Interpretação Geográfica da Classificação do Uso e Ocupação do Solo resultante do Processamento e análise de imagens de Satélite

Nos processos de classificação de uso e ocupação do solo, a Detecção Remota tem demonstrado enormes vantagens, sobretudo, no que concerne aos processos de acompanhamento das dinâmicas territoriais e um papel determinante nos processos de planeamento territorial. Na verdade, o desenvolvimento da tecnologia de aquisição de imagens de satélite abriu novas perspectivas e possibilidades de estudos de um dado espaço geográfico, enquanto simultaneamente permite explorar novas metodologias de extracção e análise de informação. Deste modo, a detecção remota tornou-se um “elemento” indispensável para uma melhor compreensão territorial. O tema central desta Tese corresponde a uma investigação de base teórico-prática acerca da metodologia Geographic Object-Based Image Analysis (GEOBIA), aplicada a Classificação Multitemporal e Intra-anual de dados Sentinel-2, para a elaboração de um mapa de uso e ocupação do solo no Município de Almada. A exploração desta temática procedeu-se em duas fases: a segmentação de imagens (com base no algoritmo multiresolution segmentation) e a classificação das mesmas (baseada em GEOBIA). A operacionalização desta metodologia, foi alcançado através do software eCognition, equipado com algoritmos de segmentação multiresolução e capacidades que possibilitam a classificação de fenómenos com base no objecto, permitindo desta forma delimitar polígonos representativos das classes que se pretendia extrair. Analisou-se o Município de Almada em quatro períodos temporais. A determinação dos polígonos que serviram de teste permitiu alcançar resultados bastante bons, sendo posteriormente submetidos a validação com dados reais obtidos através da Carta de Ocupação do Solo (COS). O processo de validação foi conseguido em ambiente do software ArcGIS 10.5.1, tendo sido alcançado resultados bons em termos de concordância da classificação com a verdade no terreno (Janeiro, Global Accuracy 0,84 Coeficiente Kappa 0,78; Março, Global Accuracy 0,86 Coeficiente Kappa 0,80; Julho, Accuracy 0,86 Coeficiente Kappa 0,81, Outubro, Accuracy 0,72 Coeficiente Kappa 0,63). Remote sensing has shown significant advantages in the processes of classification of land use and land occupation, mostly regarding the monitoring of territorial dynamic’s. It also plays a fundamental role in territorial planning processes. The development of satellite image acquisition technologies has opened up new perspectives and possibilities in the study of a specific geographic area while simultaneously allowing to explore new methodologies of information extraction and analysis. Thus, remote sensing become an essential element in better understanding of the territories. This thesis mainly focuses on carrying out a theoretical-practical research on the Geographic Object-Based Image Analysis (GEOBIA) methodology, applied to the multitemporal and intra-annual classification of Sentinel-2 data for the development of a land use and occupation map of the county of Almada, in Portugal. Two principal aspects were included: image segmentation (based on the multiresolution segmentation algorithm) and image classification (based on GEOBIA). The operationalization of this methodology was accomplished through the eCognition software, equipped with multiresolution segmentation algorithms and capabilities enabling the classification of phenomena based on objects, thus allowing the delimitation of polygons that represent the intended extraction classes. The Municipality of Almada was analyzed in four time periods. The determination of the polygons that served as a test allowed to achieve quite good results, being subsequently submitted to validation with real data obtained through the Land Occupation Letter (COS). The validation process was carried out in an ArcGIS 10.5.1 software environment, with good results in terms of classification agreement with the truth in the field (January, Global Accuracy 0,84 Kappa coefficient 0,78; March, Global Accuracy 0,86 Coefficient Kappa 0,80; July, Accuracy 0,86 Kappa coefficient 0,81, October, Accuracy 0,72 Kappa coefficient 0,63).