Utilização de redes neurais artificiais na classificação de níveis de degradação em pastagens

Transcrição

1 Revista Brasileira de Engenharia Agríola e Ambiental v.3, n.3, p , 2009 Campina Grande, PB, UAEA/UFCG Protoolo /05/2007 Aprovado em 29/0/2008 Utilização de redes neurais artifiiais na lassifiação de níveis de degradação em pastagens César S. Chagas, Carlos A. O. Vieira 2, Elpídio I. Fernandes Filho 3 & Waldir de C. Júnior 4 RESUMO Este trabalho teve por objetivo avaliar a efiiênia dos lassifiadores redes neurais artifiiais (RNA) e o de máxima verossimilhança (Maxver) na lassifiação do uso da terra no muniípio de Viçosa, MG, a partir de imagens do sensor ASTER, om ênfase nos níveis de degradação das pastagens. Neste estudo, foram identifiados três níveis de degradação das pastagens (moderado, forte e muito forte) e avaliada uma omposição da imagem do sensor ASTER ontendo as 3 bandas do visível e infravermelho próximo, om resolução espaial de 5 m. O simulador de redes neurais empregado foi o Java Neural Network Simulator e o algoritmo de aprendizado, o bakpropagation. Os resultados mostram que a lassifiação por redes neurais, embora apresente resultado ligeiramente superior, teve desempenho estatistiamente semelhante ao obtido pela lassifiação pelo Maxver, obtendo um índie Kappa de 0,80, ontra 0,79, respetivamente. Nas lassifiações realizadas a lasse que apresentou maior erro de lassifiação foi a pastagem no nível de degradação forte, enquanto a maior exatidão na lassifiação foi obtida pelo afé, para ambos os lassifiadores, om 00 e 96%, respetivamente. Palavras-have: aster, sensoriamento remoto, lassifiação supervisionada Use of artifiial neural networks in the lassifiation of degradation levels of pastures ABSTRACT The aim of this work is to evaluate the artifiial neural networks and the maximum likelihood lassifiation performanes to lassify land uses at Viçosa, Minas Gerais State, using ASTER images in order to verify degradation levels of pastures. In this study, three different levels of pasture degradation have been identified (moderate, strong and very strong) and an image omposition of 3 bands was tested (overing the visible and the near infra-red) with 5 m of spatial resolution. The neural networks simulator used was the Neural Java Network Simulator, with a feed forward model and the learning algorithm of bak propagation. The obtained results show that the lassifiation using neural networks, while presenting a slightly superior result, had a statistially similar performane ompared to the maximum likelihood, getting a Kappa index of 0.80, against 0.79, respetively. In relation to individual performanes, the lass that presented the greatest error of lassifiation was pasture in the level of very strong degradation, while the largest auray in the lassifiation was obtained for offee, for both lassifiers, with 00 and 96% (respetively, Maxver and neural networks). Key words: aster, remote sensing, supervised lassifiation Embrapa Solos. Rua Jardim Botânio 024, Jardim Botânio, CEP , Rio de Janeiro, RJ. Fone (2) hagas.rj@gmail.om 2 DEC/UFV, CEP , Viçosa, MG. Fone (3) arlos.vieira@ufv.br 3 DPS/UFV. Fone (3) elpidio@ufv.br 4 Embrapa Solos. Fone (2) waldirj@nps.embrapa.br

2 320 César S. Chagas et al. INTRODUÇÃO Verifia-se, na Zona da Mata Mineira, um predomínio quase total da utilização das terras om pastagens. O manejo inadequado e as defiiênias nutriionais do solo são os fatores que mais onorrem para a degradação das pastagens, nesta região (Carvalho, 998). A análise de dados de sensores remotos, devido ao seu baixo usto, periodiidade e esala ompatível, pode ontribuir muito para a identifiação de níveis de degradação em pastagens (Sano et al., 2000); no entanto, as tentativas para mapear pastagens em regiões tropiais e subtropiais freqüentemente têm suesso limitado, devido a grande onfusão om outras feições. Várias ténias vêm sendo apliadas na análise e lassifiação do uso da terra, através de dados de sensoriamento remoto. Neste sentido, vários autores têm ressaltado que diferentes algoritmos de lassifiação produzem diferentes resultados, até mesmo quando se utiliza o mesmo onjunto de amostras de treinamento (Benediktsson et al., 990; Hepner et al., 990; Bishof et al., 992; Kanellopoulos et al., 992; Civo, 993; Skidmore et al., 997). As apliações do algoritmo de máxima verossimilhança (Maxver) são bastante onheidas na literatura de sensoriamento remoto, estando este algoritmo presente em vários softwares de proessamento