AVALIAÇÃO DO CLASSIFICADOR SVM (SUPPORT VECTOR MACHINE) NO MAPEAMENTO DE QUEIMADAS NO PANTANAL MATO-GROSSENSE

Transcrição

1 p AVALIAÇÃO DO CLASSIFICADOR SVM (SUPPORT VECTOR MACHINE) NO MAPEAMENTO DE QUEIMADAS NO PANTANAL MATO-GROSSENSE LIDIANE M. DE MORAIS COSTA¹ PETER ZEILHOFER² WAGNER SILVA RODRIGUES¹ ¹Universidade Federal de Mato Grosso - UFMT Instituto de Ciências Humanas e Sociais - ICHS Departamento de Geografia, Cuiabá, MT nany_lidi@hotmail.com wagsrodrigues@gmail.com ² Universidade Federal de Mato Grosso UFMT Instituto de Ciências Humanas e Sociais - ICHS Departamento de Geografia, Cuiabá, MT Professor do Departamento de Geografia zeilhoferpeter@gmail.com RESUMO No Pantanal mato-grossense é comum a ocorrência de queimadas, que podem ter origem natural ou ser utilizadas como prática de manejo de pastagens. Ocorrendo em diferentes formações vegetais, as queimadas possuem várias assinaturas espectrais e são agrupados em diversos padrões espaciais, dificultando a sua classificação por algoritmos paramétricos. Desta forma o presente trabalho tem como objetivo avaliar o desempenho do classificador Suporte Vector Machine (SVM) na identificação de áreas queimadas no Pantanal mato-grossense, utilizando uma imagem Landsat5 TM multiespectral de 11/09/2008. A validação indicou bom desempenho do classificador SVM com índice geral de acerto de 99,74% e índice de Kappa de 0,907. ABSTRACT - The occurrence of fire is quite common in the Pantanal of Mato Grosso, which can have natural origins or is applied as a technique for pasture renovation. Occurring in different vegetation formations, burnt areas have variable spectral signatures and are organized in different spatial patterns, hardening the accurate mapping with parametric classifiers. In this framework it is the purpose of this study to evaluate the performance of the Support Vector Machine (SVM) classifier implemented in the ENVI 4.6 software to identify burned areas, using a multispectral Landsat5 TM imagery from 11/09/2008. Cross-validation indicates a good performance of the SVM classifier resulting in a general overall accuracy of 99,74% and a Kappa index of 0, INTRODUÇÃO O fogo é utilizado no Brasil desde antes da chegada dos portugueses e consiste em uma tecnologia agrícola muito comum (MIRANDA, 2004) para renovação de pastagem ou extermínio de pragas. As queimadas podem também ocorrer por um processo natural cujos efeitos estão ligados diretamente à sua intensidade e dimensão e possuem importância ecológica no ciclo de renovação da vegetação, floração e dispersão das sementes (COUTINHO, 1977). Sua ocorrência depende da presença de materiais inflamáveis, clima seco e uma fonte de ignição; se destacam os ecossistemas mais preponderantes e suscetíveis ao mesmo os campos naturais e as savanas (NEPSTAD, 1999), formações vegetais comuns no Pantanal mato-grossense. Mas sua ocorrência exaustiva pode trazer danos à saúde humana, além dos prejuízos ao meio ambiente, como por exemplo, empobrecimento do solo, redução da biodiversidade, emissão de gases poluente no ar etc. (PIROMAL et al, 2008) justificando-se assim a relevância do monitoramento e controle da ocorrência de queimadas. As técnicas de sensoriamento remoto são muito utilizadas na detecção e monitoramento de queimadas, levando em consideração a sua eficiência na disponibilidade dos dados sobre sua localização e extensão, servindo de suporte as análises espaciais e de impactos socioeconômicos advindos do mesmo

