A utilização de imagens de satélite para fins de mapeamento, planejamento e monitoramento ambiental tem sido realizada há várias décadas. Atualmente, novas tecnologias têm possibilitado o uso de imagens de satélite para variados fins.
Em pesquisas de Sensoriamento Remoto, a utilização de imagens de satélite para a produção de mapas é uma das grandes inovações no segmento do geoprocessamento, pois possibilita uma gama de análises espaciais e temporais. Como o ambiente sofre alterações constantes pela ação antrópica, a interpretação de imagens de satélite é uma fonte direta de se determinar a dinâmica dos processos envolvidos em tais alterações. Neste sentido, a fotointerpretação e o processamento digital de imagens assumem papel de grande importância, pois permitem fornecer subsídios para a compreensão dos fenômenos ambientais, além da possibilidade de planejamento estratégico em situações distintas, como por exemplo, no planejamento urbano (JENSEN, 2009).
Técnicas de sensoriamento remoto vêm se mostrando promissoras, sobretudo no mapeamento de grandes extensões geográficas onde o uso dessas técnicas é requerido, realizado a partir de imagens orbitais, onde a resolução espacial é um dos principais fatores na definição das legendas dos mapas temáticos (PONZONI e REZENDE, 2002). O desenvolvimento de sensores com alta resolução espectral tem permitido aos usuários o mapeamento detalhado da superfície terrestre, abrindo um novo campo para os usuários de imagens orbitais.
Todavia, os dados de sensores remotos necessitam ser analisados para que sejam extraídas informações necessárias ao planejamento, manejo e monitoramento dos recursos. Nesse sentido, muitas técnicas de classificação foram desenvolvidas, visando, sobretudo, o mapeamento do uso e ocupação do solo de forma semiautomática, através de algoritmos especializados.
2.7.1 Índice de Kappa
Grande parte do mapeamento digital de cobertura vegetal, em nível regional, vem sendo realizado através de imagens de sensoriamento remoto. Técnicas de classificação supervisionada associadas ao processamento digital de imagens têm dado bons resultados na extração de informações que compõem determinada região. No entanto, todo o processo de classificação está sujeito a erros dos mais diversos tipos e fontes.
de exatidão e de precisão da classificação. De acordo Moreira (2011), a exatidão significa o nível elevado de reconhecimento dos pixelsclassificados; enquanto que a precisão se refere aos resultados das áreas classificadas com as áreas mapeadas.
A avaliação da acurácia dos dados extraídos das imagens está diretamente relacionada com a qualidade do mapeamento. Todas as classes que compõem a imagem ou o mapa temático devem ser associadas a um controle de qualidade para que possam ser validadas. Entende-se que um mapeamento temático só deva ser utilizado como fonte fidedigna de informações quando associado a processos de avaliação da acurácia dos dados que o compõem. Observa-se que raramente mapas temáticos provenientes de classificação digital ou mesmo da fotointerpretação apresentam um relatório de acurácia das informações. A avaliação da exatidão das classificações obtidas pelos algoritmos de classificação de imagens é gerada através de matrizes de confusão, tomando como referência o uso e cobertura da terra retratada, onde essa metodologia de análise tem sido empregue por diversos autores, em pesquisas realizadas. Em diversas parte do mundo (CONGALTON, 1991; BISSO, 2010; PETROPOULOS et al., 2012; BLANCO et al., 2014; ESTOQUE; MURAYAMA, 2015; COULTER et al., 2016; GILBERTSO, et. al., 2017).
Segundo Congalton e Green (1999), o coeficiente de Kappa é baseado na diferença entre concordância observada (diagonal principal da matriz de confusão com a concordância entre a classificação e os dados de referência) e a chance de concordância entre os dados de referência e uma classificação aleatória (produto entre os totais marginais da matriz). A equação que fornece o valor de Kappa é dada por:
(10)
Onde:
r = Número de classes
xii = Número de elementos classificados corretamente por classe xi+ = Total de elementos classificados para uma categoria i
x+i = Total de elementos de referência amostrados para uma categoria i N = Número total de amostras
São utilizadas as métricas de exatidão global e índice Kappa (CONGALTON; GREEN, 1999), conforme os níveis de aceitação. Uma das vantagens apontadas para o uso do Kappa é que ele incorpora a informação dos pixels erroneamente classificados, e não apenas dos corretamente classificados, como a exatidão global. De forma simplificada, a exatidão global é um índice que superestima a confiabilidade da classificação, e o Kappa é uma avaliação mais adequada.
De acordo com Moreira (2001), o Índice Kappa apresenta a vantagem de que para o seu cálculo não se incluem somente os elementos da diagonal principal, e sim todos os elementos da matriz de erros, ou seja, estima a probabilidade de um pixel ser corretamente classificado em relação à probabilidade da classificação incorreta. Portanto, tal índice demonstra oscilações de erros de omissão e inclusão. A acurácia da classificação determinada por meio do coeficiente Kappa, desenvolvida por Landis e Koch (1977), associa a um determinado intervalo de valores Kappa um grau de qualidade do mapa temático.
O procedimento mais adotado na medição da exatidão das classificações por meio de matrizes de erro é o índice Kappa (CONGALTON, 2001; MACHADO, 2002). Esta medida de acurácia ou, mais apropriadamente, exatidão está baseada na diferença entre a concordância real na matriz (concordância entre os dados simulados e os dados de referência, indicada na diagonal principal) e a concordância por chance, indicada pelo total das linhas e das colunas (marginais).
Kappa (k) é uma estatística amplamente utilizada para estimar a acurácia da previsão de uma variável categórica. A estatística k é uma técnica multivariada discreta para determinar estatisticamente se uma matriz de erro é significativamente diferente do outro (ZHAN et al., 2002).
A análise Kappa foi originalmente adotada em ciências sociais e, após sua inserção em estudos de sensoriamento remoto, vários trabalhos têm sido publicados com a sua utilização, tornando-se componente padrão em avaliações de acurácia (CONGALTON, 2001; SANCHES,
et al., 2008; DAINESE, 2001), em seus trabalhos utilizaram o índice Kappa para realizar a validação dos classificadores, tendo como referência a verdade terrestre.
O meio mais comum de expressar a precisão de mapas ou classificações automáticas, conforme (MOREIRA, 2011) é obter a porcentagem da área corretamente classificada, quando comparada com dados de referência.