Contribuição do OpenStreetMap para a criação de mapas de uso e cobertura do solo

Abstract

Desde os tempos antigos que os mapas, no seu geral, são de grande importância para a sociedade por diversos motivos e são exemplos: a necessidade de localização, marcação de fronteiras, a monitorização do ambiente, observação de fenómenos que acontecem na superfície da Terra, etc. Pegando nos últimos exemplos de utilização dos mapas, destacam-se os mapas de uso e cobertura de solo. Criar este tipo de mapas é certamente um grande desafio devido a evolução e/ou mudança contínua das características da superfície da Terra, bem como da alteração do uso dos seus espaços.Neste trabalho testa-se uma metodologia para criação de mapas de uso e cobertura de solo usando a informação de mapas que derivam de um processo de conversão automática de dados geográficos voluntários provenientes do OpenStreetMap para classes de uso e cobertura do solo, que são usados como treino na classificação de imagens de satélite.Os mapas de uso e cobertura de solo que derivam da conversão dos dados do OpenStreetMap, são submetidos a um conjunto de processos (chamados neste trabalho de ‘filtros’) que são aplicados de forma faseada, e vão eliminar objetos do mapa sobre os quais se tem menos confiança. Após a aplicação de cada filtro considera-se que os objetos que permanecem no mapa são os mais confiáveis para serem usados como treino na classificação de imagens de satélite.A metodologia foi testada para uma zona de Toulouse, França, onde foram gerados os mapas de uso e cobertura de solo considerando a nomenclatura do Urban Atlas, que possui classes de uso e cobertura do solo, e posteriormente foi testada uma nomenclatura adaptada desta apenas com informação sobre a cobertura do solo. A imagem multiespectral que foi classificada é proveniente do satélite Sentinel-2.Os resultados permitem verificar que ter na mesma nomenclatura classes de uso e de coberto de solo torna a classificação automática problemática devido à semelhança na resposta espetral de classes distintas. Por sua vez, usando uma nomenclatura apenas com classes indicativas da cobertura de solo os resultados são bem melhores, chegando os mapas a ter uma de exatidão global superior a 80%, obtida usando como referência uma amostra aleatória estratificada por classe, criada através de fotointerpretação de imagens de satélite.

Since ancient times maps in their general have been of a great importance to society for various reasons, for example: the need for localization, a marking of boundaries, environment monitoring, observation of phenomena that occur on the Earths’ surface, etc. Taking the last examples of maps, the land use and land cover maps are highlighted. Creating such maps is a big challenge because the planet surface is continuously changing and evolving, and the use of space by humanity in also changing.In this work we test a methodology for the creation of land use and land cover maps using the information derived through the automatic conversion of voluntary geographic data available in the collaborative project OpenStreetMap to land use/land cover classes, which is used as training for the classification of satellite images.The land use and land cover maps that derive from the conversion of the OpenStreetMap data are submitted to a sequence of processes (called in this work of 'filters') that are applied in a phased manner, which will eliminate the objects from the map over which we have less confidence. After applying each filter, it is considered that the objects that remain on the map are the most reliable to be used as training in the classification of satellite images. The methodology was tested for an area that included the city of Toulouse, France. Land use / land cover maps were generated considering the 2006 Urban Atlas nomenclature. As this nomenclature has classes of land cover and use, this nomenclature so that it contained only information about land cover. A multispectral satellite obtained by the Sentinel-2 satellite was used for classification.The results allow to verify that: when we have in the same nomenclature land use and land cover the automatic classification becomes problematic, due to the similarity in the spectral response of distinct classes. On the other hand, using a nomenclature only with classes indicative of the land cover, the results are much better, and the maps obtained showed to have more than 80% of global accuracy considering a random sample stratified by class as reference, created using photo interpretation of high resolution satellite images.