de imagens; e frequentemente, é usado omo rotina de lassifiação padrão ontra o qual outros algoritmos de lassifiação são omparados. Este algoritmo identifia a forma, o tamanho e a orientação das amostras de treinamento (Vieira, 2000). Se a hipótese assumida de uma distribuição normal para ada lasse da área de treinamento está orreta, então a lassifiação tem uma probabilidade mínima de erro e o algoritmo é uma esolha aertada (Paola & Showengerdt, 994). Neste sentido, Nasimento et al. (2006) utilizaram imagens do sensor ASTER na identifiação de níveis de degradação em pastagens, na região de Viçosa, MG, usando o algoritmo de lassifiação distânia de Mahalanobis (que possui formulação similar ao lassifiador Maxver). A exatidão global obtida para a lassifiação realizada foi de 85,07% e o índie Kappa de 0,83, usando-se as bandas do visível e infravermelho próximo que possuem resolução espaial de 5 m. Na última déada, as redes neurais artifiiais têm experimentado um grande interesse e têm sido apliadas om suesso no reonheimento de padrões de imagens de satélite. Uma das prinipais vantagens das redes neurais é a possibilidade de manipulação efiiente de grandes quantidades de dados, mas a prinipal razão para o seu uso na lassifiação de dados de sensoriamento remoto e dados geográfios, é que as redes neurais não assumem nenhuma distribuição, diferentemente da estatístia paramétria tradiional, que pressupõe que as lasses informaionais apresentam distribuição normal (Atkinson & Tatnall, 997). Segundo Yool (998), os resultados alançados até o momento sugerem que as redes neurais podem ser robustas quando dados espetrais são indistintos ou esparsos, e que as redes são apazes de produzir exatidões que exedem a maioria dos métodos de reonheimento de padrão que utilizam a estatístia onvenional. Hepner et al. (990) utilizaram redes neurais para lassifiar a obertura do terreno a partir de imagens do Landsat TM e onluíram que abordagem de redes neurais foi mais efiiente que a lassifiação estatístia tradiional. Bishof et al. (992) utilizaram uma rede neural para lassifiar imagens multiespetrais e ompararam os resultados om aqueles obtidos pelo lassifiador Maxver. Esses autores relataram, ainda, uma exatidão global de 93,% ontra 89,7% obtidos om o uso do Maxver. Venkatesh & Raja (2003) também utilizaram redes neurais artifiiais na lassifiação de imagens de satélites multiespetrais. As lasses de obertura identifiadas foram: florestas, agriultura, montanhas, estradas, terrenos rohosos e orpos d água. A abordagem empregada resultou em uma exatidão de mais de 99% na disriminação das lasses itadas. Embora se tenha utilizado em vários estudos, redes neurais na lassifiação de diversas lasses informaionais a partir de dados de sensores remotos, o presente estudo se destaa omo uma primeira tentativa na lassifiação de uma mesma lasse informaional (pastagem) em diferentes níveis de degradação, a partir de dados do sensor ASTER empregando-se a abordagem por redes neurais; assim, este estudo tem omo objetivo omparar a efiiênia de redes neurais artifiiais om o lassifiador Maxver para a lassifiação do uso das terras, om ênfase nos níveis de degradação das pastagens, em Viçosa, Minas Gerais. MATERIAL E MÉTODOS Área de estudo A área estudada ompreende a baia do ribeirão São Bartolomeu, no Muniípio de Viçosa, Minas Gerais, loalizada entre as oordenadas UTM e m N e e m E, fuso 23S (Figura ). O ribeirão São Bartolomeu é responsável por parte do abasteimento de água da idade de Viçosa e parte da água utilizada na Universidade Federal de Viçosa. Assim omo toda a região da Zona da Mata de Minas Gerais, a área da baia é araterizada por uma topografia bastante aidentada. São enontrados, ainda, na baia, vales ujos fundos orrespondem ao leito maior, periodiamente inundável, seguido de terraços assimétrios onde é mais freqüente a prátia de agriultura e habitações (Vilela, 998). Os proessos de expansão urbana e de implantação de pastagens e, em menor esala, ultivos agríolas, provoaram a substituição de grande parte da vegetação nativa que, atualmente, é onstituída de vegetação seundária loalizada, de maneira dispersa nos topos de morros. Material Foi utilizada, neste estudo, uma imagem do sensor AS- TER (Advaned Spaeborne Thermal Emission and Refletion Radiometer), obtida em 05/04/200, que oinide om o iníio da estação sea na região. As bandas usadas foram as do visível e infravermelho próximo (3) om resolução espaial de 5 m. R. Bras. Eng. Agrí. Ambiental, v.3, n.3, p , 2009.

