p. 683-692, 2007.
U(Ed), Coastal plant communities of Latin America. NAVULUR, K. Multispectral image analysis using the object-
Academic Press, San Diego, p. 233-258, 1992. oriented paradigm. Boca Raton, USA: Taylor & Francis
CONGALTON, R. & GREEN, K. Assessing the Accuracy of Group, 165 p., 2006.
Remotely Sensed Data: principles and practices. Boca NOVACK, T. Classificação da cobertura da terra e do uso do
Raton: CRC/Taylor & Francis, 2009. solo urbano utilizando o sistema InterIMAGE e imagens do
COUTO, E.; SILVEIRA F.L.; ROCHA, G. Marine biodiversity sensor QuickBird. 2009. 214 p. (INPE-16594-TDI/1580).
in Brazil: the current status. Gayana, v. 67, p. 327–340, 2003. Dissertação (Mestrado em Sensoriamento Remoto) - Instituto
DE MATOS, W.B.; DOS SANTOS, G.M.C.; DA SILVA, Nacional de Pesquisas Espaciais, São José dos Campos, 2009.
U.E.B.; GONÇALVES, E. G. R.; DA SILVA, A.R. 2012. Disp. em: Acesso em: 01 out. 2018.
Paracoccidioidomycosis in the state of Maranhão, Brazil: PEREIRA, T.D.J.F.; DE CASTRO, A.C.L.; FERREIRA, H.R.S.;
geographical and clinical aspects. Revista da Sociedade SOARES, L.S.; SILVA, M.H.L.; DE JESUS AZEVEDO, J.W.;
Brasileira de Medicina Tropica, v. 45, p. 385-9, 2012. FRANÇA, V.L.; DOS SANTOS MOREIRA, M. Extrativismo
EL-ROBRINI, M.; ALVES, M.A.M.S.; MARQUES JR., V.; EL- De Mariscos Na Ilha Do Maranhão (MA): implicações
ROBRINI, M.H.S.; FEITOSA, A.C.; TAROUCO, J.E.F.; ecológicas e socioeconômicas. Revista de Políticas Públicas,
SANTOS, J.H.S.; VIANA, J.R. Maranhão. In: Dieter Muehe. v. 21, n. 2, p. 831-854, 2018.
(Org.). Erosão e Progradação no Litoral Brasileiro. Brasília: PINHO, C M.D. Análise orientada a objetos de imagens de
Ministério do Meio Ambiente, p. 87-130, 2006. satélite de alta resolução espacial aplicada à classificação de
FABBRI, K.P. A methodology for supporting decision making in cobertura do solo no espaço intra-urbano: o caso de São
integrated coastal zone management. Ocean & Coastal José dos Campos – SP. São José dos Campos. 2005.
Management, v. 39, p. 51–62, 1998. Dissertação (Mestrado em Sensoriamento Remoto) - Instituto
FEITOSA, A.C. Morfodinâmica da área costeira a nordeste da Nacional de Pesquisas Espaciais, São José dos Campos.
Ilha do Maranhão. In: SIMPÓSIO NACIONAL DE PIORSKI, G.M.R., GOMES, L.N., JUNIOR, J.R.P.; PIORSKI,
GEOMORFOLOGIA, Florianópolis. 1998. Anais... N.M. Subsídios para o manejo da visitação na praia de Carimã,
Florianópolis: Geosul, p. 252–255, Raposa-MA. Caminhos de Geografia, v. 10, n. 32, 2009.
FEITOSA, A.C. & TROVÃO, J. R. Atlas Escolar do Maranhão: PRUDENTE, V.H.; SILVA, B.B.D.; JOHANN, J.A.;
espaço geo-histórico e cultural. João Pessoa: Grafset; 2006. MERCANTE, E.; OLDONI, L.V. Comparative assessment
FRANCISCO, C.N. & ALMEIDA, C.M. Avaliação de between per-pixel and object-oriented for mapping land cover
Desempenho de Atributos Estatísticos e Texturais em uma and use. Engenharia Agricola, v. 37, n. 5, p. 1015-1027, 2017.
Classificação de Cobertura da Terra Baseada em Objeto. Boletim RANGEL, M.E.S. Contribuição dos dados integrados dos
de Ciências Geodésicas, v. 18, n. 2, p. 302-326, 2012a. sistemas sensores TM/ Landsat-5 e ERS-1/SAR para o
FRANCISCO, C.N. & ALMEIDA, C.M. Data Mining estudo de uso e cobertura da terra no nordeste da Ilha do
Techniques and Geobia Applied to Land Cover Mapping. In: Maranhão. São José dos Campos. 2000. 112 p. Dissertação
Internacional Conference on Geographic Object-Based Image (Mestrado em Sensoriamento Remoto) - Instituto Nacional de
Analysis, 4. (GEOBIA), 2012, Rio de Janeiro. Pesquisas Espaciais, São José dos Campos.
Proceedings…São José dos Campos: INPE, 2012b. p. 89-94. RIBEIRO, R.P.; ALVES, P.R.; ALMEIDA, Z.D.S.; RUTA, C. A
Disp. em: http://urlib.net/8JMKD3MGP8W/3BT2APS. new species of Paraonis and an annotated checklist of
HAN, J. & KAMBER, M. Data Mining: Concepts and polychaetes from mangroves of the Brazilian Amazon Coast
Techniques. San Francisco: Morgan Kaufman Publisher, 2006, (Annelida, Paraonidae). ZooKeys, v. 740, n. 1-34, 2018.
743 p RODRIGUES, T.C.S. Classificação da Cobertura e do Uso da
HARALICK, R. & SHANMUGAM, K. Computer classification Terra com Imagens Worldview-2 de Setores Norte da Ilha
of reservoir sandstones. IEEE Transactions on Geoscience do Maranhão por Meio do Aplicativo Interimage e de
Electronics, v. 11, n. 4, p. 171–177, out. 1973. Mineração de Dados. São José dos Campos. 2014. 87 p.
IBGE. Instituto Brasileiro de Geografia e Estatística Censo Dissertação (Mestrado em Sensoriamento Remoto) - Instituto
2010. Disp. em: <www.ibge.gov.br/>. Acesso em: Nacional de Pesquisas Espaciais, São José dos Campos.
20/setembro/2018. RWANGA, S.S. & NDAMBUKI, J. M. Accuracy assessment of
IBGE - Instituto Brasileiro de Geografia e Estatística. land use/land cover classification using remote sensing and
Zoneamento Geoambiental do Estado do Maranhão. GIS. International Journal of Geosciences, v. 8, n. 04, p. 611,
Brasília: IBGE, 1997. 2017.
JENSEN, J. R. Sensoriamento remoto do ambiente: uma SOUSA, E.B; COSTA, V.B.; PEREIRA, L.C.C., COSTA R.M.
perspectiva em recursos terrestres. Tradução: EPIPHANIO, Microfitoplâncton de águas costeiras amazônicas: ilha Canela
J.C.N. São José dos Campos: Parêntese, 2009. 598 p. Tradução (Bragança, PA, Brasil). Acta Botanica Brasilica, v. 22, p.
de Remote sensing of the environment: na Earth resource 626–636, 2008.

