Área de treinamento mínima para classificação por árvore de decisão. Luis Fernando Chimelo Ruiz 1 Ricardo Simão Diniz Dalmolin 2 Alexandre ten Caten 3

Transcrição

1 Área de treinamento mínima para classificação por árvore de decisão Luis Fernando Chimelo Ruiz 1 Ricardo Simão Diniz Dalmolin 2 Alexandre ten Caten 3 1 Estudante do Curso Superior de Tecnologia em Geoprocessamento na UFSM Avenida Roraima, CEP , Santa Maria, RS ruiz.ch@gmail.com 2 Professor do Departamento de Solos da Universidade Federal de Santa Maria (UFSM), Avenida Roraima, CEP , Santa Maria, RS dalmolin@ufsm.br. 3 Professor da Universidade Federal de Santa Catarina campus Curitibanos (UFSC) Rodovia Ulysses Gaboardi, km 3, caixa postal 101, CEP , Curitibanos, SC alexandre.ten.canten@ufsc.br Abstract. In supervised classification of satellite images, an important step is the selection of training samples. These samples must provide a representative description of each class use and land cover. For some classification algorithms the minimum size of the training area is known. As can be seen in the maximum likelihood classifier, wherein are recommended samples between 10 and 30 pixels for each class. However, little is known about these effects in classification algorithms of Decision Tree. Therefore, this article evaluated different sizes of training sample, in total, were 20 groups of samples at intervals ranging from 250 pixels to each class. The classes of land cover and use established in this work were: soybeans, rice, exposed soil, water, field and forest. The data produced for the discriminating classes of land cover and use, were composed by the bands of green, red, infrared and mid-infrared. These bands are of ResourceSat Satellite-1, LISS sensor. From the images of the bands were calculated spectral indices: NDVI, SAVI, RS, NDWI1 (hydrous stress) and NDWI2 (lamina water). Based on the analysis accuracy of the value it was found a minimum size of training area between 2% and 3% of total area for each class. Another important result is performance of the decision tree algorithm in the classification of orbital image. Palavras-chave: data mining, supervised classification of orbital image, training area. 1 Introdução O conhecimento do uso e cobertura da terra é um importante elemento no estudo das alterações globais e de fundamental importância no entendimento de processos do sistema da terra, como ciclos biogeoquímicos e ciclos anuais (Dickinson, 1995). Esse conhecimento do uso e cobertura da terra pode ser efetuado através da classificação não supervisionada ou da classificação supervisionada de imagens orbitais. O primeiro método não necessita de amostras de treinamento para gerar a classificação. Já o classificador supervisionado demanda de informações a priori, sobre as classes de uso e cobertura da terra. A informação a priori, conhecida como área de treinamento está diretamente relacionada à confiabilidade do mapa resultante, está deve fornecer uma descrição representativa de cada classe (Campbell, 1981). Relevante para a classificação supervisionada é o aumento da área de treinamento na medida em que há um acréscimo do número de feições. O chamado fenômeno de Hughes mostra um decrescente desempenho para o classificador à medida que o número de feições aumenta, em um tamanho de treinamento constante (Hughes, 1967). Alguns classificadores já foram estudados levando em consideração essas problemáticas, que é o caso do máxima verossimilhança em que é definido um tamanho de treinamento entre 10 a 30 pixels para cada classe (Mather, 1999). Todavia, pouco se sabe sobre esses efeitos em algoritmos de classificação do tipo Árvore de Decisão (AD). Os classificadores por AD trabalham de forma 2361