3 Utilização de redes neurais artifiiais na lassifiação de níveis de degradação em pastagens 32 Figura. Loalização da área estudada O simulador de redes neurais empregado foi o Java Neural Network Simulator desenvolvido pelo Instituto Wilhem-Shikard para Ciênia da Computação (WSI) em Tübingen, Alemanha. Este simulador é baseado no Stuttgart Neural Network Simulator 4.2 Kernel (Zell et al., 996), om uma nova interfae gráfia. O algoritmo de aprendizado foi o bakpropagation desenvolvido nos anos 80, que é um algoritmo usado para lassifiação supervisionada. Nas etapas de oleta de amostras de treinamento e validação, preparação dos dados e geração dos arquivos utilizados na lassifiação da imagem pelos dois lassifiadores e preparação dos dados após a lassifiação da imagem propriamente dita, foram utilizados os seguintes exeutáveis desenvolvidos por Vieira (2000): Funpow e Gerapat; além desses, se utilizaram o software de SIG ArGIS 9.0 e o software de proessamento de imagens digitais ERDAS Imagine 8.5. Levando-se em onsideração as araterístias das pastagens da região da Zona da Mata de Minas Gerais, om predominânia da espéie Melinis minutiflora, Beauv, e os indiadores visuais de degradação, foram onsiderados os níveis de degradação identifiados por Nasimento et al. (2006) que são: pastagem no nível de degradação moderado (pastagem 2), pastagem no nível de degradação forte (pastagem 3) e pastagem no nível de degradação muito forte (pastagem 4), onforme apresentado na Tabela. Tabela. Níveis de degradação de pastagens utilizados Níveis de degradação Pastagem Pastagem 2 Pastagem 3 Pastagem 4 Parâmetros limitantes Deterioração B om vigor e boa qualidade Leve (não identifiado ) Baixo vigor, qualidade e baixa população Baixo vigor, qualidade e baixa população, assoiado om a presença de invasoras e/ou upins Baixo vigor, qualidade e baixa população, assoiado om a presença de invasoras, upins e solo desoberto Fonte: Adaptado de Spain & Gualdrón (988) e Moreira & Assad (2000) Moderado Forte Muito forte Metodologia A lassifiação da imagem pelos dois lassifiadores foi realizada om os mesmos onjuntos de dados; assim, foram oletados dois onjuntos de amostras independentes, um para treinamento e outro para validação. O número de amostras para treinamento foi estipulado em 250 para ada lasse e o tamanho do onjunto de validação em ; além das lasses referentes aos níveis de degradação das pasta- R. Bras. Eng. Agrí. Ambiental, v.3, n.3, p , 2009.

4 322 César S. Chagas et al. gens, desritas anteriormente, onsideraram-se também as lasses mata (floresta primária ou seundária), afé e área urbana/solo exposto, totalizando 6 lasses informaionais. As urvas de respostas espetrais médias dos onjuntos de dados de treinamento dessas lasses são mostradas na Figura 2. Média das amostras de treinamento a b d e f Banda Banda 2 Banda 3 Figura 2. Distribuição das variáveis disriminantes entre as lasses avaliadas. a mata; b afé; pastagem 2; d pastagem 3; e pastagem 4 e f área urbana/solo exposto Segundo Vieira (2000), a seleção do onjunto de dados de treinamento requer algum uidado. Alguns pesquisadores onsideram que um onjunto seleionado aleatoriamente é a melhor opção; entretanto, o onjunto ideal de treinamento não é aleatório, mas aquele no qual ada exemplo pode ser usado pelo modelo para reforçar um prinípio diferente da relação de entrada-saída, assim, a amostragem utilizada foi a do tipo aleatória estratifiada. Para tanto, e om base nos padrões das lasses informaionais obtidos no ampo om GPS (Ground Position System), foram oletadas, aleatoriamente, amostras dentro de ada uma das lasses onsideradas. Uma vez definidos os onjuntos de amostras ontendo as informações relativas à imagem utilizada, todos os dados da imagem do sensor ASTER foram reesalonados entre os valores de 0 e, para failitar o proesso de treinamento da rede e simplifiar sua estrutura; isto foi feito para evitar a saturação da rede, primeiro porque valores grandes poderiam impedir a solução do problema e, segundo, para prevenir que grandes variações de uma variável pouo importante esondam pequenas, porém importantes variações em outras variáveis. Embora não existam limites teórios sobre os valores de entrada das redes neurais, sua estabilidade é usualmente melhorada quando se usam limites omparáveis entre variáveis (Master, 993). Realizaram-se, após este proedimento, o treinamento e a validação das amostras pelo lassifiador Maxver. Esta etapa foi implementada no exeutável denominado Funpow desenvolvido por Vieira (2000). A opção pelo emprego deste exeutável se deve à possibilidade de utilização