2 p (PIROMAL et al, 2008). Nesse aspecto imagens do sistema de sensores do satélite Landsat estão sendo aplicados no estudo de mapeamento de queimadas desde a década de 1970 (RIVERA-LOMBARDI, 2003). Ocorrendo de forma natural e não-natural e afetando diferentes formações vegetais, as queimadas manifestam-se no Pantanal em diversos padrões e feições espaciais, dificultando o seu mapeamento a partir de classificadores paramétricos. Máquinas de Vetor de Suporte (Support Vector Machines - SVM) são do grupo de classificadores não-paramétricos que possuem como principal vantagem o poder de reduzir simultaneamente os erros empíricos de classificação e maximizar a separação entre as classes espectrais. Possuem desta forma desempenho aprimorado na utilização de imagens de alta dimensionalidade e classes como uma distribuição multimodal (WASKE & BENEDIKTSSON, 2007) e foram utilizados com sucesso no mapeamento de áreas de queimadas (ZAMMIT et al 2006, PETROPOULOS et al., 2010) Desta forma o objetivo deste trabalho é avaliar um classificador do tipo Support Vector Machine (SVM) na identificação de queimadas na região do Pantanal Matogrossense, considerando que valores típicos de refletância de queimadas são facilmente confundidos com outros alvos com valor de resposta espectral próxima, por exemplo, áreas alagadas. 2. LOCALIZAÇÃO DA ÁREA DE ESTUDO O Pantanal brasileiro está inserido na Bacia do Alto Paraguai (BAP) correspondendo a uma área total de 138,183 km², onde, km² (35,36%) abrange o Estado do Mato Grosso (Fig.01) e os outros Km² (64,64%) está no Estado do Mato Grosso do Sul ( SILVA & ABDON, 1998). Possui altitude variando ente 80 m-170 m e sua vegetação é caracterizada principalmente pela presença marcante do cerradão, cerrado e campo, mata semidecídua e mata de galeria (SANTOS, 2001). O clima, segundo a classificação de Koeppen é do tipo Aw, tropical semi-úmido, com dois períodos bem definidos: o da seca de abril a setembro e período chuvoso de outubro a março. 3 MATERIAIS E MÉTODOS Foram adquiridos uma imagem de satélite do satélite/sensor Landsat5-TM (Thematic Mapper) da órbita/ponto 227/072 do dia 11/09/2008 que abrange uma região no noroeste do Pantanal Mato-grossense e o arquivo vetorial dos focos de calor desta data, ambos produtos disponíveis gratuitamente no site do INPE (Instituto Nacional de Pesquisas Espaciais). Para efetuar as correções geométricas foi confeccionada uma composição RGB das bandas 543 e utilizadas como base de referencia imagens Landsat7 ETM+ Geocover ( O arquivo vetorial dos focos de queimadas ( dos satélites NOAA, TERRA, GOES, METEOSAT-02 e AQUA, foi utilizado como um indicador de área queimada. Para a classificação foi utilizado o módulo SVM, implementado no software Envi 4.6 que utiliza uma superfície de decisão para separar as classes, maximizando a margem de separação entre elas, sendo esta superfície conhecida como hiperplano ideal (optimal hyperplane). Os pontos próximos à margem do hiperplano ideal chamam-se vetores de suporte (support vectors), encontrados durante a fase de treinamento (SULSOFT, 2009). A partir do parâmetro de penalidade (γ) o usuário pode controlar o antagonismo entre rigor / permissividade do hiperplano e a aceitação / rejeição de erros de treinamento contidos nas amostras (Fig. 02): Fig Hiperplano de separação entre classes espectrais em um classificador SVM (Sulsoft,2009). Fig Localização da área de estudo no Pantanal. Esse método tem o pressuposto de uma entrada de uma superfície de padrões não-linearmente separáveis, dando origem a um espaço dimensional de novas características, onde os padrões se tornam linearmente separáveis, formando um hiperplano de separação ótimo entre as amostras (SOUZA et al, 2009).