2 recursiva, e vão dividindo o conjunto de dados de treinamento até que o resultado seja apenas uma classe em cada subconjunto. As divisões dos subgrupos (nós) são baseadas nos cálculos da entropia e no ganho da informação (Elmasri, 2005). Ao considerar que diferentes tamanhos de área de treinamento podem resultar em distintas acurácias para a classificação de imagens de sensoriamento remoto, esse trabalho tem como objetivo determinar o menor tamanho da área de treinamento, que possibilite discriminar as classes de uso e cobertura da terra da área de estudo. 2 Material e métodos Para o desenvolvimento deste trabalho, primeiramente, foram realizadas duas visitas na área de estudo, registrando a campo o uso e cobertura da terra. 2.1 Área de estudo A bacia hidrográfica do rio Vacaí Mirim está localizada na região central do Estado do Rio Grande do Sul (Figura 1) ), com aproximadamente hectares. Na cabeceira do rio Vacacaí Mirim localiza-se o reservatório de água do Departamento Nacional de Obras e Saneamento DNOS/CORSAN N que é responsável por cerca de 40% do abastecimento público da cidade de Santa Maria (RS). A geomorfologia do local é caracterizada pelo Planalto dos Campos Gerais, Rebordo do Planalto Sul-Riograndense, e pela Depressão Central. As classes de uso e cobertura da terra encontradas nessa região foram campos, lavouras de soja, lavouras de arroz, floresta de Mata atlântica, açudes, entre outras. As lavouras de arroz estão localizadas na Depressão Central, já as áreas de Mata Atlântica estão próximas das drenagens e no Rebordo do Planalto. Problemas s ambientais caracterizam essa bacia, apresentando conflitos de uso da água, taxas de urbanização, áreas com alta degradação ambiental. Como é apresentado no estudo de Goldani e Cassol (2008), em que os autores verificaram o impacto ambiental resultante da ação antrópica e sócio-ambiental em áreas de preservação ambiental na Sub-Bacia Hidrográfica do rio Vacacaí Mirim. Figura 1 Mapa de localização da área de estudo. 2.2 Dados de sensoriamento remoto. O uso das bandas em operações aritméticas tem proporcionado o desenvolvimento e o aprimoramento de índices destinados a ressaltar características nas imagens como: umidade, 2362

3 solo, água, vegetação e entre outros (Moreira, 2003). O presente estudo fez uso de cinco índices espectrais e das quatro bandas da imagem para realizar classificação da imagem orbital pelo algoritmo árvore de decisão, os índices foram gerados conforme a Tabela 1. A imagem utilizada foi do satélite RESOURCESAT-1, sensor LISS III. Disponibilizada no catálago de imagens do Instituto Nacional de Pesquisas Espaciais (INPE). A cena escolhida é do dia 12 de fevereiro de 2010, o motivo da escolha da cena e da data foi devido à resolução espacial de 23,5 metros, cobertura total e poucas nuvens sobre a área de estudo para essa data. A imagem utilizada foi composta pelas bandas do verde (0,52-0,59 µm VERDE), vermelho (0,62-0,68 µm - VERM), infravermelho próximo (0,77-0,86 µm - IVP) e infravermelho médio (1,55-1,70 µm - IVM). Essas bandas sofrerão correção atmosférica através do método de subtração do objeto escuro (DOS) (Chavez, 1998). Tabela 1 Fórmulas dos índices e as referências Índice Fórmula Referência Razão Simples (RS) (Jordan, 1969) Índice de Umidade por Diferença Normalizada (NDWI1 - estresse hídrico) Índice de Umidade por Diferença Normalizada (NDWI2 - lâmina d água) Índice de Vegetação por Diferença Normalizada (NDVI) (Gao, 1996) (McFeeters, 1996) (Rouse et al., 1973) Índice de Vegetação ajustado ao Solo (SAVI) (Huete et al., 1988) O SAVI possui a constante L, que é um fator de ajuste de subtrato do dossel. Nesse trabalho foi utilizado o valor de L = 0,5, pois engloba uma maior variação de condições de vegetação. Esses cálculos foram executados no programa SAGA-GIS, através da ferramenta Grid Calculator. A partir desses índices e das bandas da imagem, foram formada a base de dados. 2.3 Divisão da área de treinamento e geração das classificações A área de treinamento foi gerada no programa QGIS pelas ferramentas de edição (Sherman et al., 2011). As classes de uso e cobertura da terra vetorizadas na imagem foram: água, solo exposto, arroz, soja, campo e floresta. Para cada classe foram totalizados 5000 pixels de amostras, a partir dessas amostras foram extraídos os valores das bandas da imagem e os índices espectrais para um arquivo texto. Como a proposta do trabalho é determinar uma área de treinamento mínima, esse total de amostras, foi dividido por 250, gerando 20 grupos de amostras. Em que o primeiro grupo totaliza 250 pixels e para os outros se soma mais 250 até chegar ao último que possui 5000 pixels. Para os 20 grupos foi criada uma árvore de decisão, através do algoritmo J48, que está disponível no programa de mineração de dados 2363

