Influência da reamostragem dos valores digitais em modelos de mistura espectral

Abstract

As imagens ETM+/Landsat 7, originalmente disponibilizadas pelos portais de distribuição com reamostragem pelo método do vizinho mais próximo, começaram a ser cedidas somente pelo método da convolução cúbica, que por sua vez altera, por meio de processos matemáticos, o valor do pixel analisado em relação a média dos 16 pixels vizinhos. Em face dessa mudança e utilizando-se de uma cena Landsat 7, reamostrada pelo vizinho mais próximo, e depois convertida para convolução cúbica, realizou-se a modelagem linear de mistura espectral em ambas as imagens. Para tanto, foram utilizadas 30 amostras aleatórias e 30 amostras coletadas manualmente, estas localizadas nas áreas de transição das frações nas imagens-erro (B3, B4 e B5), resultantes de cada modelo. Em seguida, foram aplicados os testes de normalidade Shapiro-Wilk e o t de Student pareado para médias, com o intuito de verificar se havia diferenças significativas dos valores de erro. Os resultados mostraram que não há evidências suficientes de que as médias dos valores de erro das imagens, a um nível de significância de 5% geradas pelos dois métodos de reamostragem, no modelo linear de mistura espectral, são diferentes. Assim, a classificação supervisionada das imagens e das frações, para ambas reamostragens, que apresentaram a partir da geração de uma matriz de confusão, uma média de 99% de exatidão global, são praticamente idênticas, legitimando que, no estudo dessas imagens, a aplicação de diferentes reamostragens, por meio desta metodologia, não influenciou no mapeamento das classes de uso e cobertura do solo. Outra proposta desse estudo foi avaliar a precisão das estimativas de proporção subpixel a partir dos erros médios absolutos por fração e o erro médio absoluto total entre as abordagens linear e não linear de mistura espectral. Para isso, fez-se uso de uma classificação de máximo verossimilhança, de uma cena Planet de 3 metros de resolução espacial, com o intuito de se obter as referências de campo, separando-as nas classes de água/sombra, palha/solo e vegetação. A partir destes dados, estruturou-se uma rede neural artificial, onde com o uso do algoritmo de retropropagação foi feito seu treinamento, obtendo como saída as proporções de uma imagem OLI/L8 de 30 metros. Concomitantemente, realizou-se uma modelagem linear da mesma imagem OLI/L8 e com 6491 amostras pôde-se então comparar os resultados das frações. Os resultados alcançados apresentaram que a abordagem linear obteve valores de erro médio absoluto por fração e total maiores que a do modelo não linear. Os valores corresponderam a um valor de erro médio total de 1,023 e 0,310 para o modelo linear e não linear, respectivamente, comprovando que a partir de uma mesma referência de dados, a abordagem não linear se mostra ser uma modelagem mais adequada. Palavras-chave: Sensoriamento Remoto. Modelo de Mistura Espectral. Teste t de Student Pareado. Reamostragem. Rede Neural Artificial.The ETM + / Landsat 7 images, originally available by portals with the resample using the nearest neighbor method, began to be provided only by the method of cubic convolution, which changes, through mathematical processes, the value of the pixel analyzed in relation to the average of the 16 neighboring pixels.In face of this change and using a Landsat 7 scene, resampled by the closest neighbor, and then converted to cubic convolution, it was carried out on both images a linear modeling of spectral mixing. For this, 30 random samples and 30 samples collected manually were used, these located in the transition areas of the fractions in the error images (B3, B4 and B5), resulting from each model. Then, the Shapiro-Wilk normality test and the Student's paired t-test for means were applied, in order to verify if there were significant differences in the error values. The results showed that there are not enough evidences that the average of the error values of the images, at a significance level of 5% generated by the two resampling methods, in the linear spectral mixture model are different. Thus, the supervised classification of images and fractions, for both resamplings, which showed, from the generation of a confusion matrix, an average of 99% of global accuracy, are practically identical, legitimizing that, in this study of these images, the application from different resamples, using this methodology, did not influence the mapping of land-use and land-cover classes. Another proposal of this study was evaluate the precision of the subpixel proportion estimates from the mean absolute errors per fraction and total between the linear and nonlinear spectral mixing approaches. For this, a maximum likelihood classification was used, of a Planet scene of 3 meters of spatial resolution, in order to obtain the field references, separating them in the classes of water/shadow, straw/soil and vegetation. From these data, an artificial neural network was structured, where using the backpropagation algorithm, training was performed, obtaining the proportions of an OLI/L8 image of 30 meters as an output. Concomitantly, a linear modeling of the same OLI/L8 image was performed and with 6491 samples it was then possible to compare the results of the fractions. The results achieved showed that the linear approach obtained values of mean absolute error per fraction and total greater than that of the nonlinear model. The mean absolute error total value was 1.023 and 0.310 for the linear and nonlinear model, respectively, proving that from the same data reference, the nonlinear approach proves to be a more adequate model. Keywords: Remote Sensing. Spectral Mixing Model. Student's paired t-test. Resampling. Artificial Neural Network.