SPC: Classificação Semi Automatica
Classificação semi-automatica caracteristicas e aplicações
O crescimento urbano acelerado e as mudanças climáticas demandam ferramentas eficientes para o monitoramento do uso e ocupação do solo. O sensoriamento remoto, por meio de imagens de satélite, oferece uma solução poderosa para a análise de paisagens urbanas em larga escala. A capacidade de diferenciar materiais de superfície, como diferentes tipos de telhados, lajes e áreas verdes, é crucial para diversas aplicações, incluindo o planejamento urbano, a avaliação da eficiência energética de edifícios, a gestão de águas pluviais e a modelagem do efeito de ilhas de calor urbanas.
O script apresentado a seguir utiliza o Google Earth Engine (GEE), uma plataforma de computação em nuvem que permite o processamento de petabytes de dados geoespaciais, para automatizar esse mapeamento. Utilizando imagens do satélite Sentinel-2, o script aplica um algoritmo de aprendizado de máquina para classificar a superfície terrestre e quantificar a área ocupada por cada tipo de cobertura.
O script pode ser dividido em três etapas principais: preparação dos dados, treinamento do classificador e análise dos resultados.
1. Preparação dos Dados de Satélite
A primeira parte do código foca na obtenção e pré-processamento das imagens de satélite: Seleção da Coleção e Período: O script acessa a coleção de imagens do satélite Sentinel-2, que possui alta resolução espacial (10 metros para as bandas visíveis). É aplicado um filtro temporal para o período de 2022 a 2023. Filtro por Localização e Qualidade: As imagens são filtradas para abranger apenas a área de interesse definida pela geometria table. Um filtro rigoroso (CLOUDY_PIXEL_PERCENTAGE < 0.03) garante a seleção de imagens com mínima cobertura de nuvens, um passo essencial para uma análise precisa em regiões tropicais ou subtropicais. Composição de Mediana: Para criar uma imagem de referência de alta qualidade e livre de ruídos sazonais ou temporários, é calculada a mediana de todas as imagens que passaram pelos filtros. Isso gera uma imagem composta (composite) que representa as condições típicas da área no período. Seleção de Bandas e Recorte: As bandas do visível (B4 - Vermelho, B3 - Verde, B2 - Azul) são selecionadas para a visualização em cor real (RGB). A imagem final é recortada (clip) para a área de interesse (table2), otimizando o processamento. Duas variáveis de imagem (imagem e imagem2) são criadas de forma idêntica para uso posterior.
2. Treinamento e Classificação Supervisionada
Esta etapa é o núcleo do mapeamento, onde o algoritmo aprende a reconhecer os diferentes tipos de superfície: Amostragem de Treinamento: Geometrias pré-definidas (como telha_ceramica, laje_nova, vegetacao, etc.) são combinadas em uma única coleção (amostra). Essas amostras, que contêm uma propriedade 'class' (um rótulo numérico para cada tipo de superfície), são usadas para extrair os valores espectrais correspondentes da imagem de satélite (imagem). Treinamento do Classificador: É utilizado o algoritmo Random Forest, um método de aprendizado de máquina robusto e amplamente utilizado em sensoriamento remoto. O classificador é treinado com os dados amostrados, aprendendo a relação entre os valores espectrais das bandas e as classes de cobertura do solo. Aplicação da Classificação: O modelo treinado é então aplicado a toda a imagem (imagem2.classify(classificacao)), gerando um novo mapa raster onde cada pixel recebe um rótulo de classe (0 a 4) com base nos seus valores espectrais.
3. Análise e Quantificação de Resultados
A etapa final do script foca em extrair dados quantitativos do mapa classificado: Cálculo de Áreas: Para cada classe (telhado, laje, vegetação, cinza, cinzaescuro), o script isola os pixels pertencentes àquela classe (classificacao.eq(0)). A área de cada pixel é calculada (ee.Image.pixelArea()) e somada (reduceRegion) para a área total de interesse (table). Impressão de Resultados: Os resultados, em metros quadrados, são impressos no console do GEE, fornecendo estatísticas precisas sobre a distribuição das superfícies
Aplicações Práticas e Adaptações
Os resultados deste script, que quantificam a área de diferentes superfícies urbanas, são valiosos para: Planejamento de Cidades Inteligentes: Identificação de áreas com grande potencial para instalação de painéis solares (telhados e lajes planas). Gestão de Infraestrutura Verde: Mapeamento de áreas vegetadas para entender a permeabilidade do solo e o manejo de águas pluviais. Estudos Climáticos: Análise do impacto de diferentes materiais (superfícies escuras versus vegetação) na temperatura da superfície e no efeito de ilha de calor urbana. Adaptações: O script é altamente adaptável. Para mudar o foco da análise, basta modificar as geometrias de treinamento (amostra) e os rótulos de classe. O uso do Sentinel-2 é ideal para essa escala urbana (10m de resolução), mas para áreas menores ou detalhes mais finos, poder-se-ia adaptar o script para usar imagens de satélites de altíssima resolução, como as do WorldView ou SkySat.
O script em Google Earth Engine representa uma solução robusta e escalável para o mapeamento detalhado de superfícies em ambientes urbanos. Ao integrar dados de satélite de média resolução do Sentinel-2 com técnicas avançadas de aprendizado de máquina, como o Random Forest, a plataforma permite a extração de informações cruciais sobre a composição da paisagem urbana. A capacidade de quantificar com precisão áreas de telhados, lajes e vegetação vai além da simples visualização: ela fornece a base para o desenvolvimento de políticas públicas mais eficientes. Os resultados gerados podem informar diretamente o planejamento de infraestruturas sustentáveis, a modelagem de microclimas urbanos e a alocação de recursos para a mitigação de impactos ambientais. Em essência, esta abordagem demonstra como o sensoriamento remoto e a computação em nuvem transformam dados brutos de satélite em inteligência geoespacial acionável, capacitando gestores e pesquisadores a tomar decisões baseadas em evidências para o desenvolvimento de cidades mais resilientes e inteligentes.