4 Weka (Hall et al., 2009). Na construção das ADs foi selecionado verdadeiro para a poda e o número mínimo de objetos por nó final foi configurado como sendo igual a dois. O processo de poda produz AD com melhor nível de precisão e menos tempo de processamento, devido a isso é recomendado seu uso (Han e Kamber, 2001). Com as AD montadas o próximo passo foi criar as classificações, paraa isso utilizou-se o programa ADtoRASTER (Ruiz et al., 2012). 2.4 Verdade terreno e valores da acurácia para as classificações A verdade terreno (VT) foi gerada a partir da vetorização de novos polígonos na imagem, totalizando pixels, sendo eles distintos da área de treinamento. A VT foi confrontada com as classificações, gerando uma matriz de confusão para cada imagemm temática. Através da matriz de confusão foi calculado o índice kappa e a acurácia do produtor. Esses cálculos foram implementados na linguagem de programação Python 2.5, através das bibliotecas GDAL e Numpy. Com essess valores calculados foram elaborados gráficos no Programa R para representar a relação entre o kappa e o tamanho de amostra de treinamento. Como também, a relação entre a acurácia do produtor com o tamanho da área de treinamento. 3 Resultados e discussão 3.1 Efeitos do tamanho da área de treinamento Algumas consequências para maiores áreas de treinamento estão no tempo e custo de aquisição dessas amostras, em que se tornam mais dispendiosas quando esses dados são levantados a campo. Essa parte do trabalho dedicou-se em analisar a confiabilidade de 20 classificações com diferentes tamanhos para a área de treinamento, os resultados estão representados na Figura 3. Os resultados do gráfico abaixo mostraram que as amostras que possuem até 2500 pixels paraa cada classe, obtiveram os piores valores para o índice kappa, ficando menor que 50% de acurácia. Na classificação utilizando 3000 pixels por classe os valores da confiabilidade melhoraram, chegando a mais 90%. E as demais amostragens, comportaram-se de forma linear, não havendo significativas diferenças nos valores do índice kappa a partir de 3000 pixels. A reta encontrada no gráfico entre as amostras de 2750 até 3000 pode ser explicada, quando analisamos as localizações das amostras da classe floresta, as amostras dessa classe começam a concentrar-se na parte do rebordo do relevo nas amostragens de 2750 pixels e com isso compreenderam a variabilidade espectral da classe floresta. Antes da amostragem de 2750 pixels por classe as áreas de floresta eram subestimadas por áreas de arroz, os erros de classificação por classe serão vistos na Figura 4. Figura 2 Valores de kappa em relação aos grupos de amostra. O tamanho da área de treinamento também terá consequências na complexidade da AD, como mostra a Figura 3, em que maiores áreas de treinamento aumentaramm as folhas das AD, 2364

5 dificultando sua interpretação, bem como, o tempo de processamento. O tamanho da área de treinamento que levou a um maior índice kappa foi com 3500 pixels s para cada classe, em que obteve o valor de 94,2% de kappa e 57 para o número de folhas. A diferença desses valores comparados a amostragem que utilizou 5000 pixels, foram sutis, visto que o valor de acurácia para a amostragem de 5000 pixels foi de 94,5% e o número de folhas foi de 60. A importância de diminuir esses 1500 pixels s pode estar na coleta de amostras para classes que são menos representativas em uma imagem, como por exemplo, áreas de água. Em um experimento conduzido por Pal et al.(2003), o tamanho de área de treinamento mais em conta foi o que utilizou 300 pixels s por classe. Quando calculamos a razão entre o número de pixels s com o total da área de estudo (9.118 ha), sendo que no estudo de Pal et al.(2003), foram utilizados dados do Landsat ETM, obtemos o valor da razão em porcentagem de 2,96%, ou seja, o melhor tamanho de área de treinamento encontrado nesse estudo foi de 2,96% % da área total para cada classe. Esse mesmo cálculo foi efetuado para o nosso trabalho e obtivemos o valor de 1,67% da área total para cada classe. Figura 3 Número de folhas das árvores em relação aos grupos de amostragem Outra análise é possível quando observamos a acurácia do produtor para cada classe em relação ao tamanho da área de treinamento (Figura 4). Percebemos que a classe soja e campo obtiveram seus valores próximos a 100%, já a classe floresta comportou-se abaixo dos 80% até o tamanho de treinamento com 3000 pixels. Esse mesmo comportamento é percebido na Figura 2 e os baixos valores do kappa que estão apresentados nesse gráfico, provavelmente, são devido aos erros de classificação para a classe floresta. Na totalidade as classes de uso e cobertura da terra alcançaram valores maiores que 80% para um tamanho de treinamento com 3000 pixels por classe, todavia, podemos concluir que áreas com grande diferença espectral, podem ser menos amostradas, isso foi percebido nas áreas de soja, essas áreas apresentam vegetação mais vigorosa que as demais classes. E áreas com semelhanças espectrais devem ser mais amostradas. Figura 4 Acurácia do produtor em relação aos grupos de amostragem 2365

