Abordagem GEOBIA para a classificação do uso e cobertura da terra em área urbana associadas ao desenvolvimento de framework para monitoramento de inundações no município de Lajeado - RS

Abstract

O monitoramento, a previsão e o controle de eventos extremos, como as inundações, é imprescindível, principalmente em áreas urbanas, devido à maior densidade populacional, bens materiais, saneamento e infraestruturas envolvidos no processo. O objetivo deste estudo, consistiu em classificar de forma automática o uso e cobertura da terra em área urbana, em um ortofotomosaico com altíssima resolução espacial (16 cm), cobrindo a área do bairro centro de Lajeado (Estado do Rio Grande do Sul – Brasil) e sua posterior aplicação, com dados dos arruamentos e de um Modelo Digital de Elevação (MDE), para a estruturação de um framework automatizado, baseado em plataformas livres, com capacidade de monitorar níveis de inundações sobre essa área urbana, em escala espacial e temporal. Para a classificação do uso e cobertura da terra foram testados os classificadores por árvore de decisão Boosted C5.0, Random Forests e Classification and Regression Trees (CART). Primeiramente, foram identificadas as seguintes classes: vegetação arbórea; vegetação herbácea (gramíneas); solo exposto; sistema viário (calçamento); telhados metálicos e telhados cerâmicos claros; telhados de concreto e fibrocimento; telhados metálicos e cerâmicos escuros; e sombra. Por meio do programa eCognition foram aplicados sete níveis de segmentação do ortofotomosaico, coletadas as amostras e definidos os atributos para cada classe O treinamento para os classificadores foi realizado no programa R. Para a análise da exatidão de classificação, foram gerados pontos de checagem aleatórios, que foram comparados com as classes das três imagens classificadas, para o cálculo da matriz de erros e do índice Kappa. A imagem classificada pelo algoritmo Random Forests apresentou a maior Exatidão Global (EG = 82,20%) e Índice Kappa (K = 0,79), seguido pela imagem classificada pelo algoritmo Boosted C5.0 (EG = 80,4%; K = 0,77) e pelo CART (EG = 64,90%; K = 0,57). Já o framework foi baseado na equação de regressão fluviométrica Encantado/Lajeado. Os resultados dessa equação podem ser visualizados como mapas em uma interface WEBSIG, onde estão simuladas as áreas e infraestruturas inundadas no bairro centro de Lajeado. Foram projetados diferentes níveis históricos de inundações e esse modelo foi validado a partir da comparação dos dados simulados com os medidos de uma inundação ocorrida em 10 de outubro de 2015. O erro altimétrico obtido foi inferior a 1 m. O framework deste estudo realiza o monitoramento do nível de inundação para a área urbana de Lajeado com até 6 horas de antecedência, demonstrando a eficácia desta simulação.

The monitoring, forecasting and control of extreme events, such as floods, is essential, especially in urban settlements, due to the greater population density, material assets, sanitation and infrastructures on these areas. This work aims to classify automatically the urban land use and land cover in an orthophoto mosaic with very high spatial resolution (16 cm) covering the central district area of Lajeado (Rio Grande do Sul State - Brazil) and its subsequent application, with data of the streets and a Digital Elevation Model (MDE), for the structuring of an automated framework, based on free platforms, with capacity to monitor flood levels in this urban area, on a spatial and temporal scale. We tested the decision tree classifiers Boosted C5.0, Random Forests and Classification and Regression Trees (CART). First, the following classes of land use and land cover were identified: forest land; herbaceous land (grasses); bare soil; road system (pavement); metal roofs and clear ceramic roofs; concrete and fiber cement roofs; dark metallic and ceramic roofs; and shade. The eCognition software were used to processes seven levels of segmentation of the orthophoto mosaic, and for collecting samples and attributes from each one these classes The decision tree methods were performed in R software. For the classification accuracy assessment, we generated random check points, which were compared with the classes of the three classified images, in order to calculate the error matrix and Kappa index. The image classified by the algorithm Random Forests presented the highest Global Accuracy (GA = 82.20%) and Kappa Index ( = 0.79), followed by the image classified by the Boosted C5.0 (GA = 80.4%; = 0.77) and the CART algorithm (GA = 64.90%,  = 0.57). The Framework was based on the fluviometric regression equation Encantado/Lajeado. The results of this equation can be visualized as maps in a WEBGIS interface, where the flooded areas in the downtown neighborhood of Lajeado are simulated. Different historical flood levels were projected and this model was validated by comparing the simulated data with those measured from a flood occurred on October 10th, 2015. The altimetric error obtained was less than 1 m. The framework of this study carries out the monitoring of the flood level for the Lajeado urban area with 6 hours in advance, demonstrating the effectiveness of this simulation.