3 K(xi,xj) = exp(-γ xi - xj 2), γ > 0 (1) Onde, x = amostra, γ = parâmetro de penalidade, controlado pelo usuário. A implementação do algoritmo SVM no software Envi ainda permite a definição de um valor para o Classification Probability Treshold (CPT) para definir a probabilidade requerida para o classificador classificar um determinado pixel. Os pixels onde todas as regras de probabilidade são menores que o valor de restrição são considerados como não classificados (Sulsoft 2009). Foram realizadas classificações com níveis de probabilidades de 0,60, 0,80 e 0,95. Os três resultados das classificações foram comparados com a verdade de campo que se caracteriza por 75 amostras (n: pixels, 13428: queimada, : não-queimada) coletadas visualmente na imagem Landsat, diferenciadas nas classes queimadas e nãoqueimadas (tabulação cruzada). Foi elaborada matriz de confusão e determinadas a exatidão geral e o índice de Kappa. 4 RESULTADOS E DISCUSSÕES A figura 04 mostra a imagem Landsat TM em uma composição de bandas #5/#4/#3, sobreposta com o resultado da classificação das áreas de queimada a partir do algoritmo SVM, foram utilizados diferentes valores para o parâmetro CPT. Na tabela 1 são representadas as matrizes de confusão para parâmetros de 0.60 (1a), 0.80 (1b) e 0.95 (1c) com recodificada em áreas de queimada e não queimada. Tab. 1 - Matrizes de confusão da classificação de áreas queimadas para parâmetros de Classification Probability Threshold 0.60 (a), 0.80 (b) e 0.95(c) (n=13428/993904pixels de queimada/não queimada). a) Referência 97,69 2,31 c) Referência 91,91 8,09 0,52 99,48 EG: 99,45%; Kappa: 0,824 III Simpósio Brasileiro de Ciências Geodésicas e Tecnologias da Geoinformação Recife - PE, de Julho de 2010 p Na implementação do algoritmo SVM no software Envi 4.6 utiliza-se de funções Kernel para projetar os b) Referência dados do espaço de entrada não-linear para o espaço de alta dimensão, classificadas em lineares, polinomiais, sigmóides, função de base radial e gaussianas (função de 96,23 3,77 base radial). Após testes empíricos, optou-se em utilizar uma Função de Base Radial (RBF) que pode ser 0,21 99,79 compreendida pela representação matemática: EG: 99,74%; Kappa: 0,907 0,06 99,94 EG: 98,71%; Kappa: 0,934 Observam-se em geral bons acertos para a diferenciação de queimadas - não queimadas para os três parâmetros Classification Probability Threshold testados, com exatidão geral variando entre 98,71% e 99,45% e índice de Kappa entre 0,824 e 0,934. Observe tabela 2 conforme Nahas et all apud Landis & Koch (2009) a interpretação dos valores de Kappa, denominado de coeficiente de concordância entre o resultado da classificação e da verdade de campo. Tab. 2 - Índice de Kappa Fraca Moderada Substancial Excelente Considerou-se a melhor alternativa a obtida para CPT=0.80 (Fig.03), que possui melhor equilíbrio entre os erros de omissão e comissão, e assim entre exatidão geral (99,74%) e índice Kappa (0,907). As duas outras classificações possuem índice de Kappa reduzido (elevado erro de comissão, CPT=0.60) ou taxas mais elevadas de omissão das áreas queimadas (8,09%, CPT=0.95). s em áreas de savana aberta (Campos de Murundus, coloração rosa clara) são identificadas com erros abaixo de 1%. Outras classificações errôneas ocorrem em áreas de alagamento, onde a baixa refletância se aproxima as assinaturas espectrais das queimadas.

4 p (A) (B) (C) Fig Composição da imagem Landsat TM das bandas #5/#4/#3, sobreposta com os polígonos classificados como queimada (CPT = 0.80). Nos detalhes (A) e (B) setas amarelas indicam polígonos classificados erroneamente pelo classificador como queimadas (erros de comissão), enquanto setas de cor laranjada indicam polígonos classificados corretamente como queimadas. Os polígonos no detalhe (C) mostram áreas alagáveis classificadas erroneamente como queimadas. 4. CONCLUSÕES De acordo com os resultados obtidos nos experimentos realizados com três valores distintos atribuídos ao valor de CTP com índices e porcentagens de acurácia considerados entre bom e excelente, o desempenho do classificador com algoritmo baseado em métodos do tipo Support Vector Machine (SVM) pode ser considerado satisfatório no mapeamento de queimadas em regiões que apresentem padrões fisionômicos semelhante às áreas do Pantanal. Os pontos relevantes do mapeamento foram o alto índice de exatidão do reconhecimento das cicatrizes de queimadas pelo classificador SVM e o baixo valor de erro em áreas de savanas. Verificou-se que os maiores erros de comissão ocorreram em áreas alagadas, onde a baixa refletância se aproxima as assinaturas espectrais das queimadas. O parâmetro controlado pelo usuário de valor 0.80 foi o que obteve os melhores resultados da classificação na área de estudo, proporcionando melhor equilíbrio entre os erros de omissão e comissão, e conseqüentemente entre exatidão geral (99,74%) e índice Kappa (0,907).