dos mesmos formatos de arquivos de treinamento e validação que foram usados para a lassifiação pelas redes neurais; em seguida, esses mesmos onjuntos de amostras foram utilizados no treinamento e validação das redes neurais. Diferentes arquiteturas foram testadas, todas om o mesmo número de neurônios na amada de entrada (3 bandas do ASTER), variando o número de neurônios na amada interna e/ou números de amadas internas e todas tendo o mesmo número de neurônios na amada de saída (6 lasses de uso terra). O número de neurônios da amada(s) interna(s) foi determinado através de tentativa e erro, onforme proedimento estabeleido por Hirose et al. (99). O erro do treinamento mede a diferença entre os valores estimados e os valores desejados para o onjunto de treinamento. O treinamento das redes utilizando-se um aprendizado supervisionado, onsistiu dos seguintes proedimentos: i) aloação aleatória dos pesos interneurônios. Os pesos foram iniializados om pequenos valores aleatórios (entre -0,5 e 0,5) para evitar o problema de que a rede neural seja saturada om valores grandes ou a difiuldade da rede em aprender devido à presença de valores homogêneos (Vieira, 2000); ii) determinação da taxa de aprendizado. Esta determinação para um problema espeífio não é tarefa simples. Valores típios de η estão na faixa de 0, a,0. Pouos são os exemplos em que o treinamento é mais rápido om valores aima de,0; algumas vezes, o valor de η apropriado para omeçar o treinamento é inapropriado quando uma rede alança pontos mais próximos ao seu mínimo global, ao término do treinamento (Cauldill, 99). A taxa de aprendizado utilizada foi de 0,2, onsiderando-se ilos de aprendizagem. Ao final de todo o proesso de treinamento, as redes que apresentaram os menores valores de MSE (Mean Square Error, erro médio quadrátio) foram submetidas a validação para esolha daquela(s) que seria(m) utilizada(s) na lassifiação do uso da terra da área estudada em omparação om a imagem lassifiada pelo algoritmo Maxver. A avaliação onstou da determinação do nível de exatidão ou onfiança da lassifiação (índie Kappa) e da exatidão global da lassifiação de ada rede onsiderada e do algoritmo Maxver, através da análise da matriz de onfusão (Congalton, 99). A matriz de onfusão tem sido reonheida omo a mais importante ténia de estimativa da exatidão de produtos de dados de sensores remotos (Story & Congalton, 986; Skidmore & Turner, 989). A exatidão global (P o ) foi omputada pela divisão da soma da diagonal prinipal (número de lassifiações orretas ou onordânia real) pelo número total de amostras tomadas, segundo a Equação: P o = donde N representa o número total de amostras ontempladas pela matriz de onfusão; n ii representa os elementos da diagonal prinipal e m, o número de lasses presentes na matriz. O Coefiiente Kappa foi obtido segundo a Equação: Ka = n i= m i= x ii N i= n ii n 2 x x i= x i x i i i i () (2) R. Bras. Eng. Agrí. Ambiental, v.3, n.3, p , 2009.

5 Utilização de redes neurais artifiiais na lassifiação de níveis de degradação em pastagens 323 donde Ka é uma estimativa do oefiiente Kappa; x ii é o valor na linha i e oluna i; linhas totais x i é a soma de linhas i e olunas totais x é a soma das olunas i da matriz de onfusão; n é o número total de amostras e, o número total de lasses. Por sua vez, o teste estatístio para testar a signifiânia de uma matriz de onfusão individual é dado pela Equação: Z é padronizado e distribuído normalmente e var é variânia do oefiiente de Kappa (Ka), que pode ser omputada usandose o método Delta (Bishop et al., 975; Kalkhan et al., 997). Uma matriz de signifiânia de Kappa foi gerada para verifiar a existênia de diferenças signifiativas ou não, entre os resultados obtidos pelas diferentes redes neurais testadas, de modo a permitir a esolha da melhor arquitetura de rede para a lassifiação final da imagem; além disso, outra matriz de signifiânia de Kappa foi gerada para testar a signifiânia das diferenças entre dois lassifiadores, onforme Congalton & Mead (986). Um teste estatístio para verifiar a signifiânia das diferenças entre dois ou mais lassifiadores (representado pelas suas respetivas matrizes de onfusão) usando-se a análise do oefiiente de Kappa é proposta omo uma abordagem alternativa para omparação de matrizes de onfusão independentes; desta forma, os resultados da análise de Kappa podem ser sumarizados na forma de uma matriz de signifiânia na qual os elementos da diagonal prinipal indiam se o resultado da respetiva lassifiação é estatistiamente diferente de uma lassifiação randômia. Na matriz de signifiânia os valores de Z