São Paulo, UNESP, Geociências, v. 39, n. 4, p. 1129 - 1140, 2020 1139

SUN, J.; YANG, J.; ZHANG, C.; YUN, W.; QU, J. Automatic WALD, L.; RANCHIN, T.; MANGOLINI, M. Fusion of satellite
remotely sensed image classification in a grid environment images of different spatial resolutions: assessing the quality of
based on the maximum likelihood method. Mathematical and resulting images. Photogrammetric Engineering & Remote
Computer Modelling, v. 58, n. 3, p. 573- 581, 2013. Sensing, v. 63, n. 6, p. 691-699, 1997.
VER, L.M.B.; MACKENZIE, F.T., LERMAN, A. Carbon cycle
in the coastal zone: effects of global pertubations and change in
the past three centuries. Chemical Geology, v. 159, p. 283-304,
1999.
VILELA, F.V.; SOARES, V.P.; ADUAN, R.E.; FERNANDES
FILHO, E.I.; PEREIRA, R.D.A.; RIBEIRO, C.A.A.S. Uso de Submetido em 16 de maio de 2019
imagens orbitais como base de dados para projetos de reforma Aceito para publicação em 10 de outubro de 2020
agrária. Revista Árvore, v. 29, n. 4, p. 627-638, 2005.

1140 São Paulo, UNESP, Geociências, v. 39, n. 4, p. 1129 - 1140, 2020