5 p SEDE/5064/1/073-pant.pdf>. Acesso : 17 de fevereiro de REFERÊNCIAS COUTINHO, L. M.. Aspectos ecológicos do fogo no cerrado, II As queimadas e a dispersão de sementes em algumas espécies Anemocóricas do estrato herbáceo-subarbustivo. Bol. Botânica, Univ. S. Paulo 5: 57-64: Disponível em: < >. Acesso : 15 de março de Nahas, M. V.; Rabacow, F. M.; Pereira, S. V.; Borgatto, A. F.. Reprodutibilidade de uma escala para avaliar a percepção dos trabalhadores quanto ao ambiente e às condições de trabalho. Rev. bras. Saúde ocup., 34 (120): , Disponível em: < %20120%20Reprodutibilidade%20de%20uma%20escala. pdf >. Acesso : 15 de março de NEPSTAD, D. C.; ET ALL. A floresta em chamas: origens, impactos e prevenção de fogo na Amazônia. Programa Piloto para a Proteção das Florestas Tropicais no Brasil: Brasília, Petropoulos, G. P.; Knorr,W.; Scholze, M.; Boschetti, L.; Karantounias, G. Combining ASTER multispectral imagery analysis and support vector machines for rapid and cost-effective post-fire assessment: a case study from the Greek wildland fires of Nat. Hazards Earth Syst. Sci., V.10, p , SANTOS, S. A.. Caracterização dos recursos forrageiros nativos da sub-região da Nhecolândia, Pantanal, Mato-Grosso do Sul, Brasil. UNESP- Programa de Pós-Graduação Zootecnia: São Paulo, Disponível em: < Acesso em: 18 de fevereiro de SOUZA, B. F. S.; TEIXEIRA, A. S.; SILVA, de A. T. F.. Classificação de bioma caatinga usando Support Vector Machines (SVM). Anais XIV Simpósio Brasileiro de Sensoriamento Remoto, p Natal: INPE, Disponível em:< 8/ /doc/ pdf>. Acesso em: 01/03/2010. SULSOFT. Envi : curso avançado (Manual do Curso de Envi 4.6). SULSOFT : Waske, B. and Benediktsson, J.A. (2007). Fusion of support vector machines for classification of multisensor data. IEEE T. Geosci. Remote Se., 45(12), Zammit, O. D., X., Zeruba, J. Burnt area mapping using Support Vector machines, Forest Ecol. Manag., 234, , PIROMAL, A. S. et al. Utilização de dados MODIS para a detecção de queimadas na Amazônia. Acta Amazônica, Vol. 38; 77-84, Disponível em: < >. Acesso: 03 de fevereiro de MIRANDA, E. E. s: balanço dos dados de 2003 e comparações com Comunicado Técnico 12. EMBRAPA, São Paulo, Disponível em: < mda_govlula.pdf>>. Acesso: 19 de fevereiro de RIVERA-LOMBARDI, R. J. Estudo de recorrência de queimadas e permanência de cicatrizes do fogo em áreas selecionadas do cerrado brasileiro, utilizando imagens TM/Landsat. São José dos Campos: INPE, Disponível em: < coes/roberto_lombardi.pdf>. Acesso: 10 de fevereiro de SILVA, J. S. V. S.; ABDON, M. M.. Delimitação do Pantanal Brasileiro e suas Sub-Regiões. Pesquisa Agropecuária Brasileira, V.33, Número Especial, p ,1998. Disponível em: <