6 Anais XVI Simpósio Brasileiro de Sensoriamento Remoto - SBSR, Foz do Iguaçu, PR, Brasil, 13 a 18 de abril de 2013, INPE Apesar de evidenciarmos que classes de uso com diferenças espectrais podem ser menos amostradas (Figura 4), sabemos que em nossos trabalhos precisamos seguir alguma metodologia para determinar uma área de treinamento mínima. Ao considerar esse aspecto determinamos que o tamanho de área de treinamento mínimo deve estar entre 2% a 3% da área total para cada classe e essas amostras devem estar bem distribuídas na imagem. 3.2 Análise da classificação Ao considerar o tamanho da área de treinamento, a AD mais vantajosa nesse estudo foi a gerada com 3500 pixels. O atributo preditivo que forneceu a maior redução na entropia foi o NDVI, assim sendo escolhido como raiz da árvore. Nessa AD percebeu-se a facilidade de discriminar algumas classes, entre elas estão às classes de água e de soja. As classes mais difíceis de classificar foram às áreas de floresta e áreas de arroz irrigado. Uma das possíveis explicações seria a semelhança espectral que áreas de floresta sombreadas possuem com as áreas de úmidas de arroz irrigado, portanto, necessitando de mais folhas para classificá-las. Na Figura 5b, está ilustrado o mapa temático resultante da AD escolhida e na Figura 5a está representada a imagem de satélite utilizada para o estudo. Alguns padrões em relação ao uso da terra podem ser observados no mapa classificado, as florestas estão situadas no rebordo, nas maiores declividade desse local, como também, próximo as drenagens. As áreas de lavoura de arroz que são áreas irrigadas, na sua maioria pelos rios da região, estão próximas as drenagens. O resultado mais controverso está nas áreas de solo exposto, pois sabendo que a imagem é datada no dia 4 de fevereiro de 2010, essas áreas de solo exposto deveriam estar com lavouras de arroz. Possivelmente isso não tenha ocorrido, devido a fortes precipitações ocorridas na região na época do imageamento. Então, essas áreas de solo exposto são áreas de lavoura arroz, que tiveram a vegetação removida ou estão com acúmulo de sedimentos trazidos pelas enxurradas. Outra questão em relação ao uso arroz, verificada na reambulação a campo, está na troca desse cultivo por plantações de soja, isso pode estar ocorrendo, devido à valorização da soja no mercado. Figura 5 a) Composição falsa falsa cor, b) mapa temático resultante Na Tabela 1 estão compreendidas as áreas das classes em porcentagem, a classe campo é a mais representativa nessa classificação. Caso a classificação fosse de outro ano, mas o mesmo mês, as áreas de solo exposto seriam áreas áreas de arroz. Juntas elas formariam 25,9% da área total, demonstrando a importância econômica que esse cultivo possuiu para a região. 2366