podem ser omputados usando-se a Equação 3 e a variânia do oefiiente Kappa obtida através da Equação 4. Var(K ) a = donde: θ = θ = 2 n n 2 n i= i= Z = Ka var(ka) 2 2 θ( θ) 2( θ)(2 θ θ 2 θ3) ( θ) ( θ 4 42) ( θ 2 ) ( θ 2 ) ( θ 2 ) x ii x x i i (3) (4) (5) (6) θ = 3 θ 4 = n 2 n 3 i= x(x + x ) i= j= ii i i 2 x(x + x ) j ij j Por outro lado, os elementos fora da diagonal indiam, mais uma vez, se Z Z α/2, que dois lassifiadores independentes são signifiativamente diferentes. A fórmula usada para testar a signifiânia entre dois oefiientes Kappa independentes é dada pela equação a seguir: Z = K K var(k ) + var(k ) a em que K a e K a2 são os dois oefiientes Kappa que estão sendo omparados (Congalton & Mead, 986). a RESULTADOS E DISCUSSÃO Classifiação pelo Maxver Primeiro, fez-se a lassifiação das amostras da imagem ASTER onsiderada, utilizando-se o lassifiador Maxver. Os resultados desta lassifiação, obtidos om base nas amostras de validação, estão apresentados na Tabela 2 e mostraram uma exatidão global de 82,8% e índie Kappa de 0,793, om variânia de 0, Nesta avaliação, a lasse que apresentou o maior erro na lassifiação foi a lasse pastagem 3 (pastagem no nível de degradação forte), om 40,7% dos pixels que deveriam ser assinalados à esta lasse, sendo assinalados a outras, prinipalmente à lasse pastagem 4, om a qual apresentou a maior onfusão (24%), e à lasse pastagem 2 (3,33%). Esta onfusão também foi verifiada por Nasimento et al. (2006). Por sua vez, a maior onfusão onstatada para a lasse pastagem 4 (pastagem no nível de degradação muito forte) foi om a lasse área urbana/solo exposto, om 2,67% dos pixels sendo assinalados erroneamente a esta última. Situação semelhante foi notada para a lasse área urbana/solo exposto, que também teve 2,67% dos seus pixels assinalados erroneamente à lasse pastagem 4. Por outro lado, mata, afé e pastagem 2 (pastagem no nível de degradação moderado, respetivamente, om exatidão de 93,3, 00 e 94% dos pixels orretamente lassifiados) a2 a2 (7) (8) (9) Tabela 2. Matriz de onfusão da lassifiação pelo Maxver Classes Mata Café Pastagem 2 Pastagem 3 Pastagem 4 Área Urbana/Solo exposto Total Exatidão do usuário Mata , 2 59,2 Café , 7 88,956 Pastagem , 6 20,285 Pastagem , 6,339 Pastagem , 9 4,79 Área Urbana/solo exposto , 4 20,348 Total 900 Exatidão do Produtor 93, 3 00, 0 94, 0 59, 3 74, 0 76, 0 Exatidão global = 82,8; Kappa = 0,793; Variânia = 0,000227; Z alulado = 52,68 e Z tabelado =,96 Z R. Bras. Eng. Agrí. Ambiental, v.3, n.3, p , 2009.

6 324 César S. Chagas et al. foram as lasses que apresentaram os melhores resultados, onforme a Tabela 2. Classifiação pelas Redes Neurais Realizou-se a lassifiação da imagem ASTER pelas redes neurais, om o mesmo onjunto de amostras de treinamento e validação utilizado na lassifiação pelo Maxver. A omparação iniial onstou da verifiação do MSE após ilos de aprendizado. Nesta avaliação foram testadas várias arquiteturas de redes para esolha daquelas que seriam submetidas a validação final, ujos resultados são mostrados na Figura 3. MSE 0,250 0,200 0, 0,00 0, nº de neurônios na amada interna Figura 3. Resultados do treinamento das redes após ilos de aprendizado O aumento da omplexidade da rede om a adição de neurônios na amada interna não melhorou substanialmente o desempenho da lassifiação (Figura 3); desta forma, se seleionaram om base nesta avaliação, 6 arquiteturas de redes, ontendo uma amada interna (5, 6, 7, 8, 9 e 0 neurônios, respetivamente), as quais foram então validadas e uma matriz de signifiânia de Kappa foi gerada para avaliar a existênia de diferenças ou não entre as redes, além de possibilitar a esolha de uma arquitetura que permitisse uma exatidão melhor da lassifiação (Tabela 3). Segundo Foody & Arora (997), a arquitetura de uma rede neural artifiial pode ter influênia signifiativa em sua habilidade para lassifiar dados de sensores remotos. Nesta Tabela 3. Matriz de signifiânia de Kappa para as arquiteturas de redes neurais testadas Redes Exatidão global 82, 4 83, 3 79, 9 8, 3 82, 84, 2 Kappa 0,789 0,800 0,759 0,776 0,785 0,8 Variânia 0,23 0,222 0,256 0,243 0,235 0,22 5 5,9 6 0,52 53,69 7,36,86 47,44 8 0,60, 0,76 49,78 9 0,9 0,70,7 0,4 5,2 0,05 0,53 2,40*,64,23 55,70 * existe diferença signifiativa a nível de 95% valores multipliados por 000 avaliação, os maiores valores de exatidão global e índie Kappa e, onseqüentemente, os menores de variânia, foram obtidos om uma arquitetura de rede om apenas uma amada interna ontendo 0 neurônios, seguida da rede om 6 neurônios na amada interna. A Tabela 3 mostra, ainda, que todos os valores da diagonal são maiores que Z tabelado (,96), indiando que a lassifiação de todas as redes é signifiativamente melhor que uma lassifiação randômia. O melhor desempenho foi obtido om a utilização da rede om uma amada interna ontendo 0 neurônios (Z alulado de 55,70); no entanto, esta é signifiativamente diferente apenas da rede om 7 neurônios na amada interna. Uma vez que redes menores generalizam melhor, a rede om 6 neurônios, por ser mais simples, foi utilizada para lassifiação da imagem ASTER. A matriz de onfusão obtida para esta rede neural é apresentada na Tabela 4. Nesta avaliação, a lasse que apresentou o maior erro na lassifiação, tal omo oorreu para a lassifiação pelo Maxver, foi a lasse pastagem 3 (pastagem no nível de degradação forte), om 29,30% dos pixels que deveriam ser assinalados a esta lasse, mas o foram a outras lasses, prinipalmente à lasse pastagem 4, om a qual apresentou a maior onfusão (7,33%) e à lasse área urbana/solo exposto (8%). Por sua vez, a maior onfusão verifiada para a lasse pastagem 4 (pastagem no nível de degradação muito forte) foi om a lasse área urbana/solo exposto, om 5 (0%) dos pixels sendo assinalados erroneamente a esta última. Situação semelhante também foi verifiada para a lasse área urbana/solo exposto, Tabela 4. Matriz de onfusão da lassifiação pela rede neural Classes Mata Café Pastagem 2 Pastagem 3 Pastagem 4 Área Urbana/Solo exposto Total Exatidão do usuário Mata , 5 52,668 Café , 5 39,77 Pastagem , 2,759 Pastagem , 6 5,925 Pastagem , 7 7,877 Área Urbana/solo exposto , 3 20,446 Total 900 Exatidão do Produtor 92, 7 96, 0 78, 7 70, 7 80, 7 8, 3 Exatidão global = 83,3; Kappa = 0,80; Variânia = 0,000222; Z alulado = 53,672 e Z tabelado =,96 Z R. Bras. Eng. Agrí. Ambiental, v.3, n.3, p , 2009.

7 Utilização de redes neurais artifiiais na lassifiação de níveis de degradação em pastagens 325 que também teve 0% dos seus pixels assinalados erroneamente à lasse pastagem 4. A lasse pastagem 2 (pastagem no nível de degradação moderado) que na lassifiação pelo Maxver apresentou baixa onfusão om outras lasses, teve onfusão signifiativa om a lasse pastagem 3, om 5,33% dos pixels assinalados erroneamente a esta última lasse. Por outro lado, mata e afé, respetivamente om 92,7 e 96% dos pixels orretamente lassifiados, foram as lasses que apresentaram os melhores resultados, onforme a Tabela 4. Comparação entre a Rede Neural e o Maxver Um número onsiderável de trabalhos tem omparado a lassifiação de imagens de satélites por redes neurais om os métodos de lassifiação onvenionais (Benediktsson et al., 990; Bishof et al., 992; Civo, 993). De maneira geral, a utilização de redes neurais na lassifiação de dados de sensores remotos tem mostrado desempenho superior àquele obtido om o algoritmo Maxver. Segundo Kanellopoulos & Wilkinson (997), um aspeto que tem sido negligeniado nas omparações entre lassifiadores estatístios e redes neurais, é a existênia de diferenças signifiativas entre o desempenho desses lassifiadores, quando se onsideram as lasses, individualmente; então, para algumas lasses a abordagem por redes neurais fornee maior exatidão, enquanto para outras os métodos onvenionais são superiores. Este efeito resulta dos modelos matemátios muito distintos assumidos nos diferentes lassifiadores e do modo omo eles dividem o espaço araterístio. Dentre as lasses avaliadas, a menor exatidão foi obtida para a lasse pastagem 3 (pastagem no nível de degradação forte) para ambos os lassifiadores, om 59,3% (Maxver) e 70,7% (redes neurais) (Tabelas 2 e 4, respetivamente). Por outro lado, a maior exatidão individual foi obtida para a lasse afé, para a lassifiação realizada pelo algoritmo Maxver (00%). Na lassifiação pela rede neural, a maior exatidão individual também foi obtida para a lasse afé, om 96% de exatidão (Tabela 4). As lasses avaliadas tiveram omportamento difereniado entre os lassifiadores utilizados. Mata, afé e pastagem 2, foram as lasses mais bem lassifiadas pelo lassifiador Maxver, que produziu uma exatidão de 93,3, 00 e 94%, respetivamente; por outro lado, as lasses pastagem 3, pastagem 4 e área urbana/solo exposto, foram mais bem identifiadas pelo lassifiador por redes neurais, om 78,7, 70,7 e 8,3% de exatidão, respetivamente. A análise da matriz de signifiânia de Kappa (Tabela 5) india não haver diferença signifiativa entre a lassifiação Tabela 5. Matriz de signifiânia de Kappa para os lassifiadores avaliados Imagens appa ariânia axver ede Neural Maxver,79, ,6,33 Rede Neural 0,80 0,00022 K V M R ,69 Figura 4. Mapas temátios obtidos pelos lassifiadores R. Bras. Eng. Agrí. Ambiental, v.3, n.3, p , 2009.