7 Tabela 1- Áreas das classes em porcentagem Classes Soja Arroz Solo exposto Água Floresta Campo Áreas (%) 9,3 11,6 14, 3 7,1 27,2 30,5 4 Conclusão A partir das análises desse trabalho e dos resultados obtidos por Pal et al.(2003), concluímos que o tamanho de área de treinamento mínimo deve estar entre 2% a 3% da área total para cada classe e essas amostras devem estar bem distribuídas na imagem. Outro resultado encontrado está no desempenho do algoritmo árvore de decisão na classificação de imagem orbital, pois quando utilizado amostras com mais de 3000 pixels para a geração das ADs, essas resultaram em classificações com valores de kappa maiores que 90%. Também vale ressaltar as rotinas de programação desenvolvidas nesse trabalho, essas foram de fundamental importância para atingir os objetos propostos. Agradecimentos Ao CNPq pela bolsa de iniciação científica, bolsa PQ concedida aos autores e aporte financeiro via Edital Universal. Referências bibliográficas Campbell, J. B. Spatial correlation effects upon accuracy of super- vised classification of land cover. Photogrammetric Engineering and Remote Sensing, V. 47, P , Chavez, Jr., P.S. Image-based atmospheric corrections - revisited and improved. Photogrammetric Engineering and Remote Sensing, v.62, p , 1996 Dickinson, K. Land processes in climate models. Remote Sensing of Environment. v. 51, p.27-37, Elmasri, R.; Navathe, S. B. Conceitos de Data Mining. In: Sistemas de banco de Dados. v. 4, São Paulo, Addison, p. FRIEDL, M. A.; BRODLEY, C. E. Decision tree classification of land cover from remotely sensed data. Remote Sensing of Environment, V. 61, P , GAO, B. NDWI A normalized difference water index for remote sensing of vegetation liquid water from space. Remote Sensing of Environment. 58, p , Goldani, L. Z.; Cassol. R. Ocupação antrópica e sócio-ambiental da microbacia do Rio Vacacaí-Mirim RS, Geomática, v. 31, p , Hall, M.; Frank, E.; Holmes, G.; Pfahringer, B.; Reutemann, p.; Witten, I. H. The WEKA Data Mining Software: An Update; SIGKDD Explorations, v.11, n Disponível em: < >. Acesso em: 10 de outubro de Han, J; Kamber, M. Data Mining: Concepts and Techniques. San Diego, Academic Press,

8 Huete, A.R.. A soil-adjusted vegetation index. Remote Sensing of Environment, Elsevier Science Publishing Co., New York, USA. 25: Hughes, G. F. On the mean accuracy of statistical pattern recog- nizers. IEEE Transactions on Information Theory, v. 14, p , Jensen, J. R. Sensoriamento Remoto do Ambiente: uma perspectiva em recursos terrestres. 2ed. São José dos Campos, Parêntese, 604 p, Jordan, C. F. Derivation of leaf area index from quality of light on the Forest floor. Ecology, 50: , Moreira, M. A. Fundamentos do sensoriamento remoto e metodologias de aplicação. ed. 2, Viçosa,Editora UFV, 2003, 307 p. Mather, P. M. Computer processing of remotely-sensed images: An introduction. ed. 2, Chichester, Wiley, McFeeters S.K. The use of the Normalized Difference Water Index (NDWI) in the delineation of open water features. International Journal of Remote Sensing. 17(7), , Pal, M.; Mather, P. M. An assessment of the effectiveness of decision tree methods for land cover classification. Remote Sensing of Environment, v.86, p , R Development Core Team. R: A language and environment for statistical computing. R Foundation for Statistical Computing, Vienna, Austria, Disponível em: < URL Acesso em: 11 de outubro de Rouse, J. W.; HaaS, H.R. Schell, J.A. Deering, D.W. Monitoring vegetation systems in thegreat plain with ERTS. In: Earth Resources Technology Satellite - 1 Symposium, 3, Proceedings. Washington, 1973, v.1, Sec.A, p Ruiz, L. F. C.; ten Catem, A.; Dalmolin, R. S. D. ADtoRASTER Software de Conversão. Universidade Federal de Santa Maria, v.1, Sherman G. E.; Sutton, T.; Blazek, R.; Holl, S.; Dassau, O.; Morely, B, Mitchell, T and Luthman, L Quantum GIS User Guide Version 1.7 Wroclaw. Disponível em: < download.osgeo.org/ qgis/doc/manual/qgis-1.7.0_user_guide_en.pdf>. Acesso em: 11 de outubro de