8 326 César S. Chagas et al. por redes neurais e a lassifiação Maxver. Os resultados obtidos indiam que, apesar das redes neurais apresentarem desempenho superior, em valores absolutos, para a lassifiação de dados de sensores remotos em relação ao algoritmo Maxver, os resultados (performanes) não diferem estatistiamente para um nível de signifiânia de 95%. Embora os lassifiadores não tenham apresentado diferenças signifiativas (0,80 e 0,79, respetivamente redes neurais e Maxver), há que se destaar que o lassifiador por redes neurais teve desempenho superior ao Maxver na lassifiação de duas das três lasses de pastagem onsideradas (pastagem 3 e pastagem 4), objetivo prinipal deste estudo. Outrossim, há de se onsiderar que a abordagem por redes neurais requer mais tempo e mais reursos omputaionais para treinar o sistema om as diferentes onfigurações de parâmetros testadas que a abordagem lássia pelo algoritmo Maxver; no entanto, para Yool (998), a abordagem por redes neurais leva vantagem sobre os métodos onvenionais de lassifiação supervisionada, omo o algoritmo Maxver, porque estes se mostram inadequados e impratiáveis para o mapeamento de grandes áreas, o que não é o aso da área estudada. O resultado da lassifiação final das imagens pelos lassifiadores testados é apresentado na Figura 4, na qual se verifia, visualmente, que a lassifiação pelo algoritmo Maxver e a lassifiação pela rede neural apresentam resultados muito próximos para todas as lasses, om as disordânias verifiadas, basiamente, nos limites entre as lasses. A análise da onordânia entre as lassifiações mostra que a onordânia entre a lassifiação pela rede neural e pelo algoritmo MAXVER foi de 66,50% (Figura 5). No geral, os resultados alançados pelos lassifiadores são semelhantes àqueles obtidos por Nasimento et al. (2006) que utilizaram a distânia de Mahalanobis (formulações similares ao Maxver) para a lassifiação dos níveis de degradação em pastagens em uma mirobaia na região de Viçosa, utilizando também uma imagem do sensor ASTER. CONCLUSÕES. Os resultados alançados neste estudo omprovam, mais uma vez, a efiiênia da utilização de redes neurais artifiiais para lassifiação do uso e obertura do solo, podendo este lassifiador ser onsiderado uma alternativa viável para a lassifiação de níveis de degradação de pastagens, prinipalmente em grandes áreas, omo no aso da Zona da Mata Mineira. 2. O lassifiador, baseado nas redes neurais, produziu uma exatidão na lassifiação geral em valores absolutos superior porém estatistiamente semelhante, omprovada através dos testes estatístios utilizados, ao lassifiador lássio da máxima verossimilhança. 3. A exatidão geral da lassifiação baseada nas redes neurais, mostrou-se bastante influeniada pela arquitetura de rede utilizada. 4. Em todas as análises realizadas a lasse que apresentou o maior erro para ambos os lassifiadores, foi a lasse pastagem no nível de degradação forte, bastante onfundida om a lasse pastagem no nível de degradação muito forte. LITERATURA CITADA Figura 5. Comparação entre os mapas temátios produzidos pelos lassifiadores Atkinson, P. M.; Tatnall, A. R. L. Neural networks in remote sensing. International Journal of Remote Sensing, v.8, n.4, p , 997. Benediktsson, J. A.; Swain, P. H.; Ersoy, O. K. Neural network approahes versus statistial methods in lassifiation of multisoure remote sensing data. Transations on Geosiene and Remote Sensing, v.28, p , 990. Bishof, H.; Shneider, W.; Pinz, A. J. Multi-spetral lassifiation of Landsat images using neural network. Transations on Geosiene and Remote Sensing, v.30, p , 992. Bishop, Y.; Fienberg, Y. S.; Holland, P. Disrete multivariate analysis: Theory and pratie. Cambridge: MIT Press p. Carvalho, M. M. Reuperação de pastagens degradadas em áreas de relevo aidentado. In: Dias, L. E.; Mello, J. W. V. (eds.). Reuperação de áreas degradadas. Viçosa: UFV-DPS/Soiedade Brasileira de Reuperação de Áreas Degradadas, 998. p Cauldill, M. Neural network: Training tips and tehniques. AI Experts, v.6, p.56-6, 99. R. Bras. Eng. Agrí. Ambiental, v.3, n.3, p , 2009.

9 Utilização de redes neurais artifiiais na lassifiação de níveis de degradação em pastagens 327 Civo, D. L. Artifiial neural networks for land-over lassifiation and mapping. International Journal of Geographial Information System, v.7, n.2, p.73-86, 993. Congalton, R. G. A review of assessing the auray of lassifiations of remotely sensed data. Remote Sensing of Environment, v.49, n.2, p , 99. Congalton, R. G.; Mead, R. A. A review of disrete multivariate analysis tehniques used in assessing the auray of remotely sensed data from error matries. IEEE Transations on Geosiene and Remote Sensing, v.24, p.69-74, 986. Foody, G. M.; Arora, M. K. An evaluation of some fators affeting the auray of lassifiation by an artifiial neural network. International Journal of Remote Sensing, v.8, n.4, p , 997. Hepner, G. F.; Logan, T.; Ritter, N.; Bryant, N. Artifiial neural network lassifiation using a minimal training set: omparison to onventional supervised lassifiation. Photogrammetri Engineering and Remote Sensing, v.56, p , 990. Hirose, Y.; Yamashita, K.; Hijiya, S. Bak-propagation algorithm whih varies the number of hidden units. Neural Networks, v.4, p.6-66, 99. Kalkhan, M. A.; Reih, R. M.; Czaplewski, R. L. Variane estimates and onfidene interval for Kappa measure of lassifiation auray. Canadian Journal of Remote Sensing, v.23, n.3, p.20-26, 997. Kanellopoulos, I.; Varfis, A.; Wilkinson, G. G.; Mégier, J. Landover disrimination in SPOT HRV imagery using an artifiial neural network: A 20-lass experiment. International Journal of Remote Sensing, v.3, p , 992. Kanellopoulos, I.; Wilkinson, G. G. Strategies and best pratie for neural network image lassifiation. International Journal of Remote Sensing, v.8, n.4, p.7-725, 997. Master, T. Pratial neural network reipes in C++. San Diego: Aademi, p. Monserud, R. A.; Leemans, R. Comparing global vegetation maps with the Kappa statisti. Eologial Modelling, v.62, p , 992. Moreira, L.; Assad, E. D. Segmentação e lassifiação supervisionada para identifiar pastagens degradadas. Workshop Brasileiro de Geoinformátia, 2, 2000, São Paulo. Anais... São Paulo: Soiedade Brasileira de Computação, p. Nasimento, M. C.; Riva, R. D. D.; Chagas, C. S.; Oliveira, H.; Dias, L. E.; Fernandes Filho, E. I.; Soares, V. P. Uso de imagens do sensor ASTER na identifiação de níveis de degradação em pastagens. Revista Brasileira de Engenharia Agríola e Ambiental, v.0, p , Paola, J. D.; Showengerdt, R. A. Comparisons of neural networks to standard tehniques for image lassifiation and orrelation. Proeedings of the International Geosiene and Remote Sensing Symposium IGARSS 94, Pasadena, 994, Pasadena: Institute of Eletrial and Eletronis Engineers, Pisataway, p Sano, E. E.; Chaves, J. M.; Bezerra, H. S.; Feitoza, L. Identifiação dos prinipais tipos de pastagens ultivadas do Cerrado a partir de Sensoriamento Remoto. International Symposium: Soil Funtioning under Pastures in Intertropial Areas, 2000, Brasília. Anais... Brasília: Embrapa Cerrados IRD, CD-Rom. Skidmore, A. K.; Bijker, W.; Shmidt, K.; Kumar, L. Use of remote sensing and GIS for sustainable land management. ITC Journal, v.3/4, p , 997. Skidmore, A.; Turner, B. Assessing the auray of resoure inventory maps. Proeedings for Global Natural Resoure Monitoring and Assessments: Preparing for the 2 th Century. Venie, v.2, p , 989. Spain, J. M.; Gualdrón, R. Degradaión e rehabilitaión de pasturas. In: Lasano, C.; Spain, J. M. (eds.). Estableimiento y renovaión de pasturas. Cali: CIAT, p. Story, M.; Congalton, R. G. Auray assessment: A user s perspetive. Photogrammetri Engineering and Remote Sensing, v.6, p.39-40, 986. Venkatesh, Y. V.; Raja, S. On the lassifiation of multispetral satellite images using the multilayer pereptron. Pattern Reognition, v.36, p , Vieira, C. A. O. Auray of remotely sensing lassifiation of agriultural rops: A omparative study. Nottingham: University of Nottingham, p. PhD Thesis Vilela, M. Uso de diferentes métodos de retifiação geométria e lassifiação digital de uma imagem TM/LANDSAT 5. Viçosa: UFV, p. Dissertação Mestrado Yool, S. R. Land over lassifiation in rugged areas using simulated moderate-resolution remote sensor data and an artifiial neural network. International Journal of Remote Sensing, v.9, p.85-96, 998. Zell, A.; Mamier, G.; Vogt, M.; Mahe, N.; Hübner, R.; Döring, S.; Herrmann, K.; Soyez, T.; Shmalzl, M.; Sommer, T.; Hatzigeorgiou, A.; Posselt, D.; Shreiner, T.; Kett, B.; Clemente, G.; Wieland, J.; Gatter, J. Stuttgart Neural Network Simulator v4.2. Stuttgart: University of Stuttgart/Institute for Parallel and Distributed High Performane Systems/University of Tübingen Wilhelm-Shikard-Institute for Computer Siene/Department of Computer Arhiteture p. R. Bras. Eng. Agrí. Ambiental, v.3, n.